类目筛选（计算机学者）
清除筛选
-
模型类型
-
机器学习/统计学习
-
偏最小二乘法
-
支持向量机
-
随机森林
-
K-近邻
-
梯度提升决策树
-
主成分分析/判别分析
-
逻辑回归/贝叶斯
-
智能手机/其他
-
-
深度学习
-
卷积神经网络
-
循环神经网络
-
目标检测网络
-
图像分割网络
-
生成对抗网络
-
图神经网络
-
序列到序列/编码-解码
-
其他深度学习结构
-
-
大模型与 LLM
-
大语言模型
-
视觉基础模型
-
多模态基础模型
-
知识图谱与 LLM 集成
-
垂直领域微调/指令调优
-
检索增强生成
-
-
模型设计/优化策略
-
迁移学习/领域自适应
-
小样本学习
-
模型可解释性
-
模型轻量化/边缘计算
-
特征工程与选择策略
-
超参优化/自动机器学习
-
强化学习
-
-
-
模型任务
-
分类/鉴别/等级评定
-
定量预测/回归分析
-
缺陷/异物检测与定位
-
过程控制与实时优化
-
知识抽取与语义理解
-
设计/生成与推荐
-
模拟与数字孪生
-
-
模型数据
-
来源
-
可见光/RGB/视频数据
-
高光谱/多光谱光谱
-
红外/拉曼光谱数据
-
时序传感器/物联网数据
-
组学数据
-
质构/流变/感官数据
-
文本/知识库/法规数据
-
多模态/融合数据
-
-
量级
-
小规模数据集
-
中等规模数据集
-
大规模数据集
-
超大规模/工业级数据集
-
公开数据集
-
合成/仿真数据为主
-
-
深度筛选（食品学者）
清除筛选
-
研究对象/基质维度
-
谷物/块根/豆与坚果类
-
小麦
-
玉米
-
大米
-
杂粮
-
马铃薯
-
其他根茎类
-
其他谷物与块根
-
豆类与坚果（及籽类）
-
-
肉类/蛋类与水产品
-
畜肉
-
禽肉
-
鱼肉
-
甲壳类
-
软体与贝类
-
内脏及副产物
-
其他肉与水产品
-
蛋类及其制品
-
-
乳及乳制品
-
液态乳
-
发酵乳/酸奶
-
奶酪
-
乳粉
-
乳清及乳清制品
-
其他乳制品
-
-
水果/蔬菜与菌菇类/植物类
-
新鲜水果
-
新鲜蔬菜
-
果蔬汁/浓缩汁
-
果蔬干/果脯/蔬菜干
-
其他果蔬制品/植物类
-
食用菌菇
-
食用花卉
-
-
油脂及油脂制品
-
植物油
-
动物油脂
-
起酥油/人造脂肪
-
油炸食品
-
其他油脂制品
-
-
饮料
-
果蔬饮料
-
茶/茶饮料
-
咖啡饮料
-
乳饮料
-
功能/运动饮料
-
碳酸饮料
-
酒精饮料
-
其他饮料
-
-
糖、焙烤与糖果制品
-
面包
-
蛋糕/糕点
-
饼干/薄脆制品
-
糖果
-
巧克力及含可可制品
-
其他焙烤与糖果制品
-
蜂蜜等天然糖
-
-
发酵食品及酱腌制品
-
大豆发酵制品
-
蔬菜发酵制品
-
发酵豆制品
-
谷物发酵食品
-
肉类发酵制品
-
水产发酵制品
-
其他酱腌/发酵食品
-
-
复合/即食/餐饮食品
-
方便面及速食米面
-
预制菜/即食菜肴
-
冷冻方便食品
-
罐头菜肴
-
餐饮菜品与团餐
-
其他复合食品
-
-
新资源食材
-
昆虫蛋白
-
微藻及藻类产品
-
单细胞蛋白
-
细胞培养肉
-
其他新资源食材
-
-
食品添加剂与配料
-
碳水化合物配料
-
脂肪/油脂配料
-
蛋白质配料
-
乳化剂/稳定剂/增稠剂
-
甜味剂
-
香精香料
-
酸度调节剂/防腐剂/抗氧化剂
-
营养强化剂
-
其他添加剂与配料
-
-
新材料/包装与接触材料
-
塑料材料
-
纸及纸板
-
金属材料
-
玻璃材料
-
生物基/可降解材料
-
多层复合材料
-
探针与分析传感材料
-
其他材料
-
-
食品加工设备与机械系统
-
热处理设备
-
干燥设备
-
挤压/混合/成型设备
-
分选/分级/检验设备
-
灌装/封口/包装设备与生产线
-
清洗/CIP/卫生相关设备
-
输送/搬运/机器人系统
-
其他加工设备与系统
-
-
-
研究主题/科学问题维度
-
加工与新加工技术
-
传统热加工
-
非热加工技术
-
物理辅助加工
-
3D 打印与结构构筑
-
挤压膨化与共挤技术
-
其他加工技术
-
-
保藏与贮藏
-
冷藏与冷冻保藏
-
干燥保藏
-
改良气调/控气贮藏
-
保鲜涂膜与保鲜剂
-
货架期预测与品质劣变动力学
-
其他保藏技术
-
-
品质、结构与理化性质
-
质构与流变性质
-
颜色与外观品质
-
微观结构与成像
-
氧化、褐变等化学变化
-
其他品质相关性质
-
特征风味
-
-
营养与生物功能
-
基本营养价值评价
-
抗氧化/抗炎等功能
-
血糖、血脂与代谢相关功能
-
肠道健康与微生物相关功能
-
其他生物活性与健康效应
-
-
食品安全与风险评估
-
微生物安全
-
化学污染物
-
加工污染物
-
过敏原与毒性问题
-
暴露评估与风险表征
-
其他安全问题
-
-
包装与智能监测
-
包装设计与机械性能
-
活性包装
-
智能/指示型包装
-
包装系统中的监测与标签应用
-
其他包装相关研究
-
-
可持续性与资源高值化
-
副产物与废弃物高值利用
-
能耗/水耗与环境影响分析
-
生命周期评价与碳足迹
-
循环经济与绿色供应链
-
其他可持续性主题
-
-
感官科学与消费者研究
-
感官评价与方法学
-
消费者偏好与接受度
-
市场细分与消费行为
-
标签、营养声称与信息呈现
-
其他感官与消费者研究
-
-
过程控制与数字化
-
过程监测与在线检测
-
过程优化与控制策略
-
生产管理与数字化工厂
-
其他过程控制与数字化研究
-
-
-
研究方法/证据层级维度
-
理化与结构表征
-
常规理化指标测定
-
质构与流变测试
-
显微与成像技术
-
光谱/色谱/质谱等分析方法
-
其他理化与结构表征
-
-
微生物与发酵实验
-
微生物计数与生长曲线
-
菌种筛选与特性评价
-
发酵工艺与动力学
-
生物膜与耐受性研究
-
其他微生物/发酵方法
-
-
组学与高通量技术
-
基因组学
-
转录组学
-
蛋白质组学
-
代谢组学
-
微生物组/宏基因组学
-
其他组学方法
-
风味组学
-
-
体外模型
-
体外消化模型
-
体外发酵模型
-
细胞模型
-
模拟胃肠/肠道系统
-
其他体外模型
-
-
动物实验/人体试验
-
小动物实验
-
大动物实验
-
人体干预试验
-
观察性人群研究
-
其他体内/人群研究
-
-
统计建模与仿真
-
传统统计分析与回归
-
响应面分析与多因素优化
-
动力学建模
-
数值仿真
-
其他统计建模方法
-
-
问卷/市场与消费者研究
-
问卷设计与实施
-
访谈与质性研究
-
行为实验与选择实验
-
其他消费者研究方法
-
-
标准/法规/数据库分析
-
标准与法规对比分析
-
政策评估与影响分析
-
食品成分/消费数据库分析
-
其他标准法规相关方法
-
-
其他方法
-
专利分析
-
德尔菲法与专家咨询
-
情景分析与情景模拟
-
其他难以归类的方法
-
-
-
关键营养素/成分维度
-
常量营养素（宏量）
-
蛋白质与氨基酸
-
脂质与脂肪酸
-
碳水化合物与糖类
-
-
膳食纤维与抗性淀粉
-
可溶性膳食纤维
-
不溶性膳食纤维
-
抗性淀粉
-
其他膳食纤维类成分
-
-
维生素
-
脂溶性维生素 A/D/E/K
-
维生素 C
-
维生素 B 族
-
其他维生素或前体
-
-
矿物质与微量元素
-
钙
-
铁
-
锌
-
碘/硒等微量元素
-
钠/钾/镁等常量矿物质
-
其他矿物质
-
-
植物化学/生物活性成分
-
多酚与黄酮
-
花青素与类胡萝卜素
-
酚酸类
-
含硫植物化合物
-
其他植物化学物质
-
-
益生菌/益生元/合生元
-
益生菌菌株
-
益生元
-
合生元产品
-
可发酵底物与其他肠道相关成分
-
-
功能性脂类与糖替代品
-
植物甾醇/甾烷醇
-
共轭亚油酸
-
中链脂肪酸
-
糖醇类
-
非营养性甜味剂
-
盐替代品与其他代谢敏感因子
-
-
其他特殊成分
-
咖啡因
-
茶氨酸
-
胆固醇
-
嘌呤
-
其他特殊成分
-
-
标签记录（计算机学者）
清除全部筛选
标签记录（食品学者）
共 339 条结果
-
人工智能算法辅助生物传感器检测食源性病原菌：最新进展与未来趋势
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Zhuowen Deng, Yong-Huan Yun, Nuo Duan & Shijia Wu
计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 红外/拉曼光谱数据 时序传感器/物联网数据食品标签
探针与分析传感材料 食品安全与风险评估 微生物安全 光谱/色谱/质谱等分析方法背景：检测食源性病原菌是食品安全的一个关键方面，需要快速、准确和可靠的检测方法。尽管传统生物传感技术已取得显著进展，但在灵敏度、准确性和适应性方面仍面临挑战，尤其是在复杂的食品基质中。人工智能算法，特别是机器学习和深度学习技术的整合，在克服这些挑战和显著提高生物传感器性能方面显示出巨大潜力。
范围与方法：本综述探讨了AI算法（聚焦于ML和DL技术）在增强食源性病原菌检测生物传感器方面的应用。它对不同的AI模型进行了比较分析，并推荐了适用于各类生物传感器（包括表面增强拉曼光谱、荧光、比色和电化学生物传感器）的算法。本文还探讨了这些算法在食品安全中的实际应用和局限性，并概述了潜在的未来方向。
主要发现与结论：AI算法辅助的生物传感器显著提高了病原菌检测的准确性和效率。这些算法使生物传感器能够实时处理复杂的多维数据，提高了其在多样化和具有挑战性的食品样品中检测病原体的能力。尽管取得了显著进展，但在算法适应性和设备兼容性方面仍存在挑战。本综述强调了AI辅助生物传感器在推进食品安全检测技术方面的变革潜力，重点关注推动食品行业未来的创新与应用。 -
下一代光学成像与光谱技术：AI 与化学计量学在谷物真伪鉴别、营养与危害因子评估中的应用
查看原文
2025
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区
Qinglin Li, Zhenjie Wang, Mengyao Wang, Jingyuan Zhao, Kang Tu, Weijie Lan, Jun Liu & Leiqing Pan
计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据食品标签
谷物/块根/豆与坚果类 光谱/色谱/质谱等分析方法谷物质量对人类健康有着显著影响，这就要求对其真实性、营养成分和食品安全隐患进行全面评估。传统的检测方法往往存在诸多局限性，包括耗时繁琐、操作复杂以及灵敏度有限等。近年来，光学成像和光谱技术已成为评估谷物质量的快速、无损且高通量的替代方法。化学计量学与人工智能（AI），尤其是深度学习算法的融合，在光学数据的处理和分析中至关重要，这对于从大型数据集中提取关键特征而言必不可少。在本研究中，全面介绍了先进的光谱和光学成像技术，并概述了它们在应用研究方面的最新进展，着重强调了这些技术的主要创新点和实际应用。此外，还总结了这些技术以及人工智能驱动的数据处理方法在谷物质量评估各方面的最新发展，旨在凸显实际应用中的潜在研究方向和未来趋势。
-
人工智能赋能的光谱气体传感技术在食品系统实时监测和预测性质量控制中的应用
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Fangchen Ding, Rili Zha, Leiqing Pan, Xiao Chen, Juan Francisco García-Martín & Weijie Lan
计算机标签
机器学习/统计学习 深度学习 模型轻量化/边缘计算 特征工程与选择策略 强化学习 分类/鉴别/等级评定 定量预测/回归分析 过程控制与实时优化 时序传感器/物联网数据食品标签
光谱/色谱/质谱等分析方法背景：开发高效、智能且可扩展的检测技术已成为确保整个食品供应链质量控制的关键优先事项。光谱气体传感（SGS）作为一种很有前景的分析方法应运而生，它具有非接触式操作、响应迅速和灵敏度高的特点。通过监测食品系统中与加工、运输和储存相关的环境气体成分变化，SGS技术能够对食品质量和安全性进行高效评估。
范围与方法：本综述聚焦于应用于食品系统的前景广阔的SGS技术，特别是非分散红外光谱法、可调谐二极管激光吸收光谱法和光声光谱法。系统综述了这些技术的基本原理、操作参数和性能特征在近期食品相关应用中的情况。值得注意的是，本文还阐述了人工智能赋能的SGS所取得的特定进展，包括云-边-端框架内的信号去噪、特征提取、多模态融合和动态反馈。最后，本综述提出了在食品系统中扩大SGS应用的技术路线图和概念框架，强调了将人工智能赋能的SGS与物联网（IoT）、柔性材料和数字孪生系统相结合的新兴趋势，并着重指出了标准化协议和开放光谱数据集对SGS可扩展实施的重要性。
主要发现与结论：SGS技术与先进人工智能技术的融合，能够实现对食品气体的快速非接触检测，检测精度可达百万分之一至十亿分之一级别，为食品系统的实时监测和预测性质量控制提供了强大的解决方案。此外，人工智能赋能的SGS与物联网网络、智能包装和数字孪生系统的深度互联，以及对统一标准和可访问光谱数据集的需求，是未来的关键发展趋势。 -
食品质量与安全评估中多模态融合技术的系统综述：最新进展与未来趋势
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Yanqiu Xiao, Yanxin Li, Guangzhen Cui, Hua Zhang & Weili Zhang
计算机标签
机器学习/统计学习 深度学习 多模态基础模型 分类/鉴别/等级评定 定量预测/回归分析 多模态/融合数据食品标签
食品安全与风险评估背景：食品掺假、微生物污染和农药残留超标等问题的频繁发生，对食品安全和公众健康构成的威胁日益加剧。这些挑战变得越来越严峻且普遍。近年来，人工智能的进步推动了单模态方法的发展。然而，由于依赖单一维度的信息，这些方法的性能受到限制。多模态融合技术的兴起有望显著改善复杂食品样本的检测效果。
范围与方法：本文系统综述了近年来在食品质量与安全检测中应用的多模态融合方法。首先回顾了常用检测模态的特点和应用，然后详细分析了在低层次、中层次和高层次三个不同层面上融合策略的实现机制。此外，还总结了这些策略在食品掺假识别、溯源和风味建模等典型任务中的应用现状。最后，本文指出了当前存在的技术挑战，并提出了未来的潜在研究方向。
主要发现与结论：多模态融合方法在提高食品检测模型的准确性和稳定性方面具有巨大潜力。与传统的单模态方法相比，多模态策略在食品质量与安全检测中具有明显优势。这些优势源于其能够更有效地融合来自多个来源的不同类型信息。然而，当前的多模态融合方法在实际应用中仍面临一些挑战。随着人工智能技术的不断进步，多模态融合方法有望在食品安全检测中得到更广泛的应用。这种更广泛的应用将为食品安全监管提供有力支持。 -
工业4.0背景下人工智能驱动的智能包装技术在食品供应链中的应用、挑战与前景
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Xinlei Yu, Zhen Wang, Zhipeng Gao, Haoyu Lang, Xuefei Shao & Zhaolong Liu
计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定食品标签
包装设计与机械性能 智能/指示型包装 包装系统中的监测与标签应用 循环经济与绿色供应链背景：食品包装系统是食品供应链的关键组成部分。其功能不仅限于保护食品免受微生物污染、化学渗透和物理损坏，还直接影响供应链的整体运营效率。工业4.0概念的出现以及人工智能（AI）的快速发展，加速了传统包装向智能包装系统的转型。这一转变显著提高了供应链各个环节的透明度、响应能力和安全性。
范围与方法：本文全面综述了工业4.0背景下智能包装技术的发展及当前应用。深入分析了人工智能驱动的智能包装在食品供应链中的关键作用和应用，重点关注四个主要方面：物理防护、实时质量监测、可追溯性以及可持续包装材料。此外，本文提出了创新性的“工业4.0下人工智能驱动的智能食品包装框架”，并强调了将人工智能与其他工业4.0技术相融合的重要性。
主要发现与结论：人工智能驱动的智能食品包装系统在现代食品供应链中展现出巨大潜力。它们有效解决了传统包装在新鲜度监测、可追溯性提升、食品安全以及包装可持续性方面存在的局限性。这些系统在学术研究和商业应用领域都具有很强的潜力。
