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
-
可持续食品设计中的人工智能：技术、伦理考量与未来
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
S. Harikrishnan, Deepika Kaushik, Prasad Rasane, Ashwani Kumar, Narinder Kaur, Chagam Koteswara Reddy, Charalampos Proestos, Fatih Oz & Mukul Kumar
计算机标签
机器学习/统计学习 深度学习食品标签
循环经济与绿色供应链背景：应对气候变化、资源枯竭和粮食不安全等紧迫的全球性挑战，需要创新的可持续食品设计方法。人工智能（AI）正逐渐成为一项变革性技术，有望显著提升整个食品系统的可持续性。
范围与方法：本综述全面探讨了人工智能与可持续食品设计的融合。它探究了各项技术创新，包括人工智能驱动的精准农业、智能食品加工以及替代蛋白质的研发。本文进一步研究了人工智能通过预测分析和区块链在优化食品供应链中所发挥的作用。关键的是，它还深入分析了人工智能在食品系统中涉及的伦理考量、环境和社会影响，以及不断演变的监管格局，指出了未来的发展前景和固有的挑战。
主要发现与结论：人工智能拥有革新食品生产、分销和消费的巨大能力，能够提高效率并减少环境足迹。然而，要充分发挥其潜力，就必须解决算法偏见、数据隐私和社会公平等关键伦理问题，同时减轻人工智能自身对环境的影响。一种多方利益相关者参与的协作方式，以健全的伦理框架和透明的政策为支撑，对于确保人工智能的负责任和公平部署至关重要，最终将为子孙后代培育一个具有韧性和可持续性的全球食品系统。 -
结合深度卷积生成对抗网络与可见光-近红外高光谱反射技术提高水稻种子花青素含量预测精度
查看原文
2025
Food Control
中科院一区JCR一区
Xingsheng Bao, Deyao Huang, Biyun Yang, Jiayi Li, Atoba Tolulope Opeyemi, Renye Wu, Haiyong Weng & Zuxin Cheng
计算机标签
支持向量机 深度学习 定量预测/回归分析 高光谱/多光谱光谱食品标签
豆类与坚果（及籽类） 其他品质相关性质 显微与成像技术花青素是评估水稻品种质量的关键参考指标，因此快速建立水稻籽粒花青素的无损检测方法具有重要意义。本研究构建了一种针对一维光谱数据优化的1D-DCGAN（一维深度卷积生成对抗网络）策略和一个1D-CNN（一维卷积神经网络）模型，在有限的数据集内实现了高质量的生成样本效果和更准确的花青素预测。SG（Savitzky-Golay）-1D-CNN在测试集中的表现显著优于LSR（最小二乘回归）、SVM（支持向量机）和BPNN（反向传播神经网络），其R2（决定系数）、RMSE（均方根误差）和RPD（残差预测偏差）值分别为0.83、10.99和2.45。此外，通过添加一定数量的生成样本来训练SG-1D-CNN可以增强模型在测试集中的性能。当添加样本数量为60（原始训练集样本量的75%）时，SG-DCGAN-1D-CNN（Savitzky-Golay深度卷积生成对抗网络一维卷积神经网络）表现出最佳性能，R2、RMSE和RPD分别达到0.87、9.40和2.88。基于此策略的DCGAN-1D-CNN方法有望为多品种水稻种子的精确预测提供新的见解。
-
3D打印驱动的功能性食品创新：个性化营养体系的构建与质构精准调控机制
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Mengyuan Wang, Mengyao Zhang, Xiaohu Luo, Liguo Liang & Yanan Liu
计算机标签
机器学习/统计学习 深度学习 过程控制与实时优化食品标签
营养与生物功能 3D 打印与结构构筑 质构与流变性质 质构与流变测试背景：3D食品打印技术通过精确控制质地和营养成分，彻底改变了功能性食品领域。它能够为特定人群（如吞咽障碍患者、糖尿病患者、儿童等）提供个性化营养，并提高益生菌等功能性成分的生物利用率。
范围与方法：本综述对3D打印功能性油墨进行了多维度分析，重点关注其流变行为、营养功能性和益生菌存活机制。通过系统性文献综合和案例研究，本研究评估了该技术在特定人群个性化营养中的应用，包括吞咽困难患者、糖尿病患者和儿科群体。此外，还对人工智能（AI）在优化打印参数、预测建模和适应性配方设计中的整合进行了批判性考察。
主要发现与结论：分子结构决定了3D食品打印油墨的流变学和营养学双重功能，实现了对结构保真度的可编程控制。这一具有范式转变意义的创新通过层次化保护框架提高了益生菌的存活率，该框架整合了材料功能化、工艺优化、结构化微生境和原位代谢调节。关键的是，与传统热加工相比，该技术在保留热敏性化合物（如维生素和多酚）方面具有更优异的营养保留能力，同时还能提升感官属性。研究强调了3D打印食品中质量与安全控制、打印精度和成本平衡的重要性。深度人工智能整合推动了智能适配：实时流变学调节与预测性营养个性化相结合，加速了下一代食品系统的发展。本研究为未来个性化营养系统的构建和功能性食品的精准制造提供了理论基础和技术方向。 -
基于MXene的智能传感器在食品安全监测中的应用：合成策略、现场应用及前景新见解
查看原文
2025
Food Chemistry
中科院一区JCR一区
Yijian Zhao, Wenhan Yang, Xinru Lin & Qinzhi Wang
计算机标签
机器学习/统计学习 深度学习 定量预测/回归分析 时序传感器/物联网数据食品标签
食品安全与风险评估 其他理化与结构表征 其他特殊成分MXene是一类二维过渡金属碳化物/氮化物，因其优异的性能能够设计出高效传感器，在食品安全领域引起了广泛关注。因此，科学界越来越一致地认为，全面评估在推进基于MXene的现场食品质量智能评估系统方面发挥着关键作用。本综述涵盖了基于MXene的智能传感器在基本性能、通过各种识别原理和信号输出模式实现的合成策略等方面的进展，涉及食品监测的多个领域。对MXene集成传感平台的分类和创新设计范式进行了严格评估，结果表明基于MXene的传感器能够深度融合人工智能技术，以提高识别精度。本文首次对食品监测中基于MXene的智能传感器进行了系统综述，可为解决食品工业中传感平台的现有局限性和商业考量提供新思路。
-
机器学习增强的试纸条颜色识别用于果蔬中农药残留的快速检测
查看原文
2025
Food Control
中科院一区JCR一区
Jingbo Dai, Xiaobin Chen, Yao Zhang, Min Zhang, Yunyuan Dong, Qifu Zheng, Jianming Liao & Ying Zhao
计算机标签
深度学习 定量预测/回归分析 可见光/RGB/视频数据食品标签
水果/蔬菜与菌菇类/植物类 化学污染物食品安全，尤其是农药残留带来的风险，已成为一个关键的公共卫生问题。现有检测方法通常速度慢、成本高且需要复杂设备，限制了其广泛应用。本研究介绍了一种用于农药残留的快速试纸条检测系统，重点针对胆碱酯酶和有机磷农药。该系统将比色反应与机器视觉相结合，实现图像分析的自动化。采用包括降噪和阈值提取在内的关键图像处理技术来分析试纸条的RGB值。然后推导出多色特征指数来处理数据。此外，开发了一种改进的遗传编程-符号回归（GP-SR）模型，以建立这些指数与农药残留水平之间的关系。实验结果表明，增强后的GP-SR模型在归一化后使R2值最多提高0.195，决定系数提高2.5%，RMSE降低16%。这种方法为检测水果和蔬菜中的农药残留提供了一种更高效、更准确的方法，有助于改善食品安全监控。
