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
-
基于X射线成像和深度学习分类器优化与比较的山茶籽和板栗内部缺陷无损分类
查看原文
2025
Food Control
中科院一区JCR一区
Menglong Ma, Haitao Fu, Yixiao Wang, Zelin Lu, Ziwei Wang, Jingjing Cheng, Xiaodan Liu, Huang Dai, Fuwei Pi & Jiahua Wang
计算机标签
深度学习 分类/鉴别/等级评定 可见光/RGB/视频数据 中等规模数据集食品标签
豆类与坚果（及籽类） 微生物安全 显微与成像技术山茶籽和板栗是重要的坚果资源，但虫蛀、霉变和枯萎等内部缺陷带来了重大的食品安全风险和经济损失。本研究通过结合低能量X射线数字放射成像技术与深度学习模型，开发了一种对这些内部缺陷进行无损分类的方法。采用图像增强技术将数据集规模扩大了十倍，得到2040张山茶籽图像和2370张板栗图像，并将其划分为训练集、验证集和预测集。通过超参数搜索策略优化了三种深度学习架构（VGG16、ResNet18和DenseNet121），并基于灵敏度、特异性、准确率和曲线下面积比较了它们的性能。结果表明，DenseNet121在山茶籽分类上表现最佳，AUC达到0.9991；而ResNet18在板栗分类上最优，AUC为0.9234。这种X射线DR与深度学习相结合的方法，为坚果的工业级质量控制提供了一种可行、快速且无损的解决方案，克服了其他成像技术（如穿透深度和成本）的限制。
-
基于反应面方法和深度神经网络优化桑葚花青素酶超声辅助提取，并分析体外抗氧化活性
查看原文
2025
Food Chemistry
中科院一区JCR一区
Chunzi Zhang, Wenhuan Ding, Asiya Mamattursun, Xiaoyan Ma, Shuwen Qi, Yukun Wu, Juan Zhang & Xiaoli Ma
计算机标签
机器学习/统计学习 深度学习 定量预测/回归分析食品标签
新鲜水果 其他生物活性与健康效应 过程优化与控制策略 多酚与黄酮本研究以新疆本土“药用兼食”资源桑树为原料，并通过建立反应面模型（RSM）和深度神经网络模型（DNN）优化了酶超声辅助桑葚花青素提取过程。进行了单因子Box-Behnken实验，研究了果胶酶剂量、酶解时间、超声温度、超声波时间、溶剂浓度和固液比对总花青素（TAC）和氰苷-3-O葡萄糖苷（C3G）、氰苷-3-O提取速率的影响-芦黄苷（C3R）两种花青素化合物，以及综合评估指数作为参考，以获得最佳提取条件。结果表明，RSM和DNN模型都能准确预测，但通过比较确定系数（R）来实现2发现DNN模型（R）为2= 0.990 0）比RSM模型（R）具有更好的预测效果2 = 0.940 4），DNN模型的相对误差为0.85%，远低于RSM模型的4.50%。DNN模型的预测准确性优于RSM模型。这表明DNN模型能够准确反映实验结果，预测桑葚花青素的提取过程。最后，根据DNN模型确定了桑葚花青素组分的最佳提取工艺：固液比为50 mL/g，乙醇浓度63%，超声波温度40°C，果胶酶剂量为0.5%，桑树中总花青素含量可达3.16 mg/g。公共卫生部、美国公共技术学院（ABTS）和·OH的最大清粪率分别为80%、98%和54%，表明桑葚花青素具有显著的抗氧化能力。本研究结果为从桑葚中提取花青素成分提供了有效且可持续的工艺优化方案。
-
整合人工智能与先进光谱技术用于精准食品安全与质量控制
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Imane Ziani, Hamza Bouakline, Abdelqader El Guerra, Ali El Bachiri, Marie-Laure Fauconnier & Farooq Sher
计算机标签
机器学习/统计学习 深度学习 卷积神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
食品安全与风险评估 化学污染物 光谱/色谱/质谱等分析方法高效液相色谱（HPLC）和气相色谱-质谱联用（GC-MS）等传统方法在食品分析中广泛应用，但在检测超低含量或复杂基质中的痕量污染物时往往存在局限性。本综述重点介绍了近期食品分析技术的突破，这些技术为消费者健康保护提供了前所未有的灵敏度和准确性。在这些进展中，宽线表面增强拉曼散射（WL-SERS）将灵敏度提高了十倍，能够检测到生鲜乳中三聚氰胺等污染物的浓度，远低于常规阈值。质谱成像（MSI），特别是基质辅助激光解吸/电离质谱成像（MALDI-MSI），在空间分辨率方面取得了显著进展，能够对食品成分和污染物进行精确的空间分布绘制。此外，二维液相色谱（2D-LC）和多维气相色谱技术也发展迅速，在复杂食品体系中实现了低至1 ppb的检测限。创新的传感器技术，如Dpy近红外（NIR）荧光探针和电化学发光（ECL）适配体传感器，提供了快速、高灵敏度的检测，有效补充了传统方法的不足。此外，人工智能（AI）和机器学习（ML）的整合彻底改变了食品质量评估方式，卷积神经网络（CNNs）等模型在识别掺假物方面的准确率高达99.85%。尽管取得了这些进展，但高昂的运营成本、传感器稳定性以及AI的计算需求等挑战依然存在。本综述强调了先进光谱技术、AI驱动分析和新型传感器技术的融合，并概述了未来策略，如设备小型化、纳米材料创新和标准化协议。这些方法为提高食品安全和质量管理的精确性、效率和可及性提供了变革性的途径，最终将促进公共卫生保护。
-
基于人工智能和二维MXenes的新型多模式纳米传感器检测系统用于食品中赭曲霉毒素A的检测
查看原文
2025
Food Control
中科院一区JCR一区
Qi Liu, Sutong Li, Zongyi Li, Caifeng Zou, Shi Feng, Juncheng Song, Jie Zhang & Xiangyang Li
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
食品安全与风险评估 光谱/色谱/质谱等分析方法 其他植物化学物质赭曲霉毒素A (OTA) 易于污染食品，对人类健康构成重大威胁。为了准确检测并及时预警食品中的OTA污染 (COTA)，本研究开发了一种基于MXenes的新型四模态纳米生物传感器检测系统。MXenes是一类新型二维材料，包括碳化钒 (V2C) MXenes，由于其比表面积大、表面官能团丰富、化学稳定性好，在生物传感和检测领域具有巨大潜力。通过原位化学蚀刻、金属离子插层和协同物理剥离技术，合成了具有优异荧光猝灭特性的V2C纳米材料 (V2C-NMS)，并通过适配体功能化V2C-NMS构建了具有优异类过氧化物酶活性的V2C-NMS@ssDNA。在此基础上，构建了用于OTA的荧光/比色生物传感器，传感器输出的荧光/比色信号与COTA具有良好的线性关系，检测限 (LOD) 低至6.77 pg mL−1。此外，基于从生物传感器荧光/比色模式获得的一系列RGB值，开发了一个全连接人工神经网络 (FCANN)，FCANN的荧光/比色通道可以在几秒钟内准确预测样品的现场或远程COTA，LOD低至7.10 pg mL−1。重要的是，该四模式方法在实际样品检测中表现良好，回收率在95.33%到105.79%之间，并且四种模式的检测结果可以相互验证。
-
智能水凝胶：由材料衍生智能驱动的食品检测、保鲜与递送
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Shiwei Zheng, Da-Wen Sun & Zhiwei Zhu
计算机标签
机器学习/统计学习 深度学习食品标签
其他生物活性与健康效应 食品安全与风险评估 智能/指示型包装背景：在对动态环境感知和精确调控需求激增的智能时代，具有独特材料衍生智能、优异生物相容性和可调控理化性质的智能水凝胶，为实现新一代与深度人工智能（AI）耦合的智能材料系统提供了不可或缺的核心功能模块和物理载体。因此，系统综述智能水凝胶的最新研究进展，深入分析其构效关系、响应机制、面临的挑战及未来发展趋势，变得尤为迫切和必要。
范围与方法：本综述从物理和生化响应的内在机制出发，进一步创新性地从外场驱动和正交/协同设计的角度阐述了智能水凝胶的调控策略。此外，通过整合食品检测、智能包装与递送等典型应用场景，展示了智能水凝胶系统在不同场景下的“感知-执行”能力。
主要发现与结论：智能水凝胶凭借其独特的材料衍生智能，在食品科学等领域实现了实时环境传感和智能响应。非接触式外场策略（磁、电、超声）避免了环境依赖性和空间分辨率限制。正交/协同设计通过整合无干扰的响应模块或协同的能量/信号耦合实现多刺激响应，能够并行处理复杂的环境信号。智能水凝胶在从食品安全检测、智能包装到生物活性物质递送等领域均展现出强大的智能性。
