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
-
基于光谱学和机器学习技术识别和检测冻融肌性肉制品的研究进展
查看原文
2025
Trends in Food Science and Technology
中科院一区JCR一区
Zecheng Qiu, Xintong Chen, Delang Xie, Yue Ren, Yilin Wang, Zhongshuai Yang, Mei Guo, Yating Song, Jiajun Guo, Yuqin Feng, Ningbo Kang & Guishan Liu
计算机标签
机器学习/统计学习 深度学习 特征工程与选择策略 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据食品标签
肉类/蛋类与水产品 品质、结构与理化性质 食品安全与风险评估 光谱/色谱/质谱等分析方法背景：将冻融肌性肉制品标记为新鲜食品销售是最常见的欺诈行为之一，已引起消费者、政府监管机构和零售商的广泛关注。光谱学与机器学习的结合彻底改变了冻融肌性肉制品的检测方式，使得开发更复杂和自动化的解决方案成为可能。
研究范围与方法：本文全面综述了关于光谱技术在冻融肌性肉制品中潜在特性的各种研究的最新发现。此外，本文还讨论了机器学习在冻融肌性肉制品光谱检测与识别过程中的贡献，例如特征工程、模型复杂度和模型评估。本综述的最终目标是强调机器学习及其与光谱方法相结合在冻融肌性肉制品识别与检测中的贡献。
主要发现与结论：光谱技术与机器学习的结合已成功实现了对冻融肌性肉制品质量的预测以及对新鲜与冻融肌性肉制品的区分。通过减少对人工特征工程的依赖，机器学习能够系统分析光谱特征并优化模型，从而准确识别冻融肌性肉制品。同时，深度学习和数据增强技术能有效应对与数据变异性和质量相关的挑战。此外，多模态机器学习、终身学习、集成学习和强化学习等先进技术有望在未来发挥关键作用。 -
基于化学性质的深度学习模型通过大规模虚拟筛选食源 α-葡萄糖苷酶抑制剂并体外验证以推荐糖尿病合理日常膳食组合
查看原文
2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Rui Liu, Jian-Wen Gan, Meng-Jia Sun, Hong-Xia Chen, Wan-Yi Zou, Shi-Di Zou, & Song Liu
计算机标签
深度学习 设计/生成与推荐 合成/仿真数据为主 公开数据集食品标签
复合/即食/餐饮食品 食品安全与风险评估 体外模型 标准/法规/数据库分析 蛋白质与氨基酸缺乏合适的化学研究方法限制了从大规模食源化合物中发现合理日常膳食组合。本研究训练了三个基于化学性质的深度学习模型，分别用于 α-葡萄糖苷酶抑制剂、安全性和药物-药物相互作用预测。训练后的模型从 FooDB 数据库约 70,000 个食源化合物中筛选潜在 α-葡萄糖苷酶抑制剂，并分析所选抑制剂之间的相互作用。在 FooDB 数据库筛出的 75 个候选抑制剂中，有 59 个此前未见报道。模型预测桦木酸与蒲公英赛醇、桦木醇和羽扇豆醇组合可协同增强 α-葡萄糖苷酶抑制作用，这一结果进一步通过体外实验得到证实。整体结果表明，基于化学性质的深度学习方法有潜力解决食品化学中合理日常膳食组合开发这一研究难题，并可为糖尿病膳食组合推荐提供计算辅助策略。
-
体外血糖指数仿生模型：传感器集成与人工智能的应用前景
查看原文
2025
Food Chemistry: X
中科院一区JCR一区
Mohammed Salman C K, Muskan Beura, Archana Singh, Anil Dahuja, Vinayak B. Kamble, Rajendra P. Shukla, Sijo Joseph Thandapilly & Veda Krishnan
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
血糖、血脂与代谢相关功能血糖指数（GI）的准确量化对于糖尿病管理仍然至关重要，但当前的方法受到资源密集性和方法学局限性的制约。体外消化模型在复制人体胃肠道的动态条件方面面临挑战，例如酶的变异性和多时间点分析，这导致预测准确性欠佳。本综述提出了一个集成技术框架，将非酶电化学传感与人工智能相结合，以革新血糖指数评估。非酶传感器在复杂基质中具有卓越的稳定性和可重复性，能够在多个时间点进行实时葡萄糖量化，且不受酶降解的限制。有监督和无监督的机器学习算法通过阐明消化数据中的复杂关系来提高预测准确性。这种技术融合代表了食品科学分析领域的范式转变，有望提高血糖指数评估的吞吐量和精确度。未来的发展应侧重于系统的可扩展性以及在营养科学中的更广泛应用，以推进糖尿病管理和个性化营养策略。
-
人工智能增强的可持续食品油炸：全面综述
查看原文
2025
Food Research International
中科院一区JCR一区
Xuan Wang, Min Zhang, Chung Lim Law & Luming Rui
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 可见光/RGB/视频数据食品标签
传统热加工 食品安全与风险评估 过程控制与数字化 脂质与脂肪酸油炸是一种重要的食品加工方法，油炸食品因其独特的色泽、风味和质构在日常饮食中也扮演着重要角色。然而，由于食品油炸过程在持续高温条件下进行，不可避免地会产生某些有害物质。此外，煎炸油的反复使用进一步加剧了这一情况。同时，油炸食品的高油脂含量也是消费者关注的问题。人工智能与传统分析技术的结合为有效控制上述问题提供了创新解决方案。本文回顾了过去十年来不同研究者的关键研究成果，重点介绍了人工智能在油炸食品的工艺优化、过程控制和品质保障中的应用。特别是机器学习、人工神经网络和计算机视觉系统在监测煎炸油劣变和预测有害物质形成方面发挥了重要作用。在食品油炸领域，人工智能的引入既带来了优势也带来了挑战。人工智能凭借其强大的自学习能力，展现出高效率、高精度、多目标优化和强可持续性等优势。同时，人工智能正处于快速发展阶段，在食品油炸应用中也面临着数据困境、投资压力大、监管困境等挑战，仍有相当大的提升潜力。展望未来，随着人工智能技术的不断进步以及与物联网、区块链等支撑技术的融合，可以实现油炸食品的个性化定制、智能化生产、全链条监管与追溯。在人工智能技术的支持下，食品油炸行业将向智能化和可持续方向发展。
-
智能无创食品质量检测：借助人工智能提高准确性和效率
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Jingxiao Yu, Hongbin Pu & Da-Wen Sun
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 过程控制与实时优化食品标签
食品安全与风险评估背景：随着现代食品工业和食品供应链的快速发展及日益复杂化，消费者对食品质量和安全提出了越来越高的要求。这一趋势正促使食品企业采用快速、高效且全面的监测系统，凸显了对快速可靠检测方法的迫切需求。尽管无损检测（NIT）技术能提供高效且非侵入性的评估，但人们对智能数据解读和自动化决策的需求不断增长。人工智能（AI）为提取有意义的模式提供了强大工具，可实现智能化、精准化和规模化的食品质量监测。AI与NIT的融合是一项关键进展，不仅能提高检测精度（如将校准误差降低10%-20%），还能提升检测效率（如在几分钟内完成食品质量与安全评估的快速筛查）。
范围与方法：提高检测结果的可靠性并扩大快速检测的规模，能有效提升NIT技术在食品生产和流通中的应用价值。因此，本综述旨在系统探究AI如何在食品质量与安全应用中辅助NIT，重点关注两个基本维度：准确性和效率。本综述涵盖了广泛的NIT技术和食品检测目标，围绕两个核心视角展开：（1）通过因素校准、数据增强、特征提取和模型优化来提高准确性；（2）通过自动化与机器人技术、便携式设备、高通量模式以及物联网和区块链来提升效率。通过总结这两个视角下的关键方法和进展，本综述提供了一个全面的框架和技术参考，以指导智能食品质量与安全评估领域未来的研究和实际应用。
主要发现与结论：综上所述，AI与NIT的融合显著提高了食品质量与安全评估的准确性和效率。当前的挑战主要包括可解释性有限、数据多样性不足以及工业部署滞后。短期内，预计在可解释和可迁移的AI模型、多源传感器数据融合以及用于实时监测的边缘AI方面会取得进展。从更长远来看，神经架构搜索、神经形态计算和量子机器学习等颠覆性技术有望带来变革性的进步。通过区分可行的短期发展与颠覆性的长期机遇，本综述为AI驱动的食品无损检测领域搭建科学创新与实际工业应用之间的桥梁提供了路线图。
