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
-
OhmNet：基于先进神经网络的酱料粘度预测用于高效欧姆加热加工
查看原文
2025
Innovative Food Science and Emerging Technologies
中科院一区JCR一区
Tasmiyah Javed, Muhammad Akmal, Timofei Breikin, Caroline Millman & Hongwei Zhang
计算机标签
深度学习 定量预测/回归分析 质构/流变/感官数据食品标签
复合/即食/餐饮食品 物理辅助加工 品质、结构与理化性质 质构与流变测试欧姆加热等工业食品加工过程因其较低的碳排放和更高的能源效率而日益普及。欧姆加热的效果在很大程度上取决于食品的电导率、物理性质和流变特性，其中动态粘度直接影响连续流欧姆加热系统中的流体流动、停留时间和加热速率。因此，在连续流欧姆加热加工过程中准确预测粘度对于优化加热效率和维持所需输出温度至关重要，最终可降低能耗和运营成本。为应对这一挑战，本研究引入了OhmNet——一种基于先进神经网络的预测模型，旨在准确估计欧姆加热过程中Tikka酱的动态粘度，为连续流欧姆加热应用中的粘度预测提供稳健的解决方案。该预测模型是利用加热实验获得的实时数据开发的，实验中使用流变仪在不同目标温度下记录了粘度测量值。为实现OhmNet的最佳配置，本研究探索了三种不同方法：分别为每个目标温度开发独立网络、基于迁移学习的神经网络，以及基于独热编码的统一神经网络模型。通过系统性的网格搜索进行超参数调优，评估了这些方法，以确定连续流欧姆加热过程中最准确、最稳健的动态粘度预测模型。所得OhmNet模型表现出高性能和高可靠性，均方误差为0.002，平均绝对误差为0.025，决定系数等于0.99。OhmNet的这一最优配置为提升工业食品加工应用中的过程效率和控制提供了强大工具。未来，该模型可无缝集成到先进的过程控制器中，用于精确的温度控制和功耗优化，推动可持续和节能的食品加工应用。
-
未来预制食品的AI加工：进展与展望
查看原文
2025
Food Research International
中科院一区JCR一区
Jinjin Huang, Min Zhang, Arun S. Mujumdar & Chunli Li
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 可见光/RGB/视频数据食品标签
预制菜/即食菜肴 加工与新加工技术 冷藏与冷冻保藏 可持续性与资源高值化 光谱/色谱/质谱等分析方法近年来，在现代生活快节奏和消费者对方便性需求日益增长的推动下，预制食品行业发展迅速。由于其易于储存、运输和操作，预制食品在现代餐饮业中扮演着越来越重要的角色。然而，其加工过程面临着若干挑战，包括劳动力短缺、分拣效率低下、清洗不充分、切割过程不安全以及缺乏行业标准。人工智能（AI）的发展将改变预制食品的加工方式。本综述总结了人工智能在预制食品分拣/分类、清洗、切割、预处理和冷冻等方面的应用进展与前景，涵盖数学模型、化学计量学、机器学习、模糊逻辑和自适应神经模糊推理系统等技术。例如，基于计算机视觉的人工智能分拣系统提高了原料分类的准确性，而清洗过程中的深度学习模型结合高光谱成像技术增强了对微生物污染的检测能力。尽管面临管理大规模数据和复杂模型等挑战，人工智能已显示出激发行业实践和研究的巨大潜力。人工智能应用可以提高预制食品加工的效率、准确性和一致性，同时降低劳动力成本、改善卫生监测、减少资源浪费并降低环境影响。此外，人工智能驱动的资源优化已显示出其在降低能耗和促进可持续食品生产实践方面的潜力。未来，人工智能技术有望进一步提高模型的泛化能力和操作精度，推动食品加工业向更智能、更可持续的方向发展。本研究提供了宝贵的见解，以鼓励在食品加工领域的人工智能应用和食品工业技术进步方面进行进一步的创新。
-
用客观的、基于仪器的方法替代咖啡感官质量评估方法的前景：综述
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Markos Makiso Urugo, Mohammed Worku, Tessema Astatkie, Pascal Boeckx, Yetenayet B. Tola & Paulos Getachew
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/回归分析食品标签
豆类与坚果（及籽类） 食品安全与风险评估 感官评价与方法学 光谱/色谱/质谱等分析方法背景：长期以来，咖啡质量评估一直依赖感官评价，这种方法虽能提供有价值的结果，但本质上具有主观性和可变性。随着全球咖啡市场对一致性、可追溯性和公平性的要求不断提高，人们的注意力已转向客观的、基于仪器的方法。
目的：本综述探讨了光谱分析、色谱分析和人工智能驱动模型等分析技术的发展及其潜力，这些技术可为咖啡生产和贸易中的准确、一致且高效的质量评估提供支持。
结果/发现：这些方法提供的定量数据加强了整个供应链的质量控制、欺诈检测和透明度。然而，高实施成本、技术复杂性以及资源有限地区获取渠道有限等障碍阻碍了其广泛应用。尽管感官评价方法在捕捉咖啡完整的感官特征方面仍至关重要，但仪器分析技术具有标准化和可重复性的优势。
结论：将感官专业知识与仪器分析相结合的混合模型成为最具前景的解决方案，它既增强了科学严谨性，又融入了人类的洞察力。重要的是，此类模型能够促进全球咖啡分级更加公平和透明，尤其是当它们嵌入可追溯系统并得到包容性政策框架支持时。这种整合策略为不同生产环境中实现公平、数据驱动的质量评估提供了一条可持续的发展道路。 -
食品科学中的深度学习：预测和模拟食物源蛋白质-肽的创新方法
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Shilong Cheng, Yao Chen, Yi Cao, Xuyao Huang, Bin Liu, Minghui Liu, Shuai Jiang & Ling Jiang
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 设计/生成与推荐 模拟与数字孪生 公开数据集食品标签
动力学建模 数值仿真 蛋白质与氨基酸背景：食物源肽具有多样的生物活性，蛋白质-肽相互作用的预测和模拟在识别食物中的功能性肽方面发挥着重要作用。然而，用于预测和模拟蛋白质-肽相互作用的传统方法往往效率低下且成本高昂，无法满足现代高通量筛选和合理设计的需求。深度学习技术能够从大规模的序列和结构数据中学习复杂的相互作用模式，从而促进食品领域功能性肽的发现与应用。
范围与方法：本综述系统总结了深度学习在食物源蛋白质-肽相互作用预测和模拟应用方面的最新进展。重点关注食物源肽的生物功能、蛋白质和肽数据库的开发与利用，以及深度学习算法在蛋白质-肽结构与功能预测、分子对接和分子动力学模拟中的应用。此外，还探讨了该领域当前面临的挑战和未来的发展前景。
主要发现与结论：深度学习技术显著提高了预测和模拟食物源蛋白质-肽相互作用的效率和准确性，有助于精准识别活性位点和构效关系。通过将先进算法与综合数据库相结合，研究人员能够高效筛选和设计功能性肽，从而加速功能性食品的创新与发展。本综述为深入理解蛋白质-肽相互作用机制提供了宝贵见解，并为推进食物源蛋白质和肽的功能研究及应用开发提供了重要参考。 -
SpecGuard：一种基于深度学习和EncodeBandCompress光谱波段压缩方法的食品有害物质检测应用
查看原文
2025
Food Control
中科院一区JCR一区
Yanshen Zhao, Weiming Shi, Runzhe Zhang, Huayu Fu, Cong Wang, Xiang Ji & Zhongzhi Han
计算机标签
深度学习 缺陷/异物检测与定位 高光谱/多光谱光谱食品标签
水果/蔬菜与菌菇类/植物类 食品安全与风险评估 光谱/色谱/质谱等分析方法食品中的有害污染物，如农药残留、沙门氏菌、大肠杆菌和黄曲霉毒素B1（AFB1），可对人体造成不可逆的损害。现有检测方法通常缺乏效率和无损检测能力，这也给人们带来了重大的健康风险和挑战。本研究介绍了SpecGuard，一种新型的基于深度学习的应用，它集成了EncodeBandCompress（EB）方法，将光谱波段减少50%，从而实现污染物的快速、无损检测。SpecGuard在苹果、西红柿和黄瓜中对三种农药残留的检测准确率分别达到94.97%、95.55%和92.13%，展示了在不同农产品上的良好性能。对于花生中的AFB1，SpecGuard将检测准确率从63.27%提高到74.49%，表明其对挑战性污染物的灵敏度有所增强。此外，它在细菌检测方面达到了93.03%的准确率，体现了强大的泛化能力。通过利用先进的特征提取技术，SpecGuard提供了一种可扩展、准确且非侵入性的解决方案，有望在食品安全监测领域广泛采用，以满足全球健康和监管需求。
