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
-
基于合成数据与深度神经网络助力植物基改性稠饮感官感知属性预测
查看原文
2025
Food Hydrocolloids
中科院一区JCR一区
Mustafa Tahsin Yilmaz, Abdulaziz S. Alkabaa, Furkan Turker Saricaoglu, Ahmad H. Milyani , Osman Gul, Mahmut Ekrem Parlak & Wael S. Hassanein
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 合成/仿真数据为主食品标签
果蔬饮料 昆虫蛋白 碳水化合物配料 质构与流变性质 感官评价与方法学 常规理化指标测定 质构与流变测试本研究开创性地融合了合成数据生成与深度学习技术，旨在预测经亲水胶体及新型蛋白质改性的植物基食品模型的感官特性。通过整合流变学、口腔摩擦学、表面活性参数及人体解剖学参数，我们构建了基于文献知识的综合数据集，模拟了十种分别添加真菌多糖或昆虫蛋白的系统性改性稠饮配方的人类感官评价数据。通过训练多层感知机回归模型，实现了对十种食品质构感官属性的精准预测（测试集R²=0.91）。研究结果表明，真菌多糖主导剪切稀化与拉伸阻力特性，而昆虫蛋白则显著增强体系整体活性与表面活性。该模型不仅习得了感官-流变学的复杂交互关系，更通过迁移学习在未知条件下展现了预测建模能力。本框架为传统感官科学提供了概念验证型补充工具，通过构建可模拟消费者响应的规模化预测平台，为智能食品设计、成分筛选及新型食品配方开发开辟了新路径。
-
食品科学与营养研究中机器学习与组学方法整合的最新进展
查看原文
2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Xiang Xiao, Lin Fu, Zhihong Zhang, Zhengyang Tu, Ning Shen, & Songtao Fan
计算机标签
深度学习 模型可解释性 定量预测/回归分析 组学数据食品标签
复合/即食/餐饮食品 食品安全与风险评估 品质、结构与理化性质 基因组学 转录组学 蛋白质与氨基酸组学技术正在革新食品与营养研究，可实现食品成分和微生物的高通量分析，并揭示食品与人体健康之间的复杂关系。机器学习方法特别适用于大数据集中的分类、聚类、降维和模式检测。多组学数据整合推动了机器学习在食品加工、安全和营养预测模型开发中的应用。本文综述了基因组学、转录组学、蛋白质组学、代谢组学和多组学在食品与营养研究中的应用，并讨论经典机器学习、深度学习和人工神经网络等多种机器学习技术。机器学习与组学整合的主要优势在于能够分析复杂数据集，从而支持食品组成解析、质量评价和营养干预。然而，数据质量、模型可靠性和可解释性仍是主要挑战。该综述更新了机器学习-组学整合的当前进展，并概述了食品组学和营养组学的未来方向。
-
人工智能驱动的食品中微塑料检测：来源、健康风险、检测技术与新兴人工智能解决方案的全面综述
查看原文
2025
Food Chemistry: X
中科院一区JCR一区
Himani Rawat, Ashish Gaur, Narpinder Singh, Manickam Selvaraj, Arun Karnwal, Gaurav Pant & Tabarak Malik
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
化学污染物 常规理化指标测定 光谱/色谱/质谱等分析方法由于相关的环境和健康风险，食品中的微塑料污染正成为一个日益令人担忧的问题。全球塑料产量不断上升，预计到2060年，年产能将超过21亿吨。因此，有必要对微塑料进行有效的检测和识别，以确定环境风险并保障食品安全。本研究旨在比较检测食品中微塑料的传统方法（光学检测、热分析、高光谱成像）与先进技术（傅里叶变换红外光谱、热解-气相色谱-质谱、拉曼光谱）。虽然传统方法足以提供定性见解，但先进技术在检测更小颗粒时具有更高的灵敏度和特异性。本文分析了这些方法的优势和局限性，考量因素包括准确性、成本、灵敏度和效率。文章还分析了人工智能在解决这些局限性方面的基本优势。人工智能的速度、准确性和适应性能够增强微塑料的检测和识别能力，为合规监管和食品安全监测提供支持。这种全面的分析阐述了在应对日益严峻的微塑料污染挑战时，人工智能作为未来研究工具所发挥的重要作用。
-
食品包装中的高级防伪油墨：聚焦功能材料到数字集成的综合综述
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Prachi Jain, Divyanshu Gupta, Harleen Kaur, Suman Singh & Kirtiraj K. Gaikwad
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
食品安全与风险评估 智能/指示型包装 包装系统中的监测与标签应用背景：食品行业内假冒产品的激增，加剧了对智能、安全包装技术的需求。传统的显性和隐性防伪措施正得到先进技术的补充，其中包括专用的安全油墨。这些油墨种类繁多，从紫外荧光油墨、热致变色油墨到磁性油墨和基于DNA的油墨，它们能对特定刺激产生独特反应，使得复制变得极其困难。将它们整合到食品包装中，既能提供视觉和法医鉴定层面的认证，又能与多种基材保持兼容性。
范围与方法：本综述研究了防伪油墨在食品包装中的发展与应用，重点关注根据其光学、热学、导电性、磁性和生化反应进行的分类。文中探讨了功能添加剂、材料兼容性等关键成分及其在防止假冒生产中的作用。这项研究还考察了区块链和人工智能在产品认证及供应链透明度方面的整合应用。文中涉及了环境和监管方面的考虑，以及可扩展、可持续使用的策略。基于近期的研究，本综述概述了加强包装安全性的基本设计特征和创新之处。
主要发现与结论：防伪油墨结合了可见和隐藏特征以及法医鉴定的精确性，为防范食品欺诈提供了多层次且可靠的防御手段。紫外荧光油墨、热致变色油墨、基于DNA的油墨和纳米材料油墨等技术增强了产品的可认证性和可追溯性。可生物降解配方和智能传感器有助于实现可持续包装目标。尽管面临成本高昂和监管障碍等挑战，区块链和人工智能等数字工具在加强供应链安全方面仍显示出良好前景。例如，可将嵌入了二维码、荧光图案或序列化标记等独特特征的防伪油墨整合到区块链框架中，在该框架内，所有标识符都记录在区块链账本上，并在产品链的每个环节借助人工智能优化的扫描进行检查。这种整合策略有助于防止假冒行为，并提高整个产品生命周期的透明度和问责性。 -
当涉及NIR光谱数据时深度卷积神经网络的可解释性：马铃薯块茎淀粉含量估算的案例研究
查看原文
2025
Food Control
中科院一区JCR一区
Arman Arefi, Barbara Sturm & Thomas Hoffmann
计算机标签
深度学习 定量预测/回归分析 高光谱/多光谱光谱 大规模数据集食品标签
马铃薯 其他品质相关性质 光谱/色谱/质谱等分析方法可解释性人工智能作为一种理解神经网络决策过程、洞察其预测结果的方式，正日益受到欢迎。本文应用了集成梯度法来评估深度卷积神经网络在预测马铃薯淀粉含量时所使用的光谱特征的重要性。为此，使用NIR光谱仪在940–1650 nm光谱范围内采集了12个马铃薯品种共7651个块茎的光谱信息，随后进行了淀粉含量的参考测量。使用Keras API开发了三种一维深度卷积神经网络，即VGG-19、InceptionV3和SpectraNet-32。这些深度网络在淀粉含量预测方面优于传统模型，其中SpectraNet-32达到了最高的预测准确度（R² = 0.84，RMSE = 1.41%，RPD = 2.46，以及rRMSE = 9.88%）。通过IG对神经网络的进一步分析表明，这些预测是基于与淀粉相关的光谱波段生成的。本研究结果表明，深度卷积神经网络不仅能够准确预测马铃薯中的淀粉含量，而且为其预测提供了确定性。
