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 2456 条结果
-
Janus结构的GOx-Fe/cu纳米酶用于广谱葡萄糖检测和牛奶分析
查看原文
2026
Food Chemistry
中科院一区JCR一区
Jiajie Xu, Yuhang Huang, Jiayu Xu, Siyu Hu, Xiangyang Tan, Liangchong Yu, Taolei Sun, & Guanbin Gao
计算机标签
智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据食品标签
液态乳 品质、结构与理化性质 光谱/色谱/质谱等分析方法 碳水化合物与糖类葡萄糖氧化酶（GOx）在温度和pH变化下不稳定，限制了其在生物传感中的应用。现有基于纳米酶的葡萄糖传感器存在检测范围窄（0.2 - 12.0 mM）且稳定性差的问题。在此，通过一锅自组装方法合成了一种Janus结构的GOx-Fe/Cu纳米酶，其中Fe₁₋ₓS和部分覆盖在Cu₃(PO₄)₂纳米花上的GOx。该纳米酶实现了超宽的葡萄糖检测范围（0.5 - 20 mM，检测限 = 34.18 μM），比现有纳米酶宽40倍，并提高了稳定性（在pH 3条件下7小时后和60°C条件下5小时后仍保留>80%的活性）及高特异性。当将其集成到壳聚糖/琼脂糖水凝胶中时，可通过基于智能手机的便携检测实现葡萄糖的可视化定量。在牛奶样品中，它显示出可靠的葡萄糖和 H₂O₂ 检测，回收率为 95% - 121%，相对标准偏差（RSD）为 0.31% - 8.26%，展示了实际应用的可行性。这种 Janus 结构的 GOx-Fe/Cu 纳米酶提高了 GOx 的稳定性和检测性能，而水凝胶平台实现了食品化学中葡萄糖和过氧化氢的便携式检测。
-
人工智能重塑非淀粉多糖研究：从提取优化到功能设计的智能整合综合综述
查看原文
2026
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区
Jixiang Zhang, Zhiyuan Xu, Cheng Zhong, Huanhuan Liu, Qiaomei Zhu, Zhenou Sun, Qingbin Guo, & Steve W. Cui
计算机标签
机器学习/统计学习 模型可解释性 定量预测/回归分析 组学数据食品标签
加工与新加工技术 营养与生物功能 碳水化合物与糖类在过去的几十年里，从天然资源中提取的多糖研究取得了显著进展，这些多糖常用于功能性食品、药物、化妆品和生物医用材料。然而，传统研究高度依赖试错筛选，这受到结构-功能关系难以阐明、制备效率低以及应用适应性差等挑战的限制。人工智能（AI）的整合为克服这些限制提供了关键途径。本文综述了AI在多糖研究中的最新应用，讨论了当前的挑战，并指出了未来的趋势。在多糖提取方面，AI采用人工神经网络和遗传算法-反向传播等模型来优化加工条件。其预测精度常常达到0.95以上，显著高于传统响应面方法模型的0.7-0.8。在实际应用中，人工智能整合多组学数据以支持个性化多糖方案设计。例如，图卷积网络可以将结构特征与生物活性（如肿瘤细胞抑制率和免疫细胞活化）关联，从而促进个性化功能性产品的发展。然而，该领域仍面临数据质量不一致、模型可解释性有限以及跨学科协作困难等挑战。解决这些问题是将人工智能从辅助工具推进为多糖研究创新核心驱动力的关键，并可能对精准医疗、功能性食品和先进生物材料产生影响。
-
基于高光谱成像技术的羊肉多指标自适应预测模型
查看原文
2026
Food Control
中科院一区JCR一区
Yuzhong Chen, Xiaochun Zheng, Tengfei Li, Weiting Wang, Yanli Ma, Peng Hu, Jianfang Cao, Pengfei Du, & A.M. Abd El-Aty
计算机标签
特征工程与选择策略 超参优化/自动机器学习 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据食品标签
畜肉 质构与流变性质 颜色与外观品质 显微与成像技术 常规理化指标测定本研究提出了一种基于高光谱成像的羊肉多指标自适应同步预测模型。研究整合光谱特征、纹理特征、小波特征以及可见光区域颜色特征（L、a、b），构建多维信息空间，并引入自适应优化策略，包括自适应特征选择、自适应模型选择和自适应模型超参数优化。其中，pH 和菌落总数的预测效果最好，校正集 R2 分别为 0.953 和 0.973，预测集 R2 分别为 0.937 和 0.951；TVB-N 的校正集 R2 为 0.896，预测集 R2 为 0.856；L、a 和 b 的校正集 R2 分别为 0.872、0.837 和 0.938，预测集 R2 分别为 0.498、0.771 和 0.888。该研究为光谱多指标同步预测的应用提供了有价值的参考和技术支持，有助于相关研究和实际应用。
-
计算机标签
逻辑回归/贝叶斯 分类/鉴别/等级评定 文本/知识库/法规数据 大规模数据集食品标签
复合/即食/餐饮食品 食品安全与风险评估 标准/法规/数据库分析食品监管机构需要高效分配有限的抽检资源，但随机或常规抽检可能遗漏高风险产品。本研究基于韩国综合食品安全信息网络中的食品抽检数据，开发了贝叶斯网络方法，用于优先筛选食品抽检对象。数据集包含 3604 条检查记录，其中 100 条为不合格记录，不合格率为 2.77%。研究使用 2523 条记录作为训练集，1081 条记录作为测试集，其中测试集中包含 30 条不合格记录，并构建树增强朴素贝叶斯网络进行评估。模型变量包括食品类型、产品销售额、HACCP 状态、检查等级、员工数量、总销售额和总出口额等。在风险阈值 0.021 下，模型召回率为 0.7667，精确率为 9.83%；该筛查规则仅需检查 21.7% 的产品即可识别 76.67% 的不合格案例。结果表明，贝叶斯网络建模可支持基于风险的食品抽检优先排序，并提升监管抽样效率。
-
食品领域机器学习技术的广泛应用：方法与实践的综合综述
查看原文
2026
Current Research in Food Science
中科院一区JCR一区
Junli Feng, Fuguang Zheng, Yu Zhang, Xixi Zeng, Zhijian Wang, Jingjing Liang, Zejun Wang, Liting Ji, & Qing Shen
计算机标签
机器学习/统计学习 分类/鉴别/等级评定 定量预测/回归分析 缺陷/异物检测与定位食品标签
品质、结构与理化性质 食品安全与风险评估 过程控制与数字化 微生物安全在当代社会，数字革命通过优化流程、促进深层信息发现和增强决策能力，正在从根本上改变人们的生活、工作和思维方式。充分释放这一潜力的关键，在于利用机器学习从大规模数据中提取有价值的信息，进而形成数据驱动的洞见、科学决策和准确预测。凭借对复杂高维数据的强大建模能力，机器学习能够帮助食品工业更准确地预测或识别潜在的质量问题、安全风险及消费趋势变化。本文首先介绍机器学习在数据处理、模型训练和性能评价方面的基本原理，随后全面综述其在食品工业多种场景中的应用，包括生产优化、产地溯源、掺假检测、质量控制、病原体或异物识别、保鲜技术、供应链管理、食品创新和消费趋势分析。文章还对相关研究采用的数据处理方式、特征提取方法和模型算法进行了系统分类与讨论，以帮助读者针对食品工业中可能遇到的实际问题选择适当算法。尽管机器学习在理论基础和实际应用方面已取得显著进展，但数据可获得性、模型稳健性和结果可解释性等问题仍有待解决。应对这些挑战对于充分发挥机器学习在食品工业中的潜在价值至关重要。本文提供的认识有望推动基于机器学习的人工智能技术在智慧食品工业中的进一步应用。
