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
-
人工智能在功能食品创新中的应用：生物活性强化与配方优化 —— 半系统综述
查看原文
2026
Food Chemistry: X
中科院一区JCR一区
Nadia Alkalbani, Leen Shahin, Hiba Benzeghiba, Reyad S. Obaid, Tareq M. Osaili & Leila Cheikh Ismail
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
复合/即食/餐饮食品 营养与生物功能 感官科学与消费者研究 统计建模与仿真 植物化学/生物活性成分人工智能（AI）正日益融入功能食品研究领域。本半系统综述分析了2015—2025年间53篇同行评议研究，梳理了当前应用场景与新兴方向，其中包括抗氧化食品开发这一尚待深入探索的领域。综述对化合物发现、代谢组学及消费者建模等方向的AI技术方法进行了最新整合，重点指出了知识空白与方法学融合的机遇。数据驱动型AI（传统机器学习）与深度学习方法已被用于预测抗氧化活性、鉴定生物活性化合物并挖掘代谢组数据中的潜在规律。无监督学习方法助力复杂数据集聚类，而优化算法则支持对食品感官、营养及功能特性的调控。然而，现有多数研究仍局限于计算机模拟结果，缺乏实验或临床验证。消费者建模在很大程度上仍以预测为主，且对伦理与监管维度的整合不足。食品科学家与数据科学家的持续合作，是将计算分析成果转化为实际应用的关键。
-
1H NMR 光谱结合化学计量学检测意大利藏红花中的姜黄掺假
查看原文
2026
Food Control
中科院一区JCR一区
Lucrezia Angeli, Enmanuel Cruz Muñoz, Davide Ballabio, Ksenia Morozova, & Matteo Scampicchio
计算机标签
偏最小二乘法 主成分分析/判别分析 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
其他果蔬制品/植物类 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法 传统统计分析与回归藏红花来源于 Crocus sativus L. 的柱头，是一种高价值香辛料，因价格高和经济利益大而常被掺假。在掺假物中，姜黄（Curcuma longa L.）是最常见的一类。采用非靶向、无损的分析方法检测藏红花掺假，对食品真实性评估具有重要意义。本研究使用 400 MHz 质子核磁共振光谱分析了 138 份真实藏红花和掺入姜黄的藏红花提取物，掺假水平为 2.5%、5% 和 10% w/w。基于偏最小二乘判别分析的化学计量学分类能够区分纯藏红花和掺假藏红花样本，对纯藏红花的分类灵敏度为 98%，对掺假样本的分类灵敏度为 95%。该方法成功检测出低至 2.5% 的掺假水平，表明 1H NMR 结合多变量分析即使在低浓度掺假条件下也具有用于藏红花真实性评估的潜力。
-
基于机器学习和拉曼光谱的猪油多指标定量测定：自动超参数优化的 PCA-KNN 框架
查看原文
2026
Food Control
中科院一区JCR一区
Zixin Ma, Zhuangwei Shi, Xiaohong Liang, Jianchen Zi, Chenhui Wang, Yongkun Luo, Hai Bi, Shi-Chen Su, & Yunhao Su
计算机标签
偏最小二乘法 K-近邻 定量预测/回归分析 红外/拉曼光谱数据 质构/流变/感官数据食品标签
植物油 品质、结构与理化性质 光谱/色谱/质谱等分析方法 常规理化指标测定 脂质与脂肪酸酸价、过氧化值和含水率是猪油质量的重要指标，但传统检测方法耗时，难以用于快速多指标测定。本研究提出了一种结合拉曼光谱与 PCA-KNN 的机器学习框架，用于测定猪油 AV、POV 和 MR，并设计自动超参数优化方法。研究采集 70 瓶猪油样品，并划分为由不同拉曼光谱仪采集的两个数据集。每个数据集包含 35 瓶样品，每瓶装入 12 个比色皿并重复测量 5 次；剔除无效光谱后，数据集 1 和数据集 2 分别得到 2076 和 2081 条有效光谱。PCA 维度通过基于垂线的肘点法确定，KNN 邻居数通过贪婪搜索选择。交叉验证结果表明，PCA-KNN 在三个指标上均优于 KNN、PLS-KNN 和其他模型。AV 预测在两个数据集上的 R2 分别为 0.914 和 0.859；POV 预测 R2 分别为 0.967 和 0.932；三种 MR 水平分类准确率分别为 0.946 和 0.910。该框架展示了拉曼光谱结合自动化机器学习参数选择用于动物油脂质量快速分析的稳健性。
-
构建一个深度学习辅助的智能手机应用，用于烹饪过程中牛排熟度的智能识别
查看原文
2026
Meat Science
中科院一区JCR一区
Han Wang, Yuandong Lin, & Jun-Hu Cheng
计算机标签
卷积神经网络 智能手机/其他 分类/鉴别/等级评定 可见光/RGB/视频数据 大规模数据集食品标签
畜肉 质构与流变性质 传统热加工 显微与成像技术 常规理化指标测定在烹饪过程中识别牛排的熟度对消费者来说具有挑战性。本研究构建了一个基于深度学习的烹饪过程中非破坏性牛排熟度评估框架。此外，整合了理化特性以确保熟度处理方法和数据库的可靠性，从而提高模型的准确性和说服力。在此基础上，创建了包括1803张图像和153个样本的理化特性的可靠数据库。这些数据库分别来自601块和51块不同的牛排。在比较了涵盖线性模型、机器学习模型和深度学习模型的8个模型后，发现DenseNet121（一种卷积神经网络CNN模型）是最佳模型，其识别准确率为95.30 ± 1.48%。随后，梯度加权类激活映射（Grad-CAM）及其他可视化方法证实了该模型的可行性和原理。最后，开发了一个面向移动端优化的边缘计算定制应用，以展示所提出模型的实时性能，该模型达到了91.93%的准确率。这些结果证明了卷积神经网络（CNN）模型在预测牛排熟度方面的可靠性，并为智能烹饪设备提供了理论基础。
-
茶叶品质的智能评估：机器学习辅助表面增强拉曼光谱用于白茶年份鉴定和等级分类
查看原文
2026
Food Chemistry
中科院一区JCR一区
Qian Ye, Xianjin Zhang, Yuanyuan Yao, Yueliang Wang, Lifen Chen, Bingyong Lin, Hong Huang, Jianguo Xu, Xin Peng, & Longhua Guo
计算机标签
随机森林 梯度提升决策树 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
茶/茶饮料 品质、结构与理化性质 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法 多酚与黄酮传统的茶叶感官评估方法依赖于经验、视觉比色法和主观味觉感知，存在评价者间不可重现的差异性，且无法量化生物活性指标，因此无法建立科学可验证的质量标准。为了解决这一问题，我们开发了一个智能平台，将表面增强拉曼散射与机器学习结合，用于快速和定量的白茶分析，实现仅在20分钟内即可检测。利用银纳米珊瑚基底进行信号增强，并使用785 nm便携式拉曼光谱仪进行全光谱数据采集，我们构建了一个混合机器学习架构，其中随机森林用于年份分类（准确率96%），梯度提升回归器用于表没食子儿茶素没食子酸酯（EGCG）定量（R²=0.98，均方根误差、平均绝对误差和均方误差的值均接近零）。该方法建立了一个明确的EGCG含量分级体系：银针 > 牡丹 > 工美 > 寿眉，这与传统感官评价方法高度一致，同时提供了额外的定量能力。
