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
-
人工智能在食品生物活性肽筛选中的应用：最新进展与未来展望
查看原文
2024
Trends in Food Science and Technology
中科院一区JCR一区
Jingru Chang, Haitao Wang, Wentao Su, Xiaoyang He & Mingqian Tan
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
营养与生物功能 植物化学/生物活性成分 蛋白质与氨基酸背景：食品源性生物活性肽在营养与健康中起着至关重要的作用。鉴定FBPs的传统实验方法通常费时费力且成本高昂。相比之下，虚拟筛选和分子动力学模拟等计算方法也有其自身的局限性。人工智能技术使得对FBPs进行高通量筛选和活性机制分析成为可能。正在进行的人工智能研究将促进FBPs的深入开发与应用。
范围与方法：本综述概述了AI筛选FBPs的一般流程，包括数据基础、分子特征表示、机器学习与深度学习模型的构建与训练，以及评估与验证。同时总结了AI筛选不同生物活性FBPs的最新研究进展，讨论了当前的关键问题与挑战，并展望了FBPs的未来研究方向与趋势。
主要发现与结论：在利用AI筛选方法鉴定具有抗炎、抗菌、抗氧化、增味和降压等功能的FBPs方面已取得显著进展，而针对抗肥胖和抗疲劳肽的研究仍处于起步阶段。深度学习已展现出相较于传统机器学习技术的明显预测优势。然而，在筛选具有不同生物活性的肽时仍存在挑战。未来，应在食品专用大模型内开发数据增强策略，并创建基于多尺度化学空间特征的通用深度学习框架，以预测肽-靶标的动态相互作用。应建立一个结合深度学习、虚拟筛选或分子动力学模拟、体外测试和体内实验的高通量筛选框架，并加强对如抗肥胖和抗疲劳等多功能肽AI方法的研究。 -
基于深度学习方法的食源性细菌病原体显微镜识别
查看原文
2024
Food Control
中科院一区JCR一区
Qiong Chen, Han Bao, Hui Li, Ting Wu, Xin Qi, Changqiang Zhu, Weilong Tan, Desheng Jia, Dongming Zhou, & Yong Qi
计算机标签
深度学习 卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
微生物安全 食品安全与风险评估 微生物与发酵实验 显微与成像技术食源性致病菌的精准快速检测是食品质量安全控制的关键环节。目前，凭借操作简便、成本低廉的优势，显微镜形态学检测法仍是基层食品监管部门的首选检测手段。但该方法不仅对操作人员的专业能力要求较高，在分析过程中还存在一定的误判风险。利用深度学习算法自动识别食源性致病菌，替代人工镜检操作，不仅能降低检测过程中的专家成本、减少人为误判、缩短检测耗时，还能提供更客观、精准的鉴定结果。本研究率先构建了一个高质量、大规模的食源性致病菌图像数据集，为基于深度学习的检测模型提供了高效训练的基础，保障模型实现精准识别。研究搭建的深度卷积神经网络模型，可对六种常见食源性致病菌 —— 大肠埃希氏菌（O157:H7）、副溶血性弧菌、金黄色葡萄球菌、蜡样芽孢杆菌、伤寒沙门氏菌及溶血性链球菌 —— 进行高效鉴别，鉴别准确率达 90%~100%。该方法可辅助乃至替代传统检测流程中的人工镜检环节，有望突破传统检测严重依赖人工判断的技术瓶颈，大幅降低专家成本与人为误差，为大批量样本检测提供快速、精准且可靠的判别结果。
-
食品安全中潜在的新型微生物危害监控工具：代谢组学与人工智能的融合
查看原文
2024
Trends in Food Science and Technology
中科院一区JCR一区
Ying Feng, Aswathi Soni, Gale Brightwell, Marlon M Reis, Zhengzheng Wang, Juan Wang, Qingping Wu & Yu Ding
计算机标签
深度学习 分类/鉴别/等级评定 定量预测/回归分析 组学数据食品标签
食品安全与风险评估 微生物安全 过程监测与在线检测 组学与高通量技术 代谢组学背景：为实现可持续的食品加工环境，对病原体进行稳健且实时的监控尤为重要。因此，近年来，整合代谢组学与人工智能以实现早期检测、识别和微生物风险预测的新方法受到了研究者的广泛关注。然而，数据获取、质量控制和真实性评估方面标准化流程的缺失仍然阻碍了该领域的发展。此外，训练模型以准确管理食品基质内控所需的大型数据集，以及缺乏适用于所有场景的通用模型，也是需要解决的挑战。
范围与方法：代谢组学与深度学习结合已显示出在食品微生物监测中的巨大潜力。本综述涵盖了该领域的已报道应用，并着重强调了微生物污染物的早期检测。文中比较了传统与新型代谢组学技术，并讨论了该领域的局限性、挑战与前景。重点探讨了深度学习在改善代谢组学于食源性病原体分类与鉴定中应用的作用。
主要发现与结论：该领域的一些研究已证明了代谢组学生物标志物、指纹图谱和谱图在微生物风险识别与早期检测中的作用。目前正在建立食品基质中病原微生物生物标志物的筛选与验证工作流程。人工智能与代谢组学分析的整合在食品生产、运输和消费各阶段的微生物危害实时监测与识别方面显示出巨大潜力。 -
基于深度学习特征提取的不同波长光实时检测黄曲霉毒素污染的无花果
查看原文
2024
Food Control
中科院一区JCR一区
Cihan Kılıç, Hayrettin Özer, & Burak İnner
计算机标签
深度学习 支持向量机 卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
新鲜水果 食品安全与风险评估 化学污染物 显微与成像技术黄曲霉毒素（AF）对食品的污染会对人类及动物健康构成严重威胁。无花果等多种农作物均易受到黄曲霉毒素污染。在无花果生产加工环节，工作人员通常采用亮绿黄色荧光法（BGYF），在紫外光照射下人工分拣受黄曲霉毒素污染的果实。这种人工分拣流程不仅对操作人员的专业能力有较高要求，且长期暴露于紫外辐射还可能危害人体健康。本研究旨在探索一种检测效能优于亮绿黄色荧光法的自动化检测技术，实现对黄曲霉毒素污染无花果的精准筛查，从而降低生产环节对人体健康的潜在危害，提升无花果生产加工的安全性。研究首先探究了黄曲霉毒素与亮绿黄色荧光之间的相关性，结果表明，借助亮绿黄色荧光法检测黄曲霉毒素的检出率仅为 73%。随后，研究团队搭建一套搭载多波长光源（250~1000 nm）的光学成像系统，采集无花果样本图像并构建数据集；同时采用迁移学习方法，从图像数据中提取特征向量。进一步选用支持向量机（SVM）作为分类器，对经 365 nm 波长光源照射、并通过 MobileNetV2、ResNet101V2 及 InceptionResNetV2 三种模型提取的图像特征向量进行分类。实验结果显示，该方法对污染无花果的检测准确率达 100%，对未污染无花果的识别准确率为 92.3%，总体分类准确率达 96%。上述研究证实，基于深度学习提取的图像特征，可实现对黄曲霉毒素污染无花果的快速、自动化、高效检测。
-
ANN-GA优化复合色保护剂结合磁场辅助冷冻：对蘑菇（双孢子伞）质量的影响
查看原文
2024
Food Chemistry
中科院一区JCR一区
Linyu Zhang, Min Zhang, Dayuan Wang, Arun S. Mujumdar, & Yiping Chen
计算机标签
深度学习 超参优化/自动机器学习 可见光/RGB/视频数据 质构/流变/感官数据食品标签
食用菌菇 其他加工技术 其他品质相关性质 理化与结构表征由于含水量较高，冷冻蘑菇（双孢菌）受到冰晶形成的严重影响，可能导致组织结构破坏、严重褐化、高汁液流失以及难以维持良好的感官特性。为提升冷冻双孢子伞的质量，本研究采用人工神经网络和遗传算法（ANN-GA）优化复合色保护剂的用量，并通过 确定不同磁场辅助冻结条件下的冻结曲线、颜色变异、纹理和结构、滴落损失，确定了双孢子鱼的最佳冷冻条件以及水分分布。此外，利用X射线μCT拍摄了三维图像，以表征样品的微观结构。其中，6 mT磁场辅助冷冻处理组显著优于对照组，结果显示磁场辅助冷冻结合化学色保护剂作为复合加工技术，提高了冷冻双孢子伞的质量。这为增强冷冻双孢子伞的加工提供了理论基础和技术支持。
