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
-
基于高光谱成像与激光诱导荧光数据融合的黄曲霉毒素 B1 污染花生快速无损识别
查看原文
2026
Food Control
中科院一区JCR一区
Yiwen Zhuang, Xiaoyun Yang, Xueming He, Peng Li, & Yong Fang
计算机标签
随机森林 定量预测/回归分析 多模态/融合数据 高光谱/多光谱光谱食品标签
豆类与坚果（及籽类） 食品安全与风险评估 质构与流变性质 光谱/色谱/质谱等分析方法 显微与成像技术 脂质与脂肪酸本研究聚焦于为两类黄曲霉毒素 B1 污染花生（人工添加标准样本和自然霉变样本）开发无损检测方法。研究采用高光谱成像获取反射率、颜色和纹理特征，并利用激光诱导荧光光谱获取荧光强度，系统考察了近红外与荧光光谱在 AFB1 检测中的局限性和比较优势。通过中层数据融合，并结合无信息变量消除进行光谱特征优化，研究确定了最优特征融合策略和建模方法。结果表明，对于人工添加标准样本，仅使用荧光信息即可实现较精确的 AFB1 检测，随机森林模型区分污染样本与合规样本的准确率达到 96.88%；定量预测中，RF 回归模型验证集决定系数 R2v 为 0.927。对于自然污染样本，高光谱和荧光特征的协同融合有效缓解了花生样本异质性对 AFB1 检测的不利影响，并显著提高了预测精度。融合荧光强度、反射率和纹理特征的 RF 模型鉴别准确率达到 97.14%，对应 RF 回归模型 R2v 为 0.841。值得注意的是，单一光谱技术在预测花生 AFB1 污染时表现不稳定，校准模型容易失效。研究还通过分析贮藏过程中的水分、脂肪酸、色度和微观结构变化，阐明了自然污染花生的理化变化及其对光谱响应的潜在影响。本研究建立了花生 AFB1 污染稳健无损预测框架，为食品安全监测提供了方法学进展。
-
借助机器学习的代谢组学解码芽孢杆菌生物膜对巴氏杀菌应激的适应性重塑
查看原文
2026
npj Science of Food
中科院一区JCR一区
Lijiao Liang, Ping Wang, Xiaomei Zhao, Zheren Wang, Beibei Xu, Qinglong Ji, Di Wu, & Ying Chen
计算机标签
随机森林 分类/鉴别/等级评定 组学数据食品标签
液态乳 微生物安全 生物膜与耐受性研究 代谢组学 蛋白质与氨基酸低温乳制品的普及受到芽孢杆菌属的挑战，这些菌的耐热孢子和生物膜常常能在巴氏杀菌过程中存活。此外，热处理在某些芽孢杆菌中反而能增强生物膜的形成，这一现象的代谢基础尚未完全理解。通过结合非靶向代谢组学与随机森林分析，我们解析了生乳中芽孢杆菌分离株在热诱导生物膜增强背后的代谢适应机制。我们的结果显示了株特异性的机制：在BC01株中，热应激激活了谷氨酰胺酶，耗尽L-谷氨酰胺和游离组氨酸以缓解代谢抑制并激活生物膜基因，而黄嘌呤核苷的减少则促进了生物膜状态的转变。在BS01中，代谢网络重构导致精氨酸、D-氨基酸、多巴胺和花生四烯酸的合成减少，从而减轻了它们对生物膜形成已知的抑制作用。本研究阐明了热应激下生物膜适应的代谢驱动因素，突出了乳制品安全代谢干预的新靶点。
-
人工智能驱动的发酵食品微生物资源探索
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Peiqin Shi, Shuangping Liu, Jieqi Mao, Xiaogang Liu, Rongkun Tu, Hui Qin, Aibao Sun, Dachuan Zhang & Jian Mao
计算机标签
机器学习/统计学习 深度学习 过程控制与实时优化 定量预测/回归分析食品标签
发酵食品及酱腌制品 过程优化与控制策略 组学与高通量技术 发酵工艺与动力学背景：发酵食品微生物构成了一个多样化的微观生态系统，在食品生产、风味开发和人类健康方面具有巨大的应用潜力。然而，其复杂性、传统培养方法的局限性以及功能分析的难度给研究带来了重大挑战。这些挑战共同限制了我们对潜在机制的理解。
范围与方法：本综述系统阐述了人工智能（AI）在克服这些局限性方面带来的范式转变。我们综合当前研究，详细介绍了人工智能（特别是机器学习和深度学习）在挖掘和解读复杂微生物数据集方面的应用。此外，我们还强调了这些计算方法在发酵食品行业中的变革性应用和潜在挑战。
主要发现与结论：人工智能能够实现高分辨率的微生物注释，并准确预测基因功能和新的代谢途径。此外，它使研究人员能够对驱动食品发酵过程的复杂微生物相互作用进行建模。尽管在数据标准化、模型可解释性和实际应用整合方面仍存在挑战，但人工智能无疑已成为挖掘发酵食品中微生物资源的变革性工具。它将加速下一代发酵剂的发现，并优化发酵过程，以提高效率和一致性。这些进展有望显著改进工业发酵实践，支持更可持续和标准化的食品生产。此外，它还将促进旨在改善人类健康的功能性食品的开发。 -
将机器学习与横向流免疫分析结合用于超快速和高灵敏度他达拉非检测
查看原文
2026
Food Chemistry
中科院一区JCR一区
Jiawei Chen, Zhenzhen Chen, Sha Yu, Xiaoyue Xiao, Juan Peng, Yudi Xia, & Weihua Lai
计算机标签
随机森林 定量预测/回归分析 时序传感器/物联网数据 中等规模数据集食品标签
复合/即食/餐饮食品 化学污染物 过敏原与毒性问题 光谱/色谱/质谱等分析方法 其他特殊成分他达拉非（一种常在功能性食品和膳食补充剂中检测到的磷酸二酯酶5型抑制剂）具有显著风险。为了实现灵敏的现场检测，制备了一种抗他达拉非单克隆抗体（3C5），其半数抑制浓度（IC₅₀）为0.32 ng/mL。抗体-抗原结合动力学显示在早期检测阶段存在明显差异，从而推动将侧向流免疫层析法与机器学习（LFIA@ML）结合以进一步加快检测速度。基于多维信号特征训练的随机森林模型实现了快速检测和高准确性，决定系数为0.995，平均绝对误差为0.038。在140个样品中，LFIA@ML显示预测准确率为94.3%，并将检测时间显著缩短至3分钟。该分析方法与 LC-MS/MS 显示出强相关性，回收率范围为 92.3% 至 112%（变异系数 ≤ 15.37%）。LFIA@ML 展示了利用随机森林算法缩短检测时间的能力，并在葡萄酒样品中得到了验证。
-
基于 UPLC-MS/MS 与 FT-NIR 的食用中药材中真菌毒素的筛查、风险评估及快速检测
查看原文
2026
Food Research International
中科院一区JCR一区
Kangnan Liu, Ling Fang, Yaling An, Zijun Tang, Wenjie Zhao, Chunqian Song, Lin Feng, Xiaokang Liu, Zhenwei Li, Daidi Zhang & De-an Guo
计算机标签
支持向量机 K-近邻 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 微生物安全 暴露评估与风险表征 光谱/色谱/质谱等分析方法 其他理化与结构表征 其他统计建模方法食用中药材中的真菌毒素污染会因蓄积作用对人体健康构成重大威胁，并造成经济损失。本研究采用改良的QuEChERS结合超高效液相色谱-串联质谱（UPLC-MS/MS）方法，对1000批次、77种食用中药材进行19种真菌毒素的定性筛查。针对阳性率较高的三种食用中药材——淡豆豉（SSP）、白扁豆（LSA）和韭菜子（ATS），优化QuEChERS参数以定量检测十种最常见的真菌毒素，并采用蒙特卡洛模拟评估人体健康风险。此外，运用九种分类模型对淡豆豉中的杂色曲霉素（ST）和白扁豆中的黄曲霉毒素B2（AFB2）含量进行判别分析。定性筛查结果显示，65.20%的样品受到一种或多种真菌毒素污染，其中链格孢酚单甲醚（AME）、杂色曲霉素（ST）和链格孢酚（AOH）在所有样品中检出率最高。风险评估表明，长期食用受杂色曲霉素污染的淡豆豉、受黄曲霉毒素B2污染的白扁豆以及受链格孢酚单甲醚污染的韭菜子存在健康风险。淡豆豉和白扁豆的最优判别模型分别为支持向量机（SVM）和k近邻算法（KNN），其测试集的准确率、精确率、召回率和F1分数均为100%。在独立验证样本中，淡豆豉判别准确率达90%，白扁豆达100%。本研究证实食用中药材中真菌毒素污染普遍存在，其膳食风险不容忽视，并表明傅里叶变换近红外（FT-NIR）光谱结合机器学习在真菌毒素快速检测中具有良好应用前景。
