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
-
通过两阶段超声处理策略提高酵母蛋白的生物可及性和界面功能特性：贝叶斯优化、结构表征与动力学研究
查看原文
2026
Food Hydrocolloids
中科院一区JCR一区
Siliang Wu, Yuting Liu, Wen Li, Kewei Chen, Yihan Mu, Mouming Zhao, & Guowan Su
计算机标签
随机森林 定量预测/回归分析食品标签
蛋白质配料 物理辅助加工 过程优化与控制策略 品质、结构与理化性质 营养与生物功能 常规理化指标测定 响应面分析与多因素优化 体外模型 蛋白质与氨基酸本研究开发了一种数据驱动的两阶段超声策略，以改善酵母蛋白（YP）的功能特性和消化性能。首先采用Box–Behnken设计确定最佳单阶段超声条件，随后结合随机森林与贝叶斯优化，筛选出先以180 W处理5 min、再以520 W处理5 min的低功率至高功率两阶段方案。与未处理YP和最佳单阶段超声处理YP相比，两阶段超声处理YP具有更高的溶解性、体外消化率、界面功能特性以及持水和持油能力。结构分析表明，单阶段超声处理引起了更明显的结构破坏，而两阶段超声处理形成了更为平衡的结构状态，表现为粒径更小、荧光强度和表面疏水性更高、二硫键含量降低、热转变活化能下降，以及消化过程中结构演变更加协调。上述结果表明，两阶段超声是一种改善酵母蛋白功能特性和消化性能的有效且可控的策略。
-
一种利用机器学习生成富特征图形图谱的新方法及其在桃汁加工中的应用
查看原文
2026
Food Control
中科院一区JCR一区
Jing Hu, Xiaoting Xuan, Yan Cui, Xiyue Zhang, Lufang Shi, Ruowen Zhu, & Yong Sun
计算机标签
卷积神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
果蔬汁/浓缩汁 加工与新加工技术 光谱/色谱/质谱等分析方法本研究提出了一种新方法，用于将 GC-IMS 分析得到的化合物浓度谱转化为详细的图形特征图谱，以更有效地利用机器学习技术。该方法采用基于行加权损失函数和样本重加权梯度下降的数学框架，并将其整合到加权人工神经网络和卷积神经网络中。该方法通过高级标量矩阵和向量操作提取更丰富的特征，再将增强后的特征转化为图形特征图谱，以简化机器学习任务，尤其适用于果汁分类和加工过程分析。研究测试了该方法对不同产地桃品种的分类能力，以及对同一桃汁在不同榨汁加工阶段的识别能力。结果显示，所提出的 RWLF-SRGD 方法能够有效捕捉关键特征，不仅适用于区分不同产地的桃汁，也适用于识别同一桃汁的不同加工步骤。该方法在不同产地桃汁分类中的平均准确率达到 0.93，在同一桃汁不同加工步骤分类中的平均准确率达到 0.96，表明模型具有较好的可靠性、稳健性和在果品加工生产中的应用潜力。本研究为将 GC-IMS 化合物浓度谱转化为富特征图形图谱建立了新的方法基准。
-
融合荧光与可见-近红外吸收和散射特性改进天然污染花生油中 AFB1 预测
查看原文
2026
Food Control
中科院一区JCR一区
Xueming He, Yuanji Xiao, Yongnan Lu, Xiaoyun Yang, & Fang Zhang
计算机标签
循环神经网络 支持向量机 定量预测/回归分析 多模态/融合数据 红外/拉曼光谱数据食品标签
豆类与坚果（及籽类） 植物油 食品安全与风险评估 颜色与外观品质 光谱/色谱/质谱等分析方法 常规理化指标测定 多酚与黄酮花生油在生产过程中容易受到黄曲霉毒素 B1 污染。针对霉变原料制备花生油中 AFB1 快速、无损、准确检测的挑战，本研究提出一种融合 AFB1 特征荧光光谱与可见光和近红外范围吸收系数、约化散射系数的方法，以减轻样品基质变化带来的干扰。研究通过理化分析追踪两种花生品种在 AFB1 污染下关键品质指标的变化。结果显示，随着 AFB1 污染增加，维生素 E 和多酚含量下降，而类胡萝卜素和叶绿素水平升高；同时油脂颜色参数和黏度也出现系统性变化。研究采用多层次数据融合策略，并结合支持向量回归、径向基函数神经网络和长短期记忆网络等机器学习与深度学习算法。基于荧光、可见光吸收系数和近红外吸收系数的最优特征组合，实现了 AFB1 含量高精度定量预测，预测集决定系数为 0.884，预测均方根误差为 42.244 μg/kg；同时可准确判别污染状态，预测集正确分类率为 97.14%。与单独使用激光诱导荧光光谱相比，数据融合后模型性能显著提升，验证了所提出多源光学特征融合方法用于天然污染花生油中 AFB1 快速无损检测的有效性和实用性。
-
采后加工提升菊花风味和品质：来自水分状态、香气形成和代谢组学分析的认识
查看原文
2026
Postharvest Biology and Technology
中科院一区JCR一区
Huihuang Xu, Min Wu, Lin Chen, Parag Prakash Sutar, & Zhian Zheng
计算机标签
偏最小二乘法 主成分分析/判别分析 定量预测/回归分析 红外/拉曼光谱数据 组学数据食品标签
食用花卉 特征风味 营养与生物功能 光谱/色谱/质谱等分析方法 常规理化指标测定 多酚与黄酮菊花是一种季节性园艺作物，兼具观赏价值和营养益处。然而，其采后水分含量高且内源代谢活跃，导致其极易腐败。为稳定采后品质，杀青和干燥处理被广泛采用。尽管这些处理具有重要实践意义，但其影响采后菊花风味和品质形成的机制仍不清楚。本研究系统考察不同加工阶段水分含量与状态、酚类化合物、香气前体以及挥发性和非挥发性代谢物的变化。杀青处理和后续干燥过程表现为水分含量、水分活度和干燥速率逐步降低。低场核磁共振分析证实，后期较高的结合水含量是干燥速率降低的原因。杀青处理使除可溶性糖外的酚类化合物、氨基酸和脂肪酸显著下降（p < 0.05），这些化合物在干燥过程中先升高后降低。在鉴定出的 98 种挥发性化合物中，43 种通过正交偏最小二乘判别分析（OPLS-DA）被归类为差异化合物，它们通过氢键和疏水相互作用与嗅觉受体相互作用，从而塑造菊花独特的挥发性风味特征。KEGG 通路富集分析进一步显示，加工过程中风味和品质形成主要受淀粉和蔗糖代谢以及黄酮生物合成通路主导。本研究加深了对采后加工影响鲜菊花风味和品质形成机制的理解，并为高价值园艺花卉加工策略优化提供支持。
-
大语言模型在食品与营养科学中的应用：机遇、挑战及 FoodyLLM 案例
查看原文
2026
Current Research in Food Science
中科院一区JCR一区
Ana Gjorgjevikj, Matej Martinc, Gjorgjina Cenikj, Riste Stojanov, Jan Drole, Gordana Ispirova, Giulia Menichetti, Nives Ogrinc, Dimitar Trajanov, Sašo Džeroski, Barbara Koroušić Seljak, & Tome Eftimov
计算机标签
大语言模型 小样本学习 分类/鉴别/等级评定 定量预测/回归分析 知识抽取与语义理解 文本/知识库/法规数据 超大规模/工业级数据集食品标签
营养与生物功能 标准/法规/数据库分析 食品成分/消费数据库分析 常量营养素（宏量）背景：可靠的营养素分析和语义互操作性对于可扩展的膳食评估、食品标签标示（如交通灯标签体系）以及食品成分与消费数据的 FAIR 集成至关重要。然而，通用大语言模型（LLM）缺乏对结构化食谱—营养映射和食品本体的系统学习，限制了其在食品与营养任务中的准确性和可信度。范围与方法：本文回顾了大语言模型在生命科学和医疗保健领域的最新进展，并分析其在食品与营养应用中的不足。针对这一缺口，研究提出领域专用大语言模型 FoodyLLM，使用 225,000 个任务对齐的问答对进行微调，任务包括：（1）食谱营养素估算；（2）交通灯标签分类；（3）基于本体的实体链接，以支持食品数据的 FAIR 互操作。研究在五个评估折上，通过零样本和少样本提示，将 FoodyLLM 与 Llama 3 8B、Gemini 2.0 等通用模型进行比较。主要结果：在营养素估算任务中，FoodyLLM 对脂肪、蛋白质、盐、饱和脂肪和糖的预测准确率由通用模型的 0.43和0.63 提高至 0.91–0.97；在各营养素及颜色类别的交通灯分类中，宏平均 F1 由 0.46和0.80 提高至 0.86–0.97；在 FoodOn、SNOMED-CT 和 Hansard 本体的食品实体链接任务中，人工命名实体链接数据上的宏平均 F1 由 0.33和最佳通用模型的0.44提高至0.93–0.98，在 CafeteriaSA 和 CafeteriaFCD 真实语料上的宏平均 F1 则由 0.24和0.51提高至0.67–0.84。总体而言，结果表明领域专用大语言模型在食品与营养研究中具有实际价值，可支持自动化膳食评估、大规模营养监测和 FAIR 数据集成，并为可持续及个性化营养开辟新的研究路径。
