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 108 条结果
-
同位素模型作为预测可可衍生产品中可可含量的工具： δ13C作为可可百分比的代理
查看原文
2026
Food Control
中科院一区JCR一区
Karina Gonçalves da Silva, Marcelo Zacharias Moreira, Luiz Antônio Martinelli, & Plinio Barbosa de Camargo
计算机标签
模型可解释性 定量预测/回归分析 文本/知识库/法规数据食品标签
液态乳 巧克力及含可可制品 食品安全与风险评估 其他安全问题 标准/法规/数据库分析 碳水化合物与糖类巧克力粉和巧克力奶粉是广泛消费的产品，主要由可可这一 C3 植物原料和来自甘蔗的 C4 糖制成。尽管这类产品很常见，目前并没有明确规定其中可可和糖的必要含量，这给透明度和真实性评价带来挑战。本研究评估碳同位素分析（δ13C）作为快速、有效估算可可衍生产品中可可含量的方法。研究分析了 46 个巴西品牌产品的 δ13C 特征，包括可可粉、巧克力粉和巧克力奶粉，并测定主要配料的 δ13C 值，目标是仅利用 δ13C 值、基于 C3/C4 比例建立并验证可可含量估算模型。可可粉平均 δ13C 为 -28.6 ± 0.4‰，而糖表现出更富集的同位素信号，因此可清晰区分不同产品类型，并反映产品组成中 C4 来源糖贡献增加。研究基于可可-糖混合物建立稀释曲线并应用回归模型，该模型可解释 97% 的可可含量变异（R2 = 0.97，p < 0.001）。模型预测值与标签标示值及基于 C3 的估计值高度一致，平均差异低于 2.0%。将模型应用于商业产品后发现，巧克力粉中可可含量为 16%-70%，巧克力奶粉中为 6%-30%。这些结果表明，δ13C 可作为可可定量的稳健单同位素代理指标。该方法所需统计处理少，无需额外同位素变量，是一种简便有效的食品真实性评估工具；同时结果也提示部分产品中 C4 来源成分贡献较高，强调建立监管标准以保障透明度和保护消费者的必要性。
-
人工智能融入智能食品包装：迈向实时监测、可持续循环和精准营养
查看原文
2026
Food Control
中科院一区JCR一区
Shuqi Lu, Yumiao Wang, Hongyu He, Can Zhou, Bing Liu, Liangliang Jiang, & Abulimiti Yili
计算机标签
深度学习 模型可解释性 过程控制与实时优化 多模态/融合数据 时序传感器/物联网数据食品标签
复合/即食/餐饮食品 食品安全与风险评估 品质、结构与理化性质 标准/法规/数据库分析本文从四个维度综述人工智能驱动智能食品包装的最新进展，包括实时质量监测、供应链优化、可持续性和健康功能。AI 融合正通过统一的“感知-分析-验证-反馈”框架，将食品质量管理从被动响应转变为主动预测。在感知层，多模态传感器捕捉动态食品质量信息；在分析层，机器学习和深度学习构建高准确度预测模型；在验证层，区块链确保数据完整性和可追溯性；近场通信和二维码则将智能决策转化为可执行的消费者建议和供应链响应，用户反馈进一步优化系统，形成闭环价值流。该集成系统可提高新鲜度监测准确性、减少浪费，并支持绿色材料设计、塑料回收和个性化营养。当前挑战包括成本控制、传感器稳定性、算法可解释性和标准化。未来发展将聚焦柔性电子、边缘 AI、可信协作架构和跨学科整合，以构建更安全、更智能、更可持续的新一代食品包装生态系统。
-
机器学习辅助拉曼光谱法快速分类与质量评价柑橘精油
查看原文
2026
Current Research in Food Science
中科院一区JCR一区
Yong-Xuan Hong, Jia-Wei Tang, Jie Chen, Yun-Yun Xie, Zhang-Wen Ma, Qing-Hua Liu, & Liang Wang
计算机标签
支持向量机 模型可解释性 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
香精香料 食品安全与风险评估 光谱/色谱/质谱等分析方法 其他植物化学物质柑橘精油（EOs）需要准确的鉴别和评价，以确保其真实性与一致性。然而，气相色谱（GC）和质谱（MS）等传统技术耗时且成本较高，因此亟需开发新的分析方法。本研究提出了一种将拉曼光谱（RS）与机器学习（ML）算法相结合的精油检测方法。研究对六种柑橘精油开展蒸发实验，在五个时间点采集拉曼光谱，并以蒸发起始和结束时的GC-MS组成分析作为标准参照。研究构建了五种机器学习算法，用于区分不同精油并监测其随时间发生的变化，同时采用多项定量指标评价预测性能。结果显示，支持向量机（SVM）在各项预测任务中均表现最佳，可解释性算法还识别出了精油拉曼光谱中的关键组分。综上，RS-SVM是一种准确且经济高效的分析技术，可用于柑橘精油的快速鉴别和质量评价。
-
柑橘品质与病害检测中机器学习构建流程的研究进展
查看原文
2026
Food Control
中科院一区JCR一区
Ruijie Mai, Xiang He, Yang Li, Jingnan Ren, Xudong Gong, & Gang Fan
计算机标签
深度学习 模型可解释性 缺陷/异物检测与定位 多模态/融合数据 高光谱/多光谱光谱食品标签
新鲜水果 特征风味 加工与新加工技术 光谱/色谱/质谱等分析方法 显微与成像技术 其他植物化学物质柑橘是全球重要的鲜食和加工食品，其产量与经济价值高度依赖品质属性和病害发生情况。本文综述了用于柑橘品质与病害检测的机器学习模型构建流程进展。文章概述了数据采集、数据预处理、模型构建和模型评价等通用流程，并强调结构化数据（如光谱、色谱和化合物浓度）以及非结构化数据（如图像和高光谱图像）预处理的重要性。综述讨论了依赖人工特征的传统机器学习算法，以及能够自动学习层级表征的深度学习方法。文章梳理了多种数据模态在成熟度评估、可溶性固形物和酸度预测、缺陷检测、病害诊断和现场部署中的应用，包括图像、光谱、挥发性有机物、非挥发性化合物、高光谱图像、电子鼻数据和组学相关信息。作者指出了数据集稀缺且异质、标准化不足、跨品种泛化能力有限、预处理与模型相互依赖、黑箱解释性不足和部署受限等关键挑战。未来方向包括建立开放标准化多模态数据库、开发便携式数据采集设备、推进跨传感器数据协调、设计适用于复杂农业条件的预处理和增强方法、构建传统机器学习与深度学习结合的混合或多目标模型，并提升柑橘及更广泛农产品检测中的模型可解释性和现场可部署性。
-
PA/PE 薄膜厚度对高光谱成像和机器学习模型预测真空包装猪肉香肠残留亚硝酸盐性能的影响
查看原文
2026
Food Control
中科院一区JCR一区
Woo-Young Son, Mun-Hye Kang, Jun Hwang, Ji-Han Kim, & Hyun-Wook Kim
计算机标签
梯度提升决策树 模型可解释性 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
生物基/可降解材料 化学污染物 氧化、褐变等化学变化 光谱/色谱/质谱等分析方法 显微与成像技术 其他特殊成分加工肉制品中残留亚硝酸盐的非侵入式预测对于提升食品安全和实现智能制造系统十分关键。本研究评估近红外高光谱成像结合机器学习预测不同厚度聚酰胺/聚乙烯薄膜真空包装乳化猪肉香肠中残留亚硝酸盐含量的可行性。香肠配方中添加 0、150 和 300 mg/kg 亚硝酸钠，并在 900-1700 nm 范围内采集 HSI 数据。研究在约 1080 和 1280 nm 处观察到明显光谱差异，这被解释为与香肠基质中亚硝酸盐相关变化的间接标志，尤其与水合相关和脂质相关分子环境有关。研究建立了 CATBoost、LightGBM 和 XGBoost 三种基于梯度提升的集成模型，其中 CATBoost 预测精度最高，R2P = 0.969。值得注意的是，在测试范围内，PA/PE 薄膜厚度变化并未显著影响光谱特征或模型性能。此外，像素级预测和高光谱重映射可直观展示香肠样品中残留亚硝酸盐的空间分布。结果表明，HSI 结合适当机器学习算法能够可靠预测真空包装肉制品中的残留亚硝酸盐，且不受包装膜厚度影响。后续仍需在更多产品类型和加工条件下验证，以促进该无损质量评估方法的工业应用。
