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
-
基于机器学习的比色和表面增强拉曼散射的双模侧流免疫分析，用于灵敏且同时检测洛美沙星、氧氟沙星和贝沙沙星的残留
查看原文
2026
Food Chemistry
中科院一区JCR一区
Minghui Li, Daqi Chen, Yuhuai Guo, Tianxu Li, Wenjie Guo, Rui Feng, Dien Shao, Ziqi Jiang, Ye Li, & Jie Zan
计算机标签
机器学习/统计学习 定量预测/回归分析 红外/拉曼光谱数据食品标签
液态乳 化学污染物 光谱/色谱/质谱等分析方法 其他特殊成分食品基质中残留的喹诺酮类抗生素（洛美沙星 [LOM]、氧氟沙星 [OFL]、吡氟沙星 [PEF]）由于生物累积和毒性而对公共健康构成显著风险，因此需要比传统实验室技术具有更高灵敏度的现场可用方法。我们开发了一种双模态侧向流免疫分析（LFIA），将抗体偶联的Au@4-ATP@AgNPs纳米探针与机器学习（ML）增强的多峰表面增强拉曼散射（SERS）分析（1071、1142、1392、1442、1576 cm^-1）结合，用于牛奶中残留物的同时定量。结果显示，双模 SERS-LFIA 平台在检测限（LOD）方面分别达到 2.94 pg/mL（LOM）、264 pg/mL（OFL）和 1.05 ng/mL（PEF），相比传统比色 LFIA（CM-LFIA）分别提高了 330 倍、946 倍和 476 倍，在复杂乳制品基质中的回收率为 83.2-118.1%，重复性（CV < 13%）良好。基于机器学习的多峰分析将定量误差从单峰校准的高估 21 倍减少至 13 倍。总体而言，该机器学习集成 SERS-LFIA 在乳制品喹诺酮残留监测中实现了前所未有的灵敏度、准确性和现场可操作性。
-
机器学习辅助优化防风多糖的超声协同酶法提取及综合评价
查看原文
2026
Ultrasonics Sonochemistry
中科院一区JCR一区
Zeyu Li, Qian Li, Chaogui Hu, Feng Yang, & Fengxia Guo
计算机标签
支持向量机 定量预测/回归分析食品标签
其他果蔬制品/植物类 物理辅助加工 过程优化与控制策略 品质、结构与理化性质 抗氧化/抗炎等功能 响应面分析与多因素优化 碳水化合物与糖类防风（Saposhnikovia divaricata）是一种具有重要药用价值的常用药材，但其多糖研究仍较有限。本研究采用超声协同酶法提取防风多糖，并结合响应面法（RSM）和支持向量回归（SVR）模型优化提取工艺。SVR模型预测的最佳条件为料液比1∶13 g/mL、温度45 ℃、超声功率420 W、pH 4.5、超声时间35 min和酶添加量3%，在此条件下多糖得率达到11.82%。研究进一步比较了不同方法所得多糖的理化性质、结构特征和抗氧化能力，并采用熵权法进行综合评价。结果显示，超声协同酶法的综合表现最佳；糖醛酸含量、分子量和甘露糖水平是影响抗氧化效果的主要因素。本研究为防风多糖的高效提取及其生物活性应用提供了理论依据。
-
光响应食品包装的进展：机制、应用与挑战
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Jiaxin Zhao, Xinxin Xiao, Shasha Wei, Qingyang Wang, Qiao Ding, Yuqin Lei, & Hongchao Zhang
计算机标签
机器学习/统计学习 定量预测/回归分析 时序传感器/物联网数据食品标签
新材料/包装与接触材料 活性包装 智能/指示型包装 常规理化指标测定背景：开发用于防止食品质量恶化和污染的先进智能主动包装具有重要意义。响应性包装旨在通过pH值、温度、生物胺气体或光刺激来监测/改善食品安全或质量，因此受到广泛关注。与其他刺激相比，光响应技术为开发高精度、非接触式智能主动食品包装提供了一种有吸引力的途径。范围与方法：本文系统描述了功能化光响应包装的机制，这些包装采用了各种光响应材料和化合物，包括天然有机化合物、合成有机化合物、碳基材料、金属氧化物以及混合复合材料。同时，本文还强调了光响应包装在食品相关领域的应用进展。此外，本文讨论了与光响应食品包装相关的当前限制和挑战，并提出了潜在的未来研究方向和发展趋势。主要发现和结论：光响应包装通过光致发光、光致变色、光催化、光控释放、光热转换以及反射/散射等机制运行，不仅为智能包装提供了创新策略，例如新鲜度/安全性指示和防伪标签，还在抗菌活性、气体清除、控释以及光敏产品保护方面表现出优异性能。然而，商业化仍存在障碍，如光敏化合物迁移、光敏染料的光/热不稳定性，以及合成高端材料的高成本。克服这些挑战需要材料创新和制造方面的进步，并辅以跨学科技术，如人工智能（AI）和智能感知。总体而言，本综述对光响应食品包装的最新进展进行了全面总结，并提供了理论见解和技术指导，以促进其更广泛的应用。
-
用于快速检测甘薯淀粉中掺假物的可解释机器学习辅助近红外光谱
查看原文
2026
Food Control
中科院一区JCR一区
Mengmeng Li, Linna Guo, Mengyu Zhang, & Yujie Wang
计算机标签
随机森林 梯度提升决策树 定量预测/回归分析 红外/拉曼光谱数据食品标签
玉米 马铃薯 食品安全与风险评估 品质、结构与理化性质 光谱/色谱/质谱等分析方法 碳水化合物与糖类红薯淀粉（ SPS ）因其丰富的营养成分而广泛应用于食品行业。在经济激励的推动下，较便宜的植物淀粉有时会被非法混合到SPS中，最著名的是木薯淀粉（ CAS ）、玉米淀粉（ CS ）和马铃薯淀粉（ PS ）。绿色和快速评估SPS中的此类掺假仍然具有挑战性。在这里，我们提出了近红外光谱（ NIR ）和可解释的机器学习工作流程，用于SPS中CAS、CS和PS掺杂的分类和量化。主成分分析（ PCA ）表明，SPS与其他淀粉之间的光谱分离随着掺杂水平的增加而增加。监督随机森林（ RF ）和极端梯度提升（ XGB ）分类器可以准确区分淀粉类型。在测试集上，XGB分类器的准确度为0.86 ，精确度为0.86 ，召回率为0.86 ，F1分数为0.85。此外，SPS中掺杂物浓度的定量模型实现了高性能。XGB回归模型为CAS、CS和PS提供了最佳结果，相对预测偏差（ RPD ）分别为3.21、3.38和4.02。基于Shapley加性解释（ SHAP ）的特征分析阐明了关键光谱变量对模型输出的影响，为建模过程提供了更深入的见解。总体而言，这项研究为SPS质量评估提供了一种绿色、快速的方法，有助于维护市场公平和消费者信心。
-
考虑小样本学习与预测不确定性评估的可见-近红外光谱深度学习方法用于检测柑橘可溶性固形物含量
查看原文
2026
LWT
中科院一区JCR一区
Tao Jiang, Ting Fang, & Ziwen Zhou
计算机标签
其他深度学习结构 小样本学习 定量预测/回归分析 红外/拉曼光谱数据 小规模数据集食品标签
新鲜水果 光谱/色谱/质谱等分析方法 碳水化合物与糖类本研究旨在提出一种用于检测柑橘可溶性固形物含量的可见-近红外光谱深度学习模型，该模型同时考虑小样本学习和预测不确定性评估，命名为 SSL-UncertNet。研究将用于光谱特征增强的离散小波变换模块和用于光谱预测不确定性评估的多头不确定性量化模块，与层次自适应残差网络结合，构建 SSL-UncertNet 模型。基于交叉验证性能的消融实验表明，离散小波变换模块和多头不确定性量化模块均能有效提升可溶性固形物含量预测性能。此外，结合预测不确定性的模型微调策略显著增强了模型在测试集上的泛化能力，测试结果达到 R2 为 0.961、RMSE 为 0.264、MAE 为 0.196。所提出模型的可溶性固形物预测性能优于传统机器学习模型和已有相关研究。总体而言，基于可见-近红外光谱的 SSL-UncertNet 模型为解决柑橘可溶性固形物检测中小样本学习和光谱预测不确定性导致的泛化受限问题提供了有效方案。
