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
-
高光谱成像结合可解释深度学习无损定量检测牛肉中掺入的淋巴肉
查看原文
2026
Food Control
中科院一区JCR一区
Tian Liu, Weijun Zhang, Hailong Xu, Jianguo Yu, Tingyan Sang, Yi Wang, & Songlei Wang
计算机标签
卷积神经网络 循环神经网络 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
畜肉 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法 显微与成像技术牛肉中掺入淋巴肉会威胁食品安全和市场真实性，而在绞碎肉中通过肉眼识别较为困难。本研究建立了基于近红外高光谱成像和可解释深度学习的无损定量检测方法。研究将牛肉与淋巴肉按 0%-60%（间隔 5%）以及 100% 的掺假比例混合，制备 224 个样品；去除异常值后，216 个样品被划分为训练集和预测集。研究采集 900-1700 nm 光谱，进行预处理，并采用 CARS、BW、UVE 和 VCPA 选择特征波长。CNN 和 LSTM 模型与 PLSR、LSSVM 进行比较。SNV-CARS-LSTM 模型表现最佳，预测集 R2 为 0.9925，RMSEP 为 0.3700，RPD 为 11.64。SHAP 分析识别出 948 nm 和 1088.5 nm 等关键波长，并解释其对掺假水平预测的贡献。伪彩色可视化进一步展示了淋巴肉的空间分布。该研究为牛肉淋巴肉掺假检测提供了准确且可解释的工具。
-
基于深度学习的马铃薯总糖苷生物碱含量无损预测与品质分类
查看原文
2026
LWT
中科院一区JCR一区
Ji-Hoe Kim, Sol Kim, Jaehwi Seol, Hyoung Il Son, & Soo-Jung Kim
计算机标签
其他深度学习结构 智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据食品标签
马铃薯 食品安全与风险评估 品质、结构与理化性质 显微与成像技术 碳水化合物与糖类马铃薯含有糖苷生物碱，过量积累 alpha-chaconine 和 alpha-solanine 可能带来食品安全风险。传统总糖苷生物碱测定依赖破坏性且耗时费力的方法，限制了采后快速筛查。本研究开发了一种基于 RGB 图像的深度学习框架，用于马铃薯块茎总糖苷生物碱含量的无损预测和安全风险分类。研究通过光照胁迫诱导总糖苷生物碱逐步积累，并在不同贮藏阶段采集智能手机表面图像；同时采用 HPLC 测定总糖苷生物碱浓度，作为监督学习的参考值。研究评估了 ResNet-101、EfficientNet-B3 和 Vision Transformer 三种骨干结构在回归和二分类任务中的表现。EfficientNet-B3 取得最佳回归性能（R2 = 0.843），ViT 表现出较强分类能力（准确率 = 0.880，召回率 = 0.908）。Grad-CAM 分析通过突出与总糖苷生物碱积累相关的生物学区域，提高了模型可解释性。采用额外品种和产区样本进行外部验证时，整体预测趋势仍得以保持（R2 约为 0.70），说明模型在光照胁迫条件下对生物变异具有一定稳健性。该框架为利用 RGB 图像开展初步安全筛查提供了一种快速、无损的方法。
-
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。
-
基于机器学习识别发酵南瓜汁菌株特异性香气标志物：整合 1D-CNN 与随机森林方法
查看原文
2026
LWT
中科院一区JCR一区
Yun Cen, Xingye Sun, Qingyang Zhang, Weiye Cheng, Xiaoming Pan, Hansheng Gong, Chen Yu, Wenli Liu, Xiaoping Liu, Kanghee Ko, & Huamin Li
计算机标签
卷积神经网络 随机森林 定量预测/回归分析 质构/流变/感官数据食品标签
果蔬汁/浓缩汁 食用菌菇 特征风味 发酵工艺与动力学 多酚与黄酮本研究考察了 Levilactobacillus brevis、Lactiplantibacillus plantarum 和 Leuconostoc citreum 对 30 摄氏度发酵 12 h 南瓜汁风味和功能特征的影响。研究采用整合随机森林和一维卷积神经网络的框架，并通过 SHAP 解释，识别菌株特异性代谢差异和挥发性模式。在该实验室规模发酵条件下，Leu. citreum PX3-5 产生了更优特征，显著提高总酚（54.61 mg GAE/kg）和黄酮（79.64 mg RE/kg）含量，同时增强奶油/黄油样气味（acetoin OAV = 3.99，2,3-butanedione OAV = 3.08）。相反，L. plantarum HY1-3 以明显花香特征为主（beta-ionone OAV = 31.07），Lb. brevis PL6-1 则赋予蘑菇/泥土样气味（1-octen-3-ol OAV = 4.69）。整合 RF-CNN 模型稳健识别出 acetoin 和 2-heptanone 作为差异标志物。值得注意的是，CNN 在局部关联模式中突出 acetoin，提示其可能与柠檬酸代谢相关。这些化学属性与受训感官小组（n = 13）评价的 PX3-5 组感官特征相一致，说明模型识别的挥发性标志物与观察到的感官偏好具有一致性。本研究为开发高附加值南瓜产品提供了数据驱动依据，并提出了解析发酵植物基食品复杂风味系统的分析策略。
-
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。
