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
-
利用理化指标和可见/近红外高光谱成像数据结合机器学习预测猪肉感官特性
查看原文
2026
Food Control
中科院一区JCR一区
Minwoo Choi, Jiwon Ryu, Jeong Beom Ju, Seokjun Lee, Ghiseok Kim, Hye-Jin Kim, & Cheorun Jo
计算机标签
特征工程与选择策略 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 颜色与外观品质 特征风味 光谱/色谱/质谱等分析方法 显微与成像技术 脂质与脂肪酸由于传统感官评价方法具有主观性且会破坏样品，准确评估猪肉滋味品质仍然具有挑战性。本研究旨在结合理化数据、高光谱成像和机器学习算法，开发猪肉感官属性预测模型。研究分析了 50 个猪肩胛肉样本的理化参数，包括 pH、持水力、肉色、蒸煮损失、脂肪含量和谷氨酸含量，并评价了脂肪感、甜味、咸味、鲜味、多汁性和整体风味等感官属性。高光谱数据采集范围为 400-1,000 nm 和 900-1,700 nm。研究建立分类模型预测感官特征，并使用准确率和 F1-score 进行评价。基于理化数据的模型表现中等，例如咸味 F1 为 0.60，经质量控制过滤后提高至 0.69。高光谱模型对脂肪感预测表现最高，F1 为 0.73；基于 VIP 的波长选择提高了鲜味预测性能，F1 为 0.65。结果表明，结合 HSI 和理化特征可支持猪肉滋味品质的无损、数据驱动预测。研究建议进一步整合代谢组学，以提升鲜味等复杂特征的预测能力。
-
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。
-
机器学习驱动的风味组学：解码储存婴儿配方奶粉中阶段特异性挥发性化合物动态及感官退化
查看原文
2026
Food Chemistry
中科院一区JCR一区
Jianfeng Wang, Mengyuan Yang, Yanmei Xi, Weizhe Wang, Lunaike Zhao, Shuyuan Xue, Yufang Su, Baoguo Sun, & Nasi Ai
计算机标签
随机森林 梯度提升决策树 定量预测/回归分析 组学数据 质构/流变/感官数据食品标签
乳粉 保藏与贮藏 货架期预测与品质劣变动力学 氧化、褐变等化学变化 特征风味 风味组学 脂质与脂肪酸 其他植物化学物质婴儿配方奶粉（IF）是婴儿的重要营养来源。然而，其感官质量在长期存储过程中会下降，影响消费者的接受度。本研究通过整合风味组学、脂肪酸动态变化和机器学习，探讨了IF在储存期间特定阶段的感官劣化机制及预测模型。定量描述性分析识别出驱动质量下降的六个关键属性，其中单阶段IF表现出最早和最显著的下降。挥发性化合物分析显示，醛类（己醛、辛醛）和酮类是主要的异味标志物，与脂质氧化途径相关。脂肪酸分析显示，多不饱和脂肪酸，特别是亚油酸和α-亚麻酸的降解，是异味生成的关键驱动因素。仅使用六种脂质氧化衍生的挥发物，随机森林和XGBoost模型就能准确预测特定阶段的感官评分（R² > 0.85），直接将脂肪酸氧化与风味恶化联系起来。这项工作确立了脂质氧化为主要的降解机制，并提供了用于保质期优化的实用数据驱动工具。
-
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。
-
建立信任：农业应用中人工智能和机器学习的验证
查看原文
2026
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Leah S. Riter, Rachelle J. Bienstock, & William O’Sullivan
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 文本/知识库/法规数据食品标签
复合/即食/餐饮食品 化学污染物 标准/法规/数据库分析 其他特殊成分在 2025 年 ACS 秋季会议上，农用化学品和化学信息联合专题会召集国际专家，讨论人工智能和机器学习融入农业科学的机遇与挑战。AI 和 ML 正通过作物产量与农药残留预测建模、遥感与精准农业、自动表型分析、决策支持系统和供应链优化改变农业。文章强调，可信 AI 依赖严格的数据整理、透明的数据实践、可复现工作流、适当的验证指标和监管整合。FAIR 数据原则、DAMA-DMBOK 数据管理框架以及 TensorFlow、PyTorch 和 Scikit-learn 等常用机器学习平台可支持可靠模型开发。文章围绕数据基础设施、产品发现、模型验证和文档记录等方面展开讨论，认为这些实践是建立农业和食品系统中 AI/ML 应用信任基础的关键。
