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
-
基于高光谱显微成像与 WGAN-GP 的油茶籽仁微观结构油含量预测与可视化
查看原文
2026
LWT
中科院一区JCR一区
Weidong Yuan, Hongping Zhou, Xuesong Jiang, & Hongzhe Jiang
计算机标签
卷积神经网络 生成对抗网络 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
豆类与坚果（及籽类） 微观结构与成像 显微与成像技术油含量是评价油茶籽经济价值的关键指标。鉴于宏观油含量检测与可视化研究在机理解释方面仍不充分，本研究旨在探讨利用高光谱显微成像在细胞水平评价油茶籽仁油含量并可视化其空间分布的可行性。受设备和实验条件限制，样本数据量有限，进而影响模型性能。为解决这一问题，研究采用带梯度惩罚的 Wasserstein 生成对抗网络（WGAN-GP）扩增光谱和油含量数据，并通过定性和定量方法系统评价生成数据与真实数据。研究在原始校准集中加入不同比例生成数据，构建偏最小二乘回归（PLSR）和卷积神经网络回归（CNNR）模型。结果表明，WGAN-GP 在数据扩增方面优于传统 DCGAN，并提高了 PLSR 和 CNNR 模型的预测性能，Rp2 分别达到 0.6981 和 0.8220，对应提升 31.89% 和 13.19%。本研究不仅为油茶籽宏观无损检测提供了新的微观机理分析，也为小样本条件下利用高光谱显微成像准确预测理化性状提供了重要参考。
-
Pictet-Spengler 模型体系中 harman 和 norharman 的形成及预测建模：肌内脂肪和还原糖的影响
查看原文
2026
LWT
中科院一区JCR一区
Teng Hui, Yincen Xiong, Qinyu Zeng, Xue Li, Tao Liu, Yanlei Li, Hao Dong, & Cheng Li
计算机标签
偏最小二乘法 定量预测/回归分析食品标签
畜肉 传统热加工 过程监测与在线检测 常规理化指标测定 脂质与脂肪酸Harman 和 norharman 是最具代表性的 beta-咔boline 类杂环胺。本研究在含有肌内脂肪、D-glucose、D-ribose 和 D-glucose-6-phosphate 的模型体系中，在不同条件下考察其形成机制，并建立预测模型。结果表明，在 90-210 摄氏度、反应时间 10-60 min、pH 5.5-8.0 以及不同添加水平下，与无添加对照相比，肌内脂肪分别使 harman 和 norharman 的形成增加 16-275% 和 16-284%；而 D-glucose、D-ribose 和 D-glucose-6-phosphate 表现出更强促进作用，分别使 harman 形成增加 50-753%、18-718% 和 46-1586%，使 norharman 形成增加 68-396%、36-391% 和 11-107%。这说明在相同加工条件下，糖来源的活性羰基物质比脂质来源活性羰基物质更强地促进 harman 和 norharman 形成。此外，线性和多项式回归模型均能有效描述形成趋势，R2 分别为 0.916 和 0.981，范围为 0.608-0.999。对于最优偏最小二乘回归模型，harman 的校准 R2c 和预测 R2p 分别为 0.75-0.87 和 0.73-0.86；norharman 分别为 0.75-0.78 和 0.74-0.75。结果确认，在肉制品烟熏和烤制过程中，harman 和 norharman 可被准确量化和监测。
-
计算机标签
模型可解释性 模型轻量化/边缘计算 过程控制与实时优化 多模态/融合数据 可见光/RGB/视频数据食品标签
复合/即食/餐饮食品 特征风味 传统热加工食品干燥是农产品加工中的关键操作。然而，在工业规模上实现高质量、节能干燥受到黑箱监测难题限制，该难题源于材料生物变异性、热敏性和强过程耦合。为解决这一问题，多模态传感器融合技术通过整合机器视觉、光学、介电和化学传感方法提供了潜在路径。该集成可同时获取干燥过程中材料形态、内部组成和风味谱等多维信息，从而缓解单一模态传感的局限。与人工智能算法结合后，还可进一步促进智能闭环控制策略的发展。本文系统梳理了用于食品干燥的多传感器技术，详细说明其原理、应用和局限；随后考察多模态数据融合的核心机制，包括时空对齐、动态加权、互补设计和冲突解决。后续部分综述模型预测控制、神经模糊系统和数据驱动算法等智能控制策略，分析其利用融合数据优化干燥过程的潜力和挑战。文章通过案例研究客观识别传感器适应性、模型泛化和系统集成方面的关键瓶颈。最后，本文强调仿生传感、边缘智能、数字孪生和可解释人工智能等新兴方向，并指出建立统一性能指标和开展成本效益分析对实际实施至关重要，为未来智能食品干燥发展提供系统参考。
-
人工智能驱动的非靶向筛查：在环境科学和食品科学中的应用与前景
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Qingrun Liu, Paibin Zhu, Hui Sun, Zhe Chen, & Bing Shao
计算机标签
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
化学污染物 其他安全问题 光谱/色谱/质谱等分析方法目标：作为一篇系统综述，本文旨在总结人工智能（AI）在赋能非靶向筛查（NTS）技术中的当前应用和未来前景。研究重点是筛查和识别环境与食品领域中未知或意外的化学污染物。具体而言，文章阐明了AI如何辅助克服NTS固有的挑战，从而推动新兴污染物、食品掺假物及有害物质的检测技术，并提升产品真实性验证和风险评估能力。主要发现：在环境与食品领域，AI通过自动化数据处理、实现智能光谱解释以及从复杂化学指纹中提取有意义的模式，增强了NTS的能力。具体应用包括对未知有害物质和非法添加剂的智能检测、地理来源和产品真实性的验证，以及对营养成分和质量的无损快速评估。然而，复杂的食品基质、标准数据库不足以及模型可解释性不够等挑战限制了其实际应用。结论：人工智能正在推动食品领域非目标检测（NTS）从大规模检测向智能预警和精确溯源演进。未来的工作应重点构建高质量数据库、开发可解释的人工智能模型，并建立综合智能分析平台。这些进展将支持食品供应链中更智能、更具预测性的安全性和质量保障。本综述阐明了人工智能如何推动新型传感技术（NTS）向智能感知和决策的核心发展，以应对环境和食品科学中的未知风险，同时识别克服当前瓶颈并实现其更广泛应用的关键途径。
-
发酵食品微生物组中的群体感应：调控回路、功能作用、实际应用及智能发酵的未来展望
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Liming Wu, Zinuan Han, Shicong Liang, Fuhao Liang, Ting Lan, Zhenchao Zhang, & Xiaole Xia
计算机标签
机器学习/统计学习 过程控制与实时优化 组学数据 时序传感器/物联网数据食品标签
其他酱腌/发酵食品 特征风味 发酵工艺与动力学 微生物组/宏基因组学背景：发酵食品中存在结构化的多物种微生物群落，其集体行为由化学通信而非单个细胞的活动所支配。群体感应（QS）通过可扩散的自诱导物介导，使基因表达在群体水平上得以协调，并调控关键微生物功能。尽管QS在医学和环境微生物学中已被广泛研究，但其在发酵食品微生物组中的作用和调控意义仍知之甚少。范围与方法：本综述整合了当前关于发酵食品系统中QS的知识，强调了信号的多样性、负责产生和感知的微生物以及底层的调控回路。分子遗传学、分析化学和多组学方法的洞察被整合起来，用以说明群体感应（QS）如何调控关键的发酵功能，包括生物膜形成、代谢和风味生成、群落互动及生态演替。文章讨论了新兴的QS检测和干预策略，并对将QS与合成微生物群落及人工智能（AI）支持的预测和过程控制结合，以实现可预测且自我优化的发酵食品生态系统的前景进行了探讨。主要发现和结论：QS是在发酵食品微生物组中普遍存在且具有功能重要性的调控机制，它塑造了微生物相互作用、代谢流动和产品质量。靶向调控群体感应（QS）回路提供了改善发酵稳定性、安全性和感官可重复性的机会，同时能够更精确地调控复杂微生物群落。通过整合微生物生态学、系统生物学和发酵工程，本综述提供了一个框架，用于利用群体感应开发稳健、可控和智能的发酵食品工艺。
