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
-
台式挥发组学与先进卷积神经网络工作流用于准确且可解释的食品鉴定
查看原文
2026
Food Chemistry
中科院一区JCR一区
Farbod Bayat-Afshary, Nima Naderi Tehrani, Lukas Bodenbender, Philipp Weller, & Hadi Parastar
计算机标签
卷积神经网络 主成分分析/判别分析 模型可解释性 分类/鉴别/等级评定 可见光/RGB/视频数据 红外/拉曼光谱数据 小规模数据集食品标签
新鲜水果 植物油 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 风味组学 其他植物化学物质通过气相色谱-离子迁移谱（GC-IMS）分析挥发性有机化合物（VOCs）具有高灵敏度、分析快速且样品制备最少的优点，但其二阶数据使得峰对齐、特征提取和分类变得复杂。本研究提出了一种使用卷积神经网络（CNN）的深度学习（DL）工作流程，将GC-IMS色谱图视为图像。评估了两种CNN架构--简化型和复杂型--在橄榄油和柑橘数据集上的表现；简化模型分别实现了96.4%和98.3%的分类准确率。为了解决样本量有限的问题，开发了一种特定于GC-IMS的数据增强方法，该方法模拟合理的仪器漂移而不会化学性地扭曲信号。为了可解释性，显著性图揭示了判别特征，而主成分分析（PCA）将这些特征综合为每类的代表性负载图像，展示稳定的集体VOC特征，而非单个样本的解释。通过将化学计量学的可解释性与深度学习的预测能力相结合，该框架为GC-IMS数据分析提供了一种稳健且可解释的方法，适用于实际实验室部署。
-
基于荧光光谱和机器学习的多种霉菌毒素检测
查看原文
2026
Food Control
中科院一区JCR一区
Francesca Venturini, Umberto Michelucci, Indy Magnus, & Lien Smeesters
计算机标签
逻辑回归/贝叶斯 模型可解释性 定量预测/回归分析 红外/拉曼光谱数据 文本/知识库/法规数据食品标签
玉米 食品安全与风险评估 光谱/色谱/质谱等分析方法 标准/法规/数据库分析 其他特殊成分玉米中真菌毒素污染是重要的食品安全问题，多种毒素的同步检测仍具有挑战。本研究将荧光光谱与机器学习结合，用于玉米粉中多种真菌毒素检测。研究通过混合经认证污染的玉米材料，制备含黄曲霉毒素、脱氧雪腐镰刀菌烯醇、玉米赤霉烯酮和伏马毒素不同浓度的样品，并加入额外玉米样品用于验证。研究采集荧光激发-发射光谱数据，并训练机器学习模型，针对法规阈值进行单标签和多标签分类。逻辑回归模型整体表现较好，对黄曲霉毒素、脱氧雪腐镰刀菌烯醇、玉米赤霉烯酮和伏马毒素的分类准确率分别约为 73%、91%、86% 和 95%-96%。研究还采用信息消除方法识别关键波长，验证模型主要基于毒素相关荧光谱带进行判别。结果表明，荧光光谱和可解释机器学习可支持玉米中多种真菌毒素的快速筛查。
-
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。
-
释放食用花卉的营养保健潜力：一种基于人工智能的综合化学分析方法
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Likhitha Yadav Prakruthi, Hari Krishnan, L. Banupriya, Baojun Xu, Yogesh Kumar, Ramachandran Vinayagam, & Chagam Koteswara Reddy
计算机标签
机器学习/统计学习 模型可解释性 定量预测/回归分析 多模态/融合数据 红外/拉曼光谱数据食品标签
食用花卉 营养与生物功能 光谱/色谱/质谱等分析方法 多酚与黄酮背景：可食用花卉因其鲜艳的外观和烹饪多样性而长期受到各文化的重视。近期研究突出了它们丰富的营养成分和植物化学物质，使其成为有前景的功能性食品成分。范围与方法：本综述汇总了2018年至2025年关于可食用花卉的营养、植物化学成分及健康促进特性的文献。文章对比分析了传统技术（HPLC、GC-MS、NMR）与人工智能增强方法（基于机器学习的模式识别和光谱数据挖掘）在化合物识别和生物活性预测中的有效性。主要发现和结论：主要食用花卉含有高水平的黄酮类、多酚类、花青素、维生素和矿物质，其组成的可变性受基因型、环境和发育阶段的影响。基于人工智能的QSAR建模和光谱数据挖掘提高了低丰度生物活性成分的检测，并支持了机制性见解。它们的应用涵盖烘焙产品、饮料和营养保健配方，利用其抗氧化、抗炎、心血管保护、神经保护和抗癌特性。以典型剂量的烹饪使用显示出最低的毒性或过敏性。建议将组学技术与人工智能数据融合结合，以标准化植物化学成分分析、提升模型可解释性，并加快转化为经过验证的功能性食品和营养保健产品。
