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
-
自然语言处理与文本分析在感官科学中的实际应用：近期文献综述
查看原文
2026
Current Opinion in Food Science
中科院一区JCR一区
Kyle Hamilton, Rebekah J Miller, & Jacob Lahne
计算机标签
机器学习/统计学习 知识抽取与语义理解 文本/知识库/法规数据食品标签
感官科学与消费者研究在感官科学中，收集和分析自然语言或自由文本数据的方法日益普及。其支持者认为，这些方法更加灵活、全面，能够在更自然的场景中同时收集情感性信息和描述性信息。为总结感官科学中文本数据来源、分析方法和研究问题的现状，本文回顾了27篇发表于2020—2024年、采用文本分析研究食品描述性感官特征的论文。多数论文将文本分析与其他感官评价方法进行比较，或利用文本分析识别影响消费者喜好的因素。大多数研究采用中心地点测试数据，受试者少于100人，测试产品少于10种。数据分析通常依赖半人工文本标准化、词频或计数表以及降维方法，与传统感官分析的处理方式较为相似。作者认为，该领域仍处于发展初期，需要为常见任务开发可公开获取的计算工具，建立验证新方法的统一标准，并加强计算方法培训或与计算机科学研究人员开展长期合作，从而更高效地处理大规模感官文本语料。
-
基于机器学习的建模用于监测和预测水产品中致病微生物的检测率和严重性
查看原文
2026
International Journal of Food Microbiology
中科院一区JCR一区
Wei Mi, Yijie Kong, Yongxin Ma, Chunbo Gong, Yapeng Huo, Xueying Feng, & Sha Liu
计算机标签
支持向量机 梯度提升决策树 定量预测/回归分析食品标签
鱼肉 微生物安全 传统统计分析与回归 动力学建模水产品中的致病微生物污染对食品安全和公共健康构成持续风险。传统监测方法在动态环境条件下往往缺乏足够的敏感性和特异性。为了解决这些局限性，本研究开发了一个利用中国烟台采集的水产品样品微生物检测数据（2014-2024）构建的机器学习（ML）框架，并将2025年的数据用于外部验证。该框架能够同时预测病原体的流行率和严重程度水平。同时，探索性数据分析评估了变量分布及其与检测率的统计关联。时间序列分析识别出了显著的长期趋势和季节性模式，而空间分析揭示了行政区域间污染风险的异质性，尤其是在沿海经济区和主要港口。通过应用动态阈值优化策略，使用六种机器学习算法（ROSE-LASSO、LightGBM、XGBoost、k-NN、CART 和 SVM）预测了检测率。在优化阈值为 0.157 时，LightGBM 显示出最佳性能，特异性为 97.6%，阳性预测值（PPV）为 99.9%。外部验证确认了其稳健性，获得了 91.2% 的敏感性、92.4% 的 F1 分数以及 93.6% 的 PPV。在三类严重程度分类中，XGBoost 实现了 93.7% 的总体准确率，并对高风险样本具有较高敏感性（80.0%），AUC 为 0.989。通过将时空环境特征与自适应阈值相结合，该框架为沿海水产品供应链中的病原体风险识别提供了一种可扩展的方法，支持预警系统和基于证据的资源分配。
-
烤羊肉串气味感知解码：一个整合TDS与GC-IMS的EEG-MambaFusionNet框架
查看原文
2026
Food Chemistry
中科院一区JCR一区
Che Shen, Wenxi Qi, Yi Zhang, Ran Wang, Qi Jin, Kezhou Cai, Bo Wang, & Dengyong Liu
计算机标签
其他深度学习结构 模型可解释性 分类/鉴别/等级评定 多模态/融合数据 时序传感器/物联网数据 质构/流变/感官数据 红外/拉曼光谱数据食品标签
畜肉 传统热加工 特征风味 感官科学与消费者研究 光谱/色谱/质谱等分析方法 行为实验与选择实验 其他植物化学物质本研究探讨了羊肉串从生到全熟阶段香气感知的动态演变及其相应的神经特征。将感官主导时间法（TDS）与气相色谱-离子迁移谱（GC-IMS）结合起来，捕捉从"羊肉特有气味"到"木炭烤"、"脂肪味"、"烤肉味"最终到"烧焦味"的感官转变，以及相关挥发性化合物的变化。同步进行的脑电图（EEG）记录显示，这些香气变化引发了明显且逐渐增强的神经反应。在吸入后8-10秒的关键时间窗口内，神经活动在不同烤制阶段之间表现出最高的可区分性。EEG-MambaFusionNet 是一个融合神经、感官和化学数据的深度学习框架，用于量化这一过程，其预测准确率达到了 0.925。解释性分析表明，前额叶和顶叶电极作为享乐性和整合性香气处理的关键枢纽。这些发现揭示了大脑对烤羊肉串香气的处理机制。
-
PVKK-Stacking：一种基于光谱数据多样性和元特征优化的铁观音茶掺假分析新型堆叠方法
查看原文
2026
Food Control
中科院一区JCR一区
Zile Fang, Yaoming Kang, Zhuolin Han, Yushan Liu, Jiayi Han, Jiachun Zhuang, Qinglin Chen, & Zhigang Zhao
计算机标签
特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据食品标签
茶/茶饮料 食品安全与风险评估 品质、结构与理化性质 光谱/色谱/质谱等分析方法茶叶掺假检测是食品安全监管中的重要挑战，尤其对乌龙茶而言，不同品种间理化性质相似，传统鉴别方法存在局限。光谱技术具有无损、准确和高效等特点，可为该问题提供有效解决方案。然而，掺假成分的复杂性和多样性使传统基于光谱分析的单一模型通常存在预测精度有限、跨品种泛化能力不足的问题，难以适应不同掺假场景。为解决这一技术瓶颈，本文提出一种新的 PVKK-Stacking 方法。该方法结合多种光谱预处理和变量选择方法，为基模型生成多样化光谱数据，从而为堆叠集成学习提供互补信息。此外，通过 K-means 聚类对基模型进行剪枝，并使用 KPLSR 元模型进行集成。研究以经典乌龙茶铁观音为对象，使用另外四种高度相似的乌龙茶品种制备掺假样品。实验结果表明，PVKK-Stacking 相比对比的单模型和集成方法取得一定改进，并表现出优异稳定性和可靠的跨品种泛化能力。作为一种集成学习方法，PVKK-Stacking 还经过优化以降低预测时间。该方法为乌龙茶掺假检测提供了可靠方案，对保障茶叶质量与安全具有实际价值。
-
分子感官科学结合机器学习用于探索山西陈醋的关键活性香气化合物及老化特征化合物
查看原文
2026
npj Science of Food
中科院一区JCR一区
Jiao Wang, Boya Zhu, Xinyu Wang, Ao Zhang, Kai Liang, Xing Tong, Wei Ding, Jia Song, Yu Zheng, & Min Wang
计算机标签
机器学习/统计学习 定量预测/回归分析 质构/流变/感官数据食品标签
其他酱腌/发酵食品 特征风味 光谱/色谱/质谱等分析方法 风味组学 其他植物化学物质发酵食品中的香气化合物来源于原料或由微生物产生，贡献了其多样的香气特征。通过分子感官科学系统分析了中国著名醋之一的山西老陈醋（SAV）中的关键活性气味化合物（OACs）。本研究共鉴定出152种OACs。此外，对87种OACs进行了定量测定，其中37种OACs的气味活性值（OAVs）大于1。香气重组和缺失实验证实，酮类、吡嗪类、内酯类和酸类是SAV香气特征的最重要贡献者。相关性分析表明，特定香气化合物的缺失不仅直接影响与这些化合物相关的感官特性，还会影响其他感官属性。因此，通过重组和省略实验验证后，将47种OACs分类为关键OACs，这些OACs是基于AEDA（FD ≥ 400）或OAV（≥1）的。最后，通过基于关键OACs的机器学习确定了6种与老化相关的标志物（甲硫醛、1-十二醇、乙酰乙酮、苯甲酸乙酯、丙酸和三甲基吡嗪）。这些结果为筛选决定SAV香气特性的关键OACs以及产品质量控制提供了标准。
