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
-
基于人工智能的牲畜情感监测为何重要：对肉类质量认知和消费者购买意向的影响
查看原文
2026
Food Quality and Preference
中科院一区JCR一区
Vanessa Apaolaza, Mario R. Paredes, Patrick Hartmann, & Ainhize Eletxigerra
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
畜肉 品质、结构与理化性质 感官科学与消费者研究 问卷/市场与消费者研究畜牧生产因其对环境的影响和动物福利方面的关注而受到日益审查，这促使人们探索能够在保持高福利标准的同时提高生产力的新技术。本文利用美国具有代表性的样本数据，构建并实证检验了一个概念模型，其中对人工智能在监测动物情绪以降低其压力水平方面的有效性的感知，与消费者的购买意图正相关，既有直接影响，也有通过感知肉类质量的间接影响。我们进一步引入了两个调节变量：对人工智能在促进畜牧业可持续性方面有效性的感知，以及个人对动物福利的关切。我们的研究发现，通过感知的肉类质量，消费者对动物情绪监控中人工智能效果的间接认知与购买意图之间的关系，在那些认为人工智能是提升可持续性有价值工具的消费者以及对动物福利高度关注的消费者中被放大。这些结果强调了技术、伦理与可持续性在塑造消费者行为中的复杂相互作用。从管理角度来看，这些结果强调了关于人工智能驱动的动物福利和环境改善的透明沟通的重要性。同样，政策制定者可以利用这些见解创建框架，使技术创新与消费者对肉类生产的伦理和可持续性期望相一致。
-
通过机器学习优化和验证空气冲击清洗参数以去除不含脂肪的脱脂奶粉在不锈钢表面的残留
查看原文
2026
Journal of Dairy Science
中科院一区JCR一区
Zhipeng Liu, Yu Liu, Sicong Tao, Woo-Ju Kim, & Long Chen
计算机标签
支持向量机 梯度提升决策树 过程控制与实时优化 中等规模数据集食品标签
乳粉 清洗/CIP/卫生相关设备 微生物安全 过敏原与毒性问题 常规理化指标测定空气喷射清洁可以在不引入水分的情况下去除食品接触表面的残留物，从而控制干食品制造环境中的过敏原交叉接触和病原体交叉污染。空气喷射的效率受以下参数影响：喷嘴直径（ND）、喷嘴高度（NH）、空气压力（AP）、水活性（a w）和残留物厚度（THK）。在本研究中，我们构建了以前实验的数据库，并结合机器学习（ML）来确定最佳清洁条件（ND、NH/ND、AP、a w和THK），这些条件可以在最短时间内从不锈钢（SS）表面去除脱脂奶粉残留物，并通过空气喷射在不锈钢表面产生最大的壁面剪切应力（WSS）。建立了响应面法和6种不同的机器学习模型（极端梯度提升、随机森林、梯度提升回归、反向传播神经网络、支持向量回归和k近邻[KNN]）。在这7种模型中，KNN模型在预测去除时间和WSS方面表现最好，具有最高的R²值和最低的均方根误差。通过机器学习模型预测的优化条件进行了实验验证；KNN模型预测值与空气冲击清洗实验值之间的最大误差在去除时间和WSS方面分别为15%和3%，这证明了模型的准确性。随着进一步的发展，机器学习模型可以帮助优化和促进空气冲击在干洗中的实际应用。
-
利用 DMAMC-UCNPs@PEG 实现食品中硫化氢的智能手机辅助三模式传感
查看原文
2026
Food Control
中科院一区JCR一区
Ning Zhang, Xuelian Hu, Shuaijie Guo, Chang Lu, Siqi Zhang, Yiwei Tang, Tianyi Ma, & Shuo Wang
计算机标签
智能手机/其他 分类/鉴别/等级评定 红外/拉曼光谱数据 可见光/RGB/视频数据食品标签
畜肉 液态乳 食品安全与风险评估 颜色与外观品质 显微与成像技术 常规理化指标测定硫化氢既是食品腐败指示物，也是具有危害性的化合物，因此快速、准确监测对食品安全具有重要意义。本研究基于 UCNPs@PEG 与 DMAMC 之间的荧光共振能量转移，构建了用于 H2S 检测的智能手机辅助三模式传感器。DMAMC 探针可通过亲核加成选择性捕获 H2S，使上转换荧光增强、可见吸收减弱并产生更浅的紫色。该平台提供上转换荧光、紫外-可见吸收和智能手机比色三种读出方式。在优化条件下，荧光、吸收和比色模式的检出限分别为 0.11 μM、0.42 μM 和 0.60 μM。基于 iPhone 和紫色通道图像分析的智能手机平台可在 3 分钟内完成检测。方法在自来水、牛奶、卷心莴苣和猪肉中得到验证，回收率约为 97.10%-107.40%，RSD 低于 6%。结果表明，该三模式传感器可为食品相关基质中 H2S 的便携、自校准监测提供工具。
-
生物技术邂逅人工智能：加速食品生物制造的新一代微生物育种
查看原文
2026
Food Research International
中科院一区JCR一区
Youming Tan, Haojie Ni, Tong Wu, Wenlu Li, Hong Zeng & Yanbo Wang
计算机标签
机器学习/统计学习 深度学习 大语言模型 设计/生成与推荐食品标签
其他加工技术 过程优化与控制策略 其他过程控制与数字化研究 菌种筛选与特性评价 基因组学培育具有优良性状的微生物已成为应对人口增长、环境压力等全球性挑战，实现高效、可持续食品生物制造的关键策略。新一代微生物育种通过融合先进生物技术与人工智能（AI），正朝着更高效、更精准、更智能的方向发展。具体而言，常压室温等离子体（ARTP）诱变与空间诱变均已被证实能够诱导产生多样且独特的微生物表型。合成生物学进一步拓展了生物合成潜力，在功能性食品组分的生产中发挥着重要作用。与此同时，将人工智能（尤其是蛋白质语言模型等新兴生物模型）融入“设计-构建-测试-学习”循环，可提升预测建模水平、实现数据驱动优化，并推动菌株工程的部分自动化进程。生物技术与人工智能的融合正在加速微生物育种发展，助力食品生物制造，为构建可持续、智能化的全球食品体系奠定基础。
-
计算机标签
机器学习/统计学习 分类/鉴别/等级评定 组学数据 文本/知识库/法规数据食品标签
新鲜蔬菜 微生物安全 暴露评估与风险表征 基因组学 微生物组/宏基因组学蔬菜相关食源性暴发事件反复发生，凸显了传统食品安全方法的局限。本文综合当前关于蔬菜微生物组结构、功能和动态的认识，并提出一组基于微生物组信息的策略，以改进食品安全管理。基于本土微生物群影响病原体定殖的证据，文章探讨微生物组数据如何指导更有针对性的清洗消毒策略设计，以及如何通过生物防控等方式有目的地调控微生物群落，从而潜在抑制食源性病原体定殖。文章提出一个基于微生物组信息的风险评估框架，在危害识别到风险表征的相关阶段纳入群落水平微生物数据、功能生物标志物、微生物相互作用和环境元数据等参数。当与病原体特异性基因组学和机器学习结合时，微生物组数据可通过改进来源归因、污染路径绘制以及区分不同生产系统中的污染事件来加强暴发调查。本文指出的挑战包括基于 DNA 的方法无法区分活细胞和死细胞、标准流程对病毒和真菌组分覆盖不足、方法标准化有限，以及研究层面发现与监管和工业应用之间存在差距。解决这些挑战将有助于判断基于微生物组信息的安全策略能否切实降低蔬菜相关食源性疾病负担。
