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
-
深度学习在食品微生物学中的应用与进展：从数据到智能分析
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Chunling Li, Xin Wang, He Liu, & Danshi Zhu
计算机标签
卷积神经网络 模型可解释性 知识抽取与语义理解 多模态/融合数据 红外/拉曼光谱数据食品标签
微生物安全 显微与成像技术 光谱/色谱/质谱等分析方法 基因组学背景：传统的微生物识别、定量和安全评估方法通常耗时且劳动强度大，因此需要更高效的分析方法。深度学习（DL）已成为食品微生物学中的一种变革性工具，能够实现自动化数据分析和智能预测。范围与方法：本综述系统地考察了深度学习在食品微生物学中对四种数据类型的应用。(1) 图像数据，包括用于微生物识别和菌落计数的显微图像，通过卷积神经网络和视觉变换器（ViT）进行处理；(2) 数值数据，包括用于污染检测和保质期预测的光谱数据和传感器数据；(3) 文本数据，利用自然语言处理进行食品安全监测和疫情检测；(4) 多模态数据，整合基因组学、转录组学和代谢组学信息，以实现全面的微生物分析。主要发现和结论：多模态深度学习框架可以整合这些多样的数据流，从而提供对食品系统中微生物行为的更全面理解。目前的挑战包括数据标准化不足、模型可解释性差以及大规模标注数据集的缺乏。本综述系统地探讨了应对这些局限性的潜在途径，旨在为通过深度学习应用推进食品安全和质量评估提供理论基础。
-
食品供应链中的具身人工智能：创新、挑战与未来展望
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Chongyu Wang, Chenglong Lv, Yixin Gao, Yiyang He, Xiyao Zhang, Zhikun Zhang, Weiqing Min, Dachuan Zhang, Daming Fan, Weihao Wang, Peihua Ma, & Fengzhong Wang
计算机标签
模型可解释性 分类/鉴别/等级评定 文本/知识库/法规数据食品标签
食品安全与风险评估 包装与智能监测背景：具身人工智能（EAI）将感知、决策和物理执行结合于实际环境中。随着全球系统面临气候变化、劳动力短缺以及对食品安全、可追溯性和可持续性需求的增加，其在食品行业的相关性正在提升。范围与方法：本综述汇总了 EAI 在食品供应链各环节的最新进展，从农场作业到初级加工、质量检测、包装和冷链物流。证据以感知、学习和动作三层结构为组织框架，并结合食品特有的部署约束进行解释，如卫生兼容性、可靠性、延迟和成本。主要发现与结论：现有证据表明，更广泛地部署 EAI 需要开放的、特定领域的基准、大规模试点验证、可解释和可审计的控制架构，以及面向生命周期的可持续性评估。在农民、加工商和物流提供商之间建立透明且安全的数据治理框架，对于确保互操作性、问责制和公众信任至关重要。可持续性指标、伦理监督和人机协作的整合将指导智能、符合法规要求的食品系统的发展，在提升生产力的同时保持环境和社会责任。
-
冷链温度和相对湿度波动对樱桃番茄货架期的影响：一种预测建模方法
查看原文
2026
Postharvest Biology and Technology
中科院一区JCR一区
Javier Garrido-López, Lorena Martínez-Zamora, Francisco Artés-Hernández, Manuel Jiménez-Buendía, & Roque Torres-Sánchez
计算机标签
模型可解释性 定量预测/回归分析 时序传感器/物联网数据食品标签
新鲜蔬菜 食品安全与风险评估 颜色与外观品质 常规理化指标测定 碳水化合物与糖类食物浪费是全球性重大问题，其中水果和蔬菜在采后损失中占有很大比例。本研究量化了动态温度和相对湿度条件对樱桃番茄采后品质和货架期的影响。研究在 14 种模拟真实冷链条件的贮藏情景下监测关键品质属性，包括失重率、腐烂、颜色、硬度、pH 和总可溶性固形物；这些情景包括 4 种恒定温度（5、8、15 和 22 C）、8 种变温条件以及 2 种使用可控气候箱模拟的运输情景。研究基于连续传感器记录提取温度和相对湿度的可解释暴露指标与波动指标，并将这些指标与时间共同作为预测变量，构建包含非线性变换的简约多元线性回归模型。结果表明，更高温度以及更大的温度/相对湿度波动会加速品质劣变，从而缩短货架期，并突出显示环境条件动态变化导致的累积性、不可逆品质损失。研究还提出了将软化与失重联系起来的模型。所提出的基于指标的预测框架能够利用记录的环境历史估计品质退化，有助于及早识别高风险批次，并优化配送策略以减少冷链中的食物浪费。
-
利用高通量肽组学和机器学习对自生和商业乳酸菌发酵乳中的生物活性肽进行整合性分析
查看原文
2026
Food Frontiers
中科院一区JCR一区
Martina Banić, Ana Butorac, Katarina Butorac, Blaženka Kos, Andreja Leboš Pavunc, Jagoda Šušković, & Jasna Novak
计算机标签
机器学习/统计学习 设计/生成与推荐 红外/拉曼光谱数据 组学数据食品标签
液态乳 发酵乳/酸奶 营养与生物功能 光谱/色谱/质谱等分析方法 发酵工艺与动力学 蛋白质与氨基酸微生物发酵是一种高效的策略，用于生产具有多种健康促进作用的生物活性肽（BPs）。本研究通过分析三种采用本土（AC）、商业（CC）及组合（CAC）起始培养物发酵的高品质乳饮料，利用高通量质谱肽组分析，解决了关于起始培养物如何影响发酵食品肽含量的比较数据缺乏的问题。共鉴定出89种肽，其中34种显示出多样的生物活性。具体而言，在CC饮料中检测到75种肽，在AC饮料中检测到62种肽，而在CAC饮料中仅检测到36种肽，分别包括32、29和27种生物活性肽。通过计算机筛选55种先前未报告生物活性的肽，筛选出42 KIAKYIPIQY51和40 RINKKIEKF48肽作为最有前途的BP候选者，因为它们被六种机器学习模型中的五种预测为具有生物活性。这些发现强调了在优化发酵乳饮品中BP产量时，起始菌种选择的关键作用。
-
蜂蜜鉴定与可追溯性的发展：从传统检测方法到整合多组学和机器/深度学习的智能系统，用于可持续养蜂
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Yingran Tang, Yuying Zhu, Enning Zhou, Gang Chen, Liming Wu, & Qiangqiang Li
计算机标签
深度学习 模型可解释性 分类/鉴别/等级评定 红外/拉曼光谱数据 组学数据食品标签
蜂蜜等天然糖 其他安全问题 光谱/色谱/质谱等分析方法 标准/法规/数据库分析背景：蜂蜜的鉴定和可追溯性对于确保全球养蜂行业的产品完整性和消费者信任至关重要。鉴定主要关注检测故意欺诈行为，如糖浆掺假、水稀释和劣质蜂蜜混合，这些行为直接破坏了产品的质量和安全性。相比之下，可追溯性旨在验证和确认蜂蜜所声明的植物来源、地理来源和昆虫来源，这对于质量区分、受保护的命名以及供应链透明度至关重要。传统的单一维度分析技术，如蜜粉学和同位素比质谱，在应对日益复杂的欺诈行为和复杂验证需求方面存在局限性，这就需要更强大、集成的解决方案。范围与方法：本综述系统地检视了自2015年以来蜂蜜鉴定与可追溯性的方法学演变。在鉴定方面，详述了从靶向检测方法向非靶向、智能筛查系统用于欺诈检测的发展过程。在可追溯性方面，概述了从传统形态学和化学分析向数据驱动的产地验证框架的进步。综述强调了向智能系统的范式转变，这些系统将食品多组学与机器学习和深度学习算法结合，能够出色地融合异构数据以实现精确分析。主要发现与结论：分析显示，鉴定与可追溯性各自有不同但互补的技术路径，其发展均 driven by 各自的特定目标。一个关键趋势是多分析数据源与先进计算模型的融合，以创建更强大和更具适应性的系统。未来的进展取决于克服与数据标准化、模型可解释性和实际部署相关的挑战。开发下一代集成框架对于增强消费者信任、确保合规以及促进养蜂业的长期可持续性具有战略意义。
