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 1098 条结果
-
食品微生物学中高光谱成像与机器学习的应用：细菌、真菌和病毒污染物检测的发展与挑战
查看原文
2022
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区
计算机标签
机器学习/统计学习 分类/鉴别/等级评定 缺陷/异物检测与定位 高光谱/多光谱光谱食品标签
微生物安全 显微与成像技术 光谱/色谱/质谱等分析方法高光谱成像（HSI）是一种强大的非破坏性方法，能够检测食品中的外来颗粒，如微生物、化学和物理污染物。本综述总结了过去二十年在该领域所做的工作，重点关注挑战、风险和研究空白。考虑到在食品等复杂基质上使用高光谱成像所面临的挑战（例如背景信号的干扰和掩盖效应），本文还讨论了机器学习和建模方法的应用，这些方法成功地提高了检测准确性并提升了检测限。食源性微生物污染物，如细菌、真菌、病毒、酵母和原生动物，因其可能导致食物中毒或食品腐败的风险，受到食品制造商的关注和重视。使用快速高效的方法检测这些污染物，不仅可以防止疫情爆发和产品召回，还能提高消费者对耐储存食品的接受度和需求。传统的基于培养的微生物检测方法既耗时又耗力，而高光谱成像（HSI）则具有强大、非破坏性的特点，且样品前处理最少，因其检测微生物污染物的快速性而受到广泛关注。本综述全面总结了食品中细菌、病毒和真菌污染物的检测情况，并详细强调了用于克服与背景和数据复杂性相关的特定挑战的具体建模和数据挖掘方法。
-
机器学习在食品安全监测与预测中的应用综述
查看原文
2022
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区
计算机标签
支持向量机 定量预测/回归分析 缺陷/异物检测与定位 文本/知识库/法规数据食品标签
食品安全与风险评估 标准/法规/数据库分析机器学习（ML）已被证明是一种在众多领域（包括食品科学与工程领域）中用于数据分析和建模的实用技术。近年来，利用机器学习模型监测和预测食品安全的情况日益增多。目前，已有多项研究综述了机器学习在食源性疾病方面的应用以及深度学习在食品领域的应用。本文对机器学习在食品安全监测与预测中的应用进行了文献综述。论文总结并分类了该领域的机器学习应用，对用于机器学习建模的数据类型进行了分类和探讨，并为未来机器学习应用的数据来源和输入变量提供了建议。本综述基于三个科学文献数据库：Scopus、CAB Abstracts和IEEE，涵盖了2011年1月1日至2021年4月1日期间以英文发表的研究。结果表明，大多数研究应用了贝叶斯网络、神经网络或支持向量机。在所有被综述的各类机器学习模型中，所有相关研究通过验证过程均显示出较高的预测准确率。基于这些机器学习应用，除了为数据来源和输入变量提供建议外，本文还确定了未来应用机器学习模型监测和预测食品安全的若干研究方向。
-
作为食品科学与营养大数据分析工具的文本挖掘应用综述
查看原文
2020
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区
计算机标签
机器学习/统计学习 分类/鉴别/等级评定 知识抽取与语义理解 文本/知识库/法规数据 大规模数据集食品标签
营养与生物功能 食品安全与风险评估 标准/法规/数据库分析大数据分析能够将海量数据转化为可用于明智商业决策和运营决策的见解，因此在许多行业都有应用。先进的数据挖掘技术已被应用于食品行业供应链的多个环节。然而，以往的研究主要集中在对仪器生成数据的分析上，例如来自高光谱成像、光谱学和生物识别受体的数据。由于大数据分析技术的进步，数字文本数据在食品和营养学领域的重要性最近才受到关注。本综述旨在概述食品行业中文本数据的数据源、计算方法和应用。本文将讨论文本挖掘技术，如词级分析（例如频率分析）、词关联分析（例如网络分析）以及先进技术（例如文本分类、文本聚类、主题建模、信息检索和情感分析）。文本数据分析的应用将在食品安全与食品欺诈监测、饮食模式特征分析、消费者意见挖掘、新产品开发、食品知识发现、食品供应链管理和在线食品服务等方面进行阐述。其目标是为智能决策提供见解，以改善食品生产、食品安全和人类营养。
-
自动化食品加工中的机器学习：简要综述
查看原文
2025
Annual Review of Food Science and Technology
中科院一区JCR一区
计算机标签
机器学习/统计学习 定量预测/回归分析 过程控制与实时优化 设计/生成与推荐 时序传感器/物联网数据食品标签
食品加工设备与机械系统 加工与新加工技术 品质、结构与理化性质工业食品加工正迅速向自动化和数字化转型。自动化食品加工系统能够适应原材料的变化和产品质量要求。实施自动化加工系统有可能通过提高生产力同时减少环境影响，来增强我们食品系统的可持续性。然而，自动化食品加工系统的采用率仍然相对较低。在本综述中，我们探讨了自动化食品加工的概念，并总结了机器学习技术在实现自动化食品加工方面的最新应用进展。机器学习可应用于配方开发、过程控制和产品质量评估等领域。我们分享了关于自动化食品加工系统在适应复杂原材料、大规模定制、个性化营养以及人机交互方面潜力的愿景。最后，我们指出了相关的研究问题，并强调未来关于自动化食品加工的研究需要多学科方法。
-
人工智能如何帮助提高食品安全？
查看原文
2023
Annual Review of Food Science and Technology
中科院一区JCR一区
计算机标签
机器学习/统计学习 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 大规模数据集食品标签
食品安全与风险评估 标准/法规/数据库分析随着人工智能（AI）技术的进步，数字食品系统的开发和实施正变得越来越可行。人们对运用不同的人工智能应用（如机器学习模型、自然语言处理和计算机视觉）来改善食品安全抱有极大兴趣。可能的人工智能应用范围广泛，包括但不限于：（a）整个供应链中的食品安全风险预测与监控以及食品安全优化；（b）改进公共卫生系统（例如，通过提供疫情早期预警和源头追溯）；（c）食源性病原体的检测、识别和特征描述。然而，由于数据共享有限以及合作研发努力不足等障碍，食品安全领域的人工智能技术在商业开发方面滞后。未来的行动应致力于应用数据隐私保护方法、提高数据标准化程度，并构建协作生态系统，以推动人工智能在食品安全应用中的创新。
