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
-
基于多维数据融合与可解释机器学习的白酒发酵阶段智能识别
查看原文
2026
Food Research International
中科院一区JCR一区
Lin Du, Junchao Zhou, Yongqing Tang, Xuan Liu, Jing Zhong, Bo Yang, Yuancheng He, Xianguo Tuo & Haiping Du
计算机标签
偏最小二乘法 智能手机/其他 其他深度学习结构 模型可解释性 分类/鉴别/等级评定 过程控制与实时优化 时序传感器/物联网数据 组学数据食品标签
酒精饮料 特征风味 过程监测与在线检测 过程优化与控制策略 其他过程控制与数字化研究 常规理化指标测定 发酵工艺与动力学 风味组学传统白酒固态发酵生产因缺乏实时、客观的评价方法，其生产控制主要依赖人工经验与追溯性离线分析。为解决这一问题，本研究提出一种融合多维传感器数据与可解释机器学习的发酵阶段智能识别方法。通过无监督学习将发酵过程客观划分为三个不同阶段，并从生化动力学、偏最小二乘判别分析（PLS-DA）及风味物质积累等多个维度验证了分段结果的有效性。在此基础上，系统评估了六种机器学习算法的性能，其中多层感知器（MLP）模型表现最优，在独立测试集上的识别准确率达99.48%。此外，利用SHAP（Shapley Additive exPlanations）可解释性分析揭示模型决策机制，结果表明CO₂浓度、pH值、温度、湿度等动态特征及其非线性相互作用是驱动模型分类决策的主要因素。该方法具有可扩展性与成本效益，有助于推动白酒酿造从经验化生产向标准化、智能化生产转型，为白酒及更广泛的传统发酵食品行业提供可靠的技术解决方案。
-
有限数据条件下食源性病原体的快速单细胞鉴定：峰感知拉曼注意力深度学习模型
查看原文
2026
Current Research in Food Science
中科院一区JCR一区
Jiazheng Sun, Sen Wang, Hua Xia, Yingxiao Peng, Feng Gao, Yi Sun, Jiayi Wang, Xiangyun Ma, & Qifeng Li
计算机标签
深度学习 随机森林 小样本学习 分类/鉴别/等级评定 红外/拉曼光谱数据 小规模数据集 合成/仿真数据为主食品标签
食品安全与风险评估 微生物安全 过程监测与在线检测 光谱/色谱/质谱等分析方法食源性病原体是全球食品安全面临的重大威胁，因此亟需快速、可靠的鉴定技术。拉曼光谱可用于无标记分子指纹分析，但菌株之间较高的生化相似性以及实际应用中的数据匮乏，常会限制其鉴定性能。为解决这些问题，本研究提出峰感知拉曼注意力模型（Peak-Aware Raman Attention Model，PARAM），这是一种用于高保真光谱数据增强的生成式深度学习框架。传统生成模型生成的光谱容易出现峰位偏移或强度失真，而 PARAM 引入峰感知注意力机制，通过峰引导注意力映射，显式保持具有重要生化意义的光谱区域结构完整性，例如 1003 cm⁻¹ 的苯丙氨酸峰和 1330 cm⁻¹ 的核酸振动峰。研究在每类仅有 7 个样本的极端数据受限条件下，使用四种主要病原体评价 PARAM。结果表明，PARAM 生成的光谱与真实数据具有很高的一致性，峰位匹配率达到 100%，Pearson 相关系数达到 0.9989。此外，使用 PARAM 生成的数据扩充训练集后，随机森林模型的分类准确率由 87.67% 显著提高至 97.95%。这些结果表明，PARAM 是缓解食品安全监测中数据匮乏问题的一种稳健策略。
-
融合可解释人工智能评价发酵焙烤鳄梨籽粉作为牛肉饼天然抗氧化剂的应用研究
查看原文
2026
Food Research International
中科院一区JCR一区
Zhiyu Zhao, Elphege Toulon, Uche Ejorh, Tony Chen, Kevin Kantono, Rothman Kam & Nazimah Hamid
计算机标签
梯度提升决策树 模型可解释性 定量预测/回归分析 质构/流变/感官数据 多模态/融合数据食品标签
畜肉 其他添加剂与配料 冷藏与冷冻保藏 抗氧化/抗炎等功能 副产物与废弃物高值利用 常规理化指标测定 光谱/色谱/质谱等分析方法 脂质与脂肪酸本研究评估了发酵烘烤鳄梨籽粉（ASP）作为牛肉饼可持续抗氧化剂的效果，并结合可解释人工智能（AI）从机理层面揭示其对脂质氧化的调控作用。采用植物乳杆菌可控发酵结合烘烤工艺制备鳄梨籽粉，以0.95 g/kg的添加量加入牛肉饼中。在4℃冷藏条件下储存10天期间，将其抗氧化效果与二叔丁基对甲酚（BHT）及空白对照组进行比较。通过铜离子还原抗氧化能力法（CUPRAC）测定显示，鳄梨籽粉初始还原抗氧化能力最高（0.283 mg 抗坏血酸当量（AAE）/g），且在整个储存期内其活性显著高于BHT组与对照组（p < 0.05）。硫代巴比妥酸反应物（TBARS）分析表明，相较于对照组，鳄梨籽粉可使脂质氧化水平降低21%，抗氧化效果接近BHT。此外，鳄梨籽粉还能改善色泽稳定性并保留关键脂肪酸，尤其是油酸。挥发性物质分析显示其具有独特的抗氧化作用机制，主要通过生成美拉德反应产物发挥作用，而非依赖合成添加剂。将沙普利加性解释（SHAP）分析应用于极端梯度提升模型（XGBoost），结果表明γ-亚麻酸、油酸、戊醛和2-庚酮是氧化稳定性的主要预测指标，凸显了鳄梨籽粉的广谱保护效应。本研究结果证实，鳄梨籽粉不仅可实现鳄梨籽废弃物的高值化利用，还可作为合成抗氧化剂的有效替代品，助力可持续发展目标。可解释AI与多变量分析相结合的方法，为深入解析肉类体系中脂质氧化途径及抗氧化作用机制提供了全新视角。
-
电子鼻技术在粮食贮藏和谷物产品质量中的高级应用：新鲜度监测与真菌毒素检测综述
查看原文
2026
Food Control
中科院一区JCR一区
Ranganathan Akimsha, Pasan Basuru, Tharaga Sharmilan, & Dakshika Wanniarachchi
计算机标签
迁移学习/领域自适应 定量预测/回归分析 时序传感器/物联网数据食品标签
小麦 玉米 食品安全与风险评估 特征风味 光谱/色谱/质谱等分析方法 标准/法规/数据库分析 其他特殊成分保障谷物贮藏期间的安全和品质仍是全球食品系统中的重要挑战。传统腐败和真菌毒素污染检测方法通常耗时、劳动强度高，且难以提供实时或连续监测。随着食品污染问题受到更多关注，快速、无损技术需求迫切。本文全面探讨电子鼻技术在粮食新鲜度监测和真菌毒素检测中的潜力，讨论其基础传感器配置、挥发性有机化合物检测机制，以及提升检测性能的多变量统计和机器学习模型。综述整合了电子鼻在识别小麦、玉米和大米等粮食中腐败、真菌感染、虫害和真菌毒素方面的最新应用，并进一步考察电子鼻系统与物联网、人工智能和智能仓储平台的高级集成。结果表明，电子鼻系统在基于 VOC 的腐败和污染检测中表现出高效性，可提供快速、实时、非侵入式分析；与机器学习算法结合可提高分类准确率和预测能力；纳入物联网的高级框架可实现贮藏环境远程监测和自动化。本文也指出传感器漂移、环境变异和 VOC 交叉反应等关键性能限制，并讨论传感器阵列优化和领域自适应等缓解策略。最后，文章提出未来方向，包括小型化、低成本电子鼻设备以及用于粮食品质实时控制和追溯的跨学科创新。
-
基于机器学习优先级排序的水产食品中抗生素残留研究：揭示由 BCL2 介导的、暴露驱动的基因毒性风险
查看原文
2026
Food Chemistry: X
中科院一区JCR一区
Huangqu Zhu, Kaili Zhou, Yuanzhi Li, Qingqiong Zhou, Mingjun Peng, Xinlan Wu, Xinwu Mao & Qiaoyuan Yang
计算机标签
机器学习/统计学习 模型可解释性 缺陷/异物检测与定位食品标签
其他肉与水产品 暴露评估与风险表征 细胞模型水产食品中的抗生素残留具有基因毒性风险。传统监测仅关注单一残留限量（MRL）达标情况，往往忽略多残留复合累积风险。本研究构建了可解释机器学习（ML）框架，整合监测数据（3719份样品、17种抗生素）并结合机制验证，对2021−2023年广州地区抗生素残留进行风险排序。通过聚类与排序分析暴露水平与计算机模拟危害预测，恩诺沙星、磺胺甲恶唑与3‑氨基‑2‑恶唑烷酮被列为高风险物质，并利用可解释AI（SHAP）解构风险驱动因素。在L‑02肝细胞中，高风险混合物显著降低细胞活力（70.21±7.49%）、提高凋亡率（7.12±2.75%）并诱发DNA损伤（尾DNA% 5.25±1.03%）（均p<0.05）。BCL2过表达可显著缓解该损伤（尾DNA% 2.90±2.65%，p<0.05），证实其作为关键功能介导因子的作用。本研究建立的“从监测到机制”研究流程，为识别机制生物标志物与优先实施食品安全干预措施提供了数据驱动范式，优于传统仅基于合规性的监测模式。
