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 339 条结果
-
高光谱成像、化学计量学、特征选择和机器学习，用于快速、无损检测和量化研磨和速溶阿拉比卡咖啡中的罗布斯塔掺假
查看原文
2026
Food Control
中科院一区JCR一区
Derick Malavi, Katleen Raes, & Sam Van Haute
计算机标签
深度学习 支持向量机 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据食品标签
咖啡饮料 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法 显微与成像技术由于光谱特征重叠和基质复杂性增加，检测咖啡掺杂，特别是速溶咖啡中的掺杂仍然具有挑战性。本研究评估了近红外高光谱成像（ NIR-HSI ，900-1700 nm ）与化学计量和机器学习相结合，用于地面和速溶咖啡中罗布斯塔掺假的分类（认证）和回归（定量）。分析工作流程包括光谱预处理（ MSC ，SNV ，Savitzky-Golay导数） ，基于PCA的降维以及使用Boruta和遗传算法递归特征消除（ GA-RFE ）的特征选择。t-SNE应用于探索性可视化，而类不平衡则使用成本敏感学习和合成少数过采样技术（ SMOTE ）来解决。使用SNV或MSC进行预处理，然后进行二阶导数，不断提高分类准确性，而特征选择提高了计算效率，而不会影响二进制分类器的准确性。分类模型，包括LDA、k-NN、SVM、随机森林、单层MLP、堆叠集成和类加权算法（ logistic回归、ranger、类加权SVM ） ，实现了较高的外部测试性能，平衡精度超过98% ，多个预处理模型组合实现了完美的判别。对于回归，堆叠集成模型在研磨咖啡中表现最佳（ RMSEP = 5.14 ％ ，RPD > 3.0 ） ，而惩罚回归（ Ridge ）实现了速溶咖啡的最低预测误差（ RMSEP = 7.39 ％ ，RPD = 3.95 ）。总体而言，结果表明，NIR-HSI与适当的预处理和建模策略相结合，为筛选咖啡中的掺假提供了一个强大的、无损的框架。
-
基于迁移学习和三维辐射传输模型的酿酒葡萄叶片叶绿素含量高光谱估算
查看原文
2026
Artificial Intelligence in Agriculture
中科院一区JCR一区
Qifan Chen, Zhiwen Mi, Qifan Wang, Fahu Xu, Yulin Fang, Rui Wang, Yuyang Song, & Baofeng Su
计算机标签
深度学习 梯度提升决策树 智能手机/其他 迁移学习/领域自适应 特征工程与选择策略 定量预测/回归分析 高光谱/多光谱光谱 超大规模/工业级数据集 合成/仿真数据为主食品标签
新鲜水果 品质、结构与理化性质 过程监测与在线检测 光谱/色谱/质谱等分析方法 常规理化指标测定 其他植物化学物质准确、及时地监测酿酒葡萄叶片叶绿素含量（LCC），对于评价其光合状态、优化管理与种植措施以及提高产量和品质至关重要。传统的物理模型和经验模型估算方法往往存在不确定性，并且难以充分适应非线性关系。本研究构建了一种用于估算酿酒葡萄 LCC 的无人机高光谱深度学习网络 VitiChlNet，并将三维辐射传输模型（3D RTM）与深度迁移学习技术相结合，实现不同品种和生育期酿酒葡萄 LCC 的估算与制图。首先，使用 LESS 模型模拟不同冠层结构和观测条件下的 80,000 条冠层反射率数据，并利用该模拟数据集对 VitiChlNet 进行预训练。随后，基于实测无人机高光谱数据和 LCC 数据，通过迁移学习对模型进行微调。研究将 VitiChlNet 的性能与经验方法和物理方法进行了比较。具体而言，采用全光谱、植被指数、竞争性自适应重加权采样、连续投影算法和无信息变量消除五种光谱特征构建策略，分别建立 XGBoost、LightGBM 和岭回归三种机器学习经验模型；同时构建基于 LESS 模型的查找表反演策略。此外，研究还对不同生育期的多种酿酒葡萄进行了 LCC 制图。结果表明，VitiChlNet 的表现优于其他方法，具有更好的 LCC 估算性能（R²=0.69），且受氮浓度和年际差异等因素的影响较小。迁移学习提高了 LCC 估算精度，并有效解决了小样本条件下的泛化问题。本研究可为酿酒葡萄 LCC 的大范围监测提供一种可行策略，对种植管理实践具有重要意义。
-
人工智能在功能食品创新中的应用：生物活性强化与配方优化 —— 半系统综述
查看原文
2026
Food Chemistry: X
中科院一区JCR一区
Nadia Alkalbani, Leen Shahin, Hiba Benzeghiba, Reyad S. Obaid, Tareq M. Osaili & Leila Cheikh Ismail
计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 定量预测/回归分析食品标签
复合/即食/餐饮食品 营养与生物功能 感官科学与消费者研究 统计建模与仿真 植物化学/生物活性成分人工智能（AI）正日益融入功能食品研究领域。本半系统综述分析了2015—2025年间53篇同行评议研究，梳理了当前应用场景与新兴方向，其中包括抗氧化食品开发这一尚待深入探索的领域。综述对化合物发现、代谢组学及消费者建模等方向的AI技术方法进行了最新整合，重点指出了知识空白与方法学融合的机遇。数据驱动型AI（传统机器学习）与深度学习方法已被用于预测抗氧化活性、鉴定生物活性化合物并挖掘代谢组数据中的潜在规律。无监督学习方法助力复杂数据集聚类，而优化算法则支持对食品感官、营养及功能特性的调控。然而，现有多数研究仍局限于计算机模拟结果，缺乏实验或临床验证。消费者建模在很大程度上仍以预测为主，且对伦理与监管维度的整合不足。食品科学家与数据科学家的持续合作，是将计算分析成果转化为实际应用的关键。
-
玉米热风与微波干燥的比较评价：生化稳定性、脂肪酸谱与 ANN 建模
查看原文
2026
LWT
中科院一区JCR一区
Necati Cetin, Beyza Ciftci, Kevser Karaman, & Mahmut Kaplan
计算机标签
深度学习 定量预测/回归分析 红外/拉曼光谱数据食品标签
玉米 植物油 食品安全与风险评估 品质、结构与理化性质 常规理化指标测定 矿物质与微量元素采后干燥是决定玉米籽粒贮藏安全和营养稳定性的关键步骤。本研究评价了八种干燥条件对三种玉米品种（ADA 13.4、Pioneer-P1921 和 Dekalb-DKC6589）生化组成和脂肪酸谱的影响，包括日晒、温室、冷冻干燥、200 W 微波、200 W + 60 摄氏度复合干燥以及 40、60 和 80 摄氏度热风干燥。同时，研究使用人工神经网络预测质量损失动力学的时间变化。不同干燥方法和品种之间存在显著差异（p <= 0.01）。冷冻干燥保留最高油脂（最高 52.0 g/kg）、支链淀粉（731.8 g/kg）和总淀粉（750.5 g/kg）含量，而微波和复合干燥使油脂降至 24.9-25.6 g/kg，并造成显著蛋白损失。温室干燥保留较高蛋白（86.4-89.5 g/kg）和直链淀粉（290-320 g/kg），显示其作为节能替代方案的潜力。脂肪酸稳定性方面，冷冻干燥和低温干燥最适合保持相对不饱和脂肪酸谱；例如 Dekalb-DKC6589 冷冻干燥保留 608.4 g/kg 亚油酸和 234.4 g/kg 油酸，而高温处理使饱和脂肪酸（棕榈酸 + 硬脂酸）相对比例增加至 120-140 g/kg，可能是由于不饱和脂肪酸在严苛干燥条件下更易发生氧化降解。高温干燥下矿物质损失更明显，例如 ADA 13.4 在 80 摄氏度干燥时 Ca 和 Zn 分别降至 196.9 和 16.15 mg/kg，而冷冻干燥可在 Pioneer-P1921 中保留较高 Fe 和 Zn（分别为 49.93 和 47.83 mg/kg）。ANN 模型在温室和热风等较稳定干燥条件下表现出较高预测性能（R2 > 0.96），但在快速微波辅助过程中由于随机水分损失，准确率较低（R2 < 0.80）。总体而言，结果揭示了加工速度与营养品质之间的权衡，说明温室和低温干燥具有应用前景，干燥方案应根据品种特异性响应进行优化。
-
整合深度学习和分子动力学的计算方法发现靶向 CaSR 的小麦醇溶蛋白来源高亲和力谷氨酰胺肽
查看原文
2026
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Tianfei Yu, Tianshuo Hu, Kai Na, Qian Lin, Shujing Chen, Hua Xie, Miao Yu, Li Zhang, & Xiaohua Guo
计算机标签
深度学习 设计/生成与推荐 时序传感器/物联网数据 合成/仿真数据为主食品标签
小麦 抗氧化/抗炎等功能 肠道健康与微生物相关功能 蛋白质与氨基酸靶向钙敏感受体（CaSR）的激动肽在维持肠道稳态中具有重要作用。本研究整合深度学习、虚拟筛选和分子模拟，开发了基于 Nextflow 的智能筛选平台 Peptide_MDI。研究从小麦醇溶蛋白来源的 2798 条候选肽中筛选出 RLSYQFPFYP，并将其命名为 CaSR_TP_1；该先导肽与 CaSR 结合的解离常数 Kd 为 74.4 nM。功能实验显示，CaSR_TP_1 可上调紧密连接蛋白，促进细胞增殖，增强抗氧化防御，并降低 TNF-α、IL-8 和 IL-6 的转录水平。机制上，该肽通过激活 CaSR/PLCγ1/Rac1/MAPK 信号级联减轻 H2O2 诱导的氧化应激。总体而言，研究利用 Peptide_MDI 识别出纳摩尔级高亲和力 CaSR 靶向肽 RLSYQFPFYP，建立了可扩展的生物活性肽发现技术框架，可用于促进肠道稳态的功能肽开发和下一代智能肽类干预方案设计。
