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
-
牛奶蛋白甜味肽的虚拟筛选及分子动力学模拟机制分析
查看原文
2026
Journal of Dairy Science
中科院一区JCR一区
Sainan Yu, Yuyang Liu, Xueqi Fu, Wenfu Yan, Wenwen Gao, Wannan Li, & Weiwei Han
计算机标签
机器学习/统计学习 设计/生成与推荐 合成/仿真数据为主食品标签
液态乳 特征风味 蛋白质与氨基酸来源于乳蛋白的生物活性肽因其作为天然甜味化合物的潜力而引起了越来越多的关注。在本研究中，开发了一种综合的计算机模拟策略，用于从乳蛋白中鉴定甜味肽。该方法结合了能够预测甜味和苦味属性的机器学习模型，以提高肽选择的准确性。通过虚拟酶解生成的肽使用三种机器学习模型进行筛选。被预测为甜味且非苦味的候选肽进一步进行虚拟筛选，以评估其与人类甜味受体T1R2/T1R3的结合亲和力。具有良好对接评分的肽随后使用计算预测工具进一步评估其药代动力学特性。基于对停靠和吸收、分布、代谢、排泄及毒性评估的综合结果，选择了5种肽（MDG、MKG、TSG、CDSS和DSTT）进行进一步分析。分子对接相互作用分析显示，氢键和π-π堆积是结合位点的主要相互作用方式。分子动力学模拟证实了5个复合物的结构稳定性，其中MDG、CDSS和DSTT表现出较低的结合波动和最小的受体构象变化，表明结合稳定性更强。电子舌分析验证了5种肽均存在可检测的甜味信号。其中，MDG、CDSS和DSTT表现出特别稳定的相互作用和明显的甜味响应，突显了它们作为天然甜味剂开发候选物的潜力。本研究提出了一个实用的计算框架，用于高效筛选和评估来源于乳蛋白的甜肽。所提出的策略可能有助于发现乳制品来源的甜味剂，并可在减糖或功能性乳制品中应用。
-
计算机标签
随机森林 K-近邻 定量预测/回归分析 质构/流变/感官数据食品标签
畜肉 颜色与外观品质 货架期预测与品质劣变动力学 常规理化指标测定 含硫植物化合物本研究提出了一种基于 Python 的机器学习方法，利用 CIELAB 色彩空间中的无损颜色测量预测牛肉腐败指标。研究采用两阶段建模策略：第一阶段从 a 值预测腐败指标，第二阶段将这些预测的腐败指标作为输入特征估计腐败率。首先，Pearson 相关分析验证了 a 值与腐败指标之间存在较强相关性，说明颜色数据用于品质预测具有可行性。在测试的回归模型中，随机森林回归模型表现优异，对高铁肌红蛋白和过氧化值的 R2 分别达到 0.912 和 0.804。梯度提升回归对 pH 预测效果最好，K 近邻回归模型在硫代巴比妥酸反应物估计中表现突出。随后，研究进一步优化 RF 回归模型，以 Met.Mb、pH、PV 和 TBARS 为输入特征预测腐败率，R2 达到 0.988，RMSE 为 2.120。SHAP 分析显示，TBARS 是最具影响力的变量，其次为 Met.Mb 和 pH。结果表明，将机器学习模型与无损方法结合可用于牛肉品质实时评估，并为传统分析方法提供实用、节约资源的替代方案。
-
基于高光谱成像结合机器学习的兰州冻梨品质属性无损预测研究
查看原文
2026
Food Chemistry: X
中科院一区JCR一区
Weihao Qiao, Mei Yang, Jingming Hu, Huili Yan, Yeming Guo & Faxu Guo
计算机标签
机器学习/统计学习 定量预测/回归分析 红外/拉曼光谱数据食品标签
其他果蔬制品/植物类 品质、结构与理化性质 光谱/色谱/质谱等分析方法 碳水化合物与糖类冻梨在冻藏过程中会发生复杂的内部品质变化，而传统评价方法具有破坏性且耗时，限制了快速或连续监测。本研究采用高光谱反射成像，结合光谱预处理、特征波长筛选与机器学习算法，对冻梨的关键品质指标（包括可溶性固形物含量（SSC）、可滴定酸度（TA）和总糖含量（TSC））进行建模分析。结果表明，不同品质属性存在各自适宜的最优建模策略：总糖含量可利用全光谱数据或弱波长筛选实现稳定预测，而可溶性固形物与可滴定酸度则需通过针对性波长优化提升预测稳健性。最优模型在预测集中均表现出较高的决定系数、较低的预测误差与合格的相对分析误差（RPD）值。通过指导法进一步验证，模型误差分布稳定，无明显过拟合现象。综上，本研究证实高光谱成像可为兰州冻梨的品质无损评价提供可靠技术手段。
-
基于多维视觉特征和CNNs-SHAP的云南阿拉比卡咖啡豆烘焙程度识别及可解释性分析
查看原文
2026
Food Chemistry
中科院一区JCR一区
Siheng Lu, Jing Zhao, Qian Qin, Wenxuan Deng, Yue Yu, Yue Huang, Ming Li, Hao Dong, & Zhanming Li
计算机标签
卷积神经网络 模型可解释性 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
咖啡饮料 传统热加工 颜色与外观品质 显微与成像技术本研究通过加权融合CIE Lab颜色直方图、灰度共生矩阵-局部二值模式复合纹理和形态学参数，提取了云南阿拉比卡咖啡豆特征，旨在实现精确的烘焙度识别和透明决策。卷积神经网络的表现优于所有其他模型，准确率最高。随后进行的SHapley加性解释分析表明，关键特征与预测输出呈显著强负线性相关；负向贡献在浅焙样品中占主导，而强正向贡献在深焙样品中占主导。外部验证结果显示，深焙样品的准确率达到100.0%，浅焙样品为91.5%，中焙样品为93.8%。所提议的智能系统实现了自动图像采集、特征提取和推理，并支持与企业资源计划系统的连接以进行数据可追溯。本研究打破了深度学习的黑箱限制，为咖啡烘焙标准化提供了一种精确且可解释的技术。
-
超声辅助从番茄废料中回收番茄红素：由生成式人工智能支持的系统综述
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Cristina Arroqui, Maria N. Berradre, Idoya Fernandez-Pan, María José Beriain, Francisco C. Ibañez, & Paloma Virseda
计算机标签
大语言模型 知识抽取与语义理解 文本/知识库/法规数据 公开数据集食品标签
新鲜水果 物理辅助加工 副产物与废弃物高值利用 光谱/色谱/质谱等分析方法 花青素与类胡萝卜素背景：使用超声辅助提取（UAE）从番茄废料中回收番茄红素的加工参数和分析条件被发现存在不一致性。这阻碍了在结果之间进行比较以及设计旨在优化回收的实验的能力。范围与方法：根据PRISMA声明进行系统综述，以确定通过UAE从番茄废料中提取番茄红素所涉及变量的具体内容。使用Scopus和Web of Science数据库检索文献。对识别出的文章的筛选和数据提取通过GenAI辅助工作流程（Elicit）和传统人工系统综述进行。主要发现与结论：GenAI加快了筛选过程，并提取了所选文档中的实验参数。此外，该工具还加快了所获取信息的总结过程。然而，所使用的研究综述工具存在一定的局限性，在整个过程中大部分时间需要依赖关键的人类智慧（CritHI）。本文提供了一个可重复的方法模型，用于将生成型人工智能（GenAI）整合到食品科学及相关领域的系统文献综述中。基于所进行的PRISMA系统综述，从番茄废料中通过超声辅助提取（UAE）回收番茄红素的最适实验条件如下：i）以乙醇作为适当溶剂，ii）处理时间少于20分钟，温度不超过40℃，副产品与溶剂比例为1:10至1:80作为加工参数，iii）声波处理条件为350 W、24 kHz，以及65-100%的振幅。
