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
-
人工智能在功能性食品研究中的应用与发展
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Hui-Hui Xiong, & Yong-Jiang Xu
计算机标签
机器学习/统计学习 定量预测/回归分析 组学数据食品标签
营养与生物功能 加工与新加工技术 光谱/色谱/质谱等分析方法背景：功能性食品由于其独特的促进健康特性而引起了越来越多的科学关注。传统的功能性食品研究存在耗时长且重现性低的问题。人工智能（AI），特别是机器学习（ML），已被证明可以促进功能性食品研究的创新和进步。范围与方法：本文讨论了AI算法和模型在功能性食品领域的应用。此外，还回顾了AI在功能性食品中的最新发展和趋势，重点涉及成分分析、生物评价和食品加工。主要发现与结论：近年来，包括ML、DL及其他范式在内的AI算法已被应用于功能性食品研究。据报道，人工智能驱动的方法已被用于分析化合物和组学数据，并构建数学或物理化学模型，旨在识别和预测新的生物活性化合物，阐明营养机制，以及促进个性化营养。人工智能在食品加工中的引入，包括食品设计、加工优化、食品包装和食品质量控制，显著加速了新型功能性食品的创新，并提高了健康导向食品的生产力。尽管取得了这些显著进展，算法适应性和兼容性方面仍然存在挑战。本综述旨在提供对功能性食品中人工智能的全面和批判性的概述。
-
利用机器学习革新供应链中生鲜食品质量控制：当前进展与未来挑战
查看原文
2026
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区
Jiayi Xu, Zisheng Luo, Xuenan Zhang, Zhenbiao Li, Dong Li, Yanpei Chen, Xingyu Lin, Fabián Guillén, & Yanqun Xu
计算机标签
卷积神经网络 支持向量机 定量预测/回归分析 时序传感器/物联网数据 组学数据食品标签
品质、结构与理化性质 保藏与贮藏 过程控制与数字化全球供应链中约有三分之一的新鲜食品被浪费。机器学习（ML），作为人工智能的一个关键分支，通过实现智能感知、精确评估和自适应控制，提升了新鲜食品的收获后物流和保存。然而，其应用面临数据标准化、传感器限制、产品多样性以及模型泛化能力有限等挑战。本综述总结了食品供应链中当前先进的机器学习应用，强调其在质量控制方面的变革潜力。我们探讨了机器学习整合多组学数据的能力，以深入了解运输和储存过程中分子变化，从而促进管理策略的开发和评估。在分级、传感器技术和智能保鲜材料中的实际应用也进行了评估。机器学习模型，如支持向量机（SVM）和卷积神经网络（CNN），通过分析感官特性和化学成分，提高了精确分级和质量预测的能力。通过捕捉复杂的分子相互作用，机器学习使创新的传感器表面设计成为可能，增强了灵敏度和特异性。由机器学习驱动的传感器进一步支持实时环境监测，而由机器学习驱动的智能包装材料通过对内部条件的自适应响应保持新鲜度并减少损耗。为了确保模型的稳健性和泛化能力，适当的验证策略如交叉验证和外部验证是必不可少的。尽管其具有显著潜力，机器学习的广泛应用仍面临诸多挑战，包括有限的品种和区域泛化能力、决策透明性、计算需求等。数据可用性和算法选择。解决这些问题对于在收获后质量控制系统中实现有效且可持续的机器学习整合至关重要。
-
基于机器视觉、高光谱成像和电子鼻多模态融合的核桃仁烘烤脆度预测模型
查看原文
2026
Current Research in Food Science
中科院一区JCR一区
Jiacheng Fu, Dan Dai, Shunying Huang, Jieming Xie, Yongkang He, Chen Dong, Kai Xia, Jian Zheng, & Sisi Chen
计算机标签
卷积神经网络 其他深度学习结构 定量预测/回归分析 多模态/融合数据 高光谱/多光谱光谱 可见光/RGB/视频数据 时序传感器/物联网数据 质构/流变/感官数据食品标签
豆类与坚果（及籽类） 传统热加工 质构与流变性质 显微与成像技术 光谱/色谱/质谱等分析方法 质构与流变测试针对临安山核桃仁在8种不同热加工方式下脆度演变复杂的问题，本研究提出一种新型多模态交叉注意力融合网络（MCAFNet），用于坚果类食品物理品质的智能无损评价。首先，研究创新性地引入马尔可夫转移场（MTF），将一维电子鼻时间序列信号转换为多通道图像，并结合多尺度并行卷积捕获不同时间尺度下隐含的动态特征。其次，采用光谱指数和重构堆叠策略，通过多阶段卷积协同提取局部与全局特征，显著增强光谱信息的表征能力。为克服多模态数据之间的语义差异，MCAFNet设计了双分支特征融合（DBFF）模块，对一维图像特征和光谱特征进行特征级融合，同时引入双向交叉注意力机制，实现伪光谱图像空间特征与MTF图像时间特征之间的深层交互和模型级融合。最后，模型通过混合堆叠集成策略输出预测结果。实验结果显示，MCAFNet在脆度预测中表现优异，决定系数R²达到0.968，剩余预测偏差RPD达到5.578。综上，MCAFNet不仅为坚果类产品脆度的无损评价提供了高效方案，也为食品工程中的智能品质监测奠定了理论与实践基础。
-
机器学习驱动的特征风味物质筛选：超高压处理对藏鸡汤风味的影响研究
查看原文
2026
Food Research International
中科院一区JCR一区
Kai Dong, Xinyuan Huang, Yingmei Wu, Guofeng Jin, Yufang Guan, Hongbo Song, Fengping An, Xin Li, Erhao Zhang & Qun Huang
计算机标签
随机森林 模型可解释性 分类/鉴别/等级评定食品标签
禽肉 非热加工技术 特征风味 常规理化指标测定 光谱/色谱/质谱等分析方法 其他理化与结构表征鸡汤的工业化生产一直是一项长期存在的难题，这凸显了探寻合适的可持续加工技术的至关重要性。本研究探究了不同超高压（UHP）处理时间（0、5、10和15分钟）对藏鸡汤风味的影响。当处理时间达到10分钟时，肌原纤维蛋白（MP）的溶解度和小片段化指数（MFI）分别提高了66.41%和43.46%。α-螺旋含量显著下降，而β-转角含量则明显上升。这表明鸡肉中的大分子物质得到充分释放，使得鸡汤中的蛋白质、脂肪和糖类等营养物质含量显著升高。随之而来的是，微纳米颗粒（MNP）的粒径逐渐增大，引发分层和絮凝等不稳定现象。此外，本研究整合六种机器学习（ML）模型，构建了一种筛选藏鸡汤特征风味化合物的新策略。在这些模型中，随机森林（RF）模型取得了最高的曲线下面积值（AUC=0.861），且中位残差相对较小，展现出优异的分类与预测能力。同时，其SHAP（沙普利加性解释）分析结果显示，己醛、2-戊基呋喃、1-辛烯-3-醇和硬脂酸是构成藏鸡汤风味特征的关键物质。5'-肌苷酸（5′-IMP）和谷氨酸（Glu）在多个模型中均被确定为关键特征，凸显了它们在藏鸡汤风味中的重要作用。这些成分共同赋予了该鸡汤独特的口感。
-
走向智能酿酒系统（IOS）：从自动感应到酿酒中的主动控制
查看原文
2026
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区
Guangyi Yang, Xiaohua Ma, Xinlong Chen, Qianxin Liu, Yongsheng Tao, & Xuebing Bai
计算机标签
机器学习/统计学习 模型可解释性 过程控制与实时优化 多模态/融合数据 时序传感器/物联网数据食品标签
酒精饮料 过程监测与在线检测 过程优化与控制策略 发酵工艺与动力学智能传感、人工智能（AI）和控制技术的整合正在将传统酿酒转变为更加数据驱动和响应敏捷的过程。本文提出了智能酿酒系统（IOS）的概念，并对最近智能酿酒技术的发展进行了评论，重点关注涉及物联网（IoT）设备、传感器网络和基于AI的建模的技术。主要创新包括部署多模态传感器，以在从葡萄浸渍到葡萄酒陈酿的各个阶段实时监测温度、pH值、溶解氧、光谱信号和气体生成。机器学习和数字孪生模型的进步支持对发酵过程的预测控制，而强化学习和逆向设计框架则能够实现面向特定风味目标的数据驱动决策。这些技术有助于提高工艺精度、减少资源消耗并增强产品一致性。然而，数据互操作性、模型可解释性和系统集成等挑战仍然限制了其广泛应用。涉及边缘计算和标准化数据本体的新兴解决方案正在帮助解决这些问题。通过将智能酿酒与可持续性、可追溯性和个性化口味目标相结合，本综述突出了其对葡萄酒产业未来的变革潜力。
