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
-
水果中的蓝色远不止一种颜色
查看原文
2026
Advanced Functional Materials
中科院一区JCR一区
Minyi Fan, Xiaogang Dong, & Xuwei Liu
计算机标签
机器学习/统计学习 深度学习食品标签
新鲜水果 颜色与外观品质 花青素与类胡萝卜素水果的蓝色外观不仅可以通过吸引动物促进种子传播，也会给消费者留下深刻印象。这种颜色既可能源于花青素等色素，也可能来自纳米尺度结构与光相互作用所产生的结构色。结构色所具有的内在光学机制，为传统色素着色提供了一种稳定且可持续的替代方案，并将生物启发与材料创新联系起来。目前，结构色已逐渐在食品、智能传感、化妆品和功能材料等领域展现出独特潜力。本文系统概述蓝色水果的类型和来源，分别阐明色素蓝与结构蓝的显色机制，并总结相关显色成分、结构特征的现有应用以及人工智能辅助颜色调控的近期进展。作为新一代着色策略，结构色兼具稳定性、可调控性和可持续性，为设计环境友好型智能颜色系统提供了有前景的途径。此外，将人工智能辅助设计与仿生纳米结构工程相结合，有望加快先进光学材料的开发。结构色独特的光学多功能性预计将推动传感、功能材料和生物相关应用领域的进一步创新。
-
深度学习指导的蛋白酶底物设计
查看原文
2026
Nature Communications
中科院一区JCR一区
Carmen Martin-Alonso, Sarah Alamdari, Tahoura S. Samad, Kevin K. Yang, Sangeeta N. Bhatia, & Ava P. Amini
计算机标签
深度学习 设计/生成与推荐 合成/仿真数据为主食品标签
体外模型 蛋白质与氨基酸蛋白酶是在人类健康与疾病中发挥关键作用的酶，其功能通过肽键的裂解实现。识别能够被目标蛋白酶高效且选择性裂解的底物，对于研究蛋白酶活性以及在蛋白酶激活的诊断和治疗中应用至关重要。然而，可能的底物设计空间极其广阔（例如，对于一个10肽长的肽段，约有20¹⁰种氨基酸组合），且高通量活性分析工具的可获得性有限，这阻碍了底物设计的速度和成功率。我们提出了CleaveNet，这是一个用于蛋白酶底物设计的端到端人工智能管线。将其应用于基质金属蛋白酶，CleaveNet提升了底物设计的规模、可调性和效率。CleaveNet 生成的肽底物表现出良好的生物物理特性，并捕获了不仅是已知的，而且是以前未被表征的切割基序。为了控制底物设计，CleaveNet 引入了一个调节标签，引导肽的生成方向，朝向所需的切割特征，从而实现高效且选择性底物的定向设计。CleaveNet 生成的底物通过大规模体外筛选进行了实验验证，即使在为 MMP13 设计高度选择性底物这一具有挑战性的情况下也是如此。我们预期，CleaveNet 将加速我们对蛋白酶活性的研究和应用能力，为跨酶类的计算机设计工具开辟道路。
-
深度学习增强的鹰嘴豆蛋白抗高尿酸血症肽生成与筛选：从多酶优化到分子机制
查看原文
2026
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Liling Zhang, Zihan Zhang, Yang Hu, Xiao Yu, Wei Liu, Shuai Jiang, & Ling Jiang
计算机标签
大语言模型 深度学习 设计/生成与推荐 合成/仿真数据为主食品标签
豆类与坚果（及籽类） 血糖、血脂与代谢相关功能 加工与新加工技术 体外模型 细胞模型 嘌呤食源性生物活性肽被认为是高尿酸血症管理中具有潜力的功能性成分，但多酶水解策略受限于筛选效率低，仍未得到充分探索。本研究建立了一种由大语言模型引导的策略，将深度学习辅助酶组合选择与实验验证结合，用于从鹰嘴豆蛋白中生成抗高尿酸血症肽。最优酶组合为 Flavourzyme、胃蛋白酶和胰酶，所得水解物 MGI 在 10 mg/mL 下表现出 94.1% 的黄嘌呤氧化酶抑制活性，优于单酶处理。MGI 在模拟消化后仍保留 91.5% 的活性，并能在 HK-2 细胞中显著降低细胞内尿酸水平、氧化应激和炎症反应。分子对接进一步识别出 LLF、GFM、FSF 和 SWL 四种三肽，它们可通过氢键和疏水相互作用与黄嘌呤氧化酶形成有利结合。该研究为提升蛋白水解肽生物活性提供了可操作的计算-实验结合策略，并支持鹰嘴豆来源肽在高尿酸血症管理功能食品中的开发。
-
基于深度学习的食品科学与技术图像识别：端到端工作流程与领域特定解决方案
查看原文
2026
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区
Bin Liao, Yiming Wang, Xiang Li, Yongqiang Cheng, Guohua Zhao, & Yun Zhou
计算机标签
深度学习 分类/鉴别/等级评定 可见光/RGB/视频数据 小规模数据集食品标签
品质、结构与理化性质 食品安全与风险评估 显微与成像技术基于深度学习的图像识别正在日益重塑食品科学，使在线分级、快速质量评估和食品安全监测的智能系统成为可能。然而，这类方法在食品相关领域的应用通常受到分散的实践、有限的领域特定指导以及方法学不一致的阻碍。本综述综合了一个模块化的端到端工作流程，涵盖任务制定、模型开发和应用，专为食品科学设计。通过三个具有代表性的案例研究来说明常见的应用和实践，同时突出显示一些反复出现的挑战，如数据可用性有限、标注不一致以及子模型集成障碍，这些因素限制了可重复性和可扩展性。提出了一套针对特定领域的策略来应对这些挑战，涵盖任务分解、数据集优化、标注与标签管理、图像预处理、数据增强、架构选择以及子模型集成。展望未来，我们建议未来的工作应优先开发标准化工具包--任务指导系统、统一建模工具链和模型集成平台--以实现可靠、可推广且具有影响力的计算机视觉解决方案，用于食品科学与技术中的实际问题。
-
基于多模态模型的稻米质量识别方法
查看原文
2026
Food Control
中科院一区JCR一区
Yuan Zhang, Xiao Xing, Lei Zhu, Xin Li, Xiao Yan Xue, Chong Tao Sun, Chen Hao Duan, & Yan Ping Du
计算机标签
深度学习 分类/鉴别/等级评定 多模态/融合数据 可见光/RGB/视频数据食品标签
大米 品质、结构与理化性质 过程监测与在线检测 显微与成像技术 标准/法规/数据库分析随着数据科学和人工智能技术的发展，多模态数据融合方法在稻米质量评估和等级分类中显示出显著优势。传统粮食分级方法依赖人工筛选，效率低且容易受人为误差影响，并且通常依赖图像或传感器数据等单一数据源，难以全面反映粮食品质。为提高分级准确率和自动化水平，本研究结合图像数据和气体数据，探索多模态数据融合方法在稻米等级分类中的应用。通过整合图像和气体数据特征，研究连接 ViT 和 ResNet18，开发了高效多模态深度学习模型 Vit-Resnet18-A。结果表明，基于图像和传感器信号融合的多模态模型在稻米质量分级中表现出更高准确性和鲁棒性，尤其适用于多样稻米品种和复杂质量标准。通过改进的 Vit-Resnet18-A-DG 模型，稻米分级准确率和效率进一步提升，准确率达到 97.98%，精确率为 96.03%，召回率为 95.97%，F1 分数为 95.96%。本研究为智能农业生产提供技术支持，并为稻米质量控制提供新思路。
