类目筛选（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
-
-
深度筛选（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
-
-
标签记录（食品学者）
清除全部筛选
标签记录（计算机学者）
共 339 条结果
-
水生生物肽在风味和代谢调节中的作用：生物化学与人工智能的汇聚
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Haonan Sun, Tao Yu, Yuchen Zhang, Baosong Wang, Yuan Zhang, Weiqiang Qiu, Guoping Zhao, & Yanbo Wang
食品标签
鱼肉 特征风味 血糖、血脂与代谢相关功能 蛋白质与氨基酸计算机标签
深度学习 模型可解释性 设计/生成与推荐 质构/流变/感官数据 合成/仿真数据为主背景：水生生物肽已成为具有双重功能的活性物质，能够将感官感知与代谢调节结合起来。虽然大量富含蛋白质的副产品为这些成分提供了可持续的来源，但水解物的结构复杂性以及传统经验筛选的低效率阻碍了其全部潜力的发挥。范围与方法：本综述系统地考察了生物化学与人工智能（AI）在解码"风味-代谢轴"方面的融合。我们分析了关键结构决定因素--特别是低分子量（<1 kDa）、高疏水性以及特定末端残基--如何同时调控T1R1/T1R3受体的激活以及参与葡萄糖和脂质稳态的下游通路。关键是，我们评估了从生物引导分馏到人工智能驱动预测建模的范式转变。主要发现和结论：深度学习架构已经革新了肽的发现，实现了对感官特征超过 90% 的预测准确率。然而，必须区分一个关键点：目标预测，需要通过实际标签进行验证，而特征评估，则在没有参考标准的情况下推断因果关系。虽然当前的模型在预测方面表现出色，但它们关于可解释性的主张常常来源于可能是虚假的统计相关。因此，计算特征的重要性必须通过剂量反应实验或定点突变实验来验证，以区分真正的因果驱动因素。此外，尽管人工智能加速了实验室的发现，但工业应用在下游处理方面仍面临物理瓶颈，这需要数字化控制解决方案。未来的进展依赖于建立一个将计算机设计与湿实验验证相结合的闭环模式，使人工智能从筛选工具发展为生成引擎，将水产副产品转化为标准化的营养成分。
-
以风味为导向的脑机接口（Flavor-BCI）：对进食和感官感知的神经解码及其在食品评估中的新兴应用
查看原文
2026
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区
Tianyi Yang, Mian Cao, Zhiyu Qian, & Jianshe Chen
食品标签
特征风味 感官科学与消费者研究 问卷/市场与消费者研究计算机标签
深度学习 模型轻量化/边缘计算 分类/鉴别/等级评定 质构/流变/感官数据由风味引起的感官满足对食品的接受度和市场成功至关重要。然而，传统的感官评估方法严重依赖主观评价，往往无法准确反映复杂多感官味觉体验背后的实时、客观神经处理。这一局限性突显了亟需创新方法，以客观量化风味在大脑中的感知和整合方式。在本综述中，我们首先探讨味觉感知的神经路径，重点研究味觉、嗅觉和口腔体感输入如何与奖赏和愉悦网络相互作用，从而形成综合的味觉体验。在此基础上，我们随后概述了用于开发以风味为导向的脑-机接口（风味-BCI）的最新策略，总结了各种神经影像技术的关键特征及相关技术实现流程。最后，我们评估了风味-BCI在感官评估和消费者决策中的新兴应用，并识别了未来食品设计和产品开发的机会与挑战。风味感知始于化学刺激在初级味觉皮层、嗅觉皮层和三叉神经通路中的并行编码。这些信号随后在更高级区域被整合，形成分布于皮层、边缘系统和皮层下结构中的神经网络，支持风味识别、愉悦评估和动机性进食。风味脑机接口系统使用电生理学或神经影像技术记录这些区域的神经活动，并应用先进算法解码神经表征，将其转化为客观的感官输出。与传统评估相比，这种方法能够实时、精确地量化风味体验。因此，风味脑机接口为智能感官评估和新型人机交互提供了有前景的途径。
-
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
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。
-
利用深度学习、逻辑回归和计算机断层扫描进行鸡肝和鸡心不健康器官的宰后检测
查看原文
2026
Food Control
中科院一区JCR一区
Kacper Libera, Effrosyni Kritsi, Dirk Schut, Louis van Steijn, Lourens Heres, & Len Lipman
食品标签
内脏及副产物 食品安全与风险评估计算机标签
深度学习 逻辑回归/贝叶斯 定量预测/回归分析 可见光/RGB/视频数据在禽类屠宰场宰后检验中，鸡肝和鸡心等病变器官经常被发现。由于这些器官不适合人类食用，准确识别并剔除它们至关重要。当前检验方法主要依赖人工视觉检查，但该过程存在主观性和时间压力等限制，会影响可靠性，因此有必要探索新技术。计算机断层扫描能够检测病理改变的器官组织，因为病变会改变器官的放射密度。因此，本研究旨在比较健康和病变鸡心、鸡肝之间的放射密度差异，并开发不同分类器识别病变器官。研究从屠宰场采集了 264 个鸡心和 252 个鸡肝，包括健康和病变样本，并在兽医诊所对所有器官进行 CT 扫描。研究建立了两个逻辑回归模型（用于鸡心和鸡肝）以及四个深度学习模型，包括深层和浅层神经网络，用于器官分类。鸡心深度学习模型的准确率（浅层神经网络 0.91，深层神经网络 0.92）优于逻辑回归模型（0.82）。鸡肝模型之间准确率差异不大，浅层神经网络为 0.78，深层神经网络为 0.75，逻辑回归为 0.79。本研究证实，结合逻辑回归或深度学习模型的 CT 扫描可自动、准确地检测病变鸡心和鸡肝。总体而言，CT 扫描有潜力提高禽类可食内脏安全性，并优化屠宰场工作流程。
-
人工智能唤醒食品包装：综合进展、挑战与未来展望
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Xiaoxue Jia, Xiaoan Li, Mazen O. Alharbi, Peihua Ma, Mohammad Rashedi Ismail-Fitry, Shuangmei Xia, Ya Zhang, Yi Li & Qin Wang
食品标签
新材料/包装与接触材料 食品安全与风险评估 货架期预测与品质劣变动力学 包装设计与机械性能 智能/指示型包装 其他可持续性主题计算机标签
机器学习/统计学习 深度学习 定量预测/回归分析 过程控制与实时优化背景：人们对食品安全、环境可持续性以及消费者期望的担忧日益加剧，这正推动着包装从传统的被动式系统向主动式系统转变。人工智能（AI）已成为增强食品包装性能的变革性工具，它通过实现数据驱动的设计、实时监测和预测性质量控制，减少了食品浪费，并为循环经济目标提供了支持。
范围与方法：本综述对人工智能驱动的食品包装创新进行了全面且综合的分析。它介绍了关键的人工智能技术，包括机器学习、深度学习和生成模型，并探讨了这些技术在九个关键领域的应用：材料设计与优化、食品安全与新鲜度监测、化学迁移与毒性预测、包装工艺自动化、供应链与物流优化、个性化包装设计、回收与减废、碳足迹评估以及信息与可追溯系统。此外，本综述还指出了主要的技术、法规、经济和消费者相关挑战，并提出了未来的研究方向，以指导从实验室研究向商业应用的过渡。
主要发现与结论：人工智能在改善包装材料性能、实现智能腐败与质量监测、确保化学安全性以及优化制造和供应链方面已展现出巨大潜力。然而，数据可获得性有限、复杂的法规要求、高昂的实施成本以及对增强消费者信任的需求等障碍仍然十分显著。未来的研究应优先关注为复杂食品系统开发先进材料、可生物降解和可回收的传感器平台、可解释且节能的人工智能模型、标准化的评估框架，以及实现经济可行性和消费者参与的策略。总体而言，人工智能驱动的智能包装为实现安全、智能和可持续的食品系统提供了一条充满希望的途径。
