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 712 条结果
-
结合相关性分析与机器学习筛选贮藏期低盐虾酱品质变化强关联指标
查看原文
2026
Food Chemistry: X
中科院一区JCR一区
Wenhui Qu, Qing Kong, Ruoshu Li, Weijia Liu, Yunqi Wen & Changhu Xue
食品标签
水产发酵制品 食品安全与风险评估 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
机器学习/统计学习 质构/流变/感官数据开发低盐虾酱已成为必然趋势，但这会提高其贮藏过程中的腐败风险。现行虾酱品质控制指标无法实现准确、全面的品质评价，亟需建立新的质控标准，而这首先需要阐明低盐虾酱的品质演变规律。贮藏期间，pH、总挥发性盐基氮（TVB-N）、组胺、酒石酸、琥珀酸、次黄嘌呤及芳香类化合物含量显著上升，而总酸度、肌苷单磷酸、醇类与醛类物质含量下降。相关性分析与机器学习结果表明，组胺、总酸度和TVB-N含量可更准确地反映虾酱的腐败程度；此外，乙酸与异亮氨酸与风味劣变密切相关，壬醛则与气味下降高度关联。上述结果阐明了理化变化与风味演变之间的关联，为构建更完善、稳健的低盐虾酱品质评价体系奠定基础。
-
用于检测改性和新兴真菌毒素的机器学习增强策略：进展与未来方向
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Xiyu He, Jieqiang Liu, Tong Yu, Zulipikaer Rouzi, Zhongkun Zhang, Luis Rodriguez-Saona, Yang Suo, Baima Yangjin, Aerna Yeerjiang, Min Wu, Xian Zhang, Baoshu Liu, & Siyu Yao
食品标签
化学污染物 食品安全与风险评估 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据 时序传感器/物联网数据背景：由于检测频率不断上升及潜在的健康风险，近年来改性霉菌毒素和新兴霉菌毒素受到越来越多的关注。然而，与受监管的霉菌毒素相比，现有的分析技术在特异性、灵敏度和时效性方面仍然有限。这一差距凸显了迫切需要能够应对多样化改性和新兴霉菌毒素谱的智能检测策略。范围与方法：本综述系统地考察了改性和新兴霉菌毒素的当前污染特征及潜在风险、其传统检测方法以及机器学习支持下分析方法的最新进展。传统方法，包括色谱和免疫化学技术，将与机器学习增强的技术一同进行批判性讨论。特别强调了机器学习和算法模型在实现智能检测平台中的作用，包括光学、电化学和生物传感技术的整合。此外，还讨论了机器学习的选择、验证、当前应用、法规以及剩余挑战的前景。主要发现和结论：传统检测方法由于霉菌毒素结构多样且理化性质变化，常常在检测改性和新兴霉菌毒素时遇到困难，需要复杂的样品前处理，并且常导致准确性有限。相比之下，增强了机器学习的传感技术表现出更高的灵敏度、特异性和分析速度，使得在复杂食品基质中能够同时分析多种霉菌毒素。未来的工作应优先考虑数据库扩展、实际应用推广以及建立标准化的验证和监管。总体而言，智能检测策略在食品安全监测和公共健康风险分级方面显示出很强的潜力，尽管在技术标准化和监管认可方面仍存在挑战。
-
人工智能驱动的主粮地理来源真实性数字化整合的进展：基于组学的分子和元素策略
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Xinyi Tian, Daobing Wang, Yang Yang, Chunmin Ma, Yue Xu, Xinyu Xu, Guang Zhang, Bing Wang, Jiawang Wang, Bin Tan, Ying Liu, Na Zhang, & Qiding Zhong
食品标签
谷物/块根/豆与坚果类 其他安全问题 光谱/色谱/质谱等分析方法 代谢组学 矿物质与微量元素计算机标签
机器学习/统计学习 模型可解释性 分类/鉴别/等级评定 红外/拉曼光谱数据 组学数据背景：主食作物的地理来源真实性在复杂的全球供应链中，对于公平贸易、食品安全和监管执行越来越重要。快速的光谱学和基于DNA的方法对于筛查或品种鉴定非常有用，但通常缺乏进行高精度来源追溯所需的环境特异性。基于质谱的同位素组学、元素组学和代谢组学通过捕捉气候、水文、地球化学和生物化学特征，提供了互补证据。范围和方法：本综述总结了近期在主食作物及其衍生产品地理来源认证中应用的同位素比率分析、多元素分析和代谢物指纹分析的研究进展。它进一步评估了化学计量学、机器学习、深度学习、数据层、特征层和决策层融合，以及包括区块链、物联网和数字孪生在内的数字技术在多组学数据集中的应用。还讨论了分析质量保证、模型验证、可转移性以及分层监管实施。主要发现和结论：同位素组学提供了与气候和水有关的标志物，元素组学记录地质背景及土壤到植物的矿物质转移，代谢组学揭示了环境调控的表型反应。这些组学层共同形成多层次的产地标志物，将作物的来源与环境和生化机制联系起来。人工智能（AI）驱动的融合可以提高对相邻区域、加工产品和混合来源样本的区分能力，但过拟合、有限的多年数据集、外部验证不足、基质效应以及缺乏标准化仍然是主要障碍。未来的进展需要统一的操作规程、参考材料、不确定性评估、可解释的人工智能、可互操作的数据库以及数字化的监管链系统。结合快速筛查与确认性组学分析的分层策略可能提高监管可行性和全球适用性。
-
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
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。
-
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
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。
