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
-
一种用于果蔬品质预测的通用科学机器学习框架
查看原文
2026
Postharvest Biology and Technology
中科院一区JCR一区
Xuezhen Guo, Charlotte J. Harbers, Hannelore E.J.M. Heuer, Qianxixi Min, Ying Liu, Ernst J. Woltering, Leo F.M. Marcelis, & Ruud G.M. van der Sman
食品标签
新鲜蔬菜 品质、结构与理化性质 保藏与贮藏计算机标签
深度学习 智能手机/其他 定量预测/回归分析 小规模数据集准确预测果蔬采后品质是供应链管理和消费者满意度中的关键挑战。传统知识驱动动力学模型具有良好可解释性，但通常难以纳入多样的预贮藏和环境因素，尤其不便于缺乏动力学建模经验的用户使用。相比之下，纯数据驱动方法（如神经网络）需要大量数据，且难以利用领域知识提升数据效率。本研究提出一种科学机器学习（SciML）概念框架，将领域知识与数据驱动神经网络相结合，为果蔬品质预测提供混合建模方法。框架中包含一棵决策树，可根据数据集特征、先验知识可用性和预测目标指导模型选择。作为概念验证，研究首先使用合成生成的品质衰减数据开展实验，证明将动力学知识直接嵌入神经网络可提升预测准确性和时间外推能力。随后，一个预测温室番茄整体视觉品质的真实案例进一步证实了知识-数据混合整合的优势。总体而言，本研究表明 SciML 提供了兼顾数据驱动灵活性和知识驱动可解释性的第三类建模选择。SciML 并非用于替代传统方法，而是丰富研究人员和实践者用于果蔬品质建模以及更广泛食品品质预测的工具箱。选择和应用合适的 SciML 模型仍需人类判断，以在有限数据下的预测准确性、知识嵌入带来的外推能力、计算效率和可解释性之间取得有效平衡。
-
高光谱成像预测乳清蛋白-beta-glucan 共轭物中类黑精参数的可行性
查看原文
2026
LWT
中科院一区JCR一区
Mohammad Hossein Nargesi, Somayeh Aziznia, & Kamran Kheiralipour
食品标签
乳清及乳清制品 过敏原与毒性问题 氧化、褐变等化学变化 显微与成像技术 蛋白质与氨基酸计算机标签
深度学习 偏最小二乘法 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据Maillard 反应是还原糖与蛋白质氨基之间发生的非酶褐变过程，在食品化学中具有重要作用，既可增强蛋白功能性并生成抗氧化和抗菌化合物，也可能在不利条件下产生有毒或致癌物质，因此需要谨慎监测。本研究评价了高光谱成像监测 Maillard 反应过程中类黑精形成的可行性。基于人工神经网络的预测模型可准确估计关键反应参数，包括高级 Maillard 产物、抗氧化活性和糖基化程度，准确率分别为 94.27%、95.88% 和 87.06%。偏最小二乘回归也表现出较强预测能力（R2 > 96%），而支持向量回归准确率较低（R2 = 75-78%）。结果表明，高光谱成像结合机器学习可作为一种快速、无损工具监测 Maillard 反应参数，并具有优化热加工和保障食品品质的应用潜力。
-
从机器学习到神经影像：风味预测与识别技术综述
查看原文
2026
Food Research International
中科院一区JCR一区
Jingtao Wang, Shan Wang, Dongliang Li, Wu Fan, Zhongwang Jiang, Jiabao Zhang, Qingzhao Shi, Qidong Zhang & Guobi Chai
食品标签
特征风味 感官评价与方法学 消费者偏好与接受度计算机标签
机器学习/统计学习 深度学习风味科学正经历一场范式转变，从传统的描述性研究转向预测性与机制性科学。以往综述多聚焦于单一技术突破，而本文则通过整合一套多尺度研究框架——从分子水平预测到中枢神经系统解读——提供了独特的系统性视角。本文首先阐述了人工智能与计算模拟如何通过构效关系建模和配体-受体相互作用建模，彻底革新风味化合物的计算机虚拟预测。同时，详述了基于功能性嗅觉/味觉受体构建的生物传感器，如何在仿生界面为风味识别提供前所未有的客观性。尤为关键的是，本文强调了神经影像技术（脑电图、功能磁共振成像）在直接解码大脑对风味的整合感知反应中的不可或缺作用——而这正是感官体验的最终评判标准。通过将这些进展整合成一条连贯的“从分子到大脑”研究路径，本文不仅为风味科学的未来发展指明方向，还为该领域提出了统一框架，凸显了这种整合思路在指导食品理性设计、推动产业创新中的关键作用。
-
使用多层感知器人工神经网络对食品系统中单核细胞增生李斯特菌、无害李斯特菌和需氧腐败菌生长的稳健预测
查看原文
2026
International Journal of Food Microbiology
中科院一区JCR一区
Mônica da Silveira Treme, Wagner Augusto Müller, Morgana Kronbauer, Sandro Binsfeld Ferreira, & Suse Botelho da Silva
食品标签
微生物安全 货架期预测与品质劣变动力学 微生物计数与生长曲线计算机标签
深度学习 定量预测/回归分析 公开数据集腐败微生物和致病细菌会对食品安全和稳定性产生负面影响，导致潜在的健康风险和经济损失。预测性微生物学是预测食品基质中微生物行为的重要工具，而监督机器学习在处理复杂数据集（例如，多变量和非线性关系）方面表现出有效性。本研究旨在利用人工神经网络开发一个针对单核细胞增殖李斯特菌（Listeria monocytogenes）、无害李斯特菌（Listeria innocua）及好氧腐败菌在食品及培养基中的生长预测模型。模型开发涉及将多层感知器算法应用于从ComBase平台获取的数据集。我们评估了不同的模型，以了解数据集大小、附加输入变量、食品基质数据和微生物数据对模型性能的影响。实验数据也用于模型验证。结果显示所有模型的统计指标均良好（𝑅² = [0.847-0.929]，𝑅𝑀𝑆𝐸 = [0.55-0.852]，𝐵𝑓 = [1.002-1.011]，𝐴𝑓 = [1.071-1.108]），表明所提出方法在预期应用中的有效性。此外，使用实验数据对牛肉中总好氧腐败菌的生长进行模型验证，证明该模型能够准确描述微生物生长动力学。这些发现强调了多层感知器模型在预测各种食品基质和培养基中微生物生长的潜力，表现出稳健的性能和良好的泛化能力。
-
从视觉感知到数字化评估：基于智能手机的比色和荧光传感食品新鲜度监测综述
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Jingwen Li, Xinjia Zhou, Xiaoli Qin, Xiong Liu, & Jinfeng Zhong
食品标签
货架期预测与品质劣变动力学 过程监测与在线检测 显微与成像技术计算机标签
智能手机/其他 深度学习 定量预测/回归分析 可见光/RGB/视频数据 时序传感器/物联网数据背景：微生物生长、酶促反应和化学氧化是食品变质的主要驱动因素，会影响产品的质量和保质期。传统的实验室方法受限于便携性差和分析时间长。视觉传感器能够实现实时的新鲜度监测。然而，这些方法常常缺乏精确的定量能力。基于智能手机的光学平台将主观视觉评估与精确定量分析结合起来，作为有效的分析工具。范围和方法：本综述批判性地审视了促使食品新鲜度评估从定性向定量转变的相关技术。重点关注利用比色和荧光响应材料的信号生成机制、图像处理流程，以及建立用于高精度定量的机器学习算法。此外，综述还批判性地讨论了传感系统的物理集成、在实际食品基质中的验证，以及与设备间差异性和环境异质性相关的挑战。主要发现和结论：基于智能手机的便携式检测设备已发展为一种复杂的分析平台，能够将主观的视觉信号转化为客观指标。先进的功能光学材料（如金属有机框架、聚集诱导发光探针）结合基于智能手机的成像算法，显著提高了灵敏度和可靠性。深度学习的整合代表了在复杂腐败标志物的自动化、非破坏性识别方面的重大进展。最终，通用校准方法的开发以及传感器与物联网的整合被强调为食品供应链数字化转型的关键。
