类目筛选(食品学者)
-
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)
-
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)
标签记录(计算机学者)
共 108 条结果
-
解锁特级初榨橄榄油识别:利用可解释人工智能预测红外光谱中的乙酸乙酯
查看原文2026
Food Chemistry
中科院一区JCR一区Michele Magarelli, Silvia Grassi, Giacomo Squeo, Pierfrancesco Novielli, Roberto Bellotti, Francesco Caponio, Cristina Alamprese, & Sabina Tangaro
食品标签
植物油 食品安全与风险评估 其他安全问题 氧化、褐变等化学变化 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
偏最小二乘法 梯度提升决策树 模型可解释性 定量预测/回归分析 红外/拉曼光谱数据特级初榨橄榄油(EVOO)容易被掺假和降解,因此评估其真实性和质量至关重要。脂肪酸乙酯(FAEE)是在发酵过程中形成的,被欧盟立法作为EVOO质量的重要标志,其可接受水平最高为35 mg/kg。在本研究中,提出了一种基于红外光谱结合传统统计方法(即偏最小二乘法-PLS)、机器学习(ML)和可解释人工智能(XAI)的快速、非破坏性且成本效益高的替代方法。使用傅里叶变换红外光谱分析了170个橄榄油样品的数据集,其FAEE浓度范围为1.81 mg/kg到109.00 mg/kg。光谱数据经过预处理,并用于训练各种回归模型。通过XGBoost模型获得了最佳性能(R2 = 0.90,RMSE = 9.41 mg/kg)。XAI技术使模型的解释成为可能,并识别出主要与FAEE含量相关的光谱区域。
-
人工智能与多尺度数据融合在乳清蛋白高价值利用中的应用:一项系统性综述
查看原文2026
Trends in Food Science & Technology
中科院一区JCR一区Jiajun Yu, Erzheng Su, Jiasheng Wu, & Fangwei Yang
食品标签
乳清及乳清制品 加工与新加工技术 营养与生物功能 蛋白质与氨基酸计算机标签
模型可解释性 设计/生成与推荐 多模态/融合数据 质构/流变/感官数据背景:乳清蛋白(WP)的研究分散在分子设计和工艺优化的不同尺度上,阻碍了从分子到宏观性能的因果联系的建立。人工智能(AI)提供了整合的机会,但当前的应用常常混淆多尺度和多模态数据,并且依赖相关性而非机制。范围与方法:本综述系统地审视了用于乳清蛋白研究的人工智能方法,并提出了一个连接分子、微观/介观和宏观尺度的分层框架。它提出了基于物理的多尺度数据融合策略,其中可解释的人工智能能够实现机制发现。主要发现与结论:在分子尺度上,人工智能能够预测生物活性和致敏性,以及进行WP变体的逆向设计;在微观尺度上,它促进了微观结构特征的自动提取并将其与流变性能关联;在宏观尺度上,它推动了质量预测、工艺优化和价值链整合。具有可解释性的跨尺度建模框架的分层多尺度数据融合,将分子结构与宏观性能连接起来,推动WP的高价值利用。关键挑战,包括数据稀缺、物理不一致的建模、有限的可推广性以及分散的整合,需要特定领域的大模型、物理信息指导方法和智能平台。这种多尺度数据融合方法有望将WP高价值利用从经验主义转向合理设计和智能生产,在释放经济潜力的同时推动全球蛋白质的可持续利用。
-
SpecColorNet:用于预测多个梨品种可溶性固形物含量的可解释多模态深度学习方法
查看原文2026
Artificial Intelligence in Agriculture
中科院一区JCR一区Xin Xu, Mengfei Yang, Jie Yang, Hao Yin, Yanyu Chen, Weijie Lan, Guoxiang Sun, Xiaochan Wang, Shaoling Zhang, & Xiaolei Zhang
食品标签
新鲜水果 品质、结构与理化性质 颜色与外观品质 常规理化指标测定 光谱/色谱/质谱等分析方法 碳水化合物与糖类计算机标签
深度学习 模型可解释性 定量预测/回归分析 多模态/融合数据 红外/拉曼光谱数据 质构/流变/感官数据可见光/近红外光谱为评价梨(Pyrus pyrifolia Nakai)的可溶性固形物含量(SSC)提供了一种无损方法。然而,不同梨品种之间的差异,特别是果皮颜色差异,会显著影响光谱反射率,从而限制SSC模型的跨品种预测能力。为解决这一问题,本研究开发了SpecColorNet,这是一种融合光谱数据与果皮颜色数据的多模态深度学习框架,可同时准确预测六个不同梨品种的SSC,并利用梯度加权类激活映射++(Grad-CAM++)解释其决策机制。与仅使用光谱数据的多品种模型相比,多品种SpecColorNet的预测准确率提高了9.42%;六个梨品种对应的预测均方根误差(RMSEP)分别为0.63、0.60、0.92、0.70、0.54和0.55 °Brix。此外,SpecColorNet的预测准确率与分别针对单一品种建立的光谱模型相当。解释性分析表明,SpecColorNet能够将模型注意力有效集中于555–640 nm光谱区域,该区域也是不同品种间差异最显著的波段,从而提高了模型的泛化能力和预测准确性。总体而言,本研究提出了一种面向多个梨品种的稳健SSC预测方法,克服了品种多样性和果皮颜色变化造成的困难,使多品种模型比纯光谱模型具有更强的稳健性。
-
可解释机器学习用于牦牛乳饲喂模式判别:融合 XGBoost 与多维可解释性分析
查看原文2026
Food Chemistry: X
中科院一区JCR一区Bo Hu, Lu Sun, Haiyue Wu, Rong Hu & Zhongxin Yan
食品标签
液态乳 传统统计分析与回归 脂质与脂肪酸计算机标签
机器学习/统计学习 模型可解释性 分类/鉴别/等级评定 质构/流变/感官数据准确判别牦牛乳的放牧(GZ)与补饲(SF)模式对产品真伪鉴别具有重要意义,然而现有方法通常成本高、耗时长。本研究采集了补饲4个阶段的523份泌乳牦牛乳样品,测试21种机器学习算法,基于常规乳成分参数构建快速且低成本的判别方法。集成学习算法表现优于其他算法,其中XGBoost准确率最高(92%),AUC为0.94。包括SHAP、PDP和ICE在内的多维可解释性分析表明,脂肪含量(27.8%)和乳糖(23.1%)是最重要的判别指标,同时揭示了脂肪、乳糖与冰点之间具有生物学意义的交互作用。该可解释分析框架利用常规乳品分析仪即可实现牦牛乳真伪鉴别,为建立牦牛乳放牧标准化认证体系提供方法学基础。
-
整合元素指纹和全反射 X 射线光谱指纹与机器学习用于高级海产品追溯
查看原文2026
Food Control
中科院一区JCR一区Nuno M. Rodrigues, Vanessa F. Fonseca, Renato Mamede, Susanne E. Tanner, Bernardo Duarte, & Sara Silva
食品标签
鱼肉 新鲜水果 食品安全与风险评估 其他安全问题 标准/法规/数据库分析 矿物质与微量元素计算机标签
随机森林 模型可解释性 定量预测/回归分析 红外/拉曼光谱数据 可见光/RGB/视频数据海产品消费和需求增加导致食品欺诈问题上升,也推动了海产品追溯法规的发展,以保障海洋资源可持续利用和食品安全。头足类是具有商业价值的海产品资源,容易发生错误标识。普通章鱼在葡萄牙等南欧地区具有较高市场价值。本研究从葡萄牙大西洋沿岸 5 个捕捞区域和 3 个采样时期收集 450 个普通章鱼个体,评估其可食肌肉组织的元素指纹和光谱数据作为机器学习模型输入用于产地判别。研究在多时间数据上训练多种机器学习模型,揭示了模型性能和可解释性之间的权衡。分析显示不同季节之间存在明显分布偏移,可能与该物种复杂生命周期有关。模型性能显著依赖所用季节数据;10 月、9 月及其合并秋季数据训练的模型明显优于 4 月数据训练的模型。无论采用元素指纹还是光谱分析,这一趋势均存在,但多数模型中元素指纹数据总体具有统计学优势。总体性能方面,提升树模型表现突出;保持测试集结果显示,9 月数据的全元素指纹随机森林模型 F1 分数达到 73%。所建立模型具有较好的预测性能和泛化能力,基于 SHAP 的特征重要性分析显示模型决策可得到生物学解释,其中砷在所有采样时期均是区分捕捞区域的关键元素。