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 39 条结果
-
利用机器学习革新供应链中生鲜食品质量控制：当前进展与未来挑战
查看原文
2026
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区
Jiayi Xu, Zisheng Luo, Xuenan Zhang, Zhenbiao Li, Dong Li, Yanpei Chen, Xingyu Lin, Fabián Guillén, & Yanqun Xu
食品标签
品质、结构与理化性质 保藏与贮藏 过程控制与数字化计算机标签
卷积神经网络 支持向量机 定量预测/回归分析 时序传感器/物联网数据 组学数据全球供应链中约有三分之一的新鲜食品被浪费。机器学习（ML），作为人工智能的一个关键分支，通过实现智能感知、精确评估和自适应控制，提升了新鲜食品的收获后物流和保存。然而，其应用面临数据标准化、传感器限制、产品多样性以及模型泛化能力有限等挑战。本综述总结了食品供应链中当前先进的机器学习应用，强调其在质量控制方面的变革潜力。我们探讨了机器学习整合多组学数据的能力，以深入了解运输和储存过程中分子变化，从而促进管理策略的开发和评估。在分级、传感器技术和智能保鲜材料中的实际应用也进行了评估。机器学习模型，如支持向量机（SVM）和卷积神经网络（CNN），通过分析感官特性和化学成分，提高了精确分级和质量预测的能力。通过捕捉复杂的分子相互作用，机器学习使创新的传感器表面设计成为可能，增强了灵敏度和特异性。由机器学习驱动的传感器进一步支持实时环境监测，而由机器学习驱动的智能包装材料通过对内部条件的自适应响应保持新鲜度并减少损耗。为了确保模型的稳健性和泛化能力，适当的验证策略如交叉验证和外部验证是必不可少的。尽管其具有显著潜力，机器学习的广泛应用仍面临诸多挑战，包括有限的品种和区域泛化能力、决策透明性、计算需求等。数据可用性和算法选择。解决这些问题对于在收获后质量控制系统中实现有效且可持续的机器学习整合至关重要。
-
SS-CNN BruiseFinder：基于高光谱成像和 CNN 空间-光谱融合的李子碰伤无损分析
查看原文
2026
Food Control
中科院一区JCR一区
Shanthini K.S., Sudhish N. George, Jobin Francis, & Sony George
食品标签
新鲜水果 品质、结构与理化性质 保藏与贮藏 光谱/色谱/质谱等分析方法 显微与成像技术计算机标签
卷积神经网络 循环神经网络 分类/鉴别/等级评定 高光谱/多光谱光谱 红外/拉曼光谱数据李子在采后处理过程中容易发生机械碰伤，而早期碰伤通常难以通过肉眼识别。本研究开发了 SS-CNN BruiseFinder 模型，利用 Vis-NIR 高光谱图像中的空间和光谱特征融合，实现李子碰伤无损检测和碰伤时间分类。研究从挪威水果商店购买李子，并通过受控冲击试验造成人工碰伤，即从固定高度释放 60 g 砝码撞击果实。研究使用 400-1000 nm、204 个光谱波段的高光谱系统，分别在碰伤后 30 min、1 h、3 h、6 h、12 h、24 h 和 48 h，以及健康对照阶段采集图像，共获得 3360 个原始高光谱图像样本。SS-CNN BruiseFinder 结合光谱特征提取、空间特征提取和特征融合，并与自定义光谱 CNN、ResNet101 和双向 LSTM 在同一数据集上比较。该模型对潜伏早期碰伤的检测准确率为 68.5%，对较久碰伤的检测准确率为 91.5%，不同碰伤时间分类场景中的准确率为 67.39%-98.16%。作者公开了代码。结果表明，空间-光谱 CNN 融合可支持供应链中碰伤李子的无损分选、鲜度评估和质量信息传递。
-
基于金属有机框架-人工智能整合的智能食品保鲜系统：技术突破与发展趋势
查看原文
2026
Food Chemistry
中科院一区JCR一区
Xin Ding, Nasi Ai, Yiming Zhao, Lingyun Li, Ge Chen, Donghui Xu, Xiaomin Xu, Lin Qin, Jing Chen, & Guangyang Liu
食品标签
保藏与贮藏 包装与智能监测 智能/指示型包装 包装系统中的监测与标签应用计算机标签
机器学习/统计学习 深度学习 设计/生成与推荐 时序传感器/物联网数据智能保存系统结合功能性纳米材料，具有广泛的适用性并呈现良好的发展趋势。金属有机框架（MOFs）是一种新型多孔晶体材料，由于其超高的比表面积、可调孔隙和多功能化特性，表现出卓越的气体吸附、受控释放和环境响应能力。作为新兴纳米材料，MOFs通过与人工智能（AI）技术的结合，在智能食品保存应用中显示出巨大的潜力。它实现了从分子级材料设计到智能终端包装的全面创新，体现出显著的跨学科价值。本文回顾了AI指导的MOFs新型合成策略，并系统性地综述了其结构特征和分类方案。本综述系统地分析了金属有机框架（MOFs）的结构参数--金属离子、孔隙结构和负载能力--如何影响智能保鲜中的抗菌、气体/湿度调控及刺激响应特性。此外，本文还全面回顾了基于MOF的智能食品保鲜的最新进展，同时充分展示了MOF与人工智能整合在下一代智能保鲜技术中的巨大潜力。
-
利用人工智能和机器学习模型预测与评估货架期环境和包装材料对大蒜理化及植物化学成分的影响
查看原文
2025
Food Chemistry: X
中科院一区JCR一区
Hany S. El-Mesery, Ahmed H. ElMesiry, Mansuur Husein, Zicheng Hu & Ali Salem
食品标签
新鲜蔬菜 保藏与贮藏 品质、结构与理化性质 常规理化指标测定 其他理化与结构表征 花青素与类胡萝卜素计算机标签
机器学习/统计学习 深度学习 定量预测/回归分析 质构/流变/感官数据大蒜是一种被广泛食用的作物，其营养成分和品质在收获后必须通过克服多项挑战来加以保持。本研究的必要性源于人们对有效的采后管理解决方案的需求日益增长，这些方案能够延长保质期、维持大蒜的营养完整性并提高消费者满意度。本研究探讨了机器学习（ML）和人工智能（AI）在预测储存环境和包装材料对大蒜理化性质、酶活性、植物化学成分及抗氧化特性影响方面的应用。结果表明，温度对除花青素外的大多数参数都有显著影响，而包装则对所有变量都有影响。研究发现，将大蒜储存在4°C下比储存在25°C下能更好地保持其品质，这为优化储存条件和包装以获得更优质的产品提供了见解。这项研究为控制影响大蒜采后表现的因素提供了宝贵指导，旨在改善保鲜效果并减少食物浪费。
-
基于深度神经网络的多目标预测在挥发组学中的应用：模拟改性气氛下热杀索丝菌产生的挥发性有机化合物
查看原文
2025
Food Research International
中科院一区JCR一区
Linyun Chen, Lotta Kuuliala, Christophe Walgraeve, Kristof Demeestere, Frank Devlieghere & Bernard De Baets
食品标签
肉类/蛋类与水产品 保藏与贮藏 微生物安全计算机标签
深度学习 分类/鉴别/等级评定 定量预测/回归分析 组学数据肉类微生物腐败与挥发性有机化合物（VOCs）和异味的产生有关。虽然预测建模有助于货架期确定，但预测挥发组非常复杂，因为相关的微生物代谢极易受到包装内O2/CO2组成的影响。传统的监督学习主要侧重于预测单一目标，而本研究引入了多目标预测（MTP）的概念，通过研究预测在不同包装气氛下热杀索丝菌产生的多种VOCs来展示该方法。所用数据集包括接种了热杀索丝菌的840个猪肉模拟培养基样品的总菌落数（TPC）、O2/CO2体积比和VOCs浓度，这些样品在20种不同气氛（O2: 0%–70%, CO2: 0%–60%，N2作为填充气: 0%–100%）下储存了不同时间（0–10天）。由于某些VOCs可以通过代谢途径相互关联，本研究首次在食品领域引入了一种双分支神经网络，用于预测配对输入之间的相互作用，即：（1）每个培养基样品中的微生物数量和气体比例，以及（2）每种VOC的代谢信息。基于MTP的回归和分类模型能够在基于其他19种气氛的数据进行训练和验证后，预测特定气氛下的VOCs水平。总体而言，这些结果表明了MTP在挥发组学中的巨大潜力。当处理基于真实肉类基质的更复杂数据集时，获取更多数据来表示实例（例如，肉类/微生物样品的微生物组或食品组学信息）和目标（例如，VOCs的化学信息）至关重要。
