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
-
时间营养分析将饮食规律性和质量与肠道微生物多样性联系起来：来自Food & You数字队列的见解
查看原文
2025
Nature Communications
中科院一区JCR一区
Jakub Jasiński, Joakim Hagel, Samuel Brem, Edith Wietek, Takashi Taniguchi, Kenji Watanabe, Alexey Chernikov, Nicolas Bruyant, Mateusz Dyksik, Alessandro Surrente, Michał Baranowski, Duncan K. Maude, Ermin Malic & Paulina Plochocka
食品标签
肠道健康与微生物相关功能 其他方法 益生菌/益生元/合生元计算机标签
机器学习/统计学习 模型可解释性 定量预测/回归分析 文本/知识库/法规数据新的研究证据表明，用餐时间（即“时间营养”）会对代谢健康产生影响，但其与肠道微生物群之间的关系仍不为人所充分理解。在此，我们利用“食物与你”数字样本队列来探究饮食规律和质量与肠道微生物多样性之间的关联。我们从一个庞大的人群中收集了详细的饮食日志和微生物样本，以量化饮食模式。我们训练了机器学习模型，根据饮食特征来预测肠道微生物多样性（香农指数）。我们的分析表明，饮食规律——特别是用餐时间的稳定性——是肠道微生物多样性的一个强有力的预测指标，且不受饮食质量的影响。特征重要性分析显示，不规律的饮食安排与较低的微生物多样性以及不良细菌种类的丰富度有关。这些发现强调了“何时进食”对于维持健康肠道生态系统的重要性，同时也展示了数字样本队列与机器学习相结合在个性化营养研究中的应用价值。
-
利用NFINDR-JMSAM算法进行高光谱透射成像检测由Penicillium digitatum引起的早期衰变橙子，并具有光谱特征分离
查看原文
2025
Food Chemistry
中科院一区JCR一区
Letian Cai, Liping Chen, Xuetong Li, Yizhi Zhang, Ruiyao Shi & Jiangbo Li
食品标签
新鲜水果 品质、结构与理化性质 微生物安全 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 其他深度学习结构 分类/鉴别/等级评定 可见光/RGB/视频数据 红外/拉曼光谱数据青霉菌属真菌引发的腐烂是柑橘采后品质劣变的主要诱因，此外，该真菌可快速侵染整批柑橘果实，造成严重的经济损失。但由于早期腐烂无明显视觉特征，对其进行有效检测仍存在较大难题。本研究搭建了可见-近红外高光谱成像系统用于采集全透射图像，并提出NFINDR-JMSAM算法实现图像不同像素的分割。通过提取纯净像素并分离光谱特征，所有测试样本的整体分类准确率可达99.3%。该方法还能有效识别柑橘外果皮、果蒂端及果脐处的伤痕，从而消除伤痕对腐烂柑橘检测造成的干扰。本研究融合高光谱透射成像技术与NFINDR-JMSAM算法，为精准检测柑橘早期腐烂果实、实现不同组织检测结果可视化提供了新的研究思路。
-
用于食品安全分析的便携式设备与机器学习辅助侧流分析：进展与展望
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Ying Wang, Minglu Wang, Jiarui Cui & Hongyan Zhang
食品标签
食品安全与风险评估 微生物安全 化学污染物 过程监测与在线检测计算机标签
机器学习/统计学习 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：摄入受细菌等生物危害、化学危害和环境污染物的食品会导致重大公共卫生问题。侧流分析（LFA）技术便于视觉获取定性结果，已得到广泛应用，尤其在资源有限的环境中。对于即时检测应用而言，必须准确定量分析物浓度并确保检测结果的可靠性。因此，迫切需要能够定量评估LFA结果的合适诊断平台。
范围与方法：本综述全面分析了LFA中常见信号的测量原理和发展趋势，深入探讨了LFA对各种便携式、快速、微型化及智能手机集成设备的适应性和优势。此外，特别探讨了机器学习与智能LFA平台设备的集成，以提升食品安全管理理论框架的智能化和效率。在强调智能平台辅助LFA在食品安全监测中益处的同时，我们也批判性分析了该领域当前的挑战和未来方向。
主要发现与结论：集成机器学习辅助LFA的智能平台，能有效提升LFA的检测灵敏度和稳定性，实现对食源性危害的快速、定量和灵敏检测，应对快速食品安全监测及其实际应用中的重大挑战。预计该技术将持续发展，并成为全球应对食品安全问题的重要工具。 -
人工智能驱动的策略：增强乳酸菌作为功能性益生菌的应用——健康促进与工业应用优化
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Du-Min Jo, Seok-Chun Ko, Kyung Woo Kim, Dongwoo Yang, Ji-Yul Kim, Gun-Woo Oh, Grace Choi, Dae-Sung Lee, Nazia Tabassum, Young-Mog Kim & Fazlurrahman Khan
食品标签
肠道健康与微生物相关功能 菌种筛选与特性评价 益生菌菌株计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 定量预测/回归分析 设计/生成与推荐背景：乳酸菌（LAB）因其益生菌特性和促进健康的作用而被广泛认可，包括调节肠道菌群、免疫调节和代谢支持。然而，传统的功能性乳酸菌菌株鉴定和应用方法劳动强度大，且可扩展性有限。随着对精准益生菌和微生物组靶向疗法需求的不断增长，迫切需要能够系统优化乳酸菌功能的先进方法。
范围与方法：本综述探讨了人工智能（AI）技术，包括机器学习、深度学习和混合模型，如何促进基于乳酸菌的益生菌研究和应用。我们将当前的人工智能应用分为三个主要领域：（i）功能性菌株发现；（ii）代谢建模和个性化健康干预；（iii）工业规模的配方设计和质量控制。
主要发现与结论：人工智能技术能够准确预测益生菌的特性，如抗菌肽（AMP）的产生、短链脂肪酸（SCFA）的合成以及与宿主的相互作用潜力。它们还有助于发现功能性代谢物，并简化发酵和配方等工业流程。这些进展支持益生菌开发向数据驱动的精准方法转变。未来的持续发展将依赖于标准化的数据、可解释的模型以及跨学科整合。 -
基于6,497个双标水测量值的预测方程可用于检测错误报告的能量摄入
查看原文
2025
Nature Food
中科院一区JCR一区
Rania Bajunaid, Chaoqun Niu, Catherine Hambly, Zongfang Liu, Yosuke Yamada, Heliodoro Aleman-Mateo, Liam J. Anderson, Lenore Arab, Issad Baddou, Linda Bandini, Kweku Bedu-Addo, Ellen E. Blaak, Carlijn V. C. Bouten, Soren Brage, Maciej S. Buchowski, Nancy F. Butte, Stefan G. J. A. Camps, Regina Casper, Graeme L. Close, Jamie A. Cooper, Richard Cooper, Sai Krupa Das, Peter S. W. Davies, Prasangi Dabare, Lara R. Dugas, Simon Eaton, Ulf Ekelund, Sonja Entringer, Terrence Forrester, Barry W. Fudge, Melanie Gillingham, Annelies H. Goris, Michael Gurven, Asmaa El Hamdouchi, Hinke H. Haisma, Daniel Hoffman, Marije B. Hoos, Sumei Hu, Noorjehan Joonas, Annemiek M. Joosen, Peter Katzmarzyk, Misaka Kimura, William E. Kraus, Wantanee Kriengsinyos, Rebecca Kuriyan, Robert F. Kushner, Estelle V. Lambert, Pulani Lanerolle, Christel L. Larsson, William R. Leonard, Nader Lessan, Marie Löf, Corby K. Martin, Eric Matsiko, Anine C. Medin, James C. Morehen, James P. Morton, Aviva Must, Marian L. Neuhouser, Theresa A. Nicklas, Christine D. Nyström, Robert M. Ojiambo, Kirsi H. Pietiläinen, Yannis P. Pitsiladis, Jacob Plange-Rhule, Guy Plasqui, Ross L. Prentice, Susan B. Racette, David A. Raichlen, Eric Ravussin, Leanne M. Redman, John J. Reilly, Rebecca Reynolds, Susan B. Roberts, Dulani Samaranayakem, Luis B. Sardinha, Analiza M. Silva, Anders M. Sjödin, Marina Stamatiou, Eric Stice, Samuel S. Urlacher, Ludo M. Van Etten, Edgar G. A. H. van Mil, George Wilson, Jack A. Yanovski, Tsukasa Yoshida, Xueying Zhang, Alexia J. Murphy-Alford, Srishti Sinha, Cornelia U. Loechl, Amy H. Luke, Herman Pontzer, Jennifer Rood, Hiroyuki Sagayama, Dale A. Schoeller, Klaas R. Westerterp, William W. Wong & John R. Speakman
食品标签
营养与生物功能 光谱/色谱/质谱等分析方法 统计建模与仿真 观察性人群研究 常量营养素（宏量）计算机标签
机器学习/统计学习 定量预测/回归分析 大规模数据集营养流行病学旨在将饮食暴露与慢性病联系起来，但评估饮食摄入的工具并不准确。识别不可靠数据和误差来源的一种方法是将估计的摄入量与总能耗（TEE）进行比较。本研究利用国际原子能机构双标签水数据库，利用6,497个TEE指标在4至96岁人群中推导出TEE的预测方程。由此产生的回归方程预测了体重、年龄和性别等易于获得变量的预期TEE，预测极限为95%，可用于筛查饮食研究参与者的错误报告。我们将该方程应用于两个大型数据集（国家饮食与营养调查和国家健康与营养检查调查），发现错误报告率为27.4%。这些研究中饮食报告的宏量营养素成分随着误报水平增加而系统性偏倚，导致饮食成分与体质指数之间可能存在虚假关联。
