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 108 条结果
-
机器学习驱动的多源数据融合实现酱香型白酒生产工艺精准判别
查看原文
2026
Food Research International
中科院一区JCR一区
Longyuan Lin, Ziying Ruan, Na Zhang, Yifeng Ye, Qianqian Zhang, Saige Wang & Jicheng Chen
食品标签
酒精饮料 谷物发酵食品 特征风味 光谱/色谱/质谱等分析方法 其他理化与结构表征计算机标签
梯度提升决策树 模型可解释性 超参优化/自动机器学习 分类/鉴别/等级评定 时序传感器/物联网数据 组学数据 多模态/融合数据酿造工艺——尤其是坤沙工艺（KSJ）、碎沙工艺（SSJ）与翻沙工艺（FSJ）之间的差异——对酱香型白酒（MFB）的最终品质与风味特征起着决定性作用，这凸显了建立可靠鉴别方法的必要性。为应对这一难题，本研究构建了一套融合多源风味轮廓分析与先进机器学习技术的综合分析框架。研究采用电子鼻、电子舌、气相色谱-氢火焰离子化检测器（GC-FID）及顶空固相微萃取-气相色谱-质谱联用技术（HS-SPME-GC-MS），对代表三种工艺的共计80个样品进行了全面表征。结果显示，样品在挥发性成分轮廓与味觉属性方面存在显著差异，其中电子鼻传感器对氮氧化物具有高灵敏度，电子舌分析则判定酸味为关键鉴别属性。色谱分析进一步鉴定出45种关键香气活性化合物（相对气味活度值ROAV≥1）。本研究构建了9种机器学习分类器，并通过贝叶斯超参数优化进行系统优化。其中CatBoost模型表现最优，分类准确率达97.0%。基于SHAP框架的可解释性分析表明，乙酸乙酯、2,3,5,6-四甲基吡嗪等化合物是驱动工艺鉴别核心特征，这与现有酿造化学原理一致。上述研究结果表明，多源数据融合与优化机器学习相结合，可为酱香型白酒生产中的工艺溯源与质量控制提供一种可靠的数据驱动策略。
-
基于表型特征的茶叶地理来源识别轻量级深度学习
查看原文
2026
npj Science of Food
中科院一区JCR一区
Guoquan Pei, Bing Zhou, Xueying Qian, Baijuan Wang, Wei Chen, & Wendou Wu
食品标签
茶/茶饮料 其他安全问题 显微与成像技术计算机标签
卷积神经网络 模型可解释性 分类/鉴别/等级评定 可见光/RGB/视频数据 中等规模数据集准确识别茶叶的地理来源对于确保茶叶行业的质量保证和可追溯性至关重要。本研究介绍了Origin-Tea，一种新颖的轻量级卷积神经网络，它创新性地将深度可分离卷积与压缩-激励（SE）注意力机制相结合，有效捕捉微小的表型差异，同时最大限度地降低计算成本。与依赖大型架构或人工设计特征的先前方法不同，Origin-Tea专为农业应用中的高效性和可解释性而设计。全面的消融研究证实了每个架构组件对模型稳健性能的显著贡献。该数据集包含了900张高分辨率的云康10茶叶RGB图像，这些图像是从云南省七个不同地区独立收集的。采用了10折分层嵌套交叉验证（CV），每次迭代中，一折用于测试，一折用于验证，其余八折用于训练。数据增强技术，包括翻转、旋转和曝光调整，仅应用于训练集，以在不破坏固有表型特征的前提下增强模型的稳健性。Origin-Tea取得了平均整体准确率（OA）为0.92 ± 0.03，Kappa系数为0.90 ± 0.03，优于表现最佳的基线模型CoAtNet（OA = 0.89 ± 0.03）3.37%的准确率，同时模型参数减少了90%以上（1.7 M 对比 17 M）。此外，在对来自四个村庄的1788张扫描仪捕获图像进行的独立测试中，Origin-Tea表现出出色的泛化能力，总体准确率（OA）为0.97。这些结果突出了该模型作为可扩展、可现场部署的智能茶叶来源验证和精准表型分析解决方案的潜力。
-
人工智能重塑非淀粉多糖研究：从提取优化到功能设计的智能整合综合综述
查看原文
2026
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区
Jixiang Zhang, Zhiyuan Xu, Cheng Zhong, Huanhuan Liu, Qiaomei Zhu, Zhenou Sun, Qingbin Guo, & Steve W. Cui
食品标签
加工与新加工技术 营养与生物功能 碳水化合物与糖类计算机标签
机器学习/统计学习 模型可解释性 定量预测/回归分析 组学数据在过去的几十年里，从天然资源中提取的多糖研究取得了显著进展，这些多糖常用于功能性食品、药物、化妆品和生物医用材料。然而，传统研究高度依赖试错筛选，这受到结构-功能关系难以阐明、制备效率低以及应用适应性差等挑战的限制。人工智能（AI）的整合为克服这些限制提供了关键途径。本文综述了AI在多糖研究中的最新应用，讨论了当前的挑战，并指出了未来的趋势。在多糖提取方面，AI采用人工神经网络和遗传算法-反向传播等模型来优化加工条件。其预测精度常常达到0.95以上，显著高于传统响应面方法模型的0.7-0.8。在实际应用中，人工智能整合多组学数据以支持个性化多糖方案设计。例如，图卷积网络可以将结构特征与生物活性（如肿瘤细胞抑制率和免疫细胞活化）关联，从而促进个性化功能性产品的发展。然而，该领域仍面临数据质量不一致、模型可解释性有限以及跨学科协作困难等挑战。解决这些问题是将人工智能从辅助工具推进为多糖研究创新核心驱动力的关键，并可能对精准医疗、功能性食品和先进生物材料产生影响。
-
可解释机器学习整合风味分类与来源归因用于低盐酱油优化
查看原文
2026
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Xinyun Zhou, Ting Guo, Tongquan Li, Yuping Sun, Baichuang Sun, Shuo Yan, Yunping Yao, Bin Dong, & Guo-Zhong Zhao
食品标签
新鲜水果 其他酱腌/发酵食品 微生物安全 特征风味 发酵工艺与动力学 微生物组/宏基因组学计算机标签
梯度提升决策树 模型可解释性 缺陷/异物检测与定位 组学数据 质构/流变/感官数据低盐酱油有助于健康饮食，但与高盐酱油和浓口酱油相比存在风味缺陷。本研究开发了整合感官、挥发物和微生物组三组学数据集的 XGBoost-SHAP-MMVec 模型，用于指导低盐酱油风味提升。定量描述分析和嗅闻分析识别出 6 个感官术语和 29 种气味活性挥发物。XGBoost-SHAP 模型准确率超过 0.90，揭示了不同风味的关键贡献物：酱香对应呋喃酮，哈败味对应线性脂肪醛，果香对应短链乙酯和乙酸酯，烘烤香对应 3-甲基吡嗪衍生物，花香对应降异戊二烯类，谷物香对应 Ehrlich 途径来源醛类；这些结果经重组和缺失实验确认。微生物组分析识别出 12 个在丰度和共现连接性上具有优势的微生物，并用于 MMVec 训练以揭示挥发物-微生物关联。由 Lactiplantibacillus、Staphylococcus、Bacillus、Zygosaccharomyces 和 Aspergillus 构成的五属菌群能够捕获三类酱油风味特征，并经发酵试验确认。模型引导优化得到的增强型低盐酱油保留谷物和花香，同时引入高盐酱油样酱香以及浓口酱油样烘烤和果香特征，展示了发酵食品定向风味增强策略。
-
用于测量农产品光吸收和散射的积分球技术综述
查看原文
2026
Food Control
中科院一区JCR一区
Ming Wang, Yinan Hu, Huaxia Liu, Yucheng Li, Jianchao Xie, Yuping Huang, Jiafei Tong, Qinghua Yang, & Dong Hu
食品标签
新鲜蔬菜 食品安全与风险评估 微观结构与成像 常规理化指标测定 传统统计分析与回归 花青素与类胡萝卜素计算机标签
深度学习 模型可解释性 定量预测/回归分析 时序传感器/物联网数据 合成/仿真数据为主积分球技术已成为表征农产品和食品吸收、散射性质的重要光学工具，可支持无损品质和安全评价。本文综述了积分球技术测量固有光学性质的发展、原理和应用，重点关注吸收系数和约化散射系数。文章介绍了单积分球和双积分球结构、实验流程、样品要求和光学性质反演算法。主要算法包括反向加倍法、反向蒙特卡罗法以及新兴深度学习方法，并从准确性、计算需求、稳健性和对高散射生物组织的适用性等方面进行比较。综述进一步讨论了积分球获得的光学性质在农产品与食品工程中的应用，包括水果蔬菜可溶性固形物、硬度、水分、糖含量、花青素、成熟度、微观结构和其他品质指标的预测或解释。文章还梳理了 2000 年以来全球主要研究团队和关键进展。主要挑战包括样品制备复杂、厚度要求、表面异质性、散射干扰、计算负担和模型迁移性有限。未来方向包括小型化和便携式积分球系统、人工智能增强的反演与品质建模、混合光学模态，以及与智能传感集成以服务精准农业和采后质量控制。
