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
-
人工智能和机器学习在精准营养中的应用
查看原文
2026
Nature Communications
中科院一区JCR一区
Paraskevi Massara, Jonathan Kirkland, Ioanna Pagani, Samantha L. Huey, Haym Hirsh, Daniel McDonald, Lucas Patel, Julia L. Finkelstein, Marie Gantz, Fei Wang, David Erickson, Martin T. Wells, Olivier Elemento, Rob Knight, & Saurabh Mehta
食品标签
营养与生物功能计算机标签
机器学习/统计学习 模型可解释性 定量预测/回归分析 多模态/融合数据 组学数据精准营养与健康方法的一个关键特征，是利用大型生物样本库和队列提供的多模态数据，根据个体差异定制干预措施。人工智能（AI）和机器学习（ML）模型为复杂数据建模带来了新的可能，但其应用仍受到数据质量、可解释性、验证和因果推断等问题的限制。本文以观点文章的形式综合介绍精准营养领域现有的AI/ML方法，阐释这些方法与多组学及营养数据独特性质之间的关系；此类数据往往具有组成性、间歇性、情境依赖性和易受误差影响等特点。文章进一步提出营养学领域的专门性最佳实践，以促进人工智能在研究与实践中的稳健、可解释且具有临床可操作性的整合应用。
-
人工智能驱动的食品生物加工：它与实际应用的整合程度如何？
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Qihao Wang, Youming Tan, Wenlu Li, Hong Zeng, & Yanbo Wang
食品标签
加工与新加工技术 可持续性与资源高值化 发酵工艺与动力学 蛋白质与氨基酸计算机标签
机器学习/统计学习 模型可解释性 过程控制与实时优化 多模态/融合数据背景：生物加工增强了现代食品制造，但在全球食品需求日益增长的情况下，其效率、可扩展性和可持续性面临日益严峻的挑战。传统的发酵和酶促工艺仍然高度依赖经验，导致结果波动大且资源利用效率低下。人工智能（AI）和机器学习提供了提高精确度、优化工艺并加速向智能和可持续食品生物制造系统过渡的机会。范围与方法：我们提供了关于AI如何在多个领域革新食品生物加工的综合概述。我们批判性地回顾了食品生物加工的最新进展，包括酶工程、代谢工程以及通过AI驱动的建模和学习算法构建合成微生物群落。此外，我们强调了通过实时监控、一致性评估和预测分析在工艺优化方面的进展。还考察了人工智能在污染检测和食品可追溯系统中的新兴应用。最后，我们讨论了这一快速发展的领域的进展与局限，同时展望了迈向真正智能食品生物加工系统的未来方向。主要发现与结论：人工智能在提升食品生物加工中的工艺可预测性、生产效率和资源利用效率方面显示出巨大的潜力，尤其是在酶设计、工艺优化和实时质量保证方面。然而，工业应用仍受限于数据质量、模型可解释性和安全责任。未来的研究应关注开发生物加工专用的人工智能框架，将领域知识、监管要求和食品安全约束嵌入核心设计原则中，超越单一算法改进，朝着协调的系统级创新发展，以支持生产力、安全性、可持续性和社会信任，以满足未来食品行业不断发展的需求。
-
机器学习方法预测超声与茶多酚处理牛肉丸的质构和感官属性
查看原文
2026
LWT
中科院一区JCR一区
Zhou Qing, Wang Meile, Xu Yueling, Su Wen, Jin Wengang, & Xi Linjie
食品标签
畜肉 质构与流变性质 氧化、褐变等化学变化 光谱/色谱/质谱等分析方法 常规理化指标测定 多酚与黄酮计算机标签
模型可解释性 定量预测/回归分析 红外/拉曼光谱数据 时序传感器/物联网数据加工肉制品在贮藏过程中的氧化劣变仍是食品工业面临的重要挑战。茶多酚作为高效天然抗氧化剂可用于提升产品稳定性，但其应用需要在功能效果与感官限制之间取得平衡。本研究考察了超声辅助茶多酚添加（0、2、4、6 g/100 mL，分别记为 K0-K4）对水煮牛肉丸理化稳定性、挥发性指纹和感官特征的影响。结果表明，K3 处理（4 g/100 mL 茶多酚）显著改善氧化稳定性，与对照相比，TBARs 和过氧化值分别降低约 33% 和 22%。GC-IMS 和电子鼻分析显示，茶多酚处理重塑了挥发性指纹，表现为抑制氧化来源醛类和含硫挥发物，同时富集特定醇类和酯类物质，如 trans-3-hexenol 和 ethyl acetate。感官分析表明，酚类添加会带来剂量依赖性的涩感和质构变化；基于 SHAP 的 Extra Trees 模型解释进一步指出，TBARs、水分含量和感官评分是综合品质的主要决定因素。在所评估的添加水平中，K3 是较稳健的功能配方，兼具较强氧化抑制作用和结构稳定性。研究结果说明，超声辅助茶多酚添加是开发抗氧化肉制品的有前景策略，并为后续配方优化提供了数据驱动依据。
-
羔羊地理来源认证：通过4D-DIA定量蛋白质组学和可解释的机器学习方法推进标签控制
查看原文
2026
Food Chemistry
中科院一区JCR一区
Chongxin Liu, Simona Grasso, Nigel Patrick Brunton, Minghui Gu, Mengyu Shang, Shaobo Li, Li Chen, & Dequan Zhang
食品标签
畜肉 食品安全与风险评估 其他安全问题 蛋白质组学 蛋白质与氨基酸计算机标签
逻辑回归/贝叶斯 模型可解释性 特征工程与选择策略 分类/鉴别/等级评定 组学数据食品原产地标签的真实性是消费者关心的关键问题。本研究使用4D-DIA定量蛋白质组学分析了来自三个不同地区的滩羊的蛋白质谱。通过最小绝对收缩与选择算子（LASSO），确定了16个潜在的蛋白质标志物。使用六种机器学习算法训练预测模型，并进行留一法交叉验证。结果揭示了蛋白质组成和丰度的显著地区差异。使用λ min选择的十四种蛋白质标志物相比λ 1se组表现出更优的预测准确性，这可能是由于其信息损失较少。基于受试者工作特征曲线（ROC曲线）性能，逻辑回归被确定为最优模型。使用SHapley加性解释方法的进一步分析突出了W5PF65、W5PQE5和W5Q501作为起源识别的关键标记。本研究提供了对不同地区滩羊蛋白质组成的深入分析。它还提出了一种验证羊肉产品来源并增强食品可追溯性的方法。
-
超越人眼视觉：利用紫外荧光成像和 YOLO11 突显并检测柑橘果实隐蔽缺陷
查看原文
2026
Postharvest Biology and Technology
中科院一区JCR一区
Dayuan Wang, Min Zhang, Qibing Zhu, Bhesh Bhandari, & Luming Rui
食品标签
新鲜水果 品质、结构与理化性质 显微与成像技术 多酚与黄酮计算机标签
目标检测网络 模型可解释性 缺陷/异物检测与定位 红外/拉曼光谱数据 可见光/RGB/视频数据柑橘类水果因真菌感染和机械损伤而遭受大量采后损失。在采后质量控制中，早期腐烂和轻微损伤等视觉上不明显的缺陷检测仍具有挑战性。本研究提出一种创新的无损检测系统，将紫外荧光成像与先进的 YOLO11 深度学习相结合，用于检测早期或隐蔽缺陷，包括真菌感染（绿霉、青霉和酸腐）以及机械损伤（碰伤和刺伤）。研究发现，当真菌感染或机械损伤破坏柑橘果皮油腺时，缺陷区域释放的富含多甲氧基黄酮的精油在 365 nm 紫外光照射下会发出明亮的黄绿色荧光。在所评估的 YOLO 变体中，YOLO11n 表现最佳，精确率为 0.939，召回率为 0.933，mAP@0.5 为 0.969，可在多种柑橘品种中有效定位并分类健康和缺陷果实。Grad-CAM++ 可视化证实，模型聚焦于真实荧光缺陷区域，同时忽略非缺陷荧光特征。高质量荧光成像数据为检测创造了近乎理想的条件，即均匀暗背景和明亮缺陷信号，从而增强检测能力并使深度学习模型获得高准确率。该紫外荧光-YOLO11 框架为自动化柑橘品质检测提供了低成本、高质量、可解释且易部署的解决方案，有望减少全球柑橘供应链中的重大采后损失。
