今天介绍一篇由加拿大圭尔夫大学Arrell食品研究所Katya Kudashkina等人于2022年5月发表于 Trends in Food Science & Technology （IF：12.56）的一篇文章。文中所述，食品安全管理系统(FSMSs)提供了一个包括程序、培训和监控的综合策略，以防止食品安全危害，并将风险和召回降至最低。FSMSs的有效性和效率通过对滞后指标和领先指标的加强而提高。本篇文章展示了AI如何利用行为数据来开发食品安全的领先指标。
摘要
今天介绍一篇由加拿大圭尔夫大学Arrell食品研究所Katya Kudashkina等人于2022年5月发表于 Trends in Food Science & Technology （IF：12.56）的一篇文章。文中所述，食品安全管理系统(FSMSs)提供了一个包括程序、培训和监控的综合策略，以防止食品安全危害，并将风险和召回降至最低。FSMSs的有效性和效率通过对滞后指标和领先指标的加强而提高。本篇文章展示了AI如何利用行为数据来开发食品安全的领先指标。
1. 导言:呼吁变革
尽管食品安全系统越来越复杂和精细，但食品行业安全问题还是屡屡发生，而问题的解决伴随着食品的召回，对食品公司来说无论在财务还是声誉方面都是代价昂贵的。这些后果表明了今天的食品安全体系中还存在某些地方的不足。
一般来说，有两种方法可以获得食品安全指标。第一种方法是分析事后数据，指标是在问题发生和检测到之后才产生的，因此称为滞后指标。另一种方法是收集警告指标的数据，文中将这类信息称为领先指标。使用领先指标和预测问题需要复杂的数据收集和管理系统，但这种能力目前超出了现有的大多数食品安全系统。
2. 人工智能
部署人工智能作为建立领先指标和预测食品安全问题的解决方案是一个重大机遇。机器学习是人工智能的一个子集，广泛应用于许多需要预测的实际应用中。人工智能比人类更擅长解决复杂问题，许多行业都在实施和部署最新的机器学习进展，食品行业也不例外。
2.1 人工智能在食品安全管理系统中的应用
为了说明人工智能技术在组织中食品系统上的潜力，将人工智能技术分为两种类型。一种类型直接识别潜在的食品安全问题，称为直接人工智能，另一种类型是从替代指标推断食品安全问题，称为间接人工智能。在现在的食品安全管理系统(FSMSs)中，直接人工智能主要作为危害分析的关键控制点(HACCP)计划的一部分，用于检测产品的污染或掺假。现今部署的直接人工智能的大多数应用都局限于滞后指标，但滞后指标对于预防食品安全问题并不总是有用的，所以需要考虑开发领先指标来提前预测食品安全问题。
3. 行为方法与食品安全
食品行业可以通过多种方式转向数据驱动的方法，并使用领先指标来提高提前预测食品安全问题的能力，利用食品加工设施中工人的行为数据来开发领先指标是一个潜在的创新领域。行为数据已被用于在许多环境中建立领先指标，已经证明，人工智能可以利用群体的累积行为来预测未来。行为的心理方面是防止组织经历危机的有价值的领先指标，食品公司也可以在与食品安全相关的风险分析中利用行为数据。
使用间接人工智能来制定领先指标并主动预测食品安全问题尚未得到充分探索，但许多组织已经在其他行业部署了人工智能用于行为分析。如果食品公司可以将基于人工智能的技术作为预测元素纳入他们的FSMSs，他们就可以从连续的数据流中构建领先指标，例如食品安全文化，并改变食品安全的范式。
4. 潜在的解决方案
FSMSs的效率受到人类行为的高度影响。文章建议有机会将人工智能整合到食品行业中。从行为数据中制定领先指标的一个解决方案是部署如Culture Amp等即用型产品通过发送给员工简单快速的调查来衡量工作场所文化。另一个解决方案可以通过从肢体语言中提取行为洞察力来实现。聊天机器人也可以作为解决方案的另一部分，并用于行为改变模型。如上所述的行为测量解决方案通常是智能手机可访问的，并且易于实施。
5. 结论
人工智能正在取得重大进展，并对社会产生巨大影响。今天，人工智能技术正在颠覆许多领域，也对食品安全产生了巨大的影响。文章表明，使用间接人工智能来维持食品安全文化是食品制造商可以采取的一种积极主动的方法，可以改善他们的FSMSs。这篇文章有可能激励食品企业将最先进的技术引入到他们的运营中，并在食品安全方面引领前进的道路。
参考文献
Katya Kudashkina, Maria G. Corradini, Praveena Thirunathan, Rickey Y. Yada, Evan D.G. Fraser,Artificial Intelligence technology in food safety: A behavioral approach,Trends in Food Science & Technology,Volume 123,2022,Pages 376-381,ISSN 0924-2244
长按关注我们
微信号｜FoodAI
原创文章，作者：ifyoung，如若转载，请注明出处：https://www.drugfoodai.com/ai-food-safety.html
注意：本站原创指的是原创编译，并不主张对所介绍的工作的版权，如有侵权，请联系删除！
微信扫一扫 
支付宝扫一扫 相关推荐
-
机器学习在食品安全中的新兴应用
今天分享一篇最近由美国乔治亚大学的Xiangyu Deng发表在Annual Review of Food Science and Technology上的综述。文章对食品安全和公共卫生特定领域下的机器学习进行了介绍，回顾近期和显著的进展，并讨论挑战和潜在的缺陷。
-
利用机器学习算法基于天气和水管理信息构建黑皮诺香气特征模型
今天给大家介绍一篇由Sigfredo Fuentes等人合作，发表在Foods上的一篇有意思的文章，文章中作者介绍了一种基于天气和水管理信息的人工神经网络（ANN）模型预测黑皮诺（Pinot Noir）的香气特征。
-
色谱与化学计量学相结合在食品鉴定中的应用
食品掺假并非我们这个时代的现象，其历史可以追溯到食品制造的开始。关注食品欺诈问题是一个迅速发展的领域，这是由于公众对经济动机驱动的掺假的认识不断提高，而这可能会给人类带来严重的公共健康风险。化学计量学为光谱和色谱数据的校准分析提供了强大的工具，可用于有明确终点和无明确终点的方法中，以识别各种食品欺诈情况或验证其地理或生物学起源。
-
当今的机器学习策略可以减少人们对食物中纳米粒子的担忧
在《环境科学与技术》杂志在线发表的一项新研究中，德克萨斯 A&M 大学的研究人员使用机器学习来评估金属纳米粒子的显着特性，这些特性使它们更容易被植物吸收。研究人员表示，他们的算法可以表明植物在根和芽中积累了多少纳米颗粒。
-
热加工处理对河鲀感官特性和挥发性物质的影响
今天介绍上海交通大学食品风味感知创新团队于2021年9月在期刊《Food Chemistry》发表的一篇研究文章。该研究使用感官评价和仪器分析技术结合多元统计分析方法探究热加工处理对河鲀感官特性和挥发性物质的影响。
-
基于智能手机检测掺假牛肉糜
今天介绍一篇来自北京大学的宋惟然与王哲、海南大学的云永欢以及英国阿尔斯特大学的王晖等人于2021年2月发表在Microchemical Journal上的一篇论文。该研究基于智能手机摄像头拍摄猪肉糜与牛肉糜混合样品获得视频数据，经图像处理转换为类光谱数据，采用偏最小二乘回归（PLSR）建立模型并预测猪肉糜掺到牛肉糜的水平，测试集决定系数R2范围为0.73 ~ 0.98，均方根误差RMSEP范围为0.04 ~ 0.16。
-
天津工业大学卞希慧课题组：变分模态分解加权多尺度支持向量回归用于植物油和中药掺伪的光谱定量分析
天津工业大学化学工程与技术学院的复杂体系智能分析与计算实验室采用紫外可见光谱和近红外光谱结合基于变分模态分解的集成建模方法实现了掺伪植物油和中药的定量分析。相关研究成果在2022年8月1日以题为“Variational Mode Decomposition Weighted Multiscale Support Vector Regression for Spectral Determination of Rapeseed Oil and Rhizoma Alpiniae Offcinarum Adulterants”发表在国际学术期刊Biosensors（IF=5.743）上。
-
一种基于机器视觉系统和深度学习的检测姜黄粉中掺假的新方法
今天介绍一篇最近由伊朗阿达比大学生物系统工程系Ahmad Jahanbakhshi等人发表在COMPUT BIOL MED （Q1, IF: 4.589）期刊上的文章。文章研究中，采用改进的卷积神经网络(CNN)对姜黄粉末图像进行分类，以检测参假。结果表明，计算机视觉，特别是与深度学习(DL)相结合，可以成为评价姜黄粉质量和检测参假的一种有价值的方法。
-
多元素分析与化学计量学相结合的食品质量评价
这篇综述概述了2011年至2021年发表的关于食品认证和多元素成分质量控制的报告，以评估该领域的最新进展。并确定允许实现准确鉴别/分类模型的应用分析技术和化学计量学数据处理的主要特征，强调了这些方法的优缺点。
-
FoodAI：基于深度学习的食品图像识别与记录系统
今天给大家介绍一篇由新加坡管理大学信息系统学院生活分析研究中心(LARC) 和Salesforce亚洲研究院合作，于前段时间在ACM SIGKDD知识发现和数据挖掘会议上汇报的一篇会议文章。文章中作者提出了一种智能食物记录系统:FoodAI，使食物记录变得便捷，帮助人们实现智能消费和健康的生活方式。
