AI食品

本期分享中科院计算所蒋树强研究员团队和美团合作发表于IEEE TPAMI2023的研究工作“Large Scale Visual Food Recognition” (Weiqing Min, Zhiling Wang, Yuxin Liu, Mengjiang Luo, Liping Kang, Xiaoming Wei, Xiaolin Wei, Shuqiang Jiang*) 。IEEE TPAMI全称为IEEE Transactions on Pattern Analysis and Machine Intelligence, 是模式识别、计算机视觉及机器学习领域的国际主流期刊，2022年公布的影响因子为24.314。

今天介绍一篇由中南林业科技大学张琳教授团队发表的一篇研究性论文，由肖冉等人于2022年12月发表在国际营养学TOP期刊Frontiers in Nutrition上（JCR:Q1 IF:6.59）。本文尝试设计一种基于化学信息学方法这种有效的智能筛选模式，从蓝莓中寻找抗阿尔茨海默病（AD）的新型有效成分，并通过实验验证了预期成分的生物活性。该方法集成了先进的人工智能和化学信息学方法，实现了对所有成分的逐步分析和过滤。最后，获得了预期的新化合物氯化锦葵色素-3-O-半乳糖苷（Ma-3-gal-Cl）。这篇文章采用的创新性方法为。这项工作采用的筛选策略能够为研究者从天然产物和食物中筛选活性成分提供新的参考。

今天介绍一篇由英国布鲁内尔大学Manoj Dora等人于2021年8月在线发表在International Journal of Production Research上的文章。该研究旨在通过文献综述，确定人工智能在食品供应链中应用的关键成功因素。

近日，农产品质量安全危害因子与风险防控国家重点实验室的聂晶和袁玉伟等人对藏红花中的元素含量（%C和%N）和稳定同位素（δ13C、δ2H、δ18O和δ15N）进行分析检测，并结合化学计量学的溯源方法，成功区分了伊朗和中国的藏红花，并对中国国内主要产区进行了分类

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。

今天介绍一篇由悉尼科技大学土木与环境工程学院工程与信息技术学院高级建模和地理空间信息系统中心（CAMGIS）的Anirban Adak等人今年七月发表于Foods(IF: 5.561)的一篇文章。该研究通过比较食品配送服务（FDS）领域中的简单和混合深度学习（DL）技术（LSTM、Bi-LSTM、Bi-GRU-LSTM CNN）进行了情绪分析，并使用SHapley Additive exPlanations（SHAP）和Local Interpretable Model-Agnostic Explanations（LIME）解释了预测。DL模型在从ProductReview网站提取的客户评论数据集上进行了训练和测试。结果表明，LSTM、Bi-LSTM和Bi-GRU-LSTM-CNN模型的准确率分别为96.07%、95.85%和96.33%。LSTM模型相比其他两个DL模型实现了更低的假阴性率。可解释人工智能（XAI）技术，如SHAP和LIME，揭示了用于验证模型的单词对积极和消极情绪的特征贡献。

近日，海南大学姜珂副研究员与山东大学李春霞教授合作，采用构筑异质结的策略，联合葡萄糖氧化酶（GOx），揭示了芬顿/级联酶促反应的协同抗癌机制。相关成果以题为“Development of an Intelligent Heterojunction Fenton Catalyst for Chemodynamic/Starvation Synergistic Cancer Therapy”发表在国际学术期刊《Journal of Materials Science & Technology》（IF=10.319）。海南大学倪伟舒硕士、姜珂副研究员为该论文的共同第一作者，海南大学姜珂副研究员、张玲副教授和山东大学李春霞教授为该论文的通讯作者。

采用激光共聚焦拉曼技术与基于DFT的拉曼光谱相结合，准确分析了植物油的成分，并识别出低成本的仿制橄榄油。

今天介绍一篇由Arthur Noin de Oliveira等人于2022年8月发表在Food Chemistry（IF=9.231）上的文章。该研究旨在开发一个使用机器学习算法的平台，分析质谱数据，对番茄进行有机和非有机的分类。决策树算法被定制用于数据分析，该模型在确定每种水果属于哪个组时达到了92%的准确度、94%的灵敏度和90%的精确度。

今天介绍一篇由Sandra Pradana-López等人于2022年8月发表在Food Chemistry上的文章。本文提出了一种基于人工智能的实时快速检测掺杂扁豆粉的方法。将“无麸质”小扁豆粉与小麦粉或开心果粉混合，然后，拍摄纯的和受污染的小扁豆粉的数字图像，并用于训练基于转移学习的模型（即ResNet34），该模型旨在根据小麦和开心果含量对图像进行分类。本文获得的结果旨在作为概念验证，以评估数字成像与深度学习技术相结合的食物过敏原检测的真正潜力。