人工神经网络(ANN)在各个应用领域的使用水平日益提高,因其能够解决许多应用领域中的复杂问题而广受欢迎。今天给大家介绍一篇由Janmenjoy Nayak等人发表在Computer Science Review上的一篇综述,该文详细分析了人工神经网络在食品加工中的应用进展。
人工神经网络(ANN)在各个应用领域的使用水平日益提高,因其能够解决许多应用领域中的复杂问题而广受欢迎。今天给大家介绍一篇由Janmenjoy Nayak等人发表在Computer Science Review上的一篇综述,该文详细分析了人工神经网络在食品加工中的应用进展。
1. 相关研究成果的文献调查
本文对神经网络在食品加工中的应用水平、实施问题以及神经网络在食品加工中的应用和进展进行了详细的研究。值得注意的是,许多神经网络被用来解决不同的问题。在本研究中,观察到很少有单独的和混合形式的神经网络应用于各种食品的处理。此外,还观察到大多数食品样本正在用MLP、BPNN、MLP和BPNN、RBF、Kohenen和PNN进行加工。除了这些神经网络之外一些重要的算法如遗传算法也与神经网络进行了杂交。本文是基于关键词搜索从Springer、Wiley、Elsevier、IEEE Xplore等各种流行的基准数据库中摘录的,几乎涵盖了食品加工中神经网络的所有应用。
各种类型的神经网络都是从早期发展起来的经典神经网络发展而来的。根据之前的研究,它们成为食品加工的有效工具。在图1中对经常用于食品加工的神经网络的类型进行了简要的分析和描述,其中我们观察到,与RBF、RNN和PNN的使用比例相比,BPNN、MLP、MLP和BPNN等神经网络的使用范围更广。
Fig.1 食品加工中各种人工神经网络的使用比例。
此外,根据图2中对经常用于食品加工的深度神经网络(DNN)类型的简要分析。不难看出与GoogLeNet、MobileNet和VGG-16的使用比例相比,CNN、AlexNet等DNN的使用范围更广。其中CNN的使用比例甚至高达了83.33%。
Fig.2 各类DNN在食品加工中的使用比例。
基于关键词搜索,我们找到了201篇与食品加工相关的论文。在201篇论文中,148篇与人工神经网络相关,53篇与脱氧核糖核酸相关。基于这些数据,对人工神经网络和DNN在食品加工中的使用比例进行了分析,分析结果如图3所示。
Fig.3 各种人工神经网络和DNN在食品加工中的使用比例。
人工神经网络(ANN)在各个应用领域的使用水平日益提高,因其能够解决许多应用领域中的复杂问题而广受欢迎。今天给大家介绍一篇由Janmenjoy Nayak等人发表在Computer Science Review上的一篇综述,该文详细分析了人工神经网络在食品加工中的应用进展。
Fig.4.使用人工神经网络和DNN与几种食品相关的物品数量的使用比例。
调查发现,各种类型的应用程序已经启动,这种使用正在日益增加。基于我们的研究工作,神经网络被广泛应用于预测、质量评估、食品图像处理、分类、渗透脱水等领域。此外,值得注意的是,用人工神经网络方法预测食物有很大的用处。已经观察到,在诸如质量估计、分类、预测、识别等方面还需要进行大量的研究工作。此外,一些其他应用,如缔合,分级,吸附等,已被少量使用。图5简要描述了在FP中使用ANN的各种常用任务。
Fig.5.人工神经网络和神经网络在食品加工中的应用领域类型。
2.按年份分列的已发表文章分布情况
人工神经网络以其较高的精度成为食品加工的有效工具。自其产生以来,人工神经网络已被应用于各种各样的场景。因此,我们基于关键词搜索“食品加工中的人工神经网络”、“食品加工中的神经网络”和“食品加工的深度学习”找到了许多研究工作的文章。我们发现了2个Kohenen,21个MLP与BPNN和6个与食品加工相关的RBFNN论文。我们只选择了2010年至2020年之间的部分论文,并在图6中以1至100的比例进行了百分比分析。我们发现BPNN从2010年到2018年一直被频繁使用。此外2018年没有观察到MLP的使用情况。同样明显的是,在2014年至2020年期间,没有在食品加工中使用径向基函数。
Fig.6 按出版年份分列的神经网络文章类型分布百分比。
此外,我们还对食品加工中使用深度学习方法的文章分布进行了分析。从图7中可以看出, 食品加工所使用的深度学习方法有AlexNet、卷积神经网络(CNN)、GoogLeNet、MobileNet、ResNet、VGG-16。此外,据观察,从2014年到2020年,CNN方法被频繁地用于食品加工。另外,值得注意的是,CNN在2019年使用较多,AlexNet仅在2019年使用,GoogLeNet在2018年使用,MobileNet在2020年使用,RESNET在2020年使用,VGG-16在2019年使用(1.8%)。在1到100的范围内,与本研究中考虑的ANN方法相比,这些用于的深度学习方法的使用水平是26.86% (见图3)。
Fig.7 按出版年份分列的神经网络文章类型分布百分比。
参考文献
- Janmenjoy Nayak, Kanithi Vakula, Paidi Dinesh, Bighnaraj Naik, Danilo Pelusi. Intelligent food processing: journey from artificial neural network to deep learning. Computer science review, 2020, 38, 100297.
原创文章,作者:FoodAI01,如若转载,请注明出处:https://www.drugfoodai.com/ann-food-processing.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!