人工神经网络在食品加工中的应用方面取得了巨大成功，如食品加工过程中分级、安全和质量检查等。今天给大家介绍一篇来自印度的一篇发表在Computer Science Review上的题为《智能食品加工：从人工神经网络到深度学习的旅程》一篇综述，该文分三个单元介绍给大家：（一）智能食品加工中的各类人工神经网络、（二）基于人工神经网络（ANN）的智能食品加工、（三）基于深度学习（DL）的智能食品加工。本文介绍综述中的第一个单元:（一）智能食品加工中的各类人工神经网络。
（一）智能食品加工中的各类人工神经网络
摘要
人工神经网络在食品加工中的应用方面取得了巨大成功，如食品加工过程中分级、安全和质量检查等。今天给大家介绍一篇来自印度的一篇发表在Computer Science Review上的题为《智能食品加工：从人工神经网络到深度学习的旅程》一篇综述，该文分三个单元介绍给大家：（一）智能食品加工中的各类人工神经网络、（二）基于人工神经网络（ANN）的智能食品加工、（三）基于深度学习（DL）的智能食品加工。本文介绍综述中的第一个单元:（一）智能食品加工中的各类人工神经网络。
1. 介绍
神经网络(NN)基于其在分类、聚类、模式识别等高级机器学习领域得到了广泛的应用。其计算能力是基于人工手段复制人脑的能力和灵活性，有效地解决复杂的非线性问题。人工神经系统是当今这类机器的实例，它是一种数据处理原型，以生物神经系统处理人脑中的信息的方式被激活。它由大量高度相关的处理单元组成，这些处理单元是协调一致地解决精确问题的神经元。人工神经系统代表着新一代信息处理网络的保证。在人工神经网络的兴起之后，人工神经网络在各个应用领域解决各种复杂问题的应用水平日益提高，同时它也被用于水果分级等食品加工领域，并成为研究人员将人工神经网络用于食品加工、食品分析处理等领域的研究热点。
2. 食品加工中的主要人工神经网络
人工神经网络在食品加工中的类型为了应对不同的情况，解决不同领域的不同问题，许多人工神经网络应运而生。本篇中着重介绍了食品加工中各种流行的神经网络及体系结构。在这一部分中，只考虑了一些经常用于食品加工的标准神经网络方法，并对其初步概念进行了简要说明。
2.1 多层感知器(MLP) 在食品中的加工应用
多层感知器(MLP)是一个前馈人工神经网络，它分别从一组输入产生一组输出。MLP通过与输入和输出的层之间的有向图相关联的多层输入节点来区分。MLP使用反向传播(Back Propagation, BP)来训练网络，作为一种有监督的学习技术，并被广泛用于纠正需要有监督学习的问题，如图1。由于其实施简单且有效，MLP已成为食品加工的流行产品。食品加工的MLP实现需要从水果特征中提取的特征的输入和MLP网络(等式)的输出。
Singh等2011年引入了一种新的方法来预测干燥过程中的甘薯。利用人工神经网络对甘薯干燥过程中的水分动力学进行了在线预测。方法为利用两个隐含神经元，采用前馈网络进行学习。作者通过预测甘薯通风干燥的动力学，以检验神经网络在设想和建模整个食品干燥设备中水分迁移的重要性和有效性。作者利用甘薯块的干燥调查数据对模型进行了验证，研究结果表明，所建立的人工神经网络模型可用于甘薯块干燥模型。他们预期的神经网络模型在评估水分含量时提供0.05%的额外准确度。此外，作者还证实了所提出的人工神经网络模型降低了R2，并成功地预测了实验干燥动力学。
图1： 多层感知器反向传播网络的过程
2.1.1 反向传播神经网络(BPNN)在食品加工中的应用
反向传播神经网络(BPNN)是一种通过合并链式规则和梯度下降来计算网络权重的方法。利用合适的输入特征，该网络能够以较高的准确率和较低的错误率对数据进行分类。BP神经网络有助于估计网络参数的损失函数的梯度。它从输出层将渐变传播回到之前的层，并相应地为每层的每个节点计算所有渐变。BPNN的使用水平以及食品加工的几种应用自启动以来一直很高。
2.2、递归神经网络（RNN）在食品加工中的应用
递归神经网络(RNN)是一组人工神经网络，其中根据节点之间的关系来创建有向图。这允许它显示时间序列的按时间顺序的活动性能。与前馈神经网络不同，RNN可以利用其内部状态(即记忆)来扩展一系列输入。在记忆的帮助下，RNN用来记忆计算的信息，并在所有计算的情况下将这些信息用于每一次输入。RNN通过在输入隐式上的一组计算来计算输出。
在过去20年中，RNN在食品加工中的使用水平很低。Lamrini等人2012年已经制定了面包揉捏场景的基准方法。作者使用RNN作为参考模型来抑制该过程的振动。他们将温度和功率作为所建议方法的性能因素使用贝叶斯正则化方法来训练他们的ANN体系结构。实验结果表明，RNN在面包揉捏过程中表现出较高的性能。
费里尔和布洛克于2011年开发了一种基于感官分析的神经网络辅助葡萄酒调配优化方法，给出了理想葡萄酒的感官描述，其中描述性感官评估、灵活优化和人工神经网络建模技术的结合对于识别组装生产者对象的混合结构是有用的。
2.3 径向基函数神经网络（RBFN）在食品加工中的应用
径向基函数神经网络(RBFN)是一种使用径向基函数作为激励函数的有监督技术函数的人工神经网络。它们有三个层，即输入层、隐藏层和输出层。径向基函数神经网络主要依靠径向基函数来逼近。在使用RBFN的FP中，首先提取表征食品属性的特征，并将其用作输入。然后，将输入空间划分为与RBFN的隐含单元相关联的感受域。
德尔-莫勒尔等人于2009年引入了人工神经网络的可见/近红外光谱技术对食品工业中应用的各种猪肉进行分类。结果表明，可见/近红外光谱对伊比利亚和杜洛克品种的识别是有用的。为了积累大麦种子中存在的脱氧雪腐镰刀菌烯醇，Mateo等人在2011年制定了基于MLP和RBF的方法。他们的研究旨在调查人工神经网络(MLP和RBFN)模型的功能数量，以准确预测受镰刀菌侵染的大麦籽粒中随时间的脱氧雪腐镰刀菌烯醇水平。目前的研究可用于调查人工神经网络预测饮料和食品中真菌毒素含量的潜力。
2.4 其他基于神经网络的食品加工模型
Santos等人2017年开发了一种利用标准反相高效液相色谱-二极管阵列检测(HPLC-DAD)测定番石榴中生物活性酚类化合物的新方法。采用主成分分析(PCA)和人工神经网络(ANN)等方法，结合番石榴的酚类成分，分析番石榴的发育阶段和成因。他们测试了建立总酚、黄酮和抗氧化剂能力标准的方法，这些标准确保酚类物质和抗氧化剂活性之间存在线性关系。研究结果表明，番石榴富含鞣花酸、没食子酸、芦丁等多种特殊的多酚类物质，可更好地利用番石榴果实作为高效食品、医药添加剂和商业用途。
坚实度是水果的必备特性，良好的坚实度也有利于延长果实的保藏期。Torkashvand等人2017年评价了多元线性回归(MLR)和人工神经网络(ANN)外推能力估计水果硬度以及氮、钾、钙和镁等营养物质浓度的新方法。以三个标准数据集为例，发现MLR模型对水果硬度的预测精度高于人工神经网络模型，因为样品没有保留特级初榨橄榄油的氧化恒定或营养成分特征，所以不能通过光线，而不是半透明和琥珀色的模型。最后，结果表明，此方法可以采用化学调查来解决与额外未污染的橄榄油生产相关的分类、聚类、掺假和模式识别问题。
Bhatt等人2015年开发了一种使用BPNN的新方法。即在一定的时间内，根据苹果的颜色、大小等参数对苹果进行分类。Scala等人[8]建立了苹果对流脱水过程中品质特性的人工神经网络预测模型。利用人工神经网络对热风曝气影响下的苹果品质优劣进行了评价，并利用基于多目标函数的遗传算法，找出了降低产品质量损失的最优工艺条件。
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：ifyoung，如若转载，请注明出处：https://www.drugfoodai.com/ann-review.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
-
机器学习技术协助矿物元素分析对中国不同地区的猪肉进行产地判别
今天介绍一篇由中国肉类食品综合研究中心的Jing Qi等人发表于Food Chemistry的一篇研究型文章。作者对中国七个地区的猪肉样品进行矿物元素分析，并引入机器学习方法，得到了一个高性能的产地可追溯性模型（前馈神经网络，95.71％的整体准确率和曲线下面积接近1），证明了通过矿物元素指纹分析可追溯一个国家内不同猪肉产地的可行性。
-
HyperFoods：基于机器学习智能绘制食物中抗癌分子的图谱
今天给大家介绍一篇由Kirill Veselkov、Guadalupe Gonzalez等人合作，于前段时间发表在Scientific report的一篇文章。文章中作者介绍了一个独特的基于网络的机器学习平台HyperFoods，以识别推定的基于食物的抗癌分子。
-
NutriFD：基于食物与疾病关联和治疗网络证明食物营养的药用价值
撰文：梁瑞 编辑：肖冉 今天给大家介绍一篇由Wanting Su等人，于2023年5月在Quantitative Biology上的一篇即将发表的预印本文章。本文介绍了基于食品和疾…
-
展望：大数据和机器学习有助于推进营养流行病学
今天介绍一篇由Morgenstern Jason D等人于2021年在Advances in Nutrition上发表的文章。营养流行病学领域面临着测量误差、饮食复杂，和残余混杂所带来的挑战。本文的目的是强调大数据和机器学习的发展如何帮助应对这些挑战。
-
使用机器学习方法对葡萄酒真实性进行预测建模
今天介绍一篇不久前由巴西戈亚斯联邦大学的Nattane Luíza da Costa发表于Artificial Intelligence in Agriculture的一篇文章。文中使用支持向量机(SVM)结合两种特征选择方法对南美洲4种葡萄酒进行分类，根据挥发物、半挥发物和酚类化合物的组成对收集的 83 个样品进行了分析。识别出九种化学品定义的变量子集对葡萄酒样品进行分类的性能最优，其准确率达93.97%。
-
FRONT NUTR：通过化学信息学方法从蓝莓中计算筛选抗阿尔茨海默病的新神经保护成分
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。
-
植物油中化学物质污染的安全风险评估和预警
今天介绍一篇由上海大学生命科学学院发表于Food Control的一篇文章。文中针对中国的实际情况，分析了三种食用植物油的化学危害污染状况，通过建立多种膳食暴露评价模型，对食用植物油中的苯并芘、黄曲霉毒素B1和重金属进行了风险评价。在此基础上，对食用植物油化学危害的综合风险评价进行了研究，并利用AHP-BP方法建立了食用植物油化学危害程度的预测模型。
-
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PredRet中的数据准确预测保留时间并应用于食品生物活性成分分析
今天介绍一篇法国克莱蒙费朗大学前段时间发表在food chemistry上的一篇文章。该研究在24个色谱系统分析的467种化合物种测试了PredRet预测植物食品生物活性成分在色谱柱中保留时间的表现。
-
基于支持向量机和YOLOv3方法的食品分级系统
本文提出了一种基于机器学习的双层香蕉分级图像处理系统。支持向量机是根据提取的由颜色和纹理特征组成的特征向量对香蕉进行第一层分类，接着YOLOv3对香蕉进行分类，进一步定位果皮上的缺陷区域，判断输入的是中熟类还是成熟类。第一层的精度达到了98.5%，第二层的精度达到了85.7%。总体准确率为96.4%。
