今天,我们将继续给大家带来综述《智能食品加工:从人工神经网络到深度学习的旅程》的第三个单元的介绍——基于深度学习的智能食品加工。
今天,我们将继续给大家带来综述《智能食品加工:从人工神经网络到深度学习的旅程》的第三个单元的介绍——基于深度学习的智能食品加工。
1. 介绍
深度学习是传统机器学习的最新发展。它是由池化、卷积、编码、解码等多种方法组成。深度学习在从原始数据中自动提取特征方面具有很强的优势。通过深度学习,可以提高分类准确率,降低错误率。深度学习出现后,它的使用水平迅速提高,并被用于解决不同研究领域的问题,如图像处理、数据分析等。随着深度学习的不断发展,其在目标识别和图像处理方面的应用取得了成功,使得它在食品加工中的应用日渐广泛。深度学习在水果、蔬菜、棕榈油、鱼等食品的加工过程中扮演着重要的角色。以下小节将提到几种主要的应用。
2. 深度学习在水果加工中的应用
水果是一种重要的人类食物。水果的销售和生产面临着各种问题,严重影响水果产品的品质。深度学习与传感技术或图像处理技术相结合,作为一种有效而非关键的水果品质识别设备,已被广泛应用于解决诸如品种分类、营养成分预测、感染或损伤识别等问题。深度学习在香蕉、枣、核桃、柠檬、鳄梨、樱桃、梨、苹果、芒果等食物的加工领域起着至关重要的作用(见表1)。
表1基于深度学习在各类水果加工中的应用
2.1 深度学习在香蕉加工中的应用
深度学习在香蕉加工中的应用吸引许多科研人员,其中AI-daour等开发了了一种用深度学习对香蕉进行分类的方法。香蕉因其营养价值和全年可获得性而受到全球科研人员的重视。研究人员的主要目的是为了说明使用深度卷积神经网络对香蕉类型进行分类是具有可行性的,并可改进这一技术,开发人员可以利用该技术构建网站,或智能手机应用程序来识别香蕉类型。在实验分析的基础上,研究人员得出结论,该模型获得100%的准确率,被证实是一种准确有效的香蕉分类方法。
2.2 深度学习在枣加工中的应用
枣是一种重要的农产品,也是一种很少用深度学习进行分析的水果。Nasiri等人介绍了一种从不完善的红枣中培育健康红枣的精准新技术。该技术是由VGG-16架构构建的,能够达到96.98%的总分类准确率。除此之外,Altaheri等人还提出了一种有效的由数据生成机器图像的结构。其方法包括按照品种、成熟度和收获结果进行判断的3种分类技术,用于组织现有时间内的枣果图像。最终得出的结果是,预期的技术在品种分类上的准确率为99.01%,在成熟度方面的准确率为97.25%,在收获结果分类方面的准确率为98.59%。
3. 深度学习在蔬菜加工中的应用
与水果在食品加工中对面临的情况相同,蔬菜也存在着感染、疾病、损伤、害虫等问题,以及更多可能影响和降低经济价值和影响消费者健康的问题。因此大多数研究人员已经证明了深度学习可以在解决确定和评估蔬菜数量的困难方面的具有更好的效率。本小节将对深度学习在蔬菜加工中的应用进行介绍。
3.1 深度学习在马铃薯加工中的应用
马铃薯是全世界第三大主要粮食作物。深度学习在马铃薯加工中的应用越来越受到市场和消费者的重视。Polder等提出了用深度学习技术检测种薯中马铃薯病毒Y (PVY)的方法。作者设计了一种新型的成像装置,包括一个高光谱相机。对高光谱图像进行了全卷积网络(FCN)的改进,并对两个研究数据进行了验证。基于获得的结果,他们得出结论,与传统的疾病分析方法相比,该方法的准确率达到了78%以上。
3.2 深度学习在番茄加工中的应用
保证番茄的安全是保证粮食安全的关键。深度学习在番茄这一类蔬菜当中的应用具有重要的意义。Alajrami和Abu-Naser提出了一种基于深度学习的番茄分类方法。通过对深度学习模型的构建、训练和分析,最终表明,该方法的准确率达到93%,高于其他方法。另外,da Costa等提出了一种基于深度学习的外部缺陷检测的探索性研究;Zhang等对几种作物的痕迹划分结果进行了研究。他们分别在各自的实验基础上,找到了最优的预测方法,极大的提高了深度学习技术在番茄加工当中的应用准确度。
4. 深度学习在棕榈油加工中的应用
当今,棕榈油的鉴定和成分的研究极其重要,从前的相关研究大都缺乏利用深度学习方法来构建幼嫩和成熟油棕的分离识别方案的研究。为了填补这一空白,Mubin等人尝试使用两种不同的卷积神经网络分别识别幼嫩的和成熟的油棕。经过一系列的操作得到结果该方法对幼龄油棕和成熟油棕的辨别准确率分别可以达到95.11%和92.96%。这也印证了,该方法在棕榈油加工过程中的可行性和准确性。
5. 深度学习在鱼类加工中的应用
鱼类一直是人类健康营养食物的重要来源。同时深度学习也是鱼类加工的有效工具。Rauf等人提出了一种鱼类分类技术和一种基于卷积神经网络技术的鱼类识别深度学习模型。同时,研究人员还改进了FishPak数据集。最终在此基础上进行分析得出结论,与现有技术相比,投影技术具有更好的性能。Lu等还提出了利用机器可视化技术对6种常见金枪鱼和长嘴鱼进行分类。根据这项研究,他们得出的结果是,该方法的总准确率为96.24%。
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-review3.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!