撰文：王雪洁
编辑：肖冉
介绍
今天介绍一篇由Zafar Said等人于2023年3月在线发表在Bioresource Technology（IF=11.89）上的文章。这篇文章主要介绍了利用人工智能、机器学习和物联网等新技术来管理和利用食物废弃物的可持续解决方案。文章提到了使用基因表达编程（GEP）模型来预测沼气产量的研究，以及使用机器学习技术来优化食物废弃物利用的生物过程。文章还讨论了生物精炼的概念及其通过可持续生物过程将废弃物转化为能源、生物燃料、化学品和材料的潜力。循环经济被视为食物废弃物利用的可持续性的关键驱动力。文章还提到了使用物联网、人工智能和机器学习等技术来监测和管理食物废弃物利用过程的潜力，以及如何将这些技术与政府支持相结合，以最大程度地减少食物废弃物并将其用于循环经济。
摘要
食物垃圾是当今社会面临的严重环境和社会问题。因此，需要一种高效和可持续的解决方案来管理食物废弃物的生物处理。物联网（IoT）、人工智能（AI）和机器学习（ML）等新兴技术对于实现这一目标至关重要，其中使用AI和ML技术分析物联网传感器的数据，实现实时决策和过程优化。本文描述了利用物联网、人工智能和机器学习等新策略来增值食物废弃物的最新发展。可以得出结论，将物联网、人工智能和机器学习等方法相结合，可以增强生物过程的监测和管理，从食物废弃物中生成附加值产品和化学品，有助于提高环境可持续性和食品安全性。总的来说，将智能技术与政府支持相结合的全面策略可以将食物废弃物最小化，并将其在循环经济中发挥最大作用，实现更可持续的未来。
研究亮点
• 食物废弃物（FW）含有循环生物经济的潜在营养物质和化合物。
• FW的有效管理和增值是最可持续的方法。
• 人工智能（AI）应用可以帮助优化FW供应链。
• 机器学习（ML）可以非常准确地预测FW的数量和组成。
• AI和ML的结合可以很好地监测和管理基于FW的生物过程。
图文赏析
图1. 图形概要。
图2. 使用机器学习的典型生物过程的流程图。
图3. 对生物过程的概括性表示;（a） 支持向量回归（SVR）和（b） 基因表达编程（GEP）。
结论
本文探讨了一种使用物联网、人工智能和机器学习等智能技术来管理和利用食物废弃物以实现可持续发展的科学和智能化策略。最有效的管理食物废弃物并将其转化为有用物品的方法是将两种方法相结合：通过物联网技术收集数据，并使用实时的机器学习算法和人工智能技术分析数据。这种方法可以帮助研究人员更好地理解和控制食物废弃物利用的复杂过程。然而，需要进一步加强开发独特而稳健的建模框架，以加速食物废弃物利用和减少的预测性研究，以实现可持续发展。
参考文献
Said Z, Sharma P, Thi Bich Nhuong Q, Bora BJ, Lichtfouse E, Khalid HM, Luque R, Nguyen XP, Hoang AT. Intelligent approaches for sustainable management and valorisation of food waste. Bioresour Technol. 2023 Jun;377:128952. doi: 10.1016/j.biortech.2023.128952 
. Epub 2023 Mar 24. PMID: 36965587
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/bioresource-technology%ef%bc%9a%e6%99%ba%e8%83%bd%e5%8c%96%e7%9a%84%e6%96%b9%e6%b3%95%e6%9d%a5%e5%8f%af%e6%8c%81%e7%bb%ad%e7%ae%a1%e7%90%86%e5%92%8c%e5%88%a9%e7%94%a8%e9%a3%9f%e7%89%a9%e5%ba%9f.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
-
社区食物零售业可达性、广域建成环境和家庭购买健康食品的相关性
今天介绍一篇将食品科学与建筑规划关联起来的角度新颖的论文，由彭科、Nikhil、Kaza等人发表在Public Health Nutrition上。建成环境与健康食物购买之间的联系是城乡规划领域一直被忽视的具有重大民生意义的课题。本文的目的是以分布在378个大都市的22448个美国家庭为例，利用多层次模型了解广域建成环境如何调节大超市和小便利店与人们购买新鲜蔬菜、蔬果数量多少之间的关系
-
基于单词嵌入的烹饪食谱无监督调整方法
今天介绍一篇由Andrea Morales-Garzon等人于2021年2月在IEEE Access上发表的文章。本文提出了一种新的无监督食谱调整方法，用于根据用户偏好调整食谱成分。为了学习食物表征和关系，创建并应用一个特定领域的单词嵌入模型。将一个单词嵌入模型与一个基于模糊的文档距离相结合，以找到适应任务中最相似的成分。作者根据营养偏好、适应类似的成分和素食以及纯素饮食限制，进行了三种不同的食谱调整。结果证实了使用特定领域语义模型来处理食谱适应任务的潜力。
-
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。
-
浙江农科院袁玉伟产地溯源团队：基于稳定同位素和元素剖面的中国和伊朗藏红花地理起源研究
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
-
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%。
-
食品设计：基于机器学习和机制的混合建模方法
当前，食品设计是通过不断试错并由品尝小组做出感官评价完成的。为了加快新食品的开发速度，提出了一种混合机器学习和机制建模的方法。用由所需食品过往数据训练的机器学习模型进行感官评价预测。该方法基于启发法、数据库等，首先确定候选食品组分和加工中的关键操作条件。与这些组分和加工条件（设计变量）有关的像颜色、松脆度和风味这样的食品特性都用到机制模型。通过改变设计变量来优化所需的食品特性，从而获得最高感官评分。使用遗传算法解决此灰箱优化问题，将设计约束（所需食品特性）处理为罚函数。提供了一个巧克力曲奇饼干的示例以说明混合建模结构的适用性和解决方案策略。
-
TRENDS FOOD SCI TECH|光谱技术结合深度学习方法在食品品质检测中的应用
浙江大学生物系统工程与食品科学学院应义斌教授课题组在食品顶级期刊《Trends in Food Science & Technology》发表综述《Food and agro-product quality evaluation based on spectroscopy and deep learning: A review》。该文讨论了传统化学计量学方法在提高模型性能、处理复杂结构的光谱噪声以及全局回归、局部回归和模型传递上的一些局限性。
-
FoodTracker：一种由AI驱动的食品检测移动应用程序
本次介绍的是来自加拿大麦吉尔（McGill）大学电气与计算机工程系，于2019年9月发表在arXiv.org上的文章。文中，作者介绍了一个可利用智能手机内置摄像头，仅使用手机有限的计算资源就可识别餐食中多个食物种类及其营养信息的移动应用程序——FoodTracker。该程序将深度卷积神经网络与YOLOv2结合，实现多对象同时识别和定位，得到的mAP接近80%，同时神经网络结构小巧且计算成本低廉。
-
基于机器学习的模式识别技术鉴别掺假油和食用油混合物
今天给大家介绍一篇由Kevin Lim等人近期发表在Nature Communications上的一篇研究型文章。文章提出了一种机器学习方法来发现脂肪酸的特定组成，以区分十种不同的植物油类型及其内部的变化。作者还描述了一种有监督的端到端学习方法，该方法可以推广到任何给定混合物的油组成。
