今天介绍一篇由Peihua Ma等人于2022年5月发表在Food Chemistry上的文章。本文作者提出了一种基于深度学习的通用技术来预测食物种类和营养成分。开发了一种食品配料语句嵌入方法，包括配料数据解析、数据采样、数据编码和配料语句张量表示，该方法也可应用于其他与食品语言数据处理相关的任务。随后，应用了四种最先进的深度学习模型，包括多层感知器（MLP）、递归神经网络（RNN）、卷积神经网络（CNN）和图形神经网络（GNN）。
介绍
今天介绍一篇由Peihua Ma等人于2022年5月发表在Food Chemistry上的文章。本文作者提出了一种基于深度学习的通用技术来预测食物种类和营养成分。
开发了一种食品配料语句嵌入方法，包括配料数据解析、数据采样、数据编码和配料语句张量表示，该方法也可应用于其他与食品语言数据处理相关的任务。随后，应用了四种最先进的深度学习模型，包括多层感知器（MLP）、递归神经网络（RNN）、卷积神经网络（CNN）和图形神经网络（GNN）。
摘要
确定诸如食品分类、创建分类法和食品营养成分等属性可能是一项具有挑战性和资源密集型的任务，尽管对于更好地了解食品很重要。在这项研究中，从 USDA 品牌食品数据库中收集了一个新的数据集 134 k BFPD，并对其进行了修改，并用三种食品分类和营养值进行了标记，并成为了一个人工智能 (AI) 数据集，涵盖了迄今为止最大的食品类型。总体而言，多层感知器 (MLP)-TF-SE 方法在使用 AI 的食品自然语言处理任务中获得了最高的学习效率，其对食品分类的准确率高达 99%，对钙的估计达到 0.98 R2（0.93 ∼ 0.97 for卡路里、蛋白质、钠、总碳水化合物、总脂质等）。深度学习方法具有巨大的潜力，可以嵌入到其他食品分类和回归任务中，并作为食品和营养领域其他应用的扩展。
图1. 食物深度学习
（a）输入数据-成分列表和营养信息从BFPD获得。（b1）使用自然语言处理（b2）数据编码对成分列表进行单词解析，将成分、类别和营养信息字符串转换为机器可以学习的矩阵。（c） 数据采样包括两个步骤，数据重新平衡和拆分，并转换为数据张量。（d） 深入学习。标记张量用于训练深度学习模型以实现目标。（e） 深度学习模型可以在食品领域实现不同的应用，如食品营销分析、新颖的食品设计和个性化的饮食建议。
结果
图2显示了不同分类法的分类准确性。四种传统的机器学习模型（即K-means、Adaboost、线性SVM和贝叶斯）的准确率在0.3%到43.2%之间，表明无法根据成分声明预测类别。然而，与使用传统机器学习方法获得的结果形成鲜明对比的是，所有深度学习模型（即MLP、ResNet（残差网络，CNN）、LSTM（长-短期记忆，RNN）和IDGL（迭代深度图学习，GNN））的准确率均在83.3%到85.9%之间。
图2. 具有不同修改的不同机器学习模型之间类别预测的准确性。TF组-通过术语频率逆文档频率方法进行数据编码。SE组-通过最近邻法编辑的合成少数过采样技术重新平衡数据。
为了证明该策略的可移植性，选择了卡路里和五种有代表性的营养成分，包括三种基本营养成分，即蛋白质、总碳水化合物和总脂质，以及两种矿物质，即钠和钙。图3a显示预测营养价值的五个评估指标，包括准确性、R2、随机样本一致性斜率（RANSAC）回归、皮尔逊相关系数和斯皮尔曼相关系数四种深度学习模型（即MLP、LSTM（RNN）、ResNet（CNN）和IDGL（GNN））。图3b和图3c显示了卡路里和钠的真实值和预测值之间的关系。每个图中的绿线表示一个RANSAC，图中的椭圆表示95%的置信度。
图3. （a） 不同深度学习模型对六种代表性营养素的预测结果。轴的范围为精度[0.5,1.0]，R2[0.8,1.0]，RANSAC[0.8,1.0]，Pearson [0.9,1.0]，Spearman [0.9,1.0]，颜色表示四种深度学习模型，红色表示MLP，橙色表示ResNet，蓝色表示LSTM，绿色表示IDGL；（b） 标记的卡路里值与预测的卡路里值之间的关系；（c） 标记的钠值与预测的钠值之间的关系。
结论
基于美国农业部134 k BFPD食品成分声明的深度学习方法实现了高达99%的食品分类准确度和0.98的R2营养素估计。该策略包含四个部分，即高频成分分析，TF-IDF成分编码，SMOTEENN数据集再平衡以及应用于四种最先进的深度学习模型的预处理生成的数据张量。四种模型分别为多层感知器（MLP）、RNN（LSTM）、CNN（ResNet）和GNN（IDGL）进行比较。此外，为了证明系统的可移植性，实施了各种分类任务（例如BFPD、IRI和WWEIA分类）和各种营养素（例如卡路里、蛋白质、总碳水化合物、总脂质、钠、钙），以在实践中达到可接受的准确度。深度学习方法通常比传统的机器学习方法提高估计精度100%以上。
参考文献：Ma P, Zhang Z, Li Y, et al. Deep learning accurately predicts food categories and nutrients based on ingredient statements [published online ahead of print, 2022 May 19]. Food Chem. 2022;391:133243. doi:10.1016/j.foodchem.2022.133243 
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/dl-food-category.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
-
浙江农科院袁玉伟产地溯源团队:基于稳定同位素和营养元素的中国稻米产地溯源研究
大米是我国重要的主食，其真实性与营养安全密切相关。今天介绍一篇来自浙江省农业科学院农产品质量安全与营养研究所和农产品质量安全危害因子与风险防控国家重点实验室李春霖和袁玉伟等人于2022年4月发表在Food Control上的一篇论文。本研究对我国粳稻和籼稻的稳定同位素和营养元素进行了比较和分析，并建立人工神经网络模型进行地理判别。建立了中国首个水稻稳定同位素和元素地理综合数据库，为中国水稻重点产区的判别提供了一种有前景的方法。
-
系统综述人工神经网络在食品加工过程中的建模应用
今天给大家介绍一篇由G. V. S. Bhagya Raj等人合作的，于近期发表在Critical Reviews in Food Science and Nutrition的一篇综述，文章中作者系统综述了ANN在食品加工等领域的应用进展并进行了展望。
-
顶刊综述|李培武院士团队唐晓倩：生物毒素（真菌毒素、海洋毒素和细菌性食物毒素）生物传感器的发展趋势：原理、应用和前景
今天介绍一篇于2023年8月发表在Trends in Analytical Chemistry（IF=13.1）上的一篇综述性文章。该综述简要介绍了生物毒素（真菌毒素、海洋毒素和细菌性食物毒素）的流行、毒理学特征和分类。同时，总结了近年来针对生物毒素的高灵敏度生物传感器的重要技术进展并介绍了这些方法不同的传感模式。最后，基于生物传感器面临的各种挑战，为改进食品安全技术提供了重要见解。中国农科院油料所唐晓倩副研究员为第一作者，硕士研究生左家思为共同一作。中国农科院李培武院士和张奇研究员以及浙江大学平建峰教授为通讯作者。
-
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。
-
系统综述(2013-2020年)：分析技术结合化学计量学鉴别食用油地理来源
过去十年，随着消费者对来自世界各地的食品有了更多的认识，全球高质量的进口食品市场急剧增长。许多国家要求食品贴上原产地标签，以保护消费者对食品真实特征和原产地的需求。本文介绍了利用各种分析工具结合多元分析对油品地理来源的验证所作的努力。对流行的分析工具进行了讨论，并指出了强调地理认证研究趋势和用于传播的首选期刊的科学计量评估。
-
在食物蛋白质衍生肽数据库中对胆汁酸结合肽进行机器学习筛选
今天介绍一篇近期由日本名古屋大学生物分子工程系的Kento Imai等人发表于Nature scientific reports的文章。文中使用BIOPEP-UWM和机器学习开发了一种新的生物活性肽筛选方法，有助于识别胆汁酸结合肽以及其他生物活性肽。
-
基于输入修正卷积神经网络的电子鼻和高光谱图像融合羊肉新鲜度检测
今天介绍一篇来自安徽大学翁士状副教授课题组于2022年3月发表在Food Chemistry上的文章。该研究采用电子鼻和高光谱图像相结合的方法对羊肉总挥发性盐基氮(TVB-N)进行综合评价。为准确分析羊肉新鲜度提供了一种途径，并为其他肉类品质的研究提供了技术依据。
-
Food Control|江南大学王兴国课题组：基于脂肪酸比例和生育酚组成结合化学计量学检测山茶油掺假
今天介绍一篇来自江南大学王兴国课题组发表在Food Control的论文。该文研究了利用脂肪酸比例和生育酚组成，结合化学计量学，检验山茶油（CAO）中玉米油(COO)、菜籽油(RAO)、米糠油(RBO)、芝麻油(SEO)和豆油(SOO)的掺假。使用层次聚类分析（HCA），根据高油酸/α-亚麻酸、油酸/棕榈酸、油酸/亚油酸比例和α-生育酚含量，将所有CAO样品归入一个类别。基于偏最小二乘法判别分析（PLS-DA），可以得到在掺假率高于40%的情况下，总判别准确率高于97.67%。使用SIMCA建模，掺假CAO样品（5%-100%）的判别准确率达到90.00%以上。这两种互补的鉴别方法被证实对于山茶油的鉴定是可行且准确的。
-
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。
