今天给大家介绍一篇由Gokce Iymen等人近期发表在Innovative Food Science and Emerging Technologies上的一篇文章。文章介绍了基于人工智能工具，利用简单的声音振动来识别食品中的掺假。
今天给大家介绍一篇由Gokce Iymen等人近期发表在Innovative Food Science and Emerging Technologies上的一篇文章。文章介绍了基于人工智能工具，利用简单的声音振动来识别食品中的掺假。
1. 介绍
目前，食品的掺假、造假和贴错标签仍然是全球食品行业面临的一个严峻挑战。而乳制品属于极可能被掺假的产品，在奶制品中掺假最常见的方法是用非乳制品成分替代乳脂。目前已有开发了色谱分析、核磁共振(NMR)等技术来检测乳制品中的掺假。然而，这些方法费时费力，不适合消费者使用。此外，消费者还担心购买的产品不是有机产品，目前监管机构对有机认证体系的监督，仍然是消费者确保有机产品的唯一途径。
在文章中，作者提出了使用频响训练的神经网络方法来识别带有或不带有非乳制品添加剂（NDA）的乳制品，以及区分是否是有机食品。该研究在黄油样品上进行了检验；该方法也可以推广到其他乳制品。不同的材料由于其分子结构而具有不同的频带。如果识别出这些频率，则可以区分由不同材料制成的两个对象。该方法提供一种简单且成本有效的方式来识别掺假或非有机产品，消费者可以轻松地使用该应用程序在现场检查任何食品，如图1所示。
图1. 通过使用智能手机识别无添加剂和/或有机食品的潜在应用。消费者只需使用智能手机的扬声器施加声音振动，就可以检查产品的有机状态，并从嵌入到移动应用程序中的AI算法获得即时反馈。(右图显示了智能手机应用程序在乳制品上的理论潜力以及未来的前景)
02
2. 数据采集与预处理
2.1 实验装置
为了验证假设，作者设计了如图2所示的装置，并使用选择的黄油和奶酪样品进行了实验。除了从奶酪中识别黄油外，文章的主要目标是区分具有和不具有NDA的乳制品，因为黄油与植物来源脂肪的掺假是制造商的普遍做法。因此，在文章的实验中，选择了一个有机认证黄油品牌和一个确认掺假的正规黄油品牌。作为对照，在放大器和麦克风之间没有食物样本的情况下进行了相同的实验。因此，录音的分类标签被定义为“空”，“奶酪”，“有机黄油”和“带有NDA的非有机黄油”。这项实验是为区分不同分类标签定义。在此次实验设计中作者使用了外部扬声器和麦克风来进行实验结果的区分。
图2.实验装置的设计外部扬声器产生的声音振动会通过塑料放大器放大。然后，经过放大的振动穿过食物样本，以通过外部麦克风在另一端捕获。
2.2 神经网络的数据准备
文章使用Pydub库对所有记录进行了归一化处理。结果总共创建了10,013个音频块，包括“空”类、 “奶酪”类、“有机黄油”类以及“具有NDA的非有机黄油”四类。然后将数据重新整理分成两组，90％用于模型训练和验证，10％用于模型测试。然后使用librosa mfcc函数从每个块中提取MFCCs（梅尔频率倒谱系数）。
3. 数设置和实验结果
3.1 FFT结果
FFT（快速傅里叶变换）将原始波形（时域数据）转换为频域数据。图3显示了来自不同类别样本的FFT表示。作者创建了归一化记录的傅立叶变换，该变换接收了从200 Hz到10 kHz的线性频率扫描。针对特定频率范围（即0 kHz至1 kHz和0 kHz至12.5 kHz）说明了不同类别的频率响应。通过检查所得FFT之间的差异，作者确定了300 Hz，500 Hz和2500 Hz附近的某些峰值，这些峰值主要出现在奶酪样品的FFT中。结果表明每个不同类别都存在不同的频率响应模式，这表明可以使用频率响应分析来区分奶酪和黄油，更重要的是使用NDA区分有机黄油和非有机黄油。
图3. FFT表示从200 Hz到10 kHz的线性频率扫描后接收的记录。在[0 kHz, 1 kHz](左)和[0 kHz, 12.5 kHz](右)的频率范围内显示各类的频响。振幅在垂直轴上缩放到[-1,1]范围，以实现更好的可视化。
3.2 神经网络模型
3.2.1神经网络的设置
作者为项目评估了CRNN和并行CNN RNN两种不同的神经网络架构。这些模型采用MFCC功能并为每个类别输出预测。作者在两个模型中修改了softmax函数，以输出适合文章的分类任务。对于超参数选择，作者使用5折交叉验证对每个参数的模型进行了评估，并根据精度结果相应地设置了参数。
3.2.2 神经网络结果
文章中使用90％的数据集进行了5折交叉验证。在这一部分中，文章报告了两个模型的结果，并给出了性能最佳的超参数。在评估模型的性能时，使用了每个时期记录的准确性和损失值。结果表明两个模型的精确值都收敛到1。另外，对于两个模型中的训练和验证集合，损失值收敛到0。实验证明：这两个模型在测试集上都达到了100%的准确率。
文章进一步使用智能手机的扬声器和麦克风收集数据，以检查模型在智能手机环境中的可用性。在这个实验中，两个模型获得了略有不同且不稳定的精度结果。总的来说，CRNN模型的预测正确率为82.66%，而并行CNN-RNN模型的准确率较低，为4.86%。
4. 结论和展望
大多数识别乳制品掺假、造假和标签错误的传统技术并不适用于消费者，这产生了对廉价、快速和非侵入性工具的急切需求。这种工具可以就食品的质量，特别是其有机状态向消费者提供直接、实时的反馈。文章提供了一种非常简单的基于人工智能的方法，可以从横向声音振动中提取信息，以确保制造商标签的一致性，并帮助识别造假。
参考文献
- A G I , A G T , A Y Z H , et al. Artificial intelligence-based identification of butter variations as a model study for detecting food adulteration[J]. Innovative Food Science & Emerging Technologies, 2020, 66.
分享、在看与点赞，至少我要拥有一个吧
原创文章，作者：ifyoung，如若转载，请注明出处：https://www.drugfoodai.com/food-adulteration-1.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
-
中英文版《现代光谱分析中的化学计量学方法》专著出版
由中石化石油化工科学研究院褚小立博士，中国农业大学黄越博士，海南大学云永欢博士，天津工业大学卞希慧博士撰写的英文专著《Chemometric Methods in Analytical Spectroscopy Technology》，近日由国际著名学术出版社Springer出版发行。
-
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。
-
使用人工神经网络和煮熟米饭的质地特性准确预测米饭的食用和烹饪质量
今天介绍一篇由四川农业大学农学院任万军教授团队于2022年12月发表在Food Chemistry（IF=9.23）上的文章。这篇文章主要讨论了使用人工神经网络（ANN）和米饭的质地特性来预测米饭的食用和烹饪质量（ECQ）的模型开发。
-
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。
-
Food Chem|衰减全反射-傅立叶变换红外光谱结合化学计量学快速检测椰子水掺假
该文研究了衰减全反射-傅立叶变换红外光谱(ATR-FTIR)与化学计量学相结合，作为一种快速检测椰子水中掺糖的方法。
-
人工神经网络在食品加工研究中的文献调查
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。
-
当今的机器学习策略可以减少人们对食物中纳米粒子的担忧
在《环境科学与技术》杂志在线发表的一项新研究中，德克萨斯 A&M 大学的研究人员使用机器学习来评估金属纳米粒子的显着特性，这些特性使它们更容易被植物吸收。研究人员表示，他们的算法可以表明植物在根和芽中积累了多少纳米颗粒。
-
一种用于辨别中国白酒香气的仿生嗅觉识别系统
今天介绍一篇由北京汉王科技有限公司智能感知实验室的Weihong Liu等人于2022年3月在线发表在Food Chemistry上的文章。本文受小鼠嗅觉系统的启发，开发了一种仿生嗅觉识别系统来区分复杂的气味刺激，将气味受体（OR）的非凡特异性与反向传播（BP）神经网络的出色数据处理能力相结合，以区分中国白酒的香气。
-
如何科学地挑选西洋参 / 机器学习预测西洋参生长年限
疫情反复，想买点西洋参提高下免疫力，又怕买到假货？今天这篇发表在Chinese Medicine (IF=5.4)的文章教你如何科学地剁手鉴定西洋参生长年限。这篇文章由中国食品药品检定研究院胡笑文、严华等人于2021年10月发表，通讯是魏锋和马双成研究员。这项研究基于106批西洋参样本和4种机器学习算法，建立了西洋参年限预测模型。为了进一步适应不同来源的西洋参样本，又基于相似性构建了模型的应用域，最终实现了对西洋参生长年限的准确预测。该方法为西洋参年限造假的鉴别提供了技术支持，论文也提供了完整的模型代码。
-
人工智能生产的烤牛肉风味
通过与微软的合作，芬美意香料公司能够利用其整个原材料数据库，找到各种成分的完美结合，从而产生“轻度烤牛肉”的味道。该产品代表了该行业的一个里程碑，因为他们声称这是有史以来第一款由人工智能(AI)创造的口味。
