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。
食品设计传统上依赖知识分析和感官评价，近期香港科学技术大学Ka Ming Ng团队开发了一种新的利用机器学习技术辅助食品设计的策略。下面详细介绍一下其工作具体内容
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。
背景介绍
食品行业竞争非常激烈，任何市场都有许多大小企业竞争。食品产品复杂且产品周期短。要在这样的环境中繁荣发展，很显然要快速开发消费者喜爱的食品。但是食品设计很依赖经验，这既昂贵又费时。因此，迫切需要一种有效的方法来加快新食品的设计。
在过去的二十年中，过程系统工程界在产品设计方面已经完成了许多工作，例如集成产品和过程设计，混合建模，基于统计的和基于启发式的产品构想方法。只有少数工作专注在食品上。例如，Meeuse提出了针对结构化食品的过程合成程序。Dubbelboer等人应用神经网络、粒数衡算模型，乳液流变模型等设计蛋黄酱。
这项研究中，大宗产品设计模型（图 1a）将被扩展用于新食品的设计。这个综合模型考虑了可持续性，政府政策，全球供应链，成分选择，过程设计，产品价格等。它抓住了各设计任务之间的理论关系，可以很容易地应用于任何类型的产品。图 1b显示了它如何适应设计具有所需品质的食品。从左上角开始，人造食品（例如蛋黄酱）往往由很多特定配料（例如鸡蛋，牛奶和面粉）组成。任务是选择合适的成分及其组成。每种食品成分都有其自身的特性（例如，味道，气味，颜色和营养价值）。各种单元操作（例如，混合，冷冻，干燥和烘烤）用于加工成分以制造食品。某些食品（例如冰淇淋）的内部结构取决于所使用的成分和制造过程。通常，食品可以直接食用，也可以在一些烹调步骤后食用（例如，在沸水中煮方便面和冷冻饺子）。图 1b底部的食品质量包含两个部分。一种是五种人类感官所感知的感官属性（即视觉，触觉，听觉，味觉和气味）。些感官属性与食物的特性有关，例如颜色，粘度和脆度，如表 1所示。另一种食品质量是营养价值，但是由于本文的研究范围不纳入考虑。
目前，除了营养价值外，新食品还可以通过反复尝试匹配某些食品特性的目标，从而满足消费者对感官属性的偏爱。然后，由品尝小组评估根据感官属性的食品品质。品尝小组成员的感官评定的平均值用来代表食品的品质。显然，急需开发出可以加快食品设计速度的方法。
幸运的是，已经做出了相当大的努力来开发将食品特性与加工条件相关联的机制模型。例如，曲奇的颜色可能与配料，烘烤时间和温度有关。但仍然很难预测消费者对食品的满意度，因为感官知觉很主观且难以捉摸。除了食物的特性外，它还可能受到消费者身份和环境的影响。此外，每个消费者的偏好也会有很大不同。诸如响应面法的统计学方法已用于分析感官评定。基于评价数据，回归简单函数以关联输入和输出变量。它们的适用性仅限于少数输入变量。机器学习是克服此限制的理想选择。借助先进的算法，机器学习可以处理许多输入变量，且有很多有关食品消费者满意度的数据。但是，机器学习不能代替机制模型，因为只有很少量的数据将过程操作条件与食品特性相关联。
在这项工作中，开发了一种通用的混合机制建模和机器学习方法来设计新食品。机器学习模型预测感官满意度时，源自潜在机制的机制模型提供了对食物特征的合理估计。本文的结构如下。首先，制定了一种混合建模框架，其中采用了机器学习，机制模型，知识库和数据库进行食品设计。然后，应用遗传算法（GA）解决灰箱优化问题。最后，讨论了巧克力曲奇饼干案例研究，以说明此混合建模方法的适用性。图 2中提出了系统的混合建模框架
方案1：减脂巧克力曲奇
3.1.1. 确定首选的感官属性和受约束的食物特征
对于曲奇，味道，视觉和触感是最重要的感官属性。对于味道，新曲奇必须具有巧克力味和低脂度。对于给定的形状和大小，颜色会极大地影响视觉感觉属性。通常，饼干应烤成棕色（或金黄色）。请注意，饼干的表面颜色不包括食用染料和黑巧克力之类的添加剂的颜色。此外，松脆性和脆性会影响口中的叮咬和咀嚼感。饼干必须紧凑而不碎。另外，还需要酥脆的饼干。总之，在这种情况下考虑了五个设计约束：巧克力味，低脂，棕色，无碎屑和酥脆度。
3.1.2. 确定候选成分和关键操作条件
表 2列出了基于曲奇制造手册的典型成分类型。此外，根据手册和数据库还生成了43种候选成分，包括黑糖，黄油和小苏打。每种成分具有不同的属性，例如水含量，脂肪含量和密度。它们的属性在附加信息中给出。曲奇通过以下四个过程制成：混合，切割，烘烤和涂层（如果适用）。将液体，半固体和固体成分充分混合以形成面团。然后，将面团切成特定形状并在烤箱中烘烤。之后，可以在表面上涂一些成分以提高质量。已经发现，烘烤时间和温度是制作曲奇的最关键的变量。为简单起见，其他工艺变量对曲奇质量的影响可以忽略不计。因此，将43种候选成分的选择和组成以及烘烤时间和温度视为设计变量。
3.1.3. 建立机器学习和机制模型
机器学习用于预测曲奇的单个感官评分。训练数据在附加信息中给出。它包含从配方共享网站中提取的446个数据样本。每个数据样本均包含所选成分，其体积数量，烘烤温度，烘烤时间，平均感官评分和原始网站。为了保持一致性，将评定分数转换为[0，100]，其中100代表最佳质量。考虑到算法性能和数据样本数量，根据表 3中的启发式方法，选择随机森林作为学习算法。该算法从Python 3.6中的Scikit-learn包中调用。树的数量和最大要素的数量分别调整为16和45。进行十次交叉验证以评估模型的准确性，该准确性由平均百分比误差（MAPE）衡量。图 5显示了验证结果。0-85的广泛评级范围内的数据样本数量占总数据集的22％。这些数据的MAPE为14％。相反，由于数据稀疏性较小，其他评级在85-100的窄范围内的数据样本的MAPE较小（即小于6％）。总体MAPE为5.7％。这些结果表明，机器学习模型拟合训练数据效果好，可用于预测。然后，模型在公式11和12中预测饼干质量（q）的单个感官评分（q）。
3.1.4. 结果
遗传算法解决了这个灰箱优化问题（参见图 4）。算法，模型，边界和惩罚函数在Python 3.6中编码。GA迭代的最大次数设置为500，每个迭代包含100个人。进行交叉和突变的可能性设置为0.6。罚函数（-M）等于（-50）。此外，当前最佳设计将直接传递给下一代，以确保最佳设计不会恶化。使用随机初始值执行十次优化运行。每次运行的CPU时间约为20秒。运行10次后，最佳解的范围为[91.0，92.8]。这表明具有罚函数的GA可以很好地收敛，从而快速解决曲奇设计问题。
此外，作者还设计了方案2：新风味巧克力曲奇饼干。同样，遗传算法被用来解决设计问题。与方案1相似，执行了10次优化运行。最高感官评价为93.3，最佳结果如表 6第二列所示。与方案1中的结果相比，添加了香草精作为调味品。选择椰子和香蕉作为风味添加剂。另外，操作条件是不同的。较低的烘烤温度和较短的烘烤时间是优选的。香蕉含量的质量分数为6.5％，并且满足其他设计约束。
4. 结论
本文提出了一种用于新食品设计的混合机器学习和机制建模方法。提出了一个系统性的框架来将食品设计公式化为灰盒优化问题。适当地应用知识库，数据库，启发式方法和筛选实验，以识别一组候选成分和关键操作条件作为设计变量。通过机器学习生成的黑盒模型预测的感官评价来衡量食品质量（目标功能）。用机制模型来表现食品特性得约束条件。然后，采用基于遗传算法的算法来解决灰盒优化问题。使用巧克力曲奇设计示例阐明了该框架，该示例显示了良好的效率和算法的收敛性。所提出的混合建模方法是通用的，并且除了曲奇示例之外，还适用于许多其他食品，例如表 4中的食品。通过遵循该框架，当所涉及的训练数据和机制模型可用时，其应用就很简单。
参考文献：
- Zhang X, Zhou T, Zhang L, et al. Food Product Design: A Hybrid Machine Learning and Mechanistic Modeling Approach[J]. Industrial & Engineering Chemistry Research, 2019, 58(36): 16743-16752.
原创文章，作者：ifyoung，如若转载，请注明出处：https://www.drugfoodai.com/food-design1.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
-
基于二维相关光谱与卷积神经网络的食用油产地溯源与掺假分析
今向大家介绍一篇来自武汉轻工大学的刘言等人在SPECTROCHIM ACTA A上发表的一篇论文。该研究基于食用油的二维相关光谱并设计卷积神经网络(CNN)对食用油的同步相关谱和异步相关谱进行分析。用一组不同产地的芝麻油和另一组掺有其他植物油的橄榄油对该方法进行了评价。两个数据集的预测准确率分别为97.3%和88.5%。
-
基于偏最小二乘和人工神经网络分析的采后苹果品质变化及保质期预测模型
今天介绍一篇由渤海大学食品科学与技术学院励建荣教授的研究组等人于2022年6月在线发表在Food Chemistry上的文章。本文构建了偏最小二乘法（PLS）和人工神经网络（ANN）模型来预测苹果的保质期。本工作旨在丰富苹果保鲜理论，为采后苹果货架期的快速评价提供参考。
-
基于免疫层析试纸条和人工智能图像识别算法的农药多残留快速检测技术
近期，中国农业科学院农业质量标准与检测技术研究所王静教授领衔的农业化学污染物残留检测及行为研究创新团队开发了一种集成了农药残留免疫检测、图像识别、人工智能、大数据和物联网等技术的农药多残留快速检测技术。
-
湖南大学吴海龙课题组：高效液相色谱指纹图谱结合化学计量学的白术有效成分分析及产地鉴别研究
该研究提出运用高效液相色谱-二极管阵列检测器（HPLC-DAD）结合化学计量学方法快速分析不同地区白术中12种活性成分含量并进行产地判别。首先，使用HPLC-DAD结合二阶校正算法（ATLD）对来自不同地区的白术中12种活性成分同时进行定性定量分析。利用“二阶优势”，12种化合物不仅在12.5 min内快速洗脱，而且还在色谱峰高度重叠的情况下实现了准确定性定量（平均回收率为80.8–109.9%），一系列品质因子参数均反映出所提方法的可行性。基于ATLD解析所得的12种活性成分和31种未校正成分的相对浓度值，使用偏最小二乘-判别分析法（PLS-DA）对不同地理来源的白术样本进行判别分析，三个地区的白术都有明显的聚类趋势，测试集的正确分类率可达90%。变量重要性投影（VIP）分析结果表明，紫丁香酚苷、白术内酯Ⅲ、白术内酯Ⅰ和苍术酮可作为白术产地判别的主要标志成分。一系列结果均证明了所建立模型的可靠性。该方法的建立有助于白术的临床使用和市场监管。
-
基于数据和结构的组合建模方法筛选数据库中潜在甜味分子
今天给大家介绍一篇由Anukrati Goel等人合作的，于前段时间发表在Food Chemistry的一篇文章，文章中作者介绍了一种基于计算机驱动的方法，可以从大型天然化合物数据库中筛选出潜在的新型甜味剂。
-
我的食物安全吗？ – 基于人工智能的含有微量的麸质或坚果的小扁豆粉样品分类
今天介绍一篇由Sandra Pradana-López等人于2022年8月发表在Food Chemistry上的文章。本文提出了一种基于人工智能的实时快速检测掺杂扁豆粉的方法。将“无麸质”小扁豆粉与小麦粉或开心果粉混合，然后，拍摄纯的和受污染的小扁豆粉的数字图像，并用于训练基于转移学习的模型（即ResNet34），该模型旨在根据小麦和开心果含量对图像进行分类。本文获得的结果旨在作为概念验证，以评估数字成像与深度学习技术相结合的食物过敏原检测的真正潜力。
-
基于多元素筛选的化学计量学和创新多维数据分析的意大利牛肝菌产地溯源
“食品原产地认证”和“食品欺诈”一直以来都是令人感兴趣的话题。今天介绍一篇由Antonio Francesco Mottese等人发表于Food Control 的文章。该研究基于来自意大利、中国和波兰采集的牛肝菌样品的元素特征，结合主成分分析(PCA)、逐步典型判别分析(stepwise-CDA)、分类回归树(CART)、偏最小二乘判别分析(PLS-DA)和创新多维分析(MDA)建立统计模型，通过标准化学计量学技术和创新化学计量学技术的结合为预测食用牛肝菌(Boletussect.Boletus)的地理来源建立了一套可靠的系统。
-
基于牛奶营养分子数据集的婴幼儿配方奶粉人性化全息分析方法的建立与评价
今天介绍一篇来自东北农业大学食品科学系张英华，王玉堂课题组于2022年4月发表在Food Chemistry（IF=7.514）上的文章。文中通过研究编制的牛奶营养分子数据集，结合机器学习提出了一种识别婴儿配方奶粉人性化程度的新方法。
-
中科院计算所蒋树强研究员团队IEEE TPAMI(24.314)高分论文：大规模食品图像识别
本期分享中科院计算所蒋树强研究员团队和美团合作发表于IEEE TPAMI2023的研究工作“Large Scale Visual Food Recognition” (Weiqing Min, Zhiling Wang, Yuxin Liu, Mengjiang Luo, Liping Kang, Xiaoming Wei, Xiaolin Wei, Shuqiang Jiang*) 。IEEE TPAMI全称为IEEE Transactions on Pattern Analysis and Machine Intelligence, 是模式识别、计算机视觉及机器学习领域的国际主流期刊，2022年公布的影响因子为24.314。
-
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…
