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。
摘要
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。深度学习通过利用深度神经网络体系结构为解决模型鲁棒性和泛化能力问题提供了新的视角。该文详细探讨了“黑箱”深度学习模式的学习机制，阐述如何应用深度学习方法到光谱分析中，并介绍深度学习方法在各类食品和农产品中的应用，定性分析如品种识别、产地溯源检测、掺假鉴别和损伤检测等，定量分析如可溶性固形物、水分、脂肪、淀粉、蛋白质、灰分等含量分析。该文最后总结了光谱分析结合深度学习方法在食品和农产品质量评价中的局限性和发展前景。
概览
图1. 自动编码器提取光谱特征过程。输入光谱被输入到自动编码器神经网络中以获得隐藏特征(绿色圆圈)，提取的特征随即被用在许多线性和非线性机器学习模型做进一步的定性或定量分析，最后输出类别或目标值。
图2. 卷积神经网络（CNN）与循环神经网络（RNN）的架构
图3. 光谱分析中的典型深度学习模型。（A）残差神经网络Residual neural network, (B) 深度光谱DeepSpectra,(C) 注意力机制Attention moudule.
结论和展望
文中指出目前的研究表明，深度学习方法在食品和农产品品质检测方面具有巨大的潜力。这样的突破必将支持基于深度学习在食品和农产品质量评价的进一步深入应用。多源数据的融合为未来的研究提供了一个前景。数据融合是将不同的数据源结合起来以提高数据质量并产生高质量输出的过程；在这方面，已有证明将高光谱图像的光谱和空间数据融合可以提高模型的预测性能。随着可获得样本数量的增加和质量的提高，深度学习模型的未来前景可能集中在多任务学习和迁移学习模型上。
参考文献
- Zhang X, Yang J, Lin T, et al. Food and agro-product quality evaluation based on spectroscopy and deep learning: A review[J]. Trends in Food Science & Technology, 2021, 112: 431-441.
原创文章，作者：ifyoung，如若转载，请注明出处：https://www.drugfoodai.com/food-spectroscopy.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
-
Food Control|基于改良内聚稳定同位素比值的燕窝真实性鉴别与定量
该文针对食用燕窝（EBN）中稳定同位素比值(δ13C、δ15N、δ18O、δ2H)的高离散性，建立了一种既能定性和又能定量的方法来检测掺入唾液酸、蛋清和食用胶的掺假EBN。通过建立数据处理公式来提高样品同位素比值的内聚性，利用该公式建立欧式距离方程。通过计算欧氏距离建立判别式，预测准确率在95.80% ~ 99.97%之间。此外，建立了3个方程对EBN中掺假物质的含量进行定量分析，相对标准偏差在1.34% ~ 6.31%(n = 6)之间。应用所建立的方法，测得12个实样中有2个样品分别掺入了3.9%的唾液酸和2.9%的蛋清。
-
拉曼光谱与机器学习结合应用在单细胞水平上快速检测食品传播病原体
今天给大家介绍一篇由Shuaishuai Yan等人，于2021年5月1日上发表在Talanta（IF=6.057）的一篇研究性文章。该文章表明拉曼光谱结合基于指纹的机器学习是快速诊断病原菌的一种前瞻性策略。在这项研究中，在单细胞水平上获得了常见菌株单细胞拉曼光谱（SCRS）。然后，利用核主成分分析(KPCA)提取原始数据的非线性特征，并利用决策树（DT）算法在血清型水平上对单个细菌细胞进行评价和识别。
-
Bioresource Technology：智能化的方法来可持续管理和利用食物废弃物
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…
-
基于比色条形码组合和深度卷积神经网络的便携式食品新鲜度预测平台
今天介绍一篇来自江南大学，于2020年底发表在Advanced Materials上的一篇论文。该研究将可交叉反应的比色条形码组合和深度卷积神经网络（DCNN）结合在一起，形成了一个用于监控肉类新鲜度的系统，总体准确性为98.5％。
-
HyperFoods：基于机器学习智能绘制食物中抗癌分子的图谱
今天给大家介绍一篇由Kirill Veselkov、Guadalupe Gonzalez等人合作，于前段时间发表在Scientific report的一篇文章。文章中作者介绍了一个独特的基于网络的机器学习平台HyperFoods，以识别推定的基于食物的抗癌分子。
-
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。
-
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。
-
豆类中毛豆的理化特性及基于光谱学的机器学习方法在最佳采收期预测中的应用
今天介绍一篇由弗吉尼亚理工大学食品科学与技术系Dajun Yu等人于2021年8月发表于Food Chemistry的一篇文章。文中通过研究毛豆发育过程中理化性质的变化，并应用基于光谱学的机器学习(ML)技术来确定毛豆最佳采收期。对R5(始籽)、R6(满粒)和R7(初熟)生长期采收的毛豆进行了理化特性分析，并用手持式分光光度计测量了豆荚的光谱反射率(360-740nm)。根据毛豆样品的特征特性将其采收期分为“早期”、“准备期”和“晚期”，使用豆荚的光谱反射率的机器学习方法随机森林进行分类，研究结果证明该方法可以确定毛豆的最佳采收期。
-
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。
-
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。
