1. AI新视界首页
  2. AI食品

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。

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

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

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。

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

图2. 卷积神经网络(CNN)与循环神经网络(RNN)的架构

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

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

发表评论

邮箱地址不会被公开。 必填项已用*标注