深度学习
-
使用可解释人工智能（XAI）技术解开送餐服务评论的深度学习模型
今天介绍一篇由悉尼科技大学土木与环境工程学院工程与信息技术学院高级建模和地理空间信息系统中心（CAMGIS）的Anirban Adak等人今年七月发表于Foods(IF: 5.561)的一篇文章。该研究通过比较食品配送服务（FDS）领域中的简单和混合深度学习（DL）技术（LSTM、Bi-LSTM、Bi-GRU-LSTM CNN）进行了情绪分析，并使用SHapley Additive exPlanations（SHAP）和Local Interpretable Model-Agnostic Explanations（LIME）解释了预测。DL模型在从ProductReview网站提取的客户评论数据集上进行了训练和测试。结果表明，LSTM、Bi-LSTM和Bi-GRU-LSTM-CNN模型的准确率分别为96.07%、95.85%和96.33%。LSTM模型相比其他两个DL模型实现了更低的假阴性率。可解释人工智能（XAI）技术，如SHAP和LIME，揭示了用于验证模型的单词对积极和消极情绪的特征贡献。
-
深度学习根据成分声明准确预测食品类别和营养成分
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）。
-
Food Chemistry|深度学习在基于图像的中国市场食品营养估计中的应用
该研究在视觉识别任务中利用了深度学习技术，并提出了一套大数据驱动的深度学习模型，从食物图像回归到营养估计，最大限度地发挥了深度学习模型的潜力，同时为未来将人工智能引入食品领域提供了基础。
-
一种基于机器视觉系统和深度学习的检测姜黄粉中掺假的新方法
今天介绍一篇最近由伊朗阿达比大学生物系统工程系Ahmad Jahanbakhshi等人发表在COMPUT BIOL MED （Q1, IF: 4.589）期刊上的文章。文章研究中，采用改进的卷积神经网络(CNN)对姜黄粉末图像进行分类，以检测参假。结果表明，计算机视觉，特别是与深度学习(DL)相结合，可以成为评价姜黄粉质量和检测参假的一种有价值的方法。
-
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%。
-
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。
-
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％。
-
FoodAI：基于深度学习的食品图像识别与记录系统
今天给大家介绍一篇由新加坡管理大学信息系统学院生活分析研究中心(LARC) 和Salesforce亚洲研究院合作，于前段时间在ACM SIGKDD知识发现和数据挖掘会议上汇报的一篇会议文章。文章中作者提出了一种智能食物记录系统:FoodAI，使食物记录变得便捷，帮助人们实现智能消费和健康的生活方式。
-
PNAS | 基因调控之深度学习揭示免疫细胞分化的调节机制
1.背景 基因调控是现代分子生物学研究的中心课题之一，目前虽然探索出一些转录因子能够调控哪些特异性序列，但是对于控制免疫细胞分化的调控机理我们尚未清楚。对于免疫系统来说，每种细胞类…
-
Nat. Mach. Intell. | 集成深度学习在生物信息学中的发展与展望
该文章综述了集成深度学习最近的关键发展，以及如何将其应用到生物信息学领域中。同时，作者还详细介绍了集成深度学习从基本序列分析到系统生物学的研究、发展和挑战。
