《食品科學》：“機器學習”專欄文章（二）

機器學習作為人工智能的一個重要領域，在尋找共同性、區分差異性上具有傳統技術難以比擬的優勢，近年來，食品科學領域逐漸開始探索機器學習的研究與應用。因此，《食品科學》特設機器學習專欄，旨在報道食品科學和機器學習技術的最新交叉研究與應用進展，催生新的創意。

特邀專欄主編：盧偉副教授、丁浩晗講師

專欄文章

摘要：近年來，隨著社會對食品質量和安全的關注度不斷提高，計算機視覺技術在食品質量評價領域逐漸受到重視并開始廣泛應用。通過學習技術，如人工神經網絡、卷積神經網絡和支持向量機等，研究人員能夠利用大量的食品圖像和相關數據進行訓練，從而實現對食品質量的自動評估和監測。特別是深度學習技術的發展，使得計算機能夠更加準確地識別食品的外觀、形狀、顏色等特征，進而對其進行分類、預測和質量檢測。除了在食品質量評價中的常規應用，學習技術還被用于更復雜的任務，如食品缺陷檢測、異物檢測、新鮮度評估等。這些技術不僅可以提高食品生產和加工的效率，還能夠減少人為因素帶來的誤差，從而確保食品質量和安全。然而，盡管學習技術在食品質量評價中的應用取得了顯著進展，但仍然存在一些挑戰需要克服。例如，食品圖像數據集的獲取和標注成本較高，數據質量和數量的不足可能會影響模型的性能和泛化能力。此外，模型的可解釋性和透明性也是一個重要問題，尤其是在需要對食品質量評價結果做出解釋或決策的情況下。因此，未來的研究需要繼續探索如何提高數據集的質量和規模、優化模型的魯棒性和可解釋性，以及開發更加高效和可持續的食品質量評價系統。

結論：本文深入探討了CV和ML技術在食品質量評估領域的應用。隨著CV技術與ML技術在食品評價領域的發展，CV和ML技術已經越來越多地應用到實際生產中。可以在收獲時，通過對水果、蔬菜以及農產品受損傷程度進行分級，縮短人工分級所需要的時間；還可以在工廠的加工過程中，實時監控生產產品的質量，對于不合格的產品進行提前清除。然而，CV和ML技術在食品質量評估中仍然面臨著一些挑戰和障礙，CV技術與ML技術并不能夠對食品質量進行全面的評價，并且在數據處理過程中還會出現算法的魯棒性和可解釋性等問題。因此在后續優化的過程中，還需要對不同環境下模型的適配能力進行深度研究，并且加強CV技術提供的數據精度。在未來，越來越多的食品將朝著多樣化、個性化的需求發展，而CV技術和ML技術將逐步實現對食品質量的精準把控，并進行有針對性的調控。同時，ML技術在食品質量預測和控制方面也展現出了強大的潛力。通過對大量的歷史數據和實時監測數據進行分析和學習，ML算法能夠建立高度準確的預測模型，預測食品的成分、含量、新鮮度等關鍵指標。這些預測模型不僅可以幫助企業優化生產工藝和管理流程，提高產品質量和生產效率，還可以為監管部門提供科學依據，加強對食品安全的監管和管理。

綜上所述，未來ML與CV技術在食品質量評估領域的應用需要不斷發展，為食品安全和質量保障提供更可靠的支持，并為食品行業的可持續發展和消費者的健康提供更多可能性。

引文格式：

黃曉琛, 張凱利, 劉元杰, 等. 機器學習與計算機視覺技術在食品質量評價中的研究進展[J]. 食品科學, 2024, 45(12): 1-10. DOI:10.7506/spkx1002-6630-20240131-284.

HUANG Xiaochen, ZHANG Kaili, LIU Yuanjie, et al. Research progress on machine learning and computer vision technology in food quality evaluation[J]. Food Science, 2024, 45(12): 1-10. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20240131-284.

摘要：食品風味在人們生活中起著重要作用。傳統的風味分析檢測方法對于預測食品風味的能力有限，近年來已有不少研究者利用機器學習模型對食品風味信息進行有效的處理，建立得到分類和預測模型，使風味預測變得更準確和高效。本文綜述了傳統和新型機器學習方法的原理，如支持向量機、隨機森林、k最近鄰和神經網絡，及其與風味分析儀器、分子結構分析兩種方法相結合并用于食品風味預測的研究進展，為機器學習模型在食品風味分析和預測中的應用提供新思路。通過總結發現機器學習模型可用于預測不同物質成分對風味的影響、識別不同產地的風味特征等，并且將多種機器學習模型結合分析的方法可提高預測的精度和可靠性，推動促進食品風味的深入研究和發展。

結論：機器學習模型在食品風味預測的研究已變得越來越廣泛，通過輸入電子舌、快速氣相電子鼻、GC-MS儀、近紅外光譜儀的傳感器響應值、質譜和光譜數據信息進行訓練學習，并經過機器學習算法對數據的特征提取和選擇，最終運用于模型的預測。食品的風味離不開揮發性成分和非揮發性成分的共同作用，基于風味分析儀器的風味預測可讓機器學習模型熟悉了解食品的呈香和呈味部分，而基于分子結構的風味預測更多的是運用DL模型，通過對分子結構圖像的拆解識別學習結構對某一風味特征，如甜味、苦味的影響。

然而在預測食品風味的實際應用中，機器學習模型的運用還較為欠缺，其預測準確度離不開大量數據的訓練和驗證，且通常需要選擇多種機器學習模型共同或輔助預測，以防止單一模型的預測性能較差，此外，機器學習模型的建立對電腦系統的要求也較高，需要與其他應用程序集成，才能實現較好的應用。在未來的研究中可以通過迭代算法先對訓練數據集進行優化和減少變量，或使用幾種機器學習算法相結合的模型，以提高算法模型的泛化能力和預測準確度，這將有助于推動機器學習算法在預測食品風味領域的應用。

引文格式：

蔡尉彤, 馮濤, 宋詩清, 等. 機器學習在預測食品風味中的研究進展[J]. 食品科學, 2024, 45(12): 11-21. DOI:10.7506/spkx1002-6630-20240103-032.

CAI Weitong, FENG Tao, SONG Shiqing, et al. Research progress on the application of machine learning in predicting food flavor[J].Food Science, 2024, 45(12): 11-21. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20240103-032.

摘要：糧食加工過程污染物的準確預測對糧食安全具有重要意義，但由于糧食加工工藝復雜，污染物檢測困難導致數據量較小，難以滿足建模預測所需，需要研究小樣本的污染物數據擴充方法。同時，較小樣本量的糧食加工過程污染物數據往往缺乏足夠的先驗知識，傳統監督學習的方法對其預測精度較低，且現有連續型深度學習模型不適于糧食加工過程這一間歇過程，需研究基于無監督學習和離散深度學習的糧食加工過程污染物預測方法。為此，本文針對糧食加工過程污染物提出基于時間生成對抗網絡（time generative adversarial networks，TimeGAN）的數據擴充及基于生成對抗網絡（generative adversarial networks，GAN）和深度森林（deep forest，DF）結合的預測方法。首先構建TimeGAN模型，對小樣本數據學習后得到多組樣本數據，實現數據擴充；將無監督學習的GAN模型與適用于離散過程的DF模型結合，構建GAN-DF模型，實現污染物預測；再分別將DF與長短時記憶（long short-term memory，LSTM）-DF模型作為生成器嵌入到GAN，構建DFGAN與LSTM-DFGAN模型，進一步提高污染物預測的準確度。通過稻谷加工過程的金屬污染物Pb數據（Pb含量）進行仿真驗證，結果表明TimeGAN方法擴充數據可行，LSTM-DFGAN模型的綜合預測效果最好，其擴充數據后的預測平均絕對誤差和均方根誤差低至7.50×10-5 mg/kg和1.60×10-8 mg/kg。

結論：本實驗針對糧食加工過程污染物的小樣本數據擴充和糧食加工過程這一間歇過程污染物的預測問題，引入深度學習領域中時間序列數據生成技術TimeGAN和離散時間序列建模預測技術，通過改進并結合無監督學習的GAN模型、適用離散過程建模的DF模型與時間序列預測的LSTM模型，先后建立GAN-DF、DFGAN、LSTMDFGAN等模型，提出適用于糧食加工過程污染物的數據擴充和預測的全新算法。通過稻谷加工過程的金屬污染物數據進行仿真驗證，結果表明TimeGAN方法擴充數據可行，LSTM-DFGAN模型綜合預測效果更為理想。本研究屬于食品和人工智能交叉領域研究，在食品安全的智能預測方向具有一定的理論和應用創新，研究成果可提高糧食加工過程污染物預測的準確性及有效性，大幅度降低糧食加工過程污染發生率，對促進糧食安全、促進學科間的滲透與交叉發展發揮積極作用。

引文格式：

郭香蘭, 王立, 金學波, 等. 基于生成對抗網絡和深度森林結合的糧食加工過程污染物小樣本數據擴充及預測[J]. 食品科學, 2024, 45(12): 22-30. DOI:10.7506/spkx1002-6630-20240129-264.

GUO Xianglan, WANG Li, JIN Xuebo, et al. Expansion and prediction of small sample data of contaminants in grain processing using combination of generative adversarial networks and deep forest[J]. Food Science, 2024, 45(12): 22-30. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20240129-264.

摘要 ：食品風味對于感官具有重要作用，是消費者偏好和選擇的關鍵因素，因此風味分析方法非常重要。傳統的分析方法具有局限性，十分耗時，還無法處理大樣本的數據，機器學習的出現將會解決這一難題。機器學習具有分析和處理海量樣本、識別高維變量空間中的復雜模式、從已知數據中獨立自主學習、基于新數據生成和自動優化算法實現預測的能力。機器學習的出現給食品科學領域提供了理解復雜風味特征的新方法。本文綜述了傳統和新型機器學習方法的優缺點，以及與分析儀器電子舌、電子鼻和氣相色譜-質譜聯用的不同應用場景。此外還綜述了機器學習在食品風味分析中的應用。經過研究發現，不同機器學習方法對應了不同食品風味分析的場景，需要根據樣本的實際情況，有選擇性地使用。機器學習在提高食品質量、安全性和消費者滿意度方面具有重大的潛力，多種機器學習模型和分析技術相結合，對食品風味分析將產生重要作用。

結論：本文列舉了幾種常用的ML方法。當處理小樣本的簡單數據時，用SVM快速處理，KNN進行簡單直觀的數據處理，DT作結構清晰、易于理解的圖；對于復雜的大數據集，用RF和ELM進行處理；在處理復雜的高維數據并識別風味化合物中的復雜模式時使用神經網絡。還探討了ML在食品風味中的應用，強調了ML在食品領域中的重要性。

ML在提高食品質量、安全性和消費者滿意度方面具有重大的潛力，未來的研究可以通過不斷地改善ML算法或使用多種算法組合提高模型預測效果，減少單一模型的弊端，從而增加數據的可信度，促進ML算法在食品風味研究中的應用。風味分析技術在近幾年在不斷地更新，未來還可以使用更新的分析技術（如GC×GC-TOF MS和質子轉移反應質譜等）與ML模型相結合。通過ML模擬創造新的風味化合物十分有意義，可以為食品行業帶來新的活力，同時對消費者的感官數據預測模擬，使新的風味物質與感官結合對未來食品風味的創新具有實用價值，可以進一步探索ML在食品科學領域的應用潛力。

引文格式：

沈瀟, 王海濤, 姚凌云, 等. 機器學習在食品風味分析中的應用[J]. 食品科學, 2024, 45(12): 31-41. DOI:10.7506/spkx1002-6630-20240104-040.

SHEN Xiao, WANG Haitao, YAO Lingyun, et al. Application of machine learning in food flavor analysis[J]. Food Science, 2024, 45(12): 31-41. (in Chinese with English abstract) DOI:10.7506/spkx1002-20240104-040.

特邀主編簡介

盧 偉 副教授

南京農業大學副教授，2005年和2012年分別獲得東南大學碩士和博士學位，2016年至2017年為美國密歇根州立大學訪問學者。現為江蘇園藝工程分會副理事長，江蘇省自動化學會理事，江蘇省儀器儀表學會理事，江蘇省人工智能學會機器人專委會委員，《智能化農業裝備學報（中英文）》青年編委。主要從事智能機器人與人工智能技術、智能傳感及無損檢測技術等相關研究。獲得2014年江蘇省科學技術一等獎，2016年教育部技術發明一等獎，2014-2018年度中國農業機械學會先進工作者等。主持國家自然科學基金面上項目、江蘇省自然科學基金面上項目等縱向課題9 項，發表SCI/EI論文40余篇，授權發明專利10余項，研究成果受到央視CCTV17等多家媒體報道。

丁浩晗 講師

江南大學未來食品科學中心講師。2021年12月博士畢業于新西蘭奧克蘭大學，畢業后加入江南大學未來食品科學中心食品大數據與風味組學團隊。主要研究方向為工業智能化在食品工程中的應用。針對工業4.0開發在線軟測量技術，包括使用圖像處理技術和人工智能算法構建奶粉品質在線軟測量技術、對工業生產過程變量進行大數據分析、建立奶粉產品的三維模型，對其進行表面紋理分類以及利用聯邦學習和區塊鏈技術解決食品安全信息問題等。以第一作者發表SCI論文5 篇，EI論文1 篇，中文核心論文2 篇以及發明專利2 項，多次參加國際會議做口頭或海報展示。目前擔任“十四五”國家重點研發計劃項目“食品全程全息風險感知及防控體系構建與應用示范”（2022YFF1101100）子課題負責人。

專欄網址：

《食品科學》2024年12期：

https://www.spkx.net.cn/CN/volumn/volumn_1889.shtml

實習編輯：李雄；編輯：閻一鳴；責編：張睿梅。圖片來源于文章原文及攝圖網。

為匯聚全球智慧共探產業變革方向，搭建跨學科、跨國界的協同創新平臺，由北京食品科學研究院、中國肉類食品綜合研究中心、國家市場監督管理總局技術創新中心（動物替代蛋白）、中國食品雜志社《食品科學》雜志（EI收錄）、中國食品雜志社《Food Science and Human Wellness》雜志（SCI收錄）、中國食品雜志社《Journal of Future Foods》雜志（ESCI收錄）主辦，西南大學、 重慶市農業科學院、 重慶市農產品加工業技術創新聯盟、重慶工商大學、重慶三峽學院、西華大學、成都大學、四川旅游學院、西昌學院、北京聯合大學、 中國健康管理協會特殊食品與植物營養分會共同主辦 的“ 第三屆大食物觀·未來食品科技創新國際研討會 ”， 將于2026年4月25-26日 （4月24日全天報到） 在中國 重慶召開。

長按或微信掃碼進行注冊

為系統提升我國食品營養與安全的科技創新策源能力，加速科技成果向現實生產力轉化，推動食品產業向綠色化、智能化、高端化轉型升級，由北京食品科學研究院、中國食品雜志社《食品科學》雜志（EI收錄）、中國食品雜志社《Food Science and Human Wellness》雜志（SCI收錄）、中國食品雜志社《Journal of Future Foods》雜志（ESCI收錄）主辦，合肥工業大學、安徽農業大學、安徽省食品行業協會、安徽大學、合肥大學、合肥師范學院、北京工商大學、中國科技大學附屬第一醫院臨床營養科、安徽糧食工程職業學院、安徽省農科院農產品加工研究所、安徽科技學院、皖西學院、黃山學院、滁州學院、蚌埠學院共同主辦的“第六屆食品科學與人類健康國際研討會”，將于 2026年8月15-16日（8月14日全天報到）在中國 安徽 合肥召開。

長按或微信掃碼進行注冊

會議招商招展

聯系人：楊紅；電話：010-83152138；手機：13522179918（微信同號）