2019.10.02 周三

综述: 深度学习在食品中的应用

Comprehensive Reviews in Food Science and Food Safety

(1区 IF 8.738)

编译|董喆

推荐|董喆

喜迎国庆

2019/10/1

文献内容

研究背景

9月16日，国际著名期刊Comprehensive Reviews in Food Science and Food Safety (IF=8.738)发表了一篇名为“Application of Deep Learning in Food: A Review”（综述：深度学习在食品中的应用）的综述文章。该文章是食品领域目前第一篇关于计算机算法-深度学习的综述。食品组分的快速、精准、全自动检测在日常生活中是一个基本实际的需求。目前，发展的电子鼻、计算机视觉、高光谱成像等技术广泛应用于食品组分检测领域。通过这些技术手段，可以得到关于食品的大量信息。实际上，这些信息里有大量是多余的而且与检测目标无关。因此，如何从大量信息中提取有效的信息仍然是一个挑战。深度学习是一种高效的计算机算法，以卷积神经网络（CNN）为代表的学习模型广泛应用于食品RGB图像处理、图像识别、食物分类等领域。本综述收集并总结了关于深度学习在食品中应用的文献，包括深度学习的算法结构、训练模型的方法以及模型的评价，应用的领域包括食物的识别与分类、食物卡路里的预测、果蔬品质检测、肉和水产品的检测、食品供应链、食品污染物等。

研究内容

深度学习的简介

机器学习是目前实现人工智能最主流的方法，深度学习是机器学习中最流行的算法。与普通的机器学习和浅层学习相比，深度学习的网络结构更复杂，网络参数设置数量上显著增加，因此，可以提取出更抽象的特征信息，提高效率，能够学习挖掘到很多有用的信息。其主要的模型是卷积神经网络、变分自动编码器和全卷积网络。论文对每一个模型的模型结构、每个模型的应用条件和优缺点做了详细介绍。

深度学习在食品中的应用

论文详细介绍了深度学习算法在食物的识别与分类中的应用，主要总结和对比了基于三个标准数据库Food-101(包含101类食品，每一类包含1000张图片)、UECFood-256(256种日本食物分类)、UECFood-100(100种日本食品图片，每一类至少100张)的文献。介绍了卷积神经网络、多任务化的卷积网络和GoogLeNet模型是如何对食品卡路里预测的文献研究。然后，总结了目前发展比较成熟的基于统计学和高光谱成像技术的有关深度学习模型在果蔬品质、肉和水产品检测的文献。最后，简单介绍了目前关于食品供应链、食品污染物实时监测的研究进展。并针对每一个模型在食品每一个邻域的应用提出作者们发现的问题和展望。

研究结论

与其他的模型算法相比，深度学习可更快速提取有效信息，适应性强，模型易于迁移，因此在食品领域具有广泛应用前景。同时，作者针对食品学科特点，提出自己几点展望1）将深度学习与更多的与食品相关数据信息结合起来，包括食品的RGB图、图谱信息、感官气味等信息，可以更加全面的评价食品；2）建立全自动的食品信息采集的共享平台；3）完善并建立关于食品风味与食品供应链的数据库，并将深度学习应用于相关研究；4）将研究比较成熟的关于深度学习在食品（如食物图片识别、智能菜谱推荐、水果安全评价体系）领域应用的成果转化成为人们实际生活所用的产品。