《食品科学》：“机器学习”专栏文章（二）

机器学习作为人工智能的一个重要领域，在寻找共同性、区分差异性上具有传统技术难以比拟的优势，近年来，食品科学领域逐渐开始探索机器学习的研究与应用。因此，《食品科学》特设机器学习专栏，旨在报道食品科学和机器学习技术的最新交叉研究与应用进展，催生新的创意。

特邀专栏主编：卢伟副教授、丁浩晗讲师

专栏文章

摘要：近年来，随着社会对食品质量和安全的关注度不断提高，计算机视觉技术在食品质量评价领域逐渐受到重视并开始广泛应用。通过学习技术，如人工神经网络、卷积神经网络和支持向量机等，研究人员能够利用大量的食品图像和相关数据进行训练，从而实现对食品质量的自动评估和监测。特别是深度学习技术的发展，使得计算机能够更加准确地识别食品的外观、形状、颜色等特征，进而对其进行分类、预测和质量检测。除了在食品质量评价中的常规应用，学习技术还被用于更复杂的任务，如食品缺陷检测、异物检测、新鲜度评估等。这些技术不仅可以提高食品生产和加工的效率，还能够减少人为因素带来的误差，从而确保食品质量和安全。然而，尽管学习技术在食品质量评价中的应用取得了显著进展，但仍然存在一些挑战需要克服。例如，食品图像数据集的获取和标注成本较高，数据质量和数量的不足可能会影响模型的性能和泛化能力。此外，模型的可解释性和透明性也是一个重要问题，尤其是在需要对食品质量评价结果做出解释或决策的情况下。因此，未来的研究需要继续探索如何提高数据集的质量和规模、优化模型的鲁棒性和可解释性，以及开发更加高效和可持续的食品质量评价系统。

结论：本文深入探讨了CV和ML技术在食品质量评估领域的应用。随着CV技术与ML技术在食品评价领域的发展，CV和ML技术已经越来越多地应用到实际生产中。可以在收获时，通过对水果、蔬菜以及农产品受损伤程度进行分级，缩短人工分级所需要的时间；还可以在工厂的加工过程中，实时监控生产产品的质量，对于不合格的产品进行提前清除。然而，CV和ML技术在食品质量评估中仍然面临着一些挑战和障碍，CV技术与ML技术并不能够对食品质量进行全面的评价，并且在数据处理过程中还会出现算法的鲁棒性和可解释性等问题。因此在后续优化的过程中，还需要对不同环境下模型的适配能力进行深度研究，并且加强CV技术提供的数据精度。在未来，越来越多的食品将朝着多样化、个性化的需求发展，而CV技术和ML技术将逐步实现对食品质量的精准把控，并进行有针对性的调控。同时，ML技术在食品质量预测和控制方面也展现出了强大的潜力。通过对大量的历史数据和实时监测数据进行分析和学习，ML算法能够建立高度准确的预测模型，预测食品的成分、含量、新鲜度等关键指标。这些预测模型不仅可以帮助企业优化生产工艺和管理流程，提高产品质量和生产效率，还可以为监管部门提供科学依据，加强对食品安全的监管和管理。

综上所述，未来ML与CV技术在食品质量评估领域的应用需要不断发展，为食品安全和质量保障提供更可靠的支持，并为食品行业的可持续发展和消费者的健康提供更多可能性。

引文格式：

黄晓琛, 张凯利, 刘元杰, 等. 机器学习与计算机视觉技术在食品质量评价中的研究进展[J]. 食品科学, 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：食品风味在人们生活中起着重要作用。传统的风味分析检测方法对于预测食品风味的能力有限，近年来已有不少研究者利用机器学习模型对食品风味信息进行有效的处理，建立得到分类和预测模型，使风味预测变得更准确和高效。本文综述了传统和新型机器学习方法的原理，如支持向量机、随机森林、k最近邻和神经网络，及其与风味分析仪器、分子结构分析两种方法相结合并用于食品风味预测的研究进展，为机器学习模型在食品风味分析和预测中的应用提供新思路。通过总结发现机器学习模型可用于预测不同物质成分对风味的影响、识别不同产地的风味特征等，并且将多种机器学习模型结合分析的方法可提高预测的精度和可靠性，推动促进食品风味的深入研究和发展。

结论：机器学习模型在食品风味预测的研究已变得越来越广泛，通过输入电子舌、快速气相电子鼻、GC-MS仪、近红外光谱仪的传感器响应值、质谱和光谱数据信息进行训练学习，并经过机器学习算法对数据的特征提取和选择，最终运用于模型的预测。食品的风味离不开挥发性成分和非挥发性成分的共同作用，基于风味分析仪器的风味预测可让机器学习模型熟悉了解食品的呈香和呈味部分，而基于分子结构的风味预测更多的是运用DL模型，通过对分子结构图像的拆解识别学习结构对某一风味特征，如甜味、苦味的影响。

然而在预测食品风味的实际应用中，机器学习模型的运用还较为欠缺，其预测准确度离不开大量数据的训练和验证，且通常需要选择多种机器学习模型共同或辅助预测，以防止单一模型的预测性能较差，此外，机器学习模型的建立对电脑系统的要求也较高，需要与其他应用程序集成，才能实现较好的应用。在未来的研究中可以通过迭代算法先对训练数据集进行优化和减少变量，或使用几种机器学习算法相结合的模型，以提高算法模型的泛化能力和预测准确度，这将有助于推动机器学习算法在预测食品风味领域的应用。

引文格式：

蔡尉彤, 冯涛, 宋诗清, 等. 机器学习在预测食品风味中的研究进展[J]. 食品科学, 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：粮食加工过程污染物的准确预测对粮食安全具有重要意义，但由于粮食加工工艺复杂，污染物检测困难导致数据量较小，难以满足建模预测所需，需要研究小样本的污染物数据扩充方法。同时，较小样本量的粮食加工过程污染物数据往往缺乏足够的先验知识，传统监督学习的方法对其预测精度较低，且现有连续型深度学习模型不适于粮食加工过程这一间歇过程，需研究基于无监督学习和离散深度学习的粮食加工过程污染物预测方法。为此，本文针对粮食加工过程污染物提出基于时间生成对抗网络（time generative adversarial networks，TimeGAN）的数据扩充及基于生成对抗网络（generative adversarial networks，GAN）和深度森林（deep forest，DF）结合的预测方法。首先构建TimeGAN模型，对小样本数据学习后得到多组样本数据，实现数据扩充；将无监督学习的GAN模型与适用于离散过程的DF模型结合，构建GAN-DF模型，实现污染物预测；再分别将DF与长短时记忆（long short-term memory，LSTM）-DF模型作为生成器嵌入到GAN，构建DFGAN与LSTM-DFGAN模型，进一步提高污染物预测的准确度。通过稻谷加工过程的金属污染物Pb数据（Pb含量）进行仿真验证，结果表明TimeGAN方法扩充数据可行，LSTM-DFGAN模型的综合预测效果最好，其扩充数据后的预测平均绝对误差和均方根误差低至7.50×10-5 mg/kg和1.60×10-8 mg/kg。

结论：本实验针对粮食加工过程污染物的小样本数据扩充和粮食加工过程这一间歇过程污染物的预测问题，引入深度学习领域中时间序列数据生成技术TimeGAN和离散时间序列建模预测技术，通过改进并结合无监督学习的GAN模型、适用离散过程建模的DF模型与时间序列预测的LSTM模型，先后建立GAN-DF、DFGAN、LSTMDFGAN等模型，提出适用于粮食加工过程污染物的数据扩充和预测的全新算法。通过稻谷加工过程的金属污染物数据进行仿真验证，结果表明TimeGAN方法扩充数据可行，LSTM-DFGAN模型综合预测效果更为理想。本研究属于食品和人工智能交叉领域研究，在食品安全的智能预测方向具有一定的理论和应用创新，研究成果可提高粮食加工过程污染物预测的准确性及有效性，大幅度降低粮食加工过程污染发生率，对促进粮食安全、促进学科间的渗透与交叉发展发挥积极作用。

引文格式：

郭香兰, 王立, 金学波, 等. 基于生成对抗网络和深度森林结合的粮食加工过程污染物小样本数据扩充及预测[J]. 食品科学, 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 ：食品风味对于感官具有重要作用，是消费者偏好和选择的关键因素，因此风味分析方法非常重要。传统的分析方法具有局限性，十分耗时，还无法处理大样本的数据，机器学习的出现将会解决这一难题。机器学习具有分析和处理海量样本、识别高维变量空间中的复杂模式、从已知数据中独立自主学习、基于新数据生成和自动优化算法实现预测的能力。机器学习的出现给食品科学领域提供了理解复杂风味特征的新方法。本文综述了传统和新型机器学习方法的优缺点，以及与分析仪器电子舌、电子鼻和气相色谱-质谱联用的不同应用场景。此外还综述了机器学习在食品风味分析中的应用。经过研究发现，不同机器学习方法对应了不同食品风味分析的场景，需要根据样本的实际情况，有选择性地使用。机器学习在提高食品质量、安全性和消费者满意度方面具有重大的潜力，多种机器学习模型和分析技术相结合，对食品风味分析将产生重要作用。

结论：本文列举了几种常用的ML方法。当处理小样本的简单数据时，用SVM快速处理，KNN进行简单直观的数据处理，DT作结构清晰、易于理解的图；对于复杂的大数据集，用RF和ELM进行处理；在处理复杂的高维数据并识别风味化合物中的复杂模式时使用神经网络。还探讨了ML在食品风味中的应用，强调了ML在食品领域中的重要性。

ML在提高食品质量、安全性和消费者满意度方面具有重大的潜力，未来的研究可以通过不断地改善ML算法或使用多种算法组合提高模型预测效果，减少单一模型的弊端，从而增加数据的可信度，促进ML算法在食品风味研究中的应用。风味分析技术在近几年在不断地更新，未来还可以使用更新的分析技术（如GC×GC-TOF MS和质子转移反应质谱等）与ML模型相结合。通过ML模拟创造新的风味化合物十分有意义，可以为食品行业带来新的活力，同时对消费者的感官数据预测模拟，使新的风味物质与感官结合对未来食品风味的创新具有实用价值，可以进一步探索ML在食品科学领域的应用潜力。

引文格式：

沈潇, 王海涛, 姚凌云, 等. 机器学习在食品风味分析中的应用[J]. 食品科学, 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.

特邀主编简介

卢 伟 副教授

南京农业大学副教授，2005年和2012年分别获得东南大学硕士和博士学位，2016年至2017年为美国密歇根州立大学访问学者。现为江苏园艺工程分会副理事长，江苏省自动化学会理事，江苏省仪器仪表学会理事，江苏省人工智能学会机器人专委会委员，《智能化农业装备学报（中英文）》青年编委。主要从事智能机器人与人工智能技术、智能传感及无损检测技术等相关研究。获得2014年江苏省科学技术一等奖，2016年教育部技术发明一等奖，2014-2018年度中国农业机械学会先进工作者等。主持国家自然科学基金面上项目、江苏省自然科学基金面上项目等纵向课题9 项，发表SCI/EI论文40余篇，授权发明专利10余项，研究成果受到央视CCTV17等多家媒体报道。

丁浩晗 讲师

江南大学未来食品科学中心讲师。2021年12月博士毕业于新西兰奥克兰大学，毕业后加入江南大学未来食品科学中心食品大数据与风味组学团队。主要研究方向为工业智能化在食品工程中的应用。针对工业4.0开发在线软测量技术，包括使用图像处理技术和人工智能算法构建奶粉品质在线软测量技术、对工业生产过程变量进行大数据分析、建立奶粉产品的三维模型，对其进行表面纹理分类以及利用联邦学习和区块链技术解决食品安全信息问题等。以第一作者发表SCI论文5 篇，EI论文1 篇，中文核心论文2 篇以及发明专利2 项，多次参加国际会议做口头或海报展示。目前担任“十四五”国家重点研发计划项目“食品全程全息风险感知及防控体系构建与应用示范”（2022YFF1101100）子课题负责人。

专栏网址：

《食品科学》2024年12期：

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

实习编辑：李雄；编辑：阎一鸣；责编：张睿梅。图片来源于文章原文及摄图网。

为汇聚全球智慧共探产业变革方向，搭建跨学科、跨国界的协同创新平台，由北京食品科学研究院、中国肉类食品综合研究中心、国家市场监督管理总局技术创新中心（动物替代蛋白）、中国食品杂志社《食品科学》杂志（EI收录）、中国食品杂志社《Food Science and Human Wellness》杂志（SCI收录）、中国食品杂志社《Journal of Future Foods》杂志（ESCI收录）主办，西南大学、 重庆市农业科学院、 重庆市农产品加工业技术创新联盟、重庆工商大学、重庆三峡学院、西华大学、成都大学、四川旅游学院、西昌学院、北京联合大学、 中国健康管理协会特殊食品与植物营养分会共同主办 的“ 第三届大食物观·未来食品科技创新国际研讨会 ”， 将于2026年4月25-26日 （4月24日全天报到） 在中国 重庆召开。

长按或微信扫码进行注册

为系统提升我国食品营养与安全的科技创新策源能力，加速科技成果向现实生产力转化，推动食品产业向绿色化、智能化、高端化转型升级，由北京食品科学研究院、中国食品杂志社《食品科学》杂志（EI收录）、中国食品杂志社《Food Science and Human Wellness》杂志（SCI收录）、中国食品杂志社《Journal of Future Foods》杂志（ESCI收录）主办，合肥工业大学、安徽农业大学、安徽省食品行业协会、安徽大学、合肥大学、合肥师范学院、北京工商大学、中国科技大学附属第一医院临床营养科、安徽粮食工程职业学院、安徽省农科院农产品加工研究所、安徽科技学院、皖西学院、黄山学院、滁州学院、蚌埠学院共同主办的“第六届食品科学与人类健康国际研讨会”，将于 2026年8月15-16日（8月14日全天报到）在中国 安徽 合肥召开。

长按或微信扫码进行注册

会议招商招展

联系人：杨红；电话：010-83152138；手机：13522179918（微信同号）