《食品科學》：“機器學習”專欄文章（一）

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：作為食品計算的一個主要任務，食品圖像檢索近年來受到了廣泛的關注。然而，食品圖像檢索面臨著兩個主要的挑戰。首先，食品圖像具有細粒度的特點，這意味著不同食品類別之間的視覺差異可能很小，這些差異只能在圖像的局部區域中觀察到。其次，食品圖像包含豐富的語義信息，如食材、烹飪方式等，這些信息的提取和利用對于提高檢索性能至關重要。為解決這些問題，本實驗基于預訓練的視覺Transformer（Vision Transformer，ViT）模型提出了一種增強ViT的哈希網絡（enhanced ViT hash network，EVHNet）。針對食品圖像的細粒度特點，EVHNet中設計了一個基于卷積結構的局部特征增強模塊，使網絡能夠學習到更具有代表性的特征。為更好地利用食品圖像的語義信息，EVHNet中還設計了一個聚合語義特征模塊，根據類令牌特征來聚合食品圖像中的語義信息。本實驗提出的EVHNet模型在貪婪哈希、中心相似量化和深度極化網絡3 種流行的哈希圖像檢索框架下進行評估，并與AlexNet，ResNet50、ViT-B_32和ViT-B_16 4 種主流網絡模型進行比較，在Food-101、Vireo Food-172、UEC Food-256 3 個食品數據集上的實驗結果表明，EVHNet模型在檢索精度上的綜合性能優于其他模型。

結論：本實驗針對食品圖像細粒度和具有豐富語義信息的特點，提出了一種食品圖像檢索方法EVHNet，該方法有效結合了卷積結構的局部特征提取能力和Transformer的全局表達能力，構建了基于增強ViT的哈希食品圖像檢索，在3 個食品數據集上進行的相關研究驗證了該方法的有效性。EVHNet包含兩個分支模塊：ASFM和LFEM。ASFM從多層迭代的Transformer編碼器中收集類令牌，收集的類令牌包含了食品圖像中不同尺度的語義信息。LFEM對Transformer編碼器的最后一層輸出進行了局部特征的增強，使得網絡能夠學習食品圖像中更具代表性的特征，并生成具有改進的局部特征表示。增強的局部模塊使模型能夠自動學習所關注的主要特征，同時抑制不重要的特征。在融合階段，將局部特征和全局語義特征進行相互補充，從而增強最終的特征表示，增強的特征表示包含了食品圖像中的細粒度特征以及更深層次的語義特征。研究發現，相比于純Transformer結構或者純CNN結構，混合架構兼顧局部特征和全局特征，在食品圖像檢索領域表現出良好的潛力。

引文格式：

曹品丹, 閔巍慶, 宋佳駿, 等. 基于增強視覺Transformer的哈希食品圖像檢索[J]. 食品科學, 2024, 45(10): 1-8. DOI:10.7506/spkx1002-6630-20231231-270.

CAO Pindan, MIN Weiqing, SONG Jiajun, et al. Hash food image retrieval based on enhanced Vision Transformer[J]. Food Science, 2024, 45(10): 1-8. (in Chinese with English abstract) DOI:10.7506/spkx1002-20231231-270.

摘要：針對傳統的奶粉品質國際標準檢測方法中存在的主觀性和滯后性等問題，本研究提出了一種基于殘差網絡（residual network，ResNet）的奶粉分散性和堆積密度的快速分類檢測方法。在本研究中，使用的數據集包括499 張在10 倍光學顯微鏡下拍攝的速溶全脂奶粉顆粒微觀分布圖像，這些圖像來自10 個不同的樣本組。首先，按照國際標準方法檢測這10 組樣本的分散性和堆積密度，進而基于測試結果劃分不同的分散性和堆積密度級別。隨后，利用這些微觀圖像對ResNet模型進行訓練，以實現對不同樣本的有效分類。最終，通過分類結果預測速溶全脂奶粉的分散性、松散密度和振實密度。此外，本研究還對比了ResNet、EfficientNetV2和Swin Transformer等不同深度學習模型的預測效果。結果表明，基于ResNet 152的深度學習模型在預測速溶全脂奶粉的分散性、松散密度和振實密度方面表現最佳，其在測試集上的準確率分別達到97.50%、98.75%和95.00%。這些深度學習模型在奶粉品質檢測中的出色性能不僅證明了該方法能夠實時、準確地預測奶粉的分散性和堆積密度，同時也為奶粉品質的在線檢測提供了新的技術途徑。

結論：本實驗提出了一種基于ResNet模型的速溶全脂奶粉分散性和堆積密度預測方法，可以解決實驗室方步驟繁瑣等問題。這種方法創新地將計算機視覺領域的深度學習方法應用到奶粉品質檢測中，在大大簡化檢測的操作、時間和復雜度的同時保證了檢測的準確性。在分散性預測中，使用ResNet 152模型可以使預測準確率達到97.50%；在松散密度預測中，使用ResNet 152模型可以使預測準確率達到98.75%；在振實密度預測中，使用ResNet 152模型可以使預測準確率達到95.00%。且鑒于輸入圖像尺寸小，總訓練開銷小，使用ResNet測奶粉品質參數是一種成本較低的檢測方法。

使用深度學習方法預測奶粉品質參數可被進一步應用，除去分散性、堆積密度，還有多項粉體指標也可被應用。此外除了分類任務，回歸任務可以更好地表達奶粉品質參數，此方向任務也值得進一步推進。

引文格式：

丁浩晗, 沈嵩, 謝禎奇, 等. 基于殘差網絡模型的速溶全脂奶粉分散性與堆積密度檢測方法[J].食品科學, 2024, 45(10): 9-18. DOI:10.7506/spkx1002-6630-20240129-262.

DING Haohan, SHEN Song, XIE Zhenqi, et al. Detection of dispersibility and bulk density of instant whole milk powder based on residual network[J]. Food Science, 2024, 45(10): 9-18. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20240129-262.

摘要：油茶籽油商業價值高，有必要開發快速準確的油茶籽油摻偽鑒別方法。本實驗研究低場核磁共振（lowfield nuclear magnetic resonance，LF-NMR）弛豫特性結合支持向量機（support vector machine，SVM）鑒別油茶籽油摻偽的可行性。在比較了油茶籽油、3 種其他種類的正常/氧化的食用油及多種二元摻兌油樣的LF-NMR弛豫特性的基礎上進行主成分分析，設計了具有二叉樹結構的SVM多分類器，采用ReliefF算法進行特征篩選，建立并驗證了油茶籽油摻偽的SVM鑒別模型。研究表明，油脂種類、氧化程度及摻兌比例均會影響油樣的LF-NMR弛豫特性。當特征數為9時，SVM多分類模型性能最佳，準確率可達90.77%，對油茶籽油、摻兌類型及比例的平均召回率為90.87%、精確率為90.83%、F1分數為0.90。這表明基于LF-NMR弛豫特性的SVM模型可用于油茶籽油的摻偽鑒別。

結論：本研究建立了基于LF-NMR弛豫特性的CAO SVM摻偽鑒別模型，并對模型的性能進行了評價。在對正常/氧化的CAO、其他種類的植物油及多種二元摻兌油樣的LF-NMR弛豫特性比較及PCA的基礎上，設計了CAO摻兌識別的SVM二叉樹結構分類器，并采用ReliefF算法進行特征篩選，發現當特征數為9時，SVM多分類模型的性能最佳，準確率為90.77%，對CAO、摻兌類型及比例的平均召回率為90.87%、精確率為90.83%、F1分數為0.90，具有較高的分類性能。本研究可為利用LF-NMR弛豫特性進行CAO的保真鑒定和摻兌檢測提供技術依據。

引文格式：

林曉浪, 傅利斌, 王欣. 基于低場核磁弛豫特性的油茶籽油支持向量機摻偽鑒別模型的建立與評價[J]. 食品科學, 2024, 45(10): 19-27. DOI:10.7506/spkx1002-6630-20240105-053.

LIN Xiaolang, FU Libin, WANG Xin. Establishment and evaluation of support vector machine model for adulteration discrimination of camellia oil based on low-field nuclear magnetic resonance relaxation characteristics[J]. Food Science, 2024, 45(10): 19-27. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20240105-053.

摘要：隨著生活水平不斷提高，人們除了關心食物是否美味外，其健康要素和良好風味的結合也越來越受到重視。食品風味成分不僅是影響食品感官品質的重要因素，也是影響食品營養水平的關鍵指標。目前，傳統方法對食品風味成分進行分析及預測費時費力，且無法處理大量數據。相比之下，機器學習是人工智能的核心，在區分差異性以及尋找共同性上具有傳統分析技術難以比擬的優勢，在食品風味分析領域已取得了良好的應用。基于此，本文圍繞機器學習在食品風味領域的研究現狀，介紹常用的機器學習方法的原理和優點，及其在食品風味預測及調節中的最新應用與前景。重點探討現代智能感官檢測技術結合機器學習在食品風味分析領域研究的優勢與未來趨勢，以期為食品風味分析與預測領域研究提供新思路和理論基礎。

結論：目前，ML已越來越多地應用于食品科學，尤其是食品風味研究領域。隨著人工智能技術的快速發展，現代智能感官技術結合ML算法的方法在食品風味分析領域已取得了良好的應用。ML彌補了傳統人工評價主觀性強、標準難以統一等缺點，如ML算法與電子鼻、電子舌、紅外光譜和GC-MS等技術相結合預測和調控食品風味，對于促進食品風味的增強和質量控制尤為重要。除了直接從食品中獲得的風味成分數據外，食品與消費者之間相互作用的質子轉移反應質譜法、選擇性離子流管質譜法和大氣壓化學電離質譜法等在線質譜分析法獲得的食品與消費者之間相互作用的大量數據，對于預測食品口腔加工過程中的風味感知和調控也具有重要的指導意義。

然而，ML在食品風味預測和分析領域的實際應用與研究尚未成熟，還有待不斷完善與探索。目前，利用ML進行食品風味分析與調控越來越受到重視，相關方法也在不斷優化，以滿足消費者對食品風味的期望。在未來，食品研究者們可通過篩選和改進ML算法或使用混合模型提高可預測性，促進ML算法在食品風味研究中的應用與推廣。此外，筆者期望從應用ML控制化學反應或化學合成的案例中汲取經驗，指導理想物質的合成（生物合成或化學合成）從而達到對風味物質的調控。研究者們還可以通過開發潛在復雜的預測模型探索食品生產加工過程中風味變化的機理，這將有助于食品工業領域研發出更具創新性和吸引力的創新食品，以滿足消費者的需求和喜好。總之，ML在食品結構設計、食品風味分析與預測、潛在關鍵風味化合物篩選及其合成預測等領域均扮演著重要角色，而ML在食品風味領域的應用與發展將為整個食品行業帶來商機和挑戰。在未來，ML在食品風味研究領域的應用場景將更加深入和多元化，這必將成為食品風味研究領域的新高度。

引文格式：

陳靚, 陽佳紅, 田星. 機器學習在食品風味領域的研究進展與未來趨勢[J]. 食品科學, 2024, 45(10): 28-37. DOI:10.7506/spkx1002-6630-20231123-181.

CHEN Liang, YANG Jiahong, TIAN Xing. Research progress and future trends of machine learning in the field of food flavor[J]. Food Science, 2024, 45(10): 28-37. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20231123-181.

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10期：

https://www.spkx.net.cn/CN/volumn/volumn_1887.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）