近日，中国农业科学院油料作物研究所油料品质化学与加工利用创新团队在《食品科学》期刊上发表了题为“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”的综述性论文。硕士研究生黄晓琛为本文的第一作者，魏芳研究员为本文的通讯作者。
该综述讨论了近年来机器学习和计算机视觉技术在食品质量评价领域中的应用，并重点介绍了卷积神经网络、人工神经网络、支持向量机以及计算机视觉技术的相关原理和应用情况。此外，还针对基于机器学习和计算机视觉技术的食品质量评价方法在农产品、海产品、肉类产品等方面的预测与分类进行了全面的总结。最后强调了机器学习和计算机视觉技术在食品质量评价领域的机会和挑战，以指导未来食品质量评价系统的进一步研究。
一、背景介绍
本综述对计算机视觉（computer vision，CV）和机器学习（machine learning，ML）技术在食品质量评估领域的原理、优势、局限性、特点进行总结，并探讨它们在食品质量评价中的应用情况，重点讨论不同种类食品质量评估的应用场景，介绍ML和CV技术在不同场景中的算法与方法，探讨它们在食品质量评价中的应用情况。
二、机器学习及模型介绍
Fig. 1. General configuration of machine learning system
食品质量对人们的日常生活和健康状况有直接影响，因此长期以来，针对食品质量检测技术的研究从未停止。传统的食品检测技术在解决食品质量问题上发挥了重要作用。然而，随着时代的进步、消费者对食品的复杂性和对食品质量认知的提高，对即时了解食品质量的需求也日益迫切。在这种背景下，计算机视觉（computer vision，CV）和机器学习（machine learning，ML）技术的迅速发展为食品质量评估带来了革命性的变革。目前有一些常用的技术用于解决分类以及测定问题，如决策树、人工神经网络（artificial neural network，ANN）等，主要用于食品图像分类、食品识别以及食品加工检测等，图1展示了ML的一般结构。
ANN的特点主要体现在高效和自学习能力上，它能够对复杂的数据信息进行分类、聚类，并与学习目标结合。图2展示了ANN的一般拓扑结构。作为一种数据处理模型，ANN的构建方式类似于生物神经系统处理大脑信息模式，其主要由大量高度相关的处理单元即神经元组成，通过协同工作来解决复杂问题。目前ANN的应用与开发依然是研究的核心领域。近年来，ANN已应用于CV食品质量评价中的分类、预测和分级。
目前，SVM是备受ML领域关注的二分类模型之一。SVM模型具有很强的泛化能力和不错的准确性，它是将实例表示为空间中的点，通过映射使得单独类别的实例被尽可能宽且明显的间隔分开，然后将新的实例映射到同一空间，并基于它们落在间隔的哪一侧来预测所属类别。从本质上讲，SVM模型通过推导一个使类边界之间的边界最大化的最优分离超平面解决定性分类或定量回归问题。图3展示了SVM的分类原理图。
三、计算机视觉技术
四、ML-CV技术在食品质量评价中的应用
食品质量评价的相关问题(如食品溯源、食品安全、食品营养等)对人类健康、营养和疾病具有潜在影响，引起了广泛的关注。而近年来，ML-CV技术在农产品的分类与品质指标预测领域中应用广泛，为了全面了解ML-CV技术在食品质量评价领域中的应用，我们按照食品的类型以及不同模型在其中应用方向进行分类,并将其总结在表1中。
Table 1 Applications of machine learning and computer vision technology in food classification and prediction
五、挑战及未来展望
本综述得到了国家自然科学基金联合基金项目（U21A20274）；“十四五”国家重点研发计划重点专项（2021YFD1600103）；农业农村部油料作物生物学与遗传育种重点实验室开放课题（KF2023008）；中国农业科学院创新工程项目（CAAS-ASTIP-2013-OCRI）；湖北省自然科学基金创新群体项目（2023AFA042）等项目的资助。
END
供稿：黄晓琛
责任编辑：魏芳
论文链接：https://doi.org/10.7506/spkx1002-6630-20240131-284
