人工智能在食品行业的应用探究

人工智能在食品行业的应用探究

宋道辉 李学义 郑永康

山东英才学院 邮编： 250104

摘要：人工智能(AI)在过去几十年中体现了食品行业的最新技术，因为随着世界人口的增长，食品需求不断增加。所述智能系统在食品质量确定、控制工具、食品分类和预测目的等各种任务中的能力增强了它们在食品行业的需求。因此，本研究旨在探析人工智能技术在食品行业不同的应用，阐述了它们的优势、局限性和配方，作为选择最合适方法以促进未来人工智能和食品行业相关发展的指南。

关键词：食品工业；人工智能；食品传感器；模型开发指南

前言：人工智能(AI)被定义为计算机科学中模仿人类思维过程、学习能力和知识存储的领域，AI可以分为强AI和弱AI两种。弱人工智能原理是将机器构建为模仿人类判断的智能单元，而强人工智能原理则指出机器实际上可以代表人类的思想。然而，强人工智能尚不存在，对该人工智能的研究仍在进行中。游戏行业、天气预报、重工业、加工业、食品行业、医疗行业、数据挖掘、干细胞和知识表示等领域都在使用AI方法。AI有多种算法可供选择，例如强化学习、专家系统、模糊逻辑(FL)、群体智能、图灵测试、认知科学、人工神经网络(ANN)和逻辑编程。人工智能的诱人性能使其成为最适合应用于决策和流程估计等行业的工具，旨在降低总体成本、提高质量和提高盈利能力。

一、人工智能在食品行业的应用现状浅析

随着世界人口的不断增加，预计到2050年粮食需求将从59%上升到98%。因此，为了应付这种食品的需求，AI已应用于诸如在供应链管理，食品分拣，生产发展，食品质量改善，和适当的工业卫生。Sharma表示，至少到2022年，食品加工和处理行业的复合年增长率预计将达到5%。此外，FL和ANN还在确保食品安全、质量控制、产量增加和生产成本降低方面发挥了控制作用。众所周知，人工智能技术在食品干燥技术和干燥过程的过程控制中也很有用^[1]。

人工智能在食品行业的许多用途都侧重于个人目标和目的。已经对食品加工建模中的各种ANN应用进行了研究，其中仅强调了使用ANN的食品加工建模。除此之外，还审查了ANN、FL和专家系统等人工智能在食品行业的实施，但特别关注新鲜水果的干燥。已经对食品安全如何成为食品行业的主要关注点之一进行了审查，这导致了智能包装系统的开发以满足食品供应链的要求。智能包装可监控食品状况，以提供有关食品在储存和运输过程中质量的详细信息。另一项研究将智能包装作为减少食物浪费的工具进行了审查，其中报告了用于新鲜度监测的光学系统领域的近45项最新进展。研究涵盖了肉类、鱼类产品、水果和蔬菜，因为它们是最具代表性的应用领域。关于智能包装的不同研究很少进行，这些研究证明智能包装系统的使用在食物链背景下的食品工厂中发挥着重要作用，因为它们能够监控食品和作物的新鲜度。

二、食品工业中的人工智能

由于食品分类、参数分类和预测、质量控制和食品安全等各种原因，人工智能在食品行业的应用多年来一直在增长。专家系统、模糊逻辑、人工神经网络、自适应神经模糊推理系统(ANFIS)和机器学习是食品行业中常用的技术之一。在人工智能实施之前，多年来一直在进行与食品相关的研究，以教育公众了解食品知识，并改善与食品特性和食品生产相关的最终结果。使用人工智能方法可以获得很多好处，它在食品行业的实施从几十年前就开始了，直到今天一直在增加。

基于知识的系统是利用来自不同来源、信息和数据的知识来解决复杂问题的计算机程序。可以分为专家系统、基于知识的人工智能和基于知识的工程三类。工业界广泛使用的基于知识的专家系统是一种能够模仿人类专家决策能力的决定性和集体性的计算机系统。它是一种基于知识的系统，被称为首批成功的人工智能模型之一。该系统依赖于专家来解决特定领域的复杂问题。它有两个子系统，知识库和推理引擎。关于世界的事实存储在知识库中，推理引擎表示关于世界的规则和条件，这些规则和条件通常用IF-THEN规则表示。通常，它能够在人类专家的帮助下解决复杂的问题。该系统基于专家的知识。专家系统(ES)的主要组成部分是人类专家、知识工程师、知识库、推理引擎、用户界面和用户^[2]。

3. 食品工业中的模糊逻辑技

模糊逻辑(FL)由Zadeh于1965年首次提出，其基础是人类智力在决策方面的无可挑剔的能力，以及在解决问题的同时解开不精确、不确定和模糊的数据的能力。模糊集理论的识别方式是，元素属于具有一定隶属度的模糊集，该模糊集在区间中具有实数。FL模型由几个步骤组成，分别是模糊化、推理系统和去模糊化过程。模糊化是将清晰值转换为隶属度并产生模糊输入集的过程。隶属度函数中的对应度数通常在0到1之间。有多种隶属函数可供选择，常用的有三角形、Z形、S形、梯形和高斯形。推理系统是使用模糊规则将模糊输入转换为输出的地方，模糊规则被称为IF-THEN规则，它被写成这样的IF前提，THEN结果，IF包含输入参数，THEN是输出参数。推理系统由Mamdani或Takagi-SugenoKang(TSK)风格组成。去模糊化是模糊逻辑模型中获得清晰值的最终阶段。有不同的去模糊化方法，即重心、最大值平均值、最大值最小值、最大值最大值、最大值中心和面积质心

^[3]。

FL因其简单且能够以快速准确的方式解决问题而在行业中长期使用。FL已在食品工业中用于食品建模、控制和分类，并通过用语言术语管理人类推理来解决与食品相关的问题。食品制造系统通过模糊逻辑的实施得到了改进，与传统的调节方法相比，大约减少了7%的电力损失。食物的感官评价也是FL发挥重要作用的最常见部分之一。此外，通过使用涉及模糊规则的系统，可以更快地解决问题。FL在食品工业中的先前应用及其属性，从之前的一项研究中，FL已被证明可以成功地保持食品质量，并且可以作为食品生产过程的预测工具和控制系统。

四、食品工业中的人工神经网络技术

人工神经网络是另一个人工智能元素，它也普遍应用于食品行业。人工神经网络旨在模仿人脑，并能够通过学习和被称为突触权重的神经间连接获得知识。Gandhi及其同事表示，人工神经网络的配置被设计为可以适应某些应用程序，例如数据分类或模式识别]。根据Gonzalez-Fernandez的说法，ANN适用于不同类型的问题和情况，适应性强且灵活。此外，冈萨雷斯等人(2019)还指出，ANN适用于对大多数非线性系统进行建模，并且即使需要调整也能适应新情况。此外，ANN最突出的特点是它的非线性回归。人工神经网络有几种类型，包括前馈神经网络、径向基函数神经网络、Kohonen自组织神经网络、循环神经网络、卷积神经网络和模块化神经网络。多层感知器(MLP)、径向基函数网络(RBFNN)和Kohonen自组织算法是解决实际问题时最有效的NN类型,被用于预测和模式识别最常见的网络是多层感知器。除此之外，根据学习技术的不同，ANN学习可以分为有监督和无监督。一般地，神经网络的结构由一个输入层，隐蔽层和输出层，无论是单个或多个层。该架构包含激活函数，即前馈或反馈，通常使用反向传播学习算法，因为它能够通过将其作为输入反馈来最小化预测误差，直到获得最小可接受的误差。将称为偏置的附加输入添加到神经元，从而可以描绘具有阈值的现象。在ANN中，数据集通常与训练网络的学习算法相关联，可以分为三组，特别是监督学习、无监督学习和强化学习。然后，数据将接受训练和测试以分析输出。

简而言之，随着AI世界走向2.0，可以预见，人工智能在食品行业的使用率上升是确定的和不可避免的，因为它们可以提供诸如节省时间、金钱和能源方面的优势以及预测的准确性影响食品行业的主要因素。除此之外，在最近由新冠病毒引起的大流行情况下，预计更多公司将选择在其行业中使用人工智能以降低成本并提高公司业绩。

五、结束语

人工智能在食品行业中发挥着重要作用，用于建模、预测、控制工具、食品干燥、感官评估、质量控制以及解决食品加工中的复杂问题等各种意图。除此之外，由于人工智能能够进行销售预测并允许收益增加，因此能够增强业务策略，人工智能因其简单、准确和节省成本的方法在食品行业得到广泛认可。批判性地总结了人工智能的应用、其优势和局限性，以及算法与电子鼻和电子舌等不同传感器在食品行业的集成。

参考文献：

1. 林君萍.人工智能技术在食品安全监管中的应用——评《我国食品安全监管机制与效率研究》[J].食品工业,2020,v.41;No.291(12):373-374.

2. 刘步青,龙肖冶.人工智能多光谱图像技术在食品品质检测中的应用——评《多光谱食品品质检测技术与信息处理研究》[J].食品工业,41(12):1.

3. 刘懿霆.人工智能技术在芒果研究中的应用[J].中国战略新兴产业,2019,000(010):13.