Food Chem|深度学习根据成分声明准确预测食品类别和营养成分

确定诸如食品分类、创建分类法和食品营养成分等属性可能是一项具有挑战性和资源密集型的任务，尽管对于更好地了解食品很重要。在这项研究中，从 USDA 品牌食品数据库中收集了一个新的数据集 134 k BFPD，并对其进行了修改，并用三种食品分类和营养值进行了标记，并成为了一个人工智能 (AI) 数据集，涵盖了迄今为止最大的食品类型。总体而言，多层感知器 (MLP)-TF-SE 方法在使用 AI 的食品自然语言处理任务中获得了最高的学习效率，其对食品分类的准确率高达 99%，对钙的估计达到 0.98 R2（0.93 ∼ 0.97 for卡路里、蛋白质、钠、总碳水化合物、总脂质等）。深度学习方法具有巨大的潜力，可以嵌入到其他食品分类和回归任务中，并作为食品和营养领域其他应用的扩展。

图1. 食物深度学习

（a）输入数据-成分列表和营养信息从BFPD获得。（b1）使用自然语言处理（b2）数据编码对成分列表进行单词解析，将成分、类别和营养信息字符串转换为机器可以学习的矩阵。（c） 数据采样包括两个步骤，数据重新平衡和拆分，并转换为数据张量。（d） 深入学习。标记张量用于训练深度学习模型以实现目标。（e） 深度学习模型可以在食品领域实现不同的应用，如食品营销分析、新颖的食品设计和个性化的饮食建议。