姚仁朋，孙玉敬*，赵 圆，孟瑞锋

    (1 浙江工业大学食品科学与工程学院 杭州310014 2 内蒙古工业大学航空学院 呼和浩特 010051)

    随着人口增长以及人们对健康食品的需求日益增加，食品加工中的质量安全问题越来越受到重视。食品加工是指将天然的动、植物等原料加工为食品，或将一种形式的食品加工为更适合现代人饮食习惯的其它形式的食品。据联合国粮食及农业组织(FAO)的数据显示，到2050 年，全球人口可能增长到91 亿左右[1]。为了满足日益增长的人口对多种食品的需求，将新型的技术应用于食品领域的研究必不可少。

    使用人工智能机器取代人类劳动一直是科研人员研究的目标。如今，具有执行复杂任务能力的智能机器正逐渐取代人类的工作。这些机器被训练成能够通过视觉、语音识别等接受并处理信息，然后做出有用的决策[2]。人工智能领域涵盖机器学习、自然语言处理、视觉、机器人和自动驾驶车辆等。人工智能领域中，实现食品加工领域智能化的两种主要算法是机器学习(ML)和深度学习(DL)。ML 和DL 技术都已成为食品加工过程中的有效工具，包括食品分级、分类、预测、质量评价等。目前机器学习等人工智能算法和技术是国内外食品学术界和企业界关注的热点，并在短期内取得了一定的进展，而尚无相关的综述报道。本文将系统总结机器学习与深度学习模型，并详细阐述机器学习在食品领域，诸如图像识别、分级、质量检测和食品产业链中的应用，旨在为人工智能在食品工业中的应用提供理论指导。

    1 机器学习的理论及方法

    机器学习和人工智能的具体方法是指计算机操作系统借助获取的数据库数据得到一定的三维图，并继续借助这个三维图进行预测的方法。这种特殊的方法使用密集的训练样本来立即找出选择模式，最终获得更准确和可预测的未来数据库数据或趋势[3]，其核心是借助最小二乘法对数据库中的数据进行分析，并从中学习，然后在数据库的新数据中进行决策或预测。机器学习和人工智能的具体方法分为传统的机器学习和深度神经网络，它们有可能用于更复杂的分布式系统和改进的数据统计分析。下文将重点介绍传统机器学习方法和深度学习方法的主要算法。

    1.1 传统的机器学习方法

    传统的机器学习涉及在小样本集上手动提取特征，以平衡学习结果的有效性和学习模型的可解释性，在有限样本的特定情况下，如何解决学习问题的结构框架[4]。传统机器学习和人工智能是指结合强化训练的具体方法，以及强化训练数据库数据是否有标签，可分为监督学习、无监督学习和强化学习。相关算法包括线性回归算法、逻辑回归算法、贝叶斯网络、K-邻近算法、K-平均算法、决策树算法、随机森林、支持向量机、降维方法等 ......