综述：深度学习模型在食品风味数据分析中的应用综述

这篇综述系统探讨了深度学习（Deep Learning, DL）在食品风味分析中的前沿应用，重点介绍了人工神经网络（ANN）、卷积神经网络（CNN）、循环神经网络（RNN）等模型在风味分类、预测及优化中的突破性进展，并展望了多模态学习与新兴模型（如GAN、GNN）的潜力。文章强调DL技术通过结合电子鼻（E-nose）、近红外光谱（NIR）等仪器，显著提升了风味研究的客观性和效率（R2 达0.98），为食品工业创新提供了智能化解决方案。

　　

摘要

深度学习作为人工智能的核心分支，凭借强大的数据处理和模式识别能力，在食品风味分析、预测与优化中展现出巨大潜力。本文综述了ANN、CNN、RNN、自编码器（AE）、图神经网络（GNN）和生成对抗网络（GAN）等模型的应用，探讨了其相较于传统感官评价和化学分析方法的优势（如避免主观性、提升效率），并指出未来技术发展将推动更多DL模型在食品工业中的落地。

1. 引言

食品风味是衡量品质的关键指标，传统方法依赖人工感官评估和化学分析，存在耗时、主观性强等局限。DL技术通过特征提取和模式识别，为风味研究提供了新工具。例如，电子鼻（E-nose）和电子舌（E-tongue）结合DL可快速识别挥发性化合物；气相色谱-质谱联用（GC-MS）和核磁共振（NMR）等技术生成的多维数据则成为DL模型训练的关键。多模态DL整合视觉、文本和味觉数据，为风味分析构建了更全面的框架。

2. 深度学习在风味研究中的应用概览

文献调研显示，2018-2024年相关研究快速增长，ANN和CNN成为主流模型。ANN通过权重调整优化输入-输出映射，在葡萄酒产地分类中准确率达98%；CNN则擅长处理图像和光谱数据，如利用近红外光谱（NIR）预测咖啡风味的模型性能（R²

0.95）显著优于传统方法。

3. 应用领域

3.1 风味分类

DL模型可区分食品类型并分析地理来源、品种和成熟度的影响。例如，CNN基于光谱数据对猕猴桃成熟度分类准确率达93%，而ANN通过45种特征分子实现白酒年份的100%预测。

3.2 风味预测

DL聚焦化合物含量和感官评价预测。CNN-SVM模型对羊肉串挥发性有机物（VOC）的预测精度超95%，而ANN整合GC-MS数据可预测啤酒的香气偏好（R=0.98）。

3.3 风味优化

相比传统响应面法（RSM），DL能处理非线性关系。ANN结合遗传算法优化辣椒素提取工艺（R²
=0.9901），而食谱设计的跨区域研究仍待深入。

4. 常用深度学习模型

4.1 人工神经网络（ANN）

ANN通过全连接层处理数据，但训练耗时且对复杂模式捕捉有限。改进方案如反向传播神经网络（BPNN）在香草醛混合物分类中表现优异，而权重分析可揭示关键风味成分。

4.2 卷积神经网络（CNN）

1D-CNN处理传感器时序数据（如电子舌信号分类准确率98.8%），2D-CNN用于图像分析（如YOLO检测糖果缺陷的F1分数达90%），3D-CNN则适用于高光谱成像（HSI）的端到端处理。

4.3 循环神经网络（RNN）

RNN的时序处理能力在威士忌风味描述符提取中效果显著，LSTM变体可解决长序列梯度消失问题。

5. 新兴模型的应用

5.1 自编码器（AE）

AE通过降维提取潜在特征，如堆叠降噪自编码器（SDAE）用于口味偏好分类。

5.2 生成对抗网络（GAN）

GAN生成虚拟风味分子，结合强化学习打破传统试错模式，为配方设计提供新思路。

5.3 图神经网络（GNN）

GNN将分子结构建模为图数据，消息传递神经网络（MPNN）预测气味感知，3D-GCN模型对气味强度（OI）预测性能优于传统算法。

5.4 多模态深度学习

整合GC-MS、电子舌和纹理分析等多源数据，可全面评估羊肉烤串的感官属性，弥补单一数据局限性。

6. 结论与展望

当前研究面临数据标准化不足、模型泛化性弱等挑战。未来方向包括：DL与感官评价融合、食谱智能优化、风味分子相互作用解析，以及无监督学习的突破。随着计算能力和数据规模的提升，DL将在食品风味领域实现更精准的个性化服务。