Deep learning has been proved to be an advanced technology for big data analysis with a large number of successful cases in image processing, speech recognition, object detection, and so on. Recently, it has also been introduced in food science and engineering. To our knowledge, this review is the first in the food domain. In this paper, we provided a brief introduction of deep learning and detailedly described the structure of some popular architectures of deep neural networks and the approaches for training a model. We surveyed dozens of articles that used deep learning as the data analysis tool to solve the problems and challenges in food domain, including food recognition, calories estimation, quality detection of fruits, vegetables, meat and aquatic products, food supply chain, and food contamination. The specific problems, the datasets, the preprocessing methods, the networks and frameworks used, the performance achieved, and the comparison with other popular solutions of each research were investigated. We also analyzed the potential of deep learning to be used as an advanced data mining tool in food sensory and consume researches. The result of our survey indicates that deep learning outperforms other methods such as manual feature extractors, conventional machine learning algorithms, and deep learning as a promising tool in food quality and safety inspection. The encouraging results in classification and regression problems achieved by deep learning will attract more research efforts to apply deep learning into the field of food in the future.

中文翻译：

---

深度学习在食品中的应用：综述

深度学习已被证明是一种用于大数据分析的高级技术，在图像处理，语音识别，对象检测等方面拥有大量成功案例。最近，它还被引入食品科学和工程领域。据我们所知，这次审查是食品领域的第一次。在本文中，我们简要介绍了深度学习，并详细介绍了一些流行的深度神经网络架构的结构以及模型训练的方法。我们调查了数十篇文章，这些文章使用深度学习作为数据分析工具来解决食品领域中的问题和挑战，包括食品识别，卡路里估算，水果，蔬菜，肉和水产品的质量检测，食品供应链以及食品污染。具体问题，数据集，研究了每种方法的预处理方法，使用的网络和框架，实现的性能以及与其他流行解决方案的比较。我们还分析了深度学习在食品感官和消费研究中用作高级数据挖掘工具的潜力。我们的调查结果表明，深度学习优于其他方法，例如手动特征提取器，传统的机器学习算法，以及深度学习作为食品质量和安全检查中有希望的工具。深度学习在分类和回归问题上取得的令人鼓舞的结果将吸引更多的研究工作，以在将来将深度学习应用于食品领域。并与每项研究的其他流行解决方案进行了比较。我们还分析了深度学习在食品感官和消费研究中用作高级数据挖掘工具的潜力。我们的调查结果表明，深度学习优于其他方法，例如手动特征提取器，传统的机器学习算法，以及深度学习作为食品质量和安全检查中有希望的工具。深度学习在分类和回归问题上取得的令人鼓舞的结果将吸引更多的研究工作，以在将来将深度学习应用于食品领域。并与每项研究的其他流行解决方案进行了比较。我们还分析了深度学习在食品感官和消费研究中用作高级数据挖掘工具的潜力。我们的调查结果表明，深度学习优于其他方法，例如手动特征提取器，传统的机器学习算法，以及深度学习作为食品质量和安全检查中有希望的工具。深度学习在分类和回归问题上取得的令人鼓舞的结果将吸引更多的研究工作，以在将来将深度学习应用于食品领域。我们的调查结果表明，深度学习优于其他方法，例如手动特征提取器，传统的机器学习算法，以及深度学习作为食品质量和安全检查中有希望的工具。深度学习在分类和回归问题上取得的令人鼓舞的结果将吸引更多的研究工作，以在将来将深度学习应用于食品领域。我们的调查结果表明，深度学习优于其他方法，例如手动特征提取器，传统的机器学习算法，以及深度学习作为食品质量和安全检查中有希望的工具。深度学习在分类和回归问题上取得的令人鼓舞的结果将吸引更多的研究工作，以在将来将深度学习应用于食品领域。