本公开的一个是应用于食品的人工智能和机器学习。另一是食品科学。本公开具体地涉及使用机器学习来为食品生成食品配方以模拟目标食品项。
背景技术:
1、本章节中描述的方法是可以采用的方法,但不一定是先前已经设想或采用的方法。因此,除非另有说明,否则不应假定本章节中描述的任何方法仅仅因为它们包含在本章节中就能够作为现有技术。
2、今天,在食品工业中使用动物的许多负面后果是已知的,例如森林砍伐、污染、人类健康状况、和过敏等等。相比之下,植物性饮食与改善健康和福祉相关联,并降低患病风险。植物性饮食不仅有益于我们的健康,也有益于地球的健康。研究表明,与动物性食品项的生产相比,植物性食品项的生产产生的温室气体排放量更少,需要的能源、水和土地也更少。动物性食品项有植物替代品。例如,肉类的植物替代品包括素食汉堡和其他素肉类食品项。然而,这些替代品与肉的味道和质地不匹配。
3、因此,需要改进的技术以通过尽可能多地匹配营养和感官属性来模拟目标食品项,例如动物性目标食品项。不幸的是,许多用于开发新食品的技术依赖于耗时、不准确的手动实验室工作,其中不同的配料以不同的方式组合并进行测试。这些方法效率低下,需要花费大量时间来开发单一的成功食品配方,并且浪费物理资源。
技术实现思路
1、所附权利要求可以作为本发明的概述。
1.一种计算机实现的方法,用于生成植物性食品项的预测配方来模拟非植物性的目标食品项,该方法包括:
2.如权利要求1所述的方法,其中,所述多个配料组合包括多个配料真实组合,其中,所述多个配料真实组合来自食谱数据库中的食谱。
3.如权利要求1所述的方法,其中,所述多个配料组合包括多个配料合成组合,其中,所述多个配料合成组合中每个配料合成组合包括从配料数据库中随机选择的配料。
4.如权利要求1所述的方法,其中,每个数字式存储的特征向量表示特征集合,该特征集合包括至少一个化学特征、营养特征和分子特征。
5.如权利要求1所述的方法,其中,与配料组合相关联的每个数字式存储的配料向量包括该配料组合中每种配料的比例。
6.如权利要求1所述的方法,其中,在所述第一阶段中,所述多个数字式存储的特征向量中每个数字式存储的特征向量被与来自所述多个数字式存储的配料向量的一数字式存储的配料向量相匹配。
7.如权利要求1所述的方法,其中,在所述第一阶段中,所述多个数字式存储的配料向量中每个数字式存储的配料向量被与来自所述多个数字式存储的特征向量的多个存储的特征向量相匹配。
8.如权利要求1所述的方法,其中,经训练的神经网络在第二阶段中被逆向应用以生成所述预测配方。
9.如权利要求1所述的方法,还包括:精制所述预测配方,以减少所述配料集合中的配料总数并重新平衡所述配料集合中剩余配料的比例。
10.如权利要求1所述的方法,其中,所述植物性食品项通过使用所述预测配方来制备。
11.一种或多种非暂态计算机可读存储介质,存储有一个或多个指令,所述指令被编程以生成植物性食品项的预测配方来模拟非植物性的目标食品项,所述指令当被一个或多个计算设备执行时,使得执行以下操作:
12.如权利要求11所述的一种或多种非暂态计算机可读存储介质,其中,所述多个配料组合包括多个配料真实组合,其中,所述多个配料真实组合来自食谱数据库中的食谱。
13.如权利要求11所述的一种或多种非暂态计算机可读存储介质,其中,所述多个配料组合包括多个配料合成组合,其中,所述多个配料合成组合中每个配料合成组合包括从配料数据库中随机选择的配料。
14.如权利要求11所述的一种或多种非暂态计算机可读存储介质,其中,每个数字式存储的特征向量表示特征集合,该特征集合包括至少一个化学特征、营养特征和分子特征。
15.如权利要求11所述的一种或多种非暂态计算机可读存储介质,其中,与配料组合相关联的每个数字式存储的配料向量包括该配料组合中每种配料的比例。
16.如权利要求11所述的一种或多种非暂态计算机可读存储介质,其中,在所述第一阶段中,所述多个数字式存储的特征向量中每个数字式存储的特征向量被与来自所述多个数字式存储的配料向量的一数字式存储的配料向量相匹配。
17.如权利要求11所述的一种或多种非暂态计算机可读存储介质,其中,在所述第一阶段中,所述多个数字式存储的配料向量中每个数字式存储的配料向量被与来自所述多个数字式存储的特征向量的多个存储的特征向量相匹配。
18.如权利要求11所述的一种或多种非暂态计算机可读存储介质,其中,经训练的神经网络在第二阶段中被逆向应用以生成所述预测配方。
19.如权利要求11所述的一种或多种非暂态计算机可读存储介质,其中,所述一个或多个指令当被所述一个或多个计算设备执行时,还使得执行以下操作:精制所述预测配方,以减少所述配料集合中的配料总数并重新平衡所述配料集合中剩余配料的比例。
20.如权利要求11所述的一种或多种非暂态计算机可读存储介质,其中,所述植物性食品项通过使用所述预测配方来制备。