Wprowadzenie. Głębokie uczenie się (Deep Learning) to wysoce skuteczna metoda analizy dużych zbiorów danych, mogąca poszczycić się niezwykłymi osiągnięciami w różnych dziedzinach, takich jak przetwarzanie obrazu, rozpoznawanie głosu, wykrywanie obiektów, diagnozowanie chorób, przewidywanie i systemy wspomagania decyzji klinicznych. Jej zastosowanie rozciąga się jeszcze dalej na nowe obszary, takie jak nauka o żywności i inżynieria, gdzie nastąpił gwałtowny wzrost jej wykorzystania. W ciągu ostatniej dekady technologia DL wykazał swoją użyteczność w różnych aspektach przemysłu spożywczego, w tym w ocenie jakości żywności, wykrywaniu, różnicowaniu, identyfikacji chorób, fenotypowaniu roślinnych czynników stresogennych, monitorowaniu i inteligentnych praktykach rolniczych. Integracja technologii DL odegrała kluczową rolę w zrewolucjonizowaniu branży spożywczej i powiązanych z nią łańcuchów dostaw, ułatwiając postęp w ocenie jakości żywności, rozpoznawaniu żywności i analizie spektroskopowej. Warto zauważyć, że obrazowanie hiperspektralne i dane akustyczne okazały się kluczowymi metodami wykorzystywanymi przez techniki DL w tych zastosowaniach.
Wyniki i wnioski. Celem tego opracowania jest ocena ostatnich postępów w zakresie rozwiązań DL w przemyśle spożywczym, zbadanie ich różnorodnych zastosowań i funkcjonalności. Szczególnie interesująca jest ocena roli DL w analizie sensorycznej żywności i badaniach konsumenckich, gdzie stanowi ona obiecującą drogę dla wyrafinowanych technik eksploracji danych. Poprzez wszechstronne badanie porównawcze wydajności, niuansów architektonicznych i potencjalnych przyszłych zastosowań, niniejszy artykuł ma na celu rzucić światło na ewoluujący obraz DL w dziedzinie nauk o żywności i inżynierii.