相关实验视频
Updated: Jul 9, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.2K
一种新的方法来估计食品的重量,基于从图像中提取的特征,使用增强算法来估计食物的重量
Fotios S Konstantakopoulos1,2, Eleni I Georga1,2, Dimitrios I Fotiadis3,4
1Unit of Medical Technology and Intelligent Information Systems, Dept. of Materials Science and Engineering, University of Ioannina, Ioannina, Greece.
Scientific reports
|November 29, 2023
概括
这项研究引入了一种新方法,利用机器学习从图像中估计食物的重量. 该方法准确地确定了食物数量,推进了营养评估系统.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 营养科学 营养科学
背景情况:
- 准确的食物重量估计对于饮食管理和营养评估至关重要.
- 基于图像的饮食评估系统需要精确的食物数量确定.
- 从图像中估计食品重量的现有方法存在局限性.
研究的目的:
- 利用图像特征和先进的回归算法开发一种用于估计食品重量的新方法.
- 为了培训和验证,创建和使用一个独特的地中海美食图像数据集.
- 在饮食评估中建立一个可靠的管道,用于准确估计食物重量.
主要方法:
- 从注释的食物图像中提取特征 (食品区域,参考对象区域,食品ID,类别,重量).
- 构建一个数据集,包含24,996条记录,来自23,052张注释的地中海食品图像.
- 训练使用交叉验证,超参数调整和增强回归 (XGBoost,CatBoost,LightGBM) 的体重估计模型.
主要成果:
- 拟议模型的平均绝对误差为3.93g,平均绝对百分比误差为3.73%.
- 在MedGRFood数据库中,226种食品的根平均平方误差为6.05g.
- 该模型在从图像中估计食物重量时表现出高准确度.
结论:
- 开发的方法为使用图像分析准确估计食品重量提供了有希望的方法.
- 这一进步对改善营养评估和饮食管理系统有重大影响.
- 该研究为基于食物图像的体重和营养估计模型提供了新的视角.
