相关实验视频
Updated: Jul 8, 2025

13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.2K
基于堆叠融合模型的自动中国食品识别
概括
这项研究开发了一种深度学习模型,用于精确记录饮食,使用智能手机对中国菜的图像. 人工智能模型实现了高精度,帮助个人管理糖尿病和肥胖等疾病.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 食品科学 食品科学 食品科学
背景情况:
- 深度学习模型越来越多地商业化,使基于智能手机的饮食记录成为可能.
- 准确的食物识别对于饮食管理至关重要,特别是对于肥胖和糖尿病等健康状况.
研究的目的:
- 开发一个大数据驱动的深度学习模型,从图像中识别中国菜.
- 为培训和评估建立最大的中国菜 (CNFOOD-241) 数据集.
- 评估和比较受欢迎的深度学习模型的性能,并引入一种新的多模型融合技术.
主要方法:
- 创建了CNFOOD-241,一个数据集,包含241个中国菜类别的19万多张图像.
- 训练并评估了三个流行的深度学习模型,包括ResNeXt101_32x32d.
- 实施了一种新的多模型融合方法,使用超学习器来整合基本模型以提高稳定性.
主要成果:
- 在CNFOOD-241数据集上,ResNeXt101_32x32d实现了82.05%的top-1和97.13%的top-5精度.
- 多模型融合方法达到了82.88%的top-1精度,显示出更高的性能.
- 该研究证实了人工智能在识别中国菜方面的可行性.
结论:
- 人工智能驱动的中国菜的图像识别是可行的和准确的.
- 这项技术可以显著帮助需要饮食控制的人,例如糖尿病或肥胖的人.
- 开发的CNFOOD-241数据集和融合模型推动了食品识别领域的发展.

