使用预测图像进行多光谱食品分类和热量估计.
1Department of Electrical and Electronic Engineering, Konkuk University, 1 Hwayang-dong, Gwangjin-gu, Seoul 143-701, Republic of Korea.
Foods (Basel, Switzerland)
|February 24, 2024
概括
这项研究引入了一种新的食品识别方法,仅使用标准的红绿蓝 (RGB) 图像. 它准确地分类食物和估计卡路里,模仿多波长成像,不那么复杂.
科学领域:
- 营养科学 营养科学
- 计算机视觉 计算机视觉 计算机视觉
- 图像处理 图像处理
背景情况:
- 在营养科学中,以最小的用户输入进行持续的食品识别至关重要.
- 多波长成像 (UV,NIR) 提高了食品分类和热量估计的准确性.
- 由于分析时间和光源的增加,多波长成像存在实际挑战.
研究的目的:
- 开发一种方法,用于准确识别食品和仅使用标准红绿蓝 (RGB) 图像进行热量估计.
- 为了接近多波长成像技术的性能,而不需要多个光源.
- 为了减少与先进的食品识别方法相关的复杂性和分析时间.
主要方法:
- 提出了一种利用深度神经网络 (DNN) 来从标准RGB图像中预测多波长图像 (包括UV和NIR) 的新方法.
- 采用DNN来生成预测的光谱图像,绕过实际多波长数据采集的需要.
- 通过对101种不同食品的可行性测试,验证了该方法的有效性.
主要成果:
- 获得了高的食物识别率:实际多波长图像的99.45%和预测图像的98.24%.
- 与仅使用RGB图像 (86.3%率) 相比,显著改善了识别.
- 获得了可比的热量估计准确度,最低平均绝对百分比误差 (MAPE) 为11.67% (实际) 和12.13% (预测).
结论:
- 拟议的方法有效地使用标准RGB图像,以实现与复杂的多波长成像相似的性能,用于食品识别和热量估计.
- 这种方法为多波长技术提供了实用和高效的替代方案,减少了实施挑战.
- 这些发现支持基于RGB的深度学习模型在高级营养分析中的潜力.


