相关实验视频
Updated: Jun 26, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.1K
建立深度神经网络模型,从照片中检测常见的食用坚果,并估计营养组合
Ruopeng An1, Joshua M Perez-Cruet2, Xi Wang1
1Brown School, Washington University in St. Louis, St. Louis, MO 63130, USA.
Nutrients
|May 11, 2024
概括
这项研究引入了一个新的数据集和人工智能模型,用于识别照片中的坚果,从而能够准确地估计营养含量. 这项技术可以为饮食应用程序提供动力,通过实时洞察力促进更健康的饮食习惯.
科学领域:
- 计算机视觉 计算机视觉
- 营养科学 营养科学
- 人工智能的人工智能
背景情况:
- 坚果是营养丰富的,但消费不足.
- 饮食跟踪应用程序可以通过准确的数据来提高坚果摄入量.
- 人工智能模型的开发需要强大的数据集和高效的框架.
研究的目的:
- 为人工智能培训开发一个全面的坚果图像数据集.
- 创建一个人工智能模型来识别和量化照片中的坚果.
- 为了实现从坚果图像中自动估计营养含量.
主要方法:
- 创建了一个由1380张RGB图像组成的数据集,其中包括11种坚果类型.
- 图像用VGG图像标注器用边框进行注释.
- 通过使用IceVision框架的转移学习来训练深度神经网络模型.
主要成果:
- 该模型在坚果识别中实现了0.7596的平均精度.
- 该模型在确定坚果数量和类型方面显示了97.9%的准确性.
- 营养含量估计显示出0.8%至2.6%的错误率.
结论:
- 公共可用的数据集和模型有助于进一步的研究和开发.
- 从照片中自动分析坚果显示了饮食应用的前景.
- 这项技术可以提供实时的营养洞察力,以鼓励坚果消费.
