相关实验视频
Updated: Jun 23, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.0K
细粒粮食图像识别:关于优化卷积神经网络以提高性能的一项研究
Liam Boyd1, Nonso Nnamoko2, Ricardo Lopes2
1Apadmi Ltd., Anchorage 2 Salford, The Quays, Manchester M50 3XE, UK.
Journal of imaging
|June 26, 2024
概括
这项研究开发了一种使用优化DenseNet架构的细粒度食品识别模型,以减少食物浪费. FridgeSnap移动应用程序使用这个模型来识别食品,并建议食谱,促进可持续性.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 食品科学 食品科学 食品科学
背景情况:
- 食物浪费是一个重要的环境和资源问题.
- 现有的计算机视觉数据集缺乏细粒度的食品物品分类.
- 需要精确的食品识别,以实现有针对性的废物减少战略.
研究的目的:
- 为移动应用程序开发一种用于识别单个食品的模型.
- 为了弥合细粒度食品数据集的差距,用于减少废物研究.
- 整合计算机视觉技术,以实际减轻食品浪费.
主要方法:
- 评估了七个卷积神经网络架构,用于多类食物图像分类.
- 利用了20个食品类别的41,949张图像的自定义数据集.
- 进行了广泛的参数调整,包括优化器,图像大小,丢失率和激活功能.
主要成果:
- 丹森网架构建立了基线性能,训练准确率为74%,验证准确率为68%.
- 优化后的DenseNet显著提高了性能,实现了99%的训练准确率和79%的验证准确率.
- 优化的模型展示了优越的概括能力和减少损失指标.
结论:
- 优化的DenseNet架构对于细粒度食品的识别非常有效.
- 开发的模型集成到 FridgeSnap 应用程序中,帮助用户识别食物并减少浪费.
- 这项研究通过先进的技术解决方案来减少食物浪费,为环境可持续性做出贡献.
