相关实验视频
Updated: Jun 7, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.0K
基于食物图像的饮食评估使用人工智能的进展:范围审查
Phawinpon Chotwanvirat1,2, Aree Prachansuwan3, Pimnapanut Sridonpai3
1Theptarin Diabetes, Thyroid, and Endocrine Center, Vimut-Theptarin Hospital, Bangkok, Thailand.
Journal of medical Internet research
|November 15, 2024
概括
图像辅助饮食评估 (IADA) 使用人工智能 (AI) 分析食物照片以获取营养信息. 最近的人工智能技术的进步表明,它有望提高饮食分析的准确性和效率,帮助营养专业人员.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 营养科学 营养科学
背景情况:
- 传统的饮食评估依赖于客户的记忆,这是繁的,容易出错.
- 图像辅助饮食评估 (IADA) 使用计算机算法来解释食物图像,减少用户负担并提高准确性.
- 人工智能 (AI) 的进步正在推动IADA系统的创新.
研究的目的:
- 为了提供一个全面的AI整合在食品图像基于饮食评估的综合性概述.
- 在IADA中以时间顺序和可访问的方式呈现人工智能技术的演变.
- 讨论系统的优点,弱点,并为IADA提出未来的改进建议.
主要方法:
- 对2008年至2021年间发表的研究进行范围审查.
- 搜索的数据库:PubMed和谷歌学者.
- 专注于计算技术:人工智能模型,设备,传感器和数字方法用于食品识别和体积估计.
主要成果:
- 包括84篇文章,分析IADA系统的进展.
- 早期系统 (2015年之前) 使用手工机器学习;最近的系统采用深度学习和先进算法 (例如,CNN,GAN).
- 主要为宏观营养素和能量估计验证的系统;有限的微量营养素分析.
结论:
- IADA在食品识别和部分估计方面取得了重大进展.
- 人工智能技术为提高IADA准确性和效率提供了巨大的潜力.
- 人工智能开发人员和营养专业人员之间的合作对于有效的IADA系统开发和采用至关重要.
