相关实验视频
Updated: May 23, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
8.9K
基于图像的食物组和部分预测通过使用深度学习
Hidir Selcuk Nogay1, Nalan Hakime Nogay2, Hojjat Adeli3
1Faculty of Engineering, Department of Electrical and Electronics Engineering, Bursa Uludag University, Bursa, Turkey.
Journal of food science
|March 7, 2025
概括
一个新的深度学习系统自动对土耳其食品进行分类,并估计部分大小. 这项技术有助于管理饮食,预防营养不良,治疗肥胖和高血压等慢性疾病.
科学领域:
- 营养科学 营养科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 肥胖和高血压等慢性疾病与营养不良和不良饮食习惯有关.
- 准确的食物消费量测量对于个性化营养和预防营养不良至关重要,特别是考虑到不同的食物文化.
- 自动化系统可以帮助监测饮食摄入量,并确保满足营养需求.
研究的目的:
- 开发和实施用于自动食品分组和分类的深度学习系统.
- 估计菜的份量大小,特别关注土耳其菜.
- 通过图像识别技术改善营养评估和管理.
主要方法:
- 利用深度学习,特别是卷积神经网络 (CNN),用于基于图像的食物识别.
- 开发了一个分组和分类食品的系统.
- 实施数据增强技术以提高模型性能.
主要成果:
- 在分类食品组时达到高达80%的准确性.
- 在估计份量大小方面达到80.47%的准确性.
- 证明了CNN对分析土耳其菜的有效性.
结论:
- 开发的深度学习系统准确地分类食物组,并估计部分大小.
- 这项技术为个性化营养和饮食管理提供了一个有前途的工具.
- 自动化食品分析可以帮助预防营养不良和与饮食有关的慢性疾病.
