相关实验视频
Updated: May 20, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
8.9K
使用精致的ResNet50架构改进了食品识别,并改进了完全连接的层
Pouya Bohlol1, Soleiman Hosseinpour1, Mahmoud Soltani Firouz1
1Department of Agricultural Machinery Engineering, Faculty of Agricultural Engineering and Technology, University of Tehran, Karaj, Iran.
Current research in food science
|March 24, 2025
概括
这项研究开发了一个使用ResNet50的深度学习系统,可以准确地识别视频中的食品,帮助在餐厅环境中分析健康影响. 最优化的模型在食品识别方面实现了97.25%的准确性.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 食品科学 食品科学 食品科学
背景情况:
- 食物消费对人类健康产生重大影响,受质量,数量,新鲜度和颜色等因素的影响.
- 准确识别消费的食物对于评估健康影响至关重要,尤其是在医院和餐馆等受控环境中.
研究的目的:
- 开发和评估一个机器视觉系统,利用深度学习来识别16个类别的食品.
- 通过分析来自医院和餐厅的餐饮数据,评估食物消费对人类健康的影响.
主要方法:
- 创建了一个由12,000张食物图像组成的数据集,并将其扩展到66000张图像.
- 使用了五个深度学习算法,ResNet50显示出卓越的性能.
- 超参数调整和转移学习被用来优化ResNet50模型,包括一个定制的完全连接层.
主要成果:
- 优化的ResNet50模型实现了97.25%的准确性和0.2的食物识别损失.
- 性能最好的模型使用了Adam优化器,初始学习速率为10−3,批量大小为4,图像大小为340x640.
- 训练和响应时间分别为5.30小时和1.2秒.
结论:
- ResNet50,特别是具有定制的完全连接层,是非常有效的准确和高效的食品识别.
- 这项技术可以通过在各种环境中提供有关食品消费的精确数据来支持健康影响评估.
