相关实验视频
Updated: May 10, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
8.9K
通过利用深度学习和数据驱动的方法来改进食品图像识别,并应用于中亚食品场景
Aknur Karabay1, Huseyin Atakan Varol1, Mei Yen Chan2
1Institute of Smart Systems and Artificial Intelligence, Nazarbaeyv University, Astana, 010000, Kazakhstan.
Scientific reports
|April 24, 2025
概括
研究人员为计算机视觉 (CV) 任务创建了一个中亚食品数据集,使得在多个项目中更好地定位和检测食物. 这推动了数字食品日记和智能食品应用的发展.
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:
- 与饮食相关的疾病在中亚是一个重大的健康挑战.
- 计算机视觉 (CV) 和移动技术的进步刺激了人们对食品计算的兴趣.
- 现有的食品数据集往往缺乏现实世界食的复杂性,这些食通常包含多种食物.
研究的目的:
- 解决中亚美食中食品本地化和检测综合数据集的需求.
- 促进开发可靠的CV模型来分析多成分餐.
- 支持数字食品日记,智能餐厅和超市的应用.
主要方法:
- 开发一个大规模的,高质量的中亚食品场景数据集.
- 数据集包括21,306张图像,239个食品类别和69,856个实例.
- 评估使用物体检测模型,特别是YOLOv8xl,进行性能评估.
主要成果:
- 开发的数据集使食品的本地化和检测成为可能,克服了单项分类的局限性.
- 对象检测模型在数据集上进行了训练和评估.
- 该YOLOv8xl模型实现了0.677的平均平均精度 (mAP50) 评分,证明了有效的性能.
结论:
- 中亚食品场景数据集是推动食品计算研究的宝贵资源.
- 该数据集支持开发能够分析复杂,多项目餐的CV模型.
- 这项工作有助于改善该地区的数字食品管理和相关技术.
