相关实验视频
Updated: May 21, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
8.9K
从食物图像中识别质,使用先进的深度学习和转移学习方法.
Mayura Tapkire1,2, Vanishri Arun3, M S Lavanya3
1Department of Information Science and Engineering, The National Institute of Engineering, Mysore, India.
Journal of food science and technology
|May 19, 2025
概括
这项研究引入了一种新的卷积神经网络 (CNN) 模型,用于准确的质图像分类. 开发的食品识别工具可以帮助患有乳病的人识别含有质的食物.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 饮食管理 饮食管理
背景情况:
- 食品图像识别对于饮食管理至关重要,特别是对于饮食限制的人来说.
- 准确识别含有质的食物对于治疗乳病至关重要.
研究的目的:
- 开发一种使用卷积神经网络 (CNN) 架构进行质图像分类的新方法.
- 通过精确的食物图像识别,帮助患有乳病的人识别含的食物.
主要方法:
- 利用来自Food101数据集的2万张食物图像的精选数据集,专注于常见的食谱.
- 采用卷积神经网络 (CNN) 架构,特别是利用EfficientNet预训练模型进行图像分类.
- 通过仔细的数据标签,确保高质量的培训和测试.
主要成果:
- 使用EfficientNet预训练模型实现了99.02%的训练准确率和98.38%的验证准确率.
- 该模型表现出高效率,在2000张图像的测试集上获得99%的准确性.
- 结果强调了模型在准确的质分类方面的能力.
结论:
- 开发的食品图像识别模型对于质分类是有效的.
- 这种工具为乳患者在管理饮食摄入量方面提供了显著的潜在实用性.
- 该研究为饮食管理的食品图像识别领域提供了宝贵的资源.
