相关实验视频
Updated: Sep 19, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.4K
从运动卷积神经网络模型 (SfM-CNN) 的结构获得了准确的便携式中国饮食化学成分估计,用于饮食回忆
Peihua Ma1, Hsuan Chih Hong2, Xiaoxue Jia1
1Institute of Food Science and Technology, Chinese Academy of Agricultural Sciences, Key Laboratory of Agro-products Processing, Ministry of Agriculture and Rural Affairs, Beijing 100193, China; Department of Nutrition and Food Science, College of Agriculture and Natural Resources, University of Maryland, College Park, MD 20742, United States.
Food chemistry
|May 31, 2025
概括
这项研究引入了一个AI模型来分析中国食品的化学成分,在估计碳水化合物等营养素方面达到高准确性. 这一创新有助于营养科学和公共卫生在不同的地区.
科学领域:
- 营养科学 营养科学
- 食品化学 食品化学
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 准确的饮食摄入量估计对于健康管理至关重要,特别是在像中国这样的文化多样化的地区.
- 分析食品化学成分的现有方法可能是劳动密集型的,缺乏精度.
- 对各种美食的化学成分分析自动化是一个重大挑战.
研究的目的:
- 开发和验证一种新的人工智能驱动的解决方案,用于中国食品的自动化化学成分分析.
- 将运动结构 (SfM) 技术与卷积神经网络 (CNN) 集成,以进行增强的食品分析.
- 在复杂的环境中提高饮食评估的准确性和效率.
主要方法:
- 从运动卷积神经网络 (SfM-CNN) 模型开发了一个结构,其中包含了规模不变特征转换 (SIFT) 算法.
- 利用先进的3D重建来准确估计食物的体积.
- 在新创建的ChineseDish-100数据集上训练了SIFT-ResNet50模型.
主要成果:
- 实现了优越的特征提取和食物体积估计,误差低于4%.
- 在碳水化合物含量估计中证明了高准确性,R平方值为0.949.
- 通过可靠的参数优化可视化技术增强模型解释性.
结论:
- 由人工智能驱动的SfM-CNN模型提供了一种高效准确的方法来分析中国食品的化学成分.
- 这种方法在促进营养科学,食品化学和公共卫生倡议方面具有重大潜力.
- 开发的模型为不同人群的饮食分析提供了一个文化相关的工具.
