相关实验视频
Updated: Sep 16, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.4K
从食物图像中预测菜的营养成分的2D预测:深度学习算法选择和数据策划超越营养5k项目
Rachele Bianco1, Sergio Coluccia2, Michela Marinoni2
1Department of Medicine-DMED, Università degli Studi di Udine, 33100 Udine, Italy.
Nutrients
|July 12, 2025
概括
深度学习模型现在可以从图像中预测食物质量,能量和营养素. 成分质量校正显著提高了准确性,ResNet-101和Vision Transformer-B-16显示出最佳性能.
科学领域:
- 计算机视觉 计算机视觉
- 营养科学 营养科学
- 机器学习 机器学习
背景情况:
- 深度学习 (DL) 显示出分析食物图像的前景,但在直接预测营养含量方面存在困难.
- 国家特定的食品成分数据库 (FCDB) 的变化限制了DL模型的通用性.
- 准确的食品图像分析需要高质量的数据和强大的模型.
研究的目的:
- 评估标准DL模型的性能,用于从食物图像中预测质量,能量和宏观营养素含量.
- 评估国家特定的FCDB调整 (美国与意大利) 和数据策划技术对模型概括的影响.
- 为了确定基于图像的营养评估的最佳DL架构.
主要方法:
- 利用了Nutrition5k数据集 (约5000个复杂的美国食堂菜) 与四个精心策划的基准真相数据集.
- 评估了四个特征提取器 (ResNet-50,ResNet-101,InceptionV3,Vision Transformer-B-16) 与两个回归网络相结合.
- 使用描述性统计 (协议,科恩的卡帕) 和回归指标 (平均绝对百分比误差) 的比较模型.
主要成果:
- 在所有数据集中,ResNet-101和Vision Transformer-B-16架构始终超过了基准模型.
- 成分质量校正显著提高了预测准确性 (顶级模型的误差减少了6-42%).
- 复杂的沙拉,/蛋菜和西方早餐呈现出一致的预测挑战.
结论:
- 建议ResNet-101和Vision Transformer-B-16用于未来基于图像的营养分析.
- 结合成分质量校正和自动波器可以提高预测准确性.
- 需要进一步的研究,以解决特定复杂的食品类型的预测困难.
