NutriFoodNet: A High-Accuracy Convolutional Neural Network for Automated Food Image Recognition and Nutrient Estimation
Notice bibliographique
Résumé
To detect food items in images using Convolutional Neural Networks (CNNs) plays a crucial role in promoting healthier dietary decisions and addressing global nutrition issues.With the rise of online food delivery systems, precisely discerning food items within images and gauging their nutritional components stands as a pivotal undertaking to ensure that people are consuming a balanced diet.Due to its capacity to identify and reliably classify images, CNN is a successful approach for image recognition.By using CNN for food recognition, it is possible to automate the process of nutrient estimation and provide users with more information about their food choices.This might have a substantial effect on public health by encouraging a healthy diet and reducing the incidence of malnutrition in all its forms.An efficient food image recognition method is developed using a convolutional neural network named NutriFoodNet.Popular pre-trained models like ResNet-18, ResNet-50 and Inception V3 were at the center of our attention.A model called NutrifoodNet is developed by modifying the Inception V3 model by using the well-known Food101 dataset, which includes 101,000 picture samples of 101 food varieties.To gauge the model's efficacy, it's imperative to consider metrics such as precision, classification accuracy, F1 score, and recall as fundamental benchmarks.A comparative study was also conducted using up-to-date benchmarks.The results indicated that NutriFoodNet achieved a classification accuracy of 97.3%, outperforming other leading-edge models.An Algorithm is proposed to find the calorie information from different nutrients and comparison with the existing models is also done.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».