作者利用深度神经网络对两个图像进行处理，实现了对食物的检测、分割和识别，以及利用3D重建算法估计食物量。作者提出的膳食评估系统goFOODTM支持319种细粒度的食品类别，并且已经在包含非标准和快餐食品的MADiMa和“Fast food”数据库中进行了验证。goFOODTM在MADiMa数据库中的表现优于经验丰富的营养师，而与“Fast food”数据库中的营养师相当。goFOODTM可为最终用户提供简单有效的膳食评估解决方案。
作者：杨正飞 编辑：肖冉
今天给大家介绍一篇由Ya Lu等人合作，于前段时间发表在Sensors的一篇文章，文章中作者介绍了一个基于人工智能系统goFOODTM，用于进行膳食评估。
1. 简介
作者利用深度神经网络对两个图像进行处理，实现了对食物的检测、分割和识别，以及利用3D重建算法估计食物量。作者提出的膳食评估系统goFOODTM支持319种细粒度的食品类别，并且已经在包含非标准和快餐食品的MADiMa和“Fast food”数据库中进行了验证。goFOODTM在MADiMa数据库中的表现优于经验丰富的营养师，而与“Fast food”数据库中的营养师相当。goFOODTM可为最终用户提供简单有效的膳食评估解决方案。
2. 结果与讨论
2.1 食品图像处理
作者仅在自动模式下对系统goFOODTM的食品细分和识别性能进行了评估。而对于食物量的估算则是通过构建食品3D模型。对于食品细分，作者采用F-score作为度量标准，goFOODTM在MADiMa数据库上实现了Fsum为94.4％和Fmin为83.9％的结果，高于其他工作评估结果，食品细分性能表现良好。对于食品识别，作者通过对原始Inception-V3网络与goFOODTM在排名前一和排名前三结果进行比较发现，goFOODTM在排名前一的准确率均优于原始网络，所提出的多级食品分类策略表现良好。对于食物量的估算，作者引入了智能手机的重力数据，goFOODTM在MADiMa数据库中的234种食物中给出了MARE为19％的结果（GoCARB的MARE为22.6％），性能提高。
2.2 营养估算
在这里，作者比较了goFOODTM系统和营养师对MADiMa和Fast Food数据库的评估结果。评估的指标是绝对误差的中位数及其第25和75个百分位数。结果表明，goFOODTM的表现优于营养师在MADiMa数据库中的评估，而稍低于营养师在Fast food数据库上的评估。结果总结在表1、表2中。
作者还对两个不同系统输入（即两个不同的视图图像和立体图像对）的性能进行比较，结果总结在表2中。作者发现，两个视图图像的输入获得了更好的结果。并且较小的基线距离会对3D模型重建产生负面影响。
表1. MADiMa数据库中营养成分的估算
表2.快餐数据库中营养成分含量估算结果的比较
作者还对goFOODTM，营养师的估计值和标准真值之间的Pearson相关性进行了比较，结果总结在表3中。作者发现，goFOODTM的估计值与标准真值和营养师的估计值均相关。在MADiMa数据库中，蛋白质，脂肪和卡路里估计值与标准真值之间以及在Fast food数据库中，碳水化合物，蛋白质和卡路里估计值与标准真值之间的相关性最高（> 0.6）。
表3.不同方法之间的Pearson相关性
作者通过Bland-Altman图进一步对goFOODTM和营养师之间的表现进行了比较，如图1和图2。作者发现，goFOODTM在MADiMa数据库上的表现比营养师更稳定，但在Fast food数据库上的表现相当。
图1.在（a）碳水化合物，（b）蛋白质，（c）脂肪和（d）卡路里方面，goFOODTM和营养师在MADiMa数据库上的Bland-Altman图。虚线表示在95％置信度下goFOODTM（蓝色）和营养师（红色）的估计值。
图2.根据（a）碳水化合物，（b）蛋白质，（c）脂肪和（d）卡路里，goFOODTM和营养师在Fast food数据库上的Bland-Altman图。虚线表示在95％置信度下goFOODTM（蓝色）和营养师（红色）的估计值。
3. 结论
作者提出的基于智能手机的系统goFOODTM可以估算膳食的卡路里和常量营养素含量。goFOODTM系统比经验丰富的营养师对普通中欧餐的准确率更高，而对快餐标准餐点表现出相当的性能。goFOODTM系统具有很大的实用价值。
作者开发的简洁版goFOODTMLite不提供膳食估计值，而仅用于记录用户消费的食物和饮料。可以作为技术和营养方面的大规模数据收集研究项目的有价值的工具。
但在技术研究中，为训练最新算法以及开发和研究新方法而收集大量数据既昂贵又困难。同样在营养研究中，当前可用的数据收集方法对于研究参与者而言非常麻烦，并且易于出现不准确的记录。食物记录对于参与者而言可能是乏味的，因此成为他们根本不参与项目以及研究人员进行分析的原因。
参考文献
- Lu Y, Stathopoulou T, Vasiloglou M F, et al. goFOODTM: An Artificial Intelligence System for Dietary Assessment[J]. Sensors, 2020, 20(15):4283.
关注我们
原创文章，作者：ifyoung，如若转载，请注明出处：https://www.drugfoodai.com/gofood.html
注意：本站原创指的是原创编译，并不主张对所介绍的工作的版权，如有侵权，请联系删除！
微信扫一扫 
支付宝扫一扫 相关推荐
-
天津工业大学卞希慧课题组：变分模态分解加权多尺度支持向量回归用于植物油和中药掺伪的光谱定量分析
天津工业大学化学工程与技术学院的复杂体系智能分析与计算实验室采用紫外可见光谱和近红外光谱结合基于变分模态分解的集成建模方法实现了掺伪植物油和中药的定量分析。相关研究成果在2022年8月1日以题为“Variational Mode Decomposition Weighted Multiscale Support Vector Regression for Spectral Determination of Rapeseed Oil and Rhizoma Alpiniae Offcinarum Adulterants”发表在国际学术期刊Biosensors（IF=5.743）上。
-
重磅干货：食品科学数据库资源汇总（国内篇）
近些年，随着各行业的数据呈现爆炸式增长，越来越多的数专业据库不断涌现，这些数据库为业内研究者提供了广泛的数据基础。在药物和食品研究领域，除了Pubchem, ChEMBL等综合性的数据库之外，也有DrugBank, Foodb等专业性的数据库。近年来，食品科学领域与人工智能的交叉越来越广泛和深入，在食品安全和食品营养等领域涌现了大量的优秀成果。但目前，食品科学领域相对于药物研发领域，数据库的类别和数量仍然还有很大差距。而获取优质的大量的数据是人工智能方法的前提，因此专业数据库的发展就显得尤为重要。
-
食品设计：基于机器学习和机制的混合建模方法
当前，食品设计是通过不断试错并由品尝小组做出感官评价完成的。为了加快新食品的开发速度，提出了一种混合机器学习和机制建模的方法。用由所需食品过往数据训练的机器学习模型进行感官评价预测。该方法基于启发法、数据库等，首先确定候选食品组分和加工中的关键操作条件。与这些组分和加工条件（设计变量）有关的像颜色、松脆度和风味这样的食品特性都用到机制模型。通过改变设计变量来优化所需的食品特性，从而获得最高感官评分。使用遗传算法解决此灰箱优化问题，将设计约束（所需食品特性）处理为罚函数。提供了一个巧克力曲奇饼干的示例以说明混合建模结构的适用性和解决方案策略。
-
机器学习方法表征致肥胖城市的暴露组
今天分享一篇近期由荷兰阿姆斯特丹公共卫生研究所流行病学和数据科学系的Haykanush Ohanyan等人发表在Environment International上的文章。
-
基于图像识别的饮食评估系统
今天给大家介绍一篇由Kalliopi V. Dalakleidi等人，于2021年7月8日发表在Advances in Nutrition（IF=11.567）的一篇综述性文章。该综述描述了用于饮食评估的计算机视觉方法的最新进展，并介绍了基于图像的食物识别系统 (IBFRS) 在专业饮食实践中的最新应用。
-
重磅干货：食品科学数据库资源汇总（国外篇第一部分）
近期国外也有一些食品专业数据库发表。这些数据库主要对食品添加剂的安全、食品成分、食品营养和食品酶等方面进行了数据分析与平台搭建。下面介绍几篇相关的食品数据库文章。
-
我的食物安全吗？ – 基于人工智能的含有微量的麸质或坚果的小扁豆粉样品分类
今天介绍一篇由Sandra Pradana-López等人于2022年8月发表在Food Chemistry上的文章。本文提出了一种基于人工智能的实时快速检测掺杂扁豆粉的方法。将“无麸质”小扁豆粉与小麦粉或开心果粉混合，然后，拍摄纯的和受污染的小扁豆粉的数字图像，并用于训练基于转移学习的模型（即ResNet34），该模型旨在根据小麦和开心果含量对图像进行分类。本文获得的结果旨在作为概念验证，以评估数字成像与深度学习技术相结合的食物过敏原检测的真正潜力。
-
食品质量和真伪分析评估的数据挖掘/机器学习方法
近年来，为了更好地鉴定食品，通过现代分析仪器所获得的数据种类和数量急剧增加。一些模式识别工具已经被开发来处理大量复杂的有效试验数据。应用最广泛的方法有主成分分析(PCA)、部分最小二乘判别分析(PLS-DA)、类模型方法(SIMCA)、k-最近邻分类算法(kNN)、平行因子分析(PARAFAC)和多元曲线分辨率-交替最小二乘分析(MCR-ALS)。然而，也有一些替代的数据处理方法，如支持向量机(SVM)、分类回归树(CART)和随机森林(RF)等，与传统的数据处理方法相比，显示出巨大的潜力和优势。在这篇文章中，作者解释了这些方法的背景，并回顾和讨论了这三种方法在食品质量和真实性领域的应用研究的报道。此外，作者声明清楚了在这一特定研究领域中使用的专业术语。
-
稳定同位素和生物元素辅助含硫化合物的中国大蒜产地溯源
该研究对我国六个省或主要产区栽培的大蒜样品进行了稳定同位素（δ13C、δ2H、δ18O、δ15N和δ34S）、生物元素含量（%C、%N和%S）和含硫化合物（8种含量硫成分和2种氨基酸）的表征。并利用这些特征建立了两种模式识别模型（PLS-DA和k-NN），为鉴定我国大蒜的起源提供了一种有用的方法。
-
湖南大学吴海龙课题组：高效液相色谱指纹图谱结合化学计量学的白术有效成分分析及产地鉴别研究
该研究提出运用高效液相色谱-二极管阵列检测器（HPLC-DAD）结合化学计量学方法快速分析不同地区白术中12种活性成分含量并进行产地判别。首先，使用HPLC-DAD结合二阶校正算法（ATLD）对来自不同地区的白术中12种活性成分同时进行定性定量分析。利用“二阶优势”，12种化合物不仅在12.5 min内快速洗脱，而且还在色谱峰高度重叠的情况下实现了准确定性定量（平均回收率为80.8–109.9%），一系列品质因子参数均反映出所提方法的可行性。基于ATLD解析所得的12种活性成分和31种未校正成分的相对浓度值，使用偏最小二乘-判别分析法（PLS-DA）对不同地理来源的白术样本进行判别分析，三个地区的白术都有明显的聚类趋势，测试集的正确分类率可达90%。变量重要性投影（VIP）分析结果表明，紫丁香酚苷、白术内酯Ⅲ、白术内酯Ⅰ和苍术酮可作为白术产地判别的主要标志成分。一系列结果均证明了所建立模型的可靠性。该方法的建立有助于白术的临床使用和市场监管。
