1. AI新视界首页
  2. AI食品

goFOOD:用于膳食评估的人工智能系统

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goFOOD:用于膳食评估的人工智能系统

表2.快餐数据库中营养成分含量估算结果的比较goFOOD:用于膳食评估的人工智能系统

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goFOOD:用于膳食评估的人工智能系统

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。goFOOD:用于膳食评估的人工智能系统

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。goFOOD:用于膳食评估的人工智能系统

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goFOOD:用于膳食评估的人工智能系统

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!

发表评论

邮箱地址不会被公开。 必填项已用*标注