Оценка энергетического состава продуктов питания на основе изображений: подходы, основанные на глубоком обучении

Аннотация

Ключевые слова: В статье представлены подходы на основе глубокого Глубокое обучение, обучения для оценки энергетического состава продуктов изображения продуктов питания с использованием изображений. В отличие от питания, традиционных методов, технологии глубокого обучения, в оценка энергетического состава, частности сверточные нейронные сети (CNN), позволяют сверточные нейронные автоматизировать процесс классификации продуктов сети (CNN), питания и расчета их калорийности. Особое внимание расчет калорий, уделяется значимости качества наборов данных и классификация продуктов, алгоритмов, применяемых для распознавания продуктов и оценка объема, мониторинг питания, оценки их объемов. В статье также проводится анализ технологии эффективности моделей, используемых для определения здравоохранения, энергетического состава, и сравнение их результатов. искусственный интеллект. Отмечается, что подобные подходы имеют значительный потенциал в автоматизации мониторинга питания, особенно в области здравоохранения, что способствует улучшению контроля рациона и управления питанием с применением искусственного интеллекта.