論文の概要: Deep Learning and Machine Vision for Food Processing: A Survey
- arxiv url: http://arxiv.org/abs/2103.16106v1
- Date: Tue, 30 Mar 2021 06:40:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-01 02:00:25.398217
- Title: Deep Learning and Machine Vision for Food Processing: A Survey
- Title（参考訳）: 食品加工におけるディープラーニングと機械学習:調査
- Authors: Lili Zhu, Petros Spachos, Erica Pensini, and Konstantinos Plataniotis
- Abstract要約: 食品の品質と安全性は、人間の健康、社会の発展、安定性の基礎であるため、社会全体にとって重要な問題です。
機械ビジョンの開発は、研究者や産業が食品加工の効率を向上させるのに大いに役立つ。
本稿では,従来の機械学習と深層学習の手法の概要と,食品加工分野に適用可能な機械ビジョン技術について概説する。
- 参考スコア（独自算出の注目度）: 5.53479503648814
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The quality and safety of food is an important issue to the whole society,
since it is at the basis of human health, social development and stability.
Ensuring food quality and safety is a complex process, and all stages of food
processing must be considered, from cultivating, harvesting and storage to
preparation and consumption. However, these processes are often
labour-intensive. Nowadays, the development of machine vision can greatly
assist researchers and industries in improving the efficiency of food
processing. As a result, machine vision has been widely used in all aspects of
food processing. At the same time, image processing is an important component
of machine vision. Image processing can take advantage of machine learning and
deep learning models to effectively identify the type and quality of food.
Subsequently, follow-up design in the machine vision system can address tasks
such as food grading, detecting locations of defective spots or foreign
objects, and removing impurities. In this paper, we provide an overview on the
traditional machine learning and deep learning methods, as well as the machine
vision techniques that can be applied to the field of food processing. We
present the current approaches and challenges, and the future trends.
- Abstract（参考訳）: 食品の品質と安全性は、人間の健康、社会発展、安定の基礎にあるため、社会全体にとって重要な問題である。
食品の品質と安全性の確保は複雑なプロセスであり、栽培、収穫、貯蔵から準備と消費に至るまで、食品加工のあらゆる段階を考慮する必要がある。
しかし、これらのプロセスはしばしば労働集約的です。
現在、機械ビジョンの開発は、食品加工の効率を向上させるために研究者や産業を大いに助けることができる。
その結果、機械ビジョンは食品加工のあらゆる面で広く利用されてきた。
同時に、画像処理はマシンビジョンの重要な構成要素である。
画像処理は、機械学習とディープラーニングモデルを利用して、食品の種類と品質を効果的に識別することができる。
その後、マシンビジョンシステムにおけるフォローアップ設計は、食品のグレーディング、欠陥箇所や異物の位置の検出、不純物除去などのタスクに対処することができる。
本稿では,従来の機械学習および深層学習手法の概要と,食品加工分野に適用可能な機械ビジョン技術について述べる。
我々は,現在のアプローチと課題,今後のトレンドを紹介する。
関連論文リスト
- Computer Vision in the Food Industry: Accurate, Real-time, and Automatic Food Recognition with Pretrained MobileNetV2 [1.6590638305972631]
本研究は,16643画像からなる公共食品11データセット上での食品認識において,効率的かつ高速な事前訓練されたMobileNetV2モデルを用いる。
また、データセット理解、転送学習、データ拡張、正規化、動的学習率、ハイパーパラメータチューニング、さまざまなサイズの画像の考慮など、さまざまな技術を活用して、パフォーマンスと堅牢性を高めている。
より単純な構造を持ち、深層学習領域の深部・密度モデルと比較して訓練可能なパラメータが少ない光モデルを採用するが、短時間で計算可能な精度を達成した。
論文 参考訳（メタデータ） (2024-05-19T17:20:20Z) - How Much You Ate? Food Portion Estimation on Spoons [63.611551981684244]
現在の画像に基づく食品部分推定アルゴリズムは、ユーザが食事の画像を1、2回取ることを前提としている。
本稿では,静止型ユーザ向けカメラを用いて,機器上の食品の追跡を行う革新的なソリューションを提案する。
本システムは,スープやシチューなどの液状固形不均一混合物の栄養含量の推定に信頼性が高い。
論文 参考訳（メタデータ） (2024-05-12T00:16:02Z) - From Canteen Food to Daily Meals: Generalizing Food Recognition to More
Practical Scenarios [92.58097090916166]
DailyFood-172とDailyFood-16という2つの新しいベンチマークを、毎日の食事から食のイメージをキュレートする。
これらの2つのデータセットは、よく計算された食品画像領域から日常的な食品画像領域へのアプローチの伝達性を評価するために使用される。
論文 参考訳（メタデータ） (2024-03-12T08:32:23Z) - Transferring Knowledge for Food Image Segmentation using Transformers
and Convolutions [65.50975507723827]
食品画像のセグメンテーションは、食品の皿の栄養価を推定するなど、ユビキタスな用途を持つ重要なタスクである。
1つの課題は、食品が重なり合ったり混ざったりし、区別が難しいことだ。
2つのモデルが訓練され、比較される。1つは畳み込みニューラルネットワークに基づくもので、もう1つは画像変換器(BEiT)のための双方向表現に関するものである。
BEiTモデルは、FoodSeg103上の49.4の結合の平均的交点を達成することで、従来の最先端モデルよりも優れている。
論文 参考訳（メタデータ） (2023-06-15T15:38:10Z) - Empowering Agrifood System with Artificial Intelligence: A Survey of the Progress, Challenges and Opportunities [86.89427012495457]
我々は、AI技術がアグリフードシステムをどう変え、現代のアグリフード産業に貢献するかをレビューする。
本稿では,農業,畜産,漁業において,アグリフードシステムにおけるAI手法の進歩について概説する。
我々は、AIで現代のアグリフードシステムを変革するための潜在的な課題と有望な研究機会を強調します。
論文 参考訳（メタデータ） (2023-05-03T05:16:54Z) - Self-Supervised Visual Representation Learning on Food Images [6.602838826255494]
既存の深層学習手法は、食品画像の人間のアノテーションに基づいて、下流タスクの視覚的表現を学習する。
実生活のほとんどの食品画像はラベルなしで取得され、データアノテーションには多くの時間と人的労力が必要です。
本稿では,食品画像における自己指導型学習手法の実装と分析に焦点をあてる。
論文 参考訳（メタデータ） (2023-03-16T02:31:51Z) - Rethinking Cooking State Recognition with Vision Transformers [0.0]
料理状態認識タスクにおいて視覚変換器(ViT)アーキテクチャの自己保持機構を提案する。
提案したアプローチは、画像から得られたグローバルな健全な特徴をカプセル化するとともに、より大きなデータセットから得られた重みを利用する。
私たちのフレームワークの精度は94.3%で、最先端のフレームワークよりも大幅に優れています。
論文 参考訳（メタデータ） (2022-12-16T17:06:28Z) - An Integrated System for Mobile Image-Based Dietary Assessment [7.352044746821543]
本稿では,食事摂取状況の把握と分析を行うモバイル型イメージベース食事アセスメントシステムの設計と開発について述べる。
本システムは,自然条件下での高品質な食品画像の収集が可能であり,新しい計算手法を開発するための基盤となるアノテーションを提供する。
論文 参考訳（メタデータ） (2021-10-05T00:04:19Z) - Vision-Based Food Analysis for Automatic Dietary Assessment [49.32348549508578]
本総説では, 食品画像分析, 容積推定, 栄養素抽出の3段階からなる, 統合型ビジョンベース食事評価(VBDA)の枠組みを概説する。
深層学習により、VBDAは徐々にエンドツーエンドの実装へと移行し、単一のネットワークに食品画像を適用して栄養を直接見積もる。
論文 参考訳（メタデータ） (2021-08-06T05:46:01Z) - Towards Building a Food Knowledge Graph for Internet of Food [66.57235827087092]
食品分類から食品分類、食品知識グラフまで、食品知識組織の進化を概観する。
食品知識グラフは、食品検索と質問回答(QA)、パーソナライズされた食事レコメンデーション、食品分析、可視化において重要な役割を果たす。
食品知識グラフの今後の方向性は、マルチモーダル食品知識グラフや食品インテリジェンスなど、いくつかの分野をカバーする。
論文 参考訳（メタデータ） (2021-07-13T06:26:53Z) - Large Scale Visual Food Recognition [43.43598316339732]
これは2000のカテゴリと100万以上のイメージを持つ、最大規模の食品認識データセットです。
food2kはそれらをカテゴリとイメージの両方で1桁ずつバイパスする。
食品認識のためのディーププログレッシブ領域強化ネットワークを提案します。
論文 参考訳（メタデータ） (2021-03-30T06:41:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。