論文の概要: Meat Freshness Prediction

• arxiv url: http://arxiv.org/abs/2305.00986v1
• Date: Mon, 1 May 2023 04:02:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-03 16:28:24.993347
• Title: Meat Freshness Prediction
• Title（参考訳）: 肉の鮮度予測
• Authors: Bhargav Sagiraju, Nathan Casanova, Lam Ivan Chuen Chun, Manan Lohia, Toshinori Yoshiyasu
• Abstract要約: 本研究の目的は、生データに基づく食品の鮮度を評価する機械学習(ML)ベースのアプローチを提案することである。 このモデルは90%以上の精度を達成し、誤分類のコストの観点から比較的高い性能を実現した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In most retail stores, the number of days since initial processing is used as a proxy for estimating the freshness of perishable foods or freshness is assessed manually by an employee. While the former method can lead to wastage, as some fresh foods might get disposed after a fixed number of days, the latter can be time-consuming, expensive and impractical at scale. This project aims to propose a Machine Learning (ML) based approach that evaluates freshness of food based on live data. For the current scope, it only considers meat as a the subject of analysis and attempts to classify pieces of meat as fresh, half-fresh or spoiled. Finally the model achieved an accuracy of above 90% and relatively high performance in terms of the cost of misclassification. It is expected that the technology will contribute to the optimization of the client's business operation, reducing the risk of selling defective or rotten products that can entail serious monetary, non-monetary and health-based consequences while also achieving higher corporate value as a sustainable company by reducing food wastage through timely sales and disposal.
• Abstract（参考訳）: ほとんどの小売店舗では、生鮮食品の鮮度や鮮度を従業員が手動で推定するための指標として初期処理から数日を要している。 前者の方法が無駄になることもあるが、一部の新鮮な食品は一定日後に廃棄される可能性があるため、後者は時間をかけ、高価で、大規模には実用的ではない。 本研究の目的は、生データに基づく食品の鮮度を評価する機械学習(ML)ベースのアプローチを提案することである。 現在の範囲では、肉を分析対象とみなし、肉片を新鮮、半鮮、または腐ったものとして分類しようとする。 最終的に、モデルは90%以上の精度と、誤分類のコストの観点から比較的高い性能を達成した。 この技術は、顧客経営の最適化に寄与し、深刻な金銭的、非収益的、健康的な影響を伴う不良品や腐った製品の販売リスクを低減し、また、タイムリーな販売と廃棄を通じて食品のウェーブステージを削減し、持続可能な企業としての企業価値を高めることが期待されている。

関連論文リスト

• 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)
• NutritionVerse: Empirical Study of Various Dietary Intake Estimation Approaches [59.38343165508926]
  食事の正確な摂取推定は、健康的な食事を支援するための政策やプログラムを伝える上で重要である。 最近の研究は、コンピュータービジョンと機械学習を使用して、食物画像から食事摂取を自動的に推定することに焦点を当てている。 我々は,84,984個の合成2D食品画像と関連する食事情報を用いた最初の大規模データセットであるNutritionVerse-Synthを紹介した。 また、リアルなイメージデータセットであるNutritionVerse-Realを収集し、リアル性を評価するために、251の料理の889のイメージを含む。
  論文  参考訳（メタデータ） (2023-09-14T13:29:41Z)
• Single-Stage Heavy-Tailed Food Classification [7.800379384628357]
  そこで本研究では,新しい一段階のヘビーテール食品分類フレームワークを提案する。 本手法は,フード101-LTとVFN-LTの2つの重み付き食品ベンチマークデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2023-07-01T00:45:35Z)
• 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)
• Online Class-Incremental Learning For Real-World Food Image Classification [8.438092346233054]
  文化的、経済的、個人的影響によって形成された実世界の食品消費パターンは、動的かつ進化的なデータを含んでいる。 Online Class Incremental Learning (OCIL)は、シングルパスのデータストリームから継続的に学習するという課題に対処する。 本稿では,既存のER法用に設計された動的モデル更新モジュールについて述べる。
  論文  参考訳（メタデータ） (2023-01-12T19:00:27Z)
• Long-tailed Food Classification [5.874935571318868]
  本稿では,フード101-LTとVFN-LTを含む長期食品分類のための2つの新しいベンチマークデータセットを提案する。 本稿では,(1)本級における授業不均衡問題に対処する新しい2相枠組みを提案し,知識蒸留による学習情報の保持とともに冗長なサンプルを除去する。 本手法の有効性は,既存の最先端のロングテール分類法と比較し,Food101-LTとVFN-LTのベンチマークにおいて改善された性能を示す。
  論文  参考訳（メタデータ） (2022-10-26T14:29:30Z)
• Simulating Personal Food Consumption Patterns using a Modified Markov Chain [5.874935571318868]
  本稿では,マルコフ連鎖モデルの改良と自己指導型学習を活用することにより,個人用食品消費データパターンをシミュレートする新しい枠組みを提案する。 実験の結果,ランダムシミュレーションやマルコフ連鎖法と比較して有望な性能を示した。
  論文  参考訳（メタデータ） (2022-08-13T18:50:23Z)
• A Simulation Environment and Reinforcement Learning Method for Waste Reduction [50.545552995521774]
  本稿では, 流通の観点から, 食料品店の在庫を消耗品で補充する際の問題点を考察する。 目的は、ごみを最小化しながら販売を最大化することであり、衣料品の実際の消費について不確実性がある。 我々は, エージェントの行動に合わせた行動を示す新しい強化学習タスクとして, 在庫再備の枠組みを定めている。
  論文  参考訳（メタデータ） (2022-05-30T22:48:57Z)
• 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)
• A Bayesian Approach for Predicting Food and Beverage Sales in Staff Canteens and Restaurants [2.362412515574206]
  本稿では,ポイント・オブ・セールスシステムから取得したデータのみに基づく予測手法を提案する。 幅広い評価において,カジュアルなレストランで収集された2つのデータセットと,大きなスタッフの缶詰について検討する。 提案モデルがレストランデータの特徴に適合することを示す。
  論文  参考訳（メタデータ） (2020-05-26T12:05:06Z)

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。