論文の概要: NutrifyAI: An AI-Powered System for Real-Time Food Detection, Nutritional Analysis, and Personalized Meal Recommendations
- arxiv url: http://arxiv.org/abs/2408.10532v1
- Date: Tue, 20 Aug 2024 04:18:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-21 15:13:43.999482
- Title: NutrifyAI: An AI-Powered System for Real-Time Food Detection, Nutritional Analysis, and Personalized Meal Recommendations
- Title（参考訳）: NutrifyAI: リアルタイム食品検出、栄養分析、パーソナライズされた食事レコメンデーションのためのAIを利用したシステム
- Authors: Michelle Han, Junyao Chen,
- Abstract要約: 本稿では,高度なコンピュータビジョン技術と栄養分析を組み合わせた包括的システムを提案する。
このシステムはモバイルプラットフォームとWebプラットフォームの両方向けに設計されており、Chart.jsを使ったデータの視覚化のような機能を備えている。
予備的な結果はシステムの有効性を示し、ユーザが食事に関する決定を下すための貴重なツールとなる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With diet and nutrition apps reaching 1.4 billion users in 2022 [1], it's no surprise that health apps like MyFitnessPal, Noom, and Calorie Counter, are surging in popularity. However, one major setback [2] of nearly all nutrition applications is that users must enter food data manually, which is time-consuming and tedious. Thus, there has been an increasing demand for applications that can accurately identify food items, analyze their nutritional content, and offer dietary recommendations in real-time. This paper introduces a comprehensive system that combines advanced computer vision techniques with nutrition analysis, implemented in a versatile mobile and web application. The system is divided into three key components: 1) food detection using the YOLOv8 model, 2) nutrient analysis via the Edamam Nutrition Analysis API, and 3) personalized meal recommendations using the Edamam Meal Planning and Recipe Search APIs. Designed for both mobile and web platforms, the application ensures fast processing times with an intuitive user interface, with features such as data visualizations using Chart.js, a login system, and personalized settings for dietary preferences, allergies, and cuisine choices. Preliminary results showcase the system's effectiveness, making it a valuable tool for users to make informed dietary decisions.
- Abstract（参考訳）: 2022年にはダイエットアプリや栄養アプリが14億人に達したので、MyFitnessPal、Noom、Calorie Counterといった健康アプリが人気を集めています。
しかし、ほぼ全ての栄養学応用の大きな欠点は、ユーザが手動で食品データを入力する必要があることである。
このように、食品を正確に識別し、栄養内容を分析し、リアルタイムに食事推奨を提供するアプリケーションへの需要が高まっている。
本稿では,先進的なコンピュータビジョン技術と栄養分析を組み合わせた総合システムを提案する。
システムは3つの重要な構成要素に分けられる。
1) YOLOv8モデルを用いた食品検出
2)エダマム栄養分析APIによる栄養分析,及び
3)Edamam Meal Planning and Recipe Search APIを用いたパーソナライズされた食事レコメンデーション。
モバイルプラットフォームとWebプラットフォームの両方向けに設計されたこのアプリケーションは、Chart.jsを使ったデータ視覚化、ログインシステム、食事の好み、アレルギー、料理の選択のためのパーソナライズされた設定などの機能を備えた、直感的なユーザーインターフェイスで高速な処理時間を保証している。
予備的な結果はシステムの有効性を示し、ユーザが食事に関する決定を下すための貴重なツールとなる。
関連論文リスト
- NUTRIVISION: A System for Automatic Diet Management in Smart Healthcare [0.0]
NutriVisionは、スマートヘルスケアとコンピュータビジョンと機械学習を組み合わせて、栄養と食事管理の課題に対処する。
本稿では,食品の特定,量推定,包括的栄養情報の提供が可能な新しいシステムを提案する。
NutriVisionはスマートフォンベースの画像キャプチャーを通じて、マクロ栄養素の分解、カロリー数、微小栄養素の詳細などのインスタント栄養データを提供する。
論文 参考訳（メタデータ） (2024-09-30T17:10:25Z) - NutritionVerse-Direct: Exploring Deep Neural Networks for Multitask Nutrition Prediction from Food Images [63.314702537010355]
自己申告法はしばしば不正確であり、重大な偏見に悩まされる。
近年、食品画像から栄養情報を予測するためにコンピュータビジョン予測システムを用いた研究が進められている。
本稿では,様々なニューラルネットワークアーキテクチャを活用することにより,食事摂取量推定の有効性を高めることを目的とする。
論文 参考訳（メタデータ） (2024-05-13T14:56:55Z) - 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) - NutritionVerse-Real: An Open Access Manually Collected 2D Food Scene
Dataset for Dietary Intake Estimation [68.49526750115429]
食事摂取推定のための2D食品シーンデータセットであるNutritionVerse-Realを導入する。
NutritionVerse-Realデータセットは、実生活における食品シーンのイメージを手作業で収集し、各成分の重量を測定し、各料理の食生活内容を計算することによって作成されました。
論文 参考訳（メタデータ） (2023-11-20T11:05:20Z) - 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) - Human Behavior-based Personalized Meal Recommendation and Menu Planning
Social System [9.633565294243175]
提案するフレームワークには、異なる食事の影響を認識するソーシャル・アフェクティブ・コンピューティング・モジュールが含まれている。
脳波は脳の信号を捉え、それを分析し、食べ物に対する感情を予測できる。
実験結果から, 感情計算, 食事推奨, メニュー計画アルゴリズムは, 様々な評価パラメータで良好に機能することが示唆された。
論文 参考訳（メタデータ） (2023-08-12T12:19:23Z) - MenuAI: Restaurant Food Recommendation System via a Transformer-based
Deep Learning Model [15.248362664235845]
本稿では,新しいレストラン料理推薦システムを提案する。
光学文字認識(OCR)技術とトランスフォーマーベースのディープラーニングモデルであるLearning to Rank(LTR)モデルを使用する。
我々のシステムは、入力された検索キー(例えば、カロリー、タンパク質レベル)で食品料理をランク付けすることができる。
論文 参考訳（メタデータ） (2022-10-15T11:45:44Z) - Learning Personal Food Preferences via Food Logs Embedding [1.1534313664323634]
食品ログから食品の嗜好を学習する手法を提案する。
提案手法は,ユーザの最も頻繁に食べられる食品の82%を同定する。
論文 参考訳（メタデータ） (2021-10-29T02:36:24Z) - 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) - MyFood: A Food Segmentation and Classification System to Aid Nutritional
Monitoring [1.5469452301122173]
食料モニタリングの欠如は、人口の体重増加に大きく寄与している。
食品画像を認識するためにコンピュータビジョンでいくつかのソリューションが提案されているが、栄養モニタリングに特化しているものはほとんどない。
本研究は, ユーザの食事と栄養摂取の自動モニタリングを支援するために, 画像に提示された食品を分類・分別するインテリジェントシステムの開発について述べる。
論文 参考訳（メタデータ） (2020-12-05T17:40:05Z)
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。