論文の概要: FruitPAL: An IoT-Enabled Framework for Automatic Monitoring of Fruit Consumption in Smart Healthcare

• arxiv url: http://arxiv.org/abs/2502.01643v1
• Date: Mon, 20 Jan 2025 16:27:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-09 05:47:11.233081
• Title: FruitPAL: An IoT-Enabled Framework for Automatic Monitoring of Fruit Consumption in Smart Healthcare
• Title（参考訳）: FruitPAL:スマートヘルスケアにおけるFruit消費の自動モニタリングのためのIoT対応フレームワーク
• Authors: Abdulrahman Alkinani, Alakananda Mitra, Saraju P. Mohanty, Elias Kougianos,
• Abstract要約: FruitPALとそのアップデート版であるFruitPAL 2.0は、健康リスクを低減しつつ、安全な果物の消費を促進することを目指している。 元々のFruitPAL装置は、さまざまな種類の果実を識別し、アレルギー反応が検出された場合に介護者に通知することができる。 FruitPAL 2.0は、果実を検知するだけでなく、栄養価を推定する。
• 参考スコア（独自算出の注目度）: 2.0663564811338806
• License:
• Abstract: Fruits are rich sources of essential vitamins and nutrients that are vital for human health. This study introduces two fully automated devices, FruitPAL and its updated version, FruitPAL 2.0, which aim to promote safe fruit consumption while reducing health risks. Both devices leverage a high-quality dataset of fifteen fruit types and use advanced models- YOLOv8 and YOLOv5 V6.0- to enhance detection accuracy. The original FruitPAL device can identify various fruit types and notify caregivers if an allergic reaction is detected, thanks to YOLOv8's improved accuracy and rapid response time. Notifications are transmitted via the cloud to mobile devices, ensuring real-time updates and immediate accessibility. FruitPAL 2.0 builds upon this by not only detecting fruit but also estimating its nutritional value, thereby encouraging healthy consumption. Trained on the YOLOv5 V6.0 model, FruitPAL 2.0 analyzes fruit intake to provide users with valuable dietary insights. This study aims to promote fruit consumption by helping individuals make informed choices, balancing health benefits with allergy awareness. By alerting users to potential allergens while encouraging the consumption of nutrient-rich fruits, these devices support both health maintenance and dietary awareness.
• Abstract（参考訳）: 果実は、人間の健康に不可欠なビタミンや栄養素の豊富な供給源である。 本研究では、FruitPALとFruitPAL 2.0の2つの完全自動化デバイスを紹介し、健康リスクを低減しつつ、安全な果物の消費を促進することを目的としている。 どちらのデバイスも、15種類の果物の高品質なデータセットを利用し、より高度なモデルであるYOLOv8とYOLOv5 V6.0を使用して検出精度を向上させる。 元のFruitPAL装置は、YOLOv8の改良された精度と迅速な応答時間のおかげで、さまざまな果物の種類を特定し、アレルギー反応が検出された場合に介護者に通知することができる。 通知はクラウド経由でモバイルデバイスに送信され、リアルタイム更新と即時アクセス性を保証する。 FruitPAL 2.0は、果実を検出するだけでなく、栄養価を推定することで、健康的な消費を促進する。 YOLOv5 V6.0モデルでトレーニングされたFruitPAL 2.0は、果物の摂取を分析して、ユーザに貴重な食事情報を提供する。 本研究の目的は、個人が情報的選択を行い、健康上の利益とアレルギー意識のバランスをとることにより、果物の消費を促進することである。 栄養豊富な果実の摂取を奨励しながら、アレルゲンの危険性をユーザーに警告することで、これらのデバイスは健康維持と食生活の認知の両方をサポートする。

関連論文リスト

• DietGlance: Dietary Monitoring and Personalized Analysis at a Glance with Knowledge-Empowered AI Assistant [36.806619917276414]
  本稿では,日常の食生活を自動的に監視し,知識ソースからパーソナライズされた分析を行うシステムであるDietGlanceを紹介する。 DietGlanceはまず、眼鏡を使ってマルチモーダル入力から摂取エピソードを検出し、消費されているさまざまな料理のプライバシー保護食の画像をキャプチャする。 推定食品とこれらの画像からの消費量に基づいて、栄養分析とパーソナライズされた食生活の提案も提供する。
  論文  参考訳（メタデータ） (2025-02-03T12:46:37Z)
• NutrifyAI: An AI-Powered System for Real-Time Food Detection, Nutritional Analysis, and Personalized Meal Recommendations [14.036206693783198]
  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。 予備的な結果は、即時かつ正確な食事の洞察を提供することによって、システムの有効性を示し、食品認識精度は80%近くである。
  論文  参考訳（メタデータ） (2024-08-20T04:18:53Z)
• 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)
• Precise Apple Detection and Localization in Orchards using YOLOv5 for Robotic Harvesting Systems [0.0]
  対象検出モデル YOLOv5 を用いたリンゴ検出と位置推定のための新しい手法を提案する。 以上の結果から, YOLOv5モデルではリンゴ検出精度が約85%向上した。
  論文  参考訳（メタデータ） (2024-05-10T06:17:00Z)
• 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)
• 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)
• Fruit Ripeness Classification: a Survey [59.11160990637616]
  食品を格付けするための特徴記述子を多用する多くの自動的手法が提案されている。 機械学習とディープラーニング技術がトップパフォーマンスの手法を支配している。 ディープラーニングは生のデータで操作できるため、複雑なエンジニアリング機能を計算する必要がなくなる。
  論文  参考訳（メタデータ） (2022-12-29T19:32:20Z)
• 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 Deep Learning-based Detector for Brown Spot Disease in Passion Fruit Plant Leaves [0.5485240256788552]
  この研究は2つの主要な病気(ウイルス)と茶色の斑点(真菌)に焦点を当てている。 我々はウガンダ国立作物研究所(NaCRRI)と共同で、熱心にラベル付けされた果物の葉と果実のデータセットを開発しました。
  論文  参考訳（メタデータ） (2020-07-28T10:17:43Z)

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。