論文の概要: A smart fridge with AI-enabled food computing
- arxiv url: http://arxiv.org/abs/2509.07400v1
- Date: Tue, 09 Sep 2025 05:29:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-10 14:38:27.187344
- Title: A smart fridge with AI-enabled food computing
- Title（参考訳）: AIを応用したスマート冷蔵庫
- Authors: Khue Nong Thuc, Khoa Tran Nguyen Anh, Tai Nguyen Huy, Du Nguyen Hao Hong, Khanh Dinh Ba,
- Abstract要約: IoT(Internet of Things)は、特に食品管理において、シームレスな接続性とインテリジェントなホームオートメーションを可能にする上で、重要な役割を担います。
IoTとコンピュータビジョンを統合することで、スマート冷蔵庫はESP32-CAMを使用して、リアルタイム食品検出、在庫追跡、温度監視を通じて食品管理効率を向上させる監視サブシステムを確立する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Internet of Things (IoT) plays a crucial role in enabling seamless connectivity and intelligent home automation, particularly in food management. By integrating IoT with computer vision, the smart fridge employs an ESP32-CAM to establish a monitoring subsystem that enhances food management efficiency through real-time food detection, inventory tracking, and temperature monitoring. This benefits waste reduction, grocery planning improvement, and household consumption optimization. In high-density inventory conditions, capturing partial or layered images complicates object detection, as overlapping items and occluded views hinder accurate identification and counting. Besides, varied angles and obscured details in multi-layered setups reduce algorithm reliability, often resulting in miscounts or misclassifications. Our proposed system is structured into three core modules: data pre-processing, object detection and management, and a web-based visualization. To address the challenge of poor model calibration caused by overconfident predictions, we implement a variant of focal loss that mitigates over-confidence and under-confidence in multi-category classification. This approach incorporates adaptive, class-wise error calibration via temperature scaling and evaluates the distribution of predicted probabilities across methods. Our results demonstrate that robust functional calibration significantly improves detection reliability under varying lighting conditions and scalability challenges. Further analysis demonstrates a practical, user-focused approach to modern food management, advancing sustainable living goals through reduced waste and more informed consumption.
- Abstract（参考訳）: IoT(Internet of Things)は、特に食品管理において、シームレスな接続性とインテリジェントなホームオートメーションを可能にする上で、重要な役割を担います。
IoTとコンピュータビジョンを統合することで、スマート冷蔵庫はESP32-CAMを使用して、リアルタイム食品検出、在庫追跡、温度監視を通じて食品管理効率を向上させる監視サブシステムを確立する。
これは廃棄物削減、農業計画の改善、家計消費の最適化に寄与する。
高密度の在庫環境では、部分的または層的画像のキャプチャはオブジェクト検出を複雑にし、重複するアイテムや閉塞されたビューは正確な識別とカウントを妨げます。
さらに、多層セットアップにおける様々な角度や不明瞭な詳細はアルゴリズムの信頼性を低下させ、しばしば誤算や誤分類をもたらす。
提案システムは,データ前処理,オブジェクト検出・管理,Webベースの可視化という3つのコアモジュールで構成されている。
過信予測によるモデル校正の難しさに対処するため,多カテゴリ分類における過信と過信を緩和する焦点損失の変種を実装した。
このアプローチは、温度スケーリングによる適応的、クラスワイドな誤差キャリブレーションを取り入れ、予測確率の分布をメソッド間で評価する。
以上の結果から,ロバストな機能キャリブレーションにより,照明条件やスケーラビリティの課題において,検出信頼性が著しく向上することが示唆された。
さらなる分析は、現代の食品管理への実践的でユーザ中心のアプローチを示し、廃棄物の削減とより情報的な消費を通じて持続可能な生活目標を推し進めている。
関連論文リスト
- CITADEL: Continual Anomaly Detection for Enhanced Learning in IoT Intrusion Detection [9.92596575679496]
IoT(Internet of Things)は、幅広いサイバー脅威に対して脆弱である。
侵入検知システム(IDS)はIoTセキュリティを強化するために広く研究されている。
我々は、良性データから堅牢な表現を抽出する自己教師付き連続学習フレームワークCITADELを提案する。
論文 参考訳（メタデータ） (2025-08-26T21:55:26Z) - Artificial Intelligence in the Food Industry: Food Waste Estimation based on Computer Vision, a Brief Case Study in a University Dining Hall [1.864621482724548]
本研究は,プレートレベルの食品廃棄物を推定する費用対効果のコンピュータビジョンフレームワークを提案する。
4つの完全に教師されたモデルが、キャップ付き動的逆周波数損失とAdamWメトリクスを使用して訓練された。
全てのモデルが満足な性能を達成し、食品の種類ごとに、少なくとも1つのモデルがDPAに近づいたか、90%を超えた。
論文 参考訳（メタデータ） (2025-07-19T15:21:29Z) - Weakly-Supervised Anomaly Detection in Surveillance Videos Based on Two-Stream I3D Convolution Network [2.209921757303168]
本稿では,2ストリームインフレーション3D(I3D)畳み込みネットワークの適用により,異常検出分野の大幅な進歩を示す。
我々の研究は、MIL(Multiple Instance Learning)に基づく弱教師付き学習フレームワークを実装することにより、分野を前進させる。
本稿では、より適応性が高く、効率的で、コンテキスト対応の異常検出システムを提供することにより、コンピュータビジョンの分野に大きく貢献する。
論文 参考訳（メタデータ） (2024-11-13T16:33:27Z) - Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
異常と欠落したデータは、産業応用における厄介な問題を構成する。
ディープラーニングによる異常検出が重要な方向として現れている。
エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
論文 参考訳（メタデータ） (2024-11-06T15:38:31Z) - Perceptual Piercing: Human Visual Cue-based Object Detection in Low Visibility Conditions [2.0409124291940826]
本研究では,大気散乱と人間の視覚野機構に触発された新しい深層学習フレームワークを提案する。
本研究の目的は, 環境条件下での検知システムの精度と信頼性を高めることである。
論文 参考訳（メタデータ） (2024-10-02T04:03:07Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳（メタデータ） (2024-01-22T14:16:37Z) - Cal-DETR: Calibrated Detection Transformer [67.75361289429013]
本稿では,Deformable-DETR,UP-DETR,DINOのキャリブレーション検出トランス(Cal-DETR)のメカニズムを提案する。
我々は、不確実性を利用してクラスロジットを変調する不確実性誘導ロジット変調機構を開発する。
その結果、Cal-DETRは、ドメイン内およびドメイン外の両方を校正する競合する列車時間法に対して有効であることがわかった。
論文 参考訳（メタデータ） (2023-11-06T22:13:10Z) - Spatial-Temporal Graph Enhanced DETR Towards Multi-Frame 3D Object Detection [54.041049052843604]
STEMDは,多フレーム3Dオブジェクト検出のためのDETRのようなパラダイムを改良した,新しいエンドツーエンドフレームワークである。
まず、オブジェクト間の空間的相互作用と複雑な時間的依存をモデル化するために、空間的時間的グラフアテンションネットワークを導入する。
最後に、ネットワークが正のクエリと、ベストマッチしない他の非常に類似したクエリを区別することが課題となる。
論文 参考訳（メタデータ） (2023-07-01T13:53:14Z) - A Generic Shared Attention Mechanism for Various Backbone Neural Networks [53.36677373145012]
自己注意モジュール(SAM)は、異なる層にまたがる強い相関した注意マップを生成する。
Dense-and-Implicit Attention (DIA)はSAMをレイヤ間で共有し、長期間のメモリモジュールを使用する。
我々のシンプルで効果的なDIAは、様々なネットワークバックボーンを一貫して拡張できます。
論文 参考訳（メタデータ） (2022-10-27T13:24:08Z) - Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。
我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
論文 参考訳（メタデータ） (2021-01-07T07:33:38Z)
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。