一种基于图像的地中海饮食自动评估系统

目标：现代生活方式显著影响了日常饮食。越来越多的肥胖、糖尿病和心血管疾病患者强调了需要找到能够帮助日常摄入必要营养素的工具。方法：在本文中，我们提出了一种基于图像的地中海饮食自动评估系统，基于：1）地中海食品的图像数据集，2）用于食品图像分类的预训练卷积神经网络（CNN），以及3）用于食品体积和营养估计的立体视觉技术。我们使用在Food-101数据集上预训练的CNN，训练一个深度学习分类模型，采用我们的数据集地中海希腊食品（MedGRFood）。基于EfficientNet系列的CNN，我们使用EfficientNetB2进行预训练模型及其权重评估，同时用于分类MedGRFood数据集中的食品图像。接下来，我们通过使用智能手机相机拍摄的两幅图像进行3D食品重建来估计食品的体积。所提出的体积估计子系统使用立体视觉技术和算法，需要输入两幅食品图像，以重建食品的点云并计算其数量。结果：真实类别与模型预测的最可能类别相匹配的分类准确率（Top-1准确率）为83.8%，而真实类别与模型预测的5个最可能类别中的任何一个匹配的准确率（Top-5准确率）为97.6%，针对食品分类子系统。食品体积估计子系统在148种不同食品菜肴上的总体均绝对百分比误差为10.5%。结论：所提出的基于图像的自动饮食评估系统提供了实时持续记录健康数据的能力.