近年来人工智能学科在计算机科学领域发展迅速, 深度学习作为机器学习领域内新兴并且蓬勃发展的一门学科, 深度学习在不同的领域取得了广泛的应用, 食物识别是计算机视觉领域关注的一个新兴话题, 它不仅是医疗相关应用的基础, 也是探索人们生活方式的重要线索, 与健康、感情和文化息息相关, 因此基于图像的食物识别对主流计算机视觉算法提出了新的挑战。本文主要从食物识别精确度和成分识别分析了食物识别的发展趋势和方向。第2节系统地介绍基于深度学习的食物识别方法;第3节深入介绍了食物成分识别方法以及食物识别的发展方向。
一、食物识别方法分类
在深度学习应用领域中对食物识别分类任务的研究越来越深入, 深度学习方法利用标签数据学习强大特性的能力, 在若干食品图像识别问题中取得了最先进的性能。
(一) 基于网络结构识别
食物识别相比于传统的图像识别技术而言其难度较大。Yanai K.等将DCNN进行微调和预训练, 从预训练的DCNN中提取的激活特性进行了最佳组合。除了具有较高的分类准确率外, 还发现DCNN非常适合大规模的图像数据。
随着卷积神经网络的出现, 复杂的食品识别问题近年来有了重要的进展。采用基于深度卷积神经网络的方法得到了最好的结果, Bolaos M等提出了一种基于卷积模型的多分类器的组合, 与模型的深度相互补充从而提高了性能。Lasod A等[1]通过参数的变化将ANN与食物的位置和识别联系起来。
(二) 基于视觉特征识别
由于食物种类的多样性和不同菜肴之间的细微差别, 食物图像识别成为计算机视觉领域的一个新的挑战, 而识别的挑战来自于形状、颜色和纹理布局的视觉变化。为了提高CNN在食品图像识别中的表现, Tatsuma A等[2]提出了一种新的由卷积层feature maps的协方差构成的图像表示方法, 超过了以往的Bag-of-Visual-Words直方图、改进的Fisher矢量、CNN-SVM等方法。
Kagaya H等通过参数优化, 将CNN应用到食品检测识别中构建了一个公共食品记录系统中最常见食品的数据集, CNN显示出明显高于传统的基于SVM的手工功能方法。还发现颜色在卷积核特征提取过程中起主导作用, 并且在食品图像检测方面, CNN的准确率也明显高于传统方法。
二、食物成分识别方法
一般来说, 由于不同的烹饪方法、烹饪风格以及外观食物的变化, 对食物的识别具有挑战性。然而, 在这种情况下, 语境知识对于提高识别能力至关重要。特别地, 地理环境已经被广泛应用于室外地标的识别。类似地, Herranz L等[3]利用关于菜单和餐馆位置的知识和测试图像, 通过整合多个证据 (视觉、位置和外部知识) , 可以提高任务的性能。FerràA将食物成分识别问题视为一个多标签学习问题, 以分类性能较好的CNN, 作为一个多标签预测学习食谱的成分列表, 其配方和成分的高度变异性, 能更好的推广到新数据上。
食物成分识别在未来的智能化社会中是一个值得关注和研究的方向, 饮食是生活中必不可少的营养来源, 基于深度学习食物识别仍然在不断的探索中。
三、结束语
食物识别是计算机视觉领域的一个新的课题研究方向, 同时也为深度学习的应用带来了挑战。食物识别的实现能帮助人们更好的管理自己的健康, 同时进行有效的饮食评估, 建立合理的饮食习惯。
摘要：食物在人们的生活中有着至关重要的作用, 食物识别作为计算机视觉新的应用领域, 得到了学术界和工业界的关注。针对食物识别应用的实现, 已经存在大量的技术方法, 本文介绍了基于深度学习方法食物识别以及食物成分识别方法。分析了食物识别所面临的挑战性问题, 指出了未来的研究方向。
关键词：深度学习,食物识别,成分识别
参考文献
[1] Lasod A, Soni D. Efficiency enhancement of food recognition using artificial neural network[C]//2017 International Conference on Energy, Communication, Data Analytics and Soft Computing (ICECDS) . IEEE, 2017:2758-2762.
[2] Tatsuma A, Aono M. Food image recognition using covariance of convolutional layer feature maps[J]. IEICE TRANSACTIONS on Information and Systems, 2016, 99 (6) :1711-1715.
[3] HerranzL, JiangS, XuR.Modelingrestaurant contextforfoodrecognition[J].IEEETransactionson Multimedia, 2017, 19 (2) :430-440.