Vision-Based Approach for Food Weight Estimation from 2D Images

为了应对对高效和非侵入性的食物重量估算方法的需求不断增加，本文提出了一种基于2D图像的基于视觉的方法。该研究采用了一个由2380个图像组成的数据集，包括14种不同类型的食物，不同的份量、方向和容器。所提出的方法结合了深度学习和计算机视觉技术，具体采用了Faster R-CNN进行食物检测和MobileNetV3进行重量估算。检测模型的平均精度（mAP）为83.41\%，平均重叠联合（IoU）为91.82\%，分类准确率为100\%。对于重量估算，模型表现出6.3204的均方根误差（RMSE），0.0640\%的平均绝对百分比误差（MAPE）和98.65\%的R平方值。该研究强调了这种技术在医疗保健中的潜在应用，用于营养咨询，健身和健康，以进行膳食摄入评估，并提供智能食品存储解决方案以减少浪费。结果表明，Faster R-CNN和MobileNetV3的结合提供了一个稳健的框架，可以从2D图像准确地估算食物重量，展示了计算机视觉和深度学习在实际应用中的协同作用。

本论文旨在提出一种基于视觉的方法，利用2D图像来估算食物重量。该方法可以应用于健康护理、健身和健康以及智能食品存储解决方案等领域。

本论文提出的方法将深度学习和计算机视觉技术相结合，采用Faster R-CNN进行食品检测和MobileNetV3进行重量估计。实验结果表明，该方法能够准确地从2D图像中估算出食物的重量。

本论文使用了2380张图像数据集，包括十四种不同类型的食物，以及不同的份量、方向和容器。检测模型的平均精度（mAP）为83.41％，平均交集联合（IoU）为91.82％，分类精度为100％。重量估计模型的均方根误差（RMSE）为6.3204，平均绝对百分比误差（MAPE）为0.0640％，R平方值为98.65％。实验结果表明，该方法在健康护理、健身和健康以及智能食品存储解决方案等领域具有潜在应用价值。

在相关研究方面，最近的研究包括利用深度学习技术进行食品识别和重量估计的方法，以及利用计算机视觉技术进行食品分类和检测的方法。相关的论文有：“A Deep Learning-Based Food Recognition and Volume Estimation System Using Smartphone”和“Food Classification and Detection Using Convolutional Neural Networks”等。