发表在《基于推理的智能系统国际杂志》上的一项研究讨论了一种识别食物照片中成分的新方法。这项工作将有助于我们进一步开展食品安全工作。
印度Karanataka Kalburgi的Sharnbasva大学的Sharanabasappa a . Madival和Shivkumar S. Jawaligi使用了一个两阶段的特征提取和分类过程来改进之前的成分识别方法。
该团队解释说，他们的方法使用尺度不变特征变换(SIFT)和基于卷积神经网络(CNN)的深度特征来提取图像和文本特征。一旦提取出来，特征被输入到混合分类器中，该分类器融合了神经网络(NN)和长短期记忆(LSTM)模型。
该团队解释说，通过应用Chebyshev地图评估团队优化(CME-TWO)算法，他们的模型的精度可以进一步提高。所有这些都有助于准确识别成分。
在全球化的世界中，食品管理对全球供应链、食品安全、可追溯性和检测假冒食品和食品欺诈至关重要。作为消费者和用餐者，我们需要知道我们所吃的食物中的成分是有效的，特别是在不同的饮食偏好和健康考虑的背景下。
研究小组发现，他们的方法比目前的成分识别系统更有效。具体来说，他们证明了HC + CME-TWO模型在很大程度上表现最好，因此可以认为这表明了该领域的重大进步。使用混合分类器和使用CME-TWO算法对权重进行微调，可以显著提高准确性和可靠性。此外，该团队表示，在通过优化缩短处理时间方面仍有改进的空间。
这项工作的重点是食品安全，但可以用来解决监管机构和其他试图确保食品真实性的人所面临的挑战，特别是在高价值食品中。
更多信息:Sharanabasappa A. madval等，基于图像和文本特征提取的食品成分识别模型，国际推理智能系统学报(2024)。引文:食品安全:两阶段提取和分类过程，以识别食品照片中的成分(2024年，3月26日)，检索自2024年3月28日https://techxplore.com/news/2024-03-food-safety-stage-classification-ingredients.html此文档受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
