在过去的几十年中,有数据显示全球超重和肥胖的患病率自1975年以来增长了两倍,而中国的情况更为值得注意。2004年第一份中国慢性病及危险因素监测报告称,一般肥胖的患病率为男性14.0%,女性14.1%。为了应对肥胖症的日益流行,先前的研究发现干预研究和行为改变计划对健康饮食和体育活动产生了一些影响。这个结果表明需要个性化的饮食管理工具。
传统的饮食摄入主要是基于纸质、电话或亲自评估的,这对于研究人员和个人来说都是不切实际、不太便利的,尤其是对于拥有庞大人口的中国而言。随着深度学习(DL)模型的商业化,基于智能手机图像的每日精确饮食记录成为可能。因此有一种新兴的膳食评估方法,引入了基于深度学习的智能手机工具,收集膳食回忆数据。
在过去十年,计算机视觉技术在桌面和移动应用程序中为食物识别和数量估计提供了视觉特征。深度学习(DL)作为当代机器学习的唯一优越框架,被广泛探索并探讨了食品图像识别的新阶段。最近的研究表明,DL 学习到的视觉特征比手工制作的视觉特征更强大、更具表现力。迄今为止,国外共有三个广泛使用的食品图像数据库,Food-101、 UECFood-100 和 UECFood-256。Food-101数据库是食品识别领域中最受欢迎的数据集,包括101个食品类别,每个类别1000张食品图像。UECFood-100包括100个日本食品类别,每个类别100张图像,且于2014年扩展至256类日本食品。基于这两个数据库,有研究进一步提供一个名为 Food-475的数据库。Food-475包含475类食物的247,636张图像。
因现有数据库均为国外食品图像数据库,其食品图像识别种类与营养估计不贴合中国人的饮食习惯,且尚未解决从食品图像中全自动估计食品营养素的问题,因此该研究根据《中国居民膳食指南》为食物图像数据库收集营养注释,优化和综合评估了几个现有的CNN模型用于食品图像识别的任务,在验证了基于CNN的营养估算方法的有效性和可接受的准确性的基础上建立并发布了中国市场上销售最广泛的109类食品的第一个食品形象数据库,命名为ChinaMartFood-109, 其中包含 10921 张图像、23种营养成分,涵盖18个主要食物组。此外,该研究比较了三种养分估计算法,通过归一化+AM与算术平均和调和平均的比较,得到了最佳的回归系数(R2),验证了实践和理论的适用性,为支持人工智能在食品分析领域提供了进一步的证据。