通过提取和分类的两阶段过程来识别食品照片中的成分

发表在《基于推理的智能系统国际杂志》上的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推进食品安全工作。

印度卡拉纳塔克邦卡尔布尔吉市沙恩巴斯瓦大学的SharanabasappaA.Madival和ShivkumarS.Jawaligi使用特征提取和分类的两阶段过程来改进以前的成分识别方法。

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。提取特征后，这些特征将被输入混合分类器，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，通过应用切比雪夫图评估团队合作优化(CME-TWO)算法，可以进一步提高模型的精度。所有这些都有助于准确识别成分。

全球化世界中的食品管理对于全球供应链、食品安全、可追溯性以及假冒食品和食品欺诈的检测至关重要。作为消费者和食客，我们需要知道我们所吃的食物中的成分是有效的，特别是在不同饮食偏好和健康考虑的背景下。

该团队发现他们的方法比当前的成分识别系统更有效。具体来说，他们证明HC+CME-TWO模型在很大程度上表现最好，因此可以被视为表明该领域的重大进步。正是使用混合分类器以及使用CME-TWO算法对权重进行微调，才显着提高了准确性和可靠性。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，尤其是高价值食品。