Jun, 2024

Semmeldetector: 商业烘焙业中的机器学习应用

PDF
TL;DR使用机器学习应用程序 Semmeldetector，可以利用目标检测模型在图像中检测、分类和计数烘焙食品。我们的应用程序允许商业烘焙师跟踪未售出的烘焙食品，从而优化生产并提高资源效率。通过编制包含 1151 张图像的数据集，可以区分出 18 种不同类型的烘焙食品来训练我们的检测模型。为了促进模型训练，我们使用了一个复制粘贴的增强流水线来扩展我们的数据集。我们在检测任务中使用了最先进的目标检测模型 YOLOv8 进行训练。我们测试了不同训练数据、模型规模和在线图像增强流水线对模型性能的影响。我们最佳的模型在测试集上达到了 89.1% 的 [email protected]。基于我们的结果，我们得出结论，机器学习即使在像烘焙行业这样的未预见行业中，也可以成为有价值的工具，即使数据集非常有限。
semmeldetectormachine learning applicationobject detection modelsbaked goodsyolov8
发现论文，激发创造
  • 现实世界视觉数据集中自动误标签检测的实证研究

    计算机视觉中使用标记数据集是主要的进展，近期的研究工作提出了用于自动识别错误标记图像的方法，但在实际数据集中有效实施这些方法的策略仍未充分探索。本研究在多个数据集上对最近发展的自动化错误标记检测方法进行了详细评估，结果表明该方法在清理真实世界视觉数据集中性能相似甚至优于先前方法。通过精心设计方法，将该方法应用于真实世界计算机视觉数据集后，在较小的数据情况下使每个分类器的性能提高了 8%。

    Dec, 2023

  • 基于 YOLO 目标检测技术的甜樱桃表型分析的深度学习应用

    通过使用深度学习中的 YOLOv3 模型，可以自动计算并分析产出树果，像甜樱桃的数量、大小和颜色等相关因素，该模型的准确度高达 99%。

    Feb, 2023

  • 应用机器学习检测食品中的霉菌毒素：综述

    从事机器学习方法在食品安全行业中，尤其是检测霉菌毒素和其他食品成分的存在方面的研究，探讨了近年来机器学习应用的优势、挑战和未来发展潜力，以及对数据和代码的公开获取有关的疑虑。研究结果显示，尽管多数研究主要利用神经网络进行霉菌毒素的检测，但在所采用的神经网络架构中存在着显著的多样性，其中卷积神经网络最为普遍。

    Apr, 2024

  • 食品盘中的菜肴检测：自动饮食记录和营养管理框架

    通过深度学习方法，建立了一个集数据整合、标记、模型识别及移动 APP 实现于一体的餐饮管理框架，以繁复印度盛菜为例研究证明，使用 YOLOv8x 和 ResNet152 模型在平均精度上更优，通过模型可以有效的记录和监管人们的饮食，为营养干预和改善生活方式等领域提供可能性。

    May, 2023

  • 多标签学习在食品成分识别中的应用

    研究了自动饮食评估系统中视觉识别食物的核心功能，使用深度多标签学习方法评估了几种最先进的神经网络，以在图像中检测任意数量的成分，并针对编码使用了多个著名的神经网络模型。在使用挑战性数据集 Nutrition5K 上，取得了有希望的初步结果，并为未来的探索奠定了坚实的基础。

    Oct, 2022

  • 基于深度学习的现代目标检测模型综述

    本文概述了基于深度学习的物体检测器的最新发展，提供了检测中使用的基准数据集和评估指标的简明概述，以及在识别任务中使用的一些主要骨干架构和现代轻量级分类模型，最后我们比较了这些架构在多个度量标准上的性能。

    Apr, 2021

  • MelNet：一种实时的深度学习目标检测算法

    本研究介绍了一种名为 MelNet 的新颖深度学习算法用于目标检测，该算法使用 KITTI 数据集进行训练，并在训练 300 个时期后得到了 0.732 的 mAP 得分。结果突显了在某些情况下使用迁移学习的有效性，并且还表明通过仅在 KITTI 数据集上训练 MelNet 可以在 150 个时期后超过 EfficientDet，并且在训练后 MelNet 的性能与其他预训练模型相当。

    Jan, 2024

  • 基于机器学习的流行病学：实时检测规模化食源性疾病

    利用机器学习技术，通过匿名和聚合的网络搜索和位置数据实现食源性疾病实时检测。该技术可显著提高餐厅检查准确性，并获取此前难以获得的流行病学信息，可帮助预防食品中毒等公共卫生问题。

    Dec, 2018

  • 基于机器学习方法的土耳其情感分析：在线食品订单网站评论应用

    使用 Yemek Sepeti 的数据和其变体，采用多种机器学习算法，结合多种自然语言处理方法，旨在达到最高的准确率，并优化算法的参数，训练得到的模型可用于无标签数据的客户满意度测量。本研究中应用的三种自然语言处理方法能够使大部分模型的准确率提高约 5%。

    Jan, 2022

  • 增强型评论检测与识别：对跨平台应用的方法研究（以在线商务为例）

    在线商务依赖于用户生成的评论来提供对物品的客观信息，该论文提出了一种利用机器学习方法进行评论检测和提取的方法，并展示了该方法在对未包含在训练数据中的网站上的使用上的推广性。此方法承诺驱动自动检测和评估评论的应用，无论其来源如何。此外，通过实施和讨论三个关键应用：情感不一致性分析、多语言支持和假评论检测，展示了该方法的多功能性。

    May, 2024