冰冷的城市需要更多的綠手指論文書籍站
國立臺灣師範大學 資訊工程學系 方瓊瑤所指導 吳家安的 類神經網路模型應用於食品熱量與營養成份分析 （2018），提出cafe in三明治熱量關鍵因素是什麼，來自於食物影像辨識、食物營養分析、食物熱量分析、Mask R-CNN、彩色影像、影像分割。
類神經網路模型應用於食品熱量與營養成份分析
為了解決cafe in三明治熱量 的問題，作者吳家安 這樣論述：
現代人追求生活品質，注重視身體的健康。然而，根據世界衛生組織2018年公布之2016年全球十大死因死亡人數統計中，慢性病死因佔前十大死因的一半。透過良好的飲食習慣能預防慢性疾病與肥胖。瞭解飲食習慣的典型方法，是紀錄三餐並且分析卡路里與營養成份。因此本研究提出一套利用食物影像分析與估算熱量與營養成份的系統，讓使用者快速的瞭解每餐所攝取的熱量與營養，進而達到均衡營養的目的。系統啟動後會讀入食物影像，將食物影像調整成特定比例後輸入Mask R-CNN。Mask R-CNN首先利用ResNet101-FPN架構擷取低階至高階的食物特徵，再將各階食物特徵皆輸入RPN(Region proposal n
etwork)架構獲得影像中食物區塊。使用RoAlign技術固定食物區塊的尺寸後輸入Mask R-CNN head偵測食物種類、食物預測框與食物遮罩。接著系統會利用食物遮罩得到食物在影像中所佔之面積，將其在影像中所佔的像素數量輸入線性迴歸方程式得到食物重量估測。得到食物重量之後，結合衛生福利部與美國農業部之食品營養資料庫，標示出所估測之食物熱量與營養成份。本研究所辨識的食物類別共有16個，分別為沙拉、水果、吐司、蛋、香腸、雞肉、培根、法式吐司、歐姆蛋、薯餅、鬆餅、火腿、漢堡排、三明治、薯條以及漢堡。結合Ville Cafe Dataset與Food-256 Dataset，共有36013張影像
、58013個食物。其中使用1278張影像、6096個食物作為訓練集，686張影像、3680個食物當作測試集。Ville Cafe Dataset與Food-256 Dataset結合之食物辨識正確率為99.86%，IoU為97.17%。食物重量估算實驗類別為沙拉、水果、吐司、香腸、培根、火腿、漢堡排與薯條等非複合型食物估算重量。其中每類食物分別使用40、40、44、40、41、49、40與40筆資料，共320筆資料做線性迴歸運算。實驗結果中，平均絕對誤差為8.22，平均相對誤差為0.13。