Resumen

Con el desarrollo del aprendizaje automático, como rama del aprendizaje automático, el aprendizaje profundo se ha aplicado en muchos campos, como el reconocimiento de imágenes, la segmentación de imágenes, la segmentación de vídeos, etc. En los últimos años, el aprendizaje profundo también se ha aplicado gradualmente al reconocimiento de alimentos. Sin embargo, en el campo del reconocimiento de alimentos, el grado de complejidad es alto, la situación es compleja, y la precisión y la velocidad de reconocimiento son preocupantes. Este trabajo trata de resolver los problemas anteriores y propone un método de reconocimiento de imágenes de alimentos basado en una red neuronal. Combinando Tiny-YOLO y una red gemela, este método propone un modo de aprendizaje en dos etapas de YOLO-SIMM y diseña dos versiones de YOLO-SiamV1 y YOLO-SiamV2. A través de los experimentos, este método tiene una precisión de reconocimiento general. Sin embargo, no es necesario el marcado manual, y tiene una buena perspectiva de desarrollo en la popularización y aplicación práctica. Además, se propone un método de detección y reconocimiento de cuerpos extraños en los alimentos. Este método puede separar eficazmente los cuerpos extraños de los alimentos mediante la tecnología de segmentación de umbrales. Los resultados experimentales muestran que este método puede distinguir eficazmente el desecante de la materia extraña y lograr el efecto deseado.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:métodos, reconocimiento de alimentos, aprendizaje automático, aprendizaje profundo, versión de yolo, modo de yolo, velocidad de reconocimiento, rama de la máquina, buena perspectiva de desarrollo, precisión de reconocimiento general
• Keywords:methods, food recognition, machine learning, deep learning, version of yolo, mode of yolo, speed of recognition, branch of machine, good development prospect, general recognition accuracy