메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
Young Hoon Park (Bucheon University) Eun Young Choi (Bucheon University)
저널정보
한국조리학회 Culinary Science & Hospitality Research Culinary Science & Hospitality Research Vol.30 No.9(Wn.170)
발행연도
2024.9
수록면
1 - 14 (14page)
DOI
10.20878/cshr.2024.30.9.001

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
This study aimed to identify the most suitable algorithm for accurate and efficient real-time rice quantity detection on white serving trays to enhance personalized nutrition management and improve dietary quality and health. A real-time rice quantity detection system was developed using the DeepLabV3Plus network with various backbone architectures, including DenseNet121, DenseNet201, VGG16, VGG19, MobileNetV2, and MobileNetV3 Large. DeepLabV3Plus employed Atrous Convolutional Neural Networks (ACNNs) and Atrous Spatial Pyramid Pooling (ASPP). A total of 350 images of rice servings were used, with 70% for training and 30% for validation. Performance evaluation of the six backbone architectures revealed that DenseNet121 and DenseNet201 achieved the highest Mean Intersection over Union (mIOU) of 92.92%, while MobileNetV2 had the lowest at 87.70%. VGG16 demonstrated the highest computational efficiency. DenseNet201 was effective in detecting rice quantities up to 140 g, but accurate detection of larger quantities required additional height image data. All architectures achieved high top-1 validation accuracies (96.0%-96.4%), though training times varied significantly. This study emphasizes the importance of diverse training datasets and continuous model refinement to improve segmentation accuracy and efficiency. Integrating image data from top and side views is essential for detecting larger quantities. Enhanced nutrition management using deep learning in institutional food services could lead to increased operational efficiency, cost savings, and data-driven decision-making for inventory and menu planning.
#DeepLabV3Plus #Institutional foodservice #Rice #Personalized nutrition #Real-time monitoring

목차

ABSTRACT
1. INTRODUCTION
2. MATERIALS AND METHODS
3. RESULTS AND DISCUSSION
4. CONCLUSION
REFERENCES

참고문헌 (29)

참고문헌 신청
Arsenault, B. J., Després, J. P., & Vohl, M. C. (2017). Precision nutrition: A review of personalized nutritional approaches for the prevention and management of metabolic syndrome. Nutrients, 9(8), 913. google schola Cameron, K. M., & Speakman, J. R. (2010). Measures of food intake, body weight gain, and energy efficiency in mice. Laboratory Animals, 44(4), 298-304. google schola Caspers, M. P. M., Anthony, J. C., & Wopereis, S. (2021). A novel personalized systems nutrition program improves dietary patterns, lifestyle behaviors and health-related outcomes: Results from the Habit study. Nutrients, 13(6), 1763. google schola Cha, S. (2023). A social big data analysis on Hansik globalization. Culinary Science & Hospitality Research, 29(12), 105-117. google schola Chhabra, P., Kumar, R., Gupta, A., & Nagpal, S. (2023). Role of AI in personalized nutrition: An updated review. Nutrition Reviews, 81(3), 289-305. google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

최근 본 자료

전체보기

댓글(0)

0