健康有益：視覺處理的應用落地，讓機器認知我們的食物

　　伴隨全球對人工智能的關注度不斷提升，市場對機器視覺等人工智能產(chǎn)品的需求得到進一步釋放，機器視覺技術正蓬勃發(fā)展。圖像識別、視頻識別、三維重建、人臉識別、運動檢測技術已經(jīng)越來越成熟，并滲入百姓的日常生活中，從手機里的面部識別功能，到家用安全門面部識別、支付寶面部識別等均運用了機器視覺技術。

　　健康有益作為國內(nèi)專注人工智能與健康管理的科技公司，根據(jù)市場需求切入圖像識別技術，深度應用于食物識別的研究和場景使用。根據(jù)最新測試數(shù)據(jù)的結果顯示，健康有益對于常見菜品的識別已達到了千余種，其識別準確率超過90%。

　　從技術原理角度看，食物識別使用的是卷積神經(jīng)網(wǎng)絡(Convolutional Neural Networks，簡稱CNN)中的殘差神經(jīng)網(wǎng)絡結構(Residual Networks，簡稱ResNet)，最大的特點就是讓深層網(wǎng)絡訓練的難易度降低了幾個數(shù)量級。在ResNet結構中，食物識別是經(jīng)過三大層級訓練出來的。

　　卷積層

　　在此階段，食物圖像被掃描，作為輸入傳遞到網(wǎng)絡中。首先將圖像平均分割成無數(shù)個小片段，每個片段將應用一層卷積層，卷積層將小片段再次分為3層圖像組成三維立方體結構，每一個層圖像都呈現(xiàn)RGB三原色中的一種顏色信息。隨后，將卷積濾波器(也稱作神經(jīng)元)應用到每一層圖像中，猶如濾鏡效果過濾出某些相似的特征�？梢韵胂�，數(shù)百個不同的濾波器組成的網(wǎng)絡就可以獲取圖片中的各種復雜特征，形成特征圖，最終完成特征提取工作。

　　池化層

　　在池化層，從特征圖中發(fā)現(xiàn)，一旦我們知道給定特征在一個給定區(qū)域內(nèi)，即可忽略特征的確切位置，將數(shù)據(jù)普遍化，從而減少數(shù)據(jù)過擬合。因此，在池化過程中，特征圖被不斷的壓縮，最終可以大大減少數(shù)據(jù)量，增加運算速度。

　　全連接層

　　全連接網(wǎng)絡層作為神經(jīng)網(wǎng)絡的結束層。該層將之前層(卷積層、激活層或者池化層)的處理結果作為輸入，并輸出一個N維的向量，N是程序所選擇的類別的數(shù)量。例如，如果程序預測某張圖像是香蕉，它就會在代表黃色或者一定弧度外形等高級特征的激活映射中有較高的值。本質上講，一個全連接層關注與特定類相關性最強、并且有特定權重的高層特征，以便能在計算權重與前面一層乘積后得到不同類的正確概率。

　　在應用場景上，健康管理非常重要的一環(huán)就是健康飲食，因此在對食物進行營養(yǎng)成份查詢以及日常記錄的場景下，食物識別發(fā)揮了極大的作用。比如在日常就餐時對當前食物進行拍照，立刻就能得到反饋信息，識別所拍攝的食物種類并展示其基礎營養(yǎng)素信息，承載系統(tǒng)會基于個人體征數(shù)據(jù)推薦攝入量與食用建議;同樣的就餐場景下，在獲取營養(yǎng)素信息的同時，完成飲食記錄，為每個用戶實現(xiàn)精準健康管理創(chuàng)造無障礙通道。在未來的場景中，通過識別食物的質量和體積，系統(tǒng)可以更加精準地計算實際消耗熱量。

　　健康有益作為將人工智能與健康管理相結合的科技公司，已全面開啟AI在健康管理領域的應用與落地，致力于探索創(chuàng)新人類個性化健康管理的新方式。未來健康有益會與更多的行業(yè)巨頭展開合作，通過技術與健康管理的深度融合，幫助人類更好地量化生命，實現(xiàn)自我管理。