MACHINE LEARNING-BASED ASSESSMENT OF FOOD ITEM QUALITY

Described herein are systems and methods for determining quality levels for food items using image data, such as time lapse RGB, hyperspectral, thermal, and/or multispectral images. The method can include receiving, from imaging devices, image data of food items, performing object detection on the i...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Hauptverfasser: CHATTERJEE Saurabh, GAU Jeffrey Fun- Shen, ABOUZAR Pooyan, MICHEL Ohad, RAPPOLD Tim, VENKATESH Sahana, PATTISON Richard
Format: Patent
Sprache:eng ; spa
Schlagworte:
Online-Zugang:Volltext bestellen
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Beschreibung
Zusammenfassung:Described herein are systems and methods for determining quality levels for food items using image data, such as time lapse RGB, hyperspectral, thermal, and/or multispectral images. The method can include receiving, from imaging devices, image data of food items, performing object detection on the image data to identify a bounding box around each food item, and identifying a quality level of each food item by applying trained models to the bounding boxes. The models were trained using image training data of other food items that was annotated based on previous identifications of a first portion of the other food items as having poor quality features and a second portion as having good quality features. The other food items and the food items are a same type. The method also includes determining, for each food item, a quality level score based on the identified quality level of the food item. En el presente documento se describen sistemas y métodos para determinar niveles de calidad para artículos alimenticios usando datos de imagen, tales como imágenes de lapso de tiempo RGB, hiperespectrales, térmicas y/o multiespectrales. El método puede incluir recibir, desde dispositivos de formación de imágenes, datos de imagen de artículos alimenticios, realizar detección de objetos en los datos de imagen para identificar un cuadro delimitador alrededor de cada artículo alimenticio e identificar un nivel de calidad de cada artículo alimenticio aplicando modelos entrenados a los cuadros delimitadores. Los modelos se entrenaron usando datos de entrenamiento de imagen de otros artículos alimenticios que se anotaron basándose en identificaciones previas de una primera porción de los otros artículos alimenticios que tienen características de mala calidad y una segunda porción que tienen características de buena calidad. Los otros artículos alimenticios y los artículos alimenticios son del mismo tipo. El método también incluye determinar, para cada artículo alimenticio, una puntuación de nivel de calidad basándose en el nivel de calidad identificado del artículo alimenticio.