1. 毕业设计（论文）主要内容：

近年来，智能穿戴设备发展迅速，用可穿戴照相机记录一天的饮食，自动识别照片中的食物成为可能。通过分析食物的成分可以指导健康饮食，另一方面，随着自动贩售机的普及，可以自动获取食物价格。因此，正确识别食物图像并对其进行分类，具有重要实现意义。

随着深度神经网络在物体识别方面的巨大成功，为食物识别方面提供了重要参考价值。但是在食物识别过程中，最重要的问题就是如何获得正确的图像比例。人们在拍摄食物照片时，总是有很多不确定因素，比如拍摄距离的远近（影响食物的大小），拍了一盘菜还是多盘菜（也可能某盘菜的一部分），因此本课题拟研究基于深度学习的多尺度食物定位和识别方法，同时解决食物的定位和识别问题。

2. 毕业设计（论文）主要任务及要求

1. 详细了解基于深度学习的目标检测算法，并将该算法应用于食物的定位上。

2.在对食物定位的基础上通过多尺度的分类算法，并采用投票机制来获得食物识别结果。

3.实验测试食物的定位，识别准确率和实时性，实现整体结构设计。

3. 毕业设计（论文）完成任务的计划与安排

2019年1月11日-2019年1月31日：阅读文献，国内外现状研究调研

2019年2月1日-2019年2月28日：掌握技能，具有针对性的学习编程语言，算法，图像处理相关知识，尝试实现已阅读文献中的方法，完成开题报告；

2019年3月1日-2019年3月31日：设计和完成食物定位网络，从理论和实验上进行验证；

4. 主要参考文献

[1] he y, xu c, khanna n, et al. analysis of food images: features and classification[c]// ieee international conference on image processing. ieee, 2014:2744-2748.
[2] farinella g m, moltisanti m, battiato s. classifying food images represented as bag of textons[c]// ieee international conference on image processing. ieee, 2015:5212-5216.
[3] he h, kong f, tan j. diet cam: multi-view food recognition using a multi-kernel svm.[j]. ieee journal of biomedical amp; health informatics, 2017, 20(3):848-855.

[4] nie j, wei z, jia w, et al. automatic detection of dining plates for image-based dietary evaluation[c]// engineering in medicine and biology society. ieee, 2010:4312-4315.
[5] aizawa k, maruyama y, morikawa c, et al. food balance estimation by using personal dietary tendencies in a multimedia food log[j]. ieee transactions on multimedia, 2013, 15(8):2176-2185.
[6] kagaya h, ogawa m, ogawa m. food detection and recognition using convolutional neural network[c]// acm international conference on multimedia. acm, 2014:1085-1088.
[7] kagaya h, aizawa k. highly accurate food/non-food image classification based on a deep convolutional neural network[m]// new trends in image analysis and processing -- iciap 2015 workshops. springer international publishing, 2015:350-357.
[8] ragusa f, tomaselli v, furnari a, et al. food vs non-food classification[c]// international workshop on multimedia assisted dietary management. acm, 2016:77-81.
[9] singla a, yuan l, ebrahimi t. food/non-food image classification and food categorization using pre-trained goog le net model[c]// international workshop on multimedia assisted dietary management. acm, 2016:3-11.

[10] yanai k, kawano y. food image recognition using deep convolutional network with pre-training and fine-tuning[c]// ieee international conference on multimedia amp; expo workshops. ieee, 2015:1-6.
[11] myers a, johnston n, rathod v, et al. im2calories: towards an automated mobile vision food diary[c]// ieee international conference on computer vision. ieee, 2015:1233-1241.