照明によるドメインシフト下における強化された食品カテゴリ認識

arXiv:2602.08491v1 Announce Type: new Abstract: 自動ベルト検査のような実環境に展開された視覚食品認識システムは、照明変化によるドメインシフトに非常に敏感です。最近の研究で、照明の変化が人間および AI による食品認識を大きく歪ませることは示されていますが、既存の研究は単一の食品カテゴリや制御された環境に限定されており、多くの公開食品データセットには照明の明記された注釈がありません。 本稿では、Food-101 と Fruits-360 という 2 つの広く採用されているデータセットを用い、多クラス食品カテゴリ認識における照明誘発ドメインシフトを調査しました。不整合した視覚的条件により、クロスデータセット評価で精度が著しく低下することを確認しました。この課題に対処するために、光の温度と強度を系統的に変化させることで、追加のラベルなしで制御された頑健性分析を可能にする合成照明増強データセットを構築しました。 さらに、特に赤りんごに基づくカテゴリのような照明に敏感なターゲットカテゴリに焦点を当てたクロスデータセット転送学習とドメイン汎用性を評価しました。実験結果は、照明感知増強がドメインシフト下で認識の頑健性を大幅に向上させる一方で、リアルタイム性能を維持できることを示しています。当社の発見は、照明頑健性の重要性を浮き彫りにし、実世界的検査シナリオにおいて信頼性の高い食品認識システムを展開するための実践的洞察を提供します。

arXiv:2602.08491v1 Announce Type: new Abstract: Visual food recognition systems deployed in real-world environments, such as automated conveyor-belt inspection, are highly sensitive to domain shifts caused by illumination changes. While recent studies have shown that lighting variations can significantly distort food perception by both humans and AI, existing works are often limited to single food categories or controlled settings, and most public food datasets lack explicit illumination annotations. In this work, we investigate illumination-induced domain shift in multi-class food category recognition using two widely adopted datasets, Food-101 and Fruits-360. We demonstrate substantial accuracy degradation under cross-dataset evaluation due to mismatched visual conditions. To address this challenge, we construct synthetic illumination-augmented datasets by systematically varying light temperature and intensity, enabling controlled robustness analysis without additional labels. We further evaluate cross-dataset transfer learning and domain generalization, with a focus on illumination-sensitive target categories such as apple-based classes. Experimental results show that illumination-aware augmentation significantly improves recognition robustness under domain shift while preserving real-time performance. Our findings highlight the importance of illumination robustness and provide practical insights for deploying reliable food recognition systems in real-world inspection scenarios.