Click here to load reader
Upload
lcon-mackenzie
View
293
Download
1
Embed Size (px)
Citation preview
Universidade Presbiteriana MackenziePrograma de Pós Graduação em Engenharia ElétricaLaboratório de Computação Natural
Reconhecimento de alimentos utilizando Redes Neurais Artificiais
Dávila Cruz - [email protected] Alves - rfelixmg@gmail,com
Taciana Cruz - [email protected]
LCoN Meetings (11/09/2013)
Roteiro
● Introdução
● Metodologia
● Trabalhos existentes
● Conclusão
● Referências
Introdução● Grande quantidade de alimentos e dificuldade de
organização da dieta alimentar de pessoas com diabetes.
● Problema: Como auxiliar nutricionistas e endocrinologistas no acompanhamento de seus pacientes diabéticos?
● Proposta: Arquitetura de um Sistema Especialista para Auxílio na dieta alimentar de pacientes com Diabetes.
● Utilização de Redes Neurais Artificiais para Classificação dos alimentos através das imagens obtidas.
Arquitetura PropostaSistema Nutricional para Diabéticos
Prato do dia:
Identifique os alimentos
Informações nutricionais
Fig 1: Arquitetura Proposta,Fonte: Própria
Redes Neurais ArtificiaisSistema Nutricional para Diabéticos
Prato do dia:
Identifique os alimentos
Informações nutricionais
Fig 1: Arquitetura Proposta,Fonte: Própria
Metodologia
● Levantamento de Requisitos○ Sistema Especialista para Auxílio na dieta alimentar
de pacientes com Diabetes.○ Módulo Redes Neurais Artificiais
● Treinar uma rede neural artificial para fazer o reconhecimento de alimentos presentes na imagem de uma refeição.
● Redes Neurais:○ Support Vector Machine - SVM○ Back propagation Multi-Layer Perceptron - MLP○ Self-organized Maps - SOM
● Classificação
Levantamento de requisitos
● Refeições baseadas na Cesta Básica Brasileira.● Inicialmente serão utilizados fragmentos dequatro
alimentos básicos:
Fig 2. Exemplos de imagens de cada variedade de alimentos utilizadas para o treinamento da rede neural. Carne grelhada; Arroz branco; Feijão carioca e Alface.Fonte: Própria.
192 px
Base de dados
● Fragmentação e normalização da imagem em uma janela de tamanho 192 por 192 pixels.
● Para treinamento: base composta por 40 imagens para cada tipo de alimento. Totalizando 160 padrões.
Levantamento de RequisitosExtração de características
● Extração de características feitas utilizando o MPEG-7.○ Cor○ Posição○ Contornos○ Textura
● Concatenação das características extraidas em um vetor númerico
Redes Neurais● Multi-Layer Perceptron - MLP
○ Rede Neural feedfoward com backpropagation○ Amplamente utilizada
● Support Vector Machine - SVM○ Analise de regressão○ Rede baseada em aprendizagem estatística○ Classificador binário linear não probabilístico○ Sutil a mudança de parâmetros
● Self-organized Maps - SOM○ Não supervisionada○ Aprendizado competitivo
Trabalhos existentes
● Gualda, I. P., Aplicação de Redes Neurais Artificiais na Ciência e Tecnologia de Alimentos: Estudo de Casos
● B. D’ebska, B. Guzowska-Swider. Application of artificial neural network in food classification (Radial Basis Function)
● Marini, F. Artificial neural networks in foodstuff analyses: Trends and perspectives: A review
Conclusão
● As redes neurais apresentam bom desempenho na tarefa de classificação de imagens de alimentos
● As redes MLP e SVM devem ser testadas para comparação e escolha da solução ótima
Referências
[1] SICHIERI, Rosely et al . Recomendações de alimentação e nutrição saudável para a população brasileira. Arq Bras Endocrinol Metab, São Paulo , v. 44, n. 3, June 2000 . Available from <http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0004-27302000000300007&lng=en&nrm=iso>. access on 04 Sept. 2013. http://dx.doi.org/10.1590/S0004-27302000000300007.
[2] A. Rocha, D. Hauagge, J. Wainer, S. Goldenstein, “Automatic fruit and vegetable classification from images,” in Elsevier Computer and Electronics in Agriculture (COMPAG), v. 70, issue 1, pp. 96-104, 2010.
[3] S.Arivazhagan, R.Newlin Shebiah, S.Selva Nidhyanandhan, L.Ganesan, “Fruit recognition using color and texture features,” Journal of Emerging Trends in Computing and Information Sciences, vol 1, no. 2, pp. 90-94, 2010.
[4] W. Seng, S. Mirisaee, “A new method for fruits recognition system,” Electrical Engineering and Informatics, 2009. ICEEI '09. International Conference on , vol.01, no., pp.130,134, 5-7 Aug. 2009.
[5] Mikhail Anatholy Koslowski, Favero Guilherme Santos, Gustavo B. Borba, Humberto Gamba, "Fruits Classification Using MPEG - 7 Descriptors from Image Patches", Proceedings of IX Workshop de Visao Computacional (WVC 2013), 03-05 June 2013.
[6] M. Bastan, H. Cam, U. Gudukbay, O. Ulusoy, “BilVideo-7: An MPEG- 7 Compatible Video Indexing and Retrieval System”, IEEE MultiMedia, vol. 17, no. 3, pp. 62-73, July-September 2010.