شناسایی مواد غذایی ایرانی در تصاویر با استفاده از یادگیری عمیق
محل انتشار: مجله مهندسی بیوسیستم ایران، دوره: 54، شماره: 3
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 58
فایل این مقاله در 23 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IJBSE-54-3_002
تاریخ نمایه سازی: 3 بهمن 1402
چکیده مقاله:
سبک زندگی سالم و رژیم غذایی متعادل نقش حیاتی در حفظ سلامت انسان ها ایفا می کند. در این دوره از تغییر سریع سبک زندگی و فناوری، یک سیستم تشخیص و بخش بندی مواد غذایی مبتنی بر موبایل که مواد غذایی را شناسایی کند، می تواند بسیار مفید باشد و عادات غذایی را بهبود بخشد. در این مقاله یک سیستم جدید ارائه شده است که با دریافت تصویر ورودی، مواد غذایی داخل تصویر را تشخیص و بخش بندی می کند. این سیستم از تکنیک ها و مدل های یادگیری عمیق استفاده می کند. الگوریتم مورد استفاده YOLO است که با بهره مندی از روش های ساده مبتنی بر رگرسیون، توانایی تشخیص و بخش بندی مواد غذایی را با یک گذر از شبکه فراهم می آورد که با هدف بهبود دقت و سرعت در تشخیص ارائه شده است. این روش ها شامل استفاده از YOLOv۷ برای تشخیص مواد غذایی و استفاده از بخش بندی نمونه ای YOLOv۵، YOLOv۷ و YOLOv۸ برای بخش بندی تصاویر است. علاوه بر این، مجموعه داده ای از غذاهای ایرانی حاوی مواد غذایی مختلف تهیه و مورد استفاده قرار گرفت. بر اساس نتایج، مقادیر دقت، یادآوری و دقت متوسط میانگین YOLOv۷ به ترتیب ۸۴۴/۰، ۹۲۴/۰ و ۹۳۲/۰ به دست آمد. همچنین، عملکرد بخش بندی نمونه ای YOLOv۷ نسبت به YOLOv۵ و YOLOv۸ بهتر بود که مقادیر دقت بخش بندی، یادآوری و دقت متوسط میانگین ۵/۰ برای YOLOv۷ به ترتیب ۹۵۹/۰، ۹۴۳/۰ و ۹۰۶/۰ است. نتایج حاکی از آن هستند که روش پیشنهاد شده در این مقاله دقت بالا در تشخیص مواد غذایی ایرانی و همچنین سرعت و دقت بالا در بخش بندی نمونه ای را فراهم می کند. بنابراین با استفاده از الگوریتم YOLO، می توان غذاهای ایرانی را با دقت بالا تشخیص داد و تصاویر آن ها را تقسیم بندی کرد. این پژوهش از طریق تکنولوژی هوشمند و الگوریتم های جدید یادگیری عمیق به ترویج سبک زندگی سالم از طریق تکنولوژی هوشمند در ایران می پردازد.
کلیدواژه ها:
نویسندگان
زهرا حاج علی اوغلی
گروه مهندسی ماشینهای کشاورزی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران
سلیمان حسین پور
گروه مهندسی ماشینهای کشاورزی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران
سید سعید محتسبی
گروه مهندسی ماشینهای کشاورزی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :