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

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.

تشخیص مواد غذایی, تقسیم بندی نمونه ای, یادگیری عمیق, YOLOv۷