Ανάπτυξη Μοντέλου Εκτίμησης Της Περιεχόμενης Ποσότητας Υδατανθράκων Στα Λαμβανόμενα Γεύματα Από Φωτογραφικά Στιγμιότυπα

Abstract

Η παρακολούθηση της διατροφικής αξίας των λαμβανόμενων γευμάτων μπορεί να παίξει σημαντικό ρόλο στη μείωση των κινδύνων που σχετίζονται με χρόνιες ασθένειες που εξαρτώνται από τη διατροφή. Στη νόσο του Σακχαρώδη Διαβήτη συγκεκριμένα, η εκτίμηση της ποσότητας υδατανθράκων του γεύματος είναι καθοριστικής σημασίας για το σωστό σχεδιασμό του πλάνου υποκατάστασης της ινσουλίνης του ασθενούς και κατά συνέπεια, για την καθυστέρηση ή ακόμα και την αποφυγή εμφάνισης μακροπρόθεσμων επιπλοκών. Επομένως, αυτοματοποιημένα συστήματα που υποστηρίζουν τους ασθενείς στη μέτρηση του διατροφικού περιεχομένου σε θρεπτικά συστατικά μπορούν να αποτελέσουν πολύτιμα εργαλεία για την καθημερινότητα τους.Στην παρούσα διπλωματική εργασία παρουσιάζεται ένα σύστημα αναγνώρισης τροφίμων που αποτελείται από δύο στάδια τα οποία εκτελούν εξαγωγή κατάλληλων χαρακτηριστικών από εικόνες των τροφίμων, και στη συνέχεια ταξινομούν τα τρόφιμα σε προκαθορισμένες κατηγορίες. Το σύνολο των δεδομένων που χρησιμοποιείται αποτελείται από 1200 εικόνες τροφίμων, χωρισμένες σε έξι κατηγορίες (ψωμί, κρέας, πατάτες ρύζι, ζυμαρικά και λαχανικά). Τα χαρακτηριστικά των εικόνων εξάγονται με χρήση του αλγορίθμου Speeded Up Robust Features (SURF) σε συνδυασμό με έναν αλγόριθμο εξαγωγής χρωματικής πληροφορίας, καθώς και της τεχνικής Τοπικών Δυαδικών Προτύπων (Local Binary Patterns, LBP). Για τη μείωση της διάστασης του διανύσματος των χρησιμοποιούμενων χαρακτηριστικών, εφαρμόζεται η μέθοδος του Σάκου Χαρακτηριστικών (Bag of Features, BoF), ενώ τελικά για την εκτέλεση της ταξινόμησης χρησιμοποιείται μια δομή βασισμένη στις Μηχανές Διανυσμάτων Υποστήριξης (Support Vector Machines, SVMs). Η δομή αυτή αναφέρεται στη βιβλιογραφία ως Κατευθυνόμενος Ακυκλικός Γράφος από SVMs (DAG SVM), ενώ στην παρούσα εργασία χρησιμοποιείται μια βελτιστοποίηση αυτής. Η απόδοση του συστήματος αξιολογείται σε σύγκριση με έναν ταξινομητή μηχανών υποστήριξης διανυσμάτων πολλών κλάσεων (multiclass SVM) και τελικά, το προτεινόμενο σύστημα πετυχαίνει ακρίβεια ταξινόμησης 86.75% σε σχέση με το 86.92% που πετυχαίνει ο δεύτερος ταξινομητής.