Deep FoodRec: tecnologia di riconoscimento alimentare che utilizza la visione artificiale e il deep learning per il monitoraggio della salute

Il progetto di riconoscimento alimentare (FoodRec) mira a definire un quadro automatico utilizzando tecniche di visione artificiale e deep learning per riconoscere diversi alimenti dalle immagini. L'obiettivo del riconoscimento degli alimenti è estrarre e dedurre informazioni semantiche dalle immagini degli alimenti e classificare i diversi alimenti presenti nell'immagine. Il sistema sviluppato acquisisce immagini del cibo consumato dall'utente o dal soggetto nel tempo, che verranno poi elaborate da algoritmi di riconoscimento alimentare per estrarre e dedurre informazioni semantiche dalle immagini contenenti cibo. Le informazioni estratte verranno sfruttate per tracciare e monitorare le abitudini alimentari delle persone coinvolte in un protocollo per smettere di fumare. Il riconoscimento degli alimenti è un’area di ricerca attiva grazie alla sua vasta gamma di potenziali applicazioni nel mondo reale. Ad esempio, consentirebbe alle persone di monitorare l'assunzione di cibo o ciò che consumano semplicemente scattando una foto, di aumentare la consapevolezza nella loro dieta quotidiana monitorando le loro abitudini alimentari, il tipo e la quantità di cibo assunto, quanto tempo l'utente trascorre mangiare durante la giornata, quanti e a che ora l'utente consuma un pasto, analisi sui cambiamenti delle abitudini dell'utente, cattive abitudini e altre inferenze relative al comportamento dell'utente. Può aiutare un medico ad avere un’opinione migliore rispetto al comportamento del paziente, all’abbandono della risposta al trattamento e quindi ai suoi bisogni di salute. Questo progetto prevede diverse fasi dall'acquisizione dell'immagine al riconoscimento. In particolare, gli sforzi sono dedicati allo sviluppo di nuovi algoritmi di segmentazione e riconoscimento per eseguire in modo accurato il compito di riconoscimento degli alimenti. Questa tesi di dottorato presenta la segmentazione e il riconoscimento semantico del cibo utilizzando tecniche di deep learning. Gli approcci proposti sono stati sviluppati nel contesto del progetto FoodRec, che mira a definire un quadro automatico per il monitoraggio della salute e delle abitudini delle persone, durante il loro programma per smettere di fumare. Lo scopo è quello di estrarre e dedurre informazioni semantiche dalle immagini degli alimenti per analizzare i diversi alimenti presenti nell'immagine. Per la segmentazione del cibo, proponiamo una nuova rete convoluzionale e deconvoluzionale della piramide (CDPN) per la segmentazione del cibo per comprendere le informazioni semantiche di un'immagine a livello di pixel. Questa rete utilizza livelli di convoluzione e deconvoluzione per costruire una piramide di caratteristiche e ottenere una rappresentazione della mappa di caratteristiche semantiche di alto livello. Di conseguenza, la nuova rete di segmentazione semantica genera una mappa di segmentazione densa e precisa dell’immagine del cibo in input. Inoltre, il metodo proposto ha dimostrato miglioramenti significativi su due noti set di dati di segmentazione alimentare di riferimento pubblico. Proponiamo un'altra rete deconvoluzionale convoluzionale alimentare (FCDN) per la segmentazione semantica per estrarre e dedurre informazioni semantiche dalle immagini alimentari a livello di pixel per riconoscere diversi prodotti alimentari presenti in un'immagine. L'FCDN proposto utilizza solo il sovracampionamento delle caratteristiche apprendibili utilizzando gli strati di deconvoluzione per aumentare la risoluzione spaziale delle mappe delle caratteristiche e per apprendere i modelli complessi, mentre il CDPN proposto utilizza anche l'interpolazione per il sovracampionamento delle caratteristiche insieme agli strati di deconvoluzione. La nostra rete proposta ha dimostrato miglioramenti significativi nei risultati sul set di dati sugli alimenti di riferimento rispetto ai metodi all’avanguardia. Inoltre, abbiamo anche condotto un'analisi qualitativa incrociata dei dati del nostro metodo di segmentazione proposto per valutare le sue capacità di generalizzazione sul nostro set di dati FoodRec. I risultati della ricerca del riconoscimento alimentare includono 2 riviste e 3 documenti di conferenze. Questo progetto è un assegno di ricerca in cui ho collaborato per sviluppare algoritmi di riconoscimento degli alimenti. Questa ricerca è stata sponsorizzata da ECLAT srl, spin-off dell'Università di Catania, con l'aiuto di un finanziamento della Foundation for a Smoke-Free World Inc., una fondazione privata statunitense senza scopo di lucro 501(c)(3) con un missione di porre fine al fumo in questa generazione. I miei contributi a questo progetto includono la preelaborazione dei dati, le annotazioni dei dati e l'aumento dei dati per un'ulteriore elaborazione dopo che i dati sono stati raccolti dall'applicazione. Quindi, studiare, sviluppare e valutare algoritmi utilizzando tecniche di visione artificiale e deep learning per tracciare e monitorare le abitudini alimentari delle persone. L'ulteriore lavoro di ricerca è svolto in collaborazione con il Dipartimento di Scienze del Farmaco e della Salute dell'Università di Catania. Lo scopo del lavoro è stato quello di trovare una correlazione tra parametri ben definiti e selezionati come il tipo di nanoportatore, la dimensione delle particelle e la carica superficiale, e gli indici di efficienza di targeting DTE e DTP. Abbiamo eseguito la pulizia, la conversione, la standardizzazione e la classificazione dei dati di somministrazione dei farmaci dal naso al cervello utilizzando algoritmi di apprendimento automatico all'avanguardia. Stiamo lavorando per pubblicare una rivista da questo lavoro con la collaborazione del Dipartimento di Scienze del Farmaco e della Salute.

Grantor dc:publisher

Università degli studi di Catania

Year dc:date

2024

Author dc:creator

• HUSSAIN, MAZHAR

Contributors dc:contributor

• BATTIATO, SEBASTIANO

• Food Recognition
• Dietary Monitoring
• Deep Learning
• Artificial Intelligence for Health Monitoring
• Food Segmentation
• Food Dataset
• Riconoscimento Alimentare
• Monitoraggio Dietetico, Deep Learning, Intelligenza Artificiale per il Monitoraggio della Salute
• Segmentazione Alimentare
• Set di Dati sugli Alimenti

Statement dc:rights

• info:eu-repo/semantics/openAccess
• license:PUBBLICO - Pubblico con Copyright
• license uri:iris.PUB02

Language dc:language

ita

Handle dc:identifier

https://hdl.handle.net/20.500.11769/598169

OAI identifier oai:identifier

oai:www.iris.unict.it:20.500.11769/598169