ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ДЛЯ РАСПОЗНАВНИЯ ПРОДУКТОВ ПИТАНИЯ

INTELLIGENT SYSTEM FOR FOOD RECOGNITION

Ilya Kuryan

student, Siberian State Industrial University,

Russia, Novokuznetsk

Sofya Kostyreva

student, Siberian State Industrial University,

Russia, Novokuznetsk

Daria Negina

student, Siberian State Industrial University,

Russia, Novokuznetsk

АННОТАЦИЯ

В современном мире актуальность приобретает такая бытовая проблема, как принятие решений по поводу приемов пищи. Особо острой она становится для взрослых людей, которые ведут активный образ жизни и ввиду недостатка времени и ряда других причин попросту не могут тратить энергию на генерацию кулинарных идей. При этом для некоторых крайне важно следить за составом и калорийностью потребляемой еды, ведь здоровый образ жизни подразумевает наложение ряда ограничений и на питание.

Так как технологии плотно вошли в нашу жизнь, достаточно логичным кажется решение воспользоваться готовым программным продуктом, предназначенным для смартфонов – человеку достаточно открыть приложение и за считанные минуты получить различные варианты рецептов, которые соответствовали бы наполнению холодильника, личным предпочтениям и различным «лимитам».

ABSTRACT

In today's world, such a domestic problem as making decisions about meals is gaining relevance. It becomes especially acute for adults who lead an active lifestyle and due to lack of time and a number of other reasons simply can not spend energy to generate culinary ideas. At the same time, for some it is extremely important to monitor the composition and caloric content of the food consumed, because a healthy lifestyle implies imposing a number of restrictions on nutrition.

Since technology has become a part of our lives, it seems logical enough to use a ready-made software product designed for smartphones - a person just needs to open the application and in a matter of minutes receive various variants of recipes that would correspond to the filling of the refrigerator, personal preferences and various "limits".

Ключевые слова: нейронные сети, продукты, компьютерное зрение, система, глубокое обучение, приложение, мобильные приложение.

Keywords: neural networks, products, computer vision, system, deep learning, application, mobile application.

Для реализации интеллектуальной системы была выбрана сверточная нейронная сеть (CNN), которая предназначены для распознавания изображений. Состоят из нейронов и обучаемых параметров (таких, как веса). Каждый нейрон получает много входов, затем они берут взвешенную сумму входов, пропускают ее через функцию активации и получают выходной сигнал.

Сверточный слой — это слой, присутствующий в ConvNet, который используется для извлечения функций (кромок, углов, конечных точек и т.д.). Из изображения, которое предоставляется в качестве входных данных. Это набор матриц, которые умножаются на результат предыдущего слоя, процесс известен как свертка. Типовая архитектура представлена на рисунке 1.

Рисунок 1. Типовая архитектура сверточной нейронной сети

Для разработки системы необходимо разработать диаграмму классов, готовая диаграмма классов представлена на рисунке 2.

Рисунок 2. Диаграмма классов

Диаграммы классов — один из наиболее полезных типов диаграмм в UML, поскольку они четко отображают структуру конкретной системы, моделируя ее классы, атрибуты, операции и отношения между объектами. Диаграмма классов определяет типы объектов в системе и различные типы отношений, существующих между ними.

В качестве программного обеспечения для создания нейронной сети был выбран сервис Teachable Machine, процесс обучение нейронной сети происходил с помощью добавления классов и наборов данных (data-set), которые удовлетворяют поиску. Процесс обучение нейронной сети представлен на рисунке 3.

Рисунок 3. Создание класса и загрузка набора данных

После создания класса необходимо обучить модель, для этого необходимо нажать на кнопку обучить модель, данный процесс представлен на рисунке 4.

Рисунок 4. Обучение нейронной сети

После того, как нейронная сеть была обучена, происходит процесс тестирования нейронной сети на данных, которых не было в изначальной выборке и делаются соответствующие выводы, процесс тестирования показан на рисунке 5.

Рисунок 5. Тестирование нейронной сети

Исходя из результатов, полученных в результате тестирования, созданная нейронная сеть работает вполне нормально, что позволяет использовать её в дальнейшей разработке любых приложений.

Список литературы:

1. Душкин Р.В. Искусственный интеллект. – М.: ДМК-Пресс, 2019. – 280 с.
2. Нейронные сети: распознавание образов и изображений c помощью ИИ [Электронный ресурс]. – URL: https://center2m.ru/ai-recognition (дата обращения: 01.11.2021).
3. Замятин А.В. Интеллектуальный анализ данных : учебное пособие. – Томск : Издательский Дом Томского государственного университета, 2020. – 196 с.
4. Gant Laborde. Learning TensorFlow.js: Powerful Machine Learning in JavaScript. – 1st Edition. – Newton: O'Reilly Media, Inc., 2021.
5. Keras Layers – Everything you need to Know [Электронный ресурс]. – URL: https://techvidvan.com/tutorials/keras-layers/ (дата обращения: 01.11.2021).
6. Л.В. Пирская. Разработка мобильных приложений в среде Android Studio : учебное пособие; Южный федеральный университет. – Ростов-на-Дону ; Таганрог : Издательство Южного федерального университета, 2019. – 123 с.
7. Фиайли К. MySQL: Пер. с англ. – М.: ДМК Пресс. – 352 с.: ил. (Quick Start).