Een onderzoeksteam aan de McGill University in Canada heeft een mobiele applicatie ontwikkeld die voedsel in realtime in een algehele maaltijd kan herkennen, het verstrekken van nuttige voedingsgerelateerde informatie. Het team schetste de nieuwe mobiele applicatie, genaamd FoodTracker, in een recente paper, vooraf gepubliceerd op arXiv en gepresenteerd op de 16e Internationale Conferentie over Machine Vision Applications in Tokio.

"Ons lab richt zich op zorggerelateerde toepassingen op embedded systemen, Zlijko Zilic, een van de onderzoekers die het onderzoek uitvoerde, vertelde TechXplore. "We willen automatisering in foodjournaling brengen, zodat mensen die om hun dagelijkse consumptie geven of patiënten maaltijditems en voedingsinhoud in hun dagelijks leven kunnen blijven volgen. Op weg naar dat doel, we hebben apps (DiaBeatMove en CarbAndMove) voor iPhone geleverd die diabetici en pre-diabetici helpen bij het beheren van de oefening, voeding, insuline en gezondheidsgerelateerde aspecten van hun leven."

De toename van obesitas en problemen in verband met slechte voeding, zowel in de VS als in andere landen over de hele wereld, heeft tal van onderzoekers aangemoedigd om mobiele applicaties of online platforms te ontwikkelen die gezondere levensstijlkeuzes promoten. In hun recente studie, Zilic en zijn collega's wilden specifiek een applicatie voor smartphones ontwikkelen die snel en effectief het voedsel dat een gebruiker consumeert in realtime kan herkennen, het aanbieden van voedingsfeiten voor elk onderdeel van een maaltijd.

VoedselTracker, de door de onderzoekers ontwikkelde mobiele app, is zeer gemakkelijk te gebruiken. Wanneer een gebruiker zijn smartphonecamera richt op een bord met zijn/haar maaltijd, de app herkent snel de verschillende ingrediënten.

"Het belangrijkste voordeel is onze FoodTracker-app, is het dat het niet afhankelijk is van handmatige gegevensinvoer - automatische voedselmonitoring en voedingsanalyse bereiken, uitsluitend gebaseerd op beelden van mobiele camera's, "Jianing zon, een andere onderzoeker die bij het onderzoek betrokken was, vertelde TechXplore.

Allereerst, Zilic, Sun en hun collega's ontwikkelden een model dat een diep convolutief neuraal netwerk (CNN) combineert met YOLO, een state-of-the-art detectiestrategie. Ze trainden dit model met behulp van een brede database met voedselafbeeldingen en ontdekten dat het een gemiddelde precisie heeft bij het detecteren van voedselproducten op basis van afbeeldingen van bijna 80 procent.

"Met behulp van ons schema, we hebben aangetoond dat zelfs smartphones met een bescheiden vermogen de vereiste voedselherkenning kunnen uitvoeren, Zilic zei. "Een van de meest betekenisvolle bevindingen is de korte inferentietijd, laag runtime-geheugen, en hoge nauwkeurigheid van FoodTracker, waardoor het zeer praktisch en gebruiksvriendelijk is."

Vervolgens, de onderzoekers integreerden hun model in de FoodTracker-applicatie, met een extra functie voor voedingsanalyse. Hierdoor kan de app belangrijke voedingsgerelateerde informatie verstrekken (bijv. calorieën, bedragen, enz.) voor elke voedselcomponent gedetecteerd door het op CNN gebaseerde model.

Eerste evaluaties suggereren dat de FoodTracker-app een veelbelovend hulpmiddel is voor de realtime identificatie van voedsel en voor het geven van voedingsadvies. Bovendien, ondanks zijn AI-component, de app kan ook worden gebruikt op mobiele apparaten met een verwaarloosbare inferentietijd en heeft weinig geheugen nodig.

"Toen ik in Japan was om dit werk te presenteren, Ik ontdekte dat er veel industriële onderzoekers werken aan voedseldetectie met recent opkomende computervisietechnieken, " zei Sun. "Ik werd zelfs uitgenodigd bij een internationaal foodtechbedrijf dat zaken heeft in meer dan 70 landen. Ik heb het gevoel dat mensen om gezondheidsredenen steeds meer aandacht besteden aan hun dagelijkse consumptie."

In de toekomst, mobiele toepassingen zoals FoodTracker kunnen de kennis van mensen over voeding, hen te ondersteunen bij het bewuster worden van het voedsel dat ze dagelijks consumeren en misschien zelfs om hun eetgewoonten te verbeteren. Zilic, Sun en hun collega's zijn nu van plan om de voedingsgerelateerde begeleiding van de app te integreren met andere modules die een gezondere levensstijl stimuleren.

"De volautomatische applicatie die voedselobjecten kan detecteren en voedingsinhoud kan extraheren, is erg ingewikkeld, vooral als het gaat om toepassingen in het echte leven, "Katarzyna Radecka, een andere onderzoeker die het onderzoek heeft uitgevoerd, vertelde TechXplore. "Ons werk zet een eerste stap in de richting van het, maar er zijn zeker meer werk moet worden gevolgd, bijv. multitasken leren, robuustheid en betere generalisatie, schatting van het volume. Wij geloven dat zelfs een gedeeltelijke oplossing van deze problemen van grote waarde kan zijn voor de samenleving."

© 2019 Wetenschap X Netwerk