FoodTracker:En AI-drevet fødevaredetektion mobil applikation

Et forskerhold ved McGill University i Canada har udviklet en mobilapplikation, der kan genkende madvarer inde i et samlet måltid i realtid, at levere nyttig ernæringsrelateret information. Teamet skitserede den nye mobilapplikation, kaldet FoodTracker, i et nyligt papir, der på forhånd blev offentliggjort på arXiv og præsenteret på den 16. internationale konference om maskinsyn applikationer i Tokyo.

"Vores laboratorium fokuserer på sundhedsrelaterede applikationer på integrerede systemer, "Zelijko Zilic en af ​​forskerne, der gennemførte undersøgelsen, fortalte TechXplore. "Vi sigter mod at bringe automatisering ind i fødevareaviser, så folk, der bekymrer sig om deres daglige forbrug eller patienter, kan blive ved med at spore måltider og ernæringsindhold i deres daglige liv. Mod det mål, vi har leveret apps (DiaBeatMove og CarbAndMove) til iPhone, der hjælper diabetikere og præ-diabetikere med at styre øvelsen, ernæring, insulin og sundhedsrelaterede aspekter af deres liv. "

Stigningen i fedme og problemer forbundet med dårlig ernæring både i USA og andre lande verden over har tilskyndet adskillige forskere til at udvikle mobile applikationer eller online platforme, der fremmer sundere livsstilsvalg. I deres seneste undersøgelse, Zilic og hans kolleger satte specifikt sig for at udvikle en applikation til smartphones, der hurtigt og effektivt kan genkende den mad, en bruger indtager i realtid, tilbyder ernæringsfakta for hver komponent i et måltid.

FoodTracker, mobilappen udviklet af forskerne, er meget let at bruge. Når en bruger peger sit smartphone -kamera på en tallerken med sit måltid, appen genkender hurtigt sine forskellige ingredienser.

"Den største fordel er vores FoodTracker -app, er det, at den ikke er afhængig af nogen manuel dataindtastning - opnå automatisk madovervågning og ernæringsanalyse, udelukkende baseret på billeder fra mobilkameraer, "Jianing Sun, en anden forsker involveret i undersøgelsen, fortalte TechXplore.

Først og fremmest, Zilic, Sun og deres kolleger udviklede en model, der kombinerer et dybt konvolutionsnervalt netværk (CNN) med YOLO, en state-of-the-art detekteringsstrategi. De trænede denne model ved hjælp af en bred database med madbilleder og fandt ud af, at den har en gennemsnitlig præcision i at opdage fødevarer baseret på billeder på næsten 80 procent.

"Ved hjælp af vores ordning, vi viste, at selv beskedent drevne smartphones kan foretage den nødvendige madgenkendelse, "Zilic sagde." Blandt de mest meningsfulde fund er den korte slutningstid, lav driftstid hukommelse, og høj nøjagtighed af FoodTracker, hvilket gør det meget praktisk og let at bruge. "

Efterfølgende, forskerne integrerede deres model i FoodTracker -applikationen, med en ekstra funktion til ernæringsanalyse. Dette gør det muligt for appen at levere vigtig ernæringsrelateret information (f.eks. Kalorier, beløb, osv.) for hver fødevarekomponent påvist af den CNN-baserede model.

Indledende evalueringer tyder på, at FoodTracker-appen er et lovende værktøj til realtidsidentificering af mad og til at levere ernæringsvejledning. I øvrigt, trods sin AI-komponent, appen kan også bruges på mobile enheder med ubetydelig slutningstid, og den har små hukommelseskrav.

"Da jeg var i Japan for at præsentere dette værk, Jeg fandt ud af, at der var mange industrielle forskere, der arbejder på at opdage mad med nyligt nye computervisionsteknikker, "Sun sagde." Jeg blev endda inviteret til et internationalt food tech -selskab, der har forretning i mere end 70 lande. Jeg føler, at folk er mere og mere opmærksomme på deres daglige forbrug af sundhedsmæssige årsager. "

I fremtiden, mobile applikationer som FoodTracker kunne udvide folks viden om ernæring, støtte dem til at blive mere bevidste om den mad, de indtager dagligt og måske endda hjælpe dem med at forbedre deres spisevaner. Zilic, Sun og deres kolleger planlægger nu at integrere den ernæringsrelaterede vejledning fra appen med andre moduler, der tilskynder til en sundere livsstil.

"Den fuldautomatiske applikation, der kan detektere madgenstande og udtrække næringsindhold, er meget kompliceret, især når det kommer til applikationer i det virkelige liv, "Katarzyna Radecka, en anden forsker, der gennemførte undersøgelsen, fortalte TechXplore. "Vores arbejde tager et første skridt i retning af det, men der er helt sikkert mere arbejde, der bør følges, f.eks. multi-task læring, robusthed og bedre generalisering, estimering af volumen. Vi mener, at selv en delvis løsning på disse problemer kan have stor værdi for samfundet. "

© 2019 Science X Network