مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

58
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

23
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

شناسایی مواد غذایی ایرانی در تصاویر با استفاده از یادگیری عمیق

صفحات

 صفحه شروع 19 | صفحه پایان 41

چکیده

 سبک زندگی سالم و رژیم غذایی متعادل نقش حیاتی در حفظ سلامت انسان ها ایفا می کند. در این دوره از تغییر سریع سبک زندگی و فناوری, یک سیستم تشخیص و بخش بندی مواد غذایی مبتنی بر موبایل که مواد غذایی را شناسایی کند, می تواند بسیار مفید باشد و عادات غذایی را بهبود بخشد. در این مقاله یک سیستم جدید ارائه شده است که با دریافت تصویر ورودی, مواد غذایی داخل تصویر را تشخیص و بخش بندی می کند. این سیستم از تکنیک ها و مدل های یادگیری عمیق استفاده می کند. الگوریتم مورد استفاده YOLO است که با بهره مندی از روش های ساده مبتنی بر رگرسیون, توانایی تشخیص و بخش بندی مواد غذایی را با یک گذر از شبکه فراهم می آورد که با هدف بهبود دقت و سرعت در تشخیص ارائه شده است. این روش ها شامل استفاده از YOLOv7 برای تشخیص مواد غذایی و استفاده از بخش بندی نمونه ای YOLOv5, YOLOv7 و YOLOv8 برای بخش بندی تصاویر است. علاوه بر این, مجموعه داده ای از غذاهای ایرانی حاوی مواد غذایی مختلف تهیه و مورد استفاده قرار گرفت. بر اساس نتایج, مقادیر دقت, یادآوری و دقت متوسط میانگین YOLOv7 به ترتیب 844/0, 924/0 و 932/0 به دست آمد. همچنین, عملکرد بخش بندی نمونه ای YOLOv7 نسبت به YOLOv5 و YOLOv8 بهتر بود که مقادیر دقت بخش بندی, یادآوری و دقت متوسط میانگین 5/0 برای YOLOv7 به ترتیب 959/0, 943/0 و 906/0 است. نتایج حاکی از آن هستند که روش پیشنهاد شده در این مقاله دقت بالا در تشخیص مواد غذایی ایرانی و همچنین سرعت و دقت بالا در بخش بندی نمونه ای را فراهم می کند. بنابراین با استفاده از الگوریتم YOLO, می توان غذاهای ایرانی را با دقت بالا تشخیص داد و تصاویر آن ها را تقسیم بندی کرد. این پژوهش از طریق تکنولوژی هوشمند و الگوریتم های جدید یادگیری عمیق به ترویج سبک زندگی سالم از طریق تکنولوژی هوشمند در ایران می پردازد.

چندرسانه ای

  • ثبت نشده است.

    • استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    مقالات مرتبط نشریه ای

  • ثبت نشده است.

    • مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button