Ανάπτυξη μοντέλου εκτίμησης της περιεχόμενης ποσότητας υδατανθράκων στα λαμβανόμενα γεύματα από φωτογραφικά στιγμιότυπα

Σαραντέα-Μαγγαλούση, Μύριαμ-Γεωργία; Sarantea-Mangalousi, Myriam-Georgia

dc.contributor.author	Σαραντέα-Μαγγαλούση, Μύριαμ-Γεωργία	el
dc.contributor.author	Sarantea-Mangalousi, Myriam-Georgia	en
dc.date.accessioned	2016-12-12T09:58:11Z
dc.date.available	2016-12-12T09:58:11Z
dc.date.issued	2016-12-12
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/44115
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.13290
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Σακχαρώδης διαβήτης	el
dc.subject	Σύστημα αναγνώρισης τροφίμων	el
dc.subject	Εκτίμηση υδατανθράκων	el
dc.subject	Εξαγωγή χαρακτηριστικών	el
dc.subject	Αλγόριθμος SURF	el
dc.subject	Τοπικά δυαδικά πρότυπα	el
dc.subject	Σάκος χαρακτηριστικών	el
dc.subject	Μηχανές διανυσμάτων υποστήριξης	el
dc.subject	Κατευθυνόμενος ακυκλικός γράφος από SVMs	el
dc.subject	Diabetes mellitus	en
dc.subject	Food recognition system	en
dc.subject	Carbohydrate estimation	en
dc.subject	Feature extraction	en
dc.subject	Speeded up robust features algorithm (SURF)	en
dc.subject	Local binary patterns (LBP)	en
dc.subject	Bag of features (BoF)	en
dc.subject	Support vector machines (SVMs)	en
dc.subject	Directed acyclic graph using SVMs (DAG SVM)	en
dc.title	Ανάπτυξη μοντέλου εκτίμησης της περιεχόμενης ποσότητας υδατανθράκων στα λαμβανόμενα γεύματα από φωτογραφικά στιγμιότυπα	el
dc.title	Development of a food recognition system for carbohydrate estimation using food images	en
heal.type	bachelorThesis
heal.classification	Συστήματα ταξινόμησης	el
heal.classification	Classification systems	en
heal.classificationURI	http://data.seab.gr/concepts/9c14d32d2b06876029db767aad4f479a043de2d8
heal.classificationURI	http://data.seab.gr/concepts/9c14d32d2b06876029db767aad4f479a043de2d8
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2016-10-21
heal.abstract	Η παρακολούθηση της διατροφικής αξίας των λαμβανόμενων γευμάτων μπορεί να παίξει σημαντικό ρόλο στη μείωση των κινδύνων που σχετίζονται με χρόνιες ασθένειες που εξαρτώνται από τη διατροφή. Στη νόσο του Σακχαρώδη Διαβήτη συγκεκριμένα, η εκτίμηση της ποσότητας υδατανθράκων του γεύματος είναι καθοριστικής σημασίας για το σωστό σχεδιασμό του πλάνου υποκατάστασης της ινσουλίνης του ασθενούς και κατά συνέπεια, για την καθυστέρηση ή ακόμα και την αποφυγή εμφάνισης μακροπρόθεσμων επιπλοκών. Επομένως, αυτοματοποιημένα συστήματα που υποστηρίζουν τους ασθενείς στη μέτρηση του διατροφικού περιεχομένου σε θρεπτικά συστατικά μπορούν να αποτελέσουν πολύτιμα εργαλεία για την καθημερινότητα τους. Στην παρούσα διπλωματική εργασία παρουσιάζεται ένα σύστημα αναγνώρισης τροφίμων που αποτελείται από δύο στάδια τα οποία εκτελούν εξαγωγή κατάλληλων χαρακτηριστικών από εικόνες των τροφίμων, και στη συνέχεια ταξινομούν τα τρόφιμα σε προκαθορισμένες κατηγορίες. Το σύνολο των δεδομένων που χρησιμοποιείται αποτελείται από 1200 εικόνες τροφίμων, χωρισμένες σε έξι κατηγορίες (ψωμί, κρέας, πατάτες ρύζι, ζυμαρικά και λαχανικά). Τα χαρακτηριστικά των εικόνων εξάγονται με χρήση του αλγορίθμου Speeded Up Robust Features (SURF) σε συνδυασμό με έναν αλγόριθμο εξαγωγής χρωματικής πληροφορίας, καθώς και της τεχνικής Τοπικών Δυαδικών Προτύπων (Local Binary Patterns, LBP). Για τη μείωση της διάστασης του διανύσματος των χρησιμοποιούμενων χαρακτηριστικών, εφαρμόζεται η μέθοδος του Σάκου Χαρακτηριστικών (Bag of Features, BoF), ενώ τελικά για την εκτέλεση της ταξινόμησης χρησιμοποιείται μια δομή βασισμένη στις Μηχανές Διανυσμάτων Υποστήριξης (Support Vector Machines, SVMs). Η δομή αυτή αναφέρεται στη βιβλιογραφία ως Κατευθυνόμενος Ακυκλικός Γράφος από SVMs (DAG SVM), ενώ στην παρούσα εργασία χρησιμοποιείται μια βελτιστοποίηση αυτής. Η απόδοση του συστήματος αξιολογείται σε σύγκριση με έναν ταξινομητή μηχανών υποστήριξης διανυσμάτων πολλών κλάσεων (multiclass SVM) και τελικά, το προτεινόμενο σύστημα πετυχαίνει ακρίβεια ταξινόμησης 86.75% σε σχέση με το 86.92% που πετυχαίνει ο δεύτερος ταξινομητής.	el
heal.abstract	Dietary intake monitoring can play an important role in reducing the risk of diet related chronic diseases. In diabetes mellitus in particular, the carbohydrate estimation of the upcoming meals can be crucial for the proper treatment planning of the patient and consequently, for the delay or even the prevention of the long-term disease related complications. Therefore, automatic systems that support patients to count the nutrient contents of their meals can provide valuable tools. In this diploma thesis, a food recognition system is presented, which consists of two modules performing feature extraction and classification of food images, respectively. The dataset used consists of 1200 food images split into six categories (bread, meat, potatoes, rice, pasta and vegetables). The image features are extracted using Speeded Up Robust Features (SURF) alongside with a color feature extraction algorithm and Local Binary Patterns (LBP) method. The Bag Of Features (BOF) model is implemented in order to reduce the features space and finally, a Support Vector Machine (SVM) based classifier is used to perform the task of classification, in a decision tree structure. The specific structure is referred as Directed Acyclic Graph using SVMs (DAG SVM) in the literature, while in the present study an optimization of this structure is used. The classification performance is evaluated against a multiclass SVM classifier and eventually, the proposed system achieves a classification accuracy of 86.75% against 86.92% achieved by the multiclass SVM.	en
heal.advisorName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Ματσόπουλος, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	89 σ.	el
heal.fullTextAvailability	true