Ανάπτυξη συστήματος αυτοματοποιημένης αναγνώρισης εικόνων τροφής προσαρμοσμένο στις ανάγκες των ατόμων με σακχαρώδη διαβήτη

Κόγιας, Κλεομένης; Kogias, Kleomenis

dc.contributor.author	Κόγιας, Κλεομένης	el
dc.contributor.author	Kogias, Kleomenis	en
dc.date.accessioned	2018-03-27T10:35:56Z
dc.date.available	2018-03-27T10:35:56Z
dc.date.issued	2018-03-27
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/46789
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.15272
dc.rights	Default License
dc.subject	Σακχαρώδης διαβήτης	el
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Σύστημα αναγνώρισης τροφίμων	el
dc.subject	Εκτίμηση υδατανθράκων	el
dc.subject	Σύνολο δεδομένων φαγητών	el
dc.subject	Diabetes mellitus	en
dc.subject	Convolutional neural networks	el
dc.subject	Food recognition system	el
dc.subject	Carbohydrate estimation	el
dc.subject	Food dataset	el
dc.title	Ανάπτυξη συστήματος αυτοματοποιημένης αναγνώρισης εικόνων τροφής προσαρμοσμένο στις ανάγκες των ατόμων με σακχαρώδη διαβήτη	el
heal.type	bachelorThesis
heal.classification	Επιστήμη υπολογιστών/Πληροφορική	el
heal.classification	Αναγνώριση εικόνων	el
heal.classification	Προχωρημένη μηχανική μάθηση	el
heal.classificationURI	http://data.seab.gr/concepts/77de68daecd823babbb58edb1c8e14d7106e83bb
heal.classificationURI	http://data.seab.gr/concepts/d5cf140063d31fceb414be6c8dcb4654ffd3efcf
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2017-11-23
heal.abstract	Ο υπολογισμός της περιεχόμενης ποσότητας υδατανθράκων στα γεύματα των ατόμων με σακχαρώδη διαβήτη, αποτελεί πληροφορία μείζονος σημασίας καθώς καθορίζει την μεταγευματική δοσολογία της ινσουλίνης. Η παρούσα διπλωματική εργασία παρουσιάζει ένα μοντέλο ταξινόμησης φωτογραφικών στιγμιότυπων τροφής προσαρμοσμένο στις διατροφικές ανάγκες των ατόμων με σακχαρώδη διαβήτη. Η μέθοδος που χρησιμοποιείται για την ταξινόμηση των εικόνων στηρίζεται στα Συνελικτικά Νευρωνικά Δίκτυα. Συγκεκριμένα δημιουργείται ταξινομητής δύο επιπέδων, ο οποίος διακρίνει αρχικά τις εικόνες σε 8 ευρύτερες κατηγορίες: Γαλακτοκομικά και Προϊόντα, Φρούτα, Λαχανικά, Όσπρια και Αμυλούχα Λαχανικά, Κρέας και Υποκατάστατα, Ψωμί-Δημητριακά, Breaded Food, Λιπαρά Φαγητά και στην συνέχεια γίνεται ταξινόμηση της εικόνας ως ένα συγκεκριμένο φαγητό εντός της κατηγορίας. Η ταξινόμηση πραγματοποιείται σε σύνολο δεδομένων ειδικά διαμορφωμένο για άτομα με σακχαρώδη διαβήτη, καθώς επίσης δημιουργείται μετρική αξιολόγησης των αποτελεσμάτων ειδικά για το σκοπό αυτό. Η μέθοδος που προτείνεται βελτιώνει τα αποτελέσματα στο σύνολο δεδομένων Sarantea-2016, σημειώνοντας ακρίβεια ταξινόμησης 97,08%. Στο νέο σύνολο δεδομένων NTUA-Food 2017 η ακρίβεια ανά κατηγορία φθάνει το 84,18% ενώ ανά τροφή το 72,34%. Όπως φαίνεται από την μετρική αξιολόγησης των αποτελεσμάτων, η πρόβλεψη του μοντέλου που παρουσιάζεται, εμφανίζει μέση απόκλιση υπολογισμού των υδατανθράκων μικρότερη των 2γρ. ανά ένα ισοδύναμο τροφής. Συνεπώς, στο πλαίσιο της εργασίας παρουσιάζεται μοντέλο ειδικά διαμορφωμένο στις ανάγκες των ατόμων με σακχαρώδη διαβήτη. Τα Συνελικτικά Νευρωνικά Δίκτυα, το σύνολο δεδομένων NTUA-Food 2017, η ταξινόμηση δύο επιπέδων και η μετρική αξιολόγησης αποτελεσμάτων που προτείνονται αποτελούν τη βάση για την ανάπτυξη συστήματος αναγνώρισης τροφής. Η ενσωμάτωση του μοντέλου αυτού σε ένα ολοκληρωμένο αυτοματοποιημένο σύστημα πρόβλεψης υδατανθράκων θα επιτρέψει την καλύτερη αξιολόγηση του συστήματος.	el
heal.abstract	The accurate estimation of food carbohydrate content for people diagnosed with diabetes mellitus is of great importance, as it determines post-meal insulin dosage. The present thesis introduces a classification model for food images that is tailored to the nutritional needs of people with diabetes mellitus. The two-level image classification algorithm leverages Convolutional Neural Networks, first to classify an image in one of 8 broad food categories: Dairy Products, Fruits, Vegetables, Legumes and Starchy Vegetables, Meat and Meat Substitutes, Bread and Grains, Breaded Foods and High-Fat Foods and then to classify it as a specific food within that category. The dataset used to train the model, as well as the metric used to evaluate it, are tailored to people with diabetes mellitus. The proposed algorithm improves classification accuracy on the Sarantea-2016 dataset to 97.08%. It further achieves 84.18% food category classification accuracy and 72.34% food classification accuracy on the new NTUA-Food 2017 dataset. The algorithm’s mean error at carbohydrate content estimation is an impressive less than 2gr. per food serving. The method proposed is specifically designed for the needs of people with diabetes mellitus, and forms the basis for the development of a food recognition system. Incorporating the proposed model into a complete automatic carbohydrate prediction system will allow its better evaluation.	en
heal.advisorName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Στάμου, 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	150 σ.
heal.fullTextAvailability	true