Χρήση δικτύων παραγωγικής μάθησης και διαδικτύου
των πραγμάτων για την δημιουργία συστάσεων
διατροφής

Κατσάμπουλα, Χριστίνα-Σοφία; Katsampoula, Christina-Sofia

dc.contributor.author	Κατσάμπουλα, Χριστίνα-Σοφία	el
dc.contributor.author	Katsampoula, Christina-Sofia	en
dc.date.accessioned	2022-10-26T09:25:14Z
dc.date.available	2022-10-26T09:25:14Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56004
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23702
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	Διαδίκτυο των πραγμάτων	el
dc.subject	Έξυπνες συσκευές	el
dc.subject	Έξυπνο ψυγείο	el
dc.subject	Όραση υπολογιστών	el
dc.subject	Τεχνητή νοημοσύνη	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Συνελικτικά Νευρωνικά Δίκτυα	el
dc.subject	Παραγωγικά Ανταγωνιστικά Δίκτυα	el
dc.subject	Confusion Matrix	en
dc.subject	Google Vision API	en
dc.subject	Graphical User Interface	en
dc.subject	Image-Generator	en
dc.subject	Generative Adversarial Networks	en
dc.title	Χρήση δικτύων παραγωγικής μάθησης και διαδικτύου των πραγμάτων για την δημιουργία συστάσεων διατροφής	el
dc.contributor.department	ΤΟΜΕΑΣ ΣΥΣΤΗΜΑΤΩΝ ΜΕΤΑΔΟΣΗΣ ΠΛΗΡΟΦΟΡΙΑΣ & ΤΕΧΝΟΛΟΓΙΑΣ ΥΛΙΚΩΝ	el
heal.type	bachelorThesis
heal.classification	Διαδίκτυο των πραγμάτων	el
heal.classification	Παραγωγικά Ανταγωνιστικά Δίκτυα	el
heal.classification	Συνελικτικά Νευρωνικά Δίκτυα	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-06-29
heal.abstract	Μέρα με την μέρα η τεχνολογία εισβάλλει όλο και περισσότερο στην καθημερινότητά μας, αλλάζοντας τις καθημερινές μας συνήθειες. Οι συσκευές που χρησιμοποιούμε τείνουν να γίνονται ολοένα και πιο έξυπνες. Ο κλάδος των smart things έχει αρχίσει να αναπτύσσεται με γοργούς ρυθμούς, και όλο και περισσότερες συσκευές αποκτούν συνδεσιμότητα στο διαδίκτυο. Με αυτή την σκέψη, στο πλαίσιο της παρούσας διπλωματικής εργασίας, θελήσαμε να δημιουργήσουμε μια προσέγγιση έξυπνου ψυγείου, το οποίο με βάση το περιεχόμενό του μπορεί να προτείνει στον χρήστη γεύματα που οδηγούν σε μια ισορροπημένη διατροφή. Αρχικά ο χρήστης μέσω φορητής κάμερας φωτογραφίζει τα περιεχόμενα του ψυγείου του. Με τη βοήθεια του εργαλείου Google Vision API, αναγνωρίζονται τα περιεχόμενα της φωτογραφίας και αποδίδονται ετικέτες σε αυτά. Με βάση το περιεχόμενο που αναγνωρίστηκε, επιλέγεται κατάλληλο σύνολο δεδομένων που χρησιμοποιείται για την εκπαίδευση ενός παραγωγικού ανταγωνιστικού δικτύου. Συγκεκριμένα χρησιμοποιήθηκε ένα DCGAN (Image-Generator) που παίρνοντας σαν είσοδο σύνολα εικόνων καταφέρνει να δημιουργεί συνθετικές εικόνες γευμάτων που μπορούν να παρασκευαστούν από τα υλικά που αναγνωρίστηκαν στην φωτογραφία των περιεχομένων του ψυγείου. Για την αξιολόγηση των παραγόμενων εικόνων και ειδικότερα της απόδοσης του δικτύου, χρησιμοποιήθηκε ένα συνελικτικό νευρωνικό δίκτυο, το οποίο εκπαιδεύτηκε σε δύο κλάσεις, ώστε να αναγνωρίζει δύο κατηγορίες τροφής. Το πείραμα εκτελέστηκε δύο φορές με διαφορετικό συνδυασμό κλάσεων. Ειδικότερα στο πρώτο πείραμα, το συνελικτικό νευρωνικό δίκτυο εκπαιδεύτηκε με πραγματικές εικόνες ώστε να αναγνωρίζει ψωμί και ζυμαρικά. Στη συνέχεια, κλήθηκε να αναγνωρίσει συνθετικές εικόνες ψωμιού και ζυμαρικών, οι οποίες παράγονται από το παραγωγικό ανταγωνιστικό δίκτυο. Το συνελικτικό δίκτυο κατάφερε να αναγνωρίσει τις παραγόμενες εικόνες ζυμαρικών και ψωμιού με επιτυχία 71%. Στο δεύτερο πείραμα, το δίκτυο εκπαιδεύτηκε να αναγνωρίζει εικόνες ψωμιού και λαχανικών και στη συνέχεια κατάφερε να ταξινομήσει συνθετικές εικόνες ψωμιού και λαχανικών με επιτυχία 87%. Τα αποτελέσματα αυτά δείχνουν ότι το παραγωγικό ανταγωνιστικό δίκτυο μπορεί να δημιουργήσει συνθετικές εικόνες τροφών, τις οποίες το συνελικτικό νευρωνικό δίκτυο καταφέρνει να αναγνω	el
heal.abstract	Technology is invading more and more into our daily lives, changing our daily habits. The devices that we use are becoming smarter. The field of smart things has started to grow rapidly and a large amount of devices are gaining access to the internet. Having that in mind, we had the ambition to create an approach of smart fridge able to propose healthy and balanced food meals, based on refrigerator’s contents. Initially, the user takes a photo of their refrigerator’s content which is analyzed through the Google Vision API, a tool provided by the Google Platform. The Google Vision API recognizes the objects in the photo and provides labels for the available food ingredients. Using these labels, an appropriate training set is selected and used in order to train a generative adversarial network. Within the framework of this thesis, the Image-Generator was used, a DCGAN that is fed with image datasets and creates synthesized food images which represent feasible cooking options for a healthy and balanced diet, based on the available ingredients. In order to evaluate the performance of the DCGAN, we used a two-class convolutional neural network (CNN) which was trained with actual images to recognize two categories of food. The evaluation procedure was carried out for two different combinations of food classes, involving recognition of (i) bread vs pasta images and (ii) bread vs vegetables images. After proper training with real images, the CNN model was able to successfully classify 71% of the generated bread and pasta images and 87% of the generated bread and vegetables images. These results show that the generative adversarial network is able to create synthetic images which can be correctly classified by the CNN.	en
heal.advisorName	Νικήτα, Κωνσταντίνα
heal.committeeMemberName	Στάμου, Γεώργιος
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	86
heal.fullTextAvailability	false