Page 132 - Petelin, Ana, et al. Eds. 2019. Zdravje otrok in mladostnikov / Health of Children and Adolescents. Zbornik povzetkov z recenzijo / Book of Abstracts. Koper: Založba Univerze na Primorskem/University of Primorska Press
P. 132
avje otrok in mladostnikov | health of children and adolescents Kaj je vidno na fotografiji hrane in pijač?
Simon Mezgec1, Tome Eftimov2,3 Tamara Bucher4, Barbara Koroušić Seljak2
1 Mednarodna podiplomska šola Jožefa Stefana, Jamova cesta 39, 1000 Ljubljana,
Slovenija
2 Institut Jožef Stefan, Jamova cesta 39, 1000 Ljubljana, Slovenija
3 Univerza Stanford, Stanford, CA 94305, ZDA
4 Univerza Newcastle, Callaghan, NSW 2308 Newcastle, Avstralija
Uvod: Prehranjevalne navade običajno spremljamo z vodenjem prehranske-
ga dnevnika oziroma s sprotnim popisovanjem zaužite hrane in pijač. Danes so
na voljo številne aplikacije za vodenje elektronskega prehranskega dnevnika,
ki olajšajo popisovanje, vseeno pa zahtevajo precej discipline pri sprotnem te-
htanju in beleženju zaužitih obrokov.
Metode: V prispevku bomo predstavili sodobno računalniško tehnologijo za sa-
modejno razpoznavanje fotografij hrane in pijač. Tehnologija temelji na globoki
nevronski mreži za razpoznavanje slik (angl. deep neural network) in predstav-
lja nadgradnjo obstoječih avtomatiziranih rešitev. Ocena prehranjevalnih navad
zahteva poleg razpoznavanja fotografij hrane in pijač tudi preslikavo te infor-
macije na bazo podatkov o sestavi živil. Takšno preslikavo lahko dosežemo na
samodejni način z naravno obdelavo jezika.
Rezultati: Nevronsko mrežo smo naučili razpoznavanja slik na podatkih, prido-
bljenih v raziskavi na replikah živil (angl. fake food). Mreža je zaenkrat zmož-
na razpoznavati 55 različnih vrst hrane in pijač z visoko stopnjo zanesljivosti
(92,18%). Stopnja natančnosti preslikave na bazo podatkov o sestavi živil je
93%.
Razprava in zaključek: Tehnologijo lahko vključimo v mobilno aplikacijo, s kate-
ro uporabnik zajema fotografije hrane ali pijač. Mreža se sproti uči iz novih foto-
grafij uporabnikov, kar pomeni, da bo v prihodnosti še bolj natančna ter zmož-
na razpoznavanja večjega števila vrst hrane in pijač.
Ključne besede: razpoznavanje fotografij hrane, hranilna vrednost, replika
živil
130
Simon Mezgec1, Tome Eftimov2,3 Tamara Bucher4, Barbara Koroušić Seljak2
1 Mednarodna podiplomska šola Jožefa Stefana, Jamova cesta 39, 1000 Ljubljana,
Slovenija
2 Institut Jožef Stefan, Jamova cesta 39, 1000 Ljubljana, Slovenija
3 Univerza Stanford, Stanford, CA 94305, ZDA
4 Univerza Newcastle, Callaghan, NSW 2308 Newcastle, Avstralija
Uvod: Prehranjevalne navade običajno spremljamo z vodenjem prehranske-
ga dnevnika oziroma s sprotnim popisovanjem zaužite hrane in pijač. Danes so
na voljo številne aplikacije za vodenje elektronskega prehranskega dnevnika,
ki olajšajo popisovanje, vseeno pa zahtevajo precej discipline pri sprotnem te-
htanju in beleženju zaužitih obrokov.
Metode: V prispevku bomo predstavili sodobno računalniško tehnologijo za sa-
modejno razpoznavanje fotografij hrane in pijač. Tehnologija temelji na globoki
nevronski mreži za razpoznavanje slik (angl. deep neural network) in predstav-
lja nadgradnjo obstoječih avtomatiziranih rešitev. Ocena prehranjevalnih navad
zahteva poleg razpoznavanja fotografij hrane in pijač tudi preslikavo te infor-
macije na bazo podatkov o sestavi živil. Takšno preslikavo lahko dosežemo na
samodejni način z naravno obdelavo jezika.
Rezultati: Nevronsko mrežo smo naučili razpoznavanja slik na podatkih, prido-
bljenih v raziskavi na replikah živil (angl. fake food). Mreža je zaenkrat zmož-
na razpoznavati 55 različnih vrst hrane in pijač z visoko stopnjo zanesljivosti
(92,18%). Stopnja natančnosti preslikave na bazo podatkov o sestavi živil je
93%.
Razprava in zaključek: Tehnologijo lahko vključimo v mobilno aplikacijo, s kate-
ro uporabnik zajema fotografije hrane ali pijač. Mreža se sproti uči iz novih foto-
grafij uporabnikov, kar pomeni, da bo v prihodnosti še bolj natančna ter zmož-
na razpoznavanja večjega števila vrst hrane in pijač.
Ključne besede: razpoznavanje fotografij hrane, hranilna vrednost, replika
živil
130
