Рекомендаційна система моніторингу енергетичної цінності харчових продуктів користувача на основі технології машинного навчання

Abstract

Загальновідомо, що життя кожної людини, групи людей і нації формується залежно від географічних, економічних, політичних, культурних і релігійних умов [1]. Спосіб життя формується в результаті щоденного повторення і складається з таких факторів: харчування, фізичні навантаження, наявність шкідливих звичок, моральний і духовний розвиток тощо. В останні десятиліття спосіб життя вважався невід’ємною частиною добробуту, що призвело до збільшення кількості досліджень. Згідно з дослідженням вченого [2], більше половини проблем зі здоров’ям пов’язані з дієтою. Мільйони людей харчуються неправильно і навіть не підозрюють про це. Актуальність теми: існує багато підходів до вирішення проблеми контролю дієти, але слід розуміти здорового харчування в сучасних умовах є одним із пріоритетних завдань покращення фізичного стану різних вікових груп. Метою є створення системи, яка буде спрямована на те, щоб допомогти кінцевому споживачеві дотримуватися здорового харчування шляхом визначення складу та калорійності продукту та формування рекомендацій на основі відповідного ритму життя. Система призначена для вирішення конкретних завдань: розпізнавати продукти, співвідносити продукт і його калорійність, формувати харчовий щоденник, нагадувати користувачеві про пропущені прийоми їжі та вести статистику. Об’єкт дослідження — об’єктом дослідження являється контроль над раціоном людини та аналіз спожитих продуктів. Предмет дослідження — враховуючи той факт, що об’єкт і предмет дослідження співвідносяться між собою як загальне і часткове, тому предметом дослідження є розпізнавання продуктів на основі машинного навчання та формування співвідношень враховуючи калорійний вміст. Мета дослідження — полягає у створенні системи, яка буде направлена на допомогу кінцевому користувачу дотримуватись здорового раціону шляхом визначення складу та калорійності продукту, а також формування рекомендації на основі відповідного життєвого ритму. Система покликана вирішити конкретні задачі: розпізнавати продукти, співвідносити продукт та його калорійність, формувати щоденник харчування, нагадувати користувачу про пропущений прийом їжі та вести статистику. Результати дослідження. Результат дослідження можна поділити на теоретичну і практичну складові. До теоретичної можна віднести здобутки, отримані в ході системного аналізу: побудова UML-діаграм та визначення ключових особливостей системи, орієнтуючись на поточних конкурентів. Для глибини аналізу в графічному форматі подано такі діаграми: варіантів використання, класів, поведінки, кооперацій, діяльності, компонентів та розгортання. До практичних результатів віднесемо програмна реалізація системи, яка задовольняє поставлені цілі. В ході розробки рекомендаційної системи моніторингу енергетичної цінності харчових продуктів користувача на основі технології машинного навчання здійснили навчання моделі для того аби розпізнавати страви, використовуючи глибокі згорткові нейронні мережі, які є працюють подібно до людського зору. Зокрема, використовували повністю згорткові мережі (FCN), про які згодує автор в дослідженні [3] і являють собою сучасний рівень семантичної сегментації. Цей процес сегментує вхідне зображення на окремі частини, а потім класифікує кожну частину у вихідний клас; мережа робить це, виконуючи класифікацію на рівні пікселів. Тому FCN виводить піксельну карту замість текстової мітки класу, і ця піксельна карта містить передбачення моделі для кожного окремого пікселя вхідного зображення, а не лише одне передбачення для всього зображення. Це важливо, оскільки це найточніший спосіб описати всі продукти харчування, представлені на одному зображенні.

It is well known that the life of each person, group of people and nation is formed depending on geographical, economic, political, cultural and religious conditions [1]. Lifestyle is formed as a result of daily repetition and consists of the following factors: nutrition, exercise, the presence of bad habits, moral and spiritual development and so on. In recent decades, lifestyle has been considered an integral part of well-being, which has led to an increase in research. According to a study by a scientist [2], more than half of health problems are related to diet. Millions of people eat wrong and are unaware of it. Relevance of the topic: there are many approaches to solving the problem of diet control, but it should be understood that healthy eating in modern conditions is one of the priorities of improving the physical condition of different age groups. The aim is to create a system that will be aimed at helping the end consumer to maintain a healthy diet by determining the composition and caloric content of the product and making recommendations based on the appropriate rhythm of life. The system is designed to solve specific tasks: to recognize products, to correlate the product and its calories, to form a food diary, to remind the user of missed meals and to keep statistics. Study object— the object of research is the control of human diet and analysis of consumed products. Scope of research — taking into account the fact that the object and subject of research are correlated as general and partial, so the subject of research is the recognition of products based on machine learning and the formation of relationships based on calories. Goal of research — is to create a system that will be aimed at helping the end user to maintain a healthy diet by determining the composition and caloric content of the product, as well as the formation of recommendations based on the appropriate rhythm of life. The system is designed to solve specific tasks: to recognize products, to correlate the product and its calories, to form a food diary, to remind the user about missed meals and to keep statistics. Research results. The result of the study can be divided into theoretical and practical components. The theoretical ones include the achievements obtained during the system analysis: construction of UML-diagrams and determination of key features of the system, focusing on current competitors. For in-depth analysis, the following diagrams are presented in graphical format: usage options, classes, behaviors, cooperatives, activities, components, and deployments. The practical results include software implementation of the system that meets the objectives. During the development of a recommended system for monitoring the energy value of food products based on machine learning technology, models were trained to recognize food using deep convolutional neural networks that work similar to human vision. In particular, we used fully convolutional networks (FCN), which are agreed by the author in the study [3] and represent the current level of semantic segmentation. This process segments the input image into individual parts and then classifies each part into an output class; the network does this by performing a pixel-level classification. Therefore, the FCN outputs a pixel map instead of a class text label, and this pixel map contains model predictions for each individual pixel of the input image, not just one prediction for the entire image. This is important because it is the most accurate way to describe all the foods presented in one image.