Мобільна інформаційна система контролю раціону харчування людини

dc.citation.epage172
dc.citation.issue11
dc.citation.journalTitleВісник Національного університету "Львівська політехніка". Інформаційні системи та мережі
dc.citation.spage145
dc.contributor.affiliationНаціональний університет “Львівська політехніка”
dc.contributor.affiliationLviv Polytechnic National University
dc.contributor.authorОлексів, Назар
dc.contributor.authorВисоцька, Вікторія
dc.contributor.authorOleksiv, Nazar
dc.contributor.authorVysotska, Victoria
dc.coverage.placenameЛьвів
dc.coverage.placenameLviv
dc.date.accessioned2023-08-17T06:36:04Z
dc.date.available2023-08-17T06:36:04Z
dc.date.created2022-03-01
dc.date.issued2022-03-01
dc.description.abstractЖиття кожної людини, групи людей і нації залежить від географічних, економічних, політичних, культурних і релігійних умов. Спосіб життя формується у результаті щоденного повторення і складається із таких факторів: харчування, фізичні навантаження, наявність шкідливих звичок, моральний і духовний розвиток тощо. В останні десятиліття спосіб життя вважають невід’ємною частиною добробуту, що сприяло збільшенню кількості досліджень. Медики стверджують, що більш ніж половина проблем зі здоров’ям пов’язані із дієтою. Мільйони людей харчуються неправильно, навіть не підозрюючи про це. Актуальність теми зумовлена численністю підходів до вирішення проблеми контролю дієти, проте різні аналоги пропонують можливості, які відрізняються і не завжди зрозумілі та зручні, оскільки існує кілька способів досягнення однієї мети. Дослідження стосовно здорового харчування в сучасних умовах є одним із пріоритетних завдань задля покращення фізичного стану різних вікових груп. Мета – створення системи, спрямованої на те, щоб допомогти кінцевому споживачеві дотримуватися здорового харчування, визначаючи склад та калорійність продукту, сформувати рекомендації відповідно до 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.
dc.description.abstractIt is acknowledged that each person's life, group of people and nation is formed depending on geographical, economic, political, cultural and religious conditions. 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, leading to increased research. According to the scientist's study, more than half of health problems are related to diet. Millions of people eat incorrectly and are not even aware of it. The actuality of the theme: there are many approaches to solving the problem of diet control, but it should be understood that different analogues offer different opportunities that are not always clear and convenient. It is because there are several ways to achieve the same goal. The need for research on healthy eating in modern conditions is one of the priority tasks to improve the physical condition of different age groups. The aim is to create a system that will be aimed at helping the end-user to follow a healthy diet by determining the composition and caloric content of the product and the formation of recommendations based on the appropriate rhythm of life. The system is designed to solve specific tasks: to recognize products, correlate the product and its caloric content, form a food diary, remind the user about missed meals and keep statistics.
dc.format.extent145-172
dc.format.pages28
dc.identifier.citationОлексів Н. Мобільна інформаційна система контролю раціону харчування людини / Назар Олексів, Вікторія Висоцька // Вісник Національного університету "Львівська політехніка". Інформаційні системи та мережі. — Львів : Видавництво Львівської політехніки, 2022. — № 11. — С. 145–172.
dc.identifier.citationenOleksiv N. Mobile information system for human nutrition control / Nazar Oleksiv, Victoria Vysotska // Visnyk Natsionalnoho universytetu "Lvivska politekhnika". Informatsiini systemy ta merezhi. — Lviv : Lviv Politechnic Publishing House, 2022. — No 11. — P. 145–172.
dc.identifier.doidoi.org/10.23939/sisn2022.11.145
dc.identifier.urihttps://ena.lpnu.ua/handle/ntb/59483
dc.language.isouk
dc.publisherВидавництво Львівської політехніки
dc.publisherLviv Politechnic Publishing House
dc.relation.ispartofВісник Національного університету "Львівська політехніка". Інформаційні системи та мережі, 11, 2022
dc.relation.references1. Kryvoruchko, O., Khorolska, K., Chubaievskyi, V. (2019). Usage of neural networks in image recognition. Зовнішня торгівля: економіка, фінанси, право, № 3, С. 83–92.
dc.relation.references2. Vapnik, V. N. The nature of statistical learning theory. Springer, 1999, P. 314.
dc.relation.references3. Бодянський, Є. В., Дейнеко, А. О., Дейнеко, Ж. В., Шаламов, М. О. Адаптивне навчання нейронної мережі опорних векторів найменших квадратів. Інформаційно-керуючі системи на залізничному транспорті.2015. № 2. С. 71–74. DOI: http://doi.org/10.18664/ikszt.v0i2.52045.
dc.relation.references4. Альперт, С. І. Сучасні критерії оцінки точності класифікації зображень. Математичні машини і системи. 2013. № 4. С. 187–197.
dc.relation.references5. Бодянський, Є. В., Тесленко, Н. О., Дейнеко, А. О. Еволюційна нейронна мережа з ядерними функціями активації й адаптивний алгоритм її навчання. Наукові праці [Чорноморського державного університету ім. Петра Могили]. Сер.: Комп’ютерні технології. 2011. Т. 160, Вип. 148. С. 53–58.
dc.relation.references6. Shalkoff, R. J. Digital image processing and computer vision. New York; Chichester; Brisbane; Toronto; Singapore: John Wiley & Sons, 1989. 489 p.
dc.relation.references7. Гороховатский, В. А., Пупченко Д. В. Классификация изображений визуальных объектов по множеству дескрипторов особенных точек на основе нейронной сети Кохонена. Системи управління, навігації та зв’язку. 2018. Вип. 2. С. 68–72.
dc.relation.references8. Білашенко С. В., Шаповалова Н. Н., Рибальченко О. Г. Розпізнавання зображень за допомогою згорткових нейронних мереж з використанням бібліотеки Keras. Гірничий вісник. 2018. Вип. 10. С. 148–154. DOI: http://doi.org/10.31721/2306-5435-2018-1-103-148-154.
dc.relation.references9. Бортник К. Я., Ольшевський О. В., Кирилюк А. Л. Машинне навчання, як основа для розвитку технологій майбутнього. Комп’ютерно-інтегровані технології: освіта, наука, виробництво. 2017. № 27. С. 85–88
dc.relation.references10. Бродкевич В. М., Ремесло В. Я. Алгоритми машинного навчання та глибокого навчання (ГН) і їх використання в прикладних додатках. Інтернаука. 2018. № 11(1). С. 56–60.
dc.relation.references11. Бутирська І. В., Мангул А. В. Технологія QR-коду як інструмент підвищення ефективності функціонування сервісних систем. Вісник Чернівецького торговельно-економічного інституту. Економічні науки. 2015. Вип. 1. С. 165–171.
dc.relation.references12. Вітлінський В. В. Штучний інтелект у системі прийняття рішень. Нейро-нечіткі технології моделювання в економіці. 2012. № 1. С. 97–118.
dc.relation.references13. Волошин Г. Я. Методы распознавания образов. Владивосток : ВГУЭС, 2000. 74 с.
dc.relation.references14. Гадецька С., Гороховатський В. Методи структурної класифікації зображень на засадах баєсовської теорії прийняття рішень. Радіоелектроніка, інформатика, управління. 2018. № 2. С. 90–97. DOI: http://doi.org/10.15588/1607-3274-2018-2-10.
dc.relation.references15. Гаманюк І. Варіант застосування байєсівських методів для машинного навчання штучного інтелекту системи підтримки прийняття рішень у боротьбі зі спамом. Зв’язок. 2018. № 6. С. 14–18.
dc.relation.references16. Глухова Н. В., Пісоцька Л. А. Розробка методу аналізу кольорових зображень газорозрядного випромінювання. Системи управління, навігації та зв’язку. 2018. Вип. 2. С. 59–62. DOI: http://doi.org/10.26906/SUNZ.2018.2.059.
dc.relation.references17. Глухова Н. В., Пісоцька Л. А., Кучук Н. Г. Розробка системи експрес-класифікації води на основі бази даних зображень. Збірник наукових праць Харківського університету Повітряних Сил. 2015. Вип. 3. С. 112–118.
dc.relation.references18. Береговий В. К. Основи наукової організації здорового харчування. Ефективна економіка, 2011, № 11. Режим доступу: http://nbuv.gov.ua/UJRN/efek_2011_11_19.
dc.relation.references19. Глущенко Л. Перспективи використання штучного інтелекту для розробки функціональному харчуванні. Вісник Львівського університету. Серія біологічна. 2016. Вип. 73. С. 437.
dc.relation.references20. Клименко Д. О., Руденко О. А. Веб-додаток для сервісу складання раціону здорового харчування та доставки продуктів. Системи управління, навігації та зв’язку. 2019, Вип. 2, С. 103–109. DOI: https://doi.org/10.26906/SUNZ.2019.2.103.
dc.relation.references21. Лещенко О. Б., Хлюпіна А. С., Богдан Д. О. Веб-додаток для ведення щоденника харчування та тренування: вимоги, розроблення і впровадження. Радіоелектронні і комп’ютерні системи. 2018. № 3. С. 49–62. DOI: https://doi.org/10.32620/reks.2018.3.06.
dc.relation.references22. Макарова Г. В. Створення мобільного додатку для оптимізації ваги та харчування людини. Системи обробки інформації, 2017. Вип. 2, С. 187–191.
dc.relation.references23. Мостенська Т. Л., Кундєєва Г. О. Харчування як складова продовольчої безпеки. Наукові праці Національного університету харчових технологій, 2016, Т. 22, № 3, С. 113–122.
dc.relation.references24. Мотузка Ю. Харчова та енергетична цінність продуктів для спеціальних медичних цілей. Товари і ринки, 2017, № 2(1), С. 59–66.
dc.relation.references25. Сластин В. В., Самусева Е. С., Москальчук Л. В. Сбалансированный рацион питания. Проблеми харчування, 2014, № 1, С. 33–39.
dc.relation.references26. Трачук Т. В., Радіщук Т. П. Метод математичного моделювання як засіб реалізації щоденного раціону. Педагогічний пошук, 2014, № 1, С. 34–36.
dc.relation.references27. Янінович Й. Є., Качай Г. В., Швець Т. М. Енергетична цінність продуктів. Рибогосподарська наука України, 2011, № 2, С. 122–126.
dc.relation.references28. Григоренко О. Наукові підходи до формування раціонів харчування. Прогресивні техніка та технології харчових виробництв ресторанного господарства і торгівлі, 2009, Вип. 2, С. 210–218.
dc.relation.references29. Гриньов Д. В. Метод розпізнавання зображень об’єктів засобами видової розвідки. Системи озброєння і військова техніка, 2007, Вип. 4, С. 72–75.
dc.relation.references30. Грицик В. В. Метод обробки складних зображень та їх розпізнавання. Доповiдi Національної академії наук України, 2011, № 1, С. 28–32.
dc.relation.references31. Грицик В. В. Обробка складних зображень та їх розпізнавання в інформаційно-аналітичних системах комп’ютерного зору. Доповiдi Національної академії наук України, 2009, № 7, С. 36–41.
dc.relation.references32. Довбиш А. С., Шелехов І. В. Основи теорії розпізнавання образів: навч. посіб.: у 2 ч. Суми: Сумський державний університет, 2015. Ч. 1. 109 с.
dc.relation.references33. Доманецька І. М., Федусенко О. В., Хроленко В. М. Нейромережеві технологї опрацювання зображень в адаптивних системах навчання. Штучний інтелект, 2017, № 3–4, С. 24–31.
dc.relation.references34. Дрофа В. О., Єфіменко Т. М. Інформаційно-екстремальний алгоритм розпізнавання нестаціонарних за яскравістю зображень. Бионика интеллекта, 2015, № 2, С. 100–104.
dc.relation.references35. Местецкий Л. М. Математические методы распознавания образов: курс лекций. Москва: МГУ, 2004. 85 с.
dc.relation.references36. Мокрінцев О. А. Попередня обробка зображень для автоматичного розпізнавання одновимірних штрих-кодів. Системи управління, навігації та зв’язку. 2017. Вип. 1. С. 111–113.
dc.relation.references37. Симаков В. С., Луценко Е. В. Адаптивное управление сложными системами на основе теории распознавания образов. Краснодар : КГТУ, 1999. 318 с.
dc.relation.references38. Терейковський І. Нейромережева методологія розпізнавання Інтернет-орієнтованого шкідливого програмного забезпечення. Безпека інформації, 2013, Т. 19, № 1, С. 24–28. DOI: https://doi.org/10.18372/2225-5036.19.4688.
dc.relation.references39. Bolohova N., Ruban I. Image processing models and methods research and ways of improving marker recognition technologies in added reality systems. Сучасний стан наукових досліджень та технологій в промисловості, 2019, № 1, С. 25–33. DOI: https://doi.org/10.30837/2522-9818.2019.7.025.
dc.relation.references40. Довбиш А. С., Стадник Г. А. Інформаційно-екстремальний алгоритм навчання системи підтримки прийняття рішень з гіперциліндроїдним класифікатором. Радіоелектронні і комп’ютерні системи, 2015, № 3, С. 11–18.
dc.relation.references41. Красиленко В. Г., Яцковська Р. О., Яцковський В. І. Моделювання методів розпізнавання та класифікації фрагментів кольорових зображень земель сільськогосподарського призначення при їх дистанційному моніторингу. Системи обробки інформації, 2017, Вип. 5, С. 55–61.
dc.relation.references42. Мороз О. Я. Штучний інтелект versus природний інтелект? (майбутнє людини в контексті викликів інтелектуальних супертехнологій). Політологічний вісник, 2014, Вип. 72, С. 18–35.
dc.relation.references43. Олдендерфер М., Блэшфилд Р. К. Кластерный анализ. Факторный, дискриминантный и кластерный анализ: пер. с англ.; под. ред. И. С. Енюкова. Москва: Финансы и статистика, 1989. 215 с.
dc.relation.references44. Duda R. O., Hart P. E., Stork D. G. Pattern Classification, second ed.. John Wiley & Sons, New York, 2001. 738 p.
dc.relation.references45. Han J., Kamber M., Pei J. Morgan Kaufmann Data mining: concepts and techniques. 3rd ed. Elsevier, 2012. 744 p.
dc.relation.references46. Melnychuk S., Gubarev V., Salnikov N. Using Information Features in Computer Vision for 3d Pose Estimation in Space. Кибернетика и вычислительная техника, 2017, No. 190, 33–55. DOI: https://doi.org/10.15407/kvt190.04.033.
dc.relation.references47. Motuzka I., Antiushko D. Сlassification of products for enteral nutrition. Товари і ринки, 2015, № 2, С. 17–24.
dc.relation.references48. Pantelyat M. G. Application of the finite element nethod to computer simulation of electromagnetic and thermal processes in induction cookers and heated dishes. Вісник Черкаського університету. Серія: Фізико-математичні науки, 2017, No. 1, С. 79–85.
dc.relation.references49. Ziglio E. The WHO cross-national study of health behavior in school aged children from 35 countries. New York; Chichester; Brisbane; Toronto; Singapore: J. School Health, 2001. 206 p. DOI: https://doi.org/10.1111/j.1746-1561.2004.tb07933.x.
dc.relation.references50. Данилюк І. Г. Актуальні проблеми методу глибинного навчання. Лінгвістичні студії, 2018, Вип. 35, С. 155–158.
dc.relation.references51. Лендюк Т. В. Моделювання комп’ютерного адаптивного навчання і тестування. Праці Одеського політехнічного університету, 2013, № 1, С. 110–115.
dc.relation.references52. Малярець Л. М., Рижих І. Ю. Застосування QR-розкладу прямокутних матриць Хаусхолдеровими відображеннями в регресійному аналізі. Економіка розвитку, 2009, № 1, С. 16–20.
dc.relation.references53. Матвєєва Н. О. Дослідження засобів машинного навчання із залученням сучасних мов програмування. Системні технології, 2018, Вип. 1, С. 85–91.
dc.relation.references54. Мінцер О. П. Обрії розвитку адаптивного навчання. Медична інформатика та інженерія, 2017, № 1, С. 5–11. DOI: https://doi.org/10.11603/mie.1996-1960.2017.1.7665.
dc.relation.references55. Пішванова В. О. Принципи адаптивного навчання. Вісник Запорізького національного університету. Педагогічні науки, 2015, № 1, С. 178–183.
dc.relation.references56. Тупало Я. О. Використання методів машинного навчання на практиці. Комп’ютерні засоби, мережі та системи, 2018, № 17, С. 101–110.
dc.relation.references57. Федусенко О. В., Федусенко А. О., Доманецька І. М. Концептуальна модель адаптивної інформаційної системи навчання. Управління розвитком складних систем, 2017, Вип. 32, С. 86–90.
dc.relation.references58. Muller K. R., Mika S., Ratsch G., et al. An introduction to kernelbased learning algorithms. IEEE 108 Transactions on Neural Networks. 2001, No. 12(2), 181–202. DOI: https://doi.org/10.1109/72.914517.
dc.relation.references59. Al-Janabi Aqeel Bahp Tarkhan Computer vision system for froth flotation based on centroid. Системи обробки інформації, 2014, Вип. 9, С. 3–5.
dc.relation.references60. Dovbysh A. S., Velykodnyi D. V., Protsenko O. B., Zimovets V. I. Optimization of parameters of machine learning of the system of functional diagnostics of the electric drive of a shaft lifting machine. Радіоелектроніка, інформатика, управління, 2018, № 2, С. 44–50. DOI: https://doi.org/10.15588/1607-3274-2018-2-5.
dc.relation.references61. Long, J., Shelhamer, E. and Darrell, T. Fully convolutional networks for semantic segmentation, 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2015, 3431–3440. DOI: http://doi.org/10.1109/CVPR.2015.7298965.
dc.relation.referencesen1. Kryvoruchko O., Khorolska K., Chubaievskyi V. (2019). Usage of neural networks in image recognition Zovnishnya torgivlya: ekonomika, finansu, pravo Vol. 3, 83–92.
dc.relation.referencesen2. Vapnik V. N. (1999). The nature of statistical learning theory. Springer, 314 p.
dc.relation.referencesen3. Bodyansʹkyy Ye. V., Deyneko A. O., Deyneko Zh. V., Shalamov M. O. (2015). Adaptyvne navchannya neyronnoyi merezhi opornykh vektoriv naymenshykh kvadrativ. Informatsiyno-keruyuchi systemy na zaliznychnomu transporti, Vol. 2, 71–74. DOI: http://doi.org/10.18664/ikszt.v0i2.52045.
dc.relation.referencesen4. Alʹpert S. I. (2013). Suchasni kryteriyi otsinky tochnosti klasyfikatsiyi zobrazhenʹ. Matematychni mashyny i systemy, Vol. 4, 187–197.
dc.relation.referencesen5. Bodyansʹkyy Ye. V., Teslenko N. O., Deyneko A. O. (2011) Evolyutsiyna neyronna merezha z yadernymy funktsiyamy aktyvatsiyi y adaptyvnyy alhorytm yiyi navchannya. Naukovi pratsi [Chornomorsʹkoho derzhavnoho universytetu imeni Petra Mohyly]. Ser.: Kompʺyuterni tekhnolohiyi, Vol. 160(148), 53–58.
dc.relation.referencesen6. Shalkoff R. J. (1989) Digital image processing and computer vision. New York; Chichester; Brisbane; Toronto; Singapore: John Wiley & Sons, 489 p.
dc.relation.referencesen7. Gorokhovatskiy V. A., Pupchenko D. V. (2018). Klassifikatsiya izobrazheniy vizual'nykh ob"yektov po mnozhestvu deskriptorov osobennykh tochek na osnove neyronnoy seti Kokhonena. Sistemi upravlínnya, navígatsíí̈ ta zv'yazku, Vol. 2, 68–72.
dc.relation.referencesen8. Bilashenko S. V., Shapovalova N. N., Rybalʹchenko O. H. (2018). Rozpiznavannya zobrazhenʹ za dopomohoyu z·hortkovykh neyronnykh merezh z vykorystannyam biblioteky Keras. Hirnychyy visnyk, Vol. 10, 148–154. DOI: http://doi.org/10.31721/2306-5435-2018-1-103-148-154.
dc.relation.referencesen9. Bortnyk K. Ya., Olʹshevsʹkyy O. V., Kyrylyuk A. L. (2017). Mashynne navchannya, yak osnova dlya rozvytku tekhnolohiy maybutnʹoho. Kompʺyuterno-intehrovani tekhnolohiyi: osvita, nauka, vyrobnytstvo, Vol. 27, 85–88.
dc.relation.referencesen10. Brodkevych V. M., Remeslo V. Ya. (2018). Alhorytmy mashynnoho navchannya ta hlybokoho navchannya (HN) i yikh vykorystannya v prykladnykh dodatkakh. Internauka: Mizhnarodnyy nauk. zhurnal, Vol. 11(1), 56–60.
dc.relation.referencesen11. Butyrsʹka I. V., Manhul A. V. (2015). Tekhnolohiya QR-kodu yak instrument pidvyshchennya efektyvnosti funktsionuvannya servisnykh system. Visnyk Chernivetsʹkoho torhovelʹno-ekonomichnoho instytutu. Ekonomichni nauky, Vol. 1, 165–171.
dc.relation.referencesen12. Vitlinsʹkyy V. V. (2012). Shtuchnyy intelekt u systemi pryynyattya rishenʹ. Neyro-nechitki tekhnolohiyi modelyuvannya v ekonomitsi, Vol. 1, 97–118.
dc.relation.referencesen13. Voloshin G. Ya. (2000). Metody raspoznavaniya obrazov. Vladivostok: VGUES, 74 p.
dc.relation.referencesen14. Hadetsʹka S., Horokhovat·sʹkyy V. (2018) Metody strukturnoyi klasyfikatsiyi zobrazhenʹ na zasadakh bayesovsʹkoyi teoriyi pryynyattya rishenʹ. Radioelektronika, informatyka, upravlinnya, Vol. 2, 90–97. DOI: http://doi.org/10.15588/1607-3274-2018-2-10.
dc.relation.referencesen15. Hamanyuk I. (2018). Variant zastosuvannya bayyesivsʹkykh metodiv dlya mashynnoho navchannya shtuchnoho intelektu systemy pidtrymky pryynyattya rishenʹ u borotʹbi zi spamom. Zv'yazok, Vol. 6, 14–18.
dc.relation.referencesen16. Hlukhova N. V., Pisotsʹka L. A. (2018). Rozrobka metodu analizu kolʹorovykh zobrazhenʹ hazorozryadnoho vyprominyuvannya. Systemy upravlinnya, navihatsiyi ta zv'yazku, Vol. 2, 59–62. DOI: http://doi.org/10.26906/SUNZ.2018.2.059.
dc.relation.referencesen17. Hlukhova N. V., Pisotsʹka L. A., Kuchuk N. H. (2015). Rozrobka systemy ekspres-klasyfikatsiyi vody na osnovi bazy danykh zobrazhenʹ. Zbirnyk naukovykh pratsʹ Kharkivsʹkoho universytetu Povitryanykh Syl, Vol. 3, 112–118.
dc.relation.referencesen18. Berehovyy V. K. (2011). Osnovy naukovoyi orhanizatsiyi zdorovoho kharchuvannya. Efektyvna ekonomika, Vol. 11. Access mode: http://nbuv.gov.ua/UJRN/efek_2011_11_19.
dc.relation.referencesen19. Klymenko D. O., Rudenko O. A. (2019). Veb-dodatok dlya servisu skladannya ratsionu zdorovoho kharchuvannya ta dostavky produktiv. Systemy upravlinnya, navihatsiyi ta zv'yazku, Vol. 2, 103–109.
dc.relation.referencesen20. Hlushchenko L. (2016). Perspektyvy vykorystannya shtuchnoho intelektu dlya rozrobky funktsionalʹnomu kharchuvanni. Visnyk Lʹvivsʹkoho universytetu. Seriya biolohichna, Vol. 73, 437. DOI: https://doi.org/10.26906/SUNZ.2019.2.103.
dc.relation.referencesen21. Leshchenko O. B., Khlyupina A. S., Bohdan D. O. (2018). Veb-dodatok dlya vedennya shchodennyka kharchuvannya ta trenuvannya: vymohy, rozroblennya i vprovadzhennya. Radioelektronni i kompʺyuterni systemy, Vol. 3, 49–62. DOI: https://doi.org/10.32620/reks.2018.3.06.
dc.relation.referencesen22. Makarova H. V. (2017). Stvorennya mobilʹnoho dodatku dlya optymizatsiyi vahy ta kharchuvannya lyudyny. Systemy obrobky informatsiyi, Vol. 2, 187–191.
dc.relation.referencesen23. Mostensʹka T. L., Kundyeyeva H. O. (2016). Kharchuvannya yak skladova prodovolʹchoyi bezpeky. Naukovi pratsi Natsionalʹnoho universytetu kharchovykh tekhnolohiy, Vol. 22(3), 113–122.
dc.relation.referencesen24. Motuzka Yu. (2017). Kharchova ta enerhetychna tsinnistʹ produktiv dlya spetsialʹnykh medychnykh tsiley. Tovary i rynky, Vol. 2(1), 59–66.
dc.relation.referencesen25. Slastin V. V., Samuseva Ye. S., Moskal'chuk L. V. (2014). Sbalansirovannyy ratsion pitaniya. Problemi kharchuvannya, Vol. 1, 33–39.
dc.relation.referencesen26. Trachuk T. V., Radishchuk T. P. (2014). Metod matematychnoho modelyuvannya yak zasib realizatsiyi shchodennoho ratsionu. Pedahohichnyy poshuk, Vol. 1, 34–36.
dc.relation.referencesen27. Yaninovych Y. Ye., Kachay H. V., Shvetsʹ T. M. (2011). Enerhetychna tsinnistʹ produktiv. Rybohospodarsʹka nauka Ukrayiny, Vol. 2, 122–126.
dc.relation.referencesen28. Hryhorenko O. (2009). Naukovi pidkhody do formuvannya ratsioniv kharchuvannya. Prohresyvni tekhnika ta tekhnolohiyi kharchovykh vyrobnytstv restorannoho hospodarstva i torhivli, Vol. 2, 210–218.
dc.relation.referencesen29. Hrynʹov D. V. (2007). Metod rozpiznavannya zobrazhenʹ ob'yektiv zasobamy vydovoyi rozvidky. Systemy ozbroyennya i viysʹkova tekhnika, Vol. 4, 72–75.
dc.relation.referencesen30. Hrytsyk V. V. (2011) Metod obrobky skladnykh zobrazhenʹ ta yikh rozpiznavannya. Dopovidi Natsionalʹnoyi akademiyi nauk Ukrayiny, Vol. 1, 28–32.
dc.relation.referencesen31. Hrytsyk V. V. (2009). Obrobka skladnykh zobrazhenʹ ta yikh rozpiznavannya v informatsiynoanalitychnykh systemakh komp'yuternoho zoru. Dopovidi Natsionalʹnoyi akademiyi nauk Ukrayiny, Vol. 7, 36–41.
dc.relation.referencesen32. Dovbysh A. S., Shelekhov I. V. (2015). Osnovy teoriyi rozpiznavannya obraziv : navch. posib.: u 2 ch. Sumy: Sumsʹkyy derzhavnyy universytet, Vol. 1, 109 p.
dc.relation.referencesen33. Domanetsʹka I. M., Fedusenko O. V., Khrolenko V. M. (2017). Neyromerezhevi tekhnolohyi opratsyuvannya zobrazhenʹ v adaptyvnykh systemakh navchannya. Shtuchnyy intelekt, Vol. 3–4, 24–31.
dc.relation.referencesen34. Drofa V. O., Yefimenko T. M. 2015 Informatsiyno-ekstremalʹnyy alhorytm rozpiznavannya nestatsionarnykh za yaskravistyu zobrazhenʹ. Byonyka yntellekta, Vol. 2, 100–104.
dc.relation.referencesen35. Mestetskiy L. (2004). Matematicheskiye metody raspoznavaniya obrazov. M.: MGU, 85 p.
dc.relation.referencesen36. Mokrintsev O. A. (2017). Poperednya obrobka zobrazhenʹ dlya avtomatychnoho rozpiznavannya odnovymirnykh shtrykh-kodiv. Systemy upravlinnya, navihatsiyi ta zv'yazku, Vol. 1, 111–113.
dc.relation.referencesen37. Simakov V. S., Lutsenko Ye. V. (1999) Adaptivnoye upravleniye slozhnymi sistemami na osnove teorii raspoznavaniya obrazov. Krasnodar : KGTU, 318 p.
dc.relation.referencesen38. Tereykovsʹkyy I. (2013). Neyromerezheva metodolohiya rozpiznavannya Internet-oriyentovanoho shkidlyvoho prohramnoho zabezpechennya. Bezpeka informatsiyi, Vol. 19(1), 24–28. DOI: https://doi.org/10.18372/2225-5036.19.4688.
dc.relation.referencesen39. Bolohova N. I. (2019). Ruban Image processing models and methods research and ways of improving marker recognition technologies in added reality systems. Сучасний стан наукових досліджень та технологій в промисловості, Vol. 1, 25–33. DOI: https://doi.org/10.30837/2522-9818.2019.7.025.
dc.relation.referencesen40. Dovbysh A. S., Stadnyk H. A. (2015). Informatsiyno-ekstremalʹnyy alhorytm navchannya systemy pidtrymky pryynyattya rishenʹ z hipertsylindroyidnym klasyfikatorom. Radioelektronni i kompʺyuterni systemy, Vol. 3, 11–18.
dc.relation.referencesen41. Krasylenko V. H., Yatskovsʹka R. O., Yatskovsʹkyy V. I. (2017). Modelyuvannya metodiv rozpiznavannya ta klasyfikatsiyi frahmentiv kolʹorovykh zobrazhenʹ zemelʹ silʹsʹkohospodarsʹkoho pryznachennya pry yikh dystantsiynomu monitorynhu. Systemy obrobky informatsiyi, Vol. 5, 55–61.
dc.relation.referencesen42. Moroz O. Ya. (2014). Shtuchnyy intelekt versus pryrodnyy intelekt? (maybutnye lyudyny v konteksti vyklykiv intelektualʹnykh supertekhnolohiy). Politolohichnyy visnyk, Vol. 72, 18–35.
dc.relation.referencesen43. Oldenderfer M., Bleshfild R. K. Klasternyy analiz. Faktornyy, diskriminantnyy i klasternyy analiz: per. s angl.; pod. red. I. S. Yenyukova. Moskwa: Finansy i statistika, 1989, 215 p.
dc.relation.referencesen44. Duda R. O., Hart P. E., Stork D. G. (2001). Pattern Classification, second ed., John Wiley & Sons, New York, 738 p.
dc.relation.referencesen45. Han J., Kamber M., Pei J., Kaufmann M. (2012). Data mining: concepts and techniques, 3rd ed. Elsevier, 744 p.
dc.relation.referencesen46. Melnychuk S, Gubarev V., Salnikov N. (2017). Using Information Features in Computer Vision for 3d Pose Estimation in Space. Кибернетика и вычислительная техника, Vol. 190, 33–55. DOI: https://doi.org/10.15407/kvt190.04.033.
dc.relation.referencesen47. Motuzka I., Antiushko D. (2015). Сlassification of products for enteral nutrition. Товари і ринки, Vol. 2, 17–24.
dc.relation.referencesen48. Pantelyat M. G. (2017). Application of the finite element nethod to computer simulation of electromagnetic and thermal processes in induction cookers and heated dishes. Вісник Черкаського університету. Серія: Фізикоматематичні науки, Vol. 1, 79–85.
dc.relation.referencesen49. Ziglio E. (2001). The WHO cross-national study of health behavior in school aged children from 35 -countries: New York; Chichester; Brisbane; Toronto; Singapore: J. School Health, 206 p. DOI: https://doi.org/10.1111/j.1746-1561.2004.tb07933.x.
dc.relation.referencesen50. Danylyuk I. H. (2018). Aktualʹni problemy metodu hlybynnoho navchannya. Linhvistychni studiyi. Vol. 35, 155–158.
dc.relation.referencesen51. Lendyuk T. V. (2013). Modelyuvannya kompʺyuternoho adaptyvnoho navchannya i testuvannya. Pratsi Odesʹkoho politekhnichnoho universytetu, Vol. 1, 110–115.
dc.relation.referencesen52. Malyaretsʹ L. M., Ryzhykh I. Yu. (2009). Zastosuvannya QR-rozkladu pryamokutnykh matrytsʹ Khauskholderovymy vidobrazhennyamy v rehresiynomu analizi. Ekonomika rozvytku, Vol. 1, 16–20.
dc.relation.referencesen53. Matvyeyeva N. O. (2018). Doslidzhennya zasobiv mashynnoho navchannya iz zaluchennyam suchasnykh mov prohramuvannya. Systemni tekhnolohiyi, Vol. 1, 85–91.
dc.relation.referencesen54. Mintser O. P. (2017). Obriyi rozvytku adaptyvnoho navchannya. Medychna informatyka ta inzheneriya, Vol. 1, 5–11. DOI: https://doi.org/10.11603/mie.1996-1960.2017.1.7665.
dc.relation.referencesen55. Pishvanova V. O. (2015). Pryntsypy adaptyvnoho navchannya. Visnyk Zaporizʹkoho natsionalʹnoho universytetu. Pedahohichni nauky, Vol. 1, 178–183.
dc.relation.referencesen56. Tupalo Ya. O. (2018). Vykorystannya metodiv mashynnoho navchannya na praktytsi. Kompʺyuterni zasoby, merezhi ta systemy, Vol. 17, 101–110.
dc.relation.referencesen57. Fedusenko O. V., Fedusenko A. O., Domanetsʹka I. M. (2017). Kontseptualʹna modelʹ adaptyvnoyi informatsiynoyi systemy navchannya. Upravlinnya rozvytkom skladnykh system, Vol. 32, 86–90.
dc.relation.referencesen58. Muller K. R., Mika S., Ratsch G. et al. (2001). An introduction to kernelbased learning algorithms. IEEE 108 Transactions on Neural Networks, Vol. 12(2), 181–202. DOI: https://doi.org/10.1109/72.914517.
dc.relation.referencesen59. Al-Janabi Aqeel Bahp Tarkhan (2014). Computer vision system for froth flotation based on centroid. Системи обробки інформації, Vol. 9, 3–5.
dc.relation.referencesen60. Dovbysh A. S., Velykodnyi D. V., Protsenko O. B., Zimovets V. I. (2018). Optimization of parameters of machine learning of the system of functional diagnostics of the electric drive of a shaft lifting machine. Радіоелектроніка, інформатика, управління, Vol. 2, 44–50. DOI: https://doi.org/10.15588/1607-3274-2018-2-5.
dc.relation.referencesen61. Long, J., Shelham, E. and Darrell, T. (2015). Fully convolutional networks for semantic segmentation, 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 3431–3440. DOI: 10.1109/CVPR.2015. 7298965. DOI: http://doi.org/10.1109/CVPR.2015.7298965.
dc.relation.urihttp://doi.org/10.18664/ikszt.v0i2.52045
dc.relation.urihttp://doi.org/10.31721/2306-5435-2018-1-103-148-154
dc.relation.urihttp://doi.org/10.15588/1607-3274-2018-2-10
dc.relation.urihttp://doi.org/10.26906/SUNZ.2018.2.059
dc.relation.urihttp://nbuv.gov.ua/UJRN/efek_2011_11_19
dc.relation.urihttps://doi.org/10.26906/SUNZ.2019.2.103
dc.relation.urihttps://doi.org/10.32620/reks.2018.3.06
dc.relation.urihttps://doi.org/10.18372/2225-5036.19.4688
dc.relation.urihttps://doi.org/10.30837/2522-9818.2019.7.025
dc.relation.urihttps://doi.org/10.15407/kvt190.04.033
dc.relation.urihttps://doi.org/10.1111/j.1746-1561.2004.tb07933.x
dc.relation.urihttps://doi.org/10.11603/mie.1996-1960.2017.1.7665
dc.relation.urihttps://doi.org/10.1109/72.914517
dc.relation.urihttps://doi.org/10.15588/1607-3274-2018-2-5
dc.relation.urihttp://doi.org/10.1109/CVPR.2015.7298965
dc.rights.holder© Національний університет “Львівська політехніка”, 2022
dc.rights.holder© Олексів Н., Висоцька В., 2022
dc.subjectмашинне навчання
dc.subjectрозпізнавання зображення
dc.subjectаналіз зображення
dc.subjectсегментація зображення
dc.subjectвиділення ознак
dc.subjectхарчування
dc.subjectкалорії
dc.subjectмоніторинг дієти
dc.subjectонтологі
dc.subjectmachine learning
dc.subjectimage recognition
dc.subjectimage analysis
dc.subjectimage segmentation
dc.subjectfeature extraction
dc.subjectnutrition
dc.subjectcalories
dc.subjectdiet monitoring
dc.subjectontology
dc.subjectIDEF
dc.subject.udc004.9
dc.titleМобільна інформаційна система контролю раціону харчування людини
dc.title.alternativeMobile information system for human nutrition control
dc.typeArticle

Files

Original bundle

Now showing 1 - 2 of 2
Thumbnail Image
Name:
2022n11_Oleksiv_N-Mobile_information_system_145-172.pdf
Size:
2.6 MB
Format:
Adobe Portable Document Format
Thumbnail Image
Name:
2022n11_Oleksiv_N-Mobile_information_system_145-172__COVER.png
Size:
432.59 KB
Format:
Portable Network Graphics

License bundle

Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.82 KB
Format:
Plain Text
Description: