فرآیند دو مرحله ای استخراج و طبقه بندی برای شناسایی مواد تشکیل دهنده در عکس های غذا

فرآیند دو مرحله ای استخراج و طبقه بندی برای شناسایی مواد تشکیل دهنده در عکس های غذا

غذا

اعتبار: دامنه عمومی Pixabay/CC0

تحقیقات منتشر شده در مجله بین المللی سیستم های هوشمند مبتنی بر استدلال یک رویکرد جدید برای شناسایی مواد تشکیل دهنده در عکس های غذا را مورد بحث قرار می دهد. این کار در پیشبرد تلاش های ما در زمینه ایمنی مواد غذایی مفید خواهد بود.

Sharanabasappa A. Madival و Shivkumar S. Jawaligi از دانشگاه Sharnbasva در Kalburgi، Karanataka، هند، از یک فرآیند دو مرحله‌ای استخراج و طبقه‌بندی ویژگی برای بهبود رویکردهای قبلی برای شناسایی مواد تشکیل دهنده در این زمینه استفاده کردند.

این تیم توضیح می‌دهد که رویکرد آنها از تبدیل ویژگی تغییرناپذیر مقیاس (SIFT) و ویژگی‌های عمیق مبتنی بر شبکه عصبی کانولوشن (CNN) برای استخراج هر دو ویژگی تصویر و متن استفاده می‌کند. پس از استخراج، ویژگی ها به یک طبقه بندی ترکیبی وارد می شوند که مدل های شبکه عصبی (NN) و حافظه کوتاه مدت (LSTM) را ادغام می کند.

این تیم توضیح می‌دهد که دقت مدل آنها را می‌توان با استفاده از الگوریتم بهینه‌سازی کار تیمی ارزیابی شده نقشه Chebyshev (CME-TWO) بیشتر اصلاح کرد. همه اینها منجر به شناسایی دقیق مواد تشکیل دهنده می شود.

مدیریت غذا در دنیای جهانی شده برای زنجیره های تامین در سراسر جهان، امنیت غذایی، قابلیت ردیابی و شناسایی مواد غذایی تقلبی و تقلب در مواد غذایی حیاتی است. ما به عنوان مصرف کننده و غذاخوری باید بدانیم که مواد غذایی که می خوریم، به ویژه در زمینه ترجیحات غذایی متنوع و ملاحظات بهداشتی، معتبر هستند.

این تیم دریافتند که رویکرد آنها موثرتر از سیستم های شناسایی مواد تشکیل دهنده فعلی است. به طور خاص، آنها نشان دادند که مدل HC + CME-TWO بهترین عملکرد را با یک حاشیه بزرگ دارد، که بنابراین می‌توان آن را به عنوان پیشرفت قابل توجهی در این زمینه در نظر گرفت. استفاده از یک طبقه‌بندی‌کننده ترکیبی و تنظیم دقیق وزن‌ها با استفاده از الگوریتم CME-TWO است که منجر به بهبود قابل توجهی در دقت و قابلیت اطمینان می‌شود. علاوه بر این، تیم می‌گوید که هنوز از نظر کوتاه‌تر کردن زمان پردازش از طریق بهینه‌سازی، جای پیشرفت وجود دارد.

این کار بر ایمنی مواد غذایی تمرکز دارد، اما می‌تواند برای رفع چالش‌های پیش روی تنظیم‌کننده‌ها و سایرین که تلاش می‌کنند از اصالت غذا اطمینان حاصل کنند، به‌ویژه در میان غذاهای با ارزش استفاده شود.

اطلاعات بیشتر:
Sharanabasappa A. Madival و همکاران، مدل تشخیص مواد غذایی از طریق استخراج تصویر و ویژگی متنی و استراتژی طبقه بندی ترکیبی، مجله بین المللی سیستم های هوشمند مبتنی بر استدلال (2024). DOI: 10.1504/IJRIS.2024.137455

نقل قول: ایمنی مواد غذایی: فرآیند استخراج و طبقه بندی دو مرحله ای برای شناسایی مواد تشکیل دهنده در عکس های غذا (26 مارس 2024) بازیابی شده در 27 مارس 2024 از https://techxplore.com/news/2024-03-food-safety-stage- classification-ingredients.html

این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به غیر از هرگونه معامله منصفانه به منظور مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.



منبع

بخوان  تجهیز گوگل لنز به قابلیتی جدید