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

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.