شناسايي مواد غذايي ايراني در تصاوير با استفاده از يادگيري عميق

سبك زندگي سالم و رژيم غذايي متعادل نقش حياتي در حفظ سلامت انسان‌ها ايفا مي‌كند. در اين دوره از تغيير سريع سبك زندگي و فناوري، يك سيستم تشخيص و بخش‌بندي مواد غذايي مبتني بر موبايل كه مواد غذايي را شناسايي كند، مي‌تواند بسيار مفيد باشد و عادات غذايي را بهبود بخشد. در اين مقاله يك سيستم جديد ارائه شده است كه با دريافت تصوير ورودي، مواد غذايي داخل تصوير را تشخيص و بخش‌بندي مي‌كند. اين سيستم از تكنيك‌ها و مدل‌هاي يادگيري عميق استفاده مي‌كند. الگوريتم‌ مورد استفاده YOLO است كه با بهره‌مندي از روش‌هاي ساده‌ مبتني بر رگرسيون، توانايي تشخيص و بخش‌بندي مواد غذايي را با يك گذر از شبكه فراهم مي‌آورد كه با هدف بهبود دقت و سرعت در تشخيص ارائه شده است. اين روش‌ها شامل استفاده از YOLOv7 براي تشخيص مواد غذايي و استفاده از بخش‌بندي نمونه‌اي YOLOv5، YOLOv7 و YOLOv8 براي بخش‌بندي تصاوير است. علاوه بر اين، مجموعه‌داده‌اي از غذاهاي ايراني حاوي مواد غذايي مختلف تهيه و مورد استفاده قرار گرفت. بر اساس نتايج، مقادير دقت، يادآوري و دقت متوسط ميانگين YOLOv7 به ترتيب 0.844، 0.924 و 0.932 به دست آمد. همچنين، عملكرد بخش‌بندي نمونه‌اي YOLOv7 نسبت به YOLOv5 و YOLOv8 بهتر بود كه مقادير دقت بخش‌بندي، يادآوري و دقت متوسط ميانگين 0.5 براي YOLOv7 به ترتيب 0.959، 0.943 و 0.906 است. نتايج حاكي از آن هستند كه روش پيشنهاد شده در اين مقاله دقت بالا در تشخيص مواد غذايي ايراني و همچنين سرعت و دقت بالا در بخش‌بندي نمونه‌اي را فراهم مي‌كند. بنابراين با استفاده از الگوريتم YOLO، مي‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌توان غذاهاي ايراني را با دقت بالا تشخيص داد و تصاوير آن‌ها را تقسيم بندي كرد. اين پژوهش از طريق تكنولوژي هوشمند و الگوريتم‌‌هاي جديد يادگيري عميق به ترويج سبك زندگي سالم از طريق تكنولوژي هوشمند در ايران مي‌پردازد.