dc.creator |
CARVALHO, Marcos Alberto de |
|
dc.date.issued |
2024-07-10 |
|
dc.identifier.uri |
https://repositorio.unifei.edu.br/jspui/handle/123456789/4112 |
|
dc.description.abstract |
The strategy of counting carbohydrates in consumed foods is recommended by scientific societies
as a way to improve the quality of life for diabetes patients. Monitoring food intake can
be facilitated by using a mobile application that automatically recognizes the foods in a meal.
Automatic recognition of food images is considered a challenging task for computer vision due
to the similarity between foods. This challenge increases when the goal is to classify foods from
a specific region and with a dataset containing only foods from that region, and therefore, small
compared to public datasets from other countries. For this task, this work presents a model
that uses a set of Fully Convolutional Networks (FCNs) to generate segmentations of foods in a
meal. These segmentations are processed by an algorithm that classifies the foods using digital
image processing techniques. The model has low training costs and is scalable, meaning it can
be trained to recognize a new food without the need to retrain the entire model. In the tests,
foods consumed in Brazil were used, achieving an accuracy of 98.2% and a recall of 87.8%. |
pt_BR |
dc.language |
por |
pt_BR |
dc.publisher |
Universidade Federal de Itajubá |
pt_BR |
dc.rights |
Acesso Aberto |
pt_BR |
dc.subject |
Visão computacional |
pt_BR |
dc.subject |
Processamento digital de imagens |
pt_BR |
dc.subject |
Identificação automática de alimentos |
pt_BR |
dc.title |
Modelo de visão computacional para identificação de alimentos em refeições a partir da segmentação obtida por múltiplas redes completamente convolucionais |
pt_BR |
dc.type |
Tese |
pt_BR |
dc.date.available |
2024-08-12 |
|
dc.date.available |
2024-08-12T18:18:15Z |
|
dc.date.accessioned |
2024-08-12T18:18:15Z |
|
dc.creator.Lattes |
http://lattes.cnpq.br/0779651133115609 |
pt_BR |
dc.contributor.advisor1 |
PIMENTA, Tales Cleber |
|
dc.contributor.advisor1Lattes |
http://lattes.cnpq.br/3321577431881283 |
pt_BR |
dc.contributor.advisor-co1 |
SILVÉRIO, Alessandra Cristina Pupin |
|
dc.contributor.advisor-co1Lattes |
http://lattes.cnpq.br/8018632189875312 |
pt_BR |
dc.description.resumo |
A estratégia de contar os carboidratos dos alimentos consumidos é recomendada por sociedades
científicas como uma forma de melhorar a qualidade de vida dos pacientes com diabetes.
O monitoramento da ingestão de alimentos pode ser facilitado através do uso de um aplicativo
móvel que reconhece automaticamente os alimentos em uma refeição. O reconhecimento automático
de imagens de alimentos é considerado uma tarefa desafiadora para a visão computacional
devido à semelhança entre os alimentos. Esse desafio aumenta quando o objetivo é classificar
alimentos de uma região específica e com um conjunto de dados contendo apenas alimentos
dessa região e, portanto, pequeno em comparação com conjuntos de dados públicos de outros
países. Para essa tarefa, este trabalho apresenta um modelo que utiliza um conjunto de Redes
Completamente Convolucionais (Fully Convolutional Network - FCNs) para gerar segmentações
dos alimentos em uma refeição. Essas segmentações são processadas por um algoritmo
que classifica os alimentos utilizando técnicas de processamento digital de imagens. O modelo
tem baixos custos de treinamento e é escalável, ou seja, pode ser treinado para reconhecer um
novo alimento sem a necessidade de re-treinar o modelo inteiro. Nos testes, foram utilizados
alimentos consumidos no Brasil, obtendo 98.2% de acurácia e 87.8% de sensibilidade. |
pt_BR |
dc.publisher.country |
Brasil |
pt_BR |
dc.publisher.department |
IESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informação |
pt_BR |
dc.publisher.program |
Programa de Pós-Graduação: Doutorado - Engenharia Elétrica |
pt_BR |
dc.publisher.initials |
UNIFEI |
pt_BR |
dc.subject.cnpq |
CNPQ::ENGENHARIAS::ENGENHARIA ELÉTRICA |
pt_BR |
dc.relation.references |
CARVALHO, Marcos Alberto de. Modelo de visão computacional para identificação de alimentos em refeições a partir da segmentação obtida por múltiplas redes completamente convolucionais. 2024. 72 f. Tese (Doutorado em Engenharia Elétrica) – Universidade Federal de Itajubá, Itajubá, 2024. |
pt_BR |