การรู้จำอาหารไทยและคำนวณคุณค่าโภชนาการผ่านไลน์แชทบอท ด้วยกระบวนการการเรียนรู้เชิงลึก
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้นำเสนอระบบคำนวณคุณค่าโภชนาการอาหารรายบุคคลจากภาพถ่ายอาหารผ่านไลน์
แชทบอท โดยระบบที่นำเสนอแบ่งออกเป็น 2 ส่วน ได้แก่ ส่วนแรกเป็นการพัฒนาตัวแบบในการรู้จำภาพอาหารไทยซึ่งได้จากการเปรียบเทียบประสิทธิภาพของตัวแบบที่ฝึกสอนด้วยอัลกอริทึม YoloV5 และ Faster RCNN จากนั้นเลือกตัวแบบที่ดีที่สุดมาใช้จริงในระบบ ทั้งนี้เป็นการฝึกสอนตัวแบบด้วยชุดข้อมูลรูปภาพ
อาหารไทยจำนวนทั้งสิ้น 3,329 ภาพ แบ่งเป็น 20 คลาส จากการฝึกสอนตัวแบบพบว่า YoloV5 ใช้เวลาในการฝึกสอนน้อยกว่า Faster RCNN เป็น 2 เท่า และในด้านความถูกต้องแม่นยำตัวแบบที่ฝึกสอนด้วย YoloV5
ให้ค่า Average Precision (AP) ที่ค่า IoU 0.5 เท่ากับ 0.85 ซึ่งมากกว่าตัวแบบที่ฝึกสอนโดย Faster RCNN ที่ให้ค่า AP เท่ากับ 0.79 และส่วนที่ 2 เป็นการเก็บรวบรวมข้อมูลโภชนาการวัตถุดิบเพื่อนำมาช่วยในการประมาณแคลอรี่จากฐานข้อมูลสูตรอาหารโดยอาศัยภาพถ่ายอาหารจากผู้ใช้ เพื่อหาปริมาณแคลอรี่ที่ร่างกายได้รับต่อวัน
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ข้อความภายในบทความที่ตีพิมพ์ในวารสารทั้งหมด รวมถึงรูปภาพประกอบ ตาราง เป็นลิขสิทธิ์ของมหาวิทยาลัยเทคโนโลยีราชมงคลรัตนโกสินทร์ การนำเนื้อหา ข้อความหรือข้อคิดเห็น รูปภาพ ตาราง ของบทความไปจัดพิมพ์เผยแพร่ในรูปแบบต่าง ๆ เพื่อใช้ประโยชน์ในเชิงพาณิชย์ ต้องได้รับอนุญาตจากกองบรรณาธิการวารสารอย่างเป็นลายลักษณ์อักษร
มหาวิทยาลัยฯ อนุญาตให้สามารถนำไฟล์บทความไปใช้ประโยชน์และเผยแพร่ต่อได้ โดยต้องแสดงที่มาจากวารสารและไม่ใช้เพื่อการค้า
ข้อความที่ปรากฏในบทความในวารสารเป็นความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่านไม่เกี่ยวข้องกับราชวิทยาลัยจุฬาภรณ์ และบุคลากร คณาจารย์ท่านอื่น ๆ ในมหาวิทยาลัยฯแต่อย่างใด ความรับผิดชอบองค์ประกอบทั้งหมดของบทความแต่ละเรื่องเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใด ๆ ผู้เขียนแต่ละท่านจะรับผิดชอบบทความของตนเอง ตลอดจนความรับผิดชอบด้านเนื้อหาและการตรวจร่างบทความเป็นของผู้เขียน ไม่เกี่ยวข้องกับกองบรรณาธิการ
References
Z. Q. Zhao, P. Zheng, S. T. Xu, & X. Wu, “Object detection with deep learning,” A review IEEE transactions on neural networks and learning systems, 30(11), 3212-3232, (2019).
G. Lin, W. Shen, “Research on convolutional neural network based on improved Relupiecewise activation function,” Procedia computer science, 131, 977-984, (2018).
J. Solawetz, YOLOv5 New Version - Improvements And Evaluation. [Online]2020. Available: https:// blog.roboflow.com/yolov5-improvements-and-evaluation
S. Ren, K. He, R. Girshick, & J. Sun, Faster r-cnn: Towards real-time object detection with region proposal networks. [Online](2015). Available: https://arxiv.org/pdf/1506.01497.pdf
A. Bochkovskiy, C. Y. Wang, & H. Y. M. Liao, Yolov4: Optimal speed and accuracy of object detection. [Online]2020. Available:
T. Y. Lin, P. Dollár, R. Girshick, K. He, B. Hariharan, & S. Belongie, “Feature pyramid networks for object detection,” In Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 2117-2125, (2017).
https://arxiv.org/abs/2004.10934
H. Rezatofighi, N. Tsoi, J. Gwak, A. Sadeghian, I. Reid, & S. Savarese, “Generalized intersection over union: A metric and a loss for bounding box regression,” In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 658-666, (2019).
โรงพยาบาลเซนต์หลุยส์. Body Metabolic Rate. [ออนไลน์]2016. [สืบค้นวันที่ 10 ตุลาคม 2564]. จาก https://www.saintlouis.or.th/programs/bmr
iamdmybody. คำนวณแคลอรี่เหมาะสมต่อวัน. [ออนไลน์]2021. [สืบค้นวันที่ 18 กันยายน 2564]. จาก http://iandmybody.com/daily-calorie-calculator/
Saixiii. Line API. [Online]2017. Available: https://saixiii.com/chapter2-line-api-official/
S. Raschka, Model Evaluation, Model Selection, and Algorithm Selection in Machine Learning. [Online]2018. Available: https://arxiv.org/abs/1811.12808
Foodtravel.tv. Foodtravel.tv. [ออนไลน์]2011. [สืบค้นวันที่ 10 ตุลาคม 2564]. จาก http://www.foodtravel.tv/
Agricultural Research Service (ARS). FoodData Central. [ออนไลน์]2007. [สืบค้นวันที่ 15 กันยายน 2564]. จาก https://fdc.nal.usda.gov/