Сравнение применения сверточной нейронной сети и алгоритма -ближайших соседей для распознавания продуктов питания на изображениях

Abstract

Важную роль в повседневной жизни играет еда, и осведомленность населения о качестве продуктов питания повысилась. Доступность многих видов продуктов питания затрудняет выбор правильного типа здоровой пищи для потребления. Алгоритмы сверточной нейронной сети (CNN) и k-ближайших соседей (KNN) можно использовать для создания моделей классификации и идентификации, включая идентификацию пищевых продуктов. Поэтому для поддержания здорового питания нужна система, которая может быстро определить тип потребляемой пищи и рассчитать ее калорийность. Необходимо создать наилучшую модель идентификации на основе показателей качества модели для точности, предсказания, отзыва и оценки F1, которые будут использоваться для идентификации пищевых продуктов с использованием алгоритмов CNN и KNN. Этот метод исследования извлекает входные данные изображения еды с использованием модели HSV (тон, насыщенность и значение цвета). Данные классифицируются с использованием алгоритмов CNN и KNN. Моделирование выполняется с использованием 900 изображений продуктов питания. Данные разделены на две категории, а именно обучающая и тестовая выборки, в пропорции 75 и 25 % соответственно. Алгоритм KNN тестировался с k = 3, 5 и 7 и сравнивался с CNN. На основании проведенных экспериментов установлено, что метод CNN лучше, чем алгоритм KNN. Есть два класса типов продуктов питания, прогноз по которым неверен, в то время как метод CNN предсказывает только один класс продуктов питания как неправильный. На это указывает точность метода CNN, которая на 5 % лучше, чем метода KNN(3). Точность метода CNN составляет 94 %, а метода KNN(3) - 89 %. Значение F1-оценки для метода CNN равно 0.94, а для метода KNN(3) - 0.89. CNN позволяет модели давать среднюю точность 87.7 %, точность 86.89 %, полноту (recall) 86.89 % и F1 86.33 %. По результатам исследования модель, сформированная с использованием CNN, является лучшей моделью идентификации пищевых продуктов. We thank Universitas Negeri Medan for providing funds to implement this research. The rector, LPPM, the dean of FMIPA Universitas Negeri Medan, and the head of the department have provided support and facilities for the implementation of this research series, especially the rector, LPPM. Although not perfect, hopefully, the results of this research will be helpful in the development of knowledge useful for people.