طبقه بندی محصولات غذایی با یادگیری عمیق

غذا و تغذیه ، بی‌شک مهمترین موضوع مورد بحث دنیای امروز را تشکیل می‌دهد. افزایش آگاهی و دانش مردم در مورد خصوصیات تغذیه‌ای ترکیبهای مختلفی غذایی ، نیازمند این است که در مورد غذاهای خاص اطلاعات بیشتری مانند میزان هر یک از مواد معدنی و ویتامینها و مقدار مواد قندی و چربی‌ها ارائه شود. امروزه بسیاری از روشهای مورد استفاده در تجزیه غذاها بر اساس سیستمی استوار است که حدود صد سال پیش توسط دو دانشمند آلمانی به نامهای Stohman و Hennberg برای تجزیه مواد غذایی دامی ارائه گردید و تحت عنوان تجزیه تقریبی غذاها نامگذاری شد. این طرح تجزیه‌ای شامل اندازه گیری اجزای اصلی غذا با استفاده از روشهای نسبتا سریع و قابل قبول بدون نیاز به وسایل یا مواد شیمیایی پیچیده می‌باشد. با پیشرفت های انجام شده در زمینه تصویربرداری و تولید تصاویر دیجیتال با رزولوشن بالا نیاز به دسته بندی دقیق محصولات براساس تصاویر احساس می گردد به نحوی که یکی از اساسی ترین قسمتهای پردازش تصویر دسته بندی تصاویر می باشد نکته مهم در دسته بندی تصاویر ارائه روشی با دقت بالا برای این کار است. دسته بندی تصاویر به این دلیل اهمیت زیادی دارد که از آن می توان در مواردی مانند پزشکی، نظامی، سازمان های مختلف و غیره استفاده نمود. بنابراین، اطلاعات به دست آمده از تصاویر مختلف را می توان به روش های گوناگونی دسته بندی کرد که بستگی به روش پردازش به کار رفته در تصاویر دارد ولی آنچه به عنوان یک اصل واحد در موارد دسته بندی مورد توجه قرار گرفته است خصوصیاتی چون رنگ، اندازه و غیره در هر ناحیه است، که می توان آنها را خصوصیات ظاهری و بارز تصویر نامید.

هوش مصنوعی فیسبوک به کمک یادگیری عمیق قادر به تشخیص تصاویر و اشیاء موجود در تصاویر خواهد شد. تاکنون عکس ها و تصاویر در فیسبوک و اینستاگرام به کمک هشتگ ها و برچسب گذاری ها دسته بندی می شدند و این برچسب گذاری ها در مواردی به درستی صورت نمی گرفت ضمن اینکه بسیاری از تصاویر فاقد برچسب بودند و در نتیجه در دسته بندی های مختلف قرار نمی گرفتند. از سوی دیگر برچسب گذاری تصاویر کار نسبتا دشواری برای میلیون ها عکس خواهد بود. به همین دلیل فیسبوک تصمیم گرفت تا به کمک یادگیری عمیق و با نظارت محدود انسانی این دسته بندی ها را اعمال کند. امروزه الگوريتم ها و مدل هاي مختلف پژوهش هاي مبتني بر شبکه عصبي، جاي خود را در ميان طبقه بندي تصاوير به خوبي باز کرده اند. هدف اصلي اين الگوريتم ها اين است که در شبکه هاي مصنوعي، ماشين به شکلي آموزش ببيند که در نهايت تشخيصي نزديک مغز انسان داشته باشد. از بين انواع شبکه هاي عصبي، شبکه هاي عصبي کانالوشن (CNN) معمولا دقت خوبي را در طبقه بندي تصاوير ارائه مي کنند. یکی از کاربردهای مهم دسته بندی تصاویر، در دسته بندی محصولات غذایی می باشد که کاربردهای زیرا دارد:

• کمک به مشتریان برای خرید سریع محصول
• کمک به فروشندگان برای فروش سریع محصول
• خودکار کردن عملیات خرید و فروش محصولات (حضوری – اینترنتی)
• کاهش نیروی انسانی
• صرفه جویی در زمان و هزینه
• کاربرد چشم انداز کامپیوتر در خرده فروشی
• سفارشی کردن تجربیات با استفاده از تشخیص چهره.
• مدیریت راحتر محصولات

از فناوری‌های یادگیری عمیق، شبکه‌های عصبی کانولوشن (CNNs)در زمینه تصاویر پزشکی، از محبوبیت بالاتری برخوردار هستند. بیشتر تکنولوژی‌های یادگیری عمیق مربوط به غربالگری سرطان، بر اساس CNNها می‌باشند. به‌کارگیری شبکه‌های عصبی کانولوشن از اواخر دهه 1970 آغاز شده و از سال 1995 به تجزیه و تحلیل تصاویر پزشکی اعمال شده است. یادگیری عمیق، یک روش جدید برای اعمال یادگیری ماشین است؛ زیرا براساس یادگیری داده‌هاست. شبکه‌های عصبی کانولوشن عمیق، یک نوع روش یادگیری عمیق می‌باشند که در آن فیلترها قابل تعویض هستند و عملیات ادغام بر روی تصاویر ورودی اعمال می‌شود و مجموعه‌ای سطح بالا از ویژگی‌ها را به‌صورت خودکار استخراج می‌کند. استخراج سطح بالای این ویژگی‌ها باعث می‌شود تا مفاهیم گسترده و پیچیده به مفاهیم ساده‌تری تقسیم شود که این مفاهیم ساده، ماشین را قادر به تصمیم‌گیری برای آنها می‌سازد و بدین‌ترتیب نیازی به نظارت کامل انسان برای مشخص‌کردن اطلاعات لازم ماشین در هر لحظه نیست. در یادگیری عمیق، ویژگی‌های غیرخطی چندین لایه استخراج می‌شوند و به یک دسته‌بند اعمال شده و آن هم این ویژگی‌ها را با هم ترکیب می‌کند تا بتواند یک پیش‌بینی انجام دهد. چالش های دسته بندی محصولات غذایی به شرح زیر است

• تنوع محصولات
• ویژگی های مهم تصاویر
• شباهت محصولات
• زمان پردازش تصویر
• دقت دسته بندی و خسارت مالی
• چرخش و تغییر اندازه محصولات
• …