Chương 4. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI 4.1. Kết quả đạt được
4.1.1. Nhận dạng
- Trình bày được các kiến thức về Mạng nơ ron tích chập, Tensorflow và thư viện Keras, trong nhận dạng hình ảnh thực phẩm;
- Tạo ra bộ dữ liệu huấn luyện với mỗi loại 1000 ảnh;
- Tạo mô hình huấn luyện và huấn luyện bộ dữ liệu bằng mạng nơ ron tích chập (CNN) được viết bằng ngôn ngữ Python, trên cơ sở Framework của Tensorflow và thư viện học sâu của Keras.
4.1.2. Ước lượng calo
- Trình bày được một số thuật toán trong xử lý ảnh thuật toán Otsu, thuật toán Canny để tính toán ước lượng calo trong thực phẩm;
- Sử dụng thuật toán xử lý ảnh trên Python và OpenCV, xây dựng mô hình tính calo dựa trên cơ sở tách biên dạng của thực phẩm và đĩa từ ảnh chụp. Từ đó tính toán diện tích của thực phẩm qua ảnh chụp và ước lượng calo dựa vào thể tích và khối lượng riêng của từng thực phẩm.
4.1.3. Xây dựng ứng dụng Android cho nhận dạng và tính toán Calo
- Trình bày được phương thức trao đổi dữ liệu trên HTTP giữa nền tảng Android và Server tạo REST API thông qua công cụ có tên gọi là Postman;
- Xây dựng ứng dụng trên hệ điều hành Android giao tiếp với Server để liên kết dữ liệu;
- Đưa ra được kết quả Tên thực phẩm và lượng calo trong thực phẩm.
4.2. Hạn chế
Tuy luận văn đã đạt được một số kết quả khả quan nhưng vẫn còn một số vấn đề tồn tại như
- Về nhận dạng Bộ dữ liệu tạo ra chưa đủ lớn, số loại hình dạng trong một loại quả chưa nhiều.
- Về tính toán lượng calo Lượng tính toán được khác nhau từ các hình ảnh chụp khác nhau, phụ thuộc vào khoảng cách chụp hình, độ tương phản, độ sáng tối, đồng thời chất lượng hình ảnh cũng ảnh hưởng tới kết quả của mô hình. Do quy thể tích về các loại hình học cơ bản nên việc ước lượng calo còn sai số.
- Về ứng dụng Sử dụng Server miễn phí từ Amazon nên khi truy cập thường gặp tình trạng quá tải dẫn đến không trả kết quả về Android được.
4.3. Hướng phát triển đề tài
Nghiên cứu để khắc phục các hạn chế trên và tìm hiểu các phương pháp tiếp cận để đạt được một số kết quả sau
- Tạo bộ dữ liệu với nhiều loại hình dạng khác nhau của một loại thực phẩm - Cải tiến, ứng dụng các kỹ thuật xử lý ảnh để cho kết quả chính xác hơn; - Sử dụng Server có tốc độ truyền tải tốt hơn để trả về kết quả tốt.
[1] Kawano, Y., & Yanai, K. (2014), Food image recognition with deep convolutional features, Ubicom '14 Adjunct, September 13 - 17, 2014, <https //dl.acm.org/doi/abs/10.1145/2638728.2641339>;
[2] Nguyễn Đắc Thành (2017), Nhận dạng và phân loại hoa quả trong ảnh màu,
<https //repository.vnu.edu.vn/flowpaper/simple_document.php?subfolder=84/29/61/&doc= 84296108320357570872919792519741173320&bitsid=b16d4a14-87e3-4d0e-8e4d-
d337014a296a&uid=>;
[3] Lê Thị Tuyết, Dương Thị Anh Đào, Bùi Thị Nhung, Nguyễn Thị Hồng Hạnh, Trần
Quang Bình (2017), Hội chứng chuyển hóa ở trẻ bình thường và trẻ béo phì 6-10 tuổi, Tạp
chí Khoa học ĐHQGHN Khoa học Tự nhiên và Công nghệ, Tập 33, Số 2, tr.81-88;
[4] Trần Hữu Dàng, Nguyễn Hải Thủy (2008), Béo phì - Giáo trình sau đại học chuyên
ngành Nội tiết và Chuyển hóa, NXB Đại học Huế;
[5] Cục Y tế dự phòng (2018), K ế t qu ả hội ngh ị dinh dưỡ ng m ở r ộng TP H ồ Chi Minh lầ n 7 ch ủ đề “Dinh dưỡng và Lão hóa”, Cụ c y t ế dự phòng, ngày 16 tháng 8 năm 2018,
<http //vncdc.gov.vn/vi/phong-chong-benh-khong-lay-nhiem/2351/ket-qua-hoi-nghi-dinh- duong-tp-ho-chi-minh-mo-rong-lan-thu-7-voi-chu-de-%E2%80%9Cdinh-duong-va-lao- hoa%E2%80%9D>;
[6] Trần Thừa Nguyên (2012), Nghiên cứu kháng insulin ở người cao tuổi thừa
cân béo phì, Đại học Huế-Trường Đại học y dược, ngày 27 tháng 2 năm 2019,
<https //luanvanyhoc.com/nghien-cuu-khang-insulin-o-nguoi-cao-tuoi-thua-can-beo-phi>;
[7] N. Yao et al (2007), A video processing approach to the study of obesity, IEEE Int.
Conf. Multimedia Expo, 08 August 2007 ,
<https //ieeexplore.ieee.org/abstract/document/4285003>;
[8] Gianluigi Ciocca et al, Recognizing food in the wild using Deep Learning, IEEE
Int. Conf. Multimedia Expo, 17 December 2018,
<https //ieeexplore.ieee.org/document/8576207>;
[9] Taichi Joutou, Keiji Yanai (2009), A food image recognition system with Multiple
Kernel Learning, IEEE Int. Conf. Multimedia Expo, 17 February 2010 <https //ieeexplore.ieee.org/document/5413400>;
[10] Yuji Matsuda, Hajime Hoashi, Keiji Yanai (2012), Recognition of Multiple-Food
Images by Detecting Candidate Regions, IEEE Int. Conf. Multimedia Expo, 13 September 2012, <https //ieeexplore.ieee.org/document/6298369>;
[11] Minami Wazumi et al (2011), A uto-recognition of food images using SPIN feature for
Food-Log system, IEEE Int. Conf. Multimedia Expo, 04 October 2012, <https //ieeexplore.ieee.org/document/6316741>;
[12] Dumoulin, V., & Visin, F. (2016), A guide to convolution arithmetic for deep
learning, arXiv, January 12, 2018, <https //arxiv.org/pdf/1603.07285.pdf>;
[13] Samer, C. H., Rishi, K., & Rowen. (2014), Image Recognition Using
Convolutional Neural Networks, International Journal of Scientific and Engineering
lutional_Neural_Networks>;
[14] Giancalor Zaccone, Getting Started with TensorFlow -ebook,
<http //read.pudn.com/downloads779/ebook/3085493/Getting%20Started%20with%20Tens orFlow.pdf>;
[15] Indra Den Bakker (2017), Battle of the Deep Learning frameworks - Part I 2017,
even more frameworks and interfaces, Towardsdatassciense, December 19, 2017, <https //towardsdatascience.com/battle-of-the-deep-learning-frameworks-part-i- cff0e3841750>;
framework-power-scores-2018-23607ddf297a>;
[17] Finetools, truy cập tháng 9 năm 2020, <https //pinetools.com/image-histogram>; [18] U.S. Department of Agriculture, Agricultural Research Service, truy cập tháng 9 năm 2020, <https //fdc.nal.usda.gov>.