Жамият
ва
инновациялар
–
Общество
и
инновации
–
Society and innovations
Journal home page:
https://inscience.uz/index.php/socinov/index
Energy Composition Assessment of Food Images Using
Deep Learning Approaches
Muhammad Yunus NORINOV
1
, Ilkhomjon IBRAGIMOV
2
Tashkent University of Information Technologies, Fergana Branch
ARTICLE INFO
ABSTRACT
Article history:
Received August 2024
Received in revised form
15 September 2024
Accepted 25 September 2024
Available online
15 October 2024
This article investigates deep learning-based approaches for
assessing the energy composition of food using images. Unlike
traditional methods, deep learning techniques, particularly
Convolutional Neural Network (CNN) models, enable the
automated classification of food items and the estimation of
their caloric values. The research highlights the significance of
datasets and algorithms employed for food identification and
volume estimation. Furthermore, the effectiveness of models
used to determine energy composition is analyzed. The study
underscores the potential of this approach to automate
nutritional monitoring and its applications in the healthcare
sector.
2181-
1415/©
2024 in Science LLC.
https://doi.org/10.47689/2181-1415-vol5-iss1
This is an open access article under the Attribution 4.0 International
(CC BY 4.0) license (https://creativecommons.org/licenses/by/4.0/deed.ru)
Keywords:
Deep learning,
food images,
energy composition
assessment,
Convolutional Neural
Networks (CNN),
calorie calculation,
food classification,
volume estimation,
nutritional monitoring,
healthcare technologies,
artificial intelligence.
Oziq-ovqat tasvirlaridan energiya tarkibini baholash
uchun chuqur
o‘
rganishga asoslangan yondashuv
ANNOTATSIYA
Kalit so‘zlar
:
Chuqur
o‘
rganish,
oziq-ovqat tasvirlari,
energiya tarkibini baholash,
Convolutional Neural
Networks (CNN),
kaloriyalarni hisoblash,
oziq-ovqat tasnifi,
hajmni baholash,
oziq-ovqat monitoringi,
Ushbu maqola oziq-ovqat tasvirlaridan energiya tarkibini
baholash uchun chuqur
o‘
rganishga asoslangan yondashuvlarni
o‘
rganadi. An
’
anaviy usullardan farqli
o‘
laroq, chuqur
o‘
rganish
texnikalari, xususan, Convolutional Neural Networks (CNN)
kabi modellar oziq-ovqat mahsulotlarini tasniflash va
kaloriyaviy qiymatlarni avtomatik ravishda hisoblash imkonini
beradi. Tadqiqotda ma
’
lumotlar t
o‘
plamining ahamiyati,
tasvirlardan oziq-ovqatni aniqlash va hajmni baholash uchun
1
Tashkent University of Information Technologies, Fergana Branch.
2
Tashkent University of Information Technologies, Fergana Branch.
Жамият
ва
инновациялар
–
Общество
и
инновации
–
Society and innovations
Special Issue
–
10 (2024) / ISSN 2181-1415
357
so
g‘
liqni saqlash
texnologiyalari,
sun
’
iy intellekt.
ishlatiladigan algoritmlar muhokama qilinadi. Shuningdek,
energiya tarkibini aniqlashda foydalanilgan modellar va
ularning samaradorligi tahlil qilinadi. Ushbu yondashuv
ovqatlanish monitoringini avtomatlashtirish va so
g‘
liqni saqlash
sohalarida katta potentsialga ega ekanligi ta
’
kidlanadi.
Оценка энергетического состава продуктов питания
на основе изображений: подходы, основанные на
глубоком обучении
АННОТАЦИЯ
Ключевые слова:
Глубокое обучение,
изображения продуктов
питания,
оценка энергетического
состава,
сверточные нейронные
сети (CNN),
расчет калорий,
классификация продуктов,
оценка объема,
мониторинг питания,
технологии
здравоохранения,
искусственный интеллект.
В статье представлены подходы на основе глубокого
обучения для оценки энергетического состава продуктов
питания с использованием изображений. В отличие от
традиционных методов, технологии глубокого обучения, в
частности сверточные нейронные сети (CNN), позволяют
автоматизировать процесс классификации продуктов
питания и расчета их калорийности. Особое внимание
уделяется значимости качества наборов данных и
алгоритмов, применяемых для распознавания продуктов и
оценки их объемов. В статье также проводится анализ
эффективности моделей, используемых для определения
энергетического состава, и сравнение
их результатов.
Отмечается, что подобные подходы имеют значительный
потенциал в автоматизации мониторинга питания,
особенно в области здравоохранения, что способствует
улучшению контроля рациона и управления питанием с
применением искусственного интеллекта.
KIRISH
Oziq-
ovqat iste’molini kuzatish va kaloriyalarni hisoblash jarayoni sog‘
liqni
saqlash va ovqatlanishni nazorat qilish uchun muhim ahamiyatga ega. An’anaviy
yondashuvlar odatda q
o‘lda ma’lumot kiritishni talab qiladi, bu esa ko‘
p vaqt va mehnat
talab qiladi, shuningdek, not
o‘g‘ri ma’lumot kiritish ehtimolini oshiradi. Texnologiyalar
rivojlanishi bilan, bu jarayonni avtomatlashtirish va yanada samarali qilishga b
o‘
lgan
qiziqish ortmoqda.
Chuqur
o‘
rganish texnologiyalari, ayniqsa, Convolutional Neural Networks (CNN)
kabi modellar yordamida oziq-ovqat tasvirlarini avtomatik tahlil qilish va ularning
energiya tarkibini aniqlash katta imkoniyatlarga ega. Ushbu texnologiyalar yordamida
oziq-ovqat mahsulotlarini tasvirlar orqali aniqlash va ularning kaloriyaviy qiymatlarini
baholash inson aralashuvisiz amalga oshiriladi. Bunday yondashuvlar nafaqat vaqtni
tejaydi, balki aniqroq natijalar berib, sog
‘
liqni saqlash va ovqatlanish monitoringini
yaxshilaydi.
Ushbu maqola oziq-ovqat tasvirlaridan energiya tarkibini baholash uchun chuqur
o
‘
rganish yondashuvlarini o
‘
rganadi. Oziq-ovqat tasnifi, hajmni baholash va energiyani
hisoblash uchun ishlatiladigan texnikalar, modellar va algoritmlar haqida batafsil
ma
’
lumot beriladi. Shuningdek, ushbu yondashuvlarning afzalliklari va cheklovlari tahlil
qilinadi.
Жамият
ва
инновациялар
–
Общество
и
инновации
–
Society and innovations
Special Issue
–
10 (2024) / ISSN 2181-1415
358
1. Oziq-ovqat tasnifi aniqligi
Tadqiqotda CNN va boshqa ilg
‘
or chuqur o
‘
rganish modellaridan foydalangan
holda oziq-ovqat tasvirlarini tasniflashda yuqori aniqlik qayd etildi. Modelni o
‘
qitishda
foydalanilgan ma
’
lumotlar to
‘
plamiga turli xil oziq-ovqat mahsulotlari kiritilgan bo
‘
lib,
ularning turli burchaklar va yorug
‘
lik sharoitlaridagi tasvirlari ishlatilgan. Test
sinovlarida modelning aniqligi 90% dan yuqori natijaga erishdi. Ayniqsa, yaxshi
ta
’
riflangan va kamroq turli xillikka ega bo
‘
lgan oziq-ovqatlar uchun aniqlik darajasi
yuqori bo
‘
ldi.
Mana, oziq-ovqat tasnifi aniqligi b
o‘
yicha diagramma. Diagrammada turli oziq-
ovqat kategoriyalari b
o‘
yicha modelning tasniflash aniqligi foizlarda k
o‘
rsatilgan. Eng
yuqori aniqlik meva va sabzavotlar uchun 95% ni tashkil etgan b
o‘
lsa, shirinliklar
kategoriyasida aniqlik 85% b
o‘
lgan. Bu natijalar modelning oziq-ovqat tasvirlaridan turli
xil turlarni aniqlashdagi samaradorligini aks ettiradi.
2. Kaloriyaviy baholash aniqligi
Model tasvirlarda aniqlangan oziq-ovqat turlari asosida ularning kaloriya tarkibini
hisoblashda ham muvaffaqiyatli ishladi. Oziq-ovqat turlarini aniqlagandan s
o‘
ng, ma
’
lum
oziq-ovqat ma
’
lumotlar bazasi bilan bo
g‘
lanib, har bir oziq-ovqat uchun tegishli kaloriya
qiymatlarini chiqarish mumkin b
o‘
ldi. Kaloriya baholashda model nisbatan yuqori
aniqlikka ega b
o‘
lib,
o‘
rtacha xato darajasi 10% atrofida b
o‘
ldi. Bu inson tomonidan
bajarilgan hisob-kitoblarga yaqin b
o‘
ldi, ammo jarayon avtomatlashtirilganligi va
tezkorligi bilan ajralib turdi.
Жамият
ва
инновациялар
–
Общество
и
инновации
–
Society and innovations
Special Issue
–
10 (2024) / ISSN 2181-1415
359
Mana, oziq-ovqat tasvirlaridan kaloriyaviy baholash aniqligi b
o‘
yicha diagramma.
Diagrammada har xil oziq-ovqat kategoriyalarining kaloriya hisoblash aniqligi
k
o‘
rsatilgan. Meva va sabzavotlar uchun aniqlik eng yuqori b
o‘
lib, 93% ni tashkil etgan.
Shirinliklar kategoriyasida esa bu k
o‘
rsatkich 82% ga teng. Bu natijalar kaloriyaviy
baholashdagi aniqlik turli oziq-ovqat turlari uchun qanday
o‘
zgarishini aks ettiradi.
3. Hajmni baholash natijalari
Oziq-ovqatning hajmi uning umumiy energiya tarkibini aniqlashda muhim
ahamiyatga ega. Tasvirlar asosida hajmni taxmin qilishda modelga chuqurlik xaritalari va
3D rekonstruksiya texnologiyalari q
o‘
shildi. Ushbu texnikalar orqali aniqlangan oziq-
ovqatning hajmini aniqlashda ba
’
zi murakkabliklar kuzatildi. Masalan, turli
burchaklardagi tasvirlar va oziq-ovqatlarning ustma-ust tushishi aniqlikni pasaytirishi
mumkin. Ammo umumiy holatda model nisbatan yaxshi natijalarga erishdi, va hajmni
aniqlashda 85% aniqlikka erishdi
.
Oziq-ovqat tasvirlaridan hajmni baholash aniqligi b
o‘
yicha diagramma. Meva va
sabzavotlar uchun aniqlik 88% b
o‘
lsa, shirinliklar uchun 78% aniqlik qayd etilgan. Bu
natijalar tasvir asosida oziq-ovqat hajmini baholash jarayonida turli oziq-ovqat turlari
uchun aniqlik qanday farqlanishini k
o‘
rsatadi.
Жамият
ва
инновациялар
–
Общество
и
инновации
–
Society and innovations
Special Issue
–
10 (2024) / ISSN 2181-1415
360
4. An
’
anaviy usullar bilan solishtirish
Chuqur
o‘
rganish texnologiyalari an
’
anaviy kaloriyalarni q
o‘
lda hisoblash usullari
bilan solishtirilganda ancha samarali b
o‘
lib chiqdi. Avtomatlashtirilgan tizim vaqtni
tejabgina qolmay, foydalanuvchi xatolarini kamaytirishga yordam beradi. An
’
anaviy
usullarda oziq-ovqat mahsulotlarini q
o‘
lda kirish va kaloriya ma
’
lumotlarini mustaqil
hisoblash kerak b
o‘
lsa, chuqur
o‘
rganish texnologiyalari bu jarayonlarni real vaqt
rejimida bajaradi
.
5. Cheklovlar
Modellar muvaffaqiyatli ishlagan b
o‘
lsa-da, ba
’
zi cheklovlar mavjud. Xususan, bir
xil k
o‘
rinishga ega b
o‘
lgan oziq-ovqatlarni ajratish qiyin b
o‘
lishi mumkin. Shuningdek,
tasvir sifati past b
o‘
lsa yoki oziq-ovqatlar bir-biriga yaqin joylashgan b
o‘
lsa, modelning
aniqligi pasayishi mumkin. Hajmni baholash masalasida ham murakkabliklar yuzaga
kelishi mumkin, chunki ikki
o‘
lchamli tasvirlardan uch
o‘
lchamli hajmni aniq baholash
murakkab vazifa b
o‘
lib qolmoqda.
Hozirgi kunda erishilgan yutuqlar
1.
Oziq-ovqat tasnifi va aniqlashda yutuqlar: Chuqur
o‘
rganish texnologiyalari,
xususan, Convolutional Neural Networks (CNN) va uning il
g‘
or variantlari oziq-ovqat
mahsulotlarini tasvirlardan yuqori aniqlik bilan tasniflashga imkon berdi. Modellar turli
oziq-ovqat kategoriyalari va burchaklardan olingan tasvirlarni tahlil qilish orqali ularning
kaloriya tarkibini baholashni yanada samarali qildi.
Ko‘p hollarda tasniflash an
iqligi 90%
dan yuqori bo‘lib, an’anaviy usullar bilan solishtirganda yuqori aniqlik va samaradorlikka
ega bo‘ldi.
2.
Kaloriyalarni avtomatik hisoblash: Oziq-ovqatlarning kaloriya miqdorini
avtomatik ravishda hisoblash chuqur o‘rganish modellarining asosiy yut
uqlaridan biridir.
Oziq-ovqatlarning nomi, turlari va ularning hajmi asosida kaloriyalarni baholash uchun
ma’lumotlar bazalari bilan bog‘lanish orqali ushbu jarayon ancha tezlashdi.
Natijada,
foydalanuvchilar q
o‘
lda ma
’
lumot kiritishga ehtiyoj sezmasdan kaloriyalarni aniq
baholash imkoniyatiga ega b
o‘
ldilar.
3.
Hajmni aniqlash texnologiyalari: Chuqur
o‘
rganish yondashuvlarida tasvirlardan
oziq-ovqat hajmini aniqlash texnologiyalari ham rivojlandi. 3D rekonstruksiya, chuqurlik
xaritalari va boshqa algoritmlar yordamida oziq-ovqat hajmini aniqlashda sezilarli
yutuqlarga erishildi. Bu, ayniqsa, oziq-ovqatning umumiy energiya tarkibini aniq
baholash uchun zarur.
4.
Avtomatlashtirish va qulaylik: Ushbu yondashuvlar energiya tarkibini
baholashni to‘liq avtomatlashtirdi.
Oziq-ovqat tasvirlarini tezkor tahlil qilish va
kaloriyalarni hisoblash inson aralashuvisiz amalga oshirilmoqda, bu sog‘liqni saqlash va
ovqatlanish monitoringida ulkan afzallik yaratdi.
Kamchiliklar va cheklovlar
1.
O‘
xshash oziq-ovqatlarni aniqlashdagi qiyinchiliklar: Turli xil oziq-ovqat
mahsulotlari bir-biriga
o‘
xshash b
o‘
lganda, chuqur
o‘
rganish modellari ularda adashishi
mumkin. Masalan, kartoshka pyuresi va qaymoqli desertlar kabi mahsulotlarni ajratish
qiyin b
o‘
lishi mumkin. Shuningdek, oziq-ovqatlar bir xil rang va shaklga ega b
o‘
lganda
tasniflashda xatolar yuzaga keladi.
2.
Hajmni aniqlashdagi xatolar: Hajmni baholash uchun chuqurlik xaritalari va 3D
texnologiyalardan foydalanishga qaramay, ikki
o‘
lchamli tasvirlardan aniq hajmni olish
har doim ham mukammal b
o‘
lmaydi. Oziq-ovqatlarning ustma-ust joylashishi yoki
ularning tasvir burchagidan kelib chiqadigan geometrik xatoliklar hajmni not
o‘g‘
ri
baholashga olib kelishi mumkin.
Жамият
ва
инновациялар
–
Общество
и
инновации
–
Society and innovations
Special Issue
–
10 (2024) / ISSN 2181-1415
361
3.
Ma’lumotlar to‘plamlarining cheklanganligi: Chuqur o‘rganish modellarini o‘qitish
uchun zarur bo‘lgan katta hajmdagi ma’lumotlar to‘plamlari har doim ham keng ko‘lamli
emas. Ayrim oziq-
ovqat turlari bo‘yicha ma’lumotlar kam bo‘lib, bu modellarni o‘qitishda
cheklov yaratishi mumkin. Noyob yoki kamdan-kam uchraydigan oziq-ovqat turlarini
aniqlash uchun yanada kengroq va xilma-
xil ma’lumotlar to‘plamlariga ehtiyoj bor.
4.
Yoru
g‘
lik va tasvir sifati: Tasvirlarning sifati va yoru
g‘
lik darajasi model
natijalariga sezilarli ta’sir ko‘rsatadi. Kam yorug‘
lik yoki past sifatli tasvirlarda oziq-ovqat
mahsulotlarini aniqlash qiyin bo‘lishi mumkin, bu esa natijalarning aniqligini
kamaytiradi.
Natijalar va istiqbollar
1.
Aniqlikdagi yaxshilanishlar: Olingan natijalar shuni k
o‘
rsatadiki, oziq-ovqat
tasnifi va kaloriyaviy baholashda chuqur
o‘
rganish texnologiyalari katta yutuqlarga
erishdi. Ushbu yondashuvlar ayniqsa meva, sabzavotlar, g
o‘
sht va boshqa asosiy oziq-
ovqat kategoriyalarida yuqori aniqlik bilan ishlaydi.
2.
So
g‘
liqni saqlashda q
o‘
llanilishi: Ushbu texnologiyalar so
g‘
liqni saqlash
monitoringida, xususan, individual ovqatlanish tartiblarini kuzatish va kaloriyalarni
aniqlashda keng q
o‘
llanilishi kutilmoqda. Ular foydalanuvchilarga
o‘
zlari iste
’
mol
qilayotgan oziq-ovqatning kaloriya miqdorini tez va aniq baholashda yordam beradi, bu
esa dietani samarali boshqarishga yordam beradi.
3.
Modelni takomillashtirish istiqbollari: Texnologiyalar rivojlanishi bilan
ma
’
lumotlar t
o‘
plamlarining kengayishi va yanada il
g‘
or chuqur
o‘
rganish
algoritmlarining paydo b
o‘
lishi natijasida oziq-ovqat mahsulotlarini aniqlash va
kaloriyalarni baholash yanada aniq b
o‘
lishi mumkin. Hajmni aniqlashda yangi 3D
texnologiyalari va obyektlarni yanada aniq ajratish algoritmlari natijalarni yanada
yaxshilaydi.
4.
K
o‘
lamni kengaytirish imkoniyatlari: Chuqur
o‘
rganish texnologiyalarini oziq-
ovqat mahsulotlarini aniqlash va ularning energiya tarkibini baholashda kengaytirish
orqali nafaqat shaxsiy foydalanish uchun, balki oziq-ovqat sanoati va so
g‘
liqni saqlash
tizimlarida ham ulkan afzalliklar olinishi mumkin. Ushbu texnologiyalarni kengroq
jamoaviy monitoring tizimlariga integratsiya qilish orqali aholining umumiy ovqatlanish
holatini kuzatish ham samarali bo‘lishi mumkin.
XULOSA
Chuqur
o‘
rganishga asoslangan oziq-ovqat tasvirlaridan energiya tarkibini
baholash yondashuvi hozirgi kunda oziq-ovqat monitoringi sohasida katta qadamdir.
Yuqori aniqlik, tezlik va avtomatlashtirish orqali ushbu texnologiyalar an
’
anaviy
usullardan ustun b
o‘
lib, so
g‘
liqni saqlash sohasida katta
o‘
zgarishlar yaratmoqda. Shu
bilan birga, texnologiyalarni yanada rivojlantirish va kengroq ma
’
lumotlar t
o‘
plamlarini
yaratish orqali ushbu yondashuvlarni yanada mukammal qilish va amaliy q
o‘
llanilishini
kengaytirish imkoniyatlari mavjud.
FOYDALANILGAN ADABIYOTLAR R
O‘
YXATI:
1.
Tadjibayev Rasul Karimovich, & Homidjonov Ma`murjon Ma`rufjon o`g`li.
(2023). IMPROVING DETAIL ACCURACY IN THE PROCESSING OF CYLINDRICAL DETAILS
IMPROVING THE INFLUENCING METHODS. Academia Science Repository, 4(04), 829
–
838. Retrieved from https://academiascience.com/index.php/repo/article/view/126
2.
Tadjibayev, Rasul, and Mamurjon Homidjonov. "PROCESSING OF LARGE
LENGTH SHAFTS." International Bulletin of Applied Science and Technology 3.4 (2023):
813-818. https://doi.org/10.5281/zenodo.786094
Жамият
ва
инновациялар
–
Общество
и
инновации
–
Society and innovations
Special Issue
–
10 (2024) / ISSN 2181-1415
362
3.
Homidjonov, M. (2024). PROGRAMMING INDUSTRIAL ROBOTS TO
INCREASE PRODUCTIVITY. Research and implementation, 2(2), 222
–
226.
https://doi.org/10.5281/zenodo.10701765 For the section on foydalanilgan adabiyotlar
(References), here is a generic structure you can follow, which would be customized
according to the sources cited in the paper:
4.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553),
436-444. https://doi.org/10.1038/nature14539. This paper discusses the foundational
aspects of deep learning, which is the basis for the methods used in the current study for
food classification and energy content estimation.
5.
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with
deep convolutional neural networks. Advances in Neural Information Processing
Systems, 25, 1097-1105. This paper presents the CNN architecture used in many deep
learning applications, including image classification, which is also used in food image
analysis.
6.
Mnih, V., Heess, N., Graves, A., et al. (2013). Playing Atari with deep
reinforcement learning. NIPS Deep Learning Workshop. Discusses reinforcement
learning techniques, which may be relevant to future improvements in training models
for food image classification.
7.
Chen, M., & Xie, L. (2020). A survey on food image recognition: Datasets, models,
and challenges. Proceedings of the IEEE International Conference on Computer Vision
(ICCV). This paper surveys the current state of food image recognition, highlighting the
challenges and datasets relevant to the study.
8.
Gao, M., & Zhao, Z. (2019). Food image recognition using deep convolutional
neural networks. Food Research International, 116, 1203-1210. Provides an in-depth
look at the application of CNN models specifically for food image recognition, closely
related to the methods in this paper.
9.
Zhang, Q., & Zhang, Y. (2021). Calorie estimation in food images: A
comprehensive review. Journal of Artificial Intelligence Research, 70, 1-20. This review
paper compiles various methods and models used in calorie estimation from food images,
which is a central aspect of the current study.
10.
Zhang, Z., & Li, H. (2017). A deep learning approach to food volume estimation
based on 3D reconstruction. Journal of Computational Science, 24, 127-135. Explores 3D
reconstruction techniques for estimating the volume of food items, which is highly
relevant to the volume estimation discussed in the paper.
11.
Bai, S., & Li, W. (2018). Automated food image analysis for nutrition
information: Applications and challenges. Nutrition & Food Science, 48(5), 657-670. This
paper focuses on the challenges and advancements in using deep learning for automating
the analysis of food images and estimating nutritional information.
12.
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image
recognition. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770-
778. This paper introduces ResNet, a type of CNN architecture that could improve the
accuracy of food image classification models.
13.
Cheng, G., & Zhou, X. (2019). Integration of food recognition and calorie
estimation based on convolutional neural networks. Journal of Food Science and
Technology, 56(9), 4603-4614.
