O documento apresenta uma proposta para o desenvolvimento de um sistema especialista para auxílio na dieta alimentar de pacientes com diabetes utilizando reconhecimento de alimentos por redes neurais artificiais. A arquitetura proposta inclui a identificação de alimentos em imagens de refeições e fornecimento de informações nutricionais. Redes neurais como MLP e SVM serão testadas para classificação de imagens de alimentos como carne, arroz, feijão e alface.

1. Universidade Presbiteriana Mackenzie
Programa de Pós Graduação em Engenharia Elétrica
Laboratório de Computação Natural
Reconhecimento de alimentos utilizando
Redes Neurais Artificiais
Dávila Cruz - davilapatricia11@gmail.com
Rafael Alves - rfelixmg@gmail,com
Taciana Cruz - taciana.alessandra@gmail.com
LCoN Meetings (11/09/2013)

2. Roteiro
● Introdução
● Metodologia
● Trabalhos existentes
● Conclusão
● Referências

3. Introdução
● Grande quantidade de alimentos e dificuldade de
organização da dieta alimentar de pessoas com
diabetes.
● Problema: Como auxiliar nutricionistas e
endocrinologistas no acompanhamento de seus
pacientes diabéticos?
● Proposta: Arquitetura de um Sistema Especialista para
Auxílio na dieta alimentar de pacientes com Diabetes.
● Utilização de Redes Neurais Artificiais para
Classificação dos alimentos através das imagens
obtidas.

4. Arquitetura Proposta
Sistema Nutricional para Diabéticos
Prato do dia:
Identifique os alimentos
Informações nutricionais
Fig 1: Arquitetura Proposta,
Fonte: Própria

5. Redes Neurais Artificiais
Sistema Nutricional para Diabéticos
Prato do dia:
Identifique os alimentos
Informações nutricionais
Fig 1: Arquitetura Proposta,
Fonte: Própria

6. Metodologia
● Levantamento de Requisitos
○ Sistema Especialista para Auxílio na dieta alimentar
de pacientes com Diabetes.
○ Módulo Redes Neurais Artificiais
● Treinar uma rede neural artificial para fazer
o reconhecimento de alimentos presentes
na imagem de uma refeição.
● Redes Neurais:
○ Support Vector Machine - SVM
○ Back propagation Multi-Layer Perceptron - MLP
○ Self-organized Maps - SOM
● Classificação

7. Levantamento de requisitos
● Refeições baseadas na Cesta Básica Brasileira.
● Inicialmente serão utilizados fragmentos dequatro
alimentos básicos:
Fig 2. Exemplos de imagens de cada variedade de alimentos utilizadas para o treinamento da rede neural. Carne grelhada;
Arroz branco; Feijão carioca e Alface.
Fonte: Própria.
192 px

8. Base de dados
● Fragmentação e normalização da imagem
em uma janela de tamanho 192 por 192
pixels.
● Para treinamento: base composta por 40
imagens para cada tipo de alimento.
Totalizando 160 padrões.

9. Levantamento de Requisitos
Extração de características
● Extração de características feitas utilizando
o MPEG-7.
○ Cor
○ Posição
○ Contornos
○ Textura
● Concatenação das características extraidas
em um vetor númerico

10. Redes Neurais
● Multi-Layer Perceptron - MLP
○ Rede Neural feedfoward com backpropagation
○ Amplamente utilizada
● Support Vector Machine - SVM
○ Analise de regressão
○ Rede baseada em aprendizagem estatística
○ Classificador binário linear não probabilístico
○ Sutil a mudança de parâmetros
● Self-organized Maps - SOM
○ Não supervisionada
○ Aprendizado competitivo

11. Trabalhos existentes
● Gualda, I. P., Aplicação de Redes Neurais Artificiais
na Ciência e Tecnologia de Alimentos: Estudo de
Casos
● B. D’ebska, B. Guzowska-Swider. Application of
artificial neural network in food classification
(Radial Basis Function)
● Marini, F. Artificial neural networks in foodstuff
analyses: Trends and perspectives: A review

12. Conclusão
● As redes neurais apresentam bom
desempenho na tarefa de classificação de
imagens de alimentos
● As redes MLP e SVM devem ser testadas
para comparação e escolha da solução
ótima

13. Referências
[1] SICHIERI, Rosely et al . Recomendações de alimentação e nutrição saudável para a população
brasileira. Arq Bras Endocrinol Metab, São Paulo , v. 44, n. 3, June 2000 . Available from <http://www.
scielo.br/scielo.php?script=sci_arttext&pid=S0004-27302000000300007&lng=en&nrm=iso>. access on 04
Sept. 2013. http://dx.doi.org/10.1590/S0004-27302000000300007.
[2] A. Rocha, D. Hauagge, J. Wainer, S. Goldenstein, “Automatic fruit and vegetable classification from
images,” in Elsevier Computer and Electronics in Agriculture (COMPAG), v. 70, issue 1, pp. 96-104, 2010.
[3] S.Arivazhagan, R.Newlin Shebiah, S.Selva Nidhyanandhan, L.Ganesan, “Fruit recognition using color
and texture features,” Journal of Emerging Trends in Computing and Information Sciences, vol 1, no. 2, pp.
90-94, 2010.
[4] W. Seng, S. Mirisaee, “A new method for fruits recognition system,” Electrical Engineering and
Informatics, 2009. ICEEI '09. International Conference on , vol.01, no., pp.130,134, 5-7 Aug. 2009.
[5] Mikhail Anatholy Koslowski, Favero Guilherme Santos, Gustavo B. Borba, Humberto Gamba, "Fruits
Classification Using MPEG - 7 Descriptors from Image Patches", Proceedings of IX Workshop de Visao
Computacional (WVC 2013), 03-05 June 2013.
[6] M. Bastan, H. Cam, U. Gudukbay, O. Ulusoy, “BilVideo-7: An MPEG- 7 Compatible Video Indexing and
Retrieval System”, IEEE MultiMedia, vol. 17, no. 3, pp. 62-73, July-September 2010.