Yogaswara, Reza Dea (2019) Instance-Aware Semantic Segmentation untuk Estimasi Kalori Citra Makanan Menggunakan Mask R-CNN. Masters thesis, Institut Teknologi Sepuluh Nopember.
![[thumbnail of 07111750067010-Master_Thesis.pdf]](http://repository.its.ac.id/style/images/fileicons/text.png) |
Text
07111750067010-Master_Thesis.pdf Restricted to Repository staff only Download (17MB) | Request a copy |
Abstract
Mengetahui jumlah kandungan kalori makanan yang akan dikonsumsi dapat membantu mempertahankan kesehatan tubuh. Kebutuhan kalori ideal setiap orang berbeda tergantung dari jenis kelamin, berat badan, aktivitas dan kegiatan fisiknya. Memenuhi kebutuhan kalori dengan baik akan menghasilkan efek positif bagi tubuh diantaranya adalah pengendalian berat badan yang ideal dan menjadi sumber energi yang cukup untuk beraktivitas fisik. Sebaliknya, orang yang tidak memperhatikan kebutuhan kalorinya akan dihadapkan dengan berbagai permasalahan kesehatan, diantaranya adalah obesitas dan memperburuk penyakit degeneratif bagi penderitanya. Untuk mendapatkan informasi jumlah kandungan kalori pada makanan diperlukan parameter volume dan massa dari makanan tersebut. Beberapa penelitian sebelumnya di bidang visi komputer telah dilakukan untuk mendapatkan jumlah kalori secara global hanya berdasarkan jenis makanan dan belum melakukannya berdasarkan pengukuran terhadap volume dan massa makanan yang sesungguhnya. Dalam penelitian ini akan dikembangkan satu sistem menggunakan pendekatan visi komputer yang dapat digunakan untuk menghitung jumlah kandungan kalori pada makanan secara otomatis dengan parameter volume makanan menggunakan algoritma Deep Learning Mask Region-based Convolutional Neural Network (R-CNN). Teknik segmentasi menggunakan model instance-aware semantic segmentation yaitu mengidentifikasi setiap piksel pada setiap objek yang ditemukan di dalam citra. Tugas ini menggunakan konsep pelabelan data instance-aware atau deteksi segmentasi yang membedakan setiap instance di kelas yang sejenis, dimana model ini akan digunakan pada setiap instance objek makanan yang berbeda dalam satu kelas sehingga diperoleh jumlah kalori masing-masing objek. Hasil penelitian ini diharapkan dapat membantu seseorang untuk mendapatkan informasi ukuran kalori makanan sesuai dengan kebutuhan kalori yang dibutuhkan dengan tingkat mean Average Precision (mAP) sebesar 89,4% dan presentase akurasi dalam perhitungan kalori sebesar 97,48%. ==========================================================================================================================================
Knowing the number of calorie content in the food we consume can help in maintaining body health. The ideal calorie need of each person vary depend on gender, weight, and physical activities. By fulfilling the basic calorie need well it will produce many positive effects on the body, including controlling the ideal body weight and becoming an adequate source of energy for physical activity. Conversely, people who do not care about their calorie needs will face various health problems, including obesity and worsening degenerative diseases such as diabetes or high blood pressure. Calculating the actual number of calories digitally from food requires the parameters of area, volume, and mass of the food. Some previous studies in the field of computer vision have been carried out to get a constant number of calories based on food types and not based on actual food volume measurements. In this research, a system will be developed using a computer vision approach that can be used to calculate the number of food calories automatically based on the size of the food volume using the Deep Learning Mask Region-based Convolutional Neural Network (R-CNN) algorithm. The segmentation technique uses the instance segmentation model (Instance-aware semantic segmentation), which is to identify each of the instant objects of each pixel for each object found in a food image. This work uses the concept of instance-aware data labeling or segmentation detection that distinguishes each instance in a similar class, where this model will be used to recognize each different food object instantaneously in one class so that the number of calories of each food object can be obtained precisely. The expected benefit of the results of this research is to help someone get information about the size of food calories according to the calorie needs of the body with the mean Average Precision (mAP) level obtained at 89.4% and the percentage accuracy in calories calculated at 97.48%.
Actions (login required)
 |
View Item |