Implementación de un ecosistema IoT para el control de la ingesta de calorías mediante mecanismos de aprendizaje profundo
El presente trabajo propone una solución inteligente dentro del paradigma IoT (Internet of Things). Se trata de un diseño que clasifica imágenes de alimentos capturadas con la cámara de un dispositivo móvil según el tipo de alimento a la vez que se obtienen las calorías asignadas al mismo con el fin...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2021 |
| País: | España |
| Institución: | Universidad Complutense de Madrid (UCM) |
| Repositorio: | Docta Complutense |
| Idioma: | español |
| OAI Identifier: | oai:docta.ucm.es:20.500.14352/5126 |
| Acceso en línea: | https://hdl.handle.net/20.500.14352/5126 |
| Access Level: | acceso abierto |
| Palabra clave: | 004(043.3) Internet de las Cosas IoT Aprendizaje Profundo Redes Neuronales Convolucionales AlexNet GoogLeNet Inteligencia Artificial Clasificación alimentos. Internet of Things Iot Deep learning Convolutional Neural Networks Artificial Intelligence Food classification Informática (Informática) 1203.17 Informática |
| Sumario: | El presente trabajo propone una solución inteligente dentro del paradigma IoT (Internet of Things). Se trata de un diseño que clasifica imágenes de alimentos capturadas con la cámara de un dispositivo móvil según el tipo de alimento a la vez que se obtienen las calorías asignadas al mismo con el fin de llevar un control sobre la ingesta de calorías en el tiempo. La solución inteligente se centra en la utilización de dos modelos de redes neuronales convolucionales, concretamente AlexNet y GoogLeNet, que se adaptan y se rediseñan de acuerdo con las especificaciones de la aplicación, más concretamente para la clasificación de diez categorías de alimentos distintas, a partir de los cuales se puede determinar su nivel de calorías. Son modelos pre-entrenados, que se re-entrenan para las imágenes propias en lo que se conoce como transferencia de aprendizaje. Los resultados de la clasificación se envían a ThingSpeak, que es una plataforma remota para almacenamiento de datos y procesamiento en la nube específicamente diseñada para aplicaciones IoT. De esta forma es posible monitorizar la trazabilidad de los datos almacenados, principalmente la ingesta de calorías. La aplicación, basada en distintos componentes de Matlab, consta de un módulo de captura de imágenes a través de la cámara de un dispositivo móvil, que tiene a la vez instalada una aplicación con capacidad de comunicación on-line, tanto con un computador central como con los servicios en la nube de Matlab (Drive) o la mencionada plataforma ThingSpeak, desde donde se pueden enviar alarmas o avisos vía Twitter. Los distintos módulos, convenientemente integrados, constituyen la aplicación en su conjunto, que permite determinar su validez mediante el análisis de los resultados obtenidos. |
|---|