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...

ver descrição completa

Detalhes bibliográficos
Autor: Barylak Alcaraz, María Victoria
Tipo de documento: dissertação
Data de publicação:2021
País:España
Recursos:Universidad Complutense de Madrid (UCM)
Repositório:Docta Complutense
Idioma:espanhol
OAI Identifier:oai:docta.ucm.es:20.500.14352/5126
Acesso em linha:https://hdl.handle.net/20.500.14352/5126
Access Level:Acceso aberto
Palavra-chave: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
id ES_b8abca61d6a486f8d1f12edd34d4fa7b
oai_identifier_str oai:docta.ucm.es:20.500.14352/5126
network_acronym_str ES
network_name_str España
repository_id_str
spelling Implementación de un ecosistema IoT para el control de la ingesta de calorías mediante mecanismos de aprendizaje profundoImplementation of an IoT ecosystem for controlling calorie intake through deep learning mechanismsBarylak Alcaraz, María Victoria004(043.3)Internet de las CosasIoTAprendizaje ProfundoRedes Neuronales ConvolucionalesAlexNetGoogLeNetInteligencia ArtificialClasificación alimentos.Internet of ThingsIotDeep learningConvolutional Neural NetworksArtificial IntelligenceFood classificationInformática (Informática)1203.17 InformáticaEl 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.Pajares Martínsanz, GonzaloUniversidad Complutense de Madrid20212021-07-0120212021-07-01master thesishttp://purl.org/coar/resource_type/c_bdccinfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/20.500.14352/5126reponame:Docta Complutenseinstname:Universidad Complutense de Madrid (UCM)Españolspaopen accesshttp://purl.org/coar/access_right/c_abf2Atribución-NoComercial 3.0 Españahttps://creativecommons.org/licenses/by-nc/3.0/es/info:eu-repo/semantics/openAccessoai:docta.ucm.es:20.500.14352/51262026-06-02T12:44:21Z
dc.title.none.fl_str_mv Implementación de un ecosistema IoT para el control de la ingesta de calorías mediante mecanismos de aprendizaje profundo
Implementation of an IoT ecosystem for controlling calorie intake through deep learning mechanisms
title Implementación de un ecosistema IoT para el control de la ingesta de calorías mediante mecanismos de aprendizaje profundo
spellingShingle Implementación de un ecosistema IoT para el control de la ingesta de calorías mediante mecanismos de aprendizaje profundo
Barylak Alcaraz, María Victoria
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
title_short Implementación de un ecosistema IoT para el control de la ingesta de calorías mediante mecanismos de aprendizaje profundo
title_full Implementación de un ecosistema IoT para el control de la ingesta de calorías mediante mecanismos de aprendizaje profundo
title_fullStr Implementación de un ecosistema IoT para el control de la ingesta de calorías mediante mecanismos de aprendizaje profundo
title_full_unstemmed Implementación de un ecosistema IoT para el control de la ingesta de calorías mediante mecanismos de aprendizaje profundo
title_sort Implementación de un ecosistema IoT para el control de la ingesta de calorías mediante mecanismos de aprendizaje profundo
dc.creator.none.fl_str_mv Barylak Alcaraz, María Victoria
author Barylak Alcaraz, María Victoria
author_facet Barylak Alcaraz, María Victoria
author_role author
dc.contributor.none.fl_str_mv Pajares Martínsanz, Gonzalo
Universidad Complutense de Madrid
dc.subject.none.fl_str_mv 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
topic 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
description 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.
publishDate 2021
dc.date.none.fl_str_mv 2021
2021-07-01
2021
2021-07-01
dc.type.none.fl_str_mv master thesis
http://purl.org/coar/resource_type/c_bdcc
dc.type.openaire.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.14352/5126
url https://hdl.handle.net/20.500.14352/5126
dc.language.none.fl_str_mv Español
spa
language_invalid_str_mv Español
language spa
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
Atribución-NoComercial 3.0 España
https://creativecommons.org/licenses/by-nc/3.0/es/
dc.rights.openaire.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
Atribución-NoComercial 3.0 España
https://creativecommons.org/licenses/by-nc/3.0/es/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Docta Complutense
instname:Universidad Complutense de Madrid (UCM)
instname_str Universidad Complutense de Madrid (UCM)
reponame_str Docta Complutense
collection Docta Complutense
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869417669780832256
score 15.300719

Registros relacionados