Thesis: VISION-BASED FOOD RECOGNITION

Die Ansprüche an Kantinen und Betriebsrestaurants sind gerade in Deutschland sehr hoch. In der Gesellschaft besteht dennoch der Wunsch, dass die Lebensmittel günstig, hochwertig und nach sozialen, ethischen und ökologischen Aspekten ausgesucht werden. Diese Informationen sind jedoch häufig weder verfügbar, noch durch moderne Geräte transparent abrufbar. Eine Voraussetzung für denkbare, zukünftige, mobile- als auch stationäre Dienste, ist die Identifikation der Speisen anhand von Bilddaten. Aktuell gibt es verschiedene Verfahren [4, 5, 6, 7] um Speisen voneinander zu unterscheiden. Diese basieren jedoch ausschließlich auf 2D Verfahren, wie sie auf Bildern von herkömmlichen Smartphones anwendbar sind. Die bisher untersuchten Verfahren wurden zudem auf Datenbanken trainiert, die entweder nur einzelne segmentierte Speisen enthalten [1, 2] oder wie im Falle von Food-Logging [3], nicht ausreichende Informationen enthalten um zuverlässig in stationären Anwendungen eingesetzt zu werden. Es wird daher eine neue Datenbank mit Bildern benötigt, die zur Unterscheidung von Speisen in einer kontrollierten Aufnahmeumgebung geeignet sind.

Sie erstellen eine Datenbank mit verschiedenen Speisen, in hoher Qualität und mit Tiefeninformationen. Dafür recherchieren Sie Verfahren des maschinellen Lernens, Selektion geeigneter Features und ggf. Adaption auf den Anwendungsfall und evaluieren die Erkennungsleistung mit aktuellen Algorithmen.

Dafür bieten wir einen Arbeitsplatz im Haus und die Betreuung durch ein Team motivierter Kollegen bei gutem Arbeitsklima.


Quellen
[1] M. Chen, K. Dhingra, W. Wu, L. Yang, R. Sukthankar, and J. Yang, “Pfid: Pittsburgh fast-food image dataset,” ICIP,
2009., http://qixianbiao.github.io/Food.html
[2] P. Pouladzadeh, A. Yassine, and S. Shirmohammadi, “FooDD: Food Detection Dataset for Calorie Measurement Using
Food Images”, in New Trends in Image Analysis and Processing - ICIAP 2015 Workshops, V. Murino, E. Puppo, D. Sona, M.
Cristani, and C. Sansone, Lecture Notes in Computer Science, Springer, Volume 9281, 2015, ISBN: 978-3-319-23221-8, pp
441-448. DOI: 10.1007/978-3-319-23222-5_54
[3] Aizawa, Kiyoharu, et al. "Comparative study of the routine daily usability of foodlog a smartphone-based food
recording tool assisted by image retrieval." Journal of diabetes science and technology 8.2 (2014): 203-208.
http://www.foodlog.nl/
[4] Kagaya, Hokuto, Kiyoharu Aizawa, and Makoto Ogawa. "Food detection and recognition using convolutional neural
network." Proceedings of the 22nd ACM international conference on Multimedia. ACM, 2014.
[5] Liu, Chang, et al. "DeepFood: Deep Learning-Based Food Image Recognition for Computer-Aided Dietary Assessment."
International Conference on Smart Homes and Health Telematics. Springer International Publishing, 2016.
[6] Yang, Shulin, et al. "Food recognition using statistics of pairwise local features." Computer Vision and Pattern
Recognition (CVPR), 2010 IEEE Conference on. IEEE, 2010.
[7] Matsuda, Yuji, and Keiji Yanai. "Multiple-food recognition considering co-occurrence employing manifold ranking."
Pattern Recognition (ICPR), 2012 21st International Conference on. IEEE, 2012.

Weitere Informationen

Unternehmen

Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e. V.

Bereich/Abteilung

ABTEILUNG SMART LIVING & BIOMETRIC TECHNOLOGIES (SLBT) DES FRAUNHOFER-INSTITUT FÜR GRAPHISCHE DATENVERARBEITUNG

Abschlussart

Masterarbeit

Ansprechpartner/in

Bewerbung online über:
https://recruiting.fraunhofer.de/Vacancies/31168/Description/1

Branche

Forschung und Entwicklung

Anforderungen

- Interesse an Softwareentwicklung und Forschung
- Selbstständige und strukturierte Arbeitsweise
- Kenntnisse in Matlab, Python oder C++/OpenCV

Zusatzinformationen

http://www.igd.fraunhofer.de