Search

En els darrers anys, l’interès en els algoritmes d’aprenentatge profund ha viscut un creixement exponencial gràcies a l’alt rendiment i precisió que proporcionen, una de les tècniques d’aprenentatge profund que més ha crescut son les Xarxes Neuronals Convolucionals (CNN d’aquí endavant), aquest tipus de xarxes neuronals son utilitzats en sistemes de visió per computador i, concretament, en tasques com la classificació d’imatges, detecció d’objectes i segmentació. Al ser una de les tècniques més innovadores i precises dels darrers anys que existeixen en el camp de la visió per computador ha fet que sigui cada vegada més utilitzada, podríem destacar per exemple la seva utilització en aplicacions de reconeixement facial, digitalitzar documents escrits a mà, aplicacions mòbils que apliquen i creen efectes artístics sobre les cares de persones... Malgrat les altes prestacions que ofereixen les CNN i l’extens ús que s’ha fet d’elles en aplicacions sobretot per mòbils, és una tècnica encara desconeguda per una important part de persones, i l’objectiu d’aquesta memòria és aconseguir que una persona que no hagi escoltat mai el concepte de les CNN (però amb els coneixements sobre informàtica i matemàtiques adquirits durant el grau) sigui capaç d’arribar a implementar una aplicació apte per ser implementada en una aplicació real, començant per explicar en detall els conceptes teòrics tant de les xarxes neuronals en general com de les CNN en particular, i finalment implementar una aplicació real amb un algoritme dels disponibles a Internet. In recent years, the interest in Deep Learning algorithms has grown exponentially thanks to its high performance and accuracy, one of the fastest growing Deep Learning techniques are Convolutional Neural Network (CNN, hereinafter), such neural networks are used in computer vision systems and, specifically in tasks such as image classification, object detection and segmentation. Being one of the most innovative and accurate techniques in the recent years that exist in the field of computer vision has made it increasingly used, we could highlight for example its use in facial recognition applications, digitizing handwritten documents, mobile application that apply and create artistic effects on people’s face… Despite the high performance offered by the CNN and the extensive use that has been made of them in applications, specially, for mobile phones, it is a technique still unknown to a significant portion of people, and the goal of this document is to teach a person who never heard about the CNN (but with the knowledge acquired during the degree) to made an application suitable to be implemented in a real application, the document starts explaining the theoretical concepts of both neural network in general and CNN in particular, and finally, implement a real application with an algorithm available on the Internet.

Treballs Finals de Grau d'Enginyeria Informàtica, Facultat de Matemàtiques, Universitat de Barcelona, Any: 2019, Director: Marc Bolaños Solà, [en] Daily, a lot of people use self-service restaurants and fast food franchises. These services feed thousands of people both in the business sector and the hospitality industry. Lately, public awareness of the importance of good nutritional habits has been significantly increased, mostly thanks to the growth of social networks. These trends offer a great opportunity to an innovative technology, the recognition of food images. Computer vision which allows us to obtain quantitative and qualitative information from images, could benefit both businesses and the consumer, providing a positive impact in the sector. With the great advances on deep learning techniques of the last years, we can classify and identify objects in any type of images, using computer vision. Applying this to the specific case of self-service restaurants, it would allow to optimize the management of the foods used in this type of business, as well as the automation of the payment methodologies of these services. In this thesis we propose a method to facilitate the processing of images containing trays with food, creating a model capable of identifying whether there is a tray in an image or not. To do this, we have created a collection of images to create such a model, using convolutional neural networks. This model will be applied in a real case, specifically in a food recognition system at a commercial level. The proposed model improves the results obtained by the previous technology by 38%. Enhancing the F1 Score from 0.529 to 0.911.