最近一條幼兒園采用過期食物的新聞引起了社會的強烈關注，對于食品安全而言，國家一直是嚴格要求的，尤其是對于嬰幼兒食品安全的標準，部分已經(jīng)超越了國際上的標準。但可能是由于無法嚴格地執(zhí)行到每一個地方且檢測周期較長，造成這一現(xiàn)象的出現(xiàn)，著實有些令人憤怒。程序員，用代碼改變世界的一群人，今天向大家介紹用AI算法來檢測食物是否過期，希望能夠在以后普及應用到食物安全的初步檢測之中，下面以披薩為例。

在俄羅斯最大的披薩連鎖店“Dodo Pizza”的最新Dbrain用例中，首席數(shù)據(jù)科學家Arthur Kuzin解釋了開發(fā)的AI算法如何通過短信控制披薩質(zhì)量，將披薩面團打分1到10分。下面詳細解釋如何教AI算法來評估披薩質(zhì)量！

本文重點關注以下內(nèi)容：i）僅從少數(shù)標記樣本中獲取完整數(shù)據(jù)集的標記;?ii）將方框拉伸到對象的分割掩模（將方框的方形掩模應用于任何形狀）。

想法

Dodo pizza有許多活躍的客戶，在完成訂單后，他們同意分享他們對披薩質(zhì)量的看法。為了簡化反饋環(huán)節(jié)及其處理過程，Dbrain開發(fā)了一個AI算法驅(qū)動的應用程序來檢查披薩質(zhì)量。此應用程序類似于聊天機器人，客戶上傳照片后可以獲得得分為1到10的等級評分。

問題陳述

當程序員收到開發(fā)請求時，就著手開發(fā)一種可以客觀地確定面團質(zhì)量的算法。問題在于確定披薩烘焙過程是何時停止的，披薩外皮上的白色氣泡與產(chǎn)品的變質(zhì)相關。

數(shù)據(jù)挖掘

該數(shù)據(jù)集收集了披薩烘焙的照片，還包括了一些不相關的圖像。如果配方不正確，披薩外皮上就會出現(xiàn)白色氣泡。此外，專家還對面團質(zhì)量進行了二元標記。因此，得到數(shù)據(jù)集之后，算法的開發(fā)就只是時間問題了。

這些數(shù)據(jù)集的照片是在不同的手機上、在不同的光線條件下以及從不同的角度拍攝得到的。整個數(shù)據(jù)集有17k張的披薩標本圖像，而整個數(shù)據(jù)集的圖片總數(shù)為60k張。

由于該任務需求非常簡單明了，因此用不同的方法來處理數(shù)據(jù)是一個很好的操練場。那么，以下就是我們解決任務所需要的：

• 1.選擇能夠看到披薩外殼的照片;
• 2.區(qū)分所選照片中的披薩外皮與背景區(qū)域;
• 3.在選定區(qū)域訓練神經(jīng)網(wǎng)絡。

數(shù)據(jù)過濾

此外，我自己標記了一小部分照片，而不是向其他人解釋我真正需要的東西，因為，如果你想要做得好，自己就需要對數(shù)據(jù)進行處理，以下就是我所做的：

• 1.標記了50張有披薩外皮圖像，標記了50張沒有披薩外皮圖像：

• 2.使用resnet-152網(wǎng)絡在imagenet11k上預訓練權重等參數(shù)，在全連接層后提取特征；

• 3.將兩個類別的特征的平均值作為基準點；
• 4.計算從該基準點與剩余的60k圖片的所有特征之間的距離；
• 5.確定前300個與正類別相關的樣本，后500個與負類別相關的樣本；

• 6.基于這些樣本的特征訓練LightGBM；
• 7.使用此模型在整個數(shù)據(jù)集上預測出標簽；

?

這與我在kaggle比賽中用作基線的方法大致相同。

前傳

大約一年前，我和Evgeny Nizhibitsky一起參加了“海獅”?kaggle比賽。任務是從無人機拍攝的圖像上統(tǒng)計海豹的個數(shù)。標記只是給出了尸體的坐標，但在某些時候，?Vladimir Iglovikov用方框標記了它們，并在社區(qū)慷慨地進行了分享。

我決定通過分割來解決這個任務，在第一階段只將海豹方框作為目標。經(jīng)過幾次訓練迭代后，很容易找到一些硬樣品，但是效果不好。

對于此示例，可以選擇沒有海豹的大區(qū)域，手動將蒙版設置為零，還可以添加到訓練集。因此，Evgeny和我訓練了一個模型，該模型已經(jīng)學會了分割大型海豹鰭。

披薩外皮檢測和提取

再次回到主題披薩，為了識別所選和過濾后的圖像上的外殼，最佳選在標簽上做文章。通常，一些貼標機工作對同一樣本的工作方式是不同的，但當時我們已經(jīng)對這種情況應用了一致性算法并將其用于方框中。這就是為什么我只是做了幾個例子就把它交給了貼標機。最后，獲得了500個樣本，這些樣本特別突出了披薩外皮區(qū)域。

為了識別所選過濾照片上的外殼，我為貼標機做了幾個例子。

第一次迭代模型訓練的結(jié)果仍然是錯誤的，預測的可信度定義如下：
1 ——（灰色區(qū)域的面積）/（掩膜的面積）

接下來，為了完成獲得接近掩模方框的下一次迭代，在小的樣本集上用TTA預測掩模。這在某種程度上可以被認為是WAAAAGH式的知識蒸餾，但更為正確地將其稱之為偽標簽。

然后，我人為地確定某個閾值，用于形成新訓練集的置信度，還可以選擇出標記出集成失敗的最復雜樣本。我認為這將是有用的，并在自己休息時標記了20張圖片。

最終模型訓練

最后——模型的訓練。為了準備樣品，我用掩膜提取了披薩外皮區(qū)域。此外，我通過擴大掩膜并將其應用于圖片以去除背景來略微充氣掩膜，因為它不包含有關面團質(zhì)量的任何信息。然后我從Imagenet中調(diào)整了幾個模型。我總共收集了大約14k張合適的樣本，此外，沒有訓練整個神經(jīng)網(wǎng)絡，而只訓練最后一組全連接層層以防止過擬合。

?

最終發(fā)現(xiàn)模型為Inception-Resnet-v2時效果最好，其ROC-AUC達到0.700。如果沒有進行處理并在沒有掩膜的原始圖像上訓練模型的話，那么得到的ROC-AUC將為0.58左右。

驗證

在開發(fā)解決方案時，DODO披薩回傳了下一批數(shù)據(jù)，并且使用這些數(shù)據(jù)測試了整個模型，結(jié)果ROC-AUC達到了0.83。

上述結(jié)果表明，我們?nèi)匀粺o法完全保證在沒有錯誤的情況下管理披薩的質(zhì)量。考慮到錯誤出現(xiàn)的原因，我再一次訓練了模型并取得了積極的成果。我們現(xiàn)在看一下錯誤：

從上圖可以看出，它們與披薩外皮標簽的錯誤有關，因為有些標記為正常的披薩有明顯的變質(zhì)跡象。

這里的誤差是由于第一個模型未能選擇正確的樣本，這導致難以確定正常披薩的關鍵特征。解決這個問題后，模型的性能會有所提升。

結(jié)論

我的同事有時會取笑我?guī)缀跛械姆指钊蝿斩际峭ㄟ^使用Unet完成，但我仍然希望他們會喜歡它，因為Unet網(wǎng)絡是一種相當強大和方便的方法，它可以使得模型誤差可視化，且表現(xiàn)優(yōu)異，可以節(jié)省處理數(shù)據(jù)集的時間。此外，整個模型看起來非常簡單，應用十分方便。

?以上是整個算法流程及實驗記錄，現(xiàn)在是時候吃一塊比薩餅放松一下了，干杯!

原文鏈接
本文為云棲社區(qū)原創(chuàng)內(nèi)容，未經(jīng)允許不得轉(zhuǎn)載。

總結(jié)

以上是生活随笔為你收集整理的你的食物变质没？用AI算法来检测一下吧的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。