Menuju Penilaian Nutrisi Warna yang Didukung oleh Computer Vision dari Makanan Murni

Oleh = Mochammad Haldi Widianto

 

Di seluruh dunia, sekitar 590 juta orang menderita disfagia, menempatkan individu-individu ini pada peningkatan risiko malnutrisi. Makanan murni dapat memungkinkan untuk dikonsumsi dengan aman namun komposisi nutrisi dapat sangat bervariasi dari perbedaan metode persiapan. Standar dan pedoman yang baru-baru ini ditetapkan membantu menilai kualitas berdasarkan tes visual dan mekanis, namun ini melibatkan tugas manual yang memakan waktu. Berbasis imajinasi penilaian dapat memungkinkan otomatisasi lapisan baru dan memberikan alat yang obyektif untuk menilai kualitas makanan murni karena dimodelkan dengan baik sebagai media homogen, dan paling relevan bagi individu yang hidup dengan disfagia. Dalam studi ini, peneliti fokus di sini pada pekerjaan pada vitamin A, keluarga chromophores termasuk karotenoid yang secara optik aktif dalam spektrum yang terlihat. Hal ini didasarkan pada pekerjaan peneliti sebelumnya yang memprediksi kepadatan nutrisi relatif makanan dengan pembelajaran mendalam dalam kumpulan data kecil dan eksplorasi tautan warna nutrisi. Di sini, peneliti secara signifikan memperluas hasil penilaian awal vitamin A.

Peneliti telah mengembangkan sistem ujung ke ujung dua cabang untuk melacak asupan makanan dan cairan penduduk LTC yang menggabungkan pembelajaran mesin dan visi komputer dengan analisis biofotonik. Gambar 1 menunjukkan representasi grafis dari arsitektur sistem. Penilaian nutrisi tunggal berbutir halus dilakukan melalui analisis biofotonik dan menghasilkan distribusi CIELAB Gaussian untuk setiap rasa dan pengenceran, dan peta% transmisi yang membandingkan kandungan vitamin A tertinggi (ubi jalar) dan terendah (wortel). Seri pengenceran lima tingkat relatif terhadap konsentrasi awal untuk masing-masing dari lima makanan murni yang disiapkan secara komersial yang mengandung vitamin A: labu butternut, wortel, mangga, dan ubi jalar 6 dan 8 bulan. Tiga puluh gambar transmisi normalisasi putih bidang penuh diperoleh dengan menggunakan sampel 15 mL dalam cawan petri dengan sumber cahaya tungsten-halogen broadband dan diffuser kain kaca depan di bawah pelat pemuatan kaca.

Gambar 1, Rumusan Computer Vision

 

Pertama, peneliti membahas tren visual dan biofotonik yang diamati dan menggunakan ini untuk memperkuat diskusi dan interpretasi tentang jaringan autoencoder dalam yang peneliti usulkan. Menganalisis ruang CIELAB dari data transmisi biofotonik, peneliti mengamati tren yang diamati dengan nilai Vitamin A yang lebih tinggi lebih dekat ke asalnya dengan nilai yang lebih rendah melengkung ke atas dan ke kanan (Gambar 1, Analisis Biofotonik panel kiri). Ini sesuai dengan tampilan visual para pur´ees; di dalam rasa, sampel pur’ee yang lebih terkonsentrasi lebih gelap dan di antara rasa, ada perbedaan warna yang dapat diamati. Dengan pengecualian wortel, buah yang lebih merah atau oranye memiliki jumlah% Nilai Harian (% DV) vitamin A yang lebih tinggi. Satu pengamatan adalah saat ubi jalar memiliki% DV vitamin A (% DVvitA) tertinggi, % DVvitA terendah tampak lebih merah. Mungkin salah satu alasan untuk pengamatan ini adalah bahwa aktivitas optik vitamin A dapat dipecah lebih lanjut menjadi kontribusi dari β- dan α-karoten. Ketika dipertimbangkan bersama, tampaknya wortel memiliki lebih banyak penyerap karotenoid. Karena karotenoid menyerap dalam kisaran bluegreen, mungkin jumlah relatif lebih besar dari spektrum merah yang ditularkan, yang mungkin menjelaskan% transmisi yang lebih tinggi pada wortel dibandingkan dengan ubi jalar seperti yang digambarkan pada Gambar 1 (iii). Pengamatan tambahan menunjukkan bahwa komposisi gizi makanan bayi pemula (sp6) dan makanan bayi antara (sp8) hampir sama.

Gambar 2.  Ringkasan akurasi jaringan prediksi pengenceran ubi jalar

 

Mengingat ada perbedaan yang terlihat antara rasa, peneliti ingin mengeksplorasi apakah mungkin untuk dikembangkan jaringan autoencoder dalam yang dapat digeneralisasikan untuk memprediksi kepadatan nutrisi relatif yang terkait dengan konsentrasi vitamin A. Gambar 3 menunjukkan hasil menggunakan jaringan dalam ubi jalar fine tuned. Untuk pengujian gabungan pada sp6 dan sp8, peneliti mencapai akurasi prediksi top-1 maksimum 80%, dengan akurasi masing-masing sp6 dan sp8 79%, dan 81%. Salah satu faktor penyebab kesalahan adalah tumpang tindih antara kelas berdasarkan kesamaan visual dan CIELAB. Misalnya, pada Gambar 1 (ii) ada tiga oval putih di dekat titik potong yang sesuai dengan sp8100%, sp880%, dan sp860% dan ketiganya tumpang tindih dengan oval paling hijau paling bawah yang dimiliki sp6100%. Dengan lebih banyak data untuk fine-tuning, pendekatan ini dapat diperluas ke rasa tambahan juga mengingat bahwa semua kecuali wortel mengikuti tren yang sama tetapi bergeser ke atas.

Ke depan, hanya mempertimbangkan kandungan vitamin A yang berkontribusi pada peristiwa penyerapan foton kemungkinan terlalu disederhanakan terutama ketika konstituen nutrisi tambahan dapat memengaruhi peristiwa penyerapan foton (misalnya, klorofil, besi) dan hamburan (misalnya, lemak, pati). Selain itu, nilai sebenarnya dari vitamin A dalam pur’ee mungkin berbeda dari mitranya mentah karena termosensitivitas vitamin A dan kerentanan oksidasi selama pemrosesan. Menjelajahi teknik berbasis visi komputer tentang bagaimana membedakan antara kontribusi dari penyerap biofotonik dan pencar dapat lebih meningkatkan kemampuan kita untuk menafsirkan kuantitas dan kualitas nutrisi. Langkah selanjutnya termasuk integrasi dan penggabungan data dari dua proses bersama ini dan perluasan ke nutrisi tambahan dan melintasi sampel makanan yang lebih besar.

Gambar 3.  Analisis sistem pur’ee dua cabang terdiri dari perkiraan nutrisi curah berbutir kasar (atas) dan penilaian nutrisi tunggal melalui analisis biofotonik untuk penilaian nutrisi yang terperinci (bawah). (i) Arsitektur Deep Autoencoder Network untuk relatif estimasi kepadatan hara. (ii) Plot a * b * ternormalisasi L dari setiap seri pengenceran haluskan dalam sampel 15 mL. % peta transmisi (iii) dan plot (iv) melintasi saluran R di tertinggi (sp8 dan sp6) dan terendah (mobil) vit A yang mengandung sampel pada pengenceran relatif 20%.

Referensi :

  1. Kaylen J. Pfisterer∗, Robert Amelard, Braeden Syrnyk, and Alexander Wong,” Towards computer vision powered color-nutrient assessment of pur´eed food” Vision and Image Processing Research Group, University of Waterloo, Waterloo, ON, Canada
  2. https://www.mdpi.com/2079-6374/9/1/41