Name: deep neural networks for image-based dietary assessment
Uploaded: 2021-03-13T15:00:00
Duration: 13 min 19 s
Description: Watch this Scientific Journal Video about Deep Neural Networks for Image-Based Dietary Assessment at JoVE.com

Les auteurs aimeraient remercier Tamara Bucher de l’Université de Newcastle, en Australie, d’avoir fourni l’ensemble de données sur l’image des faux aliments. Ces travaux ont été soutenus par les programmes horizon 2020 de recherche et d’innovation de l’Union européenne (numéros de subvention 863059 - FNS-Cloud, 769661 - SAAM); et l’Agence slovène de la recherche (numéro de subvention P2-0098). L’Union européenne et l’Agence slovène de recherche n’ont joué aucun rôle dans la conception, l’analyse ou la rédaction de cet article.

1. Reconnaissance de l’image alimentaire avec NutriNet
<ol><li>Obtention de l’ensemble de données sur l’image alimentaire
	<ol>
<li>Rassemblez une liste des différents aliments et boissons qui seront les sorties du modèle de reconnaissance de l’image alimentaire. Une liste variée d’aliments et de boissons populaires est préférable, car cela permettra la formation d’un modèle robuste de reconnaissance de l’image des aliments.</li>
		<li>Enregistrez la liste des aliments et des boissons dans un fichier texte (p. ex., « txt » ou « csv »). REMARQUE: Le fichier texte utilisé par les auteurs de cet article peut être trouvé dans les fichiers supplémentaires ('food_items.txt') et comprend une liste de 520 produits alimentaires slovènes.</li>
		<li>Écrivez ou téléchargez un script Python43 qui utilise l’API de recherchepersonnalisée Google 44 pour télécharger des images de chaque aliment de la liste et les enregistre dans un dossier distinct pour chaque aliment. REMARQUE : Le script Python utilisé par les auteurs de cet article se trouve dans les fichiers supplémentaires (« download_images.py »). Si ce script est utilisé, la clé développeur (variable 'developerKey', ligne 8 dans le code de script Python) et l’ID personnalisé du moteur de recherche (variable 'cx', ligne 28 dans le code de script Python) doivent être remplacés par des valeurs spécifiques au compte Google utilisés.</li>
		<li>Exécutez le script Python à partir de l’étape 1.1.3 (par exemple, avec la commande : « python download_images.py »).</li>
	</ol></li>
	<li>(Facultatif) Nettoyage de l’ensemble de données sur l’image des aliments
	<ol>
<li>Former un modèle de détection d’image alimentaire de la même manière qu’à la section 1.4, sauf utiliser seulement deux sorties (aliments, non alimentaires) par opposition à la liste des extrants de l’étape 1.1.1. REMARQUE : Les auteurs de cet article ont utilisé des images combinées à partir de sites Web de recettes et de l’ensemble de données ImageNet45 pour former le modèle de détection d’image alimentaire. Étant donné que l’accent est mis ici sur la reconnaissance de l’image alimentaire et qu’il s’agit d’une étape facultative pour le nettoyage de l’ensemble de données de reconnaissance, d’autres détails sont omis. Au lieu de cela, plus de détails sur cette approche peuvent être trouvés dans Mezgec et coll.2.</li>
		<li>Exécutez le modèle de détection à partir de l’étape 1.2.1 sur l’ensemble de données d’image alimentaire qui est le résultat de l’étape 1.1.4.</li>
		<li>Supprimez chaque image qui a été étiquetée comme non alimentaire par le modèle de détection de l’étape 1.2.1.</li>
		<li>Vérifiez manuellement l’ensemble de données d’image alimentaire pour d’autres images erronées ou de mauvaise qualité, et pour les doublons d’image.</li>
		<li>Supprimez les images trouvées à l’étape 1.2.4.</li>
	</ol></li>
	<li>Augmentation de l’ensemble de données sur l’image des aliments
	<ol>
<li>Créez une nouvelle version de chaque image à partir de l’ensemble de données de l’image alimentaire en la faisant pivoter de 90° à l’aide de la bibliothèque CLoDSA46 (lignes 19 à 21 dans le script Python inclus). REMARQUE : Le script Python contenant toutes les commandes CLoDSA utilisées par les auteurs de cet article se trouve dans un fichier inclus dans les fichiers supplémentaires (« nutrinet_augmentation.py »). Si ce script est utilisé, le chemin d’entrée (variable 'INPUT_PATH', ligne 8 dans le code de script Python) et le chemin de sortie (variable 'OUTPUT_PATH', ligne 11 dans le code de script Python) doivent être remplacés par des chemins vers les dossiers désirés.</li>
		<li>Créez une nouvelle version de chaque image à partir de l’ensemble de données de l’image alimentaire en la faisant pivoter à 180° à l’aide de la bibliothèque CLoDSA (lignes 19 à 21 dans le script Python inclus).</li>
		<li>Créez une nouvelle version de chaque image à partir de l’ensemble de données de l’image alimentaire en la faisant pivoter à 270° à l’aide de la bibliothèque CLoDSA (lignes 19 à 21 dans le script Python inclus).</li>
		<li>Créez une nouvelle version de chaque image à partir de l’ensemble de données de l’image alimentaire en la renversant horizontalement à l’aide de la bibliothèque CLoDSA (lignes 23 et 24 dans le script Python inclus).</li>
		<li>Créez une nouvelle version de chaque image à partir de l’ensemble de données de l’image alimentaire en y ajoutant du bruit de couleur aléatoire à l’aide de la bibliothèque CLoDSA (lignes 26 et 27 dans le script Python inclus).</li>
		<li>Créez une nouvelle version de chaque image à partir de l’ensemble de données de l’image alimentaire en zoomant dessus de 25 % à l’aide de la bibliothèque CLoDSA (lignes 29 et 30 dans le script Python inclus).</li>
		<li>Enregistrez des images des étapes 1.3.1-1.3.6, ainsi que des images originales (lignes 16 et 17 dans le script Python inclus), dans un nouvel ensemble de données d’image alimentaire (au total, 7 variantes par image alimentaire). Ceci est fait en exécutant la commande dans la ligne 32 du script Python inclus.</li>
	</ol></li>
	<li>Reconnaissance de l’image alimentaire
	<ol>
<li>Importez l’ensemble de données d’image alimentaire de l’étape 1.3.7 dans l’environnement NVIDIA DIGITS47,divisant l’ensemble de données en sous-ensembles de formation, de validation et de test dans l’interface utilisateur NVIDIA DIGITS.</li>
		<li>Copiez et coller le texte de définition de l’architecture NutriNet2 en NVIDIA DIGITS en tant que réseau personnalisé. REMARQUE : Le texte de définition de l’architecture NutriNet se trouve dans les fichiers complémentaires ('nutrinet.prototxt').</li>
		<li>(Facultatif) Définissez les hyperparamètres de formation dans l’interface utilisateur NVIDIA DIGITS. REMARQUE : Les hyperparamètres sont des paramètres qui sont utilisés pour définir le processus de formation avant son début. Les hyperparamètres utilisés par les auteurs de cet article peuvent être trouvés dans un fichier inclus dans les fichiers supplémentaires ('nutrinet_hyperparameters.prototxt'). Alors que l’expérimentation est nécessaire pour chaque ensemble de données pour trouver les hyperparamètres optimaux, le fichier contient une configuration hyperparamètre qui peut être copiée dans l’interface utilisateur NVIDIA DIGITS. En outre, NVIDIA DIGITS peuple les hyperparamètres avec des valeurs par défaut qui peuvent être utilisées comme base de référence. Cette étape est donc facultative.</li>
		<li>Exécutez la formation du modèle NutriNet.</li>
		<li>Une fois la formation terminée, prenez l’itération de modèle NutriNet la plus performante. Ce modèle est ensuite utilisé pour tester les performances de cette approche. REMARQUE : Il existe plusieurs façons de déterminer l’itération du modèle la plus performante. Une façon simple de le faire est la suivante. NVIDIA DIGITS produit un graphique des mesures de précision pour chaque époque de formation. Vérifiez quelle époque a atteint la valeur de perte la plus basse pour le sous-ensemble de validation de l’ensemble de données d’image alimentaire - que l’itération du modèle peut être considérée comme la plus performante. Une étape facultative dans la détermination de l’itération modèle la plus performante est d’observer comment la valeur de perte pour le sous-ensemble de formation change d’époque en époque et si elle commence à baisser continuellement tandis que la valeur de perte pour le sous-ensemble de validation reste la même ou augmente continuellement, prenez l’époque avant cette baisse de la valeur de perte de formation, car cela peut signaler quand le modèle a commencé à suramener sur les images de formation.</li>
	</ol></li>
</ol>2. Segmentation de l’image alimentaire avec les FCN
<ol><li>
Obtention de l’ensemble de données d’image de faux aliments
	<ol>
<li>Obtenez un ensemble de données d’images de faux aliments. Des images de faux aliments sont recueillies par des chercheurs qui mènent des études comportementales à l’aide de répliques alimentaires. NOTE: Les auteurs de cet article ont reçu des images de faux aliments qui ont été recueillis dans un environnement delaboratoire 18.</li>
		<li>Annotez manuellement chaque image alimentaire au niveau des pixels - chaque pixel de l’image doit contenir des informations sur la classe alimentaire à laquelle il appartient. Le résultat de cette étape est une image d’annotation pour chaque image de l’ensemble de données d’image alimentaire, où chaque pixel représente l’une des classes alimentaires. NOTE: Il existe de nombreux outils pour y parvenir - les auteurs de cet article utilisé JavaScript Segment Annotator48.</li>
	</ol>
</li>
	<li>
Augmenter l’ensemble de données d’image des faux aliments
	<ol>
<li>Effectuez les mêmes étapes que dans la section 1.3, mais uniquement sur les images du sous-ensemble de formation du jeu de données sur l’image alimentaire. REMARQUE : À l’exception de l’étape 1.3.5, toutes les étapes d’augmentation des données doivent également être effectuées sur les images d’annotation correspondantes. Si le script de la section 1.3 est utilisé, le chemin d’entrée (variable 'INPUT_PATH', ligne 8 dans le code de script Python43) et le chemin de sortie (variable 'OUTPUT_PATH', ligne 11 dans le code de script Python) doivent être remplacés par des chemins vers les dossiers désirés. En outre, réglez le problème (variable 'PROBLEM', ligne 6 dans le code de script Python) à 'instance_segmentation' et le mode Annotation (variable 'ANNOTATION_MODE', ligne 7 dans le code de script Python) et le mode sortie (variable 'OUTPUT_MODE', ligne 10 dans le code de script Python) à 'coco'.</li>
	</ol>
</li>
	<li>
Effectuer la segmentation de l’image des faux aliments
	<ol>
<li>Effectuez les mêmes étapes qu’à la section 1.4, à l’exception de l’étape 1.4.2. Au lieu de cette étape, effectuez les étapes 2.3.2 et 2.3.3. REMARQUE : Les hyperparamètres sont des paramètres qui sont utilisés pour définir le processus de formation avant son début. Les hyperparamètres de formation utilisés par les auteurs de cet article pour l’étape facultative 1.4.3 peuvent être trouvés dans un fichier inclus dans les fichiers supplémentaires ('fcn-8s_hyperparameters.prototxt'). Alors que l’expérimentation est nécessaire pour chaque ensemble de données pour trouver l’ensemble optimal d’hyperparamètres, le fichier contient une configuration hyperparamètre qui peut être copié dans l’interface utilisateur NVIDIA DIGITS47. En outre, NVIDIA DIGITS peuple les hyperparamètres avec des valeurs par défaut qui peuvent être utilisées comme base de référence.</li>
		<li>Copiez et coller le texte de définition de l’architecture FCN-8s15 dans l’environnement DIGITS NVIDIA en tant que réseau personnalisé. REMARQUE : Le texte de définition de l’architecture FCN-8s est accessible au public sur GitHub49.</li>
		<li>Entrez le chemin vers les poids pré-formés du modèle FCN-8s dans l’interface utilisateur NVIDIA DIGITS. REMARQUE : Ces poids de modèle ont été pré-formés sur l’ensemble de données PASCAL VOC17 et peuvent être trouvés sur Internet49.</li>
	</ol>
</li>
</ol>3. Segmentation de l’image alimentaire avec HTC ResNet
<ol><li>Obtention de l’ensemble de données sur l’image alimentaire
	<ol>
<li>Téléchargez l’ensemble de données sur l’image alimentaire à partir du site Web duFRC 19.</li>
	</ol></li>
	<li>Augmentation de l’ensemble de données sur l’image des aliments
	<ol>
<li>Effectuez les étapes 1.3.1-1.3.4. REMARQUE : Le script Python43 contenant toutes les commandes CLoDSA46 utilisées par les auteurs de cet article se trouve dans un fichier inclus dans les fichiers supplémentaires (« frc_augmentation.py »). Si ce script est utilisé, le chemin d’entrée (variable 'INPUT_PATH', ligne 8 dans le code de script Python) et le chemin de sortie (variable 'OUTPUT_PATH', ligne 11 dans le code de script Python) doivent être remplacés par des chemins vers les dossiers désirés.</li>
		<li>Créez une nouvelle version de chaque image à partir de l’ensemble de données de l’image alimentaire en y ajoutant du flou gaussien à l’aide de la bibliothèque CLoDSA (lignes 26 et 27 dans le script Python inclus).</li>
		<li>Créez une nouvelle version de chaque image à partir de l’ensemble de données de l’image alimentaire en l’aiguisant à l’aide de la bibliothèque CLoDSA (lignes 29 et 30 dans le script Python inclus).</li>
		<li>Créez une nouvelle version de chaque image à partir de l’ensemble de données de l’image alimentaire en y appliquant une correction gamma à l’aide de la bibliothèque CLoDSA (lignes 32 et 33 dans le script Python inclus).</li>
		<li>Enregistrez des images des étapes 3.2.1-3.2.4, ainsi que des images originales (lignes 16 et 17 dans le script Python inclus), dans un nouvel ensemble de données d’image alimentaire (au total, 8 variantes par image alimentaire). Ceci est fait en exécutant la commande dans la ligne 35 du script Python inclus.</li>
		<li>Enregistrez des images des étapes 3.2.2-3.2.4, ainsi que des images originales (lignes 16 et 17 dans le script Python inclus), dans un nouvel ensemble de données d’image alimentaire (au total, 4 variantes par image alimentaire). Ceci est fait en supprimant les lignes 19 à 24 du script Python inclus et en exécutant la commande dans la ligne 35.</li>
	</ol></li>
	<li>Segmentation de l’image alimentaire performante
	<ol>
<li>Modifiez l’architecture HTC20 ResNet-101existante 16 définition de la bibliothèque MMDetection50 dans les sections « paramètres de modèle » et « paramètres de jeu de données » du fichier de définition d’architecture afin qu’il accepte les ensembles de données d’image alimentaire à partir des étapes 3.1.1, 3.2.5 et 3.2.6.</li>
		<li>(Facultatif) Modifiez la définition de l’architecture HTC ResNet-101 à partir de l’étape 3.3.1 pour définir les hyperparamètres de formation : taille des lots dans la section « paramètres de jeu de données », type de solveur et taux d’apprentissage dans la section « optimiseur », politique d’apprentissage dans la section « politique d’apprentissage » et nombre d’époques de formation dans la section « paramètres de temps d’exécution » du fichier de définition de l’architecture. REMARQUE : Le fichier de définition d’architecture HTC ResNet-101 modifié se trouve dans les fichiers supplémentaires (« htc_resnet-101.py »). Les hyperparamètres sont des paramètres qui sont utilisés pour définir le processus de formation avant son début. Alors que l’expérimentation est nécessaire pour chaque ensemble de données pour trouver l’ensemble optimal d’hyperparamètres, le fichier contient déjà une configuration hyperparamètre qui peut être utilisé sans modification. Cette étape est donc facultative.</li>
		<li>Exécutez la formation du modèle HTC ResNet-101 sur l’ensemble de données sur l’image alimentaire à partir de l’étape 3.1.1 à l’aide de la bibliothèque MMDetection (p. ex., avec la commande : « python mmdetection/tools/train.py htc_resnet-101.py »).</li>
		<li>Une fois la formation de l’étape 3.3.3 terminée, prenez l’itération du modèle HTC ResNet-101 la plus performante et peaufinez-la en exécutant la prochaine phase de formation sur l’ensemble de données sur l’image alimentaire à partir de l’étape 3.2.5. REMARQUE : Il existe plusieurs façons de déterminer l’itération du modèle la plus performante. Une façon simple de le faire est la suivante. La bibliothèque MMDetection produit des valeurs de mesures de précision pour chaque époque de formation dans l’interface de la ligne de commande. Vérifiez quelle époque a atteint la valeur de perte la plus basse pour le sous-ensemble de validation de l’ensemble de données d’image alimentaire - que l’itération du modèle peut être considérée comme la plus performante. Une étape facultative dans la détermination de l’itération modèle la plus performante est d’observer comment la valeur de perte pour le sous-ensemble de formation change d’époque en époque et si elle commence à baisser continuellement tandis que la valeur de perte pour le sous-ensemble de validation reste la même ou augmente continuellement, prenez l’époque avant cette baisse de la valeur de perte de formation, car cela peut signaler quand le modèle a commencé à suramener sur les images de formation.</li>
		<li>Une fois la formation de l’étape 3.3.4 terminée, prenez l’itération du modèle HTC ResNet-101 la plus performante et peaufinez-la en exécutant la prochaine phase de formation sur l’ensemble de données sur l’image alimentaire à partir de l’étape 3.2.6. REMARQUE : Voir note pour l’étape 3.3.4.</li>
		<li>Une fois la formation de l’étape 3.3.5 terminée, prenez l’itération du modèle HTC ResNet-101 la plus performante et peaufinez-la en exécutant à nouveau la prochaine phase de formation sur l’ensemble de données sur l’image alimentaire à partir de l’étape 3.2.5. REMARQUE : Voir note pour l’étape 3.3.4.</li>
		<li>Une fois la formation de l’étape 3.3.6 terminée, prenez l’itération du modèle HTC ResNet-101 la plus performante. Ce modèle est ensuite utilisé pour tester les performances de cette approche. REMARQUE : Voir note pour l’étape 3.3.4. Les étapes 3.3.3-3.3.7 ont donné les meilleurs résultats aux fins définies par les auteurs de cet article. L’expérimentation est nécessaire pour chaque ensemble de données afin de trouver la séquence optimale des étapes de formation et d’augmentation des données.</li>
	</ol></li>
</ol>

Les auteurs n’ont rien à divulguer.

Ces dernières années, les réseaux neuronaux profonds ont été validés à plusieurs reprises comme une solution appropriée pour reconnaître les imagesalimentaires 10,11,12,21,23,25,26,29,31,33. Notre travail présenté dans cet article sert à prouver davantage ce1,2. L’approche de reconnaissance de l’image alimentaire à sortie unique est simple et peut être utilisée pour des applications simples où des images avec un seul aliment ou boisson sontattendues 2.
L’approche de segmentation de l’image alimentaire semble particulièrement appropriée pour reconnaître les images alimentaires en général, sans aucune restriction sur le nombre d’aliments1. Parce qu’il fonctionne en classant chaque pixel individuel de l’image, il est capable non seulement de reconnaître n’importe quel nombre d’aliments dans l’image, mais aussi de spécifier où un aliment est situé, ainsi que la taille de celui-ci. Ce dernier peut ensuite être utilisé pour effectuer l’estimation du poids des aliments, en particulier s’il est utilisé avec un objet de référence ou une caméra à distance fixe.
Des travaux ont été réalisés en ce qui concerne la disponibilité des ensembles de données sur l’imagealimentaire 3,22,27,30,36,37,38,39,40,41,42, et nous espérons que davantage sera fait à l’avenir, en particulier lorsqu’il s’agit d’agrégeant des ensembles de données sur l’image alimentaire de différentes régions du monde, ce qui permettrait de développer des solutions plus robustes. Actuellement, la précision des solutions automatiques de reconnaissance de l’image alimentaire n’a pas encore atteint la précision au niveauhumain 35, et cela est probablement dû en grande partie à l’utilisation d’ensembles de données d’image alimentaire d’une taille et d’une qualité insuffisantes.
À l’avenir, notre objectif sera d’évaluer davantage les procédures développées sur les images du monde réel. En général, les ensembles de données dans ce domaine contiennent souvent des images prises dans des environnements contrôlés ou des images qui ont été optimisées manuellement pour la reconnaissance. C’est pourquoi il est important de recueillir un ensemble de données sur l’image alimentaire réelle vaste et diversifiée afin d’englober tous les différents aliments et boissons que les individus pourraient vouloir reconnaître. La première étape a été fournie par le Défi de reconnaissance alimentaire, qui comprenait un ensemble de données d’images alimentairesréelles 19, mais d’autres travaux doivent être faits pour valider cette approche sur les images alimentaires de partout dans le monde et en coopération avec les diététistes.

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>HARDWARE</td>
			<td></td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td>NVIDIA GPU</td>
			<td>NVIDIA</td>
			<td>N/A</td>
			<td>An NVIDIA GPU is needed as some of the software frameworks below will not work otherwise. https://www.nvidia.com</td>
		</tr>
		<tr>
			<td>SOFTWARE</td>
			<td></td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td>Caffe</td>
			<td>Berkeley AI Research</td>
			<td>N/A</td>
			<td>Caffe is a deep learning framework. https://caffe.berkeleyvision.org</td>
		</tr>
		<tr>
			<td>CLoDSA</td>
			<td>J&#243;nathan Heras</td>
			<td>N/A</td>
			<td>CLoDSA is a Python image augmentation library. https://github.com/joheras/CLoDSA</td>
		</tr>
		<tr>
			<td>Google API Client</td>
			<td>Google</td>
			<td>N/A</td>
			<td>Google API Client is a Python client library for Google&#39;s discovery based APIs. https://github.com/googleapis/google-api-python-client</td>
		</tr>
		<tr>
			<td>JavaScript Segment Annotator</td>
			<td>Kota Yamaguchi</td>
			<td>N/A</td>
			<td>JavaScript Segment Annotator is a JavaScript image annotation tool. https://github.com/kyamagu/js-segment-annotator</td>
		</tr>
		<tr>
			<td>MMDetection</td>
			<td>Multimedia Laboratory, CUHK</td>
			<td>N/A</td>
			<td>MMDetection is an object detection toolbox based on PyTorch. https://github.com/open-mmlab/mmdetection</td>
		</tr>
		<tr>
			<td>NVIDIA DIGITS</td>
			<td>NVIDIA</td>
			<td>N/A</td>
			<td>NVIDIA DIGITS is a wrapper for Caffe that provides a graphical web interface. https://developer.nvidia.com/digits</td>
		</tr>
		<tr>
			<td>OpenCV</td>
			<td>Intel</td>
			<td>N/A</td>
			<td>OpenCV is a library for computer vision. https://opencv.org</td>
		</tr>
		<tr>
			<td>Python</td>
			<td>Python Software Foundation</td>
			<td>N/A</td>
			<td>Python is a programming language. https://www.python.org</td>
		</tr>
		<tr>
			<td>PyTorch</td>
			<td>Facebook AI Research</td>
			<td>N/A</td>
			<td>PyTorch is a machine learning framework. https://pytorch.org</td>
		</tr>
		<tr>
			<td>Ubuntu OS</td>
			<td>Canonical</td>
			<td>N/A</td>
			<td>Ubuntu 14.04 is the OS used by the authors and offers compatibility with all of the software frameworks and tools above. https://ubuntu.com</td>
		</tr>
	</tbody>
</table>

deep neural networks for image-based dietary assessment

En raison des problèmes et des coûts associés aux approches manuelles d’évaluation diététique, des solutions automatisées sont nécessaires pour faciliter et accélérer le travail et augmenter sa qualité. Aujourd’hui, les solutions automatisées sont en mesure d’enregistrer l’apport alimentaire d’une personne d’une manière beaucoup plus simple, par exemple en prenant une image avec un appareil photo smartphone. Dans cet article, nous nous concentrerons sur de telles approches basées sur l’image de l’évaluation alimentaire. Pour le problème de la reconnaissance de l’image alimentaire, les réseaux neuronaux profonds ont atteint l’état de l’art ces dernières années, et nous présentons notre travail dans ce domaine. En particulier, nous décrivons d’abord la méthode de reconnaissance de l’image des aliments et des boissons à l’aide d’une architecture réseau neuronale profonde, appelée NutriNet. Cette méthode, comme la plupart des recherches effectuées dans les premiers jours de la reconnaissance de l’image alimentaire basée sur l’apprentissage profond, est limitée à une sortie par image, et donc impropre aux images avec plusieurs aliments ou boissons. C’est pourquoi les approches qui effectuent la segmentation de l’image des aliments sont beaucoup plus robustes, car elles sont en mesure d’identifier n’importe quel nombre d’aliments ou de boissons dans l’image. Nous présentons donc également deux méthodes de segmentation de l’image alimentaire - l’une est basée sur des réseaux entièrement convolutionnels (FCN), et l’autre sur des réseaux résiduels profonds (ResNet).

NutriNet a été testé contre trois architectures populaires d’apprentissage profond de l’époque: AlexNet14, GoogLeNet51 et ResNet16. Plusieurs paramètres de formation ont également été testés pour toutes les architectures afin de définir les valeurs optimales2. Parmi ceux-ci est le choix de type solveur, qui détermine comment la fonction de perte est réduite au minimum. Cette fonction est la principale mesure de qualité pour la formation des réseaux neuronaux car elle est mieux adaptée à l’optimisation pendant l’entraînement que la précision de classification. Nous avons testé trois solveurs : Stochastic Gradient Descent (SGD)52, Nesterov’s Accelerated Gradient (NAG)53 et adaptive gradient algorithm (AdaGrad)54. Le deuxième paramètre est la taille du lot, qui définit le nombre d’images traitées en même temps. La profondeur de l’architecture d’apprentissage profond a déterminé la valeur de ce paramètre, car les architectures plus profondes nécessitent plus d’espace dans la mémoire GPU - la conséquence de cette approche a été que la mémoire a été complètement remplie d’images pour toutes les architectures, indépendamment de la profondeur. Le troisième paramètre est le taux d’apprentissage, qui définit la vitesse à laquelle les paramètres du réseau neuronal sont modifiés pendant la formation. Ce paramètre a été défini à l’unisson avec la taille du lot, car le nombre d’images traitées simultanément dicte le taux de convergence. Les modèles AlexNet ont été formés en utilisant une taille de lot de 256 images et un taux d’apprentissage de base de 0,02; NutriNet a utilisé une taille de lot de 128 images et un taux de 0,01; GoogLeNet 64 images et un taux de 0,005; et ResNet 16 images et un taux de 0,00125. Trois autres paramètres ont été fixés pour toutes les architectures : la politique des taux d’apprentissage (step-down), la taille des pas (30%) gamma (0,1). Ces paramètres décrivent conjointement comment le taux d’apprentissage change à chaque époque. L’idée derrière cette approche est que le taux d’apprentissage est progressivement abaissé pour affiner le modèle plus il se rapproche de la valeur de perte optimale. Enfin, le nombre d’époques de formation a également été fixé à 150 pour toutes les architectures d’apprentissage profond2.
Le meilleur résultat parmi tous les paramètres testés que NutriNet a obtenus a été une précision de classification de 86,72% sur l’ensemble de données de reconnaissance, ce qui était environ 2% plus élevé que le meilleur résultat pour AlexNet et légèrement supérieur au meilleur résultat de GoogLeNet. L’architecture la plus performante dans l’ensemble a été ResNet (d’environ 1%), mais le temps de formation de ResNet est sensiblement plus élevé par rapport à NutriNet (par un facteur d’environ cinq), ce qui est important si les modèles sont continuellement re-formés pour améliorer la précision et le nombre d’aliments reconnaissables. NutriNet, AlexNet et GoogLeNet ont obtenu leurs meilleurs résultats en utilisant le solveur AdaGrad, tandis que le meilleur modèle de ResNet utilisait le solveur NAG. NutriNet a également été testé sur l’ensemble de données sur l’image alimentaire38de l’UNIMIB2016, accessible au public. Cet ensemble de données contient 3 616 images de 73 aliments différents. NutriNet a obtenu une précision de reconnaissance de 86,39 % sur cet ensemble de données, surpassant légèrement le résultat de reconnaissance de référence des auteurs de l’ensemble de données, qui était de 85,80 %. En outre, NutriNet a été testé sur un petit ensemble de données de 200 images réelles de 115 aliments et boissons différents, où NutriNet a atteint un top-5 de précision de 55%.
Pour former le modèle de segmentation d’images de faux aliments FCN-8s, nous avons utilisé Adam55 comme type de solveur, car nous avons constaté qu’il a effectué de manière optimale pour cette tâche. Le taux d’apprentissage de base a été fixé très bas - à 0,0001. La raison du faible nombre est le fait qu’une seule image pourrait être traitée à la fois, ce qui est une conséquence du processus de classification au niveau des pixels. Les exigences de mémoire GPU pour cette approche sont significativement supérieures à la classification au niveau de l’image. Le taux d’apprentissage a donc dû être bas afin que les paramètres ne soient pas modifiés trop rapidement et convergent vers des valeurs moins optimales. Le nombre d’époques de formation a été fixé à 100, tandis que la politique de taux d’apprentissage, la taille des étapes et le gamma ont été mis à la baisse, 34% et 0,1, respectivement, que ces paramètres ont produit les modèles les plus précis.
Des mesures de précision du modèle FCN-8s ont été effectuées à l’aide de la mesure de précision des pixels15, ce qui est analogue à la précision de classification des réseaux traditionnels d’apprentissage profond, la principale différence étant que la précision est calculée au niveau des pixels plutôt qu’au niveau de l’image :
<img alt="Equation 1" src="/files/ftp_upload/61906/61906eq01.jpg">
où PA est la mesure de précision pixel, nij est le nombre de pixels de classe i prédit d’appartenir à la classe j et ti = Ρj n ij est le nombre total de pixels de la classe dans les étiquettes de vérité au sol1. En d’autres termes, la mesure de précision des pixels est calculée en divisant correctement les pixels prédits par le nombre total de pixels. La précision finale du modèle FCN-8 formés était de 92,18 %. La figure 2 montre trois exemples d’images de l’ensemble de données d’images de faux aliments (une de chacun des sous-ensembles de formation, de validation et de test), ainsi que les étiquettes correspondantes de vérité au sol et de prédiction de modèles.
Les paramètres de formation du modèle HTC20 ResNet-101 pour la segmentation de l’image alimentaire ont été définis comme suit : le type de solveur utilisé était SGD parce qu’il surpassait les autres types de solveurs. Le taux d’apprentissage de base a été fixé à 0,00125 et la taille du lot à 2 images. Le nombre d’époques de formation a été fixé à 40 par phase de formation, et plusieurs phases de formation ont été réalisées - d’abord sur l’ensemble de données FRC original sans images augmentées, puis sur le jeu de données FRC 8x-augmenté et 4x-augmenté plusieurs fois en alternance, chaque fois en prenant le modèle le plus performant et en le peaufinant dans la phase de formation suivante. Plus de détails sur les phases de formation se trouvent à la section 3.3 du texte du protocole. Enfin, la politique d’apprentissage progressive a été utilisée, avec des époques fixes pour le moment où le taux d’apprentissage a diminué (époques 28 et 35 pour la première phase de formation). Une chose importante à noter est que, bien que cette séquence de phases de formation a produit les meilleurs résultats dans nos tests dans la portée du FRC, l’utilisation d’un autre ensemble de données pourrait nécessiter une séquence différente pour produire des résultats optimaux.
Cette solution resNet pour la segmentation de l’image alimentaire a été évaluée à l’aide de la mesure de précisionsuivante 19:
<img alt="Equation 2" src="/files/ftp_upload/61906/61906eq02.jpg">
où P est la précision, TP est le nombre de prédictions positives vrai par le modèle de segmentation de l’image alimentaire, FP est le nombre de prédictions faussement positives et IoU est intersection au-dessus de l’Union, qui est calculé avec cette équation:
<img alt="Equation 3" src="/files/ftp_upload/61906/61906eq03.jpg">
où Area of Overlap représente le nombre de prédictions par le modèle qui chevauchent la vérité du sol, et area of Union représente le nombre total de prédictions par le modèle ainsi que la vérité au sol, à la fois au niveau des pixels et pour chaque classe alimentaire individuelle. Le rappel est utilisé comme mesure secondaire et est calculé de la même manière, en utilisant la formulesuivante 19:
<img alt="Equation 4" src="/files/ftp_upload/61906/61906eq04.jpg">
où R est rappel et FN est le nombre de prédictions négatives fausses par le modèle de segmentation de l’image alimentaire. Les mesures de précision et de rappel sont ensuite moyennes dans toutes les classes dans la vérité du sol. À l’aide de ces mesures, notre modèle a obtenu une précision moyenne de 59,2 % et un rappel moyen de 82,1 %, qui s’est classé deuxième au deuxième tour du Défi reconnaissancealimentaire 19. Ce résultat est de 4,2% derrière la première place et de 5,3% devant la troisième place en termes de mesure moyenne de précision. Le tableau 1 contient les résultats pour les 4 meilleurs participants au concours.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/61906/61906fig01.jpg"> Figure 1: Diagramme de l’architecture du réseau neuronal profond NutriNet. Ce chiffre a été publié dans Mezgec et coll.2. <a href="https://www.jove.com/files/ftp_upload/61906/61906fig01large.jpg" target="_blank">S’il vous plaît cliquez ici pour voir une version plus grande de ce chiffre.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/61906/61906fig02.jpg"> Figure 2 :Images de l’ensemble de données d’images de faux aliments. Images originales (à gauche), étiquettes de vérité au sol étiquetées manuellement (milieu) et prédictions du modèle FCN-8s (droite). Ce chiffre a été publié dans Mezgec et coll.1. <a href="https://www.jove.com/files/ftp_upload/61906/61906fig02large.jpg" target="_blank">S’il vous plaît cliquez ici pour voir une version plus grande de ce chiffre.</a>
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody>
<tr>
<td>Nom de l’équipe</td>
			<td>Placement</td>
			<td>Précision moyenne</td>
			<td>Rappel moyen</td>
		</tr>
<tr>
<td>rssfete (rssfete)</td>
			<td>1</td>
			<td>63.4%</td>
			<td>88.6%</td>
		</tr>
<tr>
<td>simon_mezgec</td>
			<td>2</td>
			<td>59.2%</td>
			<td>82.1%</td>
		</tr>
<tr>
<td>arimboux ( arimboux )</td>
			<td>3</td>
			<td>53.9%</td>
			<td>73.5%</td>
		</tr>
<tr>
<td>latentvec (latentvec)</td>
			<td>4</td>
			<td>48.7%</td>
			<td>71.1%</td>
		</tr>
</tbody></table>Tableau 1 : Résultats du Top-4 de la deuxième ronde du Défi de reconnaissance alimentaire. La précision moyenne est considérée comme la principale mesure de rendement et le rappel moyen comme mesure secondaire. Les résultats sont obtenus dans le classement officiel de lacompétition 19.
Fichiers supplémentaires. <a href="https://www.jove.com/files/ftp_upload/61906/simon_mezgec_supplemental_files_revision1_.zip" target="_blank">S’il vous plaît cliquez ici pour télécharger ce fichier.</a>

Watch this Scientific Journal Video about Deep Neural Networks for Image-Based Dietary Assessment at JoVE.com

Deep Neural Networks for Image-Based Dietary Assessment

L’objectif des travaux présentés dans cet article est de développer une technologie de reconnaissance automatisée des aliments et des boissons à partir d’images prises par des appareils mobiles. La technologie comprend deux approches différentes - la première effectue la reconnaissance de l’image alimentaire tandis que la seconde effectue la segmentation de l’image alimentaire.

Réseaux neuronaux profonds pour l’évaluation alimentaire basée sur l’image

Due to the issues and costs associated with manual dietary assessment approaches, automated solutions are required to ease and speed up the work and ...

En raison des problèmes et des coûts associés aux approches manuelles d’évaluation diététique, des solutions automatisées sont nécessaires pour faciliter et accélérer le travail et augmenter sa qualité. Aujourd’hui, les solutions automatisées sont en mesure d’enregistrer l’apport alimentaire d’une personne d’une manière beaucoup plus simple, par exemple en prenant une image avec un appareil photo smartphone. Dans cet article, nous nous concentrerons sur de telles approches basées sur l’image de l’évaluation alimentaire à l’aide de réseaux neuronaux profonds, qui représentent l’état de l’art dans le domaine.En particulier, nous présenterons trois solutions, l’une pour la reconnaissance de l’image alimentaire, l’autre pour la segmentation d’images de répliques alimentaires, ou faux aliments, et l’autre pour la segmentation de l’image de la nourriture réelle. Rassemblez une liste des différents aliments et boissons qui seront les sorties du modèle de reconnaissance de l’image alimentaire. Enregistrez la liste des aliments et des boissons dans un fichier texte, tel que TXT ou CSV.Notez que le fichier texte utilisé par les auteurs de cet article peut être trouvé dans les fichiers supplémentaires sous les articles alimentaires point TXT et comprend une liste de 520 produits alimentaires slovènes. Écrivez ou téléchargez un script Python qui utilise l’API de recherche personnalisée Google pour télécharger des images de chaque aliment de la liste et les enregistre dans un dossier distinct pour chaque aliment. Notez que le script Python utilisé par les auteurs de cet article peut être trouvé dans les fichiers supplémentaires sous télécharger des images dot pi.Si ce script est utilisé, la ligne de clé du développeur variable développeur développeur huit dans le code de script Python et moteur de recherche personnalisé ID variable CX ligne 28 dans le code de script Python doivent être remplacés par des valeurs spécifiques au compte Google utilisé. Exécutez le script Python à partir de l’étape 1.1.3. Créez une nouvelle version de chaque image à partir de l’ensemble de données d’image alimentaire en la faisant pivoter de 90 degrés, à l’aide de la bibliothèque CLoDSA.Notez que le script Python contenant toutes les commandes CLoDSA utilisées par les auteurs de cet article peut être trouvé dans un fichier inclus dans les fichiers supplémentaires sous NutriNet souligner augmentation dot pi. Créez une nouvelle version de chaque image à partir de l’ensemble de données d’image alimentaire en la faisant pivoter de 180 degrés, à l’aide de la bibliothèque CLoDSA. Créez une nouvelle version de chaque image à partir de l’ensemble de données d’image alimentaire en la faisant pivoter de 270 degrés, à l’aide de la bibliothèque CLoDSA.Créez une nouvelle version de chaque image à partir de l’ensemble de données d’image alimentaire en la renversant horizontalement, à l’aide de la bibliothèque CLoDSA. Créez une nouvelle version de chaque image à partir de l’ensemble de données d’image alimentaire en y ajoutant du bruit de couleur aléatoire, à l’aide de la bibliothèque CLoDSA. Créez une nouvelle version de chaque image à partir de l’ensemble de données d’image alimentaire en zoomant dessus de 25 % à l’aide de la bibliothèque CLoDSA.Enregistrez des images des étapes 1.3.1 à 1.3.6 ainsi que les images originales dans un nouvel ensemble de données d’image alimentaire. Au total, sept variantes par image alimentaire. Importez l’ensemble de données d’image alimentaire de l’étape 1.3.7 dans l’environnement des chiffres NVIDI, divisant l’ensemble de données en sous-ensembles de formation, de validation et de test.Copiez et coller le texte de définition de l’architecture NutriNet en chiffres NVIDIA. Notez que la définition de l’architecture NutriNet peut être trouvée dans les fichiers supplémentaires sous NutriNet dot proto TXT. En option, définissez des hyper-paramètres de formation dans les chiffres NVIDIA ou utilisez les valeurs par défaut.Les hyper-paramètres utilisés par les auteurs de cet article peuvent être trouvés dans un fichier inclus dans les fichiers supplémentaires sous NutriNet soulignent hyper-paramètres point proto TXT. Exécutez la formation du modèle NutriNet. Une fois la formation terminée, prenez l’itération de modèle NutriNet la plus performante.Ce modèle est ensuite utilisé pour tester les performances de cette approche. Notez qu’il existe plusieurs façons de déterminer l’itération modèle la plus performante. Consultez les textes de l’article pour plus de détails.Obtenez un ensemble de données d’images de faux aliments. Notez que les auteurs de cet article ont reçu des images de faux aliments qui ont été recueillis dans un environnement de laboratoire. Annotez manuellement chaque image alimentaire au niveau pixel.Chaque pixel de l’image doit contenir des informations sur la classe alimentaire à laquelle il appartient. Notez qu’il existe de nombreux outils pour y parvenir. Les auteurs de cet article ont utilisé l’annotateur de segment JavaScript.Le résultat de cette étape est une image d’annotation pour chaque image de l’ensemble de données d’image alimentaire, où chaque pixel représente l’une des classes alimentaires. Effectuez les mêmes étapes que dans la section 1.3, mais uniquement sur les images du sous-ensemble de formation de l’ensemble de données sur l’image alimentaire. Notez qu’à l’exception de l’étape 1.3.5, toutes les étapes d’augmentation des données doivent également être effectuées sur les images d’annotation correspondantes.Effectuez les mêmes étapes qu’à la section 1.4, à l’exception de l’étape 1.4.2. À la place de cette étape effectuer les étapes 2.3.2 et 2.3.3. Notez que les hyper-paramètres de formation utilisés par les auteurs de cet article peuvent être trouvés dans le fichier inclus dans les fichiers supplémentaires sous FCN-8S soulignent hyper-paramètres dot proto TXT.Copiez et coller le texte de définition de l’architecture FCN-8S en chiffres NVIDIA. Entrez les poids du modèle FCN-8S préentraînés dans les chiffres NVIDIA. Notez que ces poids de modèle ont été préformés sur l’ensemble de données pascal classes d’objets visuels et peuvent être trouvés sur Internet.Téléchargez l’ensemble de données sur l’image des aliments à partir du site Web du Défi de reconnaissance des aliments. Effectuez les étapes 1.3.1 à 1.3.4. Notez que le script Python contenant toutes les commandes CLoDSA utilisées par les auteurs de cet article peut être trouvé dans le fichier inclus dans les fichiers supplémentaires sous FRC souligner augmentation dot pi.Créez une nouvelle version de chaque image à partir de l’ensemble de données d’image alimentaire en y ajoutant du flou gaussien, à l’aide de la bibliothèque CLoDSA. Créez une nouvelle version de chaque image à partir de l’ensemble de données d’image alimentaire en l’aiguisant, à l’aide de la bibliothèque CLoDSA. Créez une nouvelle version de chaque image à partir de l’ensemble de données d’image alimentaire en y appliquant une correction gamma, à l’aide de la bibliothèque CLoDSA.Enregistrez des images des étapes 3.2.1 à 3.2.4 ainsi que les images originales dans un nouvel ensemble de données d’image alimentaire. Au total, huit variantes par image alimentaire. Enregistrez des images des étapes 3.2.2 à 3.2.4 ainsi que les images originales dans un nouvel ensemble de données d’image alimentaire.Au total, quatre variantes par image alimentaire. Modifiez la définition d’architecture HTC ResNet 101 existante à partir de la bibliothèque de détection MM afin qu’elle accepte les ensembles de données d’image alimentaire à partir des étapes 3.1.1, 3.2.5 et 3.2.6. En option, modifiez la définition d’architecture HTC ResNet 101 à partir de l’étape 3.3.1 pour définir les hypermétrèmes de formation ou utiliser les valeurs par défaut.Notez que la définition modifiée htc ResNet 101 architecture peut être trouvé dans les fichiers supplémentaires sous HTC soulignez ResNet 101 dot pi. Exécutez la formation du modèle HTC ResNet 101 sur les ensembles de données d’image alimentaire à partir de l’étape 3.1.1 à l’aide de la bibliothèque de détection MM. Une fois la formation de l’étape 3.3.3 terminée, prenez l’itération du modèle HTC ResNet 101 la plus performante et peaufinez-la en exécutant la prochaine phase de formation sur l’ensemble de données sur l’image alimentaire à partir de l’étape 3.2.5.Notez qu’il existe plusieurs façons de déterminer l’itération modèle la plus performante. Consultez les textes de l’article pour plus de détails. Ceci est également pertinent pour les prochaines étapes.Une fois la formation de l’étape 3.3.4 terminée, prenez l’itération du modèle HTC ResNet 101 la plus performante et peaufinez-la en exécutant la prochaine phase de formation sur l’ensemble de données sur l’image alimentaire à partir de l’étape 3.2.6. Une fois la formation de l’étape 3.3.5 terminée, prenez l’itération du modèle HTC ResNet 101 la plus performante et peaufinez-la en exécutant à nouveau la prochaine phase de formation sur l’ensemble de données d’image alimentaire à partir de l’étape 3.2.5. Après la formation de l’étape 3.3.6 est terminée, prendre la meilleure performance HTC ResNet 101 itération modèle.Ce modèle est ensuite utilisé pour tester les performances de cette approche. Notez que les étapes 3.3.3 à 3.3.7 ont donné les meilleurs résultats aux fins définies par les auteurs de cet article. L’expérimentation est nécessaire pour chaque ensemble de données afin de trouver la séquence optimale des étapes de formation et d’augmentation des données.Après avoir testé le modèle de tendance NutriNet a atteint une précision de classification de 86,72% sur l’ensemble de données de reconnaissance, qui était d’environ 2% plus élevé que AlexNet et légèrement plus élevé que GoogLeNet, qui étaient populaires architectures réseau neuronaux profonds de l’époque. Pour mesurer la précision du modèle de segmentation de l’image des aliments contrefaits FCN-8S, la mesure de précision des pixels a été utilisée. L’exactitude du modèle FCN-8S formé était de 92,18 %La solution resNet pour la segmentation de l’image alimentaire a été évaluée à l’aide de la mesure de précision définie dans le Défi de reconnaissance des aliments.À l’aide de cette mesure, le modèle de train a obtenu une précision moyenne de 59,2 %, ce qui s’est classé au deuxième rang du Défi de reconnaissance des aliments. Ces dernières années, les réseaux neuronaux profonds ont été validés à plusieurs reprises comme une solution appropriée pour reconnaître les images alimentaires. Notre travail présenté dans cet article sert à le prouver davantage.L’approche de reconnaissance de l’image alimentaire à sortie unique est simple et peut être utilisée pour des applications simples. Alors que l’approche de segmentation de l’image alimentaire nécessite plus de travail dans la préparation d’images annotées, mais elle est beaucoup plus applicable aux images du monde réel. À l’avenir, notre objectif sera d’évaluer davantage les procédures développées sur les images du monde réel.La première étape vers la validation du monde réel a été fournie par le Défi de reconnaissance alimentaire, qui comprenait un ensemble de données d’images alimentaires du monde réel. Mais d’autres travaux doivent être réalisés pour valider cette approche sur les images alimentaires du monde entier et en coopération avec les diététiciens.

Research

JoVE Journal

Engineering

Concurrent Quantitative Conductivity and Mechanical Properties Measurements of Organic Photovoltaic Materials using AFM

Parallèlement conductivité quantitatives et mesures mécaniques Propriétés des matériaux organiques photovoltaïques par AFM

Organic photovoltaic  (OPV) materials are inherently inhomogeneous at the nanometer scale. Nanoscale  inhomogeneity of OPV materials affects performance ...

Recherche

Ingénierie

Detection and Recovery of Palladium, Gold and Cobalt Metals from the Urban Mine Using Novel Sensors/Adsorbents Designated with Nanoscale Wagon-wheel-shaped Pores

Détection et récupération du palladium, or et métaux de cobalt provenant de la mine urbaine utilisant de nouveaux capteurs / adsorbants désignés avec Nanoscale Wagon en forme de roues-Pores

Developing low-cost, efficient processes for recovering and recycling palladium, gold and cobalt metals from urban mine remains a significant challenge in ...

Preparation of Liquid Crystal Networks for Macroscopic Oscillatory Motion Induced by Light

Préparation des réseaux de cristaux liquides pour macroscopique mouvement oscillatoire induite par la lumière

A strategy based on doped liquid crystalline networks is described to create mechanical self-sustained oscillations of plastic films under continuous ...

Indoor Experimental Assessment of the Efficiency and Irradiance Spot of the Achromatic Doublet on Glass (ADG) Fresnel Lens for Concentrating Photovoltaics

Indoor Experimental Assessment of the Efficiency and Irradiance Spot of the Achromatic Doublet on Glass ADG Fresnel Lens for Concentrating Photovoltaics

Intérieur évaluation expérimentale de l’efficacité et l’Irradiance Spot du Doublet achromatique sur verre (ADG) lentille de Fresnel pour concentrer l’énergie photovoltaïque

We present a method to characterize achromatic Fresnel lenses for photovoltaic applications. The achromatic doublet on glass (ADG) Fresnel lens is ...

Applicability Analysis of Assessment Methods for Morphological Parameters of Corroded Steel Bars

Analyse de l’applicabilité des méthodes d’évaluation des paramètres morphologiques des barres d’acier corrodé

The irregular and uneven residual sections along the length of a corroded steel bar substantially change its mechanical properties and significantly ...

Impacts of Free-falling Spheres on a Deep Liquid Pool with Altered Fluid and Impactor Surface Conditions

Impacts des sphères en chute libre sur une piscine profonde liquide avec des Conditions de Surface liquide altéré et frappe

Vertical impacts of spheres on clean water have been the subject of numerous water entry investigations characterizing cavity formation, splash crown ...

Automated Deployment of an Internet Protocol Telephony Service on Unmanned Aerial Vehicles Using Network Functions Virtualization

Déploiement automatisé d'un service de téléphonie de protocole Internet sur les véhicules aériens sans pilote à l'aide de fonctions réseau Virtualisation

The Network Function Virtualization (NFV) paradigm is one of the key enabling technologies in the development of the 5th generation of mobile networks. ...

Automated Delivery of Microfabricated Targets for Intense Laser Irradiation Experiments

Livraison automatisée de cibles microfabriquées pour des expériences intenses d’irradiation laser

Described is an experimental procedure that enables high-power laser irradiation of microfabricated targets. Targets are brought to the laser focus by a ...

UV-Vis Spectroscopic Characterization of Nanomaterials in Aqueous Media

Caractérisation spectroscopique UV-Vis de nanomatériaux en milieu aqueux

The physicochemical characterization of nanomaterials (NMs) is often an analytical challenge, due to their small size (at least one dimension in the ...

3D Printing - Evaluating Particle Emissions of a 3D Printing Pen

Impression 3D - Évaluation des émissions de particules d’un stylo d’impression 3D

Three-dimensional (3D) printing as a type of additive manufacturing shows continuing increase in application and consumer popularity. The fused filament ...