臺灣博碩士論文加值系統

在現代人們的生活中飲食評估是非常重要的，利用飲食評估系統來測量食物的重量，以評估該次用餐的攝取量是否充足。台灣目前為高齡化的社會，許多患有慢性疾病的老年人，經常透過飲食控制來抑制慢性疾病的復發次數，如何有效率並且準確地測量食物的重量，為本論文的研究主軸。
常見的量測方法是透過秤重的方式，將餐盤上的菜餚分別取出後，再單獨進行量測，而這樣的量測方式會耗費許多時間。因此，為了方便測量用餐攝取量，本論文以近距離使用深度攝影機，針對餐盤上的各道菜餚估算出飲食攝取量。在使用深度攝影機的過程中，發現兩個會影響本研究結果的問題，其一為餐盤材質對於深度攝影機的影響，其二為深度影像上有無深度值的像素點。本研究的流程步驟，首先分別記錄空餐盤、用餐前、用餐後的深度影像，接著分別估算出用餐前與用餐後的估算體積，最後使用比重函數轉換為重量。針對每一種食物，可以使用線性、二次或三次方程式來計算比重，求得近似的重量值。在實驗研究中，食物攝取量最低的平均誤差為5.6克，大約是7.5%。因此，本論文所提出的方法可以有效的估算出食物攝取量。

Dietary assessment is very important to people in modern life. Use the dietary assessment system to measure the weight of the food. To assess whether the intake of the meal is sufficient. Today, Taiwan is an aging society and many old people suffer from chronic diseases which always control the recurrence of chronic diseases by diet control. How to effective and accurate measurement of food weight is the main research objective of this paper.
In general, food intake measurement is performed by using a scale. However, it is inconvenient since the food is measured one-by-one before and after eating. In order to increase the convenience of food intake measurement, a short-range depth camera is used to estimate the food intake directly on food tray. Two main problems are encountered to achieve the above goal. One is the influence of the material of the tray. The other is the pixel without depth values in the depth image. The volume is estimated firstly and then converted to the weight using the specific gravity function. For every food, its specific gravity function can be approximated using linear, quadratic, or cubic functions. In the experimental study, the lowest average error of food intake weight is 5.6 grams. It is about 7.5 percent. The results show that the proposed method can estimate the food intake weight effectively.

目錄
中文摘要 I
Abstract II
誌謝 III
目錄 V
表目錄 VII
圖目錄 VIII
第一章 簡介 1
第二章 文獻探討 3
2.1 基於彩色影像的技術 3
2.2 基於深度影像的技術 7
第三章 方法 10
3.1 深度影像的雜訊濾除 13
3.2 餐盤材質導致的雜訊問題 14
3.2.1 深度值異常變小的現象 15
3.2.2 餐盤基準面的凹陷現象 16
3.3 修補無深度值的像素點 17
3.3.1 忽略不計方法 18
3.3.2 影像修補方法 19
3.4 體積估算 20
3.5 比重計算 24
第四章 實驗分析 27
4.1 體積估算實驗 28
4.2 比重估算實驗 29
4.3 食物攝取量的重量實驗 33
第五章 結論 36
參考文獻 37
附錄一：實驗對象 39
附錄二：比重方程式之重量估算結果 42

表目錄
表 1：空間解析度 22
表 2：炒蛋的體積估算實驗的測試結果 29
表 3：使用忽略不計和比重方程式之炒蛋的重量估算結果 31
表 4：使用影像修補和比重方程式之炒蛋的重量估算結果 32
表 5：食物攝取量實驗結果 35
表 6：正常之食物例子與比重曲線圖 39
表 7：異常之食物例子與其比重曲線圖 41
表 8：使用忽略不計和比重方程式之白飯的重量估算結果 42
表 9：使用影像修補和比重方程式之白飯的重量估算結果 43
表 10：使用忽略不計和比重方程式之板豆腐的重量估算結果 44
表 11：使用影像修補和比重方程式之板豆腐的重量估算結果 45
 
圖目錄
圖 1：TADA膳食評估系統中的食物體積估算系統[1] 4
圖 2：J. Dehais等人所提的3D重建方法的過程圖[2] 4
圖 3：由三張影像進行3D體積估算的流程圖[3] 5
圖 4：結合實際影像與物體虛擬框架的示意圖[6] 6
圖 5：食物被遮擋時之多視角圖像的食物辨識[7] 7
圖 6：手持式結構光系統用於食物體積估算(SLS)[9] 8
圖 7：用餐估算的基本流程圖 10
圖 8：食物重量估算方法的流程圖 12
圖 9：(120,160)上連續深度值的曲線圖 13
圖 10：(120,160)排序後其深度值曲線 14
圖 11：四種常見材質的餐盤 15
圖 12：平坦區域有深度值異常變小的現象 16
圖 13：當放置食物在餐盤時發生低於餐盤的基準面的凹陷現象 17
圖 14：無法取得正確深度資料的例子 18
圖 15：影像修補實例 20
圖 16：推導空間解析度使用的基準物體 21
圖 17：量測空間解析度的曲線 22
圖 18：使用三種函式逼近炒蛋比重的曲線圖 25
圖 19：使用三種函式逼近白飯比重的曲線圖 25
圖 20：使用三種函式逼近板豆腐比重的曲線圖 25
圖 21：用餐估算系統的實驗環境 27
圖 22：SoftKinetic DS325深度攝影機 28
圖 23：食物攝取量重量實驗的錯誤率折線圖 34
 

參考文獻
[1]M. H. Rahman et al., "Food Volume Estimation in a Mobile Phone Based Dietary Assessment System," in 2012 Eighth International Conference on Signal Image Technology and Internet Based Systems, 2012, pp. 988-995.
[2]J. Dehais, S. Shevchik, P. Diem, and S. G. Mougiakakou, "Food volume computation for self dietary assessment applications," in 13th IEEE International Conference on BioInformatics and BioEngineering, 2013, pp. 1-4.
[3]M. Puri, Z. Zhiwei, Q. Yu, A. Divakaran, and H. Sawhney, "Recognition and volume estimation of food intake using a mobile device," in 2009 Workshop on Applications of Computer Vision (WACV), 2009, pp. 1-8.
[4]Y. He, C. Xu, N. Khanna, C. J. Boushey, and E. J. Delp, "Food image analysis: Segmentation, identification and weight estimation," in 2013 IEEE International Conference on Multimedia and Expo (ICME), 2013, pp. 1-6.
[5]C. Xu, Y. He, N. Khanna, C. J. Boushey, and E. J. Delp, "Model-based food volume estimation using 3D pose," in 2013 IEEE International Conference on Image Processing, 2013, pp. 2534-2538.
[6]Z. Zhengnan, Y. Yongquan, Y. Yaofeng, J. D. Fernstrom, J. Wenyan, and S. Mingui, "Food volume estimation from a single image using virtual reality technology," in 2011 IEEE 37th Annual Northeast Bioengineering Conference (NEBEC), 2011, pp. 1-2.
[7]F. Kong and J. Tan, "DietCam: Regular Shape Food Recognition with a Camera Phone," in 2011 International Conference on Body Sensor Networks, 2011, pp. 127-132.
[8]K. Khoshelham and S. O. Elberink, "Accuracy and Resolution of Kinect Depth Data for Indoor Mapping Applications," Sensors, vol. 12, no. 2, 2012, pp. 1437-1454.
[9]J. Shang et al., "A mobile structured light system for food volume estimation," in 2011 IEEE International Conference on Computer Vision Workshops (ICCV Workshops), 2011, pp. 100-101.
[10]A. Telea, "An Image Inpainting Technique Based on the Fast Marching Method," J. Graphics, GPU, & Game Tools, vol. 9, no. 1, pp. 23-34, 2004.