Advance Search

Development of an Application for the Prediction of Kitchen Ingredients and Recipes through TensorFlow and Support-Vector Machines

Yeny Yohana Muñoz Castaño | Bio
Universidad Nacional de Colombia - Sede Manizales
Luis Fernando Castillo Ossa | Bio
Universidad de Caldas
Omar Danilo Castrillon Gomez | Bio
Universidad Nacional de Colombia - Sede Manizales
Felipe Buitrago Carmona | Bio
Universidad de Caldas
Santiago Loaiza Giraldo | Bio
Universidad de Caldas
Keywords:
Copyright and Licensing:

Copyright (c) 2023 Revista Ingenierías Universidad de Medellín

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Abstract

This article is derived from a research project in which an application for the prediction of ingredients and recipes by TensorFlow and support- vector machines was developed. A scheme with general architecture was developed, then a neural network was implemented, and then, the support-vector machine was run. After that, they were integrated via an application that allows the user to select ingredients’ images for their prediction and the prediction of kitchens recipe in a didactic manner. It was concluded that the system has an average precision value of 75.8% and 71% for 17 ingredients categories and recipes classifier. In addition, sensitivity testing was performed on the application resulting on statistically equivalent results.

PDF (Español)
PDF (Español)

References

  1. [1] A. Krizhevsky et al., “ImageNet Classification with Deep Convolutional Neural Networks”, NIPS, vol. 1, pp. 1097-1105, 2012. DOI: 10.1201/9781420010749
  2. [2] G. P. García, Reconocimiento de imágenes utilizando redes neuronales artificiales, Proyecto fin de Máster, Universidad Complutense de Madrid, Madrid, 2013.
  3. [3] Y. LeCun et al., “Deep learning”, Nature Methods, vol. 521, n.°1, pp. 436-444, 2015. DOI: 10.1038/nature14539
  4. [4] F. S. Pardo, “Aplicación del modelo Bag-of-Words al reconocimiento de imágenes”, proyecto de fin de carrera, Universidad Carlos III de Madrid, Madrid, 2009.
  5. [5] M. L Guevara et al., “Faces Detection in Digital Images Using Cascade Classifiers”, Scientia et Technica, vol. 38, n.° 38, pp. 1–6, 2008.
  6. [6] G. A. Betancourt “Las máquinas de soporte vectorial (SVMs)”, Scientia Et Technica, vol. 27, pp. 67-72, 2005.
  7. [7] J. E. Hurtado et al., “Clasificación de Señales Sísmicas por Medio de Onditas y Máquinas de Soporte Vectorial”, en Primer simposio colombiano de sismología, Manizales, Colombia, 2002.
  8. [8] J. A. Leal et al., “Identification of natural fractures using resistive image logs, fractal dimension and support vector machines”, Ingeniería e Investigación, vol. 36, n.° 3, pp. 125-132, 2016. DOI: 10.15446/ing.investig.v36n3.56198.
  9. [9] I. C. Guzmán et al., “Wavelet denoising of partial discharge signals and their pattern classification using artificial neurol networks and support vector machines”, DYNA, vol. 84, n.° 203, pp. 240-248, 2017. DOI: 10.15446/dyna.v84n203.63745.
  10. [10] J. E. Espinosa et al., “Kernel Methods for improving Text Search Engines Transductive Inference by Using Support Vector Machines”, TECCIENCIA, vol. 12, n.° 52, pp. 51-60, 2017. DOI: 10.18180/tecciencia.2017.22.6.
  11. [11] J. R. Wilches et al., “A VoIP classifier for carrier grade based on Support Vector Machines”, DYNA, vol. 84, n.° 202, pp. 75-83, 2017. DOI: 10.15446/dyna.v84n202.60975.
  12. [12] R. Cabañas et al., “InferPy: Probabilistic modeling with TensorFlow made easy”, Knowledge- Based Systems, vol. 168, pp. 25-27, 2019. DOI: 10.1016/j.knosys.2018.12.030.
  13. [13] M. Liu y D. Grana, “Accelerating geostatistical seismic inversion using TensorFlow: A heterogeneous distributed deep learning framework”, Computers and Geosciences, vol. 124, pp. 37-45, 2019. DOI: 10.1016/j.cageo.2018.12.007.
  14. [14] J. R. Vázquez et al., “Fusing TensorFlow with building energy simulation for intelligent energy management in smart cities”, Sustainable Cities and Society, vol. 45, pp. 243-257, 2019. DOI: 10.1016/j.scs.2018.11.021.
  15. [15] S. Liu et al., “The research of virtual face based of deep convolutional generative adversarial networks using TensorFlow”, Physica A: Statistical Mechanics and its applications, vol. 521, pp. 667-580, 2019.
  16. [16] X. Grandio (2017, 14 de julio) “Blog: Que es TensorFlow: Aplicaciones del sistema de inteligencia artificial de Google”. [internet]. Disponible en https://marketing4ecommerce.net.
  17. [17] P. Parsch y A. Masrur, “On Reliable Communication in Transmit-only Networks for Home Automation”, Journal of Network and Computer Applications, vol. 101, pp. 96-110, 2017.
  18. DOI: 10.1016/j.jnca.2017.10.023.
  19. [18] S. A. Castro et al., “Supervisión y Control Industrial a través de Teléfonos Inteligentes usando un computador de placa única Raspberry Pi”, Inf. Tecnol, vol. 27, n.° 2, 2016. DOI: 10.4067/S0718-07642016000200015.
  20. [19] J. A. Asensio et al., “Emulating home automation installations through component-based web technology”, Future Generation Computer Systems, vol. 93, pp. 777-791, 2017. DOI: 10.1016/j.future.2017.09.062.
  21. [20] J. M. Marín (2014). “Introducción a las redes neuronales aplicadas”. [internet]. Disponible en http://halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/DM/tema3dm.pdf.
  22. [21] A. Serrano, E. Soria y J. D. Martin (2009). “Redes Neuronales Artificiales”. [internet]. Disponible en http://ocw.uv.es/ingenieria-y-arquitectura/1-2/libro_ocw_libro_de_redes.pdf.
  23. [22] D. Calvo (2018). “Función de coste – Redes Neuronales”. [internet]. Disponible en http://www.diegocalvo.es/funcion-de-coste-redes-neuronales/.
  24. [23] J. F. Quesada (1997). “Características de las redes neuronales”. [internet]. Disponible en https://thales.cica.es/rd/Recursos/rd98/TecInfo/07/capitulo3.html.
  25. [24] E. Carmona (2014). “Tutorial sobre Máquinas de Vectores Soporte (SVM)” [internet]. Disponible en http://www.ia.uned.es/~ejcarmona/publicaciones/[2013-Carmona]%20SVM.pdf.
  26. [25] J. A. Reséndiz (2006). “Las máquinas de vectores de soporte para identificación en línea”. [internet]. Disponible en https://www.ctrl.cinvestav.mx/~yuw/pdf/MaTesJAR.pdf.
  27. [26] J. Echeverri et al., “Mejoramiento de imágenes usando funciones de base radial”, Revista ingenierías universidad de Medellín, vol. 8, n.° 15, sup., 1, pp. 21-28, 2009.
  28. [27] B. C. Gayón, Desarrollo de una Aplicación para Reconocimiento de Billetes por medio de Procesamiento de Imágenes con Diversidad Visual Basada en Tecnología Android, proyecto de fin de carrera, Universidad Libre, Bogotá, 2017.
  29. [28] F. J. Rodríguez, Automatización Mediante Equipos EIB de una Cocina Adaptada Dentro del Entorno del Robot Asistencial ASIBOT, proyecto de fin de carrera, Universidad Carlos III, Madrid, 2010.
  30. [29] F. J. García, Reconocimiento de objetos en una cocina con una webcam, proyecto de fin de carrera, Universidad Carlos III, Madrid, 2009.
  31. [30] R. Colombo, “Deep Learning” para reconocimiento de imágenes en Raspberry Pi 2, proyecto de fin de carrera, Universidad de la Laguna, Santa Cruz de Tenerife, 2016.
  32. [31] Y. Muñoz et al., “Análisis de la escena en la cocina por medio de sensores IoT Diseñados basados en el microcontrolador node MCu ESP8266 y conectados al servidor ThingSpeak”, Inf Tecnol, vol. 30, pp. 173-170, 2019. DOI: 10.4067/S0718-07642019000500173.
  33. [32] R. B. Rusu et al., “Robots in the kitchen: Exploiting ubiquitous sensing and actuation”, Robotics and Autonomous Systems, vol. 56, n.° 10, pp. 844-856, 2008. DOI: 10.1016/j.robot.2008.06.010.
  34. [33] Y. Quiñonez et al., “Aplicación de técnicas evolutivas y visión por computadora para navegación autónoma de robots utilizando un TurtleBot”, RISTI, vol. 3, pp. 93-105, 2015. DOI: 10.17013/risti.e3.93-105.
  35. [34] J. Estupiñán et al., “Implementación de algoritmos basados en máquinas de soporte vectorial (SVM) para sistemas eléctricos: revisión de tema”, Tecnura, vol. 20, n.° 10, pp. 149-170, 2016. DOI: 10.14483/udistrital.jour.tecnura.2016.2.a11.
  36. [35] R. Mosquera et al., “Máquinas de Soporte Vectorial, Clasificador Naïve Bayes y Algoritmos Genéticos para la Predicción de Riesgos Psicosociales en Docentes de Colegios Públicos Colombianos”, Inf. Tecnol, vol. 29, n.° 6, pp. 153-162, 2018. DOI: 10.4067/s0718-07642018000600153.
  37. [36] M. Abadi et al., “ TensorFlow: A system for large-scale machine learning. TensorFlow: A System for Large-Scale Machine Learning”, en XII Simposio USENIX sobre diseño e implementacion de sistemas operativos OSDI’16, Savannah, 2016.
  38. [37] L. Hao et al., “TensorD: A tensor decomposition library in TensorFlow”, Neurocomputing, vol. 318, pp. 196-200, 2018. DOI: 10.1016/j.neucom.2018.08.055.
  39. [38] V. M. Araújo y M. P. Cota, “Software como um Serviço: Uma visão holística”, RISTI, n.° 19, pp. 145-157, 2016. DOI: 10.17013/risti.19.145-157.
How to Cite
Muñoz Castaño, Y. Y., Castillo Ossa, L. F., Castrillon Gomez, O. D., Buitrago Carmona, F., & Loaiza Giraldo, S. (2020). Development of an Application for the Prediction of Kitchen Ingredients and Recipes through TensorFlow and Support-Vector Machines. Revista Ingenierías Universidad De Medellín, 19(37), 195-215. https://doi.org/10.22395/rium.v19n37a10

Downloads

Download data is not yet available.
Crossref
Scopus
Google Scholar
Europe PMC

Send mail to Author

Send Cancel

We are indexed in