你的食物變質沒？用AI演算法來檢測一下吧
最近一條幼兒園採用過期食物的新聞引起了社會的強烈關注，對於食品安全而言，國家一直是嚴格要求的，尤其是對於嬰幼兒食品安全的標準，部分已經超越了國際上的標準。但可能是由於無法嚴格地執行到每一個地方且檢測週期較長，造成這一現象的出現，著實有些令人憤怒。程式員，用程式碼改變世界的一群人，今天向大家介紹用AI演算法來檢測食物是否過期，希望能夠在以後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，首席資料科學家Arthur Kuzin解釋了開發的AI演算法如何通過簡訊控制披薩質量，將披薩麵糰打分1到10分。下面詳細解釋如何教AI演算法來評估披薩質量！
本文重點關注以下內容：i）僅從少數標記樣本中獲取完整資料集的標記; ii）將方框拉伸到物件的分割掩模（將方框的方形掩模應用於任何形狀）。
想法
Dodo pizza有許多活躍的客戶，在完成訂單後，他們同意分享他們對披薩質量的看法。為了簡化反饋環節及其處理過程，Dbrain開發了一個AI演算法驅動的應用程式來檢查披薩質量。此應用程式類似於聊天機器人，客戶上傳照片後可以獲得得分為1到10的等級評分。
問題陳述
當程式設計師收到開發請求時，就著手開發一種可以客觀地確定麵糰質量的演算法。問題在於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品的變質相關。
資料探勘
該資料集收集了披薩烘焙的照片，還包括了一些不相關的影象。如果配方不正確，披薩外皮上就會出現白色氣泡。此外，專家還對面團質量進行了二元標記。因此，得到資料集之後，演算法的開發就只是時間問題了。
這些資料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。整個資料集有17k張的披薩標本影象，而整個資料集的圖片總數為60k張。
由於該任務需求非常簡單明瞭，因此用不同的方法來處理資料是一個很好的操練場。那麼，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.區分所選照片中的披薩外皮與背景區域;
- 3.在選定區域訓練神經網路。
資料過濾
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，自己就需要對資料進行處理，以下就是我所做的：
-
1.標記了50張有披薩外皮影象，標記了50張沒有披薩外皮影象：
- ofollow,noindex" target="_blank">resnet-152網路
2.使用 resnet-152網路 在imagenet11k上預訓練權重等引數，在全連線層後提取特徵；
- 3.將兩個類別的特徵的平均值作為基準點；
- 4.計算從該基準點與剩餘的60k圖片的所有特徵之間的距離；
- 5.確定前300個與正類別相關的樣本，後500個與負類別相關的樣本；
- 6.基於這些樣本的特徵訓練LightGBM；
- 7.使用此模型在整個資料集上預測出標籤；
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影象上統計海豹的個數。標記只是給出了屍體的座標，但在某些時候， Vladimir Iglovikov 用方框標記了它們，並在社群慷慨地進行了分享。
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。經過幾次訓練迭代後，很容易找到一些硬樣品，但是效果不好。
對於此示例，可以選擇沒有海豹的大區域，手動將蒙版設定為零，還可以新增到訓練集。因此，Evgeny和我訓練了一個模型，該模型已經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後的影象上的外殼，最佳選在標籤上做文章。通常，一些貼標機工作對同一樣本的工作方式是不同的，但當時我們已經對這種情況應用了一致性演算法並將其用於方框中。這就是為什麼我只是做了幾個例子就把它交給了貼標機。最後，獲得了500個樣本，這些樣本特別突出了披薩外皮區域。
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果仍然是錯誤的，預測的可信度定義如下：
1 ——（灰色區域的面積）/（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 偽標籤 。
然後，我人為地確定某個閾值，用於形成新訓練集的置信度，還可以選擇出標記出整合失敗的最複雜樣本。我認為這將是有用的，並在自己休息時標記了20張圖片。
最終模型訓練
最後——模型的訓練。為了準備樣品，我用掩膜提取了披薩外皮區域。此外，我通過擴大掩膜並將其應用於圖片以去除背景來略微充氣掩膜，因為它不包含有關麵糰質量的任何資訊。然後我從Imagenet中調整了幾個模型。我總共收集了大約14k張合適的樣本，此外，沒有訓練整個神經網路，而只訓練最後一組全連線層層以防止過擬合。
最終發現模型為Inception-Resnet-v2時效果最好，其ROC-AUC達到0.700。如果沒有進行處理並在沒有掩膜的原始影象上訓練模型的話，那麼得到的ROC-AUC將為0.58左右。
驗證
在開發解決方案時，DODO披薩回傳了下一批資料，並且使用這些資料測試了整個模型，結果ROC-AUC達到了0.83。
上述結果表明，我們仍然無法完全保證在沒有錯誤的情況下管理披薩的質量。考慮到錯誤出現的原因，我再一次訓練了模型並取得了積極的成果。我們現在看一下錯誤：
從上圖可以看出，它們與披薩外皮標籤的錯誤有關，因為有些標記為正常的披薩有明顯的變質跡象。
這裡的誤差是由於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徵。解決這個問題後，模型的效能會有所提升。
結論
我的同事有時會取笑我幾乎所有的分割任務都是通過使用Unet完成，但我仍然希望他們會喜歡它，因為Unet網路是一種相當強大和方便的方法，它可以使得模型誤差視覺化，且表現優異，可以節省處理資料集的時間。此外，整個模型看起來非常簡單，應用十分方便。
以上是整個演算法流程及實驗記錄，現在是時候吃一塊比薩餅放鬆一下了，乾杯!
數十款阿里雲產品限時折扣中，趕緊點選領劵開始雲上實踐吧！
作者資訊
Dbrain，區塊鏈平臺
個人主頁： https://dbrain.io
本文由阿里云云棲社群組織翻譯。
文章原標題《Your Pizza is Good: How to Teach AI to Evaluate Food Quality》，譯者：海棠，審校：Uncle_LLD。
文章為簡譯，更為詳細的內容， 請檢視原文 。