scholarly journals SMART CANTEEN : PERILAKU MENGATUR POLA MAKAN DENGAN MEMBACA NILAI NUTRISI (CONVENTIONAL DEEP LEARNING NEURAL NETWORK)

2020 ◽  
Vol 6 (2) ◽  
pp. 115-121
Author(s):  
Ari Purno Wahyu ◽  
Heri Heryono ◽  
Muhammad Benny Chaniago ◽  
Dani Hamdani

Kesehatan merupakan bagian terpenting bagi kita dimana pengaruh atau datangnya penyakit melalui pola makan, terlebih bagi kita yang memiliki kesibukan yang luar biasa padatnya tentu saja tidak ada waktu untuk sarapan dan lebih memilih makanan cepat saji yang tersedia banyak di kantin atau kafe. Hal ini bukan berarti makanan cepat saji tidak sehat, hal ini akan menjadi masalah jika terlalu berlebih dan tidak memperhatikan takaran saji atau kandungan nutrisi yang ada pada makanan tersebut. Beberapa cara bisa dilakukan dengan menjaga sikap  pola makan misalkan dengan diet atau menggunakan aplikasi perhitungan nutrisi yang ada di pasaran dan gratis untuk diunduh. Jenis aplikasi ini masih kurang efektif dimana aplikasi tersebut masih merupakan perkiraan saja dan tidak bisa digunakan secara realtime. Penelitian sebelumnya bisa menggunakan teknik computer vision dengan menggunakan image sebagai alat pembaca dari makanan yang akan kita santap. Aplikasi tersebut mampu membaca kandungan nutrisi sekaligus  harga makanan, teknik pengolah image yang digunakan menggunakan metode Deep Learning Neural Network, algoritma ini terbukti memiliki akurasi dan pembacaan data yang tinggi dibandingkan algoritma yang lain. Aplikasi dengan Neural Network yang berbasis image bisa diimplementasikan pada mesin kasir di kantin atau cafe dan bisa dibuat dalam bentuk perangkat mobile sehingga lebih mudah digunakan. Teknik komputerisasi dengan Deep Learning Neural Network terbukti bisa diterapkan di kantin dan caf

2021 ◽  
Vol 336 ◽  
pp. 07004
Author(s):  
Ruoyu Fang ◽  
Cheng Cai

Obstacle detection and target tracking are two major issues for intelligent autonomous vehicles. This paper proposes a new scheme to achieve target tracking and real-time obstacle detection of obstacles based on computer vision. ResNet-18 deep learning neural network is utilized for obstacle detection and Yolo-v3 deep learning neural network is employed for real-time target tracking. These two trained models can be deployed on an autonomous vehicle equipped with an NVIDIA Jetson Nano motherboard. The autonomous vehicle moves to avoid obstacles and follow tracked targets by camera. Adjusting the steering and movement of the autonomous vehicle according to the PID algorithm during the movement, therefore, will help the proposed vehicle achieve stable and precise tracking.


2021 ◽  
Vol 11 (11) ◽  
pp. 4758
Author(s):  
Ana Malta ◽  
Mateus Mendes ◽  
Torres Farinha

Maintenance professionals and other technical staff regularly need to learn to identify new parts in car engines and other equipment. The present work proposes a model of a task assistant based on a deep learning neural network. A YOLOv5 network is used for recognizing some of the constituent parts of an automobile. A dataset of car engine images was created and eight car parts were marked in the images. Then, the neural network was trained to detect each part. The results show that YOLOv5s is able to successfully detect the parts in real time video streams, with high accuracy, thus being useful as an aid to train professionals learning to deal with new equipment using augmented reality. The architecture of an object recognition system using augmented reality glasses is also designed.


Sign in / Sign up

Export Citation Format

Share Document