最近一條幼稚園采用過期食物的新聞引起了社會的強烈關注，對于食品安全而言，國家一直是嚴格要求的，尤其是對于嬰幼兒食品安全的标準，部分已經超越了國際上的标準。但可能是由于無法嚴格地執行到每一個地方且檢測周期較長，造成這一現象的出現，着實有些令人憤怒。程式員，用代碼改變世界的一群人，今天向大家介紹用AI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算法如何通過短信控制披薩品質，将披薩面團打分1到10分。下面詳細解釋如何教AI算法來評估披薩品質！
本文重點關注以下内容：i）僅從少數标記樣本中擷取完整資料集的标記; ii）将方框拉伸到對象的分割掩模（将方框的方形掩模應用于任何形狀）。
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品質的看法。為了簡化回報環節及其處理過程，Dbrain開發了一個AI算法驅動的應用程式來檢查披薩品質。此應用程式類似于聊天機器人，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
當程式員收到開發請求時，就着手開發一種可以客觀地确定面團品質的算法。問題在于确定披薩烘焙過程是何時停止的，披薩外皮上的白色氣泡與産品的變質相關。
資料挖掘
該資料集收集了披薩烘焙的照片，還包括了一些不相關的圖像。如果配方不正确，披薩外皮上就會出現白色氣泡。此外，專家還對面團品質進行了二進制标記。是以，得到資料集之後，算法的開發就隻是時間問題了。
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張的披薩标本圖像，而整個資料集的圖檔總數為60k張。
由于該任務需求非常簡單明了，是以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.在標明區域訓練神經網絡。
資料過濾
此外，我自己标記了一小部分照片，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.标記了50張有披薩外皮圖像，标記了50張沒有披薩外皮圖像：
你的食物變質沒？用AI算法來檢測一下吧
- 2.使用 resnet-152網絡 在imagenet11k上預訓練權重等參數，在全連接配接層後提取特征；
你的食物變質沒？用AI算法來檢測一下吧
- 3.将兩個類别的特征的平均值作為基準點；
- 4.計算從該基準點與剩餘的60k圖檔的所有特征之間的距離；
- 5.确定前300個與正類别相關的樣本，後500個與負類别相關的樣本；
你的食物變質沒？用AI算法來檢測一下吧
- 6.基于這些樣本的特征訓練LightGBM；
- 7.使用此模型在整個資料集上預測出标簽；
你的食物變質沒？用AI算法來檢測一下吧
這與我在kaggle比賽中用作
基線的方法大緻相同。
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圖像上統計海豹的個數。标記隻是給出了屍體的坐标，但在某些時候，
Vladimir Iglovikov用方框标記了它們，并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，在第一階段隻将海豹方框作為目标。經過幾次訓練疊代後，很容易找到一些硬樣品，但是效果不好。
對于此示例，可以選擇沒有海豹的大區域，手動将蒙版設定為零，還可以添加到訓練集。是以，Evgeny和我訓練了一個模型，該模型已經學會了分割大型海豹鳍。
披薩外皮檢測和提取
再次回到主題披薩，為了識别所選和過濾後的圖像上的外殼，最佳選在标簽上做文章。通常，一些貼标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緻性算法并将其用于方框中。這就是為什麼我隻是做了幾個例子就把它交給了貼标機。最後，獲得了500個樣本，這些樣本特别突出了披薩外皮區域。
為了識别所選過濾照片上的外殼，我為貼标機做了幾個例子。
第一次疊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疊代，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，但更為正确地将其稱之為
僞标簽。
然後，我人為地确定某個門檻值，用于形成新訓練集的置信度，還可以選擇出标記出內建失敗的最複雜樣本。我認為這将是有用的，并在自己休息時标記了20張圖檔。
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，我通過擴大掩膜并将其應用于圖檔以去除背景來略微充氣掩膜，因為它不包含有關面團品質的任何資訊。然後我從Imagenet中調整了幾個模型。我總共收集了大約14k張合适的樣本，此外，沒有訓練整個神經網絡，而隻訓練最後一組全連接配接層層以防止過拟合。
最終發現模型為Inception-Resnet-v2時效果最好，其ROC-AUC達到0.700。如果沒有進行處理并在沒有掩膜的原始圖像上訓練模型的話，那麼得到的ROC-AUC将為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，并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品質。考慮到錯誤出現的原因，我再一次訓練了模型并取得了積極的成果。我們現在看一下錯誤：
從上圖可以看出，它們與披薩外皮标簽的錯誤有關，因為有些标記為正常的披薩有明顯的變質迹象。
這裡的誤差是由于第一個模型未能選擇正确的樣本，這導緻難以确定正常披薩的關鍵特征。解決這個問題後，模型的性能會有所提升。
結論
我的同僚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網絡是一種相當強大和友善的方法，它可以使得模型誤差可視化，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，應用十分友善。
以上是整個算法流程及實驗記錄，現在是時候吃一塊比薩餅放松一下了，幹杯!
數十款阿裡雲産品限時折扣中，趕緊點選領劵開始雲上實踐吧！
作者資訊
Dbrain，區塊鍊平台
個人首頁：
https://dbrain.io本文由阿裡雲雲栖社群組織翻譯。
文章原标題《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，更為詳細的内容，
請檢視原文