最近一条幼儿园采用过期食物的新闻引起了社会的强烈关注，对于食品安全而言，国家一直是严格要求的，尤其是对于婴幼儿食品安全的标准，部分已经超越了国际上的标准。但可能是由于无法严格地执行到每一个地方且检测周期较长，造成这一现象的出现，着实有些令人愤怒。程序员，用代码改变世界的一群人，今天向大家介绍用AI算法来检测食物是否过期，希望能够在以后普及应用到食物安全的初步检测之中，下面以披萨为例。
在俄罗斯最大的披萨连锁店“Dodo Pizza”的最新Dbrain用例中，首席数据科学家Arthur Kuzin解释了开发的AI算法如何通过短信控制披萨质量，将披萨面团打分1到10分。下面详细解释如何教AI算法来评估披萨质量！
本文重点关注以下内容：i）仅从少数标记样本中获取完整数据集的标记; ii）将方框拉伸到对象的分割掩模（将方框的方形掩模应用于任何形状）。
想法
Dodo pizza有许多活跃的客户，在完成订单后，他们同意分享他们对披萨质量的看法。为了简化反馈环节及其处理过程，Dbrain开发了一个AI算法驱动的应用程序来检查披萨质量。此应用程序类似于聊天机器人，客户上传照片后可以获得得分为1到10的等级评分。
问题陈述
当程序员收到开发请求时，就着手开发一种可以客观地确定面团质量的算法。问题在于确定披萨烘焙过程是何时停止的，披萨外皮上的白色气泡与产品的变质相关。
数据挖掘
该数据集收集了披萨烘焙的照片，还包括了一些不相关的图像。如果配方不正确，披萨外皮上就会出现白色气泡。此外，专家还对面团质量进行了二元标记。因此，得到数据集之后，算法的开发就只是时间问题了。
这些数据集的照片是在不同的手机上、在不同的光线条件下以及从不同的角度拍摄得到的。整个数据集有17k张的披萨标本图像，而整个数据集的图片总数为60k张。
由于该任务需求非常简单明了，因此用不同的方法来处理数据是一个很好的操练场。那么，以下就是我们解决任务所需要的：
- 1.选择能够看到披萨外壳的照片;
- 2.区分所选照片中的披萨外皮与背景区域;
- 3.在选定区域训练神经网络。
数据过滤
此外，我自己标记了一小部分照片，而不是向其他人解释我真正需要的东西，因为，如果你想要做得好，自己就需要对数据进行处理，以下就是我所做的：
- 1.标记了50张有披萨外皮图像，标记了50张没有披萨外皮图像：
- 2.使用resnet-152网络在imagenet11k上预训练权重等参数，在全连接层后提取特征；
- 3.将两个类别的特征的平均值作为基准点；
- 4.计算从该基准点与剩余的60k图片的所有特征之间的距离；
- 5.确定前300个与正类别相关的样本，后500个与负类别相关的样本；
- 6.基于这些样本的特征训练LightGBM；
- 7.使用此模型在整个数据集上预测出标签；
这与我在kaggle比赛中用作 基线的方法大致相同。
前传
大约一年前，我和Evgeny Nizhibitsky一起参加了“海狮” kaggle比赛。任务是从无人机拍摄的图像上统计海豹的个数。标记只是给出了尸体的坐标，但在某些时候， Vladimir Iglovikov用方框标记了它们，并在社区慷慨地进行了分享。
我决定通过分割来解决这个任务，在第一阶段只将海豹方框作为目标。经过几次训练迭代后，很容易找到一些硬样品，但是效果不好。
对于此示例，可以选择没有海豹的大区域，手动将蒙版设置为零，还可以添加到训练集。因此，Evgeny和我训练了一个模型，该模型已经学会了分割大型海豹鳍。
披萨外皮检测和提取
再次回到主题披萨，为了识别所选和过滤后的图像上的外壳，最佳选在标签上做文章。通常，一些贴标机工作对同一样本的工作方式是不同的，但当时我们已经对这种情况应用了一致性算法并将其用于方框中。这就是为什么我只是做了几个例子就把它交给了贴标机。最后，获得了500个样本，这些样本特别突出了披萨外皮区域。
为了识别所选过滤照片上的外壳，我为贴标机做了几个例子。
第一次迭代模型训练的结果仍然是错误的，预测的可信度定义如下：
1 ——（灰色区域的面积）/（掩膜的面积）
接下来，为了完成获得接近掩模方框的下一次迭代，在小的样本集上用TTA预测掩模。这在某种程度上可以被认为是WAAAAGH式的 知识蒸馏，但更为正确地将其称之为 伪标签。
然后，我人为地确定某个阈值，用于形成新训练集的置信度，还可以选择出标记出集成失败的最复杂样本。我认为这将是有用的，并在自己休息时标记了20张图片。
最终模型训练
最后——模型的训练。为了准备样品，我用掩膜提取了披萨外皮区域。此外，我通过扩大掩膜并将其应用于图片以去除背景来略微充气掩膜，因为它不包含有关面团质量的任何信息。然后我从Imagenet中调整了几个模型。我总共收集了大约14k张合适的样本，此外，没有训练整个神经网络，而只训练最后一组全连接层层以防止过拟合。
最终发现模型为Inception-Resnet-v2时效果最好，其ROC-AUC达到0.700。如果没有进行处理并在没有掩膜的原始图像上训练模型的话，那么得到的ROC-AUC将为0.58左右。
验证
在开发解决方案时，DODO披萨回传了下一批数据，并且使用这些数据测试了整个模型，结果ROC-AUC达到了0.83。
上述结果表明，我们仍然无法完全保证在没有错误的情况下管理披萨的质量。考虑到错误出现的原因，我再一次训练了模型并取得了积极的成果。我们现在看一下错误：
从上图可以看出，它们与披萨外皮标签的错误有关，因为有些标记为正常的披萨有明显的变质迹象。
这里的误差是由于第一个模型未能选择正确的样本，这导致难以确定正常披萨的关键特征。解决这个问题后，模型的性能会有所提升。
结论
我的同事有时会取笑我几乎所有的分割任务都是通过使用Unet完成，但我仍然希望他们会喜欢它，因为Unet网络是一种相当强大和方便的方法，它可以使得模型误差可视化，且表现优异，可以节省处理数据集的时间。此外，整个模型看起来非常简单，应用十分方便。
以上是整个算法流程及实验记录，现在是时候吃一块比萨饼放松一下了，干杯!
数十款阿里云产品限时折扣中，赶紧点击领劵开始云上实践吧！
作者信息
Dbrain，区块链平台
个人主页：https://dbrain.io
本文由阿里云云栖社区组织翻译。
文章原标题《Your Pizza is Good: How to Teach AI to Evaluate Food Quality》，译者：海棠，审校：Uncle_LLD。
文章为简译，更为详细的内容，请查看原文。
