LuanVan.vnLuận Văn
Gửi thư

XÂY DỰNG ỨNG DỤNG WEB PHÂN TÍCH DINH DƯỠNG TỪ HÌNH ẢNH MÓN ĂN VIỆT SỬ DỤNG THỊ GIÁC MÁY TÍNH

Khoá luận tốt nghiệp · Đại học · năm 2026 · đề tài tham khảo

Loại tài liệuKhoá luận tốt nghiệp
Bậc họcĐại học
NgànhCông nghệ thông tin
Tác giảNguyễn Hồng Quân
Người hướng dẫnVõ Huỳnh Trâm
Cơ sở đào tạoTrường Đại học Cần Thơ
Năm2026
NguồnThư viện số Trường Đại học Cần Thơ · trang gốc

Tóm tắt

Bối cảnh: Trong bối cảnh nhận thức về y tế dự phòng ngày càng nâng cao, việc duy trì chế độ dinh dưỡng khoa học để kiểm soát các bệnh lý mãn tính đang trở thành nhu cầu cấp thiết. Tuy nhiên, các nền tảng theo dõi sức khỏe hiện hành tại Việt Nam chủ yếu yêu cầu người dùng nhập liệu thủ công. Điều này gây tốn thời gian, dẫn đến tình trạng người dùng dễ bỏ cuộc trong việc duy trì thói quen ghi chép nhật ký ăn uống và kiểm soát năng lượng nạp vào cơ thể. Mục tiêu: Đề tài tập trung xây dựng một ứng dụng web quản lý dinh dưỡng cá nhân hóa tích hợp trí tuệ nhân tạo (AI). Mục tiêu cốt lõi là tiên phong giải quyết bài toán tự động hóa quy trình ghi chép bữa ăn bằng cách nhận diện hình ảnh các món ăn đặc thù của Việt Nam thông qua công nghệ Thị giác máy tính (Computer Vision), đồng thời cung cấp hệ thống gợi ý thực đơn thông minh nhằm đáp ứng chính xác mục tiêu sức khỏe của từng cá nhân. Phương pháp: Hệ thống được phát triển theo mô hình Client-Server dựa trên kiến trúc 3 lớp (3-Tier). Về công nghệ, Frontend sử dụng framework Next.js kết hợp TailwindCSS để tối ưu hóa trải nghiệm Mobile-first; Backend được xây dựng trên nền tảng NestJS cùng cơ sở dữ liệu PostgreSQL và bộ nhớ đệm Redis nhằm đảm bảo hiệu năng và bảo mật. Phân hệ AI được phát triển bằng ngôn ngữ Python với thư viện PyTorch, ứng dụng Mạng nơ-ron tích chập (CNN) kết hợp kỹ thuật Học chuyển đổi (Transfer Learning) để nhận diện hình ảnh. Ngoài ra, hệ thống áp dụng mô hình Gợi ý lai (Hybrid Recommender System) – kết hợp Lọc cộng tác, Lọc nội dung và thuật toán tái xếp hạng MMR – nhằm tối ưu hóa danh sách đề xuất món ăn. Kết quả: Ứng dụng đã hoàn thiện luồng quản lý sức khỏe khép kín với các chức năng cốt lõi: tự động tính toán chỉ số sinh trắc học (BMI, BMR, TDEE), quản lý nhật ký ăn uống và Dashboard thống kê trực quan. Điểm nổi bật nhất là mô hình AI có khả năng nhận diện chính xác các món ăn Việt Nam từ ảnh chụp, tự động trích xuất các chỉ số sinh hóa (Calories, Protein, Carbs, Fat, Fiber) với độ trễ thấp (3-5 giây). Cùng với đó, tính năng gợi ý món ăn hoạt động hiệu quả, đảm bảo cân bằng giữa ràng buộc dinh dưỡng trong ngày và tính đa dạng ẩm thực, giải quyết tốt hiện tượng khởi động lạnh (cold-start) cho người dùng mới. Kết luận: Kết quả nghiên cứu không chỉ mang lại một giải pháp thay thế phương pháp nhập liệu thủ công mà còn tạo tiền đề vững chắc cho các hướng phát triển tương lai, tiêu biểu như: nâng cấp kiến trúc nhận diện vật thể (Object Detection) để bóc tách đa thành phần, thuật toán ước lượng thể tích thức ăn và đồng bộ hóa với hệ sinh thái thiết bị đeo tay thông minh (IoT). Context: In the context of growing awareness regarding preventive healthcare, maintaining a balanced nutritional diet to control chronic diseases has become an urgent necessity. However, current health tracking platforms in Vietnam predominantly require manual data entry from users. This time-consuming process often leads to high abandonment rates in maintaining dietary logs and monitoring caloric intake. Objectives: This study develops a personalized AI-integrated nutrition management web application. The core objective is to automate meal logging by recognizing Vietnamese dishes via Computer Vision, alongside providing a smart meal recommendation system tailored to individual health goals. Methods: The system is developed using a Client-Server model based on a 3-Tier architecture. For the technology stack, the Frontend utilizes the Next.js framework combined with Tailwind CSS to optimize the Mobile-first experience; the Backend is built upon the NestJS framework, integrated with a PostgreSQL database and Redis caching to ensure high performance and security. The AI module is implemented in Python using the PyTorch library, applying Convolutional Neural Networks (CNN) coupled with Transfer Learning techniques for image recognition. Furthermore, the system incorporates a Hybrid Recommender System—integrating Collaborative Filtering, Content-Based Filtering, and the Maximal Marginal Relevance (MM
Bản toàn văn lưu tại thư viện Trường Đại học Cần Thơ

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.