Titre :	Aklee, AI-Based Mobile App for Nutrition Label Classification
Type de document :	document électronique
Auteurs :	Mohamed El Khalil Bourouba ; Lyazid Toumi, Directeur de thèse
Editeur :	Setif:UFA
Année de publication :	2025
Importance :	1 vol (59 f .)
Format :	29 cm
Langues :	Anglais (eng)
Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Nutrition Label Classification OCR CatBoost Mobile Application React Native FastAPI Docker
Index. décimale :	004 Informatique
Résumé :	With the growing interest in healthy eating and digital solutions, the need for accessible tools that assist users in evaluating food products has increased. In this work, we introduce Aklee, a mobile application that leverages artificial intelligence and optical character recognition (OCR) to classify food products based on their nutritional labels. Our system uses Tesseract OCR to extract text from scanned product images and applies a Catboost classifier to determine the nutritional quality. The application is built with a modern architecture using React Native for the mobile frontend, Laravel and FastAPI for backend services, and containerized using Docker. The goal is to provide a user-friendly and efficient tool that aids consumers in making healthier food choices through real-time analysis.
Note de contenu :	Sommaire Abstract 3 1 Introduction 7 1.1 Context and Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.2 Objectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.3 Methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.3.1 Image Acquisition . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.3.2 Text Extraction using OCR . . . . . . . . . . . . . . . . . . . . . . 9 1.3.3 Data Parsing and Cleaning . . . . . . . . . . . . . . . . . . . . . . . 9 1.3.4 Nutritional Analysis using AI Model . . . . . . . . . . . . . . . . . 9 1.3.5 Output Generation . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.3.6 Feedback and Continuous Learning (Optional) . . . . . . . . . . . . 10 1.4 Related Work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.5 Optical Character Recognition in Mobile Apps . . . . . . . . . . . . . . . . 11 2 Machine Learning in Nutrition Analysis 12 2.1 Dataset Preparation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.2 Label Encoding and Data Splitting . . . . . . . . . . . . . . . . . . . . . . 13 2.3 Comparative Analysis of Machine Learning Algorithms . . . . . . . . . . . 13 2.3.1 Performance Overview . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.3.2 Detailed Algorithm Analysis . . . . . . . . . . . . . . . . . . . . . . 13 2.3.3 Why CatBoost Outperforms Other Algorithms . . . . . . . . . . . . 14 2.3.4 Model Selection: CatBoost Classifier . . . . . . . . . . . . . . . . . 15 2.3.5 Prediction and Evaluation . . . . . . . . . . . . . . . . . . . . . . . 16 2.3.6 Confusion Matrix . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.3.7 Feature Importance Analysis . . . . . . . . . . . . . . . . . . . . . . 16 2.4 Step 1: Data Loading and Renaming . . . . . . . . . . . . . . . . . . . . . 17 2.5 Step 2: Feature and Target Separation . . . . . . . . . . . . . . . . . . . . 18 2.6 Step 3: Label Encoding . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.7 Step 4: Splitting the Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.8 Step 5: Model Training using CatBoost . . . . . . . . . . . . . . . . . . . . 19 2.9 Step 6: Model Prediction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.10 Step 7: Model Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.11 Step 8: Confusion Matrix Visualization . . . . . . . . . . . . . . . . . . . . 20 2.12 Step 9: Feature Importance . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.13 Step 10: Model and Encoder Serialization . . . . . . . . . . . . . . . . . . 21 2.14 Model Export and Deployment . . . . . . . . . . . . . . . . . . . . . . . . 21 2.15 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 3 Methodology 22 3.1 Architecture Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 3.2 Class and Sequence Diagram Explanation: From Login to Nutrition Prediction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 3.2.1 Authentication Component . . . . . . . . . . . . . . . . . . . . . . 23 3.2.2 OCR Component . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.2.3 Comment Component . . . . . . . . . . . . . . . . . . . . . . . . . 24 3.2.4 Class Relationships Summary . . . . . . . . . . . . . . . . . . . . . 25 3.3 Sequence Diagram Explanation . . . . . . . . . . . . . . . . . . . . . . . . 25 3.3.1 Detailed Steps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3.3.2 Purpose of the Diagram . . . . . . . . . . . . . . . . . . . . . . . . 26 3.4 Followup diagrams . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.4.1 User Interaction Workflow (Use Cases) . . . . . . . . . . . . . . . . 29 3.4.2 System Integration Points . . . . . . . . . . . . . . . . . . . . . . . 30 3.5 Tesseract OCR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 3.6 OCR Accuracy Analysis: Nutritional Label Variations . . . . . . . . . . . . 42 3.6.1 Key Differences and OCR Challenges . . . . . . . . . . . . . . . . . 42 3.6.2 Integration with Tesseract OCR Pipeline . . . . . . . . . . . . . . . 44 3.6.3 OCR Performance Analysis . . . . . . . . . . . . . . . . . . . . . . 44 3.7 Library Imports and Initialization . . . . . . . . . . . . . . . . . . . . . . . 46 3.8 Model Loading and App Setup . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.9 Nutrition Input Schema . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.10 Prediction Endpoint . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 3.11 Test Endpoint . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 3.12 CORS Configuration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 3.13 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 4 Dockerization 53 4.1 Overview of Tools . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 4.2 Docker Compose Services Description . . . . . . . . . . . . . . . . . . . . . 54 4.3 Networks and Volumes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 5 Conclusion 57
Côte titre :	MAI/0974

Aklee, AI-Based Mobile App for Nutrition Label Classification [document électronique] / Mohamed El Khalil Bourouba ; Lyazid Toumi, Directeur de thèse . - [S.l.] : Setif:UFA, 2025 . - 1 vol (59 f .) ; 29 cm.
Langues : Anglais (eng)

Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Nutrition Label Classification OCR CatBoost Mobile Application React Native FastAPI Docker
Index. décimale :	004 Informatique
Résumé :	With the growing interest in healthy eating and digital solutions, the need for accessible tools that assist users in evaluating food products has increased. In this work, we introduce Aklee, a mobile application that leverages artificial intelligence and optical character recognition (OCR) to classify food products based on their nutritional labels. Our system uses Tesseract OCR to extract text from scanned product images and applies a Catboost classifier to determine the nutritional quality. The application is built with a modern architecture using React Native for the mobile frontend, Laravel and FastAPI for backend services, and containerized using Docker. The goal is to provide a user-friendly and efficient tool that aids consumers in making healthier food choices through real-time analysis.
Note de contenu :	Sommaire Abstract 3 1 Introduction 7 1.1 Context and Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.2 Objectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.3 Methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.3.1 Image Acquisition . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.3.2 Text Extraction using OCR . . . . . . . . . . . . . . . . . . . . . . 9 1.3.3 Data Parsing and Cleaning . . . . . . . . . . . . . . . . . . . . . . . 9 1.3.4 Nutritional Analysis using AI Model . . . . . . . . . . . . . . . . . 9 1.3.5 Output Generation . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.3.6 Feedback and Continuous Learning (Optional) . . . . . . . . . . . . 10 1.4 Related Work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.5 Optical Character Recognition in Mobile Apps . . . . . . . . . . . . . . . . 11 2 Machine Learning in Nutrition Analysis 12 2.1 Dataset Preparation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.2 Label Encoding and Data Splitting . . . . . . . . . . . . . . . . . . . . . . 13 2.3 Comparative Analysis of Machine Learning Algorithms . . . . . . . . . . . 13 2.3.1 Performance Overview . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.3.2 Detailed Algorithm Analysis . . . . . . . . . . . . . . . . . . . . . . 13 2.3.3 Why CatBoost Outperforms Other Algorithms . . . . . . . . . . . . 14 2.3.4 Model Selection: CatBoost Classifier . . . . . . . . . . . . . . . . . 15 2.3.5 Prediction and Evaluation . . . . . . . . . . . . . . . . . . . . . . . 16 2.3.6 Confusion Matrix . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.3.7 Feature Importance Analysis . . . . . . . . . . . . . . . . . . . . . . 16 2.4 Step 1: Data Loading and Renaming . . . . . . . . . . . . . . . . . . . . . 17 2.5 Step 2: Feature and Target Separation . . . . . . . . . . . . . . . . . . . . 18 2.6 Step 3: Label Encoding . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.7 Step 4: Splitting the Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.8 Step 5: Model Training using CatBoost . . . . . . . . . . . . . . . . . . . . 19 2.9 Step 6: Model Prediction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.10 Step 7: Model Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.11 Step 8: Confusion Matrix Visualization . . . . . . . . . . . . . . . . . . . . 20 2.12 Step 9: Feature Importance . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.13 Step 10: Model and Encoder Serialization . . . . . . . . . . . . . . . . . . 21 2.14 Model Export and Deployment . . . . . . . . . . . . . . . . . . . . . . . . 21 2.15 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 3 Methodology 22 3.1 Architecture Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 3.2 Class and Sequence Diagram Explanation: From Login to Nutrition Prediction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 3.2.1 Authentication Component . . . . . . . . . . . . . . . . . . . . . . 23 3.2.2 OCR Component . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.2.3 Comment Component . . . . . . . . . . . . . . . . . . . . . . . . . 24 3.2.4 Class Relationships Summary . . . . . . . . . . . . . . . . . . . . . 25 3.3 Sequence Diagram Explanation . . . . . . . . . . . . . . . . . . . . . . . . 25 3.3.1 Detailed Steps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3.3.2 Purpose of the Diagram . . . . . . . . . . . . . . . . . . . . . . . . 26 3.4 Followup diagrams . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.4.1 User Interaction Workflow (Use Cases) . . . . . . . . . . . . . . . . 29 3.4.2 System Integration Points . . . . . . . . . . . . . . . . . . . . . . . 30 3.5 Tesseract OCR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 3.6 OCR Accuracy Analysis: Nutritional Label Variations . . . . . . . . . . . . 42 3.6.1 Key Differences and OCR Challenges . . . . . . . . . . . . . . . . . 42 3.6.2 Integration with Tesseract OCR Pipeline . . . . . . . . . . . . . . . 44 3.6.3 OCR Performance Analysis . . . . . . . . . . . . . . . . . . . . . . 44 3.7 Library Imports and Initialization . . . . . . . . . . . . . . . . . . . . . . . 46 3.8 Model Loading and App Setup . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.9 Nutrition Input Schema . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.10 Prediction Endpoint . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 3.11 Test Endpoint . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 3.12 CORS Configuration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 3.13 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 4 Dockerization 53 4.1 Overview of Tools . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 4.2 Docker Compose Services Description . . . . . . . . . . . . . . . . . . . . . 54 4.3 Networks and Volumes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 5 Conclusion 57
Côte titre :	MAI/0974