Lo scanner alimentare AI trasforma le foto del cellulare in analisi nutrizionali
I ricercatori della NYU Tandon sviluppano una tecnologia per calcolare calorie e nutrienti dalle immagini degli alimenti
Scattate una foto del vostro pasto e l'intelligenza artificiale vi dirà immediatamente quante calorie, quanti grassi e quanto valore nutrizionale ha - niente più diario alimentare e congetture.
Questo scenario futuristico è ora molto più vicino alla realtà, grazie a un sistema di intelligenza artificiale sviluppato dai ricercatori della NYU Tandon School of Engineering che promette di essere un nuovo strumento per i milioni di persone che vogliono gestire il proprio peso, il diabete e altri problemi di salute legati all'alimentazione.
La tecnologia, presentata alla 6a Conferenza Internazionale IEEE sul Mobile Computing e l'Informatica Sostenibile, utilizza algoritmi avanzati di deep learning per riconoscere il cibo nelle immagini e calcolarne il contenuto nutrizionale, tra cui calorie, proteine, carboidrati e grassi.
Per oltre un decennio, il gruppo di ricerca sui vigili del fuoco della NYU, che comprende l'autore principale Prabodh Panindre e il coautore Sunil Kumar, ha studiato le sfide critiche per la salute e l'impiego dei vigili del fuoco. Diverse ricerche dimostrano che il 73-88% dei vigili del fuoco di carriera e il 76-87% dei vigili del fuoco volontari sono in sovrappeso o obesi, il che comporta un aumento dei rischi cardiovascolari e di altri rischi per la salute che mettono a repentaglio la prontezza operativa. Questi risultati hanno spinto a sviluppare un sistema di tracciamento dell'assunzione di cibo basato sull'intelligenza artificiale.
"I metodi tradizionali di tracciamento dell'assunzione di cibo si basano molto sull'autodichiarazione, che è notoriamente inaffidabile", ha dichiarato Panindre, professore associato di ricerca presso il Dipartimento di Ingegneria Meccanica della NYU Tandon School of Engineering. "Il nostro sistema elimina l'errore umano dall'equazione".
Nonostante l'apparente semplicità del concetto, lo sviluppo di un'intelligenza artificiale affidabile per riconoscere il cibo ha lasciato perplessi i ricercatori per anni. I tentativi precedenti si sono scontrati con tre sfide fondamentali che il team della NYU Tandon sembra aver superato.
"La diversità visiva degli alimenti è sbalorditiva", afferma Kumar, professore di ingegneria meccanica alla NYU Abu Dhabi e Global Network Professor di ingegneria meccanica alla NYU Tandon. "A differenza degli oggetti fabbricati con un aspetto standardizzato, lo stesso piatto può avere un aspetto radicalmente diverso a seconda di chi lo prepara. Un hamburger di un ristorante ha poca somiglianza con uno di un altro, e le versioni fatte in casa rendono le cose ancora più complesse".
I sistemi precedenti non riuscivano inoltre a stimare le dimensioni delle porzioni, un fattore cruciale per il calcolo dei valori nutrizionali. L'innovazione del team dell'Università di New York consiste nella funzione di calcolo volumetrico, che utilizza un'elaborazione avanzata delle immagini per misurare l'area esatta occupata da ciascun alimento nel piatto.
Il sistema mette in relazione l'area occupata da ciascun alimento con la densità e i dati sui macronutrienti per convertire le immagini 2D in punteggi nutrizionali. L'integrazione dei calcoli volumetrici con il modello di intelligenza artificiale consente un'analisi precisa senza l'ausilio di input manuali, risolvendo una sfida di lunga data nella tracciabilità automatizzata degli alimenti.
Il terzo ostacolo principale era l'efficienza dei calcoli. I modelli precedenti richiedevano una potenza di calcolo troppo elevata per essere utilizzati in tempo reale e spesso dovevano essere elaborati nel cloud, con conseguenti ritardi e problemi di privacy.
I ricercatori hanno utilizzato una potente tecnologia di riconoscimento delle immagini chiamata YOLOv8 con ONNX Runtime (uno strumento che aiuta i programmi di intelligenza artificiale a diventare più efficienti) per sviluppare un programma di identificazione degli alimenti che funziona su un sito web, anziché come applicazione scaricabile, in modo che gli utenti possano semplicemente visitarlo tramite il browser web del loro telefono per analizzare i pasti e tenere traccia della loro dieta.
In un test con un trancio di pizza, il sistema ha calcolato 317 calorie, 10 grammi di proteine, 40 grammi di carboidrati e 13 grammi di grassi - valori nutrizionali che corrispondevano esattamente ai valori di riferimento. Il sistema si è comportato altrettanto bene quando ha analizzato piatti più complessi come l'idli sambhar, una specialità dell'India meridionale che consiste in torte di riso al vapore con stufato di lenticchie, per il quale ha calcolato 221 calorie, 7 grammi di proteine, 46 grammi di carboidrati e solo 1 grammo di grassi.
"Uno dei nostri obiettivi era assicurarci che il sistema funzionasse in diverse cucine e con diverse presentazioni di cibo", spiega Panindre. "Volevamo che fosse preciso sia per un hot dog - 280 calorie secondo il nostro sistema - sia per il baklava, un dolce mediorientale, per il quale il nostro sistema indica 310 calorie e 18 grammi di grassi".
I ricercatori hanno risolto le sfide dei dati combinando categorie di alimenti simili, eliminando i tipi di alimenti con un numero insufficiente di esempi e dando priorità a determinati alimenti durante l'esercizio fisico. Queste tecniche hanno contribuito a perfezionare il set di dati di addestramento da innumerevoli immagini iniziali a un insieme più equilibrato di 95.000 istanze di 214 categorie di alimenti.
Le metriche delle prestazioni tecniche sono impressionanti: il sistema ha raggiunto una precisione media (mAP) di 0,7941 con una soglia di intersezione sull'unione (IoU) di 0,5. Per i non esperti, ciò significa che il sistema ha ottenuto una precisione media (mAP) di 0,7941. Per i non esperti, ciò significa che l'IA è in grado di localizzare e identificare con precisione gli alimenti in circa l'80% dei casi, anche se si sovrappongono o sono parzialmente oscurati.
Il sistema è stato implementato come applicazione web che funziona anche su dispositivi mobili, rendendolo potenzialmente accessibile a chiunque abbia uno smartphone. I ricercatori descrivono il loro sistema attuale come un "proof-of-concept" che potrebbe presto essere perfezionato e ampliato per applicazioni sanitarie più ampie.
Oltre a Panindre e Kumar, gli autori dello studio sono Praneeth Kumar Thummalapalli e Tanmay Mandal, entrambi studenti di master presso il Dipartimento di Informatica e Ingegneria della NYU Tandon.
Nota: questo articolo è stato tradotto utilizzando un sistema informatico senza intervento umano. LUMITOS offre queste traduzioni automatiche per presentare una gamma più ampia di notizie attuali. Poiché questo articolo è stato tradotto con traduzione automatica, è possibile che contenga errori di vocabolario, sintassi o grammatica. L'articolo originale in Tedesco può essere trovato qui.
Altre notizie dal dipartimento scienza
Le notizie più lette
Altre notizie dagli altri portali
Vedere i mondi tematici per i contenuti correlati
Mondo Tematico dell'Analisi Alimentare
I metodi di analisi alimentare ci permettono di esaminare la qualità, la sicurezza e la composizione dei nostri alimenti. Che sia nella tracciabilità degli alimenti, nella rilevazione di contaminanti o nella verifica delle informazioni nutrizionali – l'analisi alimentare svolge un ruolo decisivo per la nostra salute e nutrizione. Benvenuti nell'affascinante mondo dell'analisi alimentare!
Mondo Tematico dell'Analisi Alimentare
I metodi di analisi alimentare ci permettono di esaminare la qualità, la sicurezza e la composizione dei nostri alimenti. Che sia nella tracciabilità degli alimenti, nella rilevazione di contaminanti o nella verifica delle informazioni nutrizionali – l'analisi alimentare svolge un ruolo decisivo per la nostra salute e nutrizione. Benvenuti nell'affascinante mondo dell'analisi alimentare!