O scanner de alimentos com IA transforma fotografias de telemóvel em análises nutricionais
Investigadores da NYU Tandon desenvolvem tecnologia para calcular calorias e nutrientes a partir de imagens de alimentos
Tire uma fotografia da sua refeição e a inteligência artificial dir-lhe-á instantaneamente quantas calorias, quanta gordura e quanto valor nutricional tem - acabaram-se os diários alimentares e as adivinhações.
Este cenário futurista está agora muito mais próximo da realidade, graças a um sistema de IA desenvolvido por investigadores da NYU Tandon School of Engineering que promete ser uma nova ferramenta para os milhões de pessoas que querem gerir o seu peso, diabetes e outros problemas de saúde relacionados com a alimentação.
A tecnologia, apresentada na 6.ª Conferência Internacional IEEE sobre Computação Móvel e Informática Sustentável, utiliza algoritmos avançados de aprendizagem profunda para reconhecer alimentos em imagens e calcular o seu conteúdo nutricional, incluindo calorias, proteínas, hidratos de carbono e gordura.
Durante mais de uma década, o Grupo de Investigação sobre Incêndios da NYU, que inclui o autor principal Prabodh Panindre e o coautor Sunil Kumar, tem vindo a estudar os desafios críticos para a saúde e a utilização dos bombeiros. Vários estudos de investigação mostram que 73-88% dos bombeiros de carreira e 76-87% dos bombeiros voluntários têm excesso de peso ou são obesos, o que conduz a um aumento dos riscos cardiovasculares e outros riscos para a saúde que comprometem a prontidão operacional. Estas conclusões levaram diretamente ao desenvolvimento do sistema de rastreio da ingestão de alimentos alimentado por IA.
"Os métodos tradicionais de controlo da ingestão de alimentos baseiam-se fortemente no auto-relato, que é notoriamente pouco fiável", afirmou Panindre, Professor Associado de Investigação no Departamento de Engenharia Mecânica da NYU Tandon School of Engineering. "O nosso sistema elimina o erro humano da equação".
Apesar da aparente simplicidade do conceito, o desenvolvimento de uma IA fiável para reconhecer alimentos tem confundido os investigadores durante anos. As tentativas anteriores debateram-se com três desafios fundamentais que a equipa da NYU Tandon parece ter ultrapassado.
"A grande diversidade visual dos alimentos é espantosa", afirma Kumar, professor de engenharia mecânica na NYU Abu Dhabi e Global Network Professor of Mechanical Engineering na NYU Tandon. "Ao contrário dos objectos fabricados com um aspeto normalizado, o mesmo prato pode ter um aspeto dramaticamente diferente, dependendo de quem o preparou. Um hambúrguer de um restaurante tem poucas semelhanças com o de outro, e as versões caseiras tornam as coisas ainda mais complexas."
Os sistemas anteriores também não conseguiam estimar o tamanho das porções - um fator crucial no cálculo dos valores nutricionais. O avanço da equipa da NYU é a sua função de cálculo volumétrico, que utiliza um processamento de imagem avançado para medir a área exacta que cada alimento ocupa num prato.
O sistema correlaciona a área ocupada por cada alimento com dados de densidade e macronutrientes para converter imagens 2D em pontuações nutricionais. Esta integração de cálculos volumétricos com o modelo de IA permite uma análise precisa sem introdução manual, resolvendo um desafio de longa data no rastreio automático de alimentos.
O terceiro grande obstáculo era a eficiência dos cálculos. Os modelos anteriores exigiam demasiado poder de computação para serem utilizados em tempo real e, muitas vezes, tinham de ser processados na nuvem, o que provocava atrasos e problemas de privacidade.
Os investigadores utilizaram uma poderosa tecnologia de reconhecimento de imagem denominada YOLOv8 com o ONNX Runtime (uma ferramenta que ajuda os programas de IA a tornarem-se mais eficientes) para desenvolver um programa de identificação de alimentos que funciona num sítio Web, e não como uma aplicação descarregável, para que os utilizadores possam simplesmente visitá-lo através do navegador Web do seu telemóvel para analisar as refeições e seguir a sua dieta.
Num teste com uma fatia de pizza, o sistema calculou 317 calorias, 10 gramas de proteína, 40 gramas de hidratos de carbono e 13 gramas de gordura - valores nutricionais que correspondiam exatamente aos valores de referência. O sistema teve um desempenho semelhante ao analisar pratos mais complexos, como o idli sambhar, uma especialidade do sul da Índia que consiste em bolos de arroz cozidos a vapor com guisado de lentilhas, para os quais calculou 221 calorias, 7 gramas de proteínas, 46 gramas de hidratos de carbono e apenas 1 grama de gordura.
"Um dos nossos objectivos era garantir que o sistema funcionasse em diferentes cozinhas e com diferentes apresentações de alimentos", diz Panindre. "Queríamos que fosse tão preciso para um cachorro-quente - 280 calorias de acordo com o nosso sistema - como para a baklava, uma pastelaria do Médio Oriente, que o nosso sistema indica como tendo 310 calorias e 18 gramas de gordura."
Os investigadores resolveram os desafios dos dados combinando categorias de alimentos semelhantes, removendo tipos de alimentos com muito poucos exemplos e dando prioridade a certos alimentos durante o exercício. Estas técnicas ajudaram a refinar o conjunto de dados de treino de inúmeras imagens iniciais para um conjunto mais equilibrado de 95 000 instâncias de 214 categorias de alimentos.
As métricas de desempenho técnico são impressionantes: o sistema atingiu uma precisão média (mAP) de 0,7941 com um limiar de intersecção sobre união (IoU) de 0,5. Para os não especialistas, isto significa que a IA pode localizar e identificar com exatidão os produtos alimentares em cerca de 80% dos casos, mesmo que se sobreponham ou estejam parcialmente obscurecidos.
O sistema foi implementado como uma aplicação Web que também funciona em dispositivos móveis, tornando-o potencialmente acessível a qualquer pessoa com um smartphone. Os investigadores descrevem o seu sistema atual como uma "prova de conceito" que poderá em breve ser aperfeiçoado e alargado a aplicações mais vastas no domínio dos cuidados de saúde.
Para além de Panindre e Kumar, os autores do estudo são Praneeth Kumar Thummalapalli e Tanmay Mandal, ambos estudantes de mestrado no Departamento de Informática e Engenharia da NYU Tandon.
Observação: Este artigo foi traduzido usando um sistema de computador sem intervenção humana. A LUMITOS oferece essas traduções automáticas para apresentar uma gama mais ampla de notícias atuais. Como este artigo foi traduzido com tradução automática, é possível que contenha erros de vocabulário, sintaxe ou gramática. O artigo original em Alemão pode ser encontrado aqui.
Outras notícias do departamento ciência
Notícias mais lidas
Mais notícias de nossos outros portais
Consulte os mundos temáticos para obter conteúdo relacionado
Mundo Temático de Análise de Alimentos
Os métodos de análise de alimentos nos permitem examinar a qualidade, segurança e composição de nossos alimentos. Seja na rastreabilidade dos alimentos, na detecção de contaminantes ou na verificação de informações nutricionais – a análise de alimentos desempenha um papel crucial para nossa saúde e nutrição. Bem-vindo ao emocionante mundo da análise de alimentos!
Mundo Temático de Análise de Alimentos
Os métodos de análise de alimentos nos permitem examinar a qualidade, segurança e composição de nossos alimentos. Seja na rastreabilidade dos alimentos, na detecção de contaminantes ou na verificação de informações nutricionais – a análise de alimentos desempenha um papel crucial para nossa saúde e nutrição. Bem-vindo ao emocionante mundo da análise de alimentos!