Νέα τεχνολογία επιτρέπει τον άμεσο υπολογισμό διατροφικών στοιχείων απλά με μια φωτογραφία του γεύματός σας.
Φανταστείτε να τραβάτε μια φωτογραφία του γεύματός σας και, μέσα σε δευτερόλεπτα, η τεχνητή νοημοσύνη να σας δίνει ακριβείς πληροφορίες για τις θερμίδες, τα λιπαρά, τις πρωτεΐνες και τους υδατάνθρακες του πιάτου σας. Αυτό που μέχρι πρόσφατα έμοιαζε με σενάριο επιστημονικής φαντασίας γίνεται πλέον πραγματικότητα, χάρη σε ένα καινοτόμο σύστημα που ανέπτυξαν ερευνητές της Σχολής Μηχανικών NYU Tandon.
Η τεχνολογία, που παρουσιάστηκε στο 6ο Διεθνές Συνέδριο IEEE για την Κινητή και Βιώσιμη Πληροφορική, βασίζεται σε προηγμένους αλγορίθμους βαθιάς μάθησης. Το σύστημα αναγνωρίζει τρόφιμα από εικόνες και υπολογίζει τη θρεπτική τους αξία, αφαιρώντας την ανάγκη για ημερολόγια φαγητού ή εικασίες.
Η ομάδα των ερευνητών αντιμετώπισε τρεις βασικές προκλήσεις που μέχρι σήμερα καθιστούσαν δύσκολη την ανάπτυξη αξιόπιστης τεχνολογίας αναγνώρισης τροφίμων.
Πρώτον, η οπτική ποικιλομορφία των τροφών αποτελεί τεράστιο εμπόδιο. Ένα μπιφτέκι από διαφορετικά εστιατόρια ή ένα σπιτικό γεύμα μπορεί να διαφέρει σημαντικά στην εμφάνιση. Ο επικεφαλής ερευνητής Sunil Kumar επισημαίνει ότι, σε αντίθεση με τα τυποποιημένα αντικείμενα, το φαγητό παρουσιάζει ακραίες διαφοροποιήσεις, κάτι που καθιστούσε δύσκολη την εκπαίδευση των αλγορίθμων.
Δεύτερον, η εκτίμηση των μερίδων ήταν πάντα ασαφής. Το νέο σύστημα της NYU Tandon ξεπερνά το πρόβλημα χρησιμοποιώντας τεχνικές ογκομετρικού υπολογισμού, που μετρούν την επιφάνεια που καταλαμβάνει κάθε τρόφιμο και τη συσχετίζουν με δεδομένα πυκνότητας και διατροφικής αξίας. Έτσι, οι εκτιμήσεις θερμίδων και μακροθρεπτικών στοιχείων γίνονται πολύ πιο ακριβείς.
Τρίτον, η επεξεργασία δεδομένων σε πραγματικό χρόνο απαιτούσε μεγάλη υπολογιστική ισχύ. Οι ερευνητές χρησιμοποίησαν την τεχνολογία αναγνώρισης εικόνων YOLOv8 και την πλατφόρμα ONNX Runtime, δημιουργώντας ένα σύστημα που λειτουργεί απευθείας σε έναν ιστότοπο. Χωρίς να χρειάζεται να κατεβάσει κάποιος εφαρμογή, αρκεί να χρησιμοποιήσει τον browser του κινητού του για να αναλύσει το γεύμα του.
Το σύστημα όταν ανέλυσε ένα κομμάτι πίτσα, υπολόγισε 317 θερμίδες, 10 γραμμάρια πρωτεΐνης, 40 γραμμάρια υδατανθράκων και 13 γραμμάρια λίπους, τιμές που ταίριαζαν απόλυτα με τις διατροφικές αναλύσεις αναφοράς.
Ακόμη και σε πιο σύνθετα γεύματα, όπως το idli sambhar (ινδικό πιάτο με κέικ ρυζιού και στιφάδο φακής), οι εκτιμήσεις ήταν εξαιρετικά ακριβείς: 221 θερμίδες, 7 γραμμάρια πρωτεΐνης, 46 γραμμάρια υδατανθράκων και μόλις 1 γραμμάριο λίπους. Το ίδιο συνέβη και με πιο παραδοσιακά πιάτα, όπως ο μπακλαβάς, όπου το σύστημα αναγνώρισε 310 θερμίδες και 18 γραμμάρια λίπους.
Η συνολική ακρίβεια του συστήματος είναι εντυπωσιακή, με ποσοστό επιτυχίας 80% στην αναγνώριση τροφίμων, ακόμα και όταν αυτά επικαλύπτονται ή είναι μερικώς κρυμμένα στην εικόνα.
Το εργαλείο έχει σχεδιαστεί ώστε να είναι προσβάσιμο από οποιονδήποτε διαθέτει smartphone. Οι ερευνητές το περιγράφουν ως μια «απόδειξη της έννοιας» που μπορεί να βελτιωθεί και να επεκταθεί σε ακόμα περισσότερες εφαρμογές υγείας.
Η ανάπτυξη της τεχνητής νοημοσύνης στη διατροφική παρακολούθηση δεν αφορά μόνο τους ανθρώπους που θέλουν να ελέγξουν το βάρος τους. Μπορεί να αποδειχθεί ανεκτίμητο εργαλείο για άτομα με διαβήτη, καρδιαγγειακές παθήσεις ή άλλες καταστάσεις που απαιτούν προσεκτική διαχείριση της διατροφής.
Όπως τονίζει ο επικεφαλής ερευνητής Prabodh Panindre, η παρακολούθηση της διατροφής έχει βασιστεί μέχρι τώρα στην αυτοαναφορά, μια μέθοδο που συχνά είναι αναξιόπιστη. «Το σύστημά μας αφαιρεί το ανθρώπινο λάθος από την εξίσωση», σημειώνει.
Μπορείτε να βρείτε τη μελέτη εδώ.
Ακολουθήστε το Cibum 
