AI食物扫描器将手机照片转化为营养分析

AI Food Scanner Turns Phone Photos Into Nutritional Analysis

只需拍摄一张餐食的照片，人工智能就能立即告诉你它的卡路里、脂肪含量和营养价值——无需再记录食物日记或猜测。这一未来场景如今已更接近现实，这要归功于纽约大学坦登工程学院研究人员开发的一种AI系统，该系统为数百万希望管理体重、糖尿病和其他饮食相关健康状况的人们提供了新的工具。这项技术在第六届IEEE移动计算和可持续信息国际会议上展示的论文中详细描述，使用先进的深度学习算法识别图像中的食物项目并计算其营养成分，包括卡路里、蛋白质、碳水化合物和脂肪。

十多年来，纽约大学的消防研究小组（包括论文的主要作者普拉博德·潘因德雷和合著者苏尼尔·库马尔）一直在研究关键的消防员健康和操作挑战。多项研究表明，73-88%的职业消防员和76-87%的志愿消防员超重或肥胖，面临着增加的心血管和其他健康风险，威胁到他们的操作准备状态。这些发现直接推动了他们开发基于AI的食物跟踪系统。“传统的食物摄入跟踪方法严重依赖自我报告，这是非常不可靠的，”纽约大学坦登工程学院机械工程系副教授普拉博德·潘因德雷说，“我们的系统消除了人为错误。”

尽管这个概念看似简单，但开发可靠的食品识别AI已经困扰研究人员多年。先前的尝试在三个基本挑战上遇到了困难，而纽约大学坦登团队似乎已经克服了这些问题。“食物的视觉多样性令人震惊，”阿布扎比纽约大学机械工程教授兼纽约大学坦登全球网络机械工程教授苏尼尔·库马尔说，“与外观标准化的制造物品不同，同样的菜肴根据谁制作它会看起来大不相同。一家餐厅的汉堡与另一家餐厅的汉堡几乎没有相似之处，自制版本又增加了另一层复杂性。”早期系统在估计份量时也遇到了困难——这是营养计算中的一个关键因素。纽约大学团队的进展在于其体积计算功能，该功能使用高级图像处理来测量每种食物在盘子上的确切面积。该系统将每个食物项目占据的面积与密度和宏量营养素数据相关联，将2D图像转换为营养评估。这种体积计算与AI模型的集成使精确分析成为可能，无需手动输入，解决了自动化饮食跟踪中的长期难题。

第三个主要障碍是计算效率。之前的模型需要过多的处理能力才能实现实时使用，通常需要云处理，这带来了延迟和隐私问题。研究人员使用一种强大的图像识别技术YOLOv8与ONNX Runtime（一种帮助AI程序更高效运行的工具）构建了一个食物识别程序，该程序运行在一个网站上而不是作为下载应用程序，允许人们只需用手机浏览器访问该网站即可分析餐食并跟踪饮食。当测试一片披萨时，系统计算出317卡路里、10克蛋白质、40克碳水化合物和13克脂肪——这些营养值与参考标准非常接近。当分析更复杂的菜肴，如印度南部特色菜伊迪利桑巴（一种配有扁豆炖菜的蒸米糕）时，系统计算出221卡路里、7克蛋白质、46克碳水化合物和仅1克脂肪。“我们的目标之一是确保该系统适用于各种菜肴和食物呈现方式，”潘因德雷说，“我们希望它对热狗（系统计算为280卡路里）的准确性与对中东糕点巴克拉瓦（系统识别为310卡路里和18克脂肪）一样高。”

研究人员通过合并类似的食物类别、去除样本太少的食物类型，并在训练过程中给予某些食物额外的重视，解决了数据挑战。这些技术帮助他们从无数初始图像中提炼出一个更平衡的数据集，包含95,000个实例，涵盖214个食物类别。技术性能指标令人印象深刻：该系统在交并比（IoU）阈值为0.5的情况下，实现了0.7941的平均精度均值（mAP）。对于非专业人士来说，这意味着AI可以大约80%的时间准确地定位和识别食物项目，即使它们重叠或部分被遮挡。该系统已部署为可在移动设备上运行的网页应用程序，使其有可能被任何拥有智能手机的人访问。研究人员将其当前系统描述为“概念验证”，很快可以进一步改进和扩展以用于更广泛的医疗保健应用。

(全文结束)