Visione del Cibo · La foto in due secondi
Sistemi di riconoscimento alimentare basati su immagini per la valutazione dietetica: revisione sistematica (Dalakleidi 2022)
Immaginate se il vostro smartphone potesse guardare il vostro piatto e calcolare calorie, carboidrati e sodio prima ancora che voi iniziaste a mangiare, con la stessa precisione di un dietista esperto. È esattamente ciò che i sistemi di riconoscimento alimentare basati su immagini (IBFRS) stanno raggiungendo.
Un team di ricercatori greci ha passato al setaccio cinque anni di letteratura scientifica — 78 studi, oltre 25 dataset pubblici, centinaia di algoritmi — e ha identificato un vincitore netto: le reti neurali convoluzionali profonde. Quando i dataset sono abbastanza grandi (diciamo 100.000 immagini di 101 piatti), queste reti portano l'accuratezza di classificazione dal 55% al 90%.
Per chi gestisce il diabete, app basate su questa tecnologia stimano già l'apporto di carboidrati con la stessa accuratezza di uno specialista umano. Il principale ostacolo non è algoritmico, ma geografico: i dataset mondiali rimangono prevalentemente occidentali e dell'Asia orientale.
Colmare questa lacuna aprirebbe la porta a un monitoraggio dietetico obiettivo ed efficiente per miliardi di persone che attualmente non dispongono di alternative accessibili.
Cosa dice, in breve
- Questa revisione sistematica ha analizzato 159 studi (PubMed e Scopus, luglio 2016-luglio 2021) includendone 78 su sistemi di riconoscimento alimentare basati su immagini (IBFRS) che combinano fotocamera mobile e visione artificiale per la valutazione dietetica.
- La pipeline canonica IBFRS si articola in cinque fasi: acquisizione dell'immagine con fotocamera mobile, segmentazione degli alimenti, estrazione di feature, classificazione e stima di volume/calorie/nutrienti tramite database nutrizionali.
- Tra i 78 studi inclusi, 45 (58%) hanno impiegato metodi di deep learning — in particolare reti neurali convoluzionali (CNN) — in almeno una fase; 14 hanno usato solo feature hand-crafted con classificatori superficiali.
- Le CNN hanno superato i classificatori superficiali su 8 dataset pubblici su 9 (PAFD) esaminati da più studi; unica eccezione è UNIMIB 2016 (1.027 immagini), troppo piccolo per sfruttare i vantaggi di addestramento delle CNN.
- Sul dataset Food-101 (101.000 immagini), l'accuratezza di classificazione è salita dal 55,3% (metodi superficiali) al 90,27% (miglior CNN), illustrando come la scala del dataset amplifichi il vantaggio del deep learning.
- In ambito clinico, GoCARB ha stimato il contenuto di carboidrati con la stessa accuratezza di sei dietisti esperti, aprendo la strada all'autogestione del diabete tramite fotocamera.
- Le sfide aperte includono la scarsità di PAFD per cucine non occidentali e categorie alimentari specifiche per malattie metaboliche, nonché la mancanza di dataset con immagini di pasto iniziale e avanzi.
Provenienza
- Fonte
- Applying Image-Based Food-Recognition Systems on Dietary Assessment: A Systematic Review— Dalakleidi 2022
- Licenza
- CC BY 4.0
- Nel Kosmos
- 4 voci · 148 fatti atomici · tier MAIOR
↯ Questa è una voce vera del nostro Knowledge Graph, ancorata alla sua fonte — non un testo generato da un modello. Il colore riflette il tipo reale di studio, mai gonfiato.