Ett forskarlag vid McGill University i Kanada har utvecklat en mobilapplikation som kan känna igen matvaror i en total måltid i realtid, tillhandahålla användbar näringsrelaterad information. Teamet beskrev den nya mobilapplikationen, kallas FoodTracker, i en nyligen förpublicerad artikel på arXiv och presenterad vid den 16:e internationella konferensen om Machine Vision Applications i Tokyo.

"Vårt labb fokuserar på hälsovårdsrelaterade applikationer på inbyggda system, "Zelijko Zilic en av forskarna som genomförde studien, berättade för TechXplore. "Vi strävar efter att föra in automatisering i matjournaler, så att människor som bryr sig om sin dagliga konsumtion eller patienter kan hålla koll på måltider och näringsinnehåll i sitt dagliga liv. Mot det målet, vi har tillhandahållit appar (DiaBeatMove och CarbAndMove) för iPhone som hjälper diabetiker och pre-diabetiker att hantera träningen, näring, insulin och hälsorelaterade aspekter av deras liv."

Ökningen av fetma och problem som är förknippade med dålig kost både i USA och andra länder över hela världen har uppmuntrat många forskare att utveckla mobila applikationer eller onlineplattformar som främjar hälsosammare livsstilsval. I deras senaste studie, Zilic och hans kollegor bestämde sig specifikt för att utveckla en applikation för smartphones som snabbt och effektivt kan känna igen maten som en användare konsumerar i realtid, erbjuda näringsfakta för varje komponent i en måltid.

FoodTracker, mobilappen utvecklad av forskarna, är mycket lätt att använda. När en användare riktar sin smartphonekamera mot en tallrik som innehåller hans/hennes måltid, appen känner snabbt igen sina olika ingredienser.

"Den viktigaste fördelen är vår FoodTracker-app, är det så att den inte förlitar sig på någon manuell datainmatning – uppnå automatisk livsmedelsövervakning och näringsanalys, enbart baserat på bilder från mobilkameror, "Jianing Sun, en annan forskare involverad i studien, berättade för TechXplore.

För det första, Zilic, Sun och deras kollegor utvecklade en modell som kombinerar ett djupt konvolutionellt neuralt nätverk (CNN) med YOLO, en toppmodern detektionsstrategi. De tränade denna modell med hjälp av en bred databas med matbilder och fann att den har en genomsnittlig precision i att upptäcka matvaror baserat på bilder på nästan 80 procent.

"Med vårt system, vi visade att även smarta smartphones med måttligt driv kan utföra den nödvändiga matigenkänningen, ", sa Zilic. "Bland de mest meningsfulla fynden är den korta slutledningstiden, lågt körtidsminne, och hög noggrannhet för FoodTracker, vilket gör det mycket praktiskt och lätt att använda."

Senare, forskarna integrerade sin modell i FoodTracker-applikationen, med en extra funktion för näringsanalys. Detta gör att appen kan tillhandahålla viktig näringsrelaterad information (t.ex. kalorier, belopp, etc.) för varje livsmedelskomponent som detekteras av den CNN-baserade modellen.

Inledande utvärderingar tyder på att FoodTracker-appen är ett lovande verktyg för identifiering av mat i realtid och för att ge näringsvägledning. Dessutom, trots sin AI-komponent, appen kan även användas på mobila enheter med försumbar slutledningstid och den har små minneskrav.

"När jag var i Japan för att presentera detta arbete, Jag upptäckte att det var många industriforskare som arbetar med att detektera livsmedel med nyligen framväxande datorseendetekniker, ”Sade solen. ”Jag finnas ens inbjuden till en internationell mattechfirma som har affärsrörelse i mer mycket än 70 länder. Jag känner att människor uppmärksammar sin dagliga konsumtion i ökande hälsosyfte."

I framtiden, mobilapplikationer som FoodTracker skulle kunna bredda människors kunskap om kost, hjälpa dem att bli mer medvetna om maten de konsumerar dagligen och kanske till och med hjälpa dem att förbättra sina matvanor. Zilic, Sun och deras kollegor planerar nu att integrera den näringsrelaterade vägledningen från appen med andra moduler som uppmuntrar till en hälsosammare livsstil.

"Den helautomatiska applikationen som kan upptäcka matföremål och extrahera näringsinnehåll är mycket komplicerad, speciellt när det kommer till verkliga tillämpningar, " Katarzyna Radecka, en annan forskare som utförde studien, berättade för TechXplore. "Vårt arbete tar ett första steg mot det men det finns säkert fler arbeten som bör följas, t.ex. multi-task inlärning, robusthet och bättre generalisering, volymuppskattning. Vi tror att även en dellösning av dessa problem kan vara av stort värde för samhället."

© 2019 Science X Network