به گزارش خبرنگار علم و فناوری ایسکانیوز؛ محققان دانشکده مهندسی دانشگاه نیویورک تاندون یک سیستم هوش مصنوعی را توسعه داده‌اند که ابزار جدیدی برای میلیون‌ها نفری است که می‌خواهند وزن، دیابت و سایر بیماری‌های مرتبط با رژیم غذایی خود را مدیریت کنند.
این فناوری که در مقاله‌ای در ششمین کنفرانس بین‌المللی IEEE در زمینه محاسبات موبایلی و انفورماتیک پایدار ارائه شده است، از الگوریتم‌های پیشرفته یادگیری عمیق برای تشخیص اقلام غذایی در تصاویر و محاسبه محتوای تغذیه‌ای آنها از جمله کالری، پروتئین، کربوهیدرات و چربی استفاده می‌کند.
محققان برای بیش از یک دهه است که روی آتش‌نشان‌های نیویورک مطالعه می‌کنند و چالش‌های حیاتی سلامت آنها و چالش‌های عملیاتی را مد نظر می‌گیرند. چندین مطالعه تحقیقاتی نشان می‌دهد که ۷۳ تا ۸۸ درصد از آتش‌نشانان اصلی و ۷۶ تا ۸۷ درصد از آتش‌نشانان داوطلب دارای اضافه وزن یا چاق هستند و با افزایش خطرات قلبی عروقی و سایر خطرات سلامتی مواجهند که این امر آمادگی عملیاتی را تهدید می‌کند. این یافته‌ها انگیزه توسعه سیستم ردیابی مواد غذایی مبتنی بر هوش مصنوعی را ایجاد کرد.
«پانیندره»، دانشیار پژوهشی بخش مهندسی مکانیک دانشکده مهندسی دانشگاه نیویورک تاندون، می‌گوید: روش‌های سنتی ردیابی مصرف غذا به شدت به گزارش‌دهی شخصی وابسته است که به‌طور مشهور غیرقابل اعتماد است. سیستم ما خطای انسانی را از معادله حذف می‌کند.
علیرغم سادگی ظاهری این مفهوم، توسعه هوش مصنوعی تشخیص مواد غذایی قابل اعتماد، سال‌ها محققان را سرگردان کرده است. تلاش‌های قبلی با سه چالش اساسی که به نظر می‌رسد تیم تاندون دانشگاه نیویورک بر آنها غلبه کرده است، دست و پنجه نرم می‌کرد.
«کومار»، پروفسور مهندسی مکانیک در دانشگاه در ابوظبی و پروفسور شبکه جهانی مهندسی مکانیک در نیویورک تاندون، می‌گوید: تنوع بصری مطلق غذا خیره کننده است. برخلاف اشیای ساخته شده با ظاهر استاندارد، یک غذا می‌تواند به طرز چشمگیری بر اساس مواد و چیدمان آن متفاوت به نظر برسد. یک همبرگر از یک رستوران شباهت کمی به یکی از مکان‌های دیگر دارد و نسخه‌های خانگی لایه دیگری از پیچیدگی را اضافه می‌کنند.
سیستم‌های هوش مصنوعی قبلی هنگام تخمین اندازه وعده‌ها دچار اشتباه می‌شدند که علت اصلی آن اشتباه در محاسبات تغذیه بود. پیشرفت تیم دانشگاه نیویورک تاندون تابع محاسبات حجمی آنها است که از پردازش تصویر پیشرفته برای اندازه‌گیری منطقه دقیقی که هر غذا در یک بشقاب اشغال می‌کند استفاده می‌کند.
این سیستم منطقه اشغال شده توسط هر ماده غذایی را با داده‌های چگالی و درشت مغذی‌ها برای تبدیل تصاویر دو بعدی به ارزیابی‌های تغذیه‌ای مرتبط می‌کند. این ادغام محاسبات حجمی با مدل هوش مصنوعی، تجزیه و تحلیل دقیق را بدون ورودی دستی امکان‌پذیر می‌کند و یک چالش طولانی مدت در ردیابی خودکار رژیم غذایی را حل می‌کند.
سومین مانع عمده کارایی محاسباتی بوده است. مدل‌های قبلی به قدرت پردازش بیش از حد نیاز داشتند تا برای استفاده در زمان واقعی عملی شوند، که اغلب نیاز به پردازش ابری داشت که باعث تأخیر و نگرانی‌های حفظ حریم خصوصی می‌شد.
محققان از یک فناوری تشخیص تصویر قدرتمند به نام YOLOv۸ با ONNX Runtime (ابزاری که به برنامه‌های هوش مصنوعی کمک می‌کند تا کارآمدتر اجرا شوند) استفاده کردند تا یک برنامه شناسایی غذا بسازند که به جای برنامه دانلودی روی یک وب‌سایت اجرا می‌شود و به افراد این امکان را می‌دهد تا با استفاده از مرورگر وب تلفن خود به سادگی از آن بازدید کنند تا غذاها را تجزیه و تحلیل کنند و رژیم غذایی خود را پیگیری کنند.
هنگامی که این سیستم روی یک تکه پیتزا آزمایش شد، این سیستم ۳۱۷ کالری، ۱۰ گرم پروتئین، ۴۰ گرم کربوهیدرات و ۱۳ گرم چربی را محاسبه کرد - مقادیر تغذیه‌ای که دقیقاً با استانداردهای مرجع مطابقت داشت. عملکرد مشابهی در تجزیه و تحلیل غذاهای پیچیده‌تری مانند «ایدلی سامبهار» - یک غذای ویژه در جنوب هند که حاوی کیک برنج بخارپز با خورش عدس – داشت و برای آن ۲۲۱ کالری، هفت گرم پروتئین، ۴۶ گرم کربوهیدرات و فقط یک گرم چربی محاسبه کرد.
پانیندره می‌گوید: یکی از اهداف ما این بود که مطمئن شویم این سیستم در غذاهای متنوع و ارائه غذاها کار می‌کند. ما می‌خواستیم که با یک هات داگ به همان اندازه دقیق باشد (طبق سیستم ما ۲۸۰ کالری) مانند باقلوا، یک شیرینی خاورمیانه‌ای که سیستم ما آن را دارای ۳۱۰ کالری و ۱۸ گرم چربی می‌داند.
محققان چالش‌های داده‌ها را با ترکیب دسته‌های غذایی مشابه، حذف انواع غذا با نمونه‌های بسیار کم، و تأکید بیشتر بر برخی غذاها در طول تمرین حل کردند. این تکنیک‌ها به اصلاح مجموعه داده‌های آموزشی از تصاویر اولیه بی‌شماری به مجموعه‌ای متعادل‌تر از ۹۵ هزار نمونه در ۲۱۴ دسته غذایی کمک کرد.
عملکرد این سیستم بسیار چشمگیر بود، زیرا توانست تقریبا ۸۰ درصد مواقع مواد غذایی را دقیقا مکان‌یابی و شناسایی کند؛ حتی زمانی که غذاها روی هم قرار گرفته بودند یا تا حدی مبهم بودند.
این سیستم به عنوان یک برنامه تحت وب است که روی دستگاه‌های تلفن همراه کار می‌کند و به طور بالقوه برای هر کسی که تلفن هوشمند دارد قابل دسترسی است. محققان سیستم فعلی خود را به عنوان یک «اثبات مفهوم» توصیف می‌کنند که می‌تواند به زودی برای کاربردهای مراقبت‌های بهداشتی گسترده تر اصلاح و گسترش یابد.
انتهای پیام/
نظر شما