Vision-Based Calorie Estimation for Bangladeshi Street Food: A Comparative Study of Detection and Regression Models

Adipositas ist eine weltweit wachsende gesundheitliche Herausforderung, die Hunderte Millionen Menschen betrifft und Gesundheitssysteme belastet. Ein wesentlicher Teil der Gewichtsverwaltung ist das Verständnis darüber, wie viele Kalorien in den Lebensmitteln stecken, die wir essen. Seit Jahrzehnten versuchen Wissenschaftler, Computerprogramme zu entwickeln, die ein Foto einer Mahlzeit analysieren und deren Energiegehalt berechnen können. Diese Systeme stützen sich auf einen Zweig der künstlichen Intelligenz namens Computer Vision, der es Maschinen ermöglicht, Objekte in Bildern zu „sehen“ und zu identifizieren, ganz ähnlich wie Menschen es tun. Die meisten dieser bestehenden Werkzeuge wurden jedoch auf westliche Gerichte wie Burger oder Salate trainiert, bei denen die Portionsgrößen oft standardisiert sind oder das Essen auf einem Teller mit klaren Grenzen liegt. Sie haben erhebliche Schwierigkeiten mit den lebhaften, vielfältigen und oft unregelmäßigen Streetfoods, die in anderen Teilen der Welt zu finden sind, wo eine einzelne Portion eine frittierte Kugel, ein blättriges Gebäck oder ein Stapel Fladenbrot sein kann und wo die Größe der Portion von Verkäufer zu Verkäufer stark variieren kann. Ohne genaue Daten zu diesen spezifischen Lebensmitteln können Menschen in Regionen wie Bangladesch ihre tägliche Aufnahme nicht einfach verfolgen, wodurch ihnen ein entscheidendes Werkzeug zur Treffung gesünderer Entscheidungen fehlt.

Ein Forscherteam der Premier University in Chattogram, Bangladesch, setzte sich zum Ziel, genau dieses Problem zu lösen, indem sie ein System entwickelten, das ausschließlich für die Streetfoods ihres Landes konzipiert wurde. Sie erkannten, dass es nicht ausreichte, einfach nur die Art des Lebensmittels zu erkennen; der Computer musste auch genau wissen, wie groß das Stück war, um die Kalorien korrekt zu schätzen. Um dies zu erreichen, entwickelten sie eine Methode, die ein in jeder Tasche zu findendes Objekt verwendet – eine Fünf-Taka-Münze – als eingebautes Lineal. Indem sie diese Münze neben das Essen in einem Foto platzieren, kann das System die reale Größe des Snacks berechnen, unabhängig davon, wie nah oder fern die Kamera gehalten wurde. Dieser Ansatz umgeht die Notwendigkeit komplexer 3D-Sensoren oder strenger Regeln beim Fotografieren, was die Technologie praktisch für den alltäglichen Gebrauch mit einem Standard-Smartphone macht.

Die Forscher begannen damit, eine neue Bildbibliothek aufzubauen, einen Datensatz, der zuvor nicht existierte. Sie sammelten fast viertausend Fotografien von sechs populären Streetfoods: Singara, Somusa, Puri, Peaju, Beguni und der Referenzmünze selbst. Diese Bilder wurden unter verschiedenen Bedingungen aufgenommen, von professioneller Studiobeleuchtung bis hin zu den chaotischen, schwach beleuchteten Umgebungen tatsächlicher Straßenstände, um sicherzustellen, dass das System in der realen Welt funktioniert. Sie testeten daraufhin fünf verschiedene Arten fortschrittlicher Computer-Vision-Modelle, um zu sehen, welches am besten in der Lage ist, das Lebensmittel zu identifizieren und dessen Form zu umreißen. Diese Modelle fungieren wie digitale Augen, die eine präzise Grenze um jedes Stück Lebensmittel in dem Bild ziehen. Nach dem Vergleich ihrer Leistung stellten die Forscher fest, dass ein spezifisches Modell, bekannt als YOLO11n, das genaueste war. Es identifizierte das Lebensmittel und seine Grenzen mit einem hohen Maß an Zuverlässigkeit, selbst wenn die Artikel dicht zusammengestaucht oder teilweise verdeckt waren.

Sobald der Computer das Lebensmittel identifiziert und seine Kontur gezeichnet hatte, war der nächste Schritt die Messung. Das System erkannte die Fünf-Taka-Münze im Bild, die einen bekannten Durchmesser von 25,5 Millimetern hat. Durch den Vergleich der Größe der Münze in Pixeln mit der Größe des Lebensmittels in Pixeln berechnete die Software einen Skalierungsfaktor. Dies ermöglichte es ihr, das digitale Bild in reale Dimensionen zu übersetzen und die tatsächliche Höhe, Breite und Oberfläche des Snacks zu bestimmen. Mit diesen physischen Messwerten in der Hand speisten die Forscher die Daten in einen separaten Satz mathematischer Werkzeuge ein, die darauf ausgelegt sind, Muster zu finden und Vorhersagen zu treffen. Sie testeten verschiedene Vorhersage-Engines, um zu sehen, welche die Kalorienanzahl basierend auf der Größe und der Art des Lebensmittels am besten schätzen konnte. Die Ergebnisse zeigten, dass eine Methode namens Random Forest, die dadurch arbeitet, dass sie die Entscheidungen vieler einfacher Entscheidungsträger kombiniert, um zu einem einzigen, robusten Ergebnis zu gelangen, die genauesten Schätzungen lieferte.

Das finale System erwies sich als äußerst effektiv. Bei Tests zeigte die Kombination aus dem besten Vision-Modell und der besten Vorhersage-Engine, dass sie den Kaloriengehalt dieser Streetfoods mit einer sehr geringen Fehlermarge schätzen konnte. Die durchschnittliche Differenz zwischen den geschätzten Kalorien und dem tatsächlich berechneten Wert betrug weniger als sechs Kalorien, und das System erklärte 95 Prozent der Variationen in den Daten. Dieses Maß an Genauigkeit deutet darauf hin, dass die Methode zuverlässig genug ist, um in mobilen Anwendungen zur Ernährungsüberwachung eingesetzt zu werden. Die Forscher merkten zudem an, dass ihr System effizient genug ist, um auf Standard-Hardware zu laufen, wodurch die hohen Rechenkosten vermieden werden, die solche Technologien oft für den alltäglichen Gebrauch unpraktisch machen. Durch die Konzentration auf die lokale Küche und die Verwendung eines einfachen, zugänglichen Referenzobjekts füllt diese Arbeit eine bedeutende Lücke in der Ernährungstechnologie und bietet eine praktische Möglichkeit für Menschen in Bangladesch, den Energiegehalt der Lebensmittel zu verstehen, die sie jeden Tag essen.