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

La obesidad es un desafío de salud creciente en todo el mundo, que afecta a cientos de millones de personas y sobrecarga los sistemas sanitarios. Una parte clave del control del peso es comprender cuántas calorías contiene la comida que ingerimos. Durante décadas, los científicos han intentado crear programas informáticos que puedan observar una fotografía de una comida y calcular su contenido energético. Estos sistemas se basan en una rama de la inteligencia artificial llamada visión artificial, que permite a las máquinas "ver" e identificar objetos en imágenes de forma muy similar a como lo hacen los humanos. Sin embargo, la mayoría de estas herramientas existentes fueron entrenadas con platos occidentales, como hamburguesas o ensaladas, donde las porciones suelen ser estándar o la comida se encuentra en un plato con límites claros. Estos sistemas tienen dificultades significativas con las comidas callejeras vibrantes, variadas y a menudo irregulares que se encuentran en otras partes del mundo, donde una sola porción puede ser una bola frita, un hojaldre o una pila de pan plano, y donde el tamaño de la porción puede variar enormemente de un vendedor a otro. Sin datos precisos sobre estos alimentos específicos, las personas en regiones como Bangladesh no pueden realizar un seguimiento fácil de su ingesta diaria, lo que las deja sin una herramienta crucial para tomar decisiones más saludables.

Un equipo de investigadores de la Universidad Premier en Chattogram, Bangladesh, se propuso resolver este problema específico creando un sistema diseñado exclusivamente para las comidas callejeras de su país. Reconocieron que no bastaba con reconocer el tipo de alimento; la computadora también necesitaba saber exactamente qué tan grande era la pieza para estimar las calorías correctamente. Para lograr esto, desarrollaron un método que utiliza un objeto común que se encuentra en cada bolsillo —una moneda de cinco Taka— como una regla integrada. Al colocar esta moneda junto a la comida en una fotografía, el sistema puede calcular el tamaño real del aperitivo, independientemente de qué tan cerca o lejos se haya sostenido la cámara. Este enfoque evita la necesidad de sensores 3D complejos o reglas estrictas para la toma de fotografías, haciendo que la tecnología sea práctica para el uso diario con un teléfono inteligente estándar.

Los investigadores comenzaron construyendo una nueva biblioteca de imágenes, un conjunto de datos que no existía anteriormente. Recopilaron casi cuatro mil fotografías de seis comidas callejeras populares: Singara, Somusa, Puri, Peaju, Beguni y la propia moneda de referencia. Estas imágenes fueron tomadas en diversas condiciones, desde iluminación de estudio profesional hasta los entornos caóticos y con poca luz de los puestos callejeros reales, asegurando que el sistema funcionara en el mundo real. Luego, probaron cinco tipos diferentes de modelos avanzados de visión artificial para ver cuál podía identificar y delinear mejor la forma de cada alimento. Estos modelos actúan como ojos digitales, dibujando un borde preciso alrededor de cada pieza de comida en la imagen. Tras comparar su rendimiento, el equipo descubrió que un modelo específico, conocido como YOLO11n, era el más preciso. Identificó con éxito la comida y sus límites con un alto grado de fiabilidad, incluso cuando los artículos estaban agrupados o parcialmente ocultos.

Una vez que la computadora había identificado la comida y dibujado su contorno, el siguiente paso era medirla. El sistema detectó la moneda de cinco Taka en la imagen, la cual tiene un diámetro conocido de 25.5 milímetros. Al comparar el tamaño de la moneda en píxeles con el tamaño de la comida en píxeles, el software calculó un factor de escala. Esto le permitió traducir la imagen digital en dimensiones del mundo real, determinando la altura, anchura y el área de superficie real del aperitivo. Con estas medidas físicas en mano, los investigadores introdujeron los datos en un conjunto separado de herramientas matemáticas diseñadas para encontrar patrones y realizar predicciones. Probaron varios motores de predicción diferentes para ver cuál podía adivinar mejor el recuento de calorías basándose en el tamaño y el tipo de alimento. Los resultados mostraron que un método llamado Random Forest, que funciona combinando las decisiones de muchos decisores simples para alcanzar una conclusión única y robusta, produjo las estimaciones más precisas.

El sistema final demostró ser altamente efectivo. Al ser probado, la combinación del mejor modelo de visión y el mejor motor de predicción pudo estimar el contenido calórico de estas comidas callejeras con un margen de error muy pequeño; la diferencia promedio entre las calorías estimadas y el valor calculado real fue de menos de seis calorías, y el sistema explicó el 95 por ciento de las variaciones en los datos. Este nivel de precisión sugiere que el método es lo suficientemente fiable como para ser utilizado en aplicaciones móviles de monitoreo dietético. Los investigadores también observaron que su sistema es lo suficientemente eficiente como para ejecutarse en hardware estándar, evitando los altos costos computacionales que a menudo hacen que tal tecnología sea impracticable para el uso diario. Al centrarse en la cocina local y utilizar un objeto de referencia simple y accesible, este trabajo llena un vacío significativo en la tecnología nutricional, ofreciendo una forma práctica para que las personas en Bangladesh comprendan el contenido energético de la comida que consumen todos los días.