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

L'obésité est un défi sanitaire croissant à l'échelle mondiale, affectant des centaines de millions de personnes et pesant sur les systèmes de santé. Un aspect clé de la gestion du poids est de comprendre combien de calories sont présentes dans les aliments que nous consommons. Depuis des décennies, les scientifiques tentent de concevoir des programmes informatiques capables d'analyser une photographie d'un repas et d'en calculer le contenu énergétique. Ces systèmes reposent sur une branche de l'intelligence artificielle appelée vision par ordinateur, qui permet aux machines de « voir » et d'identifier des objets dans des images, de la même manière que les humains le font. Cependant, la plupart de ces outils existants ont été entraînés sur des plats occidentaux, tels que des burgers ou des salades, où les portions sont souvent standardisées ou bien disposées dans une assiette avec des limites claires. Ils éprouvent des difficultés significatives face aux aliments de rue vibrants, variés et souvent irréguliers que l'on trouve dans d'autres parties du monde, où une seule portion peut être une boule frite, une pâtisserie feuilletée ou une pile de pain plat, et où la taille de la portion peut varier considérablement d'un vendeur à l'autre. Sans données précises sur ces aliments spécifiques, les populations de régions comme le Bangladesh ne peuvent pas facilement suivre leur consommation quotidienne, se retrouvant ainsi privées d'un outil crucial pour faire des choix plus sains.

Une équipe de chercheurs de l'Université Premier de Chattogram, au Bangladesh, s'est donné pour mission de résoudre ce problème spécifique en créant un système conçu exclusivement pour les aliments de rue de leur pays. Ils ont reconnu que le simple fait de reconnaître le type d'aliment ne suffisait pas ; l'ordinateur devait également savoir exactement quelle était la taille du morceau pour estimer correctement les calories. Pour y parvenir, ils ont développé une méthode qui utilise un objet commun présent dans toutes les poches — une pièce de cinq Taka — comme une règle intégrée. En plaçant cette pièce à côté de l'aliment sur une photographie, le système peut calculer la taille réelle de l'en-cas, peu importe la proximité ou l'éloignement de la caméra. Cette approche évite le recours à des capteurs 3D complexes ou à des règles de prise de vue strictes, rendant la technologie pratique pour un usage quotidien sur un smartphone standard.

Les chercheurs ont commencé par construire une nouvelle bibliothèque d'images, un ensemble de données qui n'existait pas auparavant. Ils ont collecté près de quatre mille photographies de six aliments de rue populaires : Singara, Somusa, Puri, Peaju, Beguni, ainsi que la pièce de référence elle-même. Ces images ont été prises dans diverses conditions, allant d'un éclairage de studio professionnel aux environnements chaotiques et faiblement éclairés des véritables étals de rue, garantissant que le système fonctionnerait dans le monde réel. Ils ont ensuite testé cinq types différents de modèles de vision par ordinateur avancés pour voir lequel pouvait le mieux identifier et délimiter la forme de chaque aliment. Ces modèles agissent comme des yeux numériques, traçant une bordure précise autour de chaque morceau de nourriture dans l'image. Après avoir comparé leurs performances, l'équipe a constaté qu'un modèle spécifique, nommé YOLO11n, était le plus précis. Il identifiait l'aliment et ses contours avec un haut degré de fiabilité, même lorsque les articles étaient regroupés ou partiellement cachés.

Une fois que l'ordinateur a identifié l'aliment et tracé son contour, l'étape suivante consistait à le mesurer. Le système a détecté la pièce de cinq Taka dans l'image, laquelle possède un diamètre connu de 25,5 millimètres. En comparant la taille de la pièce en pixels à la taille de l'aliment en pixels, le logiciel a calculé un facteur d'échelle. Cela lui a permis de traduire l'image numérique en dimensions réelles, déterminant la hauteur, la largeur et la surface réelle de l'en-cas. Avec ces mesures physiques en main, les chercheurs ont injecté les données dans un ensemble distinct d'outils mathématiques conçus pour trouver des modèles et faire des prédictions. Ils ont testé plusieurs moteurs de prédiction différents pour voir lequel pourrait le mieux deviner le nombre de calories en fonction de la taille et du type d'aliment. Les résultats ont montré qu'une méthode appelée Forêt Aléatoire (Random Forest), qui fonctionne en combinant les décisions de nombreux décideurs simples pour parvenir à une conclusion unique et robuste, produisait les estimations les plus précises.

Le système final s'est avéré hautement efficace. Lors des tests, la combinaison du meilleur modèle de vision et du meilleur moteur de prédiction a pu estimer le contenu calorique de ces aliments de rue avec une marge d'erreur très faible. La différence moyenne entre les calories estimées et la valeur réelle calculée était inférieure à six calories, et le système expliquait 95 % des variations des données. Ce niveau de précision suggère que la méthode est suffisamment fiable pour être utilisée dans des applications mobiles de suivi diététique. Les chercheurs ont également noté que leur système est assez efficace pour fonctionner sur du matériel standard, évitant les coûts de calcul élevés qui rendent souvent une telle technologie impraticable pour un usage quotidien. En se concentrant sur la cuisine locale et en utilisant un objet de référence simple et accessible, ce travail comble une lacune importante dans la technologie nutritionnelle, offrant un moyen pratique pour les habitants du Bangladesh de comprendre le contenu énergétique des aliments qu'ils consomment chaque jour.