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

肥満は世界的な健康課題となっており、何億人もの人々に影響を及ぼし、医療制度を圧迫しています。体重管理の鍵となるのは、私たちが食べる食品にどれくらいのカロリーが含まれているかを理解することです。数十年にわたり、科学者たちは、食事の写真を撮るだけでそのエネルギー含有量を算出できるコンピュータプログラムを構築しようと試みてきました。これらのシステムは、コンピュータビジョンと呼ばれる人工知能の一分野に依存しており、これにより機械は人間と同じように画像内の物体を「見て」識別することができます。しかし、既存のツールの多くは、ハンバーガーやサラダといった、ポーションサイズ（一人前の量）が標準的であったり、食べ物が明確な境界を持つ皿の上に置かれていたりする西洋料理に基づいて学習されてきました。そのため、世界中の他の地域で見られる、鮮やかで多様、かつしばしば不規則な形状をしたストリートフードに対しては、著しく苦戦します。そこでは、一回のサービングが揚げたボール状であったり、層になったパイ状であったり、あるいは平たいパンの積み重ねであったりすることもあり、さらに、一度に提供される量がベンダーによって大きく異なることもあります。こうした特定の食品に関する正確なデータがないために、バングラデシュのような地域のの人々は、日々の摂取量を簡単に追跡することができず、より健康的な選択をするための重要なツールを手にすることができない状況にあります。

バングラデシュのチャットグラムにあるプレミア大学の研究チームは、この特定の課題を解決するために、同国のストリートフード専用に設計されたシステムを作成することで、この問題に取り組みました。彼らは、単に食品の種類を認識するだけでは不十分であり、コンピュータは、カロリーを正確に推定するために、その一切れが具体的にどのくらいの大きさであるかを知る必要があると認識していました。これを実現するために、彼らはあらゆる人のポケットに入っている一般的な物体である「5タカ硬貨」を、組み込みの定規として使用する方法を開発しました。写真の中にこの硬貨を食品の隣に置くことで、カメラがどれほど近く、あるいは遠くに保持されていたとしても、システムはスナックの実世界のサイズを計算することができます。このアプローチにより、複雑な3Dセンサーや厳格な写真撮影のルールを必要とせず、標準的なスマートフォンでの日常的な使用に適した実用的なテクノロジーとなります。

研究者たちは、まず新しい画像のライブラリ、すなわちこれまで存在しなかったデータセットの構築から始めました。彼らは、6種類の人気のあるストリートフード（シンガラ、スムサ、プリ、ペアジュ、ベグニ）と、参照用の硬貨の計4,000枚近い写真を収集しました。これらの画像は、プロフェッショナルなスタジオ照明から、実際の屋台の混沌とした薄暗い環境まで、さまざまな条件下で撮影されており、システムが現実世界で機能することを保証しています。次に、食品の種類を特定し、各食品の形状を輪郭付けるのにどのモデルが最適かを判断するために、5種類の高度なコンピュータビジョンモデルをテストしました。これらのモデルはデジタルな「目」として機能し、画像のあらゆる食品の周囲に精密な境界線を描きます。性能を比較した結果、チームはYOLO11nとして知られる特定のモデルが最も正確であることを発見しました。このモデルは、食品が密集していたり、一部が隠れていたりする場合でも、高い信頼性を持って食品とその境界を特定することに成功しました。

コンピュータが食品を特定してその輪郭を描いた後、次のステップは測定です。システムは画像内の5タカ硬貨を検出し、その硬貨には25.5ミリメートルの既知の直径があります。画像内のコインのピクセル数と食品のピクセル数を比較することで、ソフトウェアはスケーリング係数を算出しました。これにより、デジタル画像を実世界の寸法へと変換し、スナックの実際の高さ、幅、および表面積を決定することが可能になりました。これらの物理的な測定値を手に入れた後、研究者たちは、パターンを見つけ出し予測を行うために設計された別の数学的ツールへとデータを投入しました。彼らは、サイズと食品の種類に基づいてカロリー数を最もよく推測できる予測エンジンを見つけるために、いくつかの異なる予測エンジンをテストしました。その結果、多くの単純な意思決定者の判断を組み合わせて単一の堅牢な結論に至る「ランダムフォレスト」と呼ばれる手法が、最も正確な推定値を生み出すことが示されました。

最終的なシステムは非常に効果的であることが証明されました。テストの結果、最高のビジョンモデルと最高の予測エンジンを組み合わせることで、これらのストリートフードのカロリー含有量を極めて小さな誤差範囲で推定できることが分かりました。推定カロリーと実際の計算値との平均的な差は6カロリー未満であり、システムはデータの変動の95パーセントを説明できました。このレベルの精度は、この手法が食事モニタリング用のモバイルアプリケーションに使用するのに十分信頼できるものであることを示唆しています。また、研究者たちは、彼らのシステムが標準的なハードウェア上で動作するほど効率的であり、そのようなテクノロジーを日常的な使用において非現実的なものにする、重い計算コストを回避していることも指摘しました。地元の料理に焦点を当て、シンプルでアクセシブルな参照オブジェクトを使用することで、この研究は栄養技術における重要な空白を埋め、バングラデシュの人々が毎日食べる食品のエネルギー含有量を理解するための実用的な方法を提供しています。