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

A obesidade é um desafio de saúde crescente em todo o mundo, afetando centenas de milhões de pessoas e sobrecarregando os sistemas de saúde. Uma parte fundamental do controle de peso é entender quantas calorias existem nos alimentos que comemos. Durante décadas, cientistas tentaram construir programas de computador que pudessem olhar para uma fotografia de uma refeição e calcular seu conteúdo energético. Esses sistemas dependem de um ramo da inteligência artificial chamado visão computacional, que permite às máquinas "ver" e identificar objetos em imagens de forma muito semelhante aos seres humanos. No entanto, a maioria dessas ferramentas existentes foi treinada em pratos ocidentais, como hambúrgueres ou saladas, onde os tamanhos das porções são frequentemente padronizados ou a comida repousa em um prato com limites claros. Elas têm grande dificuldade com as comidas de rua vibrantes, variadas e muitas vezes irregulares encontradas em outras partes do mundo, onde uma única porção pode ser uma bola frita, uma massa folhada ou uma pilha de pão achatado, e onde o tamanho da porção pode variar drasticamente de vendedor para vendedor. Sem dados precisos sobre esses alimentos específicos, as pessoas em regiões como Bangladesh não podem rastrear facilmente sua ingestão diária, ficando sem uma ferramenta crucial para fazer escolhas mais saudáveis.

Uma equipe de pesquisadores da Premier University em Chattogram, Bangladesh, partiu para resolver este problema específico, criando um sistema projetado exclusivamente para as comidas de rua de seu país. Eles reconheceram que simplesmente reconhecer o tipo de alimento não era suficiente; o computador também precisava saber exatamente o quão grande era o pedaço para estimar as calorias corretamente. Para alcançar isso, desenvolveram um método que utiliza um objeto comum encontrado em todos os bolsos — uma moeda de cinco Taka — como uma régua integrada. Ao colocar esta moeda ao lado da comida em uma fotografia, o sistema pode calcular o tamanho real do lanche, independentemente de quão perto ou longe a câmera foi segurada. Esta abordagem evita a necessidade de sensores 3D complexos ou regras rígidas de captura de foto, tornando a tecnologia prática para o uso cotidiano em um smartphone padrão.

Os pesquisadores começaram construindo uma nova biblioteca de imagens, um conjunto de dados que não existia antes. Eles coletaram quase quatro mil fotografias de seis comidas de rua populares: Singara, Somusa, Puri, Peaju, Beguni e a própria moeda de referência. Essas imagens foram tiradas em várias condições, desde iluminação de estúdio profissional até os ambientes caóticos e mal iluminados de barracas de rua reais, garantindo que o sistema funcionasse no mundo real. Eles então testaram cinco tipos diferentes de modelos avançados de visão computacional para ver qual poderia melhor identificar e delinear a forma de cada item de comida. Esses modelos atuam como olhos digitais, desenhando uma borda precisa ao redor de cada pedaço de comida na imagem. Após comparar o desempenho, a equipe descobriu que um modelo específico, conhecido como YOLO11n, era o mais preciso. Ele identificou com sucesso o alimento e seus limites com um alto grau de confiabilidade, mesmo quando os itens estavam agrupados ou parcialmente escondidos.

Depois que o computador identificou o alimento e desenhou seu contorno, o próximo passo foi medi-lo. O sistema detectou a moeda de cinco Taka na imagem, que possui um diâmetro conhecido de 25,5 milímetros. Ao comparar o tamanho da moeda em pixels com o tamanho do alimento em pixels, o software calculou um fator de escala. Isso permitiu que ele traduzisse a imagem digital em dimensões do mundo real, determinando a altura, largura e área de superfície real do lanche. Com essas medidas físicas em mãos, os pesquisadores alimentaram os dados em um conjunto separado de ferramentas matemáticas projetadas para encontrar padrões e fazer previsões. Eles testaram diferentes mecanismos de previsão para ver qual poderia melhor adivinhar a contagem de calorias com base no tamanho e no tipo de alimento. Os resultados mostraram que um método chamado Random Forest, que funciona combinando as decisões de muitos tomadores de decisão simples para chegar a uma conclusão única e robusta, produziu as estimativas mais precisas.

O sistema final provou ser altamente eficaz. Quando testado, a combinação do melhor modelo de visão e do melhor mecanismo de previsão pôde estimar o conteúdo de calorias desses alimentos de rua com uma margem de erro muito pequena; a diferença média entre as calorias estimadas e o valor calculado real foi inferior a seis calorias, e o sistema explicou 95 por cento das variações nos dados. Este nível de precisão sugere que o método é confiável o suficiente para ser usado em aplicativos móveis de monitoramento dietético. Os pesquisadores também observaram que seu sistema é eficiente o suficiente para rodar em hardware padrão, evitando os altos custos computacionais que frequentemente tornam tal tecnologia impraticável para o uso cotidiano. Ao focar na culinária local e usar um objeto de referência simples e acessível, este trabalho preenche uma lacuna significativa na tecnologia nutricional, oferecendo uma maneira prática para as pessoas em Bangladesh entenderem o conteúdo energético dos alimentos que comem todos os dias.