基于机器学习的巴基斯坦菜肴营养分析系统构建

《Nutrients》:Developing a Machine Learning–Based System for Nutrient Profiling of Pakistani Cuisine

【字体: 大 中 小 】 时间:2026年09月27日 来源:Nutrients 5.8

编辑推荐:

  背景:在南亚地区,糖尿病和心脏病等慢性疾病日益增多,不良饮食是主要诱因之一。大多数膳食应用程序面向西方食物设计,难以处理如巴基斯坦菜肴等具有文化多样性的菜品。 目标:本研究旨在构建一种基于机器学习(Machine Learning, ML)的系统,能够识别

  
背景:在南亚地区,糖尿病和心脏病等慢性疾病日益增多,不良饮食是主要诱因之一。大多数膳食应用程序面向西方食物设计,难以处理如巴基斯坦菜肴等具有文化多样性的菜品。
目标:本研究旨在构建一种基于机器学习(Machine Learning, ML)的系统,能够识别巴基斯坦菜肴、估算份量大小并计算其营养价值。
方法:研究人员利用一个涵盖10个类别83种菜肴类别的多来源数据集,为巴基斯坦菜肴开发了多阶段自动化膳食评估流程。在数据清洗、类别平衡和针对性增强之后,评估了用于食物分类和分割的深度学习架构。ResNet-50、MobileNetV2和YOLOv8被用于食物识别,而YOLOv8-Seg和Mask R-CNN实现了像素级分割,以进行份量和营养素估算。所有模型均通过迁移学习(Transfer Learning)优化,并使用标准分类指标和掩膜质量指标进行评估,随后进行了移动应用可用性测试。
结果:研究人员使用包含10个类别和83种巴基斯坦菜肴的多来源数据集,训练并比较了用于食物分类和分割的深度学习模型。份量大小通过基于分割和深度的方法进行估算,无需参考物体;营养值则来自标准化食谱和权威食物数据库。这些模型被集成到移动应用中进行可用性测试。基于YOLO的模型在实时分类和分割方面实现了准确性与速度的最佳平衡。份量估算结果与实测值相当接近,可用性测试表明该应用易于使用,并提出了少量改进建议。
结论:总体而言,这项工作证明了适应巴基斯坦菜肴的人工智能(Artificial Intelligence, AI)膳食评估系统的可行性,未来的工作将侧重于降低处理需求并改进基于深度的份量估算。
全球范围内,糖尿病、高血压、心血管疾病等慢性疾病患病率快速上升,尤其在中低收入国家,不良饮食习惯是重要可干预因素。传统膳食评估方法如食物日记和24小时回忆虽能支持行为改变,但耗时且易错,难以捕捉文化特异性食物和混合菜肴,导致南亚饮食的营养估算不准确。巴基斯坦菜肴包含多种混合菜品,成分、烹饪方法和份量差异极大,而现有膳食应用程序主要基于西方数据集(如goFOOD、FoodAI),对巴基斯坦菜肴识别不准,无法提供文化相关的营养建议。技术障碍包括缺乏多样注释数据集、混合食物分割困难、无物理参考物体时估算复杂菜肴份量困难。因此,本研究旨在开发一个端到端、文化自适应的机器学习系统,以实现巴基斯坦菜肴的准确识别、分割、份量估算和营养分析。

研究人员开发了一个多阶段自动化膳食评估流水线,整合食物识别、分割、份量估算和营养计算,并部署到移动应用。利用多来源图像数据集(约2万张原始图像,清洗增强后约3万张)覆盖10大类83种巴基斯坦菜肴;评估了ResNet-50、MobileNetV2和YOLOv8分类模型,以及YOLOv8-Seg和Mask R-CNN分割模型;份量估算采用基于分割和单目深度估计的方法,无需物理参考物;营养值基于标准化食谱和美国农业部食品数据中心(USDA FoodData Central)数据库生成,并与ReciPal和FoodWorks Online交叉验证。结果表明YOLOv8在分类中准确率最高,YOLOv8-Seg在分割速度与精度间最佳;份量估算误差在可接受范围;移动应用可用性测试评为“良好”。研究证明了人工智能(AI)膳食评估系统对巴基斯坦菜肴的可行性,为文化多样性饮食的精准营养干预提供了基础。

研究人员
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号