Un sistema basato sull’apprendimento automatico analizza immagini e fornisce il contenuto nutrizionale in tempo reale
Un gruppo di ricercatori della Tandon School of Engineering della New York University (NYU) ha sviluppato un sistema di intelligenza artificiale (AI) capace di riconoscere gli alimenti in una fotografia e di stimarne il valore energetico e la composizione nutrizionale. Questa tecnologia, fruibile direttamente tramite browser, potrebbe agevolare chiunque desideri seguire le proprie abitudini alimentari con maggiore precisione, evitando l’inserimento manuale di informazioni su app o tabelle nutrizionali.
Lo sviluppo di questo strumento, presentato alla sesta conferenza internazionale IEEE su mobile computing e informatica sostenibile (un evento organizzato dall’Istituto degli ingegneri elettrici ed elettronici dedicato alle applicazioni tecnologiche in ambito digitale e ambientale), nasce dall’esigenza di migliorare la salute di specifiche categorie professionali, in particolare i vigili del fuoco. Secondo studi citati dai ricercatori, oltre il 70% dei componenti di questi corpi di sicurezza presenta condizioni di sovrappeso o obesità. Tali situazioni aumentano i rischi di problematiche cardiometaboliche e influenzano la capacità di intervento nelle emergenze.
Per fronteggiare questa necessità, il team si è concentrato sulla realizzazione di un sistema che permetta di monitorare l’alimentazione quotidiana. L’idea prevede uno strumento in grado di stimare le calorie e i macronutrienti attraverso una semplice fotografia del pasto, facilitando l’adozione di abitudini più salutari da parte di gruppi professionali a rischio e, in prospettiva, dell’intera popolazione.
Il progetto è stato guidato da Prabodh Panindre, professore associato presso il Dipartimento di ingegneria meccanica della NYU Tandon, e Sunil Kumar, docente alla NYU Abu Dhabi e alla stessa NYU Tandon. Gli studenti Praneeth Kumar Thummalapalli e Tanmay Mandal hanno collaborato allo sviluppo tecnico. L’obiettivo generale era superare le barriere legate alla variabilità dei cibi, alle stime delle porzioni e alle elevate esigenze computazionali di un sistema visivo in tempo reale.
La prima complessità riscontrata riguarda la riconoscibilità degli alimenti. Lo stesso piatto può assumere aspetto differente a seconda degli ingredienti, della preparazione o dell’angolazione della fotografia. Per gestire questa varietà, i ricercatori hanno utilizzato una versione avanzata di YOLOv8 (You Only Look Once, versione 8), un sistema di visione artificiale che consente all’intelligenza artificiale di riconoscere e localizzare oggetti nelle immagini in modo rapido ed efficiente. Il tutto è stato integrato con ONNX Runtime, una tecnologia che rende questi modelli più leggeri e veloci, così da poter funzionare anche su smartphone o dispositivi con capacità di calcolo ridotte.
Un secondo aspetto cruciale concerne la stima delle porzioni. Non basta individuare il tipo di alimento, poiché il volume o il peso dei cibi incide in maniera determinante sul loro valore nutrizionale. Il sistema sviluppato mira a calcolare, mediante l’analisi dell’area occupata sul piatto e altri parametri, la quantità approssimativa di ogni alimento. Tali informazioni vengono poi correlate con database nutrizionali per restituire una stima di calorie, proteine, grassi e carboidrati.
Il processo di riconoscimento si svolge direttamente nel browser, riducendo la dipendenza da elaborazioni su server esterni e favorendo la protezione della privacy. Il modello, dopo aver analizzato l’immagine caricata dall’utente, elenca gli alimenti rilevati e stima per ciascuno il contenuto nutrizionale. Gli sviluppatori hanno testato il sistema con diversi alimenti, tra cui pizza, piatti indiani come l’idli sambhar e dessert complessi come il baklava, riscontrando un’accuratezza nella classificazione superiore al 79%.
Per affinare ulteriormente le prestazioni, il team ha costruito un dataset di circa 95.000 immagini distribuite su oltre 200 categorie alimentari. Le classi con pochi campioni sono state eliminate, mentre quelle più comuni sono state rafforzate nel training, così da migliorare la probabilità di riconoscimento. L’integrazione di questo archivio, unita alle ottimizzazioni di YOLOv8 e ONNX Runtime, ha consentito di gestire più alimenti simultaneamente, anche in caso di sovrapposizioni o scarsa luminosità.
Sebbene attualmente la soluzione sia in fase di “proof of concept”, ovvero una dimostrazione preliminare pensata per verificare che l’idea funzioni nella pratica, i ricercatori ipotizzano che potrebbe rivelarsi particolarmente utile anche in ambito clinico o per la popolazione con malattie metaboliche, come il diabete o l’ipertensione.
Sunil Kumar, docente alla NYU Abu Dhab, sottolinea che uno dei vantaggi principali risiede nel non dover scaricare applicazioni specifiche: basta un browser con cui scattare foto e avere la stima nutrizionale in modo immediato. Questa caratteristica rende la tecnologia accessibile a chiunque, a prescindere dal sistema operativo o dallo spazio di memoria disponibile sul dispositivo.
La combinazione di intelligenza artificiale e analisi d’immagine in tempo reale sta delineando un nuovo approccio nel campo dell’alimentazione e della salute, con potenziali benefici sia per categorie lavorative a rischio, come i vigili del fuoco, sia per chiunque voglia adottare uno stile di vita più consapevole. Tra i prossimi obiettivi ci sono l’ampliamento del sistema a un maggior numero di cucine e ricette, il miglioramento della stima delle porzioni e la verifica dell’efficacia in contesti clinici, coinvolgendo utenti con esigenze diverse.
Il lavoro del team della NYU Tandon mostra il potenziale della computer vision come strumento automatizzato per il conteggio calorico e la valutazione dei macronutrienti, utile a promuovere abitudini alimentari più equilibrate e a supportare la prevenzione di patologie legate all’obesità o a regimi poco salutari.
