Kesehatan Sains & Teknologi

FoodTracker: Aplikasi mobile pendeteksi makanan bertenaga AI

Sebuah tim peneliti di McGill University di Kanada telah mengembangkan aplikasi mobile yang dapat mengenali bahan makanan di dalam makanan keseluruhan secara real-time, memberikan informasi terkait nutrisi yang berguna. Tim tersebut menguraikan aplikasi seluler baru, yang disebut FoodTracker, dalam makalah yang baru -baru ini diterbitkan di arXiv dan dipresentasikan pada Konferensi Internasional ke-16 tentang Aplikasi Visi Mesin di Tokyo.

“Laboratorium kami berfokus pada aplikasi yang berhubungan dengan kesehatan pada sistem tertanam,” Zelijko Zilic salah satu peneliti yang melakukan penelitian ini. “Kami bertujuan untuk membawa otomatisasi ke dalam jurnal makanan , sehingga orang-orang yang peduli dengan konsumsi harian atau pasien mereka dapat terus melacak makanan dan kandungan nutrisi dalam kehidupan sehari-hari mereka. Menuju tujuan itu, kami telah menyediakan aplikasi ( DiaBeatMove dan CarbAndMove ) untuk iPhone yang membantu penderita diabetes dan pra-diabetes dalam mengelola latihan, nutrisi, insulin dan aspek-aspek yang berhubungan dengan kesehatan dalam hidup mereka.

Kenaikan tingkat obesitas dan masalah yang terkait dengan gizi buruk di AS dan negara-negara lain di seluruh dunia telah mendorong banyak peneliti untuk mengembangkan aplikasi mobile atau platform online yang mempromosikan pilihan gaya hidup yang lebih sehat. Dalam penelitian terbaru mereka, Zilic dan rekan-rekannya secara khusus mengembangkan aplikasi untuk smartphone yang dapat dengan cepat dan efektif mengenali makanan yang dikonsumsi pengguna secara real-time, menawarkan fakta nutrisi untuk setiap komponen makanan.

FoodTracker, aplikasi seluler yang dikembangkan oleh para peneliti, sangat mudah digunakan. Ketika pengguna mengarahkan kamera ponsel cerdasnya ke piring yang berisi makanannya, aplikasi dengan cepat mengenali bahan-bahannya yang berbeda.

“Keuntungan utama adalah aplikasi FoodTracker kami, apakah itu tidak bergantung pada entri data manual — mencapai pemantauan makanan otomatis dan analisis nutrisi, hanya berdasarkan gambar dari kamera ponsel,” Jianing Sun, peneliti lain yang terlibat dalam penelitian ini.

Pertama-tama, Zilic, Sun dan rekan-rekan mereka mengembangkan model yang menggabungkan jaringan saraf convolutional yang mendalam (CNN) dengan YOLO, strategi deteksi canggih. Mereka melatih model ini menggunakan basis data yang luas dari gambar makanan dan menemukan bahwa ia memiliki presisi rata-rata dalam mendeteksi barang makanan  berdasarkan gambar hampir 80 persen.

Contoh hasil analisis nutrisi FoodTracker (dengan satu jumlah porsi). Kredit: Sun, Radecka & Zilic.

“Dengan menggunakan skema kami, kami menunjukkan bahwa bahkan ponsel pintar yang bertenaga sedang sekalipun dapat melakukan pengenalan makanan yang diperlukan,” kata Zilic. “Di antara temuan yang paling bermakna adalah waktu inferensi singkat, memori runtime rendah, dan akurasi tinggi FoodTracker, yang membuatnya sangat praktis dan mudah digunakan.”

Selanjutnya, para peneliti mengintegrasikan model mereka ke dalam aplikasi FoodTracker, dengan fitur tambahan untuk analisis nutrisi. Ini memungkinkan aplikasi untuk memberikan informasi penting terkait gizi (misalnya kalori, jumlah, dll.) Untuk setiap komponen makanan yang terdeteksi oleh model berbasis CNN.

Evaluasi awal menunjukkan bahwa aplikasi FoodTracker adalah alat yang menjanjikan untuk identifikasi makanan secara real-time dan untuk memberikan panduan nutrisi. Selain itu, terlepas dari komponen AI-nya, aplikasi ini juga dapat digunakan pada perangkat seluler dengan waktu inferensi yang dapat diabaikan dan memiliki persyaratan memori yang kecil.

“Ketika saya berada di Jepang untuk mempresentasikan karya ini, saya menemukan ada banyak peneliti industri yang bekerja pada deteksi makanan dengan teknik visi komputer yang baru muncul,” kata Sun. “Saya bahkan diundang ke perusahaan teknologi pangan internasional yang memiliki bisnis di lebih dari 70 negara. Saya merasa orang semakin memperhatikan konsumsi harian mereka untuk tujuan kesehatan.”

Di masa depan, aplikasi seluler seperti FoodTracker dapat memperluas pengetahuan orang tentang nutrisi, mendukung mereka untuk menjadi lebih sadar akan makanan yang mereka konsumsi setiap hari dan mungkin bahkan membantu mereka meningkatkan kebiasaan makan mereka. Zilic, Sun dan rekan-rekan mereka sekarang berencana untuk mengintegrasikan panduan terkait nutrisi yang disediakan oleh aplikasi dengan modul lain yang mendorong gaya hidup yang lebih sehat.

“Aplikasi yang sepenuhnya otomatis yang dapat mendeteksi objek makanan dan mengekstrak isi nutrisi sangat rumit, terutama ketika menyangkut aplikasi kehidupan nyata,” ujar Katarzyna Radecka. “Pekerjaan kami mengambil langkah awal ke arah itu tetapi ada pasti pekerjaan lebih harus diikuti, misalnya pembelajaran multi-tugas, ketahanan dan generalisasi yang lebih baik, estimasi volume. Kami percaya bahwa bahkan solusi parsial untuk masalah ini dapat menjadi nilai tambah bagi masyarakat.”