کالری شماری مواد غذایی با هوش مصنوعی!

کالری واحد اندازه‌گیری انرژی در مواد غذایی است. هر کالری مقدار مشخصی انرژی را نشان می‌دهد که بدن از غذا و نوشیدنی دریافت می‌کند. اصطلاح «کالری» در واقع اشاره به کیلوکالری دارد (یک کیلوکالری معادل هزار کالری تعریف می‌شود)؛ به‌عنوان مثال یک موز متوسط حاوی حدود ۱۰۵ کیلوکالری انرژی است. انرژی حاصل از کالری‌ها در بدن برای سوخت‌رسانی به عملکردهای متابولیکی و فعالیت سلول‌های بدن استفاده می‌شود.

اهمیت کالری در کنترل وزن و سلامتی بسیار زیاد است؛ مصرف بیش از حد کالری به‌تدریج منجر به چاقی و بیماری‌های مزمن می‌شود و کاهش بیش از حد آن نیز می‌تواند موجب ضعف و کمبودهای تغذیه‌ای شود. بنابراین دانستن میزان کالری مصرفی روزانه و تعادل آن با فعالیت‌های فیزیکی، یکی از اصول اساسی حفظ وزن مناسب و سلامت عمومی است.

نقش هوش مصنوعی در تغذیه

هوش مصنوعی در سال‌های اخیر به حوزه‌های مختلف پزشکی و سلامت راه یافته و در تغذیه نیز کاربردهای فراوانی پیدا کرده است. سامانه‌های هوش مصنوعی می‌توانند با اتکا بر داده‌های بزرگ و الگوریتم‌های پیشرفته، مصرف غذایی افراد را به طور خودکار تحلیل کنند.

به‌عنوان مثال، اپلیکیشن‌های کالری شمار هوشمند می‌توانند از طریق عکس‌برداری یا صحبت کردن کاربر، نام مواد غذایی را تشخیص داده و مقادیر کالری و مواد مغذی را محاسبه کنند.

این فناوری‌ها بار ثبت دستی رژیم غذایی را کاهش داده و خطاهای ناشی از یادآوری نادرست وعده‌های غذایی را حذف می‌کنند.

همچنین، هوش مصنوعی می‌تواند به تحلیل‌های پیشرفته‌تری مانند پیش‌بینی کمبودهای تغذیه‌ای، پیشنهاد رژیم‌های شخصی بر اساس عوامل ژنتیکی و سبک زندگی، و ارائه توصیه‌های تغذیه‌ای به‌صورت بلادرنگ بپردازد. به‌طور کلی، مطالعات نشان می‌دهد که کاربرد اصلی هوش مصنوعی در حوزه تغذیه فعلاً در ارزیابی خودکار رژیم غذایی متمرکز است و هنوز در زمینه پیش‌بینی بیماری‌های تغذیه‌ای یا سوءتغذیه در مراحل اولیه قرار دارد.

اما با تکامل این فناوری، انتظار می‌رود ابزارهای هوشمند تغذیه‌ای نقش مهمی در شخصی‌سازی رژیم‌ها و بهبود سبک زندگی افراد ایفا کنند.

روش‌ها و فناوری‌های مورد استفاده

•           پردازش تصویر: یکی از مهم‌ترین روش‌ها در کالری‌شماری هوش‌محور، پردازش و تحلیل تصاویر غذایی است. در این شیوه با استفاده از دوربین گوشی یا دستگاه‌های تصویربرداری، عکس وعده‌های غذایی ثبت شده و مدل‌های یادگیری عمیق (مانند شبکه‌های عصبی پیچشی CNN) اقدام به تشخیص نوع غذاها و تحلیل اجزای آن می‌کنند.

برای نمونه، پژوهشگران با استفاده از الگوریتم‌های پیشرفته‌ای مثل YOLOv8 توانسته‌اند بخش‌های مختلف غذا (مانند یک برش پیتزا، یا یک ساندویچ هات‌داگ) را در تصویر شناسایی و برای هر بخش به‌صورت مجزا کالری و مواد مغذی را محاسبه کنند.

بخش مهمی از این فرآیند برآورد حجم و مقدار مواد غذایی موجود در تصویر است؛ به‌عبارتی سیستم‌های پیشرفته با محاسبه سطح اشغال‌شده توسط هر ماده غذایی و مقایسه با چگالی آن، مقدار دقیق آن را تخمین می‌زنند.

•           پردازش زبان طبیعی (NLP): روش دیگر استفاده از هوش مصنوعی، تحلیل متن و گفتار مرتبط با تغذیه است. ابزارهای NLP می‌توانند دستورهای آشپزی، منوها، فهرست مواد غذایی یا صحبت کاربر را پردازش کرده و اطلاعاتی مانند نوع مواد، وزن یا اندازه خدمت را استخراج کنند. برای مثال، با ورود متن یک دستور آشپزی، سیستم می‌تواند ترکیبات به‌کاررفته را شناسایی و به یک پایگاه داده غذا متصل کند تا مقادیر تغذیه‌ای و کالری محاسبه شود.

همچنین امکان استفاده از دستیار صوتی وجود دارد که کاربر با گفتن نام غذا به سیستم، کالری آن را ثبت کند. در نهایت، مدل‌های یادگیری عمیق پیشرفته مانند شبکه‌های عصبی ترانسفورمر (Transformers) می‌توانند زبان طبیعی را به‌خوبی درک کرده و بهینه‌ترین توصیه‌ها و رژیم‌ها را به کاربر ارائه دهند.

•           یادگیری ماشین و یادگیری عمیق: قلب تمام این سیستم‌ها را الگوریتم‌های یادگیری ماشین تشکیل می‌دهند. با آموزش مدل‌های ML بر پایه هزاران تصویر یا داده غذایی، سیستم یاد می‌گیرد چگونه غذاها را تشخیص دهد و ویژگی‌های تغذیه‌ای آن‌ها را پیش‌بینی کند. در زمینه یادگیری عمیق، شبکه‌های پیچشی (CNN) برای تشخیص بصری غذاها و شبکه‌های بازگشتی/ترانسفورمر برای تحلیل داده‌های متنی به کار می‌روند.

این الگوریتم‌ها با یادگیری از داده‌های واقعی می‌توانند دقت تشخیص را افزایش دهند و به مرور زمان با دریافت بازخورد کاربر (مثلاً تصحیح نتایج) پیشرفت کنند.

مزایای استفاده از هوش مصنوعی برای کالری‌شماری

•           افزایش دقت و سرعت: سامانه‌های هوشمند با حذف دخالت انسان در ثبت دستی، خطای محاسبه را کاهش می‌دهند. در بسیاری از موارد دقت تشخیص غذاها و محاسبه کالری بالای ۸۰–۹۰ درصد برآورد می‌شود که به‌مراتب بهتر از تخمین ذهنی افراد است.

•           سهولت و راحتی: کافی است با دوربین گوشی از غذا عکس بگیرید یا تنها نام آن را بگویید یا تایپ کنید. در عرض چند ثانیه، میزان کالری و مواد مغذی غذا نمایش داده می‌شود؛ بدون نیاز به جداول یا محاسبه دستی وقت‌گیر.

•           اطلاعات جامع: علاوه بر کالری، نرم‌افزارهای هوشمند معمولاً محتواهای غذایی (پروتئین، کربوهیدرات، چربی و سایر ریزمغذی‌ها) را نیز به کاربر نشان می‌دهند. این بینش جامع، به‌ویژه برای افرادی که رژیم‌های خاص دارند (مثلاً کم‌کربوهیدرات یا پرپروتئین) بسیار مفید است.

•           پایش مستمر: اپلیکیشن‌های مبتنی بر هوش مصنوعی می‌توانند به‌طور ۲۴ ساعته فعال باشند و روند ثبت تغذیه روزانه کاربر را بدون وقفه پیگیری کنند. این مداومت، همراه با ابزارهایی مانند یادآور وعده‌های غذایی، به کاربر کمک می‌کند تا کالری ورودی و خروجی خود را به دقت مدیریت کند.

•           شخصی‌سازی و انگیزه‌بخشی: بسیاری از این برنامه‌ها بر اساس مشخصات فردی (سن، وزن، اهداف) رژیم‌های خوراکی ویژه‌ای ارائه می‌دهند و کاربر را در دستیابی به اهداف تناسب اندام راهنمایی می‌کنند. همچنین گیمیفیکیشن و سیستم‌های پاداش در برخی اپلیکیشن‌ها انگیزه بیشتری برای تداوم پایش رژیم ایجاد می‌کند.

چالش‌ها و محدودیت‌ها

•           تنوع بصری غذاها: غذاها بسیار متنوع هستند و یک غذا می‌تواند شکل‌های ظاهری متفاوتی داشته باشد. به همین دلیل تشخیص نوع غذای یکسان در شرایط مختلف (مثلاً دیزاین‌های مختلف یک خورشت یا همان ساندویچ) مشکل است.

•           اندازه‌گیری دقیق حجم: تخمین مقدار مواد غذایی از روی عکس کار پیچیده‌ای است. سیستم‌های کنونی اغلب باید حجم هر بخش را محاسبه کنند که نیازمند اطمینان از زاویه مناسب عکس و مشخص شدن مرز دقیق غذاست. اشتباه در برآورد حجم سبب خطا در محاسبه کالری می‌شود.

•           غذاهای پیچیده یا نیمه‌سیال: غذاهای مخلوط مانند سوپ، اسموتی یا خورشت‌های پوره‌شده عناصر پنهانی دارند و تشخیص دقیق ترکیبات آن‌ها دشوارتر است. گاهی اوقات نیاز است کاربر به صورت دستی مواد اصلی را وارد کند یا نتایج را تصحیح نماید.

•           داده‌های منطقه‌ای: اپلیکیشن‌های بین‌المللی ممکن است پایگاه داده غذاهای محلی یا اصیل ایرانی را پوشش ندهند. در نتیجه برای غذاهای بومی و ترکیبات خاص کشورها نیاز به توسعه پایگاه‌های داده جدید است.

•           مسائل حریم خصوصی: ارسال تصاویر وعده‌های غذایی کاربران می‌تواند نگرانی‌هایی درباره حریم خصوصی ایجاد کند. امنیت ذخیره و پردازش داده‌های شخصی مانند عادات تغذیه‌ای باید لحاظ شود.

•           نیاز به سخت‌افزار ویژه: برخی قابلیت‌ها مثل تخمین حجم سه‌بعدی نیاز به سنسورهای ویژه (مثلاً حسگر عمق تلفن همراه) دارد که در همه دستگاه‌ها موجود نیست. همچنین اجرای مدل‌های عمیق ممکن است به پردازش زیاد یا اتصال اینترنتی قوی (برای پردازش ابری) نیاز داشته باشد.

•           مسائل اخلاقی و اتکا بیش‌ازحد: اتکا کامل به هوش مصنوعی و عدم مشورت با متخصص تغذیه می‌تواند منجر به سوءبرداشت یا توصیه‌های نامناسب شود. همچنین اطمینان از به‌روز بودن و بی‌طرفی الگوریتم‌ها برای همه گروه‌ها از چالش‌های پیش روست.

معرفی ابزارها و اپلیکیشن‌های ایرانی و بین‌المللی

تعدادی اپلیکیشن هوشمند ایرانی و بین‌المللی برای شمارش کالری وجود دارند. این برنامه‌ها با استفاده از دوربین و الگوریتم‌های AI، غذاها را شناسایی کرده و کالری و ارزش غذایی آن‌ها را محاسبه می‌کنند. برای نمونه، اپلیکیشن‌های ایرانی «کرفس» و «زیره» به‌طور کامل به زبان فارسی طراحی شده‌اند و امکاناتی نظیر اسکن بارکد، رژیم غذایی شخصی و ثبت خودکار کالری را ارائه می‌دهند. اما سرویس «کالری نو» یک ویژگی خاص دیگر دارد، استفاده از هوش مصنوعی! این سرویس امکان استفاده از مزایای گفته شده هوش مصنوعی را فراهم می کند.

همچنین «Calorie AI» یک نرم‌افزار خارجی است که با اسکن تصویر غذا، از سنسور عمق گوشی برای برآورد حجم استفاده می‌کند و مقداری نظیر پروتئین، کربوهیدرات، چربی و کالری را محاسبه می‌کند. از طرف دیگر در سطح بین‌المللی برنامه‌هایی نظیر MyFitnessPal (با پایگاه داده بزرگ)، HealthifyMe (با قابلیت‌های تصویربرداری و مربی هوشمند)، YAZIO و Calorie Mama Food AI نیز شهرت دارند. برای مثال Calorie Mama با بهره‌گیری از بینایی ماشین و مدل‌های یادگیری عمیق، تنها با یک عکس از غذا اطلاعات تغذیه‌ای آن را نمایش می‌دهد. این تنوع ابزارها به کاربران امکان می‌دهد بهترین گزینه را براساس نیاز و زبان خود انتخاب کنند.

•           ایرانی: اپلیکیشن‌هایی مانند کرفس، زیره، کالری‌ نو و هم‌کالری وجود دارند که زبان فارسی را پشتیبانی کرده و به روش‌های مختلف (دوربین، بارکدخوان، صحبت کردن) کالری را ثبت می‌کنند.

•           بین‌المللی: نرم‌افزارهایی نظیر MyFitnessPal، HealthifyMe، YAZIO، Calorie Mama Food AI و BiteSnap از جمله محبوب‌ترین برنامه‌های کالری‌شمار جهان هستند که بعضاً از تکنولوژی هوش مصنوعی و بینایی ماشین برای تشخیص غذا بهره می‌برند.

نکات مهم برای کاربران

•           کیفیت عکس و نور مناسب: برای محاسبه دقیق کالری با کمک تصویر، بهترین نتیجه زمانی حاصل می‌شود که عکس غذا روشن، بدون سایه و از زوایای مناسب گرفته شود. در صورت امکان از همه اجزای غذا عکس بگیرید.

•           بررسی و اصلاح دستی: سامانه‌های هوشمند ممکن است در شناسایی برخی غذاها خطا کنند. همیشه نتایج محاسبه‌شده را بررسی کنید و در صورت مشاهده اشتباه (مثلاً در غذاهای ترکیبی یا نیمه‌شفاف) از گزینه ویرایش یا اصلاح دستی برنامه استفاده نمایید.

•           استفاده منظم: مرتب بودن در ثبت وعده‌های غذایی باعث می‌شود دید بهتری از روند تغذیه خود داشته باشید. تنظیم یادآور مصرف غذا در اپلیکیشن و ثبت مداوم اطلاعات به دقت محاسبات کمک می‌کند.

•           جایگزینی منابع غذایی: در صورت استفاده از پایگاه داده بین‌المللی، به دنبال معادل ایرانی یا مشابه غذاها در لیست برنامه باشید یا نام آن را به زبان انگلیسی جستجو کنید. در خیلی مواقع معادل‌های غذایی نزدیک یا اسامی لاتین در برنامه موجود است.

•           اطلاع از محدودیت‌ها: بدانید که کالری‌شمارهای هوش‌محور یک ابزار کمکی هستند و معیار نهایی نیستند. برای تنظیم رژیم‌های خاص یا مشکلات پزشکی (مثل دیابت یا حساسیت‌های غذایی) حتما از مشاوره متخصص تغذیه نیز استفاده کنید.

•           حفظ حریم خصوصی: در صورتی که نگران اطلاعات شخصی خود هستید، تنظیمات حریم خصوصی اپلیکیشن را بررسی کنید و از فعال بودن رمزنگاری یا عدم ارسال نام و تصویر به سرور اطمینان حاصل نمایید.

آینده و چشم‌انداز هوش مصنوعی در تغذیه و سلامت

با پیشرفت‌های اخیر در حوزه هوش مصنوعی و دسترسی به داده‌های بیش‌تر، آینده تغذیه شخصی‌تر و هوشمندتر به نظر می‌رسد. مفهوم «تغذیه دقیق» (Precision Nutrition) که توسط متخصصانی مانند پروفسور Bruce Lee مطرح شده است، بر این باور است که هوش مصنوعی می‌تواند اطلاعات ژنتیکی، متابولیک، سبک زندگی و محیط زیست هر فرد را تحلیل کرده و رژیم‌های غذایی کاملاً سفارشی‌سازی‌شده ارائه دهد.

در آینده نزدیک، داده‌کاوی پیشرفته از ویژگی‌های ژنتیکی و بیومتریک افراد (مانند آنالیز میکروبیوم روده یا پاسخ‌های هورمونی) به سیستم‌های هوش مصنوعی امکان می‌دهد توصیه‌هایی دقیق برای پیشگیری یا درمان بیماری‌ها نیز ارائه دهند. علاوه بر این، اتصال اپلیکیشن‌های تغذیه به حسگرها و پوشیدنی‌ها (مثل ساعت هوشمند یا ترازو هوشمند) می‌تواند بازخورد زمان‌واقع از وضعیت سلامتی کاربر فراهم کرده و برنامه غذایی را به‌صورت دینامیک تنظیم نماید. از سوی دیگر، انتظار می‌رود هوش مصنوعی در آموزش و فرهنگ‌سازی تغذیه سالم نیز نقش داشته باشد؛ برای مثال چت‌بات‌های پیشرفته می‌توانند به‌صورت گفتگو محور، اطلاعات مفید در مورد غذاها، پخت‌وپز و نکات سلامتی را در اختیار عموم قرار دهند. به طور خلاصه، چشم‌انداز به‌کارگیری AI در حوزه تغذیه، حرکت به سمت سامانه‌هایی است که هر فرد را با توجه به تمام ویژگی‌های فردی خود همراهی می‌کنند و کنترل بهتری بر وضعیت سلامت تغذیه‌ای و جسمانی فراهم می‌آورند.

منابع:

– Sosa-Holwerda A., Park O.-H., et al., “The Role of Artificial Intelligence in Nutrition Research: A Scoping Review,” Nutrients, 2024.

– Corselli A., “This AI Can Tell You Your Food’s Nutritional Value,” Tech Briefs, March 2025.

– Brahambhatt R., “This AI Tool Can Scan Your Food and Tell You Exactly How Many Calories It Has,” ZME Science, March 2025.

– van Erp M., Reynolds C., et al., “Using Natural Language Processing and Artificial Intelligence to Explore the Nutrition and Sustainability of Recipes and Food,” Frontiers in Artificial Intelligence, 2020.

– Feeney I., “The Next Generation of Precision Nutrition Science,” City Health (CUNY SPH Magazine), 2023.

  The Role of Artificial Intelligence in Nutrition Research: A Scoping Review – PubMed

https://pubmed.ncbi.nlm.nih.gov/38999814

 This AI Can Tell You Your Food’s Nutritional Value – Tech Briefs

https://www.techbriefs.com/component/content/article/52767-this-ai-can-tell-you-your-foods-nutritional-value

 AI food scanner turns phone photos into nutritional analysis | NYU Tandon School of Engineering

https://engineering.nyu.edu/news/ai-food-scanner-turns-phone-photos-nutritional-analysis

  [10] This AI Tool Can Scan Your Food and Tell You Exactly How Many Calories and Other Nutrients It Has

https://www.zmescience.com/science/news-science/ai-food-scanner