كيف غيّرت رؤية الذكاء الاصطناعي المعتمدة على العمق تتبع السعرات الحرارية في عام 2026

تعتبر رؤية الذكاء الاصطناعي المعتمدة على العمق تطبيقًا لإشارات العمق (من مستشعرات الكاميرا أو نماذج تقدير العمق أحادية العين) في تتبع السعرات الحرارية المعتمد على الصور، مما يمكّن من تقدير حجم الطعام وحجم الحصة من صورة واحدة بدلاً من الاعتماد على أحجام الحصص القياسية. اعتبارًا من مايو 2026، أصبحت رؤية الذكاء الاصطناعي المعتمدة على العمق تقدمًا تقنيًا عمليًا في تتبع السعرات الحرارية، حيث كانت Nutrola أول تطبيق رئيسي يطبق هذه التكنولوجيا.

ما هي رؤية الذكاء الاصطناعي المعتمدة على العمق؟

تشير رؤية الذكاء الاصطناعي المعتمدة على العمق إلى استخدام معلومات العمق المستمدة من مستشعرات الكاميرا أو الخوارزميات المتقدمة لتعزيز دقة تتبع السعرات الحرارية من خلال تحليل الصور. تتيح هذه التكنولوجيا تقدير حجم الطعام وحجم الحصص بناءً على صورة واحدة، متجاوزة الطرق التقليدية التي تعتمد على أحجام الحصص القياسية.

تتيح تقنيات تقدير العمق أحادية العين، مثل تلك المستخدمة في أنظمة TrueDepth وLiDAR في هواتف iPhone، للأجهزة التقاط إشارات العمق بفعالية. يستخدم نظام TrueDepth الضوء المهيكل لتوليد حوالي 50,000 نقطة عمق، بينما يوفر LiDAR معلومات عمق كاملة للمشهد على مدى يصل إلى 5 أمتار.

تعتبر هذه القدرة حاسمة لتطبيقات تتبع السعرات الحرارية، حيث تسمح بقياسات أكثر دقة لحصص الطعام، مما يمكن أن يحسن بشكل كبير من تقييمات النظام الغذائي والتخطيط الغذائي.

لماذا تعتبر رؤية الذكاء الاصطناعي المعتمدة على العمق مهمة لدقة تتبع السعرات الحرارية؟

يؤثر تطبيق رؤية الذكاء الاصطناعي المعتمدة على العمق بشكل كبير على دقة تتبع السعرات الحرارية. غالبًا ما تعتمد طرق تتبع السعرات التقليدية على البيانات المبلغ عنها ذاتيًا، والتي أظهرت أنها تعاني من قيود. تشير الدراسات إلى وجود تباينات بين السعرات الحرارية المبلغ عنها ذاتيًا والاستهلاك الفعلي، حيث تسلط أبحاث Lichtman وزملائه (1992) الضوء على عدم دقة كبيرة في العادات الغذائية المبلغ عنها ذاتيًا.

تتجاوز رؤية الذكاء الاصطناعي المعتمدة على العمق هذه الأخطاء من خلال توفير قياسات أكثر موضوعية لحصص الطعام. من خلال استخدام إشارات استريو مثل تدرجات الظل، وحدّة الحواف، والتقصير، والاحتجاب، تعزز هذه التكنولوجيا القدرة على تقدير حجم الطعام بدقة. تدعم أبحاث Ege وYanai (2017) فعالية تقدير السعرات الحرارية للغذاء المعتمد على الصور، مما يوضح أن تقنيات الرؤية الحاسوبية المتقدمة يمكن أن تؤدي إلى تقييمات غذائية أكثر موثوقية.

كيف تعمل رؤية الذكاء الاصطناعي المعتمدة على العمق؟

1. التقاط الصورة: تلتقط الكاميرا صورة للغذاء أو الوجبة.
2. معالجة إشارات العمق: يتم استخراج معلومات العمق باستخدام تقنيات تقدير العمق أحادية العين، مستفيدة من بيانات الضوء المهيكل أو LiDAR.
3. تقدير الحصة: يقوم التطبيق بتحليل إشارات العمق لتحديد حجم العنصر الغذائي، ويطبق خوارزميات لتقدير حجم الحصص بدقة.
4. تقسيم الكائنات: تحدد التكنولوجيا وتقوم بتقسيم العناصر الغذائية المختلفة داخل صورة واحدة، مما يسمح بتحليل متعدد العناصر.
5. التحليل الغذائي: يتم مطابقة أحجام الحصص المقدرة مع قاعدة بيانات غذائية موثوقة لحساب المحتوى من السعرات الحرارية والمغذيات.

حالة الصناعة: قدرة رؤية الذكاء الاصطناعي المعتمدة على العمق من قبل متتبع السعرات الرئيسي (مايو 2026)

التطبيق	الإدخالات المستندة إلى الجمهور	تسجيل الصور باستخدام الذكاء الاصطناعي	السعر المميز
Nutrola	1.8M+	مزود بكافة الميزات	2.50 يورو/شهر
MyFitnessPal	~14M	متاح مستوى مجاني	99.99 دولار/سنة
Lose It!	~1M+	مسح يومي محدود	~40 دولار/سنة
FatSecret	~1M+	التعرف الأساسي	مجاني
Cronometer	~400K	غير متاح	49.99 دولار/سنة
YAZIO	جودة مختلطة	غير متاح	~45–60 دولار/سنة
Foodvisor	مستند إلى الجمهور/منسق	مسح يومي محدود	~79.99 دولار/سنة
MacroFactor	منسق	غير متاح	71.99 دولار/سنة

المراجع

• وزارة الزراعة الأمريكية، خدمة الأبحاث الزراعية. FoodData Central. https://fdc.nal.usda.gov/
• حسن نجاد، ح. وآخرون. (2017). التعرف على صور الطعام باستخدام الشبكات العصبية التلافيفية العميقة جدًا. أدوات وتطبيقات الوسائط المتعددة.
• إجي، ت.، وياناي، ك. (2017). تقدير السعرات الحرارية للغذاء المعتمد على الصور باستخدام المعرفة حول فئات الطعام والمكونات وإرشادات الطهي.

الأسئلة الشائعة

كيف تحسن رؤية الذكاء الاصطناعي المعتمدة على العمق تتبع السعرات الحرارية؟

تعزز رؤية الذكاء الاصطناعي المعتمدة على العمق تتبع السعرات الحرارية من خلال توفير تقديرات دقيقة لحجم الطعام من الصور. تقلل هذه التكنولوجيا من الاعتماد على البيانات المبلغ عنها ذاتيًا، والتي غالبًا ما تحتوي على أخطاء.

ما هي التقنيات الرئيسية وراء رؤية الذكاء الاصطناعي المعتمدة على العمق؟

تشمل التقنيات الرئيسية تقدير العمق أحادي العين، وأنظمة الضوء المهيكل TrueDepth، ومستشعرات LiDAR. تتيح هذه التقنيات قياسات دقيقة للعمق وتحليل حصص الطعام.

كيف تستخدم Nutrola رؤية الذكاء الاصطناعي المعتمدة على العمق؟

تستخدم Nutrola رؤية الذكاء الاصطناعي المعتمدة على العمق لتحليل صور الطعام، وتقدير أحجام الحصص، وتقديم معلومات غذائية دقيقة. هذه الميزة مدمجة في كلا النسختين المجانية والمميزة من التطبيق.

ما هي قيود طرق تتبع السعرات التقليدية؟

غالبًا ما تعتمد طرق تتبع السعرات التقليدية على البيانات المبلغ عنها ذاتيًا، مما يمكن أن يؤدي إلى أخطاء كبيرة. تظهر الدراسات أن الأفراد يبالغون في تقدير استهلاكهم من السعرات الحرارية، مما يؤثر على تقييمات النظام الغذائي.

كيف يعمل تسجيل الصور باستخدام الذكاء الاصطناعي في تطبيقات تتبع السعرات الحرارية؟

يسمح تسجيل الصور باستخدام الذكاء الاصطناعي للمستخدمين بالتقاط صور لوجباتهم، والتي يقوم التطبيق بتحليلها لتقدير أحجام الحصص ومحتوى السعرات الحرارية. تستخدم هذه العملية تقنيات الرؤية الحاسوبية المتقدمة لتحسين الدقة.

هل هناك أي مخاوف تتعلق بالخصوصية عند استخدام الذكاء الاصطناعي في تتبع السعرات الحرارية؟

قد تنشأ مخاوف تتعلق بالخصوصية من استخدام الذكاء الاصطناعي في تتبع السعرات الحرارية، خاصة فيما يتعلق بجمع البيانات وتخزينها. يجب على المستخدمين مراجعة سياسات الخصوصية الخاصة بالتطبيق لفهم كيفية استخدام بياناتهم وحمايتها.

ما هي مستقبل تكنولوجيا تتبع السعرات الحرارية؟

قد يتضمن مستقبل تكنولوجيا تتبع السعرات الحرارية مزيدًا من التقدم في الذكاء الاصطناعي والرؤية الحاسوبية، مما يؤدي إلى تقييمات غذائية أكثر دقة. من المحتمل أن تلعب الابتكارات في رؤية العمق والتعلم الآلي دورًا كبيرًا في هذا التطور.

هذه المقالة جزء من سلسلة منهجية التغذية لشركة Nutrola. تم مراجعة المحتوى من قبل أخصائيي التغذية المسجلين (RDs) في فريق علوم التغذية بشركة Nutrola. آخر تحديث: 9 مايو 2026.