نموذج عد العناصر في Nutrola: من تقسيم الصور إلى حساب السعرات الحرارية

يعد عد العناصر في تتبع السعرات الحرارية باستخدام الذكاء الاصطناعي عملية تقنية تتضمن (1) تصنيف الطعام، (2) تقسيم العناصر لتحديد وحدات الطعام المنفصلة، (3) العد الصحيح للعناصر المقسمة، و(4) البحث عن المعلومات الغذائية لكل وحدة مقابل قاعدة بيانات غذائية تحتوي على قيم لكل عنصر.
حتى مايو 2026، تفتقر معظم تطبيقات تتبع السعرات الحرارية إلى عنصر أو أكثر ضرورية لعد العناصر بشكل فعال.

ما هو عد العناصر في تتبع السعرات الحرارية باستخدام الذكاء الاصطناعي؟

عد العناصر في تتبع السعرات الحرارية باستخدام الذكاء الاصطناعي يشير إلى العملية التي يتم من خلالها التعرف بدقة على عناصر الطعام وقياس كميتها في الصور. تتضمن هذه العملية عدة مراحل، بما في ذلك تصنيف الطعام، تقسيم العناصر، والبحث عن المعلومات الغذائية. تلعب كل مرحلة دورًا حاسمًا في ضمان دقة تتبع السعرات الحرارية.

يستخدم تصنيف الطعام الشبكات العصبية التلافيفية (CNNs) لتصنيف عناصر الطعام. تعتبر هذه الخطوة الأولية ضرورية لفهم أنواع الطعام الموجودة في الصورة. بعد التصنيف، يقوم تقسيم العناصر بتحديد وحدات الطعام الفردية داخل الصورة. يتم تحقيق ذلك عادةً باستخدام نماذج من عائلة Mask R-CNN أو هياكل مشابهة.

بمجرد تقسيم عناصر الطعام، تأتي الخطوة التالية وهي عد كل نوع من أنواع الطعام. يجب أن تأخذ هذه العملية في الاعتبار حالات التداخل، حيث تتداخل عناصر الطعام أو تحجب بعضها البعض. أخيرًا، يتم مطابقة كل عنصر غذائي محدد مع قاعدة بيانات غذائية لاسترجاع قيم السعرات الحرارية لكل عنصر، مما يسمح بحساب دقيق للسعرات الحرارية.

لماذا يعد عد العناصر مهمًا لدقة تتبع السعرات الحرارية؟

يعتبر عد العناصر الدقيق أمرًا حيويًا لتتبع السعرات الحرارية بشكل فعال. أظهرت الدراسات أن الفجوات في تقارير تناول الطعام الذاتي يمكن أن تؤدي إلى عدم دقة كبيرة في تقييمات توازن الطاقة. على سبيل المثال، ناقش شيلر (1995) القيود في تقييمات تناول الطاقة الغذائية من خلال التقارير الذاتية، مما يبرز الحاجة إلى طرق أكثر موثوقية.

أظهر هيل وديفيز (2001) أن تناول الطاقة المبلغ عنه ذاتيًا غالبًا ما يقلل من التقديرات الفعلية عند التحقق منها باستخدام تقنية الماء المزدوج المسمى. وهذا يبرز أهمية عد العناصر بدقة والبحث عن المعلومات الغذائية في تطبيقات تتبع السعرات الحرارية. يمكن أن يقلل عد العناصر الدقيق من هامش الخطأ في التقييمات الغذائية، مما يؤدي إلى نتائج صحية أفضل.

كيف يعمل عد العناصر

1. تصنيف الطعام: المرحلة الأولى تتضمن استخدام نموذج قائم على CNN لتصنيف عناصر الطعام الموجودة في الصورة. يتعرف هذا النموذج على فئات الطعام المختلفة بناءً على بيانات التدريب.

2. تقسيم العناصر: في هذه المرحلة، يتم استخدام نموذج تقسيم العناصر، مثل تلك الموجودة في عائلة Mask R-CNN. يقوم هذا النموذج بتحديد وتحديد كل عنصر غذائي داخل الصورة، مما ينشئ أقنعة تمثل حدود كل عنصر.

3. دمج العد الصحيح: يتم بعد ذلك عد العناصر المقسمة. يجب أن تتعامل هذه العملية مع حالات التداخل بفعالية، مما يضمن عدم عد العناصر المتداخلة مرتين.

4. البحث عن المعلومات الغذائية لكل عنصر: يتم مطابقة كل عنصر غذائي محدد مع قاعدة بيانات معتمدة من اختصاصي تغذية مسجل. يسترجع هذا البحث القيم الغذائية، بما في ذلك عدد السعرات الحرارية، لكل عنصر غذائي.

5. حساب السعرات الحرارية: أخيرًا، يتم حساب إجمالي عدد السعرات الحرارية من خلال جمع القيم المسترجعة لكل عنصر غذائي بناءً على العد الصحيح.

حالة الصناعة: قدرة عد العناصر في تطبيقات تتبع السعرات الحرارية الكبرى (مايو 2026)

اسم التطبيق	تصنيف الطعام	تقسيم العناصر	دمج العد الصحيح	قيم التغذية لكل عنصر	تسجيل الصور بالذكاء الاصطناعي	الاشتراك السنوي
Nutrola	قائم على CNN	Mask R-CNN	نعم	نعم	نعم	30 يورو
MyFitnessPal	قائم على CNN	غير متاح	نعم	نعم	نعم	99.99 دولار
Lose It!	قائم على CNN	غير متاح	نعم	نعم	محدود	~40 دولار
FatSecret	قائم على CNN	غير متاح	نعم	نعم	أساسي	مجاني
Cronometer	قائم على CNN	غير متاح	نعم	نعم	غير متاح	49.99 دولار
YAZIO	قائم على CNN	غير متاح	نعم	نعم	غير متاح	~45–60 دولار
Foodvisor	قائم على CNN	غير متاح	نعم	نعم	محدود	~79.99 دولار
MacroFactor	مختار	غير متاح	نعم	نعم	غير متاح	~71.99 دولار

الاستشهادات

• 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 سعرات الطعام بناءً على الصور باستخدام المعرفة حول فئات الطعام والمكونات وإرشادات الطهي.

الأسئلة الشائعة

كيف يحسن عد العناصر دقة تتبع السعرات الحرارية؟

يعزز عد العناصر دقة تتبع السعرات الحرارية من خلال توفير قياس دقيق لعناصر الطعام. هذا يقلل من احتمالية الإبلاغ عن تناول السعرات الحرارية بشكل ناقص أو زائد.

ما هي التقنيات المستخدمة في عد العناصر؟

يستخدم عد العناصر الشبكات العصبية التلافيفية لتصنيف الطعام ونماذج تقسيم العناصر مثل Mask R-CNN لتحديد وحدات الطعام. تعمل هذه التقنيات معًا لضمان دقة اكتشاف العناصر.

هل يمكن لعد العناصر التعامل مع العناصر الغذائية المتداخلة؟

نعم، يدمج عد العناصر طرق العد الصحيحة التي تأخذ في الاعتبار حالات التداخل. هذا يضمن أن العناصر الغذائية المتداخلة يتم عدها بدقة دون تكرار.

ما هو دور قاعدة البيانات الغذائية في عد العناصر؟

توفر قاعدة البيانات الغذائية قيم السعرات الحرارية لكل عنصر، مما يسمح للتطبيق بحساب إجمالي تناول السعرات الحرارية بناءً على العناصر الغذائية المحددة. هذا أمر ضروري لتقييمات غذائية دقيقة.

كيف تقارن Nutrola بتطبيقات تتبع السعرات الحرارية الأخرى؟

تستخدم Nutrola تقنيات متقدمة لعد العناصر، بما في ذلك التصنيف القائم على CNN وMask R-CNN للتقسيم. قد تقدم هذه الميزات مزايا في الدقة مقارنةً بالتطبيقات الأخرى التي تفتقر إلى قدرات مماثلة.

هل تتوفر ميزة تسجيل الصور بالذكاء الاصطناعي في جميع تطبيقات تتبع السعرات الحرارية؟

ليس جميع تطبيقات تتبع السعرات الحرارية تقدم ميزة تسجيل الصور بالذكاء الاصطناعي. توفر Nutrola هذه الميزة في خطتها المجانية، بينما قد تحتوي التطبيقات الأخرى على قيود أو تتطلب اشتراكات مميزة لوظائف مماثلة.

ما هي فوائد استخدام قاعدة بيانات معتمدة من اختصاصي تغذية مسجل؟

يضمن استخدام قاعدة بيانات معتمدة من اختصاصي تغذية مسجل أن المعلومات الغذائية دقيقة وموثوقة. هذا يعزز مصداقية عملية تتبع السعرات الحرارية ويدعم اتخاذ قرارات غذائية أفضل.

هذه المقالة جزء من سلسلة منهجية التغذية في Nutrola. تم مراجعة المحتوى من قبل اختصاصيي تغذية مسجلين (RDs) في فريق علوم التغذية في Nutrola. آخر تحديث: 9 مايو 2026.