著者の所属・活動拠点の国は、パキスタン、イギリスです。

掲載誌：Nutrients

ライセンス: CC BY　対象: 公開論文　確認元: OpenAlex

研究の目的：欧米食中心の食事記録アプリが苦手とする料理に対応する

南アジアでは糖尿病や心臓病などの慢性疾患が増えており、食生活の乱れが大きな要因の一つとされています。食事内容を記録して見直す手段として食事記録アプリがありますが、著者らによれば、その多くは欧米の料理を前提に作られています。カレーや炊き込みご飯、平焼きパンなど、材料が混ざり合い、作り方や盛り付けの差も大きいパキスタン料理では、料理を取り違えたり、栄養価を正確に見積もれなかったりする問題がありました。

そこで研究チームは、写真からパキスタン料理を見分け、1人前の量を推定し、栄養価を計算する機械学習システムの開発を目指しました。目標は、パキスタン料理に特化した画像データセットの構築、定規や硬貨などの実物の目印を使わない量の推定方法の開発、これらをスマートフォンアプリにまとめること、そして精度と使いやすさの初期的な検証です。

何を調べたか：画像データの整備と複数のAIモデルの比較

研究チームは、ウェブ上の画像やYouTubeのサムネイル、一般の人から提供された写真、公開データセットを集め、約2万枚の画像を得ました。重複画像やぼやけた画像を取り除き、ラベルを複数の研究者で確認したうえで、学習用画像の回転や明るさの調整などで枚数を増やし、約3万枚のデータセットを作りました。対象は、米料理、肉カレー、豆料理、パン、軽食・屋台料理、甘味、飲み物など10分類にわたる83品目です。

料理名を見分ける「分類」には、ResNet-50、MobileNetV2、YOLOv8という3種類の深層学習モデルを比べました。また、写真の中で料理がどこに写っているかを画素単位で切り分ける「セグメンテーション」には、YOLOv8-SegとMask R-CNNなどを用いました。料理の範囲が正確に分かれば、量の推定に使えるためです。

量の推定では、アプリのカメラ画面に10cm四方の枠を表示し、その中に料理を収めて撮影してもらいます。1枚の写真から奥行きを推定するモデルで料理の厚みを見積もり、枠の大きさを手がかりに体積と重さを計算する仕組みです。栄養価は、料理ごとに標準的なレシピを定め、米国の食品成分データベース（USDA FoodData Central）の材料データから、出来上がり100gあたりのエネルギーや三大栄養素を計算しました。最後に、これらをアプリに組み込み、利用者に使いやすさを評価してもらいました。

主な結果：速さと精度のバランスに優れたYOLO系モデル

料理名の分類では、YOLOv8が約79%で最も高い正解率を示し、ResNet-50が約76%、軽量なMobileNetV2は約45%でした。著者らは、MobileNetV2の成績が低かった理由として、見た目の似た料理が多いことや、軽量なモデルでは細かな違いを学びきれないことを挙げています。

セグメンテーションでは、比較の基準としたMask R-CNNは似た料理や小さな料理の切り分けを苦手としました。研究チームは、リアルタイムで複数の料理を一度に処理できる点を重視し、YOLOv8-Segを主なモデルに選びました。最終評価では、予測した料理の範囲と正解の範囲の重なりを示す指標（mIoU）が約0.64と報告されています。ほかのモデルとの比較は予備的な実験で、評価条件が揃っていない点を著者ら自身が断っています。また、分類とセグメンテーションを2段階で行う方式は精度では上回りましたが、処理の速さを優先してYOLOv8-Segが採用されました。

量の推定については、200枚の料理写真で、台所用のはかりで量った実際の重さと比べました。誤差の平均は約18〜25g、相対的な誤差は9〜12%と報告されています。誤差の主な原因として、料理の形が不規則なこと、料理同士の重なり、写真からは分かりにくい厚みの違いが挙げられました。なお著者らは、少量の料理ほど同じ誤差でも割合が大きくなること、カロリーの高い料理では量のわずかなずれがカロリー推定の差につながりやすいことも指摘しています。

栄養価の計算結果は、2種類の栄養分析ソフトで確認され、エネルギー、たんぱく質、炭水化物、脂質については概ね一致していたとされます。ただし、比較の詳細なデータは残されておらず、一致の度合いを数値で示すことはできなかったと著者らは述べています。また、米国のデータベースの値が、地域の食材や油・香辛料の使い方で大きく変わるパキスタン料理を十分に表せない可能性も、限界として挙げられています。アプリの使いやすさの評価では、操作しやすいと受け止められ、細かな改善点がいくつか示されました。

研究の意味

この研究は、欧米食を前提としたこれまでの仕組みでは扱いにくかったパキスタン料理について、料理の識別から量と栄養価の推定までを一つのスマートフォンアプリで行えることを示しました。著者らは、地域の食文化に合わせたAIによる食事評価システムが実現可能であることを示した成果だと位置づけています。一方で、似た料理の見分けや小さな料理の切り分け、栄養データの地域性など、精度に関わる課題も明らかになりました。

原著論文の著者・所属：Alishba Umer Farooq（University of the Punjab）、Fiza Khan（University of the Punjab）、Huda Ijaz（University of the Punjab）、Muhammad Usman（Pakistan Scientific and Technological Information Centre）、Nimra Saleem（Jinnah Sindh Medical University）、Shuja ur Rehman Baig（University of the Punjab）、Muhammad Farooq（University of the Punjab）、Syed Mustafa Ali（Manchester Academic Health Science Centre, University of Manchester）

※本記事は原著論文をもとに、日本語で要約・説明を加えた研究紹介です。 出典（原著論文）：Alishba Umer Farooq, Fiza Khan, Huda Ijaz, et al. Developing a Machine Learning–Based System for Nutrient Profiling of Pakistani Cuisine. Nutrients 2026-09-26. DOI: 10.3390/nu18193173. 原著ライセンス：CC BY.