Classificazione automatica di immagini di alimenti = Automatic classification of images of food

l cibo è molto più di una semplice necessità biologica: è un pilastro fondamentale della nostra esistenza, intrecciato con la salute, le emozioni e la cultura. Attraverso il cibo, le persone celebrano tradizioni, esprimono la propria identità e costruiscono relazioni. Da sempre, ciò che mangiamo non solo soddisfa un bisogno primario, ma racconta anche chi siamo e da dove veniamo. Oltre all’aspetto culturale, il cibo ha un ruolo centrale nella salute e nel benessere delle persone. Una dieta equilibrata e ricca di nutrienti è essenziale per prevenire malattie, migliorare l’energia e sostenere il funzionamento ottimale del corpo. Negli ultimi anni, è aumentata la consapevolezza sull’importanza di una corretta alimentazione, spingendo sempre più persone a scegliere alimenti salutari e a limitare il consumo di cibi trasformati e ricchi di zuccheri o grassi saturi. Tuttavia, il tracciamento dei valori nutrizionali dei cibi consumati rappresenta una sfida sempre più rilevante nella società contemporanea, soprattutto per chi desidera mantenere una dieta equilibrata e uno stile di vita sano. Per semplificare questo processo, si propone lo sviluppo di un’applicazione innovativa in grado di riconoscere, attraverso una fotografia o un’immagine fornita dall’utente, il cibo rappresentato e stimarne il volume. Questo lavoro di tesi esamina diversi approcci per la classificazione e la segmentazione di immagini di cibo. In particolare vengono esaminati due diversi approcci: • Il primo approccio utilizza il modello YOLOv8 con l’obiettivo di integrare la classificazione delle immagini con la segmentazione degli alimenti; • Il secondo approccio prevede due fasi distinte per la classificazione (utilizzando ResNet50 o InceptionV3) e la segmentazione delle immagini (attraverso SAM). Inoltre viene presentata un’ applicazione demo-interattiva che integra il lavoro. Tale demo permette: • Caricamento e classificazione dell’immagine; • Processo di segmentazione: – Guidato tramite l’uso di SAM (Segment Anything Model) ; – Manuale tramite il tracciamento del contorno. • Stima del volume del cibo attraverso l’utilizzo di una mappa di profondità ottenuta con MiDaS.