《Journal of Cleaner Production》：AI to the rescue: A novel approach to measure plate leftovers
编辑推荐：
•人工智能能够有效分析餐盘剩余食物照片。•加入菜名可提高食材识别准确率。•AI能识别消费者照片中高达92%的食材，专家照片中可达100%。•估算量与称重值之间存在相关性（消费者最高r = 0.76，专家为0.87）。•不同餐类之间的表现存在差异：餐盒餐、传统餐和便捷餐。引言近
- •
人工智能能够有效分析餐盘剩余食物照片。
- •
加入菜名可提高食材识别准确率。
- •
AI能识别消费者照片中高达92%的食材，专家照片中可达100%。
- •
估算量与称重值之间存在相关性（消费者最高r = 0.76，专家为0.87）。
- •
不同餐类之间的表现存在差异：餐盒餐、传统餐和便捷餐。
引言
近年来，研究家庭食物浪费的文献数量不断增加，2015至2018年间发表的相关论文增长率达到61%（Principato等人，2021年）。在Vittuari等人（2023年）的系统性综述中，他们发现至少有1238篇论文聚焦于家庭食物浪费问题。这一高度关注源于其社会现实意义：总体而言，供人类消费的食品中有三分之一被损耗或浪费，且大部分浪费发生在消费者层面（Schanes等人，2018年）。其环境和经济后果十分严重，道德层面的担忧同样不容忽视。因此，家庭食物浪费被视为一项紧迫议题，已被纳入联合国可持续发展目标（SDG 12.3），且各种减少食物浪费的方法正在被不断探索（Goss等人，2025年；Vittuari等人，2023年）。
精确而完整地测量食物浪费量至关重要，它既是追踪进展的基线测量，也是优先排序、设计干预措施以及评估减少浪费干预效果的基础（Withanage等人，2021年）。然而，已有多种测量方法被提出，每种方法各有其优势与劣势（Dou和Toth，2021年；Xue等人，2017年）。这使得该领域面临一系列测量方法并存的局面，且无一方法尽善尽美，同时也凸显了对系统化测量的迫切需求（Hoehn等人，2023年；St?ckli等人，2018年）。先前研究中提到但较少使用的一种有前景的方法是：对消费者拍摄的食物浪费照片进行编码分析（Roe等人，2020年；Van Herpen等人，2019年）。该方法不受地理限制，对受访者造成的负担较小，相对不太可能诱发消费者行为改变，并且可以补充关于所涉食品的第一手定性信息。该方法的主要局限在于将照片手动编码为定量数据所需付出的大量精力。
对食物浪费照片进行手动编码需要研究人员投入大量精力，尤其是当样本量较大和/或数据收集周期较长时。从照片中估算精确的食物数量通常需要受过训练的营养师来完成（Martin等人，2008年；Partearroyo等人，2020年），他们在这一任务上耗费了大量时间和努力。本研究旨在探讨现成的人工智能工具能否提供一种替代手段，以精确且较低的成本和精力对食物剩余和浪费照片进行编码分析。尽管先前研究已提出使用人工智能来分析食物浪费照片（Lourenco等人，2022年），但似乎尚无研究对此加以实际运用。本研究旨在填补这一研究空白，探讨人工智能如何在识别菜品内容和估算食物剩余量两个方面的照片编码工作中提供支持。人工智能为食物浪费研究者提供了一条易获取、低投入的照片编码途径，从而释放照片编码在该领域的巨大潜力。
本研究考察了两组餐盘剩余食物照片。第一组样本来自一项关于餐盒做饭的研究，包含469张使用餐盒准备的正餐剩余食物照片，以及347张传统菜肴剩余食物的照片（即使用市售食材从原料开始烹饪，或作为便捷餐——包括半成品、速烹食品、完全预制食品、冷冻食品或餐厅外带食品）。所有餐食均提供了菜名和自报的称重剩余食物量（单位：克）。对于使用餐盒制作的餐食，其食材信息可从网站上列出的食谱中推导得出。这使得我们既能考察照片编码方法在餐盒餐、传统餐和便捷餐之间的普适性（借助菜名），也能评估人工智能在针对餐盒餐利用食材清单正确识别食材的能力。第二组样本包含93张模拟餐盘剩余食物的照片，由专家提供，以减少自报称重数据中可能存在的测量误差。
为了利用人工智能评估剩余食物量，第一步是通过在精心选取的照片上测试不同版本，开发出最佳提示词。提示词措辞的微小差异可能对数据质量产生重要影响（White等人，2023年）。将最具潜力的提示词应用于完整数据集，以评估估算食物浪费量的准确性（与称重数据进行对比）以及识别照片中食物的食材。由于先前研究表明，关于照片中食物身份的信息可以改善此类结果（H?chsmann和Martin，2020年），本研究进一步评估了加入以下信息是否能提高估算精度：(a) 菜名，(b) 食材清单，或 (c) 包含份量的食材清单。
章节摘要
食物浪费与剩余食物的测量
既往研究主要使用食物浪费日记（Katajajuuri等人，2014年；Williams等人，2012年）、自报问卷调查（Stefan等人，2013年；Visschers等人，2016年）以及基于受访者家庭垃圾收集的废弃物审计（Cropley等人，2022年；Elimelech等人，2018年；Parizeau等人，2015年；Van der Werf等人，2018年）来测量家庭食物浪费。然而，这些方法在以下方面均存在不同程度的困难：(a) 普适性，即测量结果是否具有代表性；(b)
方法
数据来源于一项于2019年11月至12月进行的大型研究，该研究探讨了餐盒餐与家庭自做饭菜的食物剩余情况，并得到了餐盒供应商HelloFresh的支持。对于HelloFresh餐食，受访者提供了菜名，可通过相关食谱推导出食材及其用量。对于其他餐食，受访者同样提供了菜名，但这些餐食的食材和用量信息不可获取。所有照片均涉及家庭餐盘剩余食物
方法
为了解图1和图4中报告的相关性在多大程度上可能因自报称重数据中的测量误差而被低估，本研究团队的四位专家（本文除一位作者外的所有作者）在一周时间内收集了数据（剩余食物照片及以克为单位的自报重量）。每位专家拍摄了基于餐盒制作的两至三餐剩余食物的照片。这确保了菜名和食材信息与第一项研究中使用的信息相似。为获得
讨论
人工智能的引入正在迅速改变人们处理和总结大量信息的方式。H?chsmann和Martin（2020年）在对基于照片的饮食评估方法进行的综述中得出结论："因此，尽管某些自动化分析方法具有未来的发展前景，但截至目前，完全自动化的食物照片分析——包括食物识别、食物与营养素数据库的匹配、份量及食物浪费量的估算——尚未达到足够的准确性"
CRediT作者贡献声明
Meike Morren：撰写—审阅与编辑、撰写—原始稿件、验证、方法论、形式化分析、数据整理、概念构思。Erica van Herpen：撰写—审阅与编辑、撰写—原始稿件、验证、方法论、概念构思。Mariam Nikravech：撰写—审阅与编辑、撰写—原始稿件、验证、数据整理、概念构思。Nina Langen：验证、资源提供。Melanie Speck：资源提供。
利益冲突声明
作者声明不存在已知的竞争性经济利益或个人关系，这些利益或关系可能影响本文所报告的工作。
Meike Morren|Erica van Herpen|Mariam Nikravech|Nina Langen|Melanie Speck
