2026-ல் டிஜிட்டல் ஸ்கேல் செயலிகள் மற்றும் AI கேமரா துல்லியமின்மை அன்றாட கலோரி அளவை எவ்வாறு பாதிக்கிறது

முக்கிய குறிப்புகள்

ஊட்டச்சத்தைக் கண்காணிக்கத் துல்லியமான அளவீடுகள் தேவை, ஆனால் எல்லா இடங்களிலும் ஒரு கிச்சன் ஸ்கேலை எடுத்துச் செல்வது நடைமுறைக்குச் சாத்தியமற்றது. டிஜிட்டல் ஸ்கேல் செயலிகள் ஒரு வசதியான மாற்றாக உருவெடுத்துள்ளன. இருப்பினும், 2026-ல் இவற்றை நம்புவதற்கு முன்னால், அவற்றின் கம்ப்யூட்டர் விஷன் எடை அளவீடு உங்கள் கலோரி பற்றாக்குறையை எவ்வாறு பாதிக்கிறது என்பதைப் புரிந்துகொள்வது அவசியம்.

போன் ஸ்கேல் செயலிகள் துல்லியமானவையா?

போன் கேமரா அளவீட்டு கருவிகள் ஓரளவிற்கு துல்லியமானவை. எளிய மற்றும் தனித்துவமான உணவுகளுக்கு, சிறந்த ஆய்வகச் சூழலில் மிகக் குறைந்த பிழை வரம்புகளையே இவை காட்டுகின்றன. இவை தினசரி தோராயமான கண்காணிப்பிற்குச் சிறந்தவை, ஆனால் இயற்பியல் ஸ்கேல் அளவிற்கு துல்லியமாக இருக்க முடியாது.

Automated Food Weight and Content Estimation Using Computer Vision and AI Algorithms (Gonzalez et al., Sensors 2024) ஆய்வின்படி, சாதம் மற்றும் கோழி இறைச்சியைப் பயன்படுத்திச் செய்த AI சிஸ்டம் சோதனையில் 5.07% மற்றும் 3.75% பிழை வரம்புகள் கண்டறியப்பட்டன. இவை மிகச் சிறந்த வெளிச்சத்தில், கலப்பு இல்லாத உணவுகளைக் கொண்டு செய்யப்பட்டவை.

கம்ப்யூட்டர் விஷன் எடை அளவீடு உங்கள் உணவின் காட்சிரீதியான தோற்றத்தை பகுப்பாய்வு செய்வதை அடிப்படையாகக் கொண்டது. மென்பொருள் உங்கள் சாதனத்தின் லென்ஸைப் பயன்படுத்தி உணவின் பரிமாணங்களை வரைபடமாக்கி, அந்த உணவிற்கான அறியப்பட்ட அடர்த்தி அளவீடுகளுடன் ஒப்பிடுகிறது.

சிக்கலான உணவுகள் அதிக மாறுபாட்டைக் கொண்டுள்ளன, ஏனெனில் கேமராவால் உணவின் ஆழத்தையோ அல்லது மறைக்கப்பட்ட உட்பொருட்களையோ துல்லியமாகக் கண்டறிய முடியாது. எனவே, மொபைல் செயலியை ஒரு மதிப்பீட்டுக் கருவியாக மட்டுமே பயன்படுத்துவது சிறந்தது. குறிப்பிட்ட மருத்துவ உணவுக் கட்டுப்பாடுகளுக்கு எப்போதும் மருத்துவரை அணுகவும்.

உங்கள் போனை உணவு ஸ்கேலாகப் பயன்படுத்த முடியுமா?

உங்கள் ஸ்மார்ட்போனைப் பயன்படுத்தி உணவின் அளவை காட்சிரீதியாகக் கணிக்க முடியும், ஆனால் இது ஒரு இயற்பியல் ஸ்கேலாகச் செயல்படாது. இந்த சாதனம் மேம்பட்ட செயற்கை நுண்ணறிவைப் பயன்படுத்தி உணவின் கன அளவைக் கணக்கிட்டு, அதன் அடர்த்தியை ஒப்பிடுகிறதே தவிர, உண்மையான ஈர்ப்பு விசையை அடிப்படையாகக் கொண்ட எடையை அளவிடுவதில்லை.

Automated Food Weight and Content Estimation Using Computer Vision and AI Algorithms: Phase 2 (Gonzalez et al., Sensors 2025) ஆய்வின் இரண்டாம் கட்டத்தில், அசல் ஆய்வில் கிடைத்த அதே பிழை வரம்புகள் (சாதத்திற்கு 5.07%, கோழிக்கு 3.75%) உறுதி செய்யப்பட்டன. இது கேமரா அடிப்படையிலான மதிப்பீடு சாதாரண அன்றாட கண்காணிப்பிற்குச் சாத்தியமானது என்பதை நிரூபிக்கிறது.

MDPI Sensors-ன் தலைமை ஆய்வாளர் டாக்டர் கோன்சலஸ் விளக்குகையில்: "இந்த எடை மதிப்பீட்டு முறை, உணவின் கன அளவை RGB மற்றும் டெப்த் கேமராக்கள் மூலம் அளவிட கம்ப்யூட்டர் விஷன் நுட்பங்களைப் பயன்படுத்துகிறது, பின்னர் ஒவ்வொரு உணவு வகைக்கும் உரிய அடர்த்தி மாதிரிகளைப் பயன்படுத்துகிறது" என்று கூறுகிறார். இது முற்றிலும் காட்சி மற்றும் கணித சார்ந்த செயல்முறையாகும்.

எங்களது விரிவான டிஜிட்டல் ஸ்கேல் செயலிகள்: உங்கள் போனை உணவு ஸ்கேலாகப் பயன்படுத்த முடியுமா? (2026 கையேடு) கட்டுரையில் இந்த வன்பொருள் வரம்புகள் விளக்கப்பட்டுள்ளன. உங்கள் ஸ்மார்ட்போன் திரையில் பொருட்களை நேரடியாக எடை போடத் தேவையான அழுத்தம் உணரும் சென்சார்கள் இல்லை. ஒரு ஆப்பிளை திரையில் வைத்தால் உங்கள் போன் திரை தான் சேதமடையும்.

ஸ்கேல் இல்லாமல் கிராம்களை அளவிடுவது எப்படி?

இயற்பியல் ஸ்கேல் இல்லாமல் கிராம்களை அளவிட, நீங்கள் வால்யூமெட்ரிக் உணவு அளவீடு மற்றும் ஏற்கனவே உள்ள அடர்த்தி தரவுத்தளங்களைச் சார்ந்திருக்க வேண்டும். AI மதிப்பீட்டு தளங்கள் உங்கள் உணவை ஸ்கேன் செய்து, கண்டறியப்பட்ட அளவின் அடிப்படையில் எடையைக் கணக்கிடுவதன் மூலம் இந்த செயல்முறையை எளிதாக்குகின்றன.

Applying Image-Based Food-Recognition Systems on Dietary Assessment: A Systematic Review (Dalakleidi et al., Advances in Nutrition 2022) ஆய்வின்படி, சேர்க்கப்பட்ட 78 ஆய்வுகளில் 45 (58%) ஆய்வுகள், குறிப்பாக கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகளை (CNN) பயன்படுத்தி இந்த மதிப்பீட்டு சவாலை எதிர்கொண்டன. இவை ஆயிரக்கணக்கான படங்களைப் பயன்படுத்தி வெவ்வேறு எடைகளில் உணவுகள் எப்படி இருக்கும் என்பதைப் புரிந்துகொள்ள பயிற்சியளிக்கப்படுகின்றன.

கிச்சன் ஸ்கேல் இல்லாதபோது, பொதுவான வீட்டுப் பொருட்களைக் கொண்டு தோராயமான ஒப்பீடுகளைச் செய்யலாம். ஒரு கட்டு சீட்டுக்கட்டு சுமார் 85 கிராம் சமைத்த இறைச்சிக்குச் சமம், ஒரு பேஸ்பால் சுமார் 150 கிராம் முழுப் பழத்திற்குச் சமம். இருப்பினும், இந்த மனக்கணக்குகள் மிகவும் அகநிலை சார்ந்தவை மற்றும் மனிதத் தவறுகளுக்கு அதிக வாய்ப்புள்ளவை.

கடுமையாகக் கண்காணிப்பவர்களுக்கு, மேக்ரோக்களுக்காக ஸ்கேல் இல்லாமல் அளவிடுவது எப்படி (2026) கட்டுரையில் நடைமுறை உத்திகள் கொடுக்கப்பட்டுள்ளன. நவீன ஸ்மார்ட்போன் செயலிகள், நம்பகத்தன்மையற்ற காட்சிரீதியான கணிப்பிற்கும் துல்லியமான எடை அளவீட்டிற்கும் இடையிலான இடைவெளியைக் குறைக்கின்றன.

போன் ஆப் மூலம் இதன் எடை எவ்வளவு?

இதன் எடை முடிவுகள் செயலியின் குறிப்பிட்ட பட அங்கீகார அல்காரிதம் மற்றும் உள் அடர்த்தி தரவுத்தளத்தைப் பொறுத்தது. முடிவுகள் பெருமளவில் மாறுபடலாம், சில நேரங்களில் சிக்கலான அல்லது அடுக்கு உணவுகளுக்கு மிக அதிக பிழை வரம்பைக் காட்டலாம்.

AI-based digital image dietary assessment methods compared to humans and ground truth: a systematic review (Shonkoff et al., Ann Med 2023) ஆய்வின்படி, 52 ஆய்வுகளில் கலோரிகளைப் பொறுத்தவரை ஒட்டுமொத்த சராசரி பிழைகள் 0.10% முதல் 38.3% வரை இருந்தன. இந்த மிகப்பெரிய தரவு வரம்பு, அளவிடப்படும் குறிப்பிட்ட உணவுப் பொருளைப் பொறுத்தே துல்லியம் அமைகிறது என்பதை உணர்த்துகிறது.

நீங்கள் எந்த டிஜிட்டல் ஸ்கேல் செயலிகள் வேலை செய்கின்றன? ஸ்கேல் இல்லாமல் எடை போடுவது எப்படி (2026) என்று தெரிந்துகொள்ள விரும்பினால், வாழைப்பழம் போன்ற தனித்துவமான பொருட்கள் சிறப்பாக அளவிடப்படுவதைப் புரிந்துகொள்ளுங்கள். கலவை உணவுகள் சென்சார்களைக் குழப்பி, அதிக பிழைகளை உண்டாக்குகின்றன.

இறுதி எண்ணை ஏற்றுக்கொள்வதற்கு முன் உணவின் வகையைச் சரிபார்க்கவும். உணவு லேபிளை கைமுறையாகச் சரிசெய்வது அந்த 38.3% பிழை வரம்பை கணிசமாகக் குறைத்து, கண்காணிப்பை நம்பகமானதாக மாற்றும்.

என்னால் போனில் எதையாவது எடை போட முடியுமா?

உங்கள் ஸ்மார்ட்போன் திரையில் பொருட்களை நேரடியாக எடை போட முடியாது, ஏனெனில் அவற்றில் எடைக்கான லோட் செல்கள் இல்லை. உங்கள் திரையை செயல்பாட்டு அழுத்தப் பலகையாக மாற்றும் செயலிகள் வெறும் பொழுதுபோக்கு அம்சங்களே.

Carbohydrate Estimation Accuracy of Two Commercially Available Smartphone Applications vs Estimation by Individuals With Type 1 Diabetes (Baumgartner et al., J Diabetes Sci Technol 2025) ஆய்வின்படி, Calorie Mama ஆப் கார்போஹைட்ரேட் மதிப்பீட்டில் 24 ± 36.5 கிராம் (81.2 ± 123.4%) பிழையைக் கொண்டிருந்தது — இது சராசரியாக 80%-க்கு மேல் பிழையைக் குறிக்கிறது.

டாக்டர் பாம்கார்ட்னர் குறிப்பிடுவது போல: "மனிதர்கள் கணித்ததில் சராசரி பிழை 21 ± 21.5 கிராம்கள், அதாவது சிறந்த வணிகமுறை AI செயலி கூட கட்டுப்பாட்டு சூழலில் மனித கணிப்பை விடச் சிறப்பாகச் செயல்பட்டது."

நீங்கள் இன்சுலின் அளவைச் சரியாகக் கணக்கிட அல்லது கடுமையான மருத்துவ உணவுக் கட்டுப்பாடுகளைப் பின்பற்ற முயன்றால், கண்டிப்பாக மருத்துவரை அணுக வேண்டும். இத்தகைய துல்லியமான தேவைக்கு ஒரு இயற்பியல் கருவி கட்டாயமாகும்.

AI கேமரா ஸ்கேல் துல்லியமின்மை தினசரி கலோரிகளை எவ்வாறு பாதிக்கிறது?

மதிப்பீட்டுப் பிழைகள் நாள் முழுவதும் கூடிக்கொண்டே சென்று, உங்கள் தினசரி உட்கொள்ளும் கலோரியைச் சில நூறு கலோரிகள் மாற்றக்கூடும். இந்த மாறுபாடு உங்கள் கலோரி பற்றாக்குறை இலக்கை எளிதில் அழித்து, உங்கள் உடல் முன்னேற்றத்தைத் தடுத்துவிடும்.

Pooled results from 5 validation studies of dietary self-report instruments using recovery biomarkers for energy and protein intake (Freedman et al., Am J Epidemiol 2014) ஆய்வின்படி, ஆற்றல் உட்கொள்ளலில் சராசரி குறைவு அறிக்கை 15% ஆக இருந்தது. மனிதர்கள் தங்கள் உணவின் அளவை நினைவில் கொள்வதிலும் மதிப்பிடுவதிலும் மோசமானவர்கள்.

5% முதல் 38% வரை பிழை விகிதம் கொண்ட AI கருவியைப் பயன்படுத்துவது இந்தத் தவறுகளை மேலும் அதிகரிக்கிறது. 2,000 கலோரி தினசரி இலக்குக்கு, 15% பிழை என்பது 300 கலோரிகள் கூடுதல் அல்லது குறைவானது, இது 250 கலோரி பற்றாக்குறையை முற்றிலும் பூஜ்யமாக்கிவிடும்.

எந்தெந்த கருவிகள் இந்த இடைவெளியைக் குறைக்கின்றன என்பதைத் தெரிந்துகொள்ள 2026-ன் புதிய AI போன் ஸ்கேல் செயலிகள் எவை? கட்டுரையைப் பாருங்கள். புதிய தளங்கள் LiDAR மற்றும் டெப்த் சென்சார்களைப் பயன்படுத்தி 2D புகைப்படங்களை விடத் துல்லியமாக கன அளவை மேப் செய்கின்றன.

2026-ல் சிறந்த டிஜிட்டல் உணவு ஸ்கேல் செயலிகள் எவை?

2026-ல் சிறந்த டிஜிட்டல் மதிப்பீட்டு தளங்கள் கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகளை பயனர் நட்பு கையேடு திருத்தக் கருவிகளுடன் இணைக்கின்றன. சிறந்த கருவிகள், இடஞ்சார்ந்த கன அளவு மேப்பிங்கை மேம்படுத்த டெப்த் சென்சார் தொழில்நுட்பத்தை ஒருங்கிணைத்து அடிப்படைப் பிழைகளைக் குறைக்கின்றன.

Dalakleidi et al. (Advances in Nutrition 2022) ஆய்வின்படி, ஆய்வு செய்யப்பட்ட 159 ஆய்வுகளில், பொதுவான உணவு தரவுத்தளங்களில் டீப் லேர்னிங் முறைகளே மற்ற அனைத்து அணுகுமுறைகளையும் விடச் சிறப்பாகச் செயல்படுகின்றன. இந்த மேம்பட்ட கட்டமைப்பைப் பயன்படுத்தும் செயலிகள் இயற்கையாகவே சிறந்த அடிப்படை மதிப்பீடுகளை வழங்குகின்றன.

இந்த ஆண்டு கிடைக்கும் சிறந்த காட்சிரீதியான மதிப்பீட்டுக் கருவிகளின் ஒப்பீடு இங்கே:

SNAQ சிக்கலான மேக்ரோக்களைக் கண்காணிக்கச் சிறந்தது, ஏனெனில் இது உணவின் கன அளவை மேப் செய்ய 3D டெப்த் தரவைப் பயன்படுத்துகிறது. MacroFactor கடும் கண்காணிப்பிற்குச் சிறந்தது, ஏனெனில் இது தானியங்கி ஸ்கேனிங்கை விட, பயனரின் உள்ளீடுகள் மற்றும் மாறும் செலவின அல்காரிதம்களில் கவனம் செலுத்துகிறது.

அடிக்கடி கேட்கப்படும் கேள்விகள்

ஒரு செயலியால் உணவின் எடையை துல்லியமாக கிராமில் சொல்ல முடியுமா?

எந்தவொரு செயலியாலும் உண்மையான எடையை துல்லியமாக அளவிட முடியாது. அவை உணவின் காட்சிரீதியான அளவைக் கணக்கிட்டு, அதற்குரிய அடர்த்தி பெருக்கிகளைப் பயன்படுத்தி எடையை மதிப்பிடுகின்றன.

மேக்ரோநியூட்ரியண்ட் கண்காணிப்புக்கு எனக்கு இயற்பியல் ஸ்கேல் தேவையா?

சாதாரண கண்காணிப்புக்கு இது கட்டாயமில்லை என்றாலும், ஒரு இயற்பியல் கருவியைப் பயன்படுத்துவது மிகவும் பரிந்துரைக்கப்படுகிறது. கேமரா கருவியைப் பயன்படுத்துவது பிழை வரம்பை உருவாக்கும், இது உங்கள் கலோரி பற்றாக்குறையை எளிதில் இல்லாமல் செய்துவிடும்.

கம்ப்யூட்டர் விஷன் எவ்வாறு உணவின் எடையைக் கணிக்கிறது?

மென்பொருள் உங்கள் சாதனத்தின் கேமராவைப் பயன்படுத்தி உணவின் பரிமாணங்களை வரைபடமாக்குகிறது. பின்னர், அந்த குறிப்பிட்ட உணவிற்கான அடர்த்தி தரவுகளுடன் ஒப்பிட்டு எடையைக் கணிக்கிறது.

எந்த வகையான உணவுகளை AI-ஆல் அளவிடுவது கடினம்?

சிக்கலான கலவை உணவுகள், அடுக்குகளாக உள்ள உணவுகள் மற்றும் திரவங்களை அல்காரிதம்களால் அளவிடுவது மிகவும் கடினம். கேமராவால் மறைக்கப்பட்ட பொருட்களைப் பார்க்கவோ அல்லது அடர்த்தியான குழம்பு உணவுகளின் ஆழத்தை அறியவோ முடியாது.

ஆதாரங்கள்

• Automated Food Weight and Content Estimation Using Computer Vision and AI Algorithms (Gonzalez et al., Sensors 2024) — எளிய உணவுகளுக்கு 3.75% முதல் 5.07% பிழை வரம்புடன் AI கம்ப்யூட்டர் விஷன் உணவு எடை மதிப்பீட்டை உறுதிப்படுத்தும் ஆய்வு.
• Automated Food Weight and Content Estimation Using Computer Vision and AI Algorithms: Phase 2 (Gonzalez et al., Sensors 2025) — நிஜ உலக உணவக அமைப்புகளில் அசல் பிழை வரம்புகளை உறுதிப்படுத்தும் ஆய்வின் இரண்டாம் கட்டம்.
• Carbohydrate Estimation Accuracy of Two Commercially Available Smartphone Applications vs Estimation by Individuals With Type 1 Diabetes (Baumgartner et al., J Diabetes Sci Technol 2025) — வணிகமுறை செயலிகள் கார்போஹைட்ரேட் மதிப்பீட்டில் 80%-க்கும் மேல் பிழை கொண்டிருக்கக்கூடும் என்பதை வெளிப்படுத்தும் ஒப்பீட்டு ஆய்வு.
• AI-based digital image dietary assessment methods compared to humans and ground truth: a systematic review (Shonkoff et al., Ann Med 2023) — AI கலோரி மதிப்பீட்டுப் பிழைகள் 0.10% முதல் 38.3% வரை இருப்பதை விவரிக்கும் முறையான ஆய்வு.
• Pooled results from 5 validation studies of dietary self-report instruments using recovery biomarkers for energy and protein intake (Freedman et al., Am J Epidemiol 2014) — மனிதர்கள் சராசரியாக 15% ஆற்றல் உட்கொள்ளலைக் குறைவாகவே அறிக்கையிடுகிறார்கள் என்பதைக் காட்டும் மெட்டா-ஆய்வு.
• Applying Image-Based Food-Recognition Systems on Dietary Assessment: A Systematic Review (Dalakleidi et al., Advances in Nutrition 2022) — 78 பட அடிப்படையிலான அமைப்புகளின் ஆய்வு, இதில் 58% உணவின் அளவை மதிப்பிட டீப் லேர்னிங் பயன்படுத்துவதைக் காட்டுகிறது.