インド料理画像からのカーボンフットプリント推定
Carbon Footprint Estimation from Indian Food Images (原題)
Hemendra Kumar R R, Jayanthi P
🤖 gxceed AI 要約
日本語
本研究は、食事画像から炭素フットプリントを自動推定するAIフレームワークを提案する。YOLOv8mベースの物体検出モデルをインド料理31カテゴリ・7,438枚の画像で訓練し、mAP@50で90.4%の高精度を達成した。検出した食品をLCA排出係数にマッピングすることで、食事単位のGHG排出量を自動算定する。将来的にモバイル・Webアプリでのリアルタイム推定や低炭素食事推薦への応用が期待される。
English
This paper proposes an AI framework that estimates meal-level carbon footprints directly from food images. A YOLOv8m object detection model trained on 31 Indian food categories (7,438 images) achieved 90.4% mAP@50. Detected items are mapped to LCA-based emission factors, enabling automated GHG estimation. The approach offers a scalable foundation for real-time, app-based sustainable dietary decision support.
Unofficial AI-generated summary based on the public title and abstract. Not an official translation.
📝 gxceed 編集解説 — Why this matters
日本のGX文脈において
食品由来の排出はScope 3（カテゴリ1・購入商品）や食品業界の脱炭素開示で重要性が増している。本手法は画像×AIによる排出量自動算定の一事例として、日本企業のScope 3算定高度化や消費者向け脱炭素ナッジ設計に示唆を与える。
In the global GX context
Food systems account for roughly a third of global GHG emissions, and this work sits at the AI×ESG frontier — automated, image-based carbon accounting that could feed Scope 3 category 1 estimates and consumer-facing disclosure. It complements global efforts to digitize emissions measurement beyond manual surveys and static databases.
👥 読者別の含意
🔬研究者:AI×LCA統合による食料消費の自動排出算定手法の実証例として、画像認識とサステナビリティ分析の接合点を学べる。
🏢実務担当者:食品・小売・外食企業がScope 3カテゴリ1の算定や消費者向け低炭素ナッジに応用できる画像ベース算定の可能性を示す。
🏛政策担当者:食料消費の脱炭素政策において、スケーラブルな排出モニタリング基盤としてのAI活用の政策的可能性を示唆する。
📄 Abstract（原文）
Food production and consumption are global sources of anthropogenic greenhouse gas (GHG) emissions. To encourage sustainable dietary choices for effective climate change mitigation, accurate estimation of the carbon footprint of meals is important. The conventional approaches to carbon footprint estimation, such as dietary surveys and looking up nutrition databases or carbon intensities from online resources followed by manual food logging, can be tedious, erroneous and challenging to scale. In this paper, we propose an artificial intelligence (AI) structure for estimating the carbon footprint of meals using their food images. Specifically, we develop and evaluate a convolutional neural network (CNN) model with YOLOv8m based architecture for food object detection in Indian meals. We trained a YOLOv8m object detection model on a custom dataset containing 31 Indian food categories comprising 7,438 training images and 974 validation images.. For efficient training and inference, we utilized an NVIDIA GeForce RTX 3050 Laptop GPU and trained the model for 50 epochs. With high values of Precision (85.0%), Recall (86.5%), mean average precision at 0.50 IOU (mAP@50) (90.4%) and 0.50 to 0.95 IOU (mAP@50 95) (60.9%), our model demonstrates impressive performance in detecting food items. We linked the detected food items to known carbon emission factors through the Life Cycle Assessment (LCA) method using a carbon mapping layer. This enabled the AI structure to perform the automated estimation of the meal level GHG emissions. Our food recognition structure can be integrated with future enhancements such as portion size estimation using depth estimation and intelligent low-carbon food recommendation engines. By bringing together computer vision with sustainability analytics, we have demonstrated the potential for developing a strong, scalable foundation for estimating the real-time carbon footprint of meals that can support environmentally conscious dietary decision making through mobile and web-based applications.
🔗 Provenance — このレコードを発見したソース
- openalex https://doi.org/10.20944/preprints202604.0860.v2first seen 2026-10-14 05:09:06
🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。
gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。