Datos

Scientific Reports volumen 13, número de artículo: 418 (2023) Citar este artículo

2057 Accesos

2 altmétrico

Detalles de métricas

Los sectores de hostelería y servicios de alimentación (HaFS) son notoriamente conocidos por su contribución al problema del desperdicio de alimentos. Por lo tanto, existe una necesidad urgente de diseñar estrategias para reducir el desperdicio de alimentos en los sectores HaFS y descarbonizar su operación para ayudar a combatir el hambre, lograr la seguridad alimentaria, mejorar la nutrición y mitigar el cambio climático. Este estudio propone tres vías para descarbonizar el funcionamiento de la cafetería del personal en un centro turístico integrado en Macao. Estos incluyen la optimización inicial para reducir el desperdicio de alimentos no servidos, la educación intermedia para crear conciencia entre el personal sobre el impacto de la elección de alimentos en el clima y la salud y, finalmente, el reconocimiento posterior para reducir el desperdicio de platos comestibles utilizando un sistema de visión por computadora de última generación. . La tecnología puede ser un medio eficaz para facilitar el cambio de comportamiento deseado mediante empujones, de forma muy similar a cómo los radares de tráfico pueden hacer que las personas reduzcan la velocidad y ayudar a salvar vidas. El enfoque holístico y basado en datos adoptado reveló un gran potencial para que las organizaciones o instituciones que ofrecen servicios de catering reduzcan el desperdicio de alimentos y la huella de carbono asociada, al tiempo que educan a las personas sobre el intrincado vínculo entre los alimentos, el clima y el bienestar.

La pérdida y el desperdicio de alimentos (PDA) son un problema mundial importante; las estimaciones de la FAO1 sugieren que un tercio de los alimentos comestibles producidos para el consumo humano se desperdician a nivel mundial cada año. En el contexto de las emisiones nacionales, si las PDA fueran un país, serían el tercer mayor emisor de gases de efecto invernadero (GEI) del mundo después de China y Estados Unidos2. Reducir las PDA globales reduciría significativamente los GEI en la atmósfera, desempeñando un papel importante en la lucha contra el cambio climático. La cuestión se vuelve aún más crítica cuando se prevé que la población mundial alcanzará los 9.800 millones en 20503, mientras que un asombroso 11,3% de personas todavía pasa hambre a diario4. Esto impone una demanda cada vez mayor al sistema alimentario mundial para alimentar a una población en crecimiento.

Los recursos naturales como el agua dulce y el suelo fértil necesarios para la producción de alimentos pueden agotarse más rápidamente de lo que podrían reponerse. Su preservación es fundamental para la seguridad alimentaria mundial. De ahí que el hambre cero, el agua potable y el saneamiento, el consumo y la producción responsables formen parte de los 17 Objetivos de Desarrollo Sostenible (ODS) formulados en 2015 y adoptados por muchos países desarrollados y en desarrollo5. La meta 12.3 de los ODS es "reducir a la mitad el desperdicio mundial de alimentos per cápita a nivel minorista y de consumo y reducir las pérdidas de alimentos a lo largo de las cadenas de producción y suministro, incluidas las pérdidas poscosecha, para 2030". La Coalición Internacional sobre Residuos de Alimentos (IFWC) informó que el último promedio de desperdicio de alimentos en el sector de hostelería y servicios de alimentación (HaFS) fue de 115 g por cubierta de comedor en 2021, y señaló que este valor se derivaba de una sobrerrepresentación de sitios en Francia6. En abril de 2021, China aprobó una ley sobre desperdicio de alimentos para prevenir el desperdicio de alimentos, salvaguardar la seguridad alimentaria nacional, conservar los recursos, proteger el medio ambiente y promover el desarrollo económico y social sostenible7.

Por definición, la pérdida y el desperdicio de alimentos (PDA) se refieren a la disminución de la masa o del valor nutricional de las partes comestibles de los alimentos a lo largo de la cadena de suministro destinadas al consumo humano8. Según la FAO9, las pérdidas de alimentos se producen desde la poscosecha hasta la etapa de venta minorista, pero sin incluirla. A menudo es involuntario y se debe en gran medida a una infraestructura y un transporte inadecuados para mantener la calidad de los alimentos desde la granja hasta el comercio minorista. Por otro lado, el desperdicio de alimentos se produce en las etapas de venta minorista y de consumo, a las que los sectores HaFS contribuyen significativamente. A menudo se debe a requisitos de normas alimentarias estrictas, alimentos caducados debido a un exceso de oferta o una demanda insuficiente y a un comportamiento despilfarrador de los consumidores. Los sectores HaFS tienen un papel importante que desempeñar en la reducción del desperdicio de alimentos, especialmente las organizaciones o instituciones educativas con cafetería interna frecuentada por miles de personas cada día.

El desperdicio de alimentos no se trata solo del desperdicio en sí, sino también de los impactos ambientales negativos de la huella de carbono e hídrica10, la pérdida de biodiversidad11 y el drenaje de la economía12. La Figura 1 ilustra cómo el ciclo de retroalimentación positiva de la mala gestión de la tierra y el agua acelera el cambio climático, la pérdida de biodiversidad y la degradación de la tierra. El problema del desperdicio de alimentos está indisolublemente ligado al cambio climático a través de la liberación de GEI. Los desafíos que plantea el cambio climático incluyen la seguridad hídrica y alimentaria13, así como condiciones climáticas extremas, como el aumento de la frecuencia e intensidad de los desastres relacionados con el clima que amenazan la salud pública14 y causan pérdidas económicas masivas15. Para Macao, las inundaciones intensas y los tifones son particularmente terribles, como lo demuestran los devastadores impactos del tifón Hato en 201716. Las fuentes de emisiones de GEI en nuestro sistema alimentario incluyen la deforestación para la agricultura, los fertilizantes para las plantas, el cultivo de arroz, el pastoreo de ganado, el estiércol y los combustibles fósiles. utilizados en la producción de alimentos y las cadenas de suministro17. Se estima que la producción mundial de alimentos representa el 26% de las emisiones globales de GEI. Sin embargo, una cuarta parte de esa cifra proviene de las PDA, es decir, alimentos perdidos en las cadenas de suministro y desperdicios de los consumidores, sin incluir las pérdidas de alimentos en las explotaciones agrícolas durante la producción y la cosecha18. Se podría lograr una reducción significativa de las emisiones de GEI optimizando la cadena de suministro de alimentos, lo que en última instancia podría ayudar a limitar el aumento de la temperatura global por debajo de 2 \(^\circ\)C como lo establece el Acuerdo de París17.

Circuitos de retroalimentación entre la degradación de la tierra, el cambio climático y la pérdida de biodiversidad. Tomado de la Figura 1.3 de The Global Land Outlook UNCCD (2022)19.

Los datos sobre el desperdicio de alimentos del complejo integrado en este estudio muestran dos patrones principales. En primer lugar, los "alimentos no servidos" representan la mayor parte del desperdicio de alimentos en la cocina, que también incluye desechos provenientes de recortes, deterioro, daños y errores de cocción. Esto implica que los chefs están sobreestimando la demanda en el plazo en el que se sirve la comida. Este problema podría abordarse optimizando la oferta en función de la demanda. En segundo lugar, la categoría de "desperdicio de platos" representó la mayoría (más del 90%) del total de desperdicio de alimentos en la cafetería del personal. Esto implica que el personal está sobreestimando su capacidad para consumir todos los alimentos ingeridos o el tiempo que tienen para comer, o que la calidad de los alimentos no está a la altura de sus expectativas. Este problema podría abordarse con cambios de comportamiento y/o cambios en el menú.

Este estudio tiene como objetivo responder tres preguntas principales para abordar la causa fundamental del desperdicio de alimentos en la cafetería del personal: ¿Cuánta comida debería cocinar el chef cada día? ¿Cómo alentar al personal a elegir mejores alimentos y reducir el desperdicio de alimentos comestibles? ¿Cómo proporcionar comentarios al chef sobre platos potencialmente mal cocinados?

El plan del artículo es el siguiente: “Método” describe los métodos experimentales utilizados para abordar las tres preguntas de investigación mencionadas anteriormente, a saber, optimización ascendente, educación intermedia y reconocimiento descendente; “Resultados: un estudio de caso” describe los resultados de los experimentos implementados en el resort integrado de este estudio; “Discusión y perspectivas” analiza los impactos de las intervenciones, así como los desafíos y mejoras para futuros estudios; finalmente “Conclusión” extrae las conclusiones de este estudio.

La Figura 2 muestra las tres corrientes de descarbonización propuestas en este estudio para reducir los GEI del ciclo de vida procedentes del desperdicio de alimentos. Las tres corrientes incluyen: (1) optimización inicial, (2) educación intermedia y (3) reconocimiento posterior. Las tres corrientes conforman un enfoque holístico basado en datos para reducir el desperdicio de alimentos y la huella de carbono de la cafetería integrada del personal del resort. Como dice el refrán, "no se puede gestionar lo que no se mide".

Tres corrientes de descarbonización para reducir las emisiones de GEI del ciclo de vida procedentes del desperdicio de alimentos: optimización inicial, educación intermedia y reconocimiento posterior.

La optimización upstream tiene como objetivo abordar el problema del desperdicio de alimentos no servidos. La fuente del problema podría deberse a una cocción excesiva, platos mal cocinados o ingredientes de mala calidad que provocan una falta de demanda del plato. Para comprender mejor la oferta y la demanda en la cafetería del personal, se analizaron los datos del peso de los desperdicios de alimentos no servidos de la cocina trasera para diferentes categorías de alimentos y se correlacionaron con el número de tapas servidas en la cafetería del personal en diferentes días de la semana. la semana para revelar un posible desajuste entre la oferta y la demanda.

Para modelar y pronosticar la demanda en la cafetería del personal, se utilizaron datos de cobertura de comedor por hora. Hubo dos años de datos históricos entre el 1 de abril de 2020 y el 1 de abril de 2022 inclusive. Los datos de las portadas mostraron una fuerte estacionalidad diaria y semanal debido a los horarios regulares de comida y los fines de semana, respectivamente. Por lo tanto, el paquete Prophet era muy adecuado para esta tarea de pronóstico de series temporales20. El procedimiento se basó en un modelo aditivo en el que se ajustaron los efectos de tendencia, estacionalidad y vacaciones a los datos no lineales subyacentes. Ofreció un manejo sólido de los datos faltantes y los cambios en la tendencia. Las fuentes de incertidumbre en el pronóstico incluyeron: incertidumbre en la tendencia, estimaciones de estacionalidad y ruido de observación adicional. El modelo de pronóstico de Prophet podría resumirse en la siguiente función

donde y(t) es el resultado del pronóstico, g(t) es la función de tendencia que puede ser plana, lineal por partes o logística por partes, s(t) es la función estacional que se aproxima mediante una serie de Fourier a los componentes estacionales intradiarios, semanales y/o anuales, h(t) es la función de vacaciones y \(\epsilon (t)\) es el término de error que se supone tiene una distribución normal. El modo de estacionalidad podría ser aditivo o multiplicativo. Los componentes estacionales multiplicativos se agregan como una cantidad proporcional al valor de la tendencia g(t) en el momento t, de modo que los efectos estacionales responden proporcionalmente a los aumentos o disminuciones en la tendencia.

Al tener un modelo para pronosticar la cantidad de cubiertos en la cafetería del personal, el siguiente paso fue modelar cuánta comida se necesitaría dada la cantidad esperada de personal. Esto se logró modelando la dieta humana compuesta por los siguientes tres macronutrientes: carbohidratos, grasas y proteínas. La ingesta diaria media recomendada de 2.000 kcal21 podría utilizarse para predecir la cantidad de alimento necesaria. Un estudio de Zhang et al.22 mostró la diferencia en la ingesta de nutrientes entre sujetos chinos y otros grupos étnicos. Descubrieron que entre la muestra china, el porcentaje de macronutrientes dividido entre carbohidratos, grasas y proteínas era aproximadamente 50:35:15. Según una calculadora de macronutrientes en línea23, para un hombre/mujer sedentario de 35 años, 1,70 m de altura y 60 kg, que desea mantener el peso e ingerir cantidades moderadas de proteínas, el porcentaje típico de macrodivisión era 50:30:20. Dadas las densidades calóricas de macronutrientes comunes de 4 kcal/g para carbohidratos, 9 kcal/g para grasas y 4 kcal/g para proteínas, el equivalente en gramos por macro por día sería 250:67:100 para carbohidratos, grasas y proteínas. Esto se trató como base para satisfacer las necesidades nutricionales básicas de un personal promedio.

Suponiendo que las 2000 kcal diarias se distribuyeran en tres comidas, de modo que el 20% se consumiera en el desayuno, el 40% en el almuerzo y el 40% en la cena24 y que el porcentaje de macrodivisión siguiera siendo el mismo que se describió anteriormente, la cantidad de macros necesarias por comida sería

Desayuno—50:13.4:20

Almuerzo—100:26.8:40

Cena—100:26.8:40

donde todas las proporciones se dan en unidades de gramos para carbohidratos, grasas y proteínas, respectivamente.

Al pronosticar el número de tapas con un día de anticipación, el chef podría estimar una cantidad suficiente de cada plato para cocinar de manera que satisfaga las necesidades nutricionales básicas del personal, minimizando la posibilidad de que se cocine demasiado. El modelo de pronóstico podría actualizarse diariamente a medida que lleguen nuevos datos sobre las cubiertas del comedor al final del día.

La educación intermedia implica etiquetar sobre carbono y nutrición todos los platos en la cafetería del personal para que el personal comprenda cómo sus elecciones de alimentos impactan el clima y su salud. Esto requirió recopilar las recetas de cada plato servido en la cafetería del personal, así como el equipo de cocina utilizado para cocinar los platos para estimar las emisiones de GEI incurridas en la etapa de consumo del plato.

Los menús en la cafetería del personal se organizaron en los siguientes 13 tipos: carne de res, sopa de arroz, huevo y frijoles, postre, fruta, cerdo, aves, arroz y fideos, salsa, mariscos, sopa, sopa dulce y vegetales. Hubo un total de 404 platos y 344 ingredientes únicos a partir de los cuales se construyó la base de datos nutricional.

Para el etiquetado nutricional de los platos, se utilizaron datos nutricionales de Cronometer y sus fuentes. Como la mayoría de los nombres de los ingredientes estaban en chino, se tradujeron al inglés antes de crear una base de datos nutricional personalizada para los platos de la cafetería del personal (consulte la Información complementaria). La cantidad de calorías y macronutrientes se informaron en unidades kcal y gramos por 100 g del plato respectivamente, una convención en la mayoría de las etiquetas nutricionales.

Para los platos con etiquetado de carbono, se utilizó la evaluación del ciclo de vida (LCA) para estimar el impacto ambiental total de los ingredientes alimentarios desde la producción hasta la eliminación. Al considerar la energía y los recursos involucrados en cada etapa por separado, podría ayudar a identificar los "puntos críticos" de emisiones de modo que se puedan implementar estrategias de descarbonización específicas.

Se incluyeron cinco etapas en la evaluación del ciclo de vida de un ingrediente alimentario: (1) agrícola (para la producción de alimentos), (2) procesamiento (incluido almacenamiento y envasado), (3) distribución, (4) consumo y (5) gestión de residuos. . Cada etapa del ciclo de vida genera una huella de carbono y debe tenerse en cuenta al etiquetar los alimentos con carbono. En la mayoría de los casos, la etapa agrícola hace la mayor contribución a las emisiones totales de alimentos, contribuyendo entre el 80% y el 86% de las emisiones de los sistemas alimentarios, aunque con variaciones significativas entre regiones y alimentos25. Las restantes etapas de las emisiones de la cadena de suministro también varían drásticamente según los patrones de consumo de alimentos, que difieren según el país.

Todos los ingredientes crudos se clasificaron en uno de 18 tipos: alcohol, acuáticos, carne de res, lácteos, huevos, frutas, hongos, cordero, legumbres, maíz, nueces, aceite, cerdo, aves, arroz, condimentos, vegetales y trigo. Este enfoque se adoptó para utilizar factores de emisión específicos de China para ciertos tipos de alimentos basándose en un estudio de la huella de carbono del desperdicio de alimentos de Beijing26. Las fuentes de otros factores de emisión, los supuestos de intensidad energética para el procesamiento de alimentos, los modos y distancias de transporte y las emisiones de la gestión de residuos específicos de Macao se documentaron en los archivos de datos de emisiones que están disponibles en la Información complementaria.

Para cada plato, la huella de carbono se proporcionó en kg CO2e/kg (es decir, kilogramos de CO2 equivalente por kilogramo de plato) en función del peso de los ingredientes indicados en la receta. CO\(_2\) equivalente (CO2e) es una unidad de medida utilizada para estandarizar los efectos climáticos de varios gases de efecto invernadero (GEI) debido a diferentes potenciales de calentamiento global (GWP). El GWP es una medida del efecto de calentamiento durante 100 años en comparación con el CO\(_2\). Por ejemplo, el metano (CH\(_4\)) es aproximadamente 28 veces más fuerte que el CO\(_2\), y el óxido nitroso (N\(_2\)O) es aproximadamente 273 veces más fuerte que el CO\(_2\)27 .

Para comparar la huella de carbono de diferentes platos, se utilizó el sistema de semáforo de la Guía Sueca de Carne, donde \(<4\) kgCO2e/kg, 4–14 kgCO2e/kg y \(>14\) kgCO2e/kg se marcaron en verde , naranja y rojo respectivamente28. El umbral de huella de carbono de los alimentos para un individuo (o 'valor justo de emisiones diarias de alimentos') se fijó en 2,7 kgCO2e/día. Este valor se basó en las emisiones globales totales de CO2e en 2030 necesarias para alcanzar cero emisiones netas para 2050, suponiendo una tendencia linealmente decreciente, y se puede calcular de la siguiente manera: 33,8 gigatoneladas de CO2e/año/8.500 millones de personas/365 días \(\times\) 25 % (para consumo de alimentos) \(\aprox\) 2,7 kgCO2e/persona/día29.

El reconocimiento posterior implica la construcción de un sistema de detección de residuos de placas utilizando visión por computadora para comprender y cuantificar mejor lo que el personal desecha. Permitiría la segregación de residuos de alimentos no comestibles (como huesos, cáscaras, cáscaras, etc.) y comestibles (como verduras, carne, arroz, etc.). La detección de diferentes tipos de desperdicio de alimentos también podría informar al chef sobre posibles cambios en las recetas, como los métodos de cocción, y/o ajustar los ingredientes en consecuencia.

Una pregunta que puede surgir es por qué el propio personal no puede clasificar manualmente los residuos de platos. En un mundo ideal, este sería un enfoque viable para reconocer y cuantificar con precisión el desperdicio de placas. Sin embargo, la realidad presenta varios problemas. Por ejemplo, el personal puede tener prisa y simplemente tirar todos los restos de platos en un solo contenedor. Los desechos de los platos a menudo pueden ser un desastre, por lo que la separación de los alimentos comestibles y no comestibles podría llevar mucho tiempo y potencialmente generar largas colas en la cafetería durante las horas pico. Sería necesario capacitar a miles de empleados para separar manualmente los desechos de placas. Hacer cumplir una intervención de este tipo puede suponer una pérdida de recursos humanos. En ese sentido, un sistema automatizado de detección de residuos de planchas eliminaría la disciplina humana de la ecuación y ayudaría a aliviar los problemas descritos anteriormente.

El algoritmo de visión por ordenador empleado fue un modelo de detección de objetos de última generación denominado YOLOv530, capaz de detectar objetos de interés en tiempo real. Debido a la gran variedad de desechos de alimentos, se necesitaron miles de imágenes de desechos de alimentos etiquetadas para proporcionar un conjunto de datos lo suficientemente grande como para entrenar el modelo. Para entrenar un modelo de detección de objetos, se requirieron dos entradas: (1) imágenes y (2) etiquetas que consisten en cuadros delimitadores con nombres de clases alrededor de todos los objetos de interés en las imágenes. Como se enfatiza en el curso Ingeniería de aprendizaje automático para producción (MLOps) de DeepLearning.ai31, se debe adoptar un enfoque centrado en datos para el aprendizaje automático. A menudo ocurre que modelos simples entrenados con etiquetas consistentes y precisas superan a los algoritmos más avanzados con etiquetas inconsistentes e inexactas.

Para anotar datos, se utilizaron la herramienta OpenLabelling modificada32 y la plataforma Roboflow33 para agilizar el proceso de etiquetado y colaborar con otros anotadores. La herramienta OpenLabelling modificada permitió el etiquetado rápido de imágenes almacenadas en la máquina local. La plataforma Roboflow permitió ajustar los cuadros delimitadores y obtener estadísticas resumidas del conjunto de datos, como la distribución de clases, que informaba qué clases estaban sobre o subrepresentadas para que la recopilación de datos pudiera dirigirse a clases subrepresentadas para aliviar el problema. del desequilibrio de clases.

Se utilizaron varias métricas para cuantificar qué tan bien se desempeña un modelo de detección de objetos. Una métrica común llamada intersección sobre unión (o IoU) mide la superposición entre dos cuadros delimitadores. Se define como:

donde 'Área de intersección' es la superposición entre dos cuadros delimitadores y 'Área de unión' es el área total encerrada por ambos cuadros delimitadores. Un IoU más alto significa una mayor fracción de superposición entre dos cuadros, donde un valor de 1 significa una superposición perfecta. Si el IoU excede un umbral predefinido (por ejemplo, IoU = 0,5), entonces se dice que la superposición entre un cuadro delimitador predicho y real del terreno es una detección positiva o un verdadero positivo (TP); de lo contrario, es un falso positivo (FP). ). Un falso negativo (FN) se produce si el modelo no logra predecir un cuadro delimitador en una imagen que contiene objetos de interés.

Durante la inferencia, el modelo recibe una imagen invisible y predice cuadros delimitadores. Cada cuadro delimitador predicho tiene una probabilidad (o puntuación de confianza) con un valor entre 0 y 1. Un valor de confianza más alto implica que el modelo tiene más confianza en que existe un objeto de una clase específica en la ubicación predicha. Puede haber muchos cuadros delimitadores predichos inicialmente por el modelo. Para mantener solo el mejor cuadro delimitador alrededor de un objeto, YOLOv5 utiliza supresión no máxima (NMS) para reducir la cantidad de cuadros delimitadores. En primer lugar, NMS solo mantendrá los cuadros delimitadores que tengan una puntuación de confianza (conf) mayor que un umbral predefinido (por ejemplo, conf = 0,5) y los eliminará en caso contrario. En segundo lugar, se eliminarán todos los cuadros delimitadores previstos que tengan un valor de IoU mayor que un umbral predefinido (por ejemplo, IoU = 0,5) con respecto al mejor cuadro delimitador. Un IoU mayor entre dos predicciones probablemente indica dos cuadros delimitadores que se refieren al mismo objeto. Este procedimiento se repite para cada clase predicha en una imagen. Los umbrales de confianza y de IoU utilizados aquí se denominan umbrales NMS y el usuario puede configurarlos antes de la inferencia.

Para medir qué tan bien el modelo predice una clase determinada, las métricas de precisión y recuperación se utilizan para evaluar las predicciones con respecto a la verdad fundamental. La precisión, que mide qué tan precisas son las predicciones, está dada por

es decir, la fracción de predicciones positivas (TP + FP) que en realidad son ciertas (TP). La recuperación, que mide qué tan bien el modelo encuentra todos los aspectos positivos, está dada por

es decir, la fracción de casos positivos (TP + FN) que se predice correctamente (TP). Aquí, TP es verdadero positivo, FP es falso positivo y TN es verdadero negativo. A medida que el umbral de IoU disminuye de mayor a menor, la precisión probablemente disminuirá y la recuperación aumentará, porque un umbral de IoU más bajo se satisface más fácilmente y, por lo tanto, más detecciones positivas (TP o FP). Cada umbral de IoU produciría una curva de recuperación de precisión (PR) diferente para el conjunto de datos etiquetado. La precisión promedio (AP) de cada clase es el área bajo la curva PR basada en un único umbral de IoU. Se puede calcular como

donde n es el número de puntos en la curva PR y \(\text {Recall}[0] = 0\). Los puntos que componen una curva PR son predicciones del modelo clasificadas de confianza alta a baja hasta un umbral de confianza (por ejemplo, conf = 0,25), bajo un único umbral de IoU (por ejemplo, IoU = 0,5). La interpolación se utiliza a menudo para tener puntos espaciados uniformemente. En otras palabras, el AP de una clase es una suma ponderada de precisión donde el peso es el aumento de la recuperación entre puntos consecutivos. Después de calcular el AP para cada clase, la precisión promedio promedio (o mAP) se puede calcular promediando todas las clases como

donde \(AP_k\) es la precisión promedio de la clase k y n es el número de clases. Tenga en cuenta que los umbrales de confianza y de IoU utilizados para evaluar AP y mAP son diferentes a los umbrales de NMS durante la inferencia.

Para la detección de objetos, las dos métricas comunes utilizadas para cuantificar el rendimiento del modelo son: \(\mathrm {[email protected]}\) que significa mAP con IoU = 0,5 en todas las clases y \(\mathrm {[email protected]:0.95}\ ) lo que significa que mAP promedió más de 10 umbrales de IoU de 0,5 a 0,95 con un tamaño de paso de 0,05 en todas las clases.

Como prueba de concepto, el pequeño modelo YOLOv5s se entrenó durante 1000 épocas con 250 imágenes de desechos de platos de la cafetería del personal capturadas manualmente usando una cámara con categorías de alimentos etiquetadas, como verduras, carnes y huesos. La capacitación se realizó en una GPU Nvidia V100 en el clúster de computación de alto rendimiento (HPC) de astrofísica de la UCL. El modelo se adaptó sustancialmente al conjunto de entrenamiento, pero aun así fue prometedor ya que el modelo pudo aprender el mapeo subyacente entre las imágenes de desperdicios de alimentos y los objetos de alimentos que contienen.

Para capturar grandes cantidades de imágenes de desperdicios de alimentos de manera eficiente y sin interferir con el funcionamiento normal del personal, se diseñó el siguiente mecanismo de recolección de imágenes en la sala de administración. Se instaló un soporte de montaje de acero encima del sistema transportador de retorno de bandejas sucias, a más de 2 m de altura para evitar obstruir la operación de supervisión de los trabajadores. Se colocó una pequeña cámara con clip en el soporte que miraba directamente debajo de donde los trabajadores retiraban las bandejas sucias de los estantes transportadores de varios niveles para eliminar los desechos. La cámara se puso en modo vídeo para grabar continuamente durante varias horas. Durante el análisis posterior, se extrajeron fotogramas de los vídeos a una velocidad de un fotograma por segundo. Se cambió el tamaño de los fotogramas a 1280 \(\times\) 1280 píxeles para reducir el tamaño de almacenamiento. Utilizando un enfoque de aprendizaje activo, las imágenes se etiquetaron automáticamente con una versión existente del modelo. Las etiquetas se verificaron y corrigieron manualmente según fue necesario antes de agregarlas al conjunto de datos de entrenamiento existente en Roboflow para ajustar los cuadros delimitadores y, finalmente, volver a entrenar el modelo desde cero.

Para determinar el peso de los residuos de placas, se programó un conjunto de células de carga para tomar dos mediciones de peso antes y después de tirar los residuos de placas (justo antes de retirar la bandeja). El peso de los restos de platos se puede encontrar a partir de la diferencia entre los dos pesos, excluyendo el peso de la bandeja, platos, tazones, tazas y utensilios.

Partiendo de las ideas anteriores, se construyó un prototipo de rastreador de residuos de placas para incorporar todo lo anterior. Constaba de: una unidad Raspberry Pi (RPi) 3b+ para programación, dos celdas de carga para pesar, un módulo de cámara para capturar imágenes, un soporte de montaje de madera para asegurar las dos celdas de carga con una plataforma acrílica en la parte superior, una carcasa saliente para albergar la unidad RPi y la cámara que estaba colocada directamente encima de la plataforma de pesaje de abajo. Las dos celdas de carga se conectaron a los pines de entrada/salida de propósito general (GPIO) del RPi mediante un combinador de sensores de carga. El módulo de la cámara se conectó directamente al puerto del módulo de la cámara en la placa RPi. Las bibliotecas RPi.GPIO, hx711 y picamera Python se utilizaron en un script para controlar los canales GPIO de Raspberry Pi e interactuar con las celdas de carga y el módulo de cámara. Al encender el rastreador de residuos de placas, la Raspberry Pi establecería una conexión WiFi automáticamente y podría controlarse de forma remota desde una computadora portátil a través de SSH (un protocolo de comunicación de red). Esto permitió que las actualizaciones de software se enviaran a la Raspberry Pi de forma inalámbrica. El proceso final para el rastreador de desperdicios de alimentos se ilustra en la Fig. 3 y se resume a continuación:

Un usuario coloca una bandeja en la plataforma del rastreador que activa la captura del peso y la imagen "antes". Ambos se almacenan en la tarjeta SD de la Raspberry Pi.

La imagen se carga a través de una solicitud HTTP POST al servidor Heroku que aloja la aplicación de detección de residuos de placas de contenedores Docker34. La imagen será procesada por un modelo YOLOv5 almacenado en caché para la detección de residuos de placas y los resultados se descargarán automáticamente nuevamente en la tarjeta SD Pi, que podría mostrarse en una pantalla. Tenga en cuenta que este paso de inferencia se ejecuta de forma asincrónica (es decir, en paralelo) con el resto del programa.

Al mismo tiempo, el usuario tira los restos de platos a un contenedor.

Después de desecharla, el peso "después" de la bandeja se captura automáticamente cuando el usuario retira la bandeja de la plataforma, momento en el que el peso de los residuos de placas se calcula a partir de la diferencia entre "antes" y "después".

Los datos de desperdicio de placas de este usuario se almacenan en un archivo CSV para su análisis posterior.

El ciclo se repite desde el paso 1.

La tubería de seguimiento de residuos de placas.

Este estudio propuso tres vías para reducir el desperdicio de alimentos y la huella de carbono en la cafetería del personal de un resort integrado en Macao, abordando las preguntas planteadas en "El desperdicio de alimentos en los sectores HaFS y sus impactos asociados". Para determinar cuánta comida se debe cocinar, se utilizó un pronóstico de demanda del personal de la cafetería y un modelo nutricional para estimar las necesidades nutricionales básicas del personal en un día. Para alentar al personal a elegir mejores alimentos, se implementaron etiquetas nutricionales y de carbono en 404 platos servidos en la cafetería del personal para crear conciencia sobre los impactos de los diferentes alimentos en el clima y su salud. Para reducir el desperdicio de alimentos comestibles, se construyó un rastreador de desechos de platos equipado con visión por computadora para rastrear lo que el personal tira, cuyas estadísticas podrían informar al chef sobre posibles platos mal cocinados. Los miembros del personal que utilizaban el comedor a diario pertenecían principalmente al grupo étnico chino, con edades comprendidas entre 30 y 50 años, con estudios secundarios o universitarios, una mezcla bastante equilibrada de hombres y mujeres, con un ingreso promedio de aproximadamente \(\pounds\) 25.000 por año (basado en un tipo de cambio MOP/GBP de \(\pounds\) 0,11 en el momento de escribir este artículo). Los resultados detallados de cada estrategia se analizan a continuación.

La Figura 4 muestra la variación en el número de cubiertas y el peso de los residuos de alimentos no servidos en diferentes días de la semana. Los resultados muestran un claro comportamiento bimodal en el número de coberturas con días laborables altos (típicamente \(\sim\) 3100 coberturas) y fines de semana bajos (típicamente \(\sim\) 2850 coberturas), debido a que el personal de oficina tiene los fines de semana libres. En general, el promedio de desperdicio de alimentos no servidos por día fue de \(\sim\) 30 kg de lunes a domingo. A pesar de que el número medio de coberturas los sábados y domingos fue alrededor de un 8% menor que los días laborables, el desperdicio de alimentos no servidos se mantuvo igual, si no mayor en ocasiones, como se ve desde el rango intercuartil más amplio (IQR). Este resultado muestra el potencial para optimizar la cantidad de alimentos cocinados según el pronóstico de las cubiertas del comedor y el modelo de macronutrientes para reducir el desperdicio de alimentos no servidos.

Un diagrama de caja que muestra la cantidad de cubiertos de la cafetería del personal (arriba) y el peso de los desperdicios de alimentos no servidos (abajo) para diferentes días de la semana. La parte inferior del cuadro es el cuartil inferior Q1 (25% de los datos por debajo de este valor), la parte superior del cuadro es el cuartil superior Q3 (75% de los datos por debajo de este valor), con una línea en la mediana Q2 (50% de datos por debajo de este valor). Los bigotes debajo y encima de la caja se extienden a no más de 1,5 \(\times\) IQR (IQR = Q3–Q1) desde los bordes de la caja y terminan en el punto de datos más lejano dentro de ese intervalo. Los valores atípicos se representan como puntos.

La Figura 5 muestra los componentes del modelo de previsión para el número de tapas en la cafetería del personal por hora. Se encontró que el mejor conjunto de parámetros era: una tendencia plana (es decir, sin crecimiento ni disminución en el número de empleados), incluidos los días festivos en Macao, una tendencia semanal multiplicativa de orden 5 de Fourier y una tendencia diaria multiplicativa de orden 15 de Fourier. Se descubrió que estas configuraciones produjeron el mejor rendimiento de pronóstico en los datos de la prueba con un error absoluto medio de 18 recuentos, lo que significa que, en promedio, en una hora determinada, la diferencia entre los recuentos previstos y verdaderos para el número de cubiertos fue de 18 personas de aproximadamente 125 coberturas horarias promedio (ver Fig. 5a).

Con el tiempo, los componentes del modelo Prophet se utilizaron para colocar las cubiertas del comedor de la cafetería del personal. Los paneles de arriba hacia abajo son: (a) la tendencia (que es plana en este modelo) da el valor base del pronóstico (en unidades de cubiertas por hora), (b) efectos de días festivos que actúan para reducir el valor base del pronóstico, (c) y (d) estacionalidades semanales y diarias que dan el porcentaje del valor base necesario para agregar a la estimación final del pronóstico.

La Figura 6 muestra el modelo aplicado a datos de prueba no vistos durante el mes de abril de 2022 (solo se muestra medio mes para mayor claridad). El pronóstico (línea azul) con un intervalo de incertidumbre del 90% en azul claro captó bien los patrones semanales y diarios de las coberturas de la cafetería del personal en este período de prueba. Otras variaciones del modelo, como sin días festivos o utilizando tendencias lineales por partes, tuvieron un error absoluto medio más alto, a pesar de producir visualmente mejores ajustes a los picos más altos durante las horas del almuerzo.

Previsión del número de coberturas horarias para el periodo comprendido entre el 01 de abril y el 17 de abril de 2022 (inclusive). La línea azul representa los valores previstos, el tono azul claro representa el intervalo de incertidumbre del 90% para los recuentos y los puntos rojos representan el número real de comidas en una hora determinada.

Dada una previsión relativamente precisa del número de coberturas, también se modelaron las necesidades nutricionales del personal en un momento determinado. La Figura 7 muestra el modelo nutricional en función del número de personal a una hora determinada. Proporciona la cantidad recomendada de macros necesarias para satisfacer las necesidades nutricionales promedio del personal, como se describe en "Optimización ascendente: previsión de la demanda nutricional". Se predijo que la cantidad diaria de macronutrientes requerida, basada en una dieta típica de 2000 kcal por persona, para unos 3000 miembros del personal en diferentes días de la semana oscilaría entre:

Carbohidratos: 245-280 kg

Grasa: 71 a 75 kg

Proteína: 98-112 kg

Al comparar estos valores de macronutrientes previstos con la cantidad real servida en un día normal, se encontró que había signos de exceso de oferta. La cantidad de carbohidratos, grasas y proteínas suministradas fue del 123%, 207% y 233% de los valores promedio previstos, respectivamente. Tenga en cuenta que solo se incluyeron los platos principales en este análisis de macronutrientes; platos como sopas, salsas y ensaladas frescas se excluyeron del cálculo debido a cantidades insignificantes de macronutrientes. Sin embargo, se calcularon los valores nutricionales y de huella de carbono para este tipo de platos, como se ve en la Fig. 8. Su exclusión se basó únicamente en la obtención de una base de referencia para los macronutrientes mínimos requeridos. Estos resultados implicaron que la mediana de 30 kg de desperdicio de alimentos no servidos por día podría reducirse significativamente, ya que había más del doble del promedio de grasas y proteínas requeridas en un día normal.

La previsión de macronutrientes horaria para el periodo comprendido entre el 01 de abril y el 17 de abril de 2022 (inclusive) en función del número de tapas de comedor registradas. Cada punto representa la cantidad típica (en kg) de un macronutriente particular necesario para satisfacer las necesidades nutricionales básicas de los miembros del personal durante esa hora determinada.

La Figura 8 muestra un gráfico solar de la huella de carbono de 404 platos agrupados por tipo de plato. Cuando se ve en el navegador35, el gráfico es interactivo y permite ampliar diferentes tipos de platos para ver cada plato con valores nutricionales. El tamaño del sector es proporcional a la suma de la huella de carbono en ese sector. El color de cada sector está determinado por la huella de carbono promedio en ese sector y el esquema sigue el sistema de semáforo de la Guía Sueca de la Carne, como se describe en “Educación intermedia: etiquetado nutricional y de carbono en los alimentos”. De la sección roja brillante se desprende inmediatamente que los platos de carne de res tienen la mayor huella de carbono, en gran parte debido a su alta emisión de GEI en la etapa agrícola del ciclo de vida, como se ve en la Fig. 9.

Un gráfico de rayos de sol que muestra la huella de carbono (kg CO2eq/kg) de 404 platos agrupados por tipo de plato. Hay 13 tipos de platos con el número de platos indicado entre paréntesis: carne de res (28), cerdo (50), aves (43), mariscos (62), sopa (62), arroz y fideos (34), huevos y frijoles ( 26), salsa (14), verduras (31), sopa de arroz (25), sopa dulce (22), postre (4) y fruta (3). La etiqueta de texto de la fruta no es visible debido al tamaño del sector muy pequeño. El color de cada sector refleja la huella de carbono promedio en kgCO2e por kg de plato en ese sector.

Evaluación completa del ciclo de vida de las emisiones de gases de efecto invernadero para diferentes tipos de alimentos: agrícolas, post-proceso (incluido el manejo y almacenamiento post-cosecha, procesamiento y envasado), consumo y destino (es decir, eliminación de desechos).

La etiqueta de carbono de cada plato podría correlacionarse aún más con diferentes valores de macronutrientes para vincular los objetivos ambientales (GEI) y de salud personal (nutrición). Se han realizado estudios similares en comedores escolares para conectar el impacto ambiental de las comidas con su nutrición (por ejemplo, Volanti et al.36). El objetivo de la educación intermedia era ayudar a crear conciencia sobre cómo las elecciones de alimentos y el comportamiento de consumo de alimentos pueden generar impactos climáticos y de salud significativos37,38.

Sobre la base del trabajo de etiquetado de carbono y nutrición, se creó un sitio web derivado de seguimiento de carbono y nutrición (llamado ourfood39 específicamente para los alimentos que se sirven en la cafetería del personal. El propósito de este sitio web era brindar a los miembros del personal la capacidad de realizar un seguimiento su propia huella de carbono y nutrición a lo largo del tiempo en función de sus elecciones de alimentos. También facilitaría la interacción del personal entre sí al comparar tendencias entre ellos, fomentando un debate saludable sobre alimentación, clima y nutrición. El usuario podría establecer sus propios presupuestos de carbono y nutrición. /objetivos según sus necesidades con valores predeterminados establecidos en los valores recomendados según la literatura. El número de árboles necesarios para compensar la huella de carbono alimentaria anual del personal también se muestra en función de la tasa promedio anual de compensación de CO2 de un árbol40. Según información, la empresa podría destinar una parte de sus donaciones a financiar iniciativas de plantación de árboles para compensar las emisiones de carbono del ciclo de vida de los alimentos servidos durante todo el año, reduciendo así la huella de carbono de la cafetería del personal.

La Figura 10 muestra el prototipo de rastreador de residuos de placas desarrollado internamente para capturar automáticamente imágenes y pesos de residuos de placas individuales. Fue diseñado para integrarse perfectamente con la renovación planificada de la cafetería del personal, en la que el personal tendría que deshacerse de sus propios residuos de platos (durante los cuales el rastreador recopila datos) antes de colocarlos en el sistema transportador de retorno de bandejas sucias.

Un prototipo de rastreador integrado de residuos de placas. Consiste en celdas de carga en la parte inferior para medir el peso de los residuos de placas y una cámara en la parte superior para capturar una imagen de los residuos de placas antes de su eliminación, ambas controladas por una 'Raspberry Pi' que ejecuta un programa Python.

Para el componente de visión por computadora del rastreador de desechos de placas, la Tabla 1 muestra el rendimiento final de los modelos YOLOv5 pequeño (s), mediano (m) y grande (l) para detectar desechos de placas en el conjunto de datos de validación en 32 clases, incluidas: manzana, núcleo de manzana, cáscara de manzana, hueso, pescado con huesos, pan, bollo, huevo duro, huevo revuelto, cáscara de huevo, vapor de huevo, yema de huevo, pescado, carne, mejillón, cáscara de mejillón, fideos, naranja, cáscara de naranja, otros desechos, panqueque, pasta, pera, corazón de pera, cáscara de pera, papa, arroz, camarones, cáscara de camarón, tofu, tomate y verdura. Como era de esperar, el modelo grande tuvo el mejor rendimiento, con [email protected] de 0.681 y [email protected]:0.95 de 0.439. Sin embargo, la velocidad de inferencia del modelo grande fue aproximadamente 3 veces más lenta que la del modelo pequeño. El conjunto de datos completo tenía un total de 2716 imágenes (el 10 % de las cuales se utilizó para la validación), con 10 531 instancias de objetos (es decir, cuadros delimitadores etiquetados). A modo de comparación, los modelos YOLOv5 originales se entrenaron en el conjunto de datos de Objetos Comunes en Contexto (COCO)41 que contenía 80 clases con 330.000 imágenes y más de 1,5 millones de instancias de objetos. El modelo grande para este conjunto de datos COCO logró [email protected] de 0.711 y [email protected]:0.95 de 0.534.

Una razón probable del peor desempeño en comparación con COCO podría deberse a 15 clases subrepresentadas con menos de 100 instancias. Estas clases contribuyeron con la mayor cantidad de 'FN de fondo' (es decir, menor recuperación, consulte la ecuación (4)). Por otro lado, las clases sobrerrepresentadas como hueso, verdura, cáscara de huevo, naranja, cáscara de naranja y cáscara de manzana contribuyeron con la mayor cantidad de 'FP de fondo' (es decir, menor precisión, ver ecuación (3)).

La Figura 11 muestra un ejemplo de las predicciones del modelo YOLOv5m en ejemplos de prueba no vistos de imágenes de residuos de placas recopiladas por el rastreador. Se puede ver que para alimentos voluminosos, el modelo hace un muy buen trabajo al capturar la clase correcta y la posición del cuadro delimitador. El algoritmo integrado del sistema de peso de leva es capaz de medir el peso residual de bandejas individuales independientemente de los diferentes tipos de platos, cubiertos, tazas y tazones utilizados. La idea central es que el sistema obtenga un peso inicial de la bandeja tanto con los contenedores como con los residuos. Tras el vaciado se obtiene el peso final de la bandeja y de los envases vacíos. Así, el peso de los residuos se puede inferir de la diferencia entre los valores de peso inicial y final.

Ejemplo de detección de residuos de placas mediante el modelo YOLOv5m en imágenes de residuos de placas de prueba invisibles capturadas por el rastreador de residuos de placas en la Fig. 10.

Un beneficio importante del seguimiento individualizado del peso de los residuos de placas en lugar de un total acumulado es que facilita el cálculo de diferentes estadísticas descriptivas que son mucho más reveladoras que un único valor total de residuos. La Figura 12 muestra el análisis de época de las curvas de peso de 36 muestras de eliminación de residuos de platos en la cafetería del personal. La característica general de pico al final de la curva de peso representa la colocación del tazón o plato nuevamente en la bandeja antes de retirar toda la bandeja de comida de la plataforma. La Tabla 2 muestra las estadísticas resumidas de las muestras de desechos de placas. En promedio, alrededor del 20% del peso inicial de la bandeja de comida consistía en desechos de platos, aunque hubo una gran variación entre las muestras individuales, oscilando entre 50 y 552 g, con un peso medio de 253 g por plato de comida. Como referencia, la IFWC informó un desperdicio promedio de alimentos de 115 g por cubierta de comedor6. Una posible razón de esta gran discrepancia podría deberse a los tipos de residuos de platos muy diferentes entre las cocinas asiática y europea. Dado que los residuos de los platos no se separan, el peso incluye el peso de los huesos, las cáscaras y otras partes no comestibles de los alimentos. El componente de visión por computadora del rastreador de residuos de platos intentó resolver parcialmente este problema detectando si se desechaban alimentos comestibles.

Análisis de época superpuesto de 36 curvas de peso de la eliminación de residuos de placas. El eje x representa el tiempo normalizado donde 0 es la colocación inicial de la bandeja de comida en la báscula y 1 es la retirada de la bandeja. El eje y representa el peso normalizado, donde 1 es el valor del cuantil 90 de toda la curva de peso en una muestra determinada.

En la Tabla 3 se muestra un resumen de los principales resultados obtenidos para cada una de las tres corrientes de descarbonización y las tres intervenciones investigadas en el estudio de caso.

En la fase de optimización inicial, este estudio mostró el potencial de los chefs para optimizar la preparación de alimentos en función del número previsto de cubiertos combinado con un modelo macro nutricional, es decir, preparar y cocinar sólo lo que y cuando se necesita (justo a tiempo). método de cocción por tiempo). A pesar de esto, a veces es inevitable prepararse demasiado por razones logísticas y errores en el modelo de pronóstico. Si los alimentos no servidos no se pueden utilizar para servir a las personas dentro de la empresa (por ejemplo, debido a desafíos logísticos y de recursos), existen opciones alternativas como donar a organizaciones externas sin fines de lucro, enviarlos a la alimentación animal, al compostaje anaeróbico para producir abono para nuevas plantas, a digestión anaeróbica produciendo biogás para energía, y sólo finalmente al contenedor para vertedero o incinerador.

La donación de alimentos debe ser el primer paso a considerar, dado que los alimentos no servidos son perfectamente buenos para otras personas. Sin embargo, los chefs suelen estar muy ocupados preparando comidas para miles de personas. Se deben minimizar las barreras de entrada para fomentar la participación en el esfuerzo conjunto para reducir el desperdicio de alimentos. Es necesario que haya infraestructura para que la donación sea una opción más fácil que tirar los alimentos no servidos directamente a la basura. Por ejemplo, la fundación sin fines de lucro Chefs to End Hunger42 simplifica la recuperación de excedentes de alimentos al recoger cajas de excedentes de alimentos de los clientes diariamente en el momento de la entrega programada regularmente del producto para su redistribución a diferentes organizaciones sin fines de lucro.

En la fase de educación intermedia de esta investigación, se desarrolló una aplicación interactiva de seguimiento de carbono y nutrición para ayudar a los comensales a llenar mejor su bandeja informándoles mejor sobre los impactos de los alimentos en la salud y el medio ambiente.

Para el etiquetado nutricional, cada macronutriente se trató como una cantidad separada. Sin embargo, se podrían combinar diferentes macro y micronutrientes en un único índice de densidad de nutrientes para los platos que capture varios factores de nutrición38. Sin embargo, esto requería las cantidades de micronutrientes para cada ingrediente, lo que estaba más allá del alcance de este estudio.

Para el etiquetado de carbono, la huella de carbono de un plato era sólo un indicador del impacto ambiental de los alimentos. La huella hídrica (es decir, la cantidad de agua utilizada) y la huella ecológica (es decir, la cantidad de área biológicamente productiva utilizada) también son indicadores ambientales importantes que miden el impacto de los alimentos en el planeta. En los países desarrollados, las dietas ricas en alimentos procesados, carnes y productos lácteos podrían tener un mayor impacto climático que las naciones en desarrollo que consumen una dieta más basada en plantas locales. Un estudio reciente demostró que los impactos ambientales de la dieta brasileña están aumentando (según los tres indicadores ambientales), mientras que la cantidad de alimentos ultraprocesados ​​también aumentó43. Es necesario alejar los patrones de consumo de dietas ricas en alimentos intensivos en GEI sin comprometer los valores nutricionales44. Esto reitera el hecho de que las elecciones dietéticas tienen graves implicaciones ambientales. Es a través de educación como el etiquetado nutricional y de carbono para informar a las personas a elegir mejores alimentos para su salud y el medio ambiente.

En cuanto al rastreador de residuos de placas, se podrían implementar algunas mejoras para una experiencia más fácil de usar. Por ejemplo, un LED blanco puede indicar cuándo se captura la imagen de los residuos de la placa antes de que el usuario comience a eliminar los residuos. Algunas guías visuales y señales también pueden resultar útiles. Una limitación del algoritmo de registro actual es que impide que los usuarios retiren la bandeja de la plataforma para eliminar los residuos, debido a que el peso de la bandeja actúa como disparador del algoritmo. Una vez que se retira la bandeja, se supone que el usuario ha terminado de eliminar sus desechos y el ciclo de registro finaliza para ese usuario. Una posible solución podría ser introducir otra pieza de vajilla, por ejemplo, un recipiente de silicona fácil de lavar que se amolde a los lados de la bandeja y se use específicamente para sólidos no comestibles para su fácil eliminación posterior. Esto también puede facilitar la detección de alimentos comestibles para el sistema de visión por computadora, ya que otras partes no comestibles no los oscurecerían. Para la capacidad de visión por computadora, se podrían entrenar diferentes versiones de los modelos eliminando las clases subrepresentadas. Se espera que esto aumente las puntuaciones de mAP debido a mejores puntuaciones de recuperación en todas las clases con suficientes instancias.

Además, desde una perspectiva psicológica, el aspecto de educación intermedia y reconocimiento posterior de este estudio podría enmarcarse como un empujón. A partir de estas herramientas se podrían crear diferentes tipos de elementos de estímulo para proporcionar refuerzo positivo y sugerencias indirectas como formas de influir en el comportamiento y la toma de decisiones del personal. En psicología, un libro fundamental escrito por Thaler propuso que el cerebro humano toma decisiones de dos modos: uno, que es intuitivo y automático, por lo que es rápido y casi sin esfuerzo, y otro, que es reflexivo y racional, por lo que requiere una gran concentración y esfuerzo para tomar decisiones. ejecutar45. Más recientemente, Kahneman denominó estos dos modos de pensamiento como Sistema 1 y Sistema 2, respectivamente46. El empujón del sistema 1 (automático) afecta directamente al comportamiento, mientras que el empujón del sistema 2 (reflexivo) afecta directamente a la elección47.

En el contexto del etiquetado nutricional y de carbono de los alimentos, proporciona la información necesaria para que el personal pueda elegir alimentos mejor informados que beneficien su salud y el medio ambiente. Con el tiempo, esto puede formar parte del proceso de decisión a la hora de decidir qué alimentos comer y podría influir en su comportamiento de compra y consumo de alimentos también fuera de la empresa. En el contexto del rastreador de residuos de placas, se podría activar una serie de LED y/o sonidos en función de los resultados de la detección de residuos de placas. Por ejemplo, los LED rojos pueden parpadear rápidamente (con pitidos rápidos y repetidos) cuando la cantidad de alimentos comestibles detectados excede un cierto umbral. De lo contrario, los LED verdes se iluminan de forma constante y tienen un efecto de sonido simple. Los LED rojos parpadeantes y el pitido rápido desalentarían el comportamiento despilfarrador, ya que estos estímulos son desagradables (un castigo negativo). Por otro lado, los LED verdes y los simples efectos sonoros después de un plato limpio generan un refuerzo positivo y alientan al personal a mantener este comportamiento. El rastreador de residuos de platos podría aprovecharse para introducir la gamificación proporcionando un recuento en vivo del número de platos limpios de forma automatizada junto con detecciones de imágenes mostradas en tiempo real en un monitor en la cafetería del personal. El objetivo, por ejemplo, podría ser alcanzar un número objetivo de platos limpios al final de la semana para desbloquear un premio determinado y un sorteo semanal. La naturaleza progresiva de una partitura crea un fuerte compromiso para el personal y al mismo tiempo les brinda un sentido de colaboración. ¡Todos tienen un papel que desempeñar y contribuir al número de platos limpios! Esta idea se implementó durante una iniciativa reciente de la empresa llamada "desafío del plato limpio", como se muestra en la Fig. 13. Agregó elementos entretenidos y atractivos que motivaron al personal a prestar más atención a un problema generalmente descuidado: el desperdicio de alimentos. Además, este sistema proporcionó otro medio de recopilación eficiente de datos de imágenes de desperdicios de alimentos, ya que con solo tres horas de implementación se obtuvieron más de 700 imágenes. La gamificación se ha utilizado en otros entornos, como mejorar la participación en la actividad física48. Las revisiones de la literatura han demostrado que la gamificación puede aumentar la motivación y el compromiso de los usuarios, pero depende en gran medida del contexto del problema, así como de los usuarios que la utilizan49.

Visualización en tiempo real del desafío de plato limpio. Muestra un recuento en vivo del número total de platos, el número de platos limpios (con el porcentaje objetivo) y las imágenes de bandejas con cuadros delimitadores dibujados.

Un estudio adicional podría evaluar la eficacia de las tres vías para descarbonizar la cafetería del personal en otros complejos turísticos integrados en Macao. La fuerza laboral combinada empleada por los concesionarios de juegos de los 'Seis Grandes' es de alrededor de 100.000 en el cuarto trimestre de 2021 (estimada a partir de los informes anuales y financieros de 2021 de Galaxy, Melco, MGM, Sands China, SJM y Wynn). Las estadísticas cruciales recopiladas durante un período de tiempo permitirían comparar la cantidad de desperdicio de alimentos y la huella de carbono asociada con las líneas de base antes de que se implementaran tales intervenciones. Además, si estas estrategias demostraran ser efectivas, podrían implementarse en todas las instituciones educativas de Macao, que tiene un total combinado de más de 133.000 estudiantes desde preescolar hasta educación superior en el año académico 2020-202150, de los cuales alrededor del 31% están en educación superior y El 69% cursa estudios no superiores y muchos de ellos prestan servicios de restauración. La implementación de estrategias de descarbonización en estas grandes corporaciones e instituciones establecería el estándar para las empresas más pequeñas en Macao. En el proceso pueden surgir otras innovaciones de descarbonización, lo que sería un paso en la dirección correcta para impulsar una nueva ola de empresas ambientalmente responsables.

Gran parte del trabajo con datos tiene como objetivo informar la narrativa. Ver miles de imágenes de comida en perfecto estado tirada a la basura lo hace muy real. Después de todo, se trata de un problema humano y si los datos pueden ayudar a cambiar la perspectiva de la gente sobre la enormidad del problema del desperdicio de alimentos, entonces todos se sentirán inspirados a actuar y alcanzar objetivos más ambiciosos. Esto puede verse como empujones basados ​​en normas sociales (empujones normativos) y pueden ser intervenciones conductuales convincentes. La tecnología de vanguardia para mejorar la trazabilidad de nuestro sistema alimentario es un enfoque para reducir el desperdicio de alimentos, pero no deben olvidarse las estrategias básicas centradas en el ser humano. Un enfoque holístico es aquel que aborda todos los aspectos de este complejo sistema, por lo que ninguna parte es suficiente por sí sola para resolver el problema del desperdicio de alimentos.

El desperdicio de alimentos tiene implicaciones ambientales, sociales y económicas. Los alimentos que terminan en el flujo de desechos requieren recursos para gestionar su desvío y eliminación, sin mencionar la pérdida financiera, ya que los alimentos comestibles también tienen valor monetario. Por tanto, reducir el desperdicio de alimentos se traduce directamente en ahorro financiero. Para empezar, la investigación y las intervenciones necesarias para reducir el desperdicio de alimentos pueden ser una carga financiera. Sin embargo, a largo plazo, una reducción exitosa del desperdicio de alimentos probablemente generaría ganancias monetarias para la organización. Más importante aún, la reducción del desperdicio de alimentos debería verse como una responsabilidad social corporativa. Como uno de los seis grandes concesionarios de juegos de azar en Macao, es cada vez más importante que desempeñe su papel de apoyar los Objetivos Nacionales de Descarbonización Dual51 de China e integrar de manera integral los principios ambientales, sociales y de gobernanza (ESG) en la operación comercial debido a las expectativas y presión de los stakeholders internos y externos.

Este estudio implementó tres vías de descarbonización en la cafetería del personal de un resort integrado en Macao como un estudio de caso de la vida real para reducir las emisiones de GEI del ciclo de vida provenientes del desperdicio de alimentos:

Se utilizó la optimización ascendente para optimizar el suministro de alimentos basándose en un modelo de pronóstico de la demanda para la cantidad de cubiertos esperados en un momento dado combinado con un modelo de macronutrientes. Se espera que esta estrategia ayude a reducir el desperdicio de alimentos no servidos mediante la creación de un sistema receptivo en el que el suministro de alimentos coincida con la demanda.

Se utilizó la educación intermedia para ayudar a crear conciencia sobre la elección de alimentos y su impacto en el clima y la salud al proporcionar etiquetas de carbono y macronutrientes en todos los platos servidos en la cafetería del personal. Esta intervención facilitó el empujón (reflexivo) del sistema 2, que tiene como objetivo orientar a las personas hacia opciones alimentarias más bajas en carbono y más saludables.

Se utilizó el reconocimiento posterior para ayudar a reducir el desperdicio de alimentos comestibles mediante el uso de un modelo de visión por computadora de última generación para detectar el desperdicio de platos en tiempo real y enviar comentarios al usuario a través de una pantalla para aumentar la participación. Esta intervención facilitó el sistema 1 (automático) de empujón que tiene como objetivo alentar a los usuarios a reducir el desperdicio de alimentos comestibles.

Todos los datos se recopilaron de la propiedad Wynn Macau con la ayuda de varios equipos. Los conjuntos de datos creados y analizados durante el estudio actual están disponibles del autor correspondiente previa solicitud razonable.

FAO. Huella del desperdicio de alimentos: impactos en los recursos naturales (2013). https://www.fao.org/3/i3347e/i3347e.pdf. Consultado el 35 de mayo de 2022.

FAO. Huella del desperdicio de alimentos y cambio climático (2015). https://www.fao.org/3/bb144e/bb144e.pdf. Consultado el 5 de mayo de 2022.

NACIONES UNIDAS. Población mundial (2022). https://www.un.org/en/desa/world-population-projected-reach-98-billion-2050-and-112-billion-2100. Consultado el 5 de mayo de 2022.

FAO. El estado de la inseguridad alimentaria en el mundo (2014). https://www.fao.org/3/i4030e/i4030e.pdf. Consultado el 31 de mayo de 2022.

Programa de Desarrollo de la ONU. Objetivos de desarrollo sostenible (2022). https://www.undp.org/sustainable-development-goals. Consultado el 4 de mayo de 2022.

IFWC. Medir y notificar el desperdicio de alimentos en los sectores de hostelería y servicios de alimentación (2022). https://ec.europa.eu/food/safety/food_waste/eu-food-loss-waste-prevention-hub/resource/show/2076. Consultado el 4 de mayo de 2022.

Congreso Nacional de Personas. Ley de la república popular china sobre desperdicio de alimentos (2021). http://www.npc.gov.cn/englishnpc/c23934/202112/f4b687aa91b0432baa4b6bdee8aa1418.shtml. Consultado el 5 de mayo de 2022.

Programa de las Naciones Unidas para el Medio Ambiente. Definición de pérdida y desperdicio de alimentos (2021). https://www.unep.org/thinkeatsave/about/definition-food-loss-and-waste. Consultado el 4 de mayo de 2022.

FAO. Pérdida y desperdicio de alimentos (2020). https://www.fao.org/food-loss-and-food-waste/flw-data). Consultado el 4 de mayo de 2022.

Chapagain, A. y James, K. La huella hídrica y de carbono de los residuos domésticos de alimentos y bebidas en el Reino Unido (2011). https://wrap.org.uk/sites/default/files/2020-12/The-water-and-carbon-footprint-of-household-food-and-drink-waste-in-the-UK.pdf. Consultado el 26 de mayo de 2022.

Read, QD, Hondula, KL & Muth, MK Efectos de las acciones de sostenibilidad del sistema alimentario en la biodiversidad, desde la granja hasta la mesa. Proc. Nacional. Acad. Ciencia. https://doi.org/10.1073/pnas.2113884119 (2022).

Artículo de Google Scholar

Mukherjee, A. La economía del desperdicio de alimentos por parte del consumidor. Adv. Tecnología alimentaria. Nutrición. Ciencia. Abierto J. 2, 110–112. https://doi.org/10.17140/aftnsoj-2-137 (2016).

Artículo de Google Scholar

Misra, AK Cambio climático y desafíos del agua y la seguridad alimentaria. En t. J. Sostener. Entorno construido. 3, 153–165. https://doi.org/10.1016/j.ijsbe.2014.04.006 (2014).

Artículo de Google Scholar

Watts, N. y col. Salud y cambio climático: respuestas políticas para proteger la salud pública. Lanceta 386, 1861-1914. https://doi.org/10.1016/s0140-6736(15)60854-6 (2015).

Artículo MathSciNet Google Scholar

AÓN. Información sobre el tiempo, el clima y las catástrofes (2020). http://thinktleadership.aon.com/Documents/20210125-if-annual-cat-report.pdf. Consultado el 30 de mayo de 2022.

Yang, J. y col. Un estudio comparativo del tifón hato (2017) y el tifón Mangkhut (2018): sus impactos en las inundaciones costeras en Macao. J. Geophys. Res. Océanos 124, 9590–9619. https://doi.org/10.1029/2019jc015249 (2019).

ADS del artículo Google Scholar

Clark, MA y cols. Las emisiones del sistema alimentario global podrían impedir el logro de los objetivos de cambio climático \(1.5^{\circ }\) y \(2^{\circ }\text{ c }\). Ciencia 370, 705–708. https://doi.org/10.1126/science.aba7357 (2020).

Artículo ADS CAS Google Scholar

Poore, J. & Nemecek, T. Reducir los impactos ambientales de los alimentos a través de productores y consumidores. Ciencia 360, 987–992. https://doi.org/10.1126/science.aaq0216 (2018).

Artículo ADS CAS Google Scholar

Convención de las Naciones Unidas de Lucha contra la Desertificación. The Global Land Outlook (UNCCD, Bonn, 2022), segunda ed. Consultado el 26 de mayo de 2022.

Facebook. Previsión a escala. (2017). https://facebook.github.io/prophet/. Consultado el 1 de mayo de 2022.

FDA. Cómo entender y utilizar la etiqueta de información nutricional (2022). https://www.fda.gov/food/new-nutrition-facts-label/how-understand-and-use-nutrition-facts-label. Consultado el 26 de mayo de 2022.

Zhang, R. y col. La diferencia en la ingesta de nutrientes entre las dietas china y mediterránea, japonesa y americana. Nutrientes 7, 4661–4688. https://doi.org/10.3390/nu7064661 (2015).

Artículo CAS Google Scholar

Kallmyer, T. Calculadora macro (2022). https://healthyeater.com/flexible-dieting-calculator. Consultado el 30 de mayo de 2022.

Noticias globales. Así es como se ven realmente las calorías del desayuno, el almuerzo y la cena (2017). https://globalnews.ca/news/3615212/this-is-what-your-breakfast-lunch-and-dinner-calorías-actually-look-like/. Consultado el 5 de mayo de 2022.

Vermeulen, SJ, Campbell, BM & Ingram, JS Cambio climático y sistemas alimentarios. Año. Rev. Medio Ambiente. Recurso. 37, 195–222. https://doi.org/10.1146/annurev-environ-020411-130608 (2012).

Artículo de Google Scholar

Zhang, D. y col. La huella de carbono del desperdicio de alimentos en la industria de la restauración: un estudio de caso de Beijing. Acta Ecológica. Pecado. 36, 25. https://doi.org/10.5846/stxb201504150769 (2016).

Artículo de Google Scholar

IPCC. AR6 Cambio climático 2021: La base de la ciencia física — Capítulo 7: El presupuesto energético de la Tierra 2, retroalimentación climática y sensibilidad climática - Material complementario (2021). https://lib.icimod.org/record/35293. Consultado el 5 de mayo de 2022.

Röös, E., Ekelund, L. & Tjärnemo, H. Comunicar el impacto ambiental de la producción de carne: desafíos en el desarrollo de una guía de carne sueca. J. Limpio. Pinchar. 73, 154-164. https://doi.org/10.1016/j.jclepro.2013.10.037 (2014).

Artículo de Google Scholar

The, M. Su presupuesto personal de café se mantendrá por debajo de \(2^\circ \text{ C }\) (2021). https://livelca.com/blogs/75a697d4-fe34-4977-ae2f-b472f1ee02da. Consultado el 4 de mayo de 2022.

Jocher, G. y col. ultralytics/yolov5: v6.0 - modelos 'nano' yolov5n, integración roboflow, exportación de tensorflow, soporte opencv dnn. https://doi.org/10.5281/ZENODO.5563715 (2021).

Aprendizaje profundo.ai. Especialización en ingeniería de aprendizaje automático para producción (mlops) (2021). https://www.deeplearning.ai/program/machine-learning-engineering-for-production-mlops/. Consultado el 1 de mayo de 2022.

Goncharov, I. Etiquetado abierto modificado. https://github.com/ivangrov/ModifiedOpenLabelling (2021).

Roboflujo. Dale a tu software el poder de ver objetos en imágenes y videos (2020). https://roboflow.com/. Consultado el 1 de mayo de 2022.

Cheng, yo kit. Detección de residuos de placas (2022). https://foodwasteYOLOv5.herokuapp.com. Consultado el 31 de junio de 2022.

Cheng, yo Kit. Gráfico Sunburst de platos con etiquetas nutricionales y de carbono (2022). https://ikitcheng.github.io/visualizations/. Consultado el 21 de junio de 2022.

Volanti, M. y col. Impacto ambiental de las comidas: ¿Qué tan grande es la huella de carbono en los comedores escolares?. Alimentoshttps://doi.org/10.3390/foods11020193 (2022).

Artículo de Google Scholar

Clark, MA, Springmann, M., Hill, J. y Tilman, D. Múltiples impactos de los alimentos en la salud y el medio ambiente. Proc. Nacional. Acad. Ciencia. 116, 23357–23362. https://doi.org/10.1073/pnas.1906908116 (2019).

Artículo ADS CAS Google Scholar

Strid, A. y col. Indicadores de sostenibilidad de alimentos que benefician al clima y la salud. Sostenibilidad 13, 3621. https://doi.org/10.3390/su13073621 (2021).

Artículo CAS Google Scholar

Cheng, yo Kit. Nuestra comida nuestro clima nuestra salud (2022). https://share.streamlit.io/ikitcheng/ourfood/app.py. Consultado el 21 de junio de 2022.

Encón. Cálculo de la compensación de CO2 por los árboles (2021). https://www.encon.be/en/calculation-co2-offsetting-trees. Consultado el 4 de mayo de 2022.

Lin, T.-Y. et al. Microsoft coco: objetos comunes en contexto. https://doi.org/10.48550/ARXIV.1405.0312 (2014).

Chefs para acabar con el hambre. Nuestra misión (2021). https://www.chefsendhunger.org/our-mission. Consultado el 21 de junio de 2022.

da Silva, JT et al. Emisiones de gases de efecto invernadero, huella hídrica y huella ecológica de la compra de alimentos según su grado de procesamiento en áreas metropolitanas brasileñas: un estudio de series temporales de 1987 a 2018. Lancet Planetary Health 5, e775–e785. https://doi.org/10.1016/s2542-5196(21)00254-0 (2021).

Artículo de Google Scholar

Garnett, T. ¿Dónde están las mejores oportunidades para reducir las emisiones de gases de efecto invernadero en el sistema alimentario (incluida la cadena alimentaria)? Política alimentaria 36, ​​S23–S32. https://doi.org/10.1016/j.foodpol.2010.10.010 (2011).

Artículo de Google Scholar

Thaler, RH y Sunstein, CR Nudge (Yale University Press, 2008).

Google Académico

Kahneman, D. Pensar, rápido y lento (Farrar (Straus & Giroux, 2013).

Google Académico

Klieber, K., Luger-Bazinger, C. & Hornung-Prähauser, V. Empujando el comportamiento sostenible: empujones basados ​​en datos para innovaciones en ciudades inteligentes. En Conferencia de Innovación ISPIM (ISBN 978-952-335-466-1, 2020).

Xu, L. y col. Los efectos de las intervenciones de gamificación basadas en mHealth sobre la participación en la actividad física: revisión sistemática. JMIR Mhealth Uhealth 10, e27794. https://doi.org/10.2196/27794 (2022).

Artículo de Google Scholar

Hamari, J., Koivisto, J. & Sarsa, H. ¿Funciona la gamificación?—Una revisión de la literatura de estudios empíricos sobre gamificación. En 2014, 47.a Conferencia Internacional de Hawaii sobre Ciencias de Sistemas. https://doi.org/10.1109/hicss.2014.377 (IEEE, 2014).

Oficina de Información Gubernamental de la RAE de Macao. Anuario de educación 2020-2021 (2020). https://yearbook.gcs.gov.mo/uploads/yearbook_pdf/2021/myb2021cPA01CH15.pdf. Consultado el 14 de junio de 2022.

Naciones Unidas. China se encamina hacia la neutralidad de carbono para 2060; El presidente Xi Jinping promete detener las nuevas plantas de carbón en el extranjero (2021). https://news.un.org/en/story/2021/09/1100642. Consultado el 27 de mayo de 2022.

Descargar referencias

IK.C. cuenta con el apoyo del Centro STFC UCL para la formación doctoral en ciencias intensivas en datos (número de subvención ST/P006736/1) y el programa de pasantías Wynn Macau. Los autores desean agradecer a los colegas de los equipos de Instalaciones, Alimentos y Bebidas y Sostenibilidad que brindaron el apoyo, los conocimientos y la experiencia que ayudaron enormemente a la investigación. PyTorch, el logotipo de PyTorch y cualquier marca relacionada son marcas comerciales de The Linux Foundation. El marco FastAPI se puede encontrar en https://github.com/tiangolo/fastapi.

Departamento de Física y Astronomía, University College London, Londres, Reino Unido

Yo Kit Cheng

Instituto de Gestión y Evaluación Ambiental (IEMA), marzo, Cambridgeshire, Reino Unido

Kin K. Leong

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

IK.C. Escribió el código, analizó los resultados y escribió el manuscrito principal. KKL escribió el manuscrito principal y dirigió los distintos experimentos. Todos los autores revisaron el manuscrito.

Correspondencia a I Kit Cheng.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Cheng, IK, Leong, KK Vías de descarbonización basadas en datos para reducir las emisiones de GEI del ciclo de vida procedentes del desperdicio de alimentos en los sectores de hostelería y servicios alimentarios. Representante científico 13, 418 (2023). https://doi.org/10.1038/s41598-022-27053-6

Descargar cita

Recibido: 17 de junio de 2022

Aceptado: 23 de diciembre de 2022

Publicado: 09 de enero de 2023

DOI: https://doi.org/10.1038/s41598-022-27053-6

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.