Datos

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

1681 Accesos

2 Altmetric

Detalles de métricas

Los sectores de Hospitality and Food Service (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 de 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 corrientes para descarbonizar la operación de la cafetería del personal en un resort integrado en Macao. Estos incluyen la optimización previa para reducir el desperdicio de alimentos no servidos, la educación intermedia para crear conciencia entre el personal sobre el impacto de las elecciones 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 artificial de última generación. . La tecnología puede ser un medio eficaz para facilitar el cambio de comportamiento deseado a través de empujones, al igual que las cámaras de velocidad pueden hacer que las personas disminuyan la velocidad y ayudar a salvar vidas. El enfoque holístico y basado en datos que se adoptó 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 (FLW, por sus siglas en inglés) es un problema global significativo con estimaciones de la FAO1 que sugieren que un tercio de los alimentos comestibles producidos para el consumo humano se desperdicia a nivel mundial cada año. En el contexto de las emisiones nacionales, si FLW fuera un país, sería el tercer mayor emisor de gases de efecto invernadero (GEI) del mundo después de China y EE. UU.2. Reducir la PDA global reduciría significativamente los GEI en la atmósfera, lo que desempeñaría un papel importante en la lucha contra el cambio climático. El problema se vuelve aún más crítico cuando se proyecta que la población mundial alcance los 9.800 millones para 20503, mientras que un asombroso 11,3 % de personas todavía pasan hambre a diario4. Esto pone una demanda cada vez mayor en el 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 rápido de lo que podrían reponerse. Su conservación es fundamental para la seguridad alimentaria mundial. Por lo tanto, el hambre cero, el agua limpia y el saneamiento, el consumo y la producción responsables son 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 está establecida para "reducir a la mitad el desperdicio de alimentos per cápita a nivel mundial 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 posteriores a la cosecha para 2030". La Coalición Internacional de Desperdicio de Alimentos (IFWC, por sus siglas en inglés) informó el último promedio de desperdicio de alimentos en el sector de Hospitality and Food Service (HaFS) de 115 g por cubierta de comedor en 2021, y señaló que este valor se derivó de una sobrerrepresentación de sitios en Francia6. En abril de 2021, China aprobó una ley sobre el 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 (FLW, por sus siglas en inglés) se refieren a la disminución de la masa o el valor nutricional de las partes comestibles de los alimentos a lo largo de la cadena de suministro que estaban destinadas al consumo humano8. Según la FAO9, las pérdidas de alimentos se producen desde la poscosecha hasta la etapa de venta al por menor, pero sin incluirla. A menudo no es intencional y se debe en gran medida a una infraestructura y un transporte inadecuados para mantener la calidad de los alimentos desde la granja hasta la venta al por menor. Por otro lado, el desperdicio de alimentos ocurre en las etapas de venta al por menor y de consumo, a las que los sectores HaFS contribuyen significativamente. A menudo se debe a altos requisitos de estándares alimentarios, alimentos vencidos por exceso de oferta o falta de demanda y comportamiento de consumo derrochador. Los sectores de 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 todos los días.

El desperdicio de alimentos no se trata solo del desperdicio en sí, sino también de los impactos ambientales negativos de la huella de carbono y agua10, 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 relacionado con el cambio climático a través de la liberación de GEI. Los desafíos que plantea el cambio climático incluyen la seguridad hídrica y alimentaria13, así como el clima extremo, como el aumento de la frecuencia y la 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 graves, como se vio en 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 de ganado 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 mundiales de GEI. Sin embargo, una cuarta parte de eso proviene de la PDA, es decir, los alimentos que se pierden en las cadenas de suministro y los desechos de los consumidores, sin incluir las pérdidas de alimentos en la granja durante la producción y la cosecha18. Se podría lograr una reducción significativa de las emisiones de GEI mediante la optimización de la cadena de suministro de alimentos, lo que en última instancia podría ayudar a limitar el aumento de la temperatura global por debajo de los 2 \(^\circ\)C, tal como 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 en The Global Land Outlook UNCCD (2022)19.

Los datos de desperdicio de alimentos del resort integrado en este estudio muestran dos patrones principales. En primer lugar, la 'comida no servida' representa la mayor parte del desperdicio de alimentos en la cocina, que también incluye desperdicios de recortes, deterioro, daños y errores de cocción. Esto implica que los chefs están sobreestimando la demanda en el marco de tiempo 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 'desperdicios de platos' representó la mayoría (más del 90 %) del desperdicio total de alimentos en la cafetería del personal. Esto implica que el personal está sobreestimando su capacidad para consumir todos los alimentos 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 a tres preguntas principales para abordar la causa raíz del desperdicio de alimentos en la cafetería del personal: ¿Cuánta comida debe cocinar el chef cada día? ¿Cómo alentar al personal a elegir mejor los alimentos y reducir el desperdicio de alimentos comestibles? ¿Cómo proporcionar retroalimentación al chef sobre platos potencialmente mal cocinados?

El plan del documento es el siguiente: "Método" describe los métodos experimentales utilizados para abordar las tres preguntas de investigación mencionadas anteriormente, a saber, la optimización ascendente, la educación intermedia y el reconocimiento descendente; "Resultados: un estudio de caso" describe los resultados de los experimentos implementados en el resort integrado de este estudio; "Discusión y perspectiva" analiza los impactos de las intervenciones, así como los desafíos y mejoras para estudios futuros; 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 del desperdicio de alimentos. Las tres corrientes incluyen: (1) optimización ascendente, (2) educación intermedia y (3) reconocimiento descendente. 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 adagio, "no puedes administrar lo que no mides".

Tres corrientes de descarbonización para reducir las emisiones de GEI del ciclo de vida del desperdicio de alimentos: optimización ascendente, educación intermedia, reconocimiento descendente.

La optimización upstream tiene como objetivo abordar el problema del desperdicio de alimentos no servidos. El origen del problema podría provenir de la sobrecocción, los platos mal cocinados o los ingredientes de mala calidad que provocan una falta de demanda del plato. Para obtener una mejor comprensión de la oferta y la demanda en la cafetería del personal, se analizaron los datos de peso de desperdicio de alimentos no servidos de la cocina interna para diferentes categorías de alimentos y se correlacionaron con la cantidad 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 habituales de las comidas y los fines de semana, respectivamente. Por lo tanto, el paquete Prophet se adaptaba bien a esta tarea de pronóstico de series de tiempo20. 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 robusto de datos faltantes y 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 tramos o logística por tramos, 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 que se distribuye normalmente. El modo de estacionalidad puede ser aditivo o multiplicativo. Los componentes estacionales multiplicativos se suman como una cantidad proporcional al valor de tendencia g(t) en el tiempo t, de modo que los efectos estacionales respondan proporcionalmente a los aumentos o disminuciones en la tendencia.

Teniendo 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 promedio recomendada de 2000 kcal21 podría usarse para predecir la cantidad de alimentos necesarios. 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 de aproximadamente 50:35:15. Según una calculadora de macronutrientes en línea23, para una persona sedentaria de 35 años, 1,70 m de altura, 60 kg, hombre/mujer, que desea mantener el peso y consumir cantidades moderadas de proteínas, la división macro porcentual típica 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, los gramos equivalentes por macro por día serían 250:67:100 para carbohidratos, grasas y proteínas. Esto se trató como la línea de base para satisfacer las necesidades nutricionales básicas de un personal promedio.

Suponiendo que las 2000 kcal diarias se repartieran 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 necesaria 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 modo que satisficiera las necesidades nutricionales básicas del personal, minimizando el potencial de sobrecocción. El modelo de pronóstico podría actualizarse diariamente a medida que ingresen nuevos datos de coberturas de comidas al final del día.

La educación intermedia implica el etiquetado nutricional y de carbono de todos los platos en la cafetería del personal para que el personal comprenda cómo sus elecciones de alimentos afectan el clima y su salud. Esto requirió recolectar 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, congee, 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 platillos, se utilizaron los datos nutricionales de Cronometer y las fuentes de los mismos. Como la mayoría de los nombres de los ingredientes estaban en chino, estos se tradujeron al inglés antes de crear una base de datos nutricional personalizada para los platos de la cafetería del personal (ver Información complementaria). La cantidad de calorías y macronutrientes se informó en unidades de 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 calientes" de emisión de modo que se puedan implementar estrategias específicas de descarbonización.

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 el almacenamiento y el envasado), (3) distribución, (4) consumo y (5) gestión de residuos . Cada etapa del ciclo de vida incurre en 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 alimentarias totales, aportando entre el 80% y el 86% de las emisiones de los sistemas alimentarios, aunque con variaciones significativas entre regiones y alimentos25. Las etapas restantes de las emisiones de la cadena de suministro también varían drásticamente según los patrones de consumo de alimentos que difieren según la nación.

Todos los ingredientes crudos se clasificaron en uno de 18 tipos: alcohol, acuáticos, 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 basados ​​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 gestión de desechos específicas 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 equivalente de CO2 por kilogramo de plato) en función del peso de los ingredientes indicados en la receta. El equivalente de CO\(_2\) (CO2e) es una unidad de medida utilizada para estandarizar los efectos climáticos de varios gases de efecto invernadero (GEI) debido a los diferentes potenciales de calentamiento global (GWP). El GWP es una medida del efecto de calentamiento durante 100 años en comparación con CO\(_2\). Por ejemplo, el metano (CH\(_4\)) es unas 28 veces más fuerte que el CO\(_2\), y el óxido nitroso (N\(_2\)O) es unas 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 la carne, donde \(<4\) kgCO2e/kg, 4–14 kgCO2e/kg y \(>14\) kgCO2e/kg se marcaron en verde , naranja y rojo respectivamente28. El umbral de la 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 la emisión global total de CO2e necesaria para alcanzar el cero neto en 2050 en 2030, suponiendo una tendencia linealmente decreciente, y se puede calcular de la siguiente manera: 33,8 gigatoneladas de CO2e/año/8500 millones de personas/365 días \(\veces\) 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 planchas utilizando la visión artificial para comprender y cuantificar mejor lo que el personal está desechando. Permitiría la segregación de residuos de alimentos no comestibles (como huesos, conchas, cáscaras, etc.) y comestibles (como verduras, carne, arroz, etc.). La detección de diferentes tipos de desperdicios 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 planchas. 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 arrojar todos los residuos de platos en un solo contenedor. El desperdicio de platos a menudo puede ser desordenado, por lo que la separación de alimentos comestibles y no comestibles puede llevar mucho tiempo y generar largas colas en la cafetería durante las horas pico. Requeriría capacitar a miles de empleados para segregar manualmente sus desechos de placas. Hacer cumplir tal intervención puede ser una carga para los 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 computadora empleado fue un modelo de detección de objetos de última generación llamado YOLOv530, capaz de detectar objetos de interés en tiempo real. Debido a la gran variedad de elementos de desperdicio de alimentos, se necesitaron miles de imágenes etiquetadas de desperdicio de alimentos para proporcionar un conjunto de datos lo suficientemente grande como para entrenar el modelo. Para entrenar un modelo de detección de objetos, se requerían dos entradas: (1) imágenes y (2) etiquetas que consisten en cuadros delimitadores con nombres de clase 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 los datos para el aprendizaje automático. A menudo, los modelos simples entrenados con etiquetas consistentes y precisas superan a los algoritmos más avanzados con etiquetas inconsistentes e inexactas.

Para anotar los datos, se utilizaron la herramienta Modified OpenLabelling32 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 el ajuste fino de los cuadros delimitadores y la obtención de estadísticas de resumen del conjunto de datos, como la distribución de clases, que informaba qué clases estaban sobrerrepresentadas o subrepresentadas para que la recopilación de datos pudiera orientarse hacia las clases subrepresentadas para aliviar el problema. del desequilibrio de clases.

Se utilizaron varias métricas para cuantificar qué tan bien funciona 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 fracción mayor de superposición entre dos cajas, donde un valor de 1 significa una superposición perfecta. Si la IoU supera un umbral predefinido (p. ej., IoU = 0,5), se dice que la superposición entre un cuadro delimitador predicho y uno real es una detección positiva o un verdadero positivo (TP), de lo contrario, es un falso positivo (FP ). Un falso negativo (FN) es si el modelo no puede predecir un cuadro delimitador en absoluto 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 conservará los cuadros delimitadores que tengan una puntuación de confianza (conf) superior a un umbral predefinido (p. ej., conf = 0,5) y, de lo contrario, los eliminará. En segundo lugar, se eliminarán todos los cuadros delimitadores predichos que tengan un valor de IoU mayor que un umbral predefinido (p. ej., IoU = 0,5) con respecto al mejor cuadro delimitador. Una mayor IoU 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 e IoU utilizados aquí se denominan umbrales NMS y el usuario puede establecerlos antes de la inferencia.

Para medir qué tan bien el modelo predice una clase dada, las métricas de precisión y recuperación se utilizan para evaluar las predicciones contra la verdad del terreno. La precisión, que mide cuán precisas son las predicciones, viene dada por

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

es decir, la fracción de instancias positivas (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 alto a bajo, es probable que disminuya la precisión y aumente la recuperación, porque un umbral de IoU más bajo se satisface más fácilmente, por lo tanto, hay 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 solo 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 mayor a menor confianza hasta un umbral de confianza (p. ej., conf = 0,25), bajo un único umbral de IoU (p. ej., IoU = 0,5). La interpolación se usa 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 recuerdo 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 e 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 sobre 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 modelo pequeño YOLOv5s se entrenó para 1000 épocas con 250 imágenes de desechos de platos de la cafetería del personal capturadas manualmente con 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 UCL. El modelo se sobreajustó sustancialmente al conjunto de entrenamiento, pero no obstante fue prometedor ya que el modelo pudo aprender el mapeo subyacente entre las imágenes de desperdicio de alimentos y los objetos de alimentos dentro.

Para capturar grandes cantidades de imágenes de desperdicio de alimentos de manera eficiente sin interferir con el funcionamiento normal del personal, se diseñó el siguiente mecanismo de recopilación de imágenes en la sala de administración. Se instaló un soporte de montaje de acero sobre el sistema transportador de retorno de bandejas sucias, de más de 2 m de altura para evitar obstruir la operación de mayordomía de los trabajadores. Se adjuntó una pequeña cámara con clip al soporte que miraba directamente debajo de donde los trabajadores retirarían las bandejas sucias de los estantes transportadores de varios niveles para la eliminación de desechos. La cámara se configuró en modo de video para grabar continuamente durante varias horas. Durante el análisis posterior, se extrajeron fotogramas de los videos a una velocidad de un fotograma por segundo. Los marcos se redimensionaron 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 desechos de la placa, se programó un conjunto de celdas de carga para tomar dos medidas de peso antes y después de arrojar los desechos de la placa (justo antes de retirar la bandeja). El peso de los residuos 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.

Sobre la base de las ideas anteriores, se construyó un prototipo de rastreador de residuos de placas para incorporar todo lo anterior. Consistía en: Una unidad Raspberry Pi (RPi) 3b+ para programación, dos celdas de carga para pesaje, 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 voladiza para albergar la unidad RPi y la cámara que se colocó directamente sobre la plataforma de pesaje debajo. Las dos celdas de carga se conectaron a los pines de entrada/salida de propósito general (GPIO) de RPi a través de 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 de Python RPi.GPIO, hx711 y picamera se utilizaron en un script para controlar los canales GPIO de Raspberry Pi e interactuar con las celdas de carga y el módulo de la cámara. Al encender el rastreador de desechos 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. La tubería final para el rastreador de desperdicio 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 el peso y la imagen "antes" que se van a capturar. Ambos se almacenan en la tarjeta SD de 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 placa y los resultados se descargarán automáticamente de nuevo en la tarjeta Pi SD que podría mostrarse en una pantalla. Tenga en cuenta que este paso de inferencia se ejecuta de forma asíncrona (es decir, en paralelo) con el resto del programa.

Al mismo tiempo, el usuario desecha sus residuos de platos en un contenedor.

Después de la eliminación, 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 la placa se calcula a partir de la diferencia entre 'antes' y 'después'.

Los datos de residuos de placas de este usuario se almacenan en un archivo CSV para el 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 "Desperdicio de alimentos en los sectores de HaFS y sus impactos asociados". Para determinar la cantidad de comida que se debe cocinar, se utilizó un pronóstico de la demanda de la cafetería del personal y un modelo nutricional para estimar las necesidades nutricionales básicas del personal en un día. Para alentar al personal a elegir mejor los alimentos, se implementaron etiquetas de carbono y nutrición para 404 platos que se sirven 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 desperdicio de platos equipado con visión por computadora para rastrear lo que el personal está tirando, cuyas estadísticas podrían informar al chef sobre posibles platos mal cocinados. Los miembros del personal que utilizaban el comedor a diario pertenecían principalmente a la etnia china, entre 30 y 50 años de edad, con educación secundaria o universitaria, una mezcla bastante pareja de hombres y mujeres, con un ingreso promedio de alrededor \(\libras\) 25.000 por año (basado en un tipo de cambio MOP/GBP de \(\libras\) 0,11 en el momento de escribir este artículo). Los resultados detallados de cada estrategia se discuten a continuación.

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

Un diagrama de caja que muestra el número de cubiertas 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 por debajo y por encima del cuadro se extienden no más de 1,5 \(\times\) IQR (IQR = Q3–Q1) desde los bordes del cuadro y terminan en el punto de datos más lejano dentro de ese intervalo. Los valores atípicos se trazan como puntos.

La Figura 5 muestra los componentes del modelo de pronóstico para el número de cubiertos 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 de Fourier 5 y una tendencia diaria multiplicativa de orden de Fourier 15 Se encontró que estas configuraciones produjeron el mejor rendimiento de pronóstico en los datos de prueba con un error absoluto medio de 18 conteos, lo que significa que, en promedio, en una hora dada, la diferencia entre los conteos previstos y reales para el número de comensales fue de 18 personas de aproximadamente 125 coberturas medias por hora (ver Fig. 5a).

Los componentes del modelo Prophet se utilizaron para colocar las cubiertas de comedor en la cafetería del personal a lo largo del tiempo. 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 cobertura por hora), (b) los efectos de los 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 capturó bien los patrones semanales y diarios de las cubiertas de la cafetería del personal en este período de prueba. Otras variaciones del modelo, como la ausencia de días festivos o el uso de tendencias lineales por tramos, tuvieron un error absoluto medio más alto, a pesar de producir visualmente mejores ajustes a los picos más altos durante las horas del almuerzo.

Pronóstico del número de coberturas por hora para el período comprendido entre el 01 de abril y el 17 de abril de 2022 (inclusive). La línea azul representa los valores pronosticados, el tono azul claro representa el intervalo de incertidumbre del 90 % para los recuentos y los puntos rojos representan el número real de comensales en una hora determinada.

Dada una previsión relativamente precisa del número de coberturas, también se modelaron las necesidades nutricionales del personal en un momento dado. La Figura 7 muestra el modelo nutricional basado en el número de empleados en una hora determinada. Brinda la cantidad recomendada de macros necesarios para satisfacer las necesidades nutricionales promedio del personal, como se describe en "Optimización previa: pronóstico de la demanda de nutrición". 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:

Carbohidrato: 245-280 kg

Grasa: 71–75 kg

Proteína: 98–112 kg

Al comparar estos valores de macronutrientes pronosticados con la cantidad real servida en un día típico, se encontró que había signos de exceso de oferta. La cantidad de carbohidratos, grasas y proteínas suministrados fue del 123 %, 207 % y 233 % de los valores promedio previstos, respectivamente. Tenga en cuenta que solo los platos principales se incluyeron en este análisis de macronutrientes, platos como sopas, salsas y ensaladas frescas se excluyeron del cálculo debido a cantidades insignificantes de macronutrientes. Sin embargo, tanto los valores nutricionales como los de la huella de carbono se calcularon para este tipo de platos, como se ve en la Fig. 8. Su exclusión se basó únicamente en la obtención de una línea de base para los macronutrientes mínimos requeridos. Estos resultados implicaron que la mediana de 30 kg de desperdicio de alimentos no servidos por día podría reducirse potencialmente de manera significativa, ya que había más de 2 veces el promedio de grasas y proteínas requeridas en un día típico.

El pronóstico de macronutrientes por hora para el período comprendido entre el 01 de abril y el 17 de abril de 2022 (inclusive) en función de la cantidad de comidas cubiertas registradas. Cada punto representa la cantidad típica (en kg) de un macronutriente en particular necesario para satisfacer las necesidades nutricionales básicas de los miembros del personal para esa hora determinada.

La Figura 8 muestra un gráfico de rayos solares de la huella de carbono de 404 platos agrupados por su tipo de plato. Cuando se ve en el navegador35, el gráfico es interactivo, lo que permite expandir 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 de los alimentos". Es inmediatamente obvio a partir de la sección de color rojo brillante 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 diagrama de rayos solares que muestra la huella de carbono (kg CO2eq/kg) de 404 platos agrupados por su 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), congee (25), sopa dulce (22), postre (4) y fruta (3). La etiqueta de texto de la fruta no es visible debido a un tamaño de sector muy pequeño. El color de cada sector refleja la huella de carbono promedio en kgCO2e por kg de plato en ese sector.

Evaluación del ciclo de vida completo de las emisiones de gases de efecto invernadero para diferentes tipos de alimentos: agrícola, posprocesamiento (incluido el manejo y almacenamiento poscosecha, procesamiento y empaque), consumo y destino (es decir, eliminación de desechos).

La etiqueta de carbono para 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 la elección de alimentos y el comportamiento de consumo de alimentos pueden tener impactos significativos en el clima y la salud37,38.

Basado en el 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 darles a los miembros del personal la capacidad de rastrear 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 comparando tendencias entre ellos, fomentando una discusión saludable sobre alimentos, clima y nutrición. El usuario podría establecer sus propios presupuestos de carbono y nutrición. /objetivos de acuerdo con sus necesidades con valores predeterminados establecidos en los valores recomendados basados ​​en la literatura. La cantidad de árboles necesarios para compensar la huella de carbono alimentaria anual del personal también se muestra en función de la tasa anual promedio de compensación de CO2 de un árbol40. Armado con esto información, la compañía podría dirigir una parte de sus donaciones para financiar iniciativas de plantación de árboles para compensar las emisiones de carbono del ciclo de vida de los alimentos que se sirven durante todo el año, reduciendo así la huella de carbono de la cafetería del personal.

La Figura 10 muestra el prototipo de rastreador de desperdicios de planchas desarrollado internamente para capturar automáticamente imágenes y pesos de desperdicios de planchas individuales. Fue diseñado para integrarse a la perfección con la renovación planificada de la cafetería del personal en la que se requeriría que el personal se deshaga de sus propios desechos de platos (durante los cuales el rastreador recopila datos) antes de colocarlos en el sistema transportador de retorno de bandejas sucias.

Un prototipo de un 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 desecharlos, ambos controlados por una 'Raspberry Pi' que ejecuta un programa Python.

Para el componente de visión artificial del rastreador de residuos de planchas, la Tabla 1 muestra el rendimiento final de los modelos YOLOv5 pequeños (s), medianos (m) y grandes (l) para detectar residuos de planchas en el conjunto de datos de validación en 32 clases que incluyen: manzana, corazón de manzana, cáscara de manzana, hueso, hueso de pescado, pan, bollo, huevo duro, huevo revuelto, cáscara de huevo, huevo al vapor, yema de huevo, pescado, carne, mejillón, cáscara de mejillón, fideos, naranja, cáscara de naranja, otros desechos, tortitas, pasta, pera, corazón de pera, cáscara de pera, papa, arroz, camarones, cáscara de camarones, tofu, tomate y vegetales. Como era de esperar, el modelo grande se desempeñó mejor, con [email protected] de 0.681 y [email protected]:0.95 de 0.439. Sin embargo, la velocidad de inferencia del modelo grande fue alrededor de 3 veces más lenta que la del modelo pequeño. El conjunto de datos completo tenía un total de 2716 imágenes (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 originales de YOLOv5 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 rendimiento más bajo 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 recuerdo, véase 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, véase la ecuación (3)).

La figura 11 muestra un ejemplo de las predicciones del modelo YOLOv5m en ejemplos de prueba invisibles 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 del sistema de peso de leva integrado es capaz de medir el peso de los residuos de las 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 envases como con residuos. Tras el vaciado se obtiene el peso final de la bandeja y envases vacíos. Así, el peso de los residuos puede deducirse de la diferencia en los valores de peso inicial y final.

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

Una de las principales ventajas del seguimiento individualizado del peso de los residuos de planchas en lugar de un total acumulativo es que facilita el cálculo de diferentes estadísticas descriptivas que son mucho más perspicaces que un único valor total de residuos. La figura 12 muestra el análisis de época de las curvas de peso de 36 muestras de disposición de residuos de platos en la cafetería del personal. La característica de pico general al final de la curva de peso representa la colocación del tazón o plato de nuevo 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 residuos de placa. En promedio, alrededor del 20 % del peso inicial de la bandeja de comida consistía en desperdicios de platos, aunque hubo una gran variación entre las muestras individuales, que varió de 50 a 552 g, con un peso medio de 253 g por cubierta de comedor. Como referencia, la IFWC informó un promedio de desperdicio de alimentos de 115 g por mesa de comedor6. Una razón probable de la gran discrepancia podría deberse a los tipos de desechos de platos muy diferentes entre las cocinas asiática y europea. Dado que los desechos del plato no se segregan, 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 desechos de platos intentó resolver parcialmente este problema al detectar si se tiraron alimentos comestibles.

Análisis de épocas superpuestas 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 la curva de peso total 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 para cenar combinado con un modelo nutricional macro, es decir, preparar y cocinar solo lo que se necesita y cuando se necesita (justo a la hora). método de cocción por tiempo). A pesar de esto, a veces es inevitable prepararse en exceso por razones logísticas y errores en el modelo de pronóstico. Si los alimentos no servidos no se pueden usar para servir a las personas dentro de la empresa (por ejemplo, debido a problemas de logística y recursos), existen opciones alternativas, como donar a organizaciones externas sin fines de lucro, enviarlos a la alimentación animal, al compostaje anaeróbico que produce compost para nuevas plantas, a la digestión anaeróbica produce biogás para energía, y solo finalmente al contenedor para vertedero o incinerador.

La donación de alimentos debe ser el primer paso a considerar dado que la comida no servida es perfectamente buena para que la coman otras personas. Sin embargo, los chefs suelen estar muy ocupados preparando comidas para miles de personas. Las barreras de entrada deben minimizarse para fomentar la participación en el esfuerzo conjunto para reducir el desperdicio de alimentos. Debe haber 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 la entrega de productos programada regularmente para redistribuirlos 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 al informarles 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, diferentes macro y micronutrientes podrían combinarse en un solo índice de densidad de nutrientes para los platos que captura 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 solo 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 superficie 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 local basada en plantas. Un estudio reciente mostró que los impactos ambientales de la dieta brasileña están aumentando (con base en los tres indicadores ambientales), mientras que la cantidad de alimentos ultraprocesados ​​también aumentó43. Es necesario cambiar los patrones de consumo lejos de las dietas ricas en alimentos intensivos en GEI sin comprometer los valores nutricionales44. Esto reitera el hecho de que las elecciones dietéticas tienen serias implicaciones ambientales. Es a través de la educación, como el etiquetado de carbono y nutrición, para informar a las personas a elegir mejores alimentos para su salud y el medio ambiente.

Con respecto al rastreador de residuos de planchas, 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 desechos de la placa antes de que el usuario comience a desechar los desechos. Algunas guías visuales y señales también pueden ser útiles. Una limitación del algoritmo de registro actual es que evita que los usuarios retiren la bandeja de la plataforma para eliminar los desechos, debido a que el peso de la bandeja actúa como disparador del algoritmo. Una vez que se retira la bandeja, se asume que el usuario ha terminado de desechar 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 hacer que la detección de alimentos comestibles sea más fácil para el sistema de visión por computadora, ya que no estaría oscurecida por otras partes no comestibles. Para la capacidad de visión por computadora, se podrían entrenar diferentes versiones de los modelos eliminando las clases subrepresentadas. Se espera que esto aumente los puntajes de mAP debido a mejores puntajes de recuperación en todas las clases con suficientes instancias.

Además, desde una perspectiva psicológica, la educación intermedia y el reconocimiento posterior de este estudio podrían enmarcarse como empujones. Se podrían crear diferentes tipos de elementos de estímulo a partir de estas herramientas para proporcionar un refuerzo positivo y sugerencias indirectas como formas de influir en el comportamiento y la toma de decisiones del personal. En psicología, un libro seminal 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 a estos dos modos como pensamiento del Sistema 1 y del Sistema 2, respectivamente46. El empujón del sistema 1 (automático) afecta el comportamiento directamente, mientras que el empujón del sistema 2 (reflexivo) afecta la elección directamente47.

En el contexto del etiquetado nutricional y de carbono de los alimentos, proporciona la información necesaria para que el personal tome decisiones alimentarias más informadas que beneficien su salud y el medio ambiente. Eventualmente, esto puede formar parte del proceso de decisión al 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 planchas, se podría activar una serie de LED y/o sonidos en función de los resultados de la detección de residuos de planchas. Por ejemplo, los LED rojos pueden parpadear rápidamente (con pitidos rápidos y repetidos) cuando la cantidad de alimentos comestibles detectados supera cierto umbral. De lo contrario, los LED verdes se encienden de forma constante y tienen un efecto de sonido simple. Los LED rojos parpadeantes y el pitido rápido desalentarían el comportamiento derrochador ya que estos estímulos son desagradables (un castigo negativo). Por otro lado, los LED verdes y los efectos de sonido simples después de un plato limpio conducen a un refuerzo positivo y alientan al personal a mantener este comportamiento. El rastreador de desperdicio de platos podría aprovecharse para introducir la gamificación proporcionando un conteo en vivo de la cantidad de platos limpios de manera automatizada junto con detecciones de imágenes que se muestran en tiempo real en un monitor en la cafetería del personal. El objetivo, por ejemplo, podría ser lograr un número objetivo de platos limpios al final de la semana para desbloquear un premio determinado y para un sorteo semanal. La naturaleza progresiva de una partitura crea un fuerte compromiso para el personal al mismo tiempo que les da una sensación 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 compañía 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 del desperdicio de alimentos. Además, este sistema proporcionó otro medio de recopilación eficiente de datos de imágenes de desperdicio de alimentos, ya que solo tres horas de implementación produjeron 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 del usuario, pero depende en gran medida del contexto del problema, así como de los usuarios que la utilizan49.

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

Un estudio adicional podría evaluar la efectividad de las tres vías para descarbonizar la cafetería del personal en otros resorts integrados en Macao. La fuerza laboral combinada empleada por los concesionarios de juegos 'Big Six' es de alrededor de 100,000 a partir del cuarto trimestre de 2021 (estimado a partir de los informes anuales y financieros en 2021 de Galaxy, Melco, MGM, Sands China, SJM y Wynn). Las estadísticas cruciales recopiladas durante un período de tiempo permitirían una comparación de 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% están en la educación no superior, muchos de los cuales brindan 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. Es posible que surjan otras innovaciones de descarbonización en el proceso, lo que sería un paso en la dirección correcta para impulsar una nueva ola de empresas ambientalmente responsables.

Gran parte del trabajo de datos es para informar la narrativa. Ver miles de imágenes de alimentos perfectamente buenos tirados a la basura lo hace muy real. Después de todo, este es un problema humano y si los datos pueden ayudar a cambiar la perspectiva de las personas sobre la enormidad del problema del desperdicio de alimentos, entonces todos estarán inspirados para actuar y lograr metas más ambiciosas. Esto puede verse como empujones basados ​​en normas sociales (norm-nudges) 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 se deben olvidar las estrategias básicas centradas en el ser humano. Un enfoque holístico es aquel que aborda todos los aspectos de este sistema complejo, 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 administrar su desvío y eliminación, sin mencionar la pérdida financiera, ya que los alimentos comestibles también tienen valor monetario. Por lo tanto, reducir el desperdicio de alimentos se traduce directamente en ahorros financieros. La investigación y las intervenciones necesarias para reducir el desperdicio de alimentos pueden ser una carga financiera para empezar. Sin embargo, a largo plazo, una reducción exitosa en el desperdicio de alimentos probablemente resulte en una ganancia monetaria para la organización. Más importante aún, la reducción del desperdicio de alimentos debe verse como una responsabilidad social corporativa. Como uno de los seis grandes concesionarios de juegos en Macao, es cada vez más importante que desempeñe su papel para respaldar los Objetivos nacionales duales de descarbonización de China51 e integrar holísticamente los principios ambientales, sociales y de gobernanza (ESG) en la operación comercial debido a las expectativas y presión de los actores 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 del desperdicio de alimentos:

La optimización previa se utilizó para optimizar el suministro de alimentos en función de un modelo de pronóstico de demanda para la cantidad de cubiertos de comedor 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.

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

El reconocimiento posterior se utilizó 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 retroalimentación al usuario a través de una pantalla para aumentar la participación. Esta intervención facilitó el empujón del sistema 1 (automático) que tiene como objetivo alentar a los usuarios a reducir el desperdicio de alimentos comestibles.

Todos los datos se recopilaron de la propiedad de Wynn Macau con la ayuda de varios equipos. Los conjuntos de datos creados y analizados durante el estudio actual están disponibles del autor correspondiente a pedido 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 las Naciones Unidas para el Desarrollo. Objetivos de desarrollo sostenible (2022). https://www.undp.org/sustainable-development-goals. Consultado el 4 de mayo de 2022.

FIWC. Medición y notificación del 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 de China sobre el 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. & James, K. La huella hídrica y de carbono del desperdicio de alimentos y bebidas en el hogar 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 sobre la biodiversidad de las acciones de sostenibilidad del sistema alimentario de la granja a la mesa. proc. nacional Academia Sci.https://doi.org/10.1073/pnas.2113884119 (2022).

Artículo Google Académico

Mukherjee, A. La economía del desperdicio de alimentos en el lado del consumidor. Adv. Tecnología de los alimentos. Nutrición ciencia Abra J. 2, 110–112. https://doi.org/10.17140/aftnsoj-2-137 (2016).

Artículo Google Académico

Misra, AK El cambio climático y los 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 Google Académico

Watts, N. et al. 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 Académico

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

Yang, J. et al. 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).

Artículo ANUNCIOS Google Académico

Clark, MA et al. 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 Académico

Poore, J. & Nemecek, T. Reducción de 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 Académico

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. Pronósticos 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. et al. La diferencia en la ingesta de nutrientes entre las dietas china y mediterránea, japonesa y estadounidense. Nutrientes 7, 4661–4688. https://doi.org/10.3390/nu7064661 (2015).

Artículo CAS Google Académico

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 de su desayuno, almuerzo y cena (2017). https://globalnews.ca/news/3615212/this-is-what-your-desayuno-almuerzo-y-cena-calorias-realmente-parecen-/. 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 Google Académico

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

Artículo Google Académico

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

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

Artículo Google Académico

El, M. Su presupuesto personal de co2e para mantenerse 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. et al. ultralytics/yolov5: v6.0 - modelos 'nano' de yolov5n, integración de roboflow, exportación de tensorflow, compatibilidad con opencv dnn. https://doi.org/10.5281/ZENODO.5563715 (2021).

Aprendizaje profundo.ai. Ingeniería de aprendizaje automático para la especialización en 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).

Roboflow. 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 plancha (2022). https://foodwasteYOLOv5.herokuapp.com. Consultado el 31 de junio de 2022.

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

Volanti, M. et al. Impacto ambiental de las comidas: ¿Cuál es la huella de carbono en los comedores escolares?. Alimentoshttps://doi.org/10.3390/foods11020193 (2022).

Artículo Google Académico

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

Artículo ADS CAS Google Académico

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

Artículo CAS Google Académico

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.

Encon. Cálculo de compensación de co2 por 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 las compras de alimentos según su grado de procesamiento en las áreas metropolitanas de Brasil: un estudio de serie temporal de 1987 a 2018. Lancet Planetary Health 5, e775–e785. https://doi.org/10.1016/s2542-5196(21)00254-0 (2021).

Artículo Google Académico

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 Google Académico

Thaler, RH y Sunstein, CR Nudge (Prensa de la Universidad de Yale, 2008).

Google Académico

Kahneman, D. Thinking, Fast and Slow (Farrar (Straus & Giroux, 2013).

Google Académico

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

Xu, L. et al. 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 Google Académico

Hamari, J., Koivisto, J. & Sarsa, H. ¿Funciona la gamificación?—Una revisión de la literatura de estudios empíricos sobre la gamificación. En 2014 47a Conferencia Internacional de Hawái 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 encaminó hacia la neutralidad de carbono para 2060; El presidente Xi Jinping promete detener 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 respaldo del Centro STFC UCL para la formación doctoral en ciencia intensiva en datos (número de subvención ST/P006736/1) y del 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 en gran medida 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), March, Cambridgeshire, Reino Unido

Pariente K. Leong

También puede buscar este autor en PubMed Google Scholar

También puede 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 diversos 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 los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar 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 regulación legal o excede el uso permitido, deberá obtener el 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 del desperdicio de alimentos en los sectores de hostelería y servicios alimentarios. Informe científico 13, 418 (2023). https://doi.org/10.1038/s41598-022-27053-6

Descargar cita

Recibido: 17 junio 2022

Aceptado: 23 de diciembre de 2022

Publicado: 09 enero 2023

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

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

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

Proporcionado por la iniciativa de intercambio de contenido 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.