Protótipo de solução para redução do desperdício alimentar numa cantina institucional

Abstract

O desperdício alimentar tem ganho crescente atenção e debate, dada a sua implicação económica, ambiental, social e nutricional. Embora esteja presente em todas as etapas da cadeia de abastecimento alimentar, é nas fases finais de consumo, como nos domicílios e nos serviços de alimentação, que o problema se torna mais evidente. Este trabalho parte de um estudo anterior dos mesmos autores, apresentado no âmbito do Projeto I, que identificou a visão computacional como uma tecnologia adequada para identificar e quantificar o desperdício alimentar em cantinas institucionais. Partindo deste resultado, neste trabalho descreve-se a proposta e o processo de implementação de um protótipo demonstrador. Tem por base uma plataforma Raspberry Pi 4, um modelo Resnet-50 adaptado com o modelo Faster RCNN, e um algoritmo para extração de características. Foi utilizado um dataset especialmente construído para dar resposta ao desafio de detetar tigelas de sopa e classificar o desperdício no seu consumo. Foi desenvolvida uma aplicação web para visualização dos dados recolhidos, oferecendo suporte à tomada de decisões para uma gestão mais eficiente do desperdício alimentar. O protótipo foi sujeito a validação e testes funcionais, e provou ser uma solução viável de baixo custo.

Abstract : Food waste has gained increasing attention and debate, given its economic, environmental, social and nutritional implications. Although it is present at all stages of the food supply chain, it is in the final stages of consumption, such as households and food services, that the problem becomes most evident. This work builds on a previous study by the same authors, presented as part of Project I, which identified computer vision as a suitable technology for identifying and quantifying food waste in institutional canteens. Based on this result, this paper describes the proposal and implementation process of a demonstrator prototype. It is based on a Raspberry Pi 4 platform, a Resnet-50 model adapted with the Faster R-CNN model, and an algorithm for feature extracting. A specially built dataset was used to meet the challenge of detecting soup bowls and classifying waste in their consumption. A web application was developed to visualize the data collected, supporting decision-making for more efficient food waste management. The prototype was subjected to validation and functional tests, and proved to be a viable, low-cost solution.