利用人工智能和计算机视觉技术来检测和监控针对儿童的不健康食品和饮料营销：一项基于数据的研究

《eClinicalMedicine》：Using artificial intelligence and computer vision to detect and monitor unhealthy child-directed food and beverage marketing: a data-driven study

　　儿童肥胖和饮食相关非传染性疾病是紧迫的全球公共卫生挑战，本研究利用AI和计算机视觉技术（CNN、YOLOv12）分析加拿大早餐麦片包装的儿童定向营销特征，发现39.2%的产品存在此类营销，其中89.5%不符合加拿大健康标准，并揭示价格与营销特征呈负相关（系数-0.25，p=0.072）。

　　童年肥胖和与饮食相关的非传染性疾病是全球公共健康领域的重要挑战，其背后的重要驱动因素之一是儿童持续接触到对不健康食品和饮料具有吸引力的营销手段。传统的评估儿童导向食品营销的方法通常依赖人工分析，这不仅耗费大量资源，而且效率低下。本研究旨在通过引入人工智能（AI）技术，特别是计算机视觉和深度学习，来解决这些问题，从而更有效地识别针对儿童的食品产品并分类其包装上的营销元素。此外，本研究还探索了AI在特定食品类别中的实际应用，以分析儿童导向营销特征与营养质量和价格之间的关系，进而估算加拿大拟议的食品营销监管政策可能带来的影响。

本研究采用了一种综合性的数据库，其中包含了针对儿童的营销特征标注信息。研究团队利用这一数据库训练了多种图像分类算法，包括k近邻（kNN）、支持向量机（SVM）和卷积神经网络（CNN）。此外，还对最新的图像目标检测模型YOLOv12进行了微调，以识别食品和饮料包装上的具体儿童导向营销特征。通过使用准确率、精确率、召回率、F1分数、AUC（曲线下面积）和混淆矩阵等指标对模型性能进行评估，研究结果表明，基于CNN的图像分类模型在识别儿童导向营销方面表现最佳，准确率达到0.90，AUC达到0.96。而YOLOv12模型在识别不同类型的儿童导向营销特征时表现各异，反映出食品包装上营销策略的多样性和复杂性。

在具体应用方面，研究团队将这一AI策略应用于早餐谷物这一类别，共分析了1765种产品。结果发现，39.2%的早餐谷物包装上存在儿童导向营销特征，其中89.5%的产品由于营养成分超标而被认为不健康，将受到加拿大拟议的食品营销监管政策的限制。这些结果表明，当前市场上大量儿童导向食品并不符合健康标准，因此亟需采取更严格的监管措施。同时，研究还发现，儿童导向营销特征与食品价格之间存在负相关，但该相关性并未达到统计学显著性水平（系数为?0.25，p = 0.072）。这说明儿童导向营销可能并未直接导致食品价格上涨，但其对儿童饮食习惯和健康风险的影响仍然值得关注。

本研究首次引入了AI驱动的方法，用于识别和分类食品包装上的儿童导向营销特征，为监测儿童导向营销的合规性以及评估其与营养质量、价格之间的关系提供了全新的解决方案。这些方法不仅具备可扩展性和高效性，还能够应用于其他数据源，如社交媒体和在线视频内容，从而实现对儿童导向营销的全面监控。该研究支持基于证据的政策制定，有助于保护儿童免受不健康食品营销的影响，并为评估这些政策对儿童健康结果的潜在影响提供了关键的见解。

此外，研究团队还对食品标签信息和价格数据库（FLIP）进行了详细的分析。FLIP数据库包含大量加拿大超市中食品和饮料的标签信息和包装图片，是研究儿童导向食品营销的重要数据来源。在研究过程中，团队对FLIP数据库进行了扩展，以适应不断增长的食品数据规模。例如，在2020年的数据收集过程中，由于新冠疫情的影响，研究人员采用了自动化方法，如网络爬虫和光学字符识别（OCR）技术，以确保数据的完整性。这种方法不仅提高了数据收集的效率，还使得研究人员能够处理更大规模的数据集，为政策制定和评估提供了更全面的依据。

为了提高AI模型的准确性，研究团队对图像进行了统一的预处理，包括调整图像尺寸、应用数据增强技术（如随机裁剪、翻转和色彩抖动）等。这些步骤有助于提升模型的泛化能力，使其能够更准确地识别不同类型的儿童导向营销特征。此外，研究团队还对模型进行了多次验证，以确保其在不同条件下的稳定性。例如，通过调整kNN模型的k值、SVM模型的正则化参数c以及CNN模型的训练轮数，研究人员优化了模型的性能，使其在分类任务中达到更高的准确率和更小的误判率。

本研究的结果对于全球范围内的食品营销监管具有重要意义。近年来，多个国家和地区已经实施了针对儿童导向食品营销的政策，如加拿大在2017年更新了《儿童食品和饮料广告倡议》（CAI），并计划在2025年实施全国性的强制性限制措施（Bill C-252）。而英国在2022年实施了电视广告时段限制政策，限制了不健康食品和饮料的广告播出时间。这些政策的实施需要大量的数据支持，以确保其有效性和公平性。本研究提供的AI方法可以为这些政策的制定和评估提供强有力的技术支持，使监管工作更加高效和科学。

研究团队还探讨了AI在评估食品营销合规性方面的潜力。通过将AI模型与营养质量评估相结合，研究人员能够更准确地判断哪些食品符合健康标准，哪些则不符合。例如，Health Canada的营养成分模型（HC M2K）设定了糖、钠和饱和脂肪的阈值，以确定食品是否适合进行儿童导向营销。根据这一模型，超过阈值的食品将被限制使用儿童导向营销手段。研究发现，89.5%的早餐谷物产品因营养成分超标而被限制，这表明当前市场上的儿童导向食品大多不符合健康标准，亟需政策干预。

在实际应用中，AI驱动的图像识别技术能够帮助监管机构和健康组织更高效地监测食品营销行为，尤其是在面对海量数据时。传统的手工分类方法在处理大规模食品数据库时存在明显的局限性，而AI技术则能够自动识别和分类食品包装上的营销特征，大大提高了数据处理的效率。此外，AI模型还可以用于实时监控，使监管机构能够及时发现不符合规定的营销行为，并采取相应的措施。

尽管AI技术在识别儿童导向营销方面表现出色，但研究团队也指出了其存在的局限性。首先，当前的标注数据主要集中在儿童相关的食品类别，而并未涵盖所有食品和饮料，因此在解释结果时需要谨慎。其次，某些抽象或细微的营销特征，如趣味字体或色彩丰富的形状，仍然存在识别困难，这可能与这些特征在训练数据中的出现频率较低有关。此外，AI模型在区分某些视觉相似的营销元素时也面临挑战，这表明未来的研究需要进一步优化模型的结构和特征提取方法。

本研究的成果不仅为儿童食品营销的监管提供了新的技术手段，也为全球范围内的食品政策制定提供了参考。随着AI技术的不断发展，其在食品营销分析中的应用前景广阔。例如，AI可以用于分析社交媒体上的食品广告、在线视频内容以及电视和流媒体广告，从而实现对儿童导向营销的全面监控。此外，AI还可以与其他数据源结合，如食品购买数据和营养成分数据库，以更深入地理解儿童导向食品营销对消费者行为和健康结果的影响。

总的来说，本研究通过引入AI技术，为解决儿童导向食品营销评估的效率和准确性问题提供了创新性的解决方案。这一方法不仅能够帮助监管机构更有效地监测食品营销行为，还能够为政策制定者提供数据支持，以评估现有政策的效果并优化未来政策的方向。随着AI技术的不断进步，其在食品营销分析中的应用将变得更加广泛和深入，为改善儿童的饮食环境和健康状况发挥重要作用。