Hoe AI Portiegroottes Schat uit Foto's: Een Technische Diepduik

Het identificeren van welk voedsel op je bord ligt, is slechts de helft van de uitdaging van AI-gestuurde calorie-tracking. De andere helft, en waarschijnlijk de moeilijkste, is uitvinden hoeveel voedsel er daadwerkelijk is. Een portie pasta kan 200 calorieën of 800 calorieën zijn, afhankelijk van de hoeveelheid. Het correct inschatten van deze hoeveelheid is wat een nuttige voedings-trackingtool onderscheidt van een noviteit.

Dit artikel biedt een diepgaande technische blik op hoe AI-systemen portiegroottes uit foto's schatten, met aandacht voor diepte-inschatting, referentieobject-schaalverdeling, volumemodellering en de voortdurende uitdagingen waarmee onderzoekers en ingenieurs worden geconfronteerd om deze schattingen nauwkeuriger te maken.

Waarom Portie-inschatting Moeilijker Is Dan Voedselherkenning

Voedselherkenning is in wezen een classificatieprobleem. Het systeem moet kiezen uit een eindige set voedselcategorieën. Portie-inschatting daarentegen is een regressieprobleem. Het systeem moet een continue waarde (gram of milliliter) voorspellen op basis van visuele informatie alleen.

Verschillende factoren maken dit bijzonder uitdagend:

• Het 2D-naar-3D probleem: Een foto reduceert de driedimensionale werkelijkheid tot een tweedimensionaal beeld. Diepte-informatie gaat verloren, waardoor het moeilijk wordt om een dunne laag voedsel van een dikke hoop te onderscheiden.
• Variabele dichtheid: Een kopje bladgroenten en een kopje granola hebben hetzelfde volume, maar totaal verschillende gewichten en calorie-inhoud. Het systeem moet zowel volume als dichtheid inschatten.
• Perspectiefvervorming: De hoek waaronder een foto is genomen, beïnvloedt hoe groot voedselitems lijken. Een bord dat recht van boven is gefotografeerd, ziet er anders uit dan hetzelfde bord dat onder een hoek van 45 graden is gefotografeerd.
• Ambigue schaalverdeling: Zonder een bekend referentieobject in het beeld is er geen manier om de absolute grootte te bepalen. Een close-up van een klein koekje kan identiek lijken aan een foto van een grote pizza die verder weg is genomen.

Diepte-inschatting uit een Enkele Afbeelding

Een van de belangrijkste doorbraken die portie-inschatting uit foto's mogelijk maakt, is monoculaire diepte-inschatting, de mogelijkheid om diepte-informatie af te leiden uit een enkele afbeelding in plaats van stereo-camera's of gespecialiseerde hardware te vereisen.

Hoe Monoculaire Diepte-inschatting Werkt

Het menselijke visuele systeem leidt diepte af uit talrijke aanwijzingen: objectoverlap (dichtere objecten blokkeren verder weg gelegen objecten), relatieve grootte (kleinere objecten zijn meestal verder weg), textuurgradiënten (texturen worden fijner op grotere afstanden) en atmosferisch perspectief (verre objecten lijken vager).

Deep learning-modellen kunnen deze aanwijzingen leren uit grote datasets van afbeeldingen gekoppeld aan dieptemaps. Wanneer deze modellen worden toegepast op voedselfotografie, kunnen ze inschatten welke delen van een voedselitem dichter bij de camera zijn en welke verder weg, waardoor de driedimensionale vorm van het voedsel effectief wordt gereconstrueerd vanuit een plat beeld.

Dieptemaps en Voedselvolume

Een dieptemap kent een afstandswaarde toe aan elke pixel in de afbeelding. Voor voedselinschatting betekent dit dat het systeem kan bepalen dat het midden van een kom soep op een bepaalde diepte ligt, terwijl de rand van de kom op een andere diepte ligt. Het verschil tussen deze diepten, gecombineerd met de gedetecteerde grenzen van het voedsel, stelt het systeem in staat om het volume te schatten.

Moderne smartphonecamera's met LiDAR-sensoren (beschikbaar op recente iPhone Pro en iPad Pro-modellen) kunnen daadwerkelijke dieptegegevens vastleggen naast de kleurafbeelding, wat veel nauwkeurigere diepte-informatie biedt dan alleen algoritmische schatting. Voedseltracking-apps kunnen deze hardware benutten wanneer deze beschikbaar is, terwijl ze terugvallen op monoculaire schatting op apparaten zonder dieptesensoren.

Referentieobject-schaalverdeling

Zonder een bekend referentiepunt is de absolute grootte van objecten in een foto ambigu. Referentieobject-schaalverdeling lost dit probleem op door objecten met bekende afmetingen te gebruiken om een schaal voor de hele afbeelding vast te stellen.

Veelvoorkomende Referentieobjecten

Referentieobject	Bekende Afmeting	Nauwkeurigheidsvoordeel
Standaard dinerbord	25-27 cm diameter	Bepaalt de algehele schaal voor de maaltijd
Vork of lepel	~19 cm lengte	Biedt schaal zelfs in close-up shots
Creditcard	8.56 x 5.4 cm	Nauwkeurig en universeel gestandaardiseerd
Smartphone	Varieert per model maar bekend	Kan algoritmisch worden gedetecteerd en gemeten
Hand	Varieert maar kan worden geschat op basis van demografie	Benaderde schaalverdeling wanneer geen ander referentie beschikbaar is

Automatische Referentiedetectie

In plaats van dat gebruikers een referentiekaart naast hun voedsel moeten plaatsen (wat extra moeite kost en het gebruik ontmoedigt), proberen moderne systemen automatisch veelvoorkomende referentieobjecten te detecteren. Borden, kommen, bestek en tafels komen vaak voor in voedselfoto's en kunnen als maatreferenties dienen als het systeem ze kan identificeren.

Het portie-inschatting systeem van Nutrola zoekt automatisch naar borden, kommen en bestek in het beeld om de schaal vast te stellen. Wanneer deze objecten worden gedetecteerd, gebruikt het systeem hun typische afmetingen om de grootte van voedselitems te kalibreren. Wanneer er geen referentieobject wordt gevonden, vertrouwt het systeem op geleerde prioren over typische voedselporties en kan het de gebruiker vragen om dit te bevestigen.

Bord-gebaseerde Kalibratie

Een bijzonder effectieve aanpak is bord-gebaseerde kalibratie. Standaard dinerborden in de meeste landen vallen binnen een smalle maatrange (25 tot 27 cm in diameter). Door de ovale omtrek van een bord in de afbeelding te detecteren en een standaardmaat aan te nemen, kan het systeem een betrouwbare schaal voor alles op het bord vaststellen.

Deze aanpak werkt goed omdat borden bijna altijd aanwezig zijn in maaltijdfoto's, hun ovale vorm gemakkelijk te detecteren is ongeacht de camhoeken, en de perspectiefvervorming van de ellipse daadwerkelijk informatie encodeert over de camhoek, wat helpt om de perspectieveffecten op het voedsel te corrigeren.

Volumeschattingsmethoden

Zodra het systeem het voedsel heeft geïdentificeerd, de diepte heeft geschat en de schaal heeft vastgesteld, moet het deze informatie combineren om het volume van elk voedselitem te schatten.

Geometrische Primitieven

Een aanpak is om voedselitems te benaderen als combinaties van eenvoudige geometrische vormen:

• Cilinders voor hoge voedingsmiddelen zoals dranken, gestapelde pannenkoeken of gelaagde taarten
• Halfsferen voor ronde voedingsmiddelen zoals scheppen rijst, hopen aardappelpuree of porties ijs
• Rechthoekige prismas voor gesneden brood, blokken kaas of repen
• Afgeknotte kegels voor kommen soep of ontbijtgranen (de komvorm helpt het volume te definiëren)
• Onregelmatige polyhedra voor voedingsmiddelen met complexe vormen zoals kippenpoten of hele vruchten

Het systeem past een of meer van deze primitieve vormen aan op het gedetecteerde voedselgebied en berekent het volume op basis van de aangepaste vormen en de vastgestelde schaal.

Voxel-gebaseerde reconstructie

Een meer geavanceerde aanpak omvat voxel-gebaseerde reconstructie, waarbij het voedselitem wordt gemodelleerd als een driedimensioneel raster van kleine kubussen (voxels). Elke voxel wordt geclassificeerd als zijnde voedsel of leeg op basis van de dieptemap en segmentatiemasker. Het totale volume is dan de som van alle voedsel-bevattende voxels.

Deze methode gaat beter om met onregelmatige vormen dan geometrische primitieven, maar vereist meer rekenkracht. Het is bijzonder nuttig voor voedingsmiddelen die niet voldoen aan eenvoudige vormen, zoals een gescheurd stuk brood of een onregelmatig gesneden stuk fruit.

Neurale Volumeschatting

De meest recente aanpak slaat expliciete geometrische modellering helemaal over. In plaats daarvan wordt een neuraal netwerk end-to-end getraind om het voedselvolume rechtstreeks uit de afbeelding te voorspellen. Deze modellen leren impliciete representaties van voedselgeometrie uit grote datasets van voedselafbeeldingen gekoppeld aan daadwerkelijke gewichtsmetingen.

Deze aanpak heeft veelbelovende resultaten laten zien omdat het subtiele visuele aanwijzingen kan vastleggen die correleren met volume, zoals de manier waarop licht weerkaatst op het oppervlak van een vloeistof of het schaduwpatroon dat door een hoop voedsel wordt geworpen. Het vermijdt ook de foutaccumulatie die kan optreden wanneer diepte-inschatting, segmentatie en geometrische aanpassing als afzonderlijke stappen worden uitgevoerd.

Van Volume naar Gewicht naar Calorieën

Het schatten van volume is niet de laatste stap. Om calorieën te berekenen, moet het systeem volume omzetten naar gewicht (met behulp van voedsel dichtheid) en gewicht naar calorieën (met behulp van voedingssamenstellingsgegevens).

Voedsel Dichtheid Databases

Verschillende voedingsmiddelen hebben zeer verschillende dichtheden. Een kopje olie weegt ongeveer 220 gram, terwijl een kopje bloem ongeveer 120 gram weegt, en een kopje popcorn ongeveer 8 gram. Nauwkeurige dichtheidsgegevens zijn essentieel voor het omzetten van volume-inschattingen naar gewichtinschattingen.

Productiesystemen onderhouden databases die voedselitems koppelen aan hun dichtheden, rekening houdend met variaties in bereidingswijze (gekookt vs. rauw, gehakt vs. heel) en gangbare serveerstijlen.

Voedselitem	Dichtheid (g/mL)	Gewicht per 1 Kop (g)	Calorieën per Kop
Water	1.00	237	0
Volle melk	1.03	244	149
Gekookte witte rijst	0.74	175	205
Rauwe spinazie	0.13	30	7
Pindakaas	1.09	258	1517
Olijfolie	0.92	218	1909

Voedingssamenstelling

Zodra het systeem een gewichtinschatting in grammen heeft, kijkt het de voedingssamenstelling per gram op in een uitgebreide voedseldatabase. Deze databases zijn doorgaans afgeleid van gezaghebbende bronnen zoals de USDA FoodData Central, aangevuld met gegevens van voedselproducenten en regionale voedingsdatabases.

De database van Nutrola dekt meer dan 1,3 miljoen voedingsmiddelen, inclusief merkproducten, restaurantmenu-items en generieke voedingsmiddelen met volledige macro- en micronutriëntenprofielen. Deze uitgebreide dekking zorgt ervoor dat zodra een voedselitem en portie zijn geïdentificeerd, de voedingsberekening nauwkeurig is.

Nauwkeurigheidsuitdagingen en Hoe Ze Worden Aangepakt

Ondanks de verfijning van deze technieken blijft portie-inschatting uit foto's een onvolmaakte wetenschap. Het begrijpen van de bronnen van fouten helpt om realistische verwachtingen te scheppen en benadrukt de voortdurende verbeteringen op dit gebied.

Bekende Bronnen van Fout

Variatie in camhoek: Dezelfde portie ziet er anders uit, afhankelijk van of de foto van boven, onder een hoek van 45 graden of vanaf tafelhoogte is genomen. Bovenaan genomen foto's leveren over het algemeen de meest nauwkeurige schattingen op omdat ze de perspectiefvervorming minimaliseren, maar veel gebruikers houden hun telefoon natuurlijk onder een hoek.

Verborgen voedsel: Voedsel dat verborgen is onder sauzen, kaas of andere toppings kan visueel niet direct worden gemeten. Het systeem moet de verborgen portie afleiden op basis van het zichtbare type gerecht en de typische bereiding.

Onregelmatige containers: Niet-standaard kommen, mokken en containers maken bord-gebaseerde schaalverdeling minder betrouwbaar. Een kleine portie in een grote kom ziet er anders uit dan een grote portie in een kleine kom, zelfs als het voedseloppervlak vergelijkbaar lijkt.

Individuele bereidingsverschillen: Twee mensen die "een kom havermout" maken, kunnen heel verschillende hoeveelheden havermout en water gebruiken, wat resulteert in hetzelfde ogenschijnlijk volume maar verschillende calorie-inhoud.

Strategieën voor Verbetering van Nauwkeurigheid

Multi-hoek opname: Sommige systemen vragen gebruikers om foto's vanuit meerdere hoeken te maken, waardoor stereo-reconstructie en nauwkeurigere volumeschatting mogelijk worden. Dit verbetert de nauwkeurigheid aanzienlijk, maar voegt extra moeite toe aan het logproces.

Feedbackloops van gebruikers: Wanneer gebruikers hun voedsel wegen en de geschatte portie bevestigen of corrigeren, creëert dit trainingsdata die het model in de loop van de tijd verbetert. Nutrola moedigt gebruikers aan om af en toe porties met een keukenweegschaal te verifiëren om zowel de AI als het eigen portiebewustzijn van de gebruiker te kalibreren.

Contextuele prioren: Het systeem kan contextuele informatie gebruiken om schattingen te verfijnen. Als een gebruiker zich bij een specifieke restaurantketen bevindt, kan het systeem gebruikmaken van bekende portiegroottes. Als een gebruiker regelmatig een specifiek ontbijt logt, kan het systeem hun typische portie leren.

Vertrouwensbewuste schattingen: In plaats van een enkel getal te presenteren, bieden geavanceerde systemen een vertrouwensinterval. Als het systeem onzeker is over de portie, kan het de schatting presenteren als een bereik (bijvoorbeeld 300 tot 450 calorieën) en de gebruiker vragen om aanvullende informatie te verstrekken.

Huidige Nauwkeurigheidsbenchmarks

Onderzoek van de International Conference on Image Analysis and Processing heeft aangetoond dat de meest geavanceerde systemen voor voedselvolume-inschatting gemiddelde absolute procentuele fouten tussen de 15 en 25 procent behalen. Ter vergelijking, studies hebben aangetoond dat getrainde diëtisten die porties uit foto's inschatten, fouten van ongeveer 10 tot 15 procent behalen, terwijl ongetrainde individuen gemiddeld fouten van 30 tot 50 procent maken.

Dit betekent dat AI-portie-inschatting al aanzienlijk beter is dan wat de meeste mensen zonder hulp kunnen doen en dat het de nauwkeurigheid van getrainde professionals benadert. In combinatie met het voordeel van snelheid en gemak, maakt dit AI-ondersteunde tracking een aanzienlijke verbetering ten opzichte van handmatig loggen voor de meeste gebruikers.

De Rol van Gebruikerskalibratie

Een ondergewaardeerd aspect van AI-portie-inschatting is de rol van gebruikerskalibratie in de loop van de tijd. Terwijl een gebruiker maaltijden logt en af en toe correcties aanbrengt, bouwt het systeem een profiel op van hun typische portiegroottes en voedselvoorkeuren.

Voor regelmatige gebruikers betekent dit dat het systeem steeds nauwkeuriger wordt. Als je doorgaans grotere porties rijst serveert dan gemiddeld, leert het systeem om de schattingen voor rijst omhoog bij te stellen. Als je meestal minder olie gebruikt dan het standaardrecept, kan het systeem daar rekening mee houden.

Nutrola benut deze personalisatie om steeds meer op maat gemaakte portieschattingen te bieden naarmate je de app langer gebruikt. Nieuwe gebruikers profiteren van populatieniveau gemiddelden, terwijl ervaren gebruikers gepersonaliseerde schattingen ontvangen die zijn gekalibreerd op hun specifieke gewoonten.

Praktische Tips voor Nauwkeurigere Portie-inschattingen

Hoewel AI het meeste zware werk doet, kunnen gebruikers de nauwkeurigheid verbeteren door een paar eenvoudige richtlijnen te volgen:

1. Fotografeer van bovenaf wanneer mogelijk. Bovenaan genomen foto's bieden de meeste informatie over het voedseloppervlak en minimaliseren perspectiefvervorming.
2. Neem het volledige bord in het beeld. De rand van het bord dient als cruciaal referentieobject voor schaalverdeling.
3. Vermijd extreme close-ups. Het systeem heeft context nodig om de grootte te beoordelen. Een foto die alleen het voedsel toont zonder omliggende objecten biedt geen schaalreferentie.
4. Fotografeer voordat je mengt. Een salade met zichtbare aparte ingrediënten is gemakkelijker te analyseren dan een die door elkaar is gegooid.
5. Gebruik goede verlichting. Schaduwen en weinig licht kunnen voedselgrenzen en diepte-aanwijzingen verdoezelen.
6. Bevestig of corrigeer af en toe. Een keukenweegschaal eens per week gebruiken om de AI-schatting te verifiëren helpt zowel het systeem als je eigen intuïtie te kalibreren.

FAQ

Hoe nauwkeurig is AI-portie-inschatting vergeleken met het gebruik van een voedselweegschaal?

Een voedselweegschaal biedt nauwkeurigheid binnen 1 tot 2 gram, wat veel preciezer is dan enige visuele inschattingsmethode. AI-portie-inschatting uit foto's behaalt doorgaans een nauwkeurigheid binnen 15 tot 25 procent van het werkelijke gewicht. Echter, het gemak van AI-inschatting (dat 2 seconden duurt versus 30 seconden of meer met een weegschaal) betekent dat meer mensen daadwerkelijk consistent bijhouden, wat vaak belangrijker is voor langdurige resultaten dan perfecte precisie.

Beïnvloedt de camhoek de nauwkeurigheid van portie-inschatting?

Ja, aanzienlijk. Bovenaan genomen foto's (recht naar beneden op het bord kijkend) bieden de beste nauwkeurigheid omdat ze het volledige oppervlak van het voedsel tonen met minimale perspectiefvervorming. Foto's die onder een hoek van 45 graden zijn genomen, zijn het meest gebruikelijk en leveren nog steeds goede schattingen op. Zeer lage hoeken (bijna op tafelhoogte) zijn het minst nauwkeurig omdat het grootste deel van het voedsel wordt verborgen door de voorrand van het bord.

Kan AI porties voor vloeistoffen zoals soepen en smoothies inschatten?

Vloeistoffen vormen een unieke uitdaging omdat hun volume wordt bepaald door hun container in plaats van hun eigen vorm. AI-systemen schatten vloeistofporties door het type container en het vulniveau te identificeren. Een kom soep die tot de rand gevuld is, heeft een ander volume dan een die halverwege is gevuld. De nauwkeurigheid is over het algemeen goed wanneer de container een standaardvorm heeft, maar minder betrouwbaar met ongebruikelijke containers.

Waarom overschat of onderschat AI soms mijn portie?

Veelvoorkomende redenen voor overschatting zijn dichte plating die groter lijkt dan het is, garneringen die visueel volume toevoegen zonder significante calorieën, en het gebruik van grote borden die het systeem doen aannemen dat er meer voedsel aanwezig is. Veelvoorkomende redenen voor onderschatting zijn voedsel dat onder ander voedsel verborgen is, dichte calorie-rijke voedingsmiddelen die klein lijken, en ongebruikelijke serveerstijlen. Feedback geven wanneer schattingen onjuist zijn, helpt het systeem te verbeteren.

Heb ik een telefoon met een LiDAR-sensor nodig voor nauwkeurige portietracking?

Nee. Hoewel telefoons met LiDAR meer nauwkeurige diepte-informatie kunnen bieden, kunnen moderne AI-modellen diepte ook goed inschatten vanuit een standaard camera-afbeelding. Het nauwkeurigheidsverschil tussen LiDAR-geschikte en standaard telefoons is kleiner geworden naarmate de softwarematige diepte-inschatting is verbeterd. Nutrola werkt nauwkeurig op elke moderne smartphone.

Hoe gaat het systeem om met voedingsmiddelen die gestapeld of gelaagd zijn?

Voor zichtbaar gestapelde voedingsmiddelen zoals pannenkoeken of gelaagde sandwiches kan het systeem lagen tellen en de dikte van het zijprofiel inschatten. Voor voedingsmiddelen met verborgen lagen zoals lasagne of burrito's vertrouwt het systeem op geleerde samenstellingsmodellen die de typische interne structuur schatten op basis van het zichtbare exterieur en het type gerecht.