Wat is Snap & Track? Een Complete Gids voor Foto-gebaseerde Calorie Tracking

Het handmatig doorzoeken van een database voor elk ingrediënt van je lunch, het schatten van portiegroottes en het één voor één invoeren van elk item is al meer dan tien jaar de standaardmethode voor calorie tracking. Het werkt, maar het is traag, saai en een van de belangrijkste redenen waarom mensen binnen de eerste twee weken stoppen met voedsel loggen.

Foto-gebaseerde calorie tracking biedt een fundamenteel andere aanpak. In plaats van te typen en te zoeken, maak je een enkele foto van je maaltijd, en kunstmatige intelligentie doet de rest: het identificeert de voedingsmiddelen op je bord, schat de portiegroottes en geeft binnen enkele seconden een volledige voedingsanalyse terug.

De implementatie van deze technologie door Nutrola heet Snap & Track. Deze gids legt precies uit wat foto-gebaseerde calorie tracking is, hoe de onderliggende technologie werkt, wat het goed doet, waar het nog uitdagingen tegenkomt, en hoe het zich verhoudt tot andere logmethoden.

Wat is Foto-gebaseerde Calorie Tracking?

Foto-gebaseerde calorie tracking is een methode voor voedsel loggen die gebruikmaakt van de camera van een smartphone en kunstmatige intelligentie om de voedingswaarde van een maaltijd uit een enkele foto te schatten. In plaats van dat de gebruiker handmatig een voedsel database doorzoekt, analyseert het systeem de afbeelding om individuele voedingsmiddelen te identificeren, hun hoeveelheden te schatten en de bijbehorende voedingsdata op te halen.

De kernbelofte is snelheid en eenvoud. Een proces dat normaal gesproken 60 tot 120 seconden per maaltijd kost met handmatige invoer, kan worden teruggebracht tot minder dan 10 seconden met een foto-gebaseerd systeem. Voor gebruikers die drie tot vijf keer per dag eten, stapelt deze tijdsbesparing zich op tot een wezenlijk andere ervaring die langdurige tracking duurzaam maakt.

Een Korte Geschiedenis

Het concept van het fotograferen van voedsel voor voedingsanalyse dateert uit academisch onderzoek in de vroege jaren 2010, toen computer vision modellen voor het eerst in staat waren om voedselafbeeldingen met redelijke nauwkeurigheid te classificeren. Vroege systemen vereisten gecontroleerde verlichting, specifieke hoeken en referentieobjecten (zoals een munt naast het bord voor schaal). De nauwkeurigheid was beperkt en de technologie bleef beperkt tot onderzoekslaboratoria.

De doorbraak kwam met de ontwikkeling van deep learning, met name convolutionele neurale netwerken (CNN's), tussen 2017 en 2022. Terwijl deze modellen werden getraind op steeds grotere datasets van voedselafbeeldingen, verbeterde de classificatienauwkeurigheid van ongeveer 50 procent naar boven de 90 procent voor veelvoorkomende voedingsmiddelen. Tegen 2024 begonnen consumentenapplicaties foto-gebaseerde tracking aan te bieden als een kernfunctie in plaats van een experimentele toevoeging.

Hoe Snap & Track Werkt: Stap voor Stap

Het begrijpen van de volledige pijplijn van foto naar voedingsdata helpt om realistische verwachtingen te scheppen over wat de technologie kan en niet kan doen.

Stap 1: Afbeelding Vastleggen

De gebruiker opent de Nutrola-app en maakt een foto van hun maaltijd met de ingebouwde camera-interface. Het systeem werkt het beste met een bovenaanzicht of een opname onder een hoek van 45 graden die duidelijk alle items op het bord toont. Goede verlichting en minimale obstructies (zoals handen, bestek dat voedsel bedekt, of extreme schaduwen) verbeteren de resultaten.

De afbeelding wordt vastgelegd in de standaard smartphone-resolutie. Er zijn geen speciale apparatuur, referentieobjecten of calibratiestappen nodig.

Stap 2: Voedsel Detectie en Identificatie

Zodra de afbeelding is vastgelegd, analyseren een reeks AI-modellen deze in volgorde.

Objectdetectie identificeert eerst de verschillende voedselgebieden binnen de afbeelding. Als een bord gegrilde kip, rijst en een salade bevat, tekent het model omtrekdozen rond elk afzonderlijk voedingsitem. Dit is een multi-label classificatieprobleem, wat betekent dat het systeem moet herkennen dat een enkele afbeelding meerdere verschillende voedingsmiddelen bevat in plaats van het hele bord als één item te beschouwen.

Voedselclassificatie kent vervolgens een label toe aan elk gedetecteerd gebied. Het model put uit een taxonomie van duizenden voedingsmiddelen, waarbij visuele kenmerken zoals kleur, textuur, vorm en context worden vergeleken met bekende voedselcategorieën. Het systeem houdt ook rekening met co-occurrence patronen. Als het bijvoorbeeld detecteert wat lijkt op een tortilla naast bonen, rijst en salsa, kan het een burrito bowl afleiden in plaats van elk component afzonderlijk te classificeren.

Stap 3: Portiegrootte Schatting

Het identificeren van welk voedsel aanwezig is, is slechts de helft van het probleem. Het systeem moet ook schatten hoeveel van elk voedsel op het bord ligt. Dit wordt bereikt door een combinatie van technieken:

• Relatieve schaling. Het model gebruikt het bord, de kom of de container als referentieobject met een veronderstelde standaardgrootte om het volume van voedingsmiddelen ten opzichte daarvan te schatten.
• Diepte schatting. Geavanceerde modellen infereren driedimensionale structuren uit een tweedimensionale afbeelding, waarbij ze de hoogte of dikte van voedingsmiddelen zoals een steak of een berg rijst schatten.
• Geleerde portie-prioren. Het model is getraind op honderdduizenden afbeeldingen met bekende portiewichten, waardoor het statistische prioren kan toepassen. Bijvoorbeeld, een enkele kipfilet in een context van een thuisbereide maaltijd valt doorgaans binnen een bereik van 120 tot 200 gram.

Stap 4: Ophalen van Voedingsdata

Met de geïdentificeerde voedingsmiddelen en geschatte porties, koppelt het systeem elk item aan de bijbehorende vermelding in een geverifieerde voedingsdatabase. Nutrola gebruikt een gecureerde database in plaats van een crowdsourced database, wat het risico op onjuiste of dubbele vermeldingen vermindert.

Het systeem retourneert een volledige voedingsanalyse voor elk gedetecteerd item en de maaltijd als geheel:

Voedingsstof	Per Item	Per Maaltijd
Calorieën (kcal)	Geleverd	Opgeteld
Eiwitten (g)	Geleverd	Opgeteld
Koolhydraten (g)	Geleverd	Opgeteld
Vet (g)	Geleverd	Opgeteld
Vezels (g)	Geleverd	Opgeteld
Belangrijke micronutriënten	Geleverd	Opgeteld

Stap 5: Gebruikersreview en Bevestiging

De gebruiker krijgt de resultaten te zien en kan elk item bekijken, aanpassen of corrigeren voordat hij de loginvoer bevestigt. Deze stap met menselijke tussenkomst is cruciaal. Als het systeem bruine rijst verkeerd identificeert als witte rijst, of 150 gram kip schat terwijl de werkelijke portie dichter bij de 200 gram ligt, kan de gebruiker snel een correctie aanbrengen. In de loop van de tijd helpen deze correcties ook om de nauwkeurigheid van het systeem te verbeteren via feedbackloops.

De Technologie Achter Foto-gebaseerde Voedselherkenning

Verschillende lagen van kunstmatige intelligentie en machine learning werken samen om foto-gebaseerde calorie tracking mogelijk te maken.

Convolutionele Neurale Netwerken (CNN's)

De ruggengraat van de meeste voedselherkenningssystemen is het convolutionele neurale netwerk, een klasse van deep learning modellen die specifiek zijn ontworpen voor beeldanalyse. CNN's verwerken afbeeldingen via meerdere lagen van filters die steeds abstractere kenmerken detecteren: randen en texturen in vroege lagen, vormen en patronen in middenlagen, en hoog-niveau voedsel-specifieke kenmerken in diepere lagen.

Moderne voedselherkenningssystemen gebruiken doorgaans architecturen zoals ResNet, EfficientNet of Vision Transformers (ViT) die zijn voorgetraind op miljoenen algemene afbeeldingen en vervolgens zijn verfijnd op voedsel-specifieke datasets.

Multi-Label Classificatie

In tegenstelling tot standaard beeldclassificatie (waarbij een afbeelding één label ontvangt), vereist voedselherkenning multi-label classificatie. Een enkele foto kan vijf, tien of meer verschillende voedingsmiddelen bevatten. Het model moet elk afzonderlijk detecteren en classificeren, terwijl het de ruimtelijke relaties tussen hen begrijpt.

Transfer Learning en Domeinadaptatie

Het trainen van een voedselherkenningsmodel vanaf nul zou een onpraktisch grote gelabelde dataset vereisen. In plaats daarvan gebruiken moderne systemen transfer learning: beginnen met een model dat is voorgetraind op een grote algemene afbeeldingsdataset (zoals ImageNet) en het vervolgens verfijnen op voedsel-specifieke afbeeldingen. Deze aanpak stelt het model in staat om algemene visuele kennis (randen, texturen, vormen) te benutten, terwijl het zich specialiseert in voedselgerelateerde kenmerken.

Trainingsdata

De kwaliteit en diversiteit van de trainingsdata is arguably belangrijker dan de modelarchitectuur. Effectieve voedselherkenningsmodellen worden getraind op datasets die bevatten:

• Honderdduizenden tot miljoenen gelabelde voedselafbeeldingen
• Diverse keukens, kookstijlen en presentatieformaten
• Varieerde lichtomstandigheden, hoeken en achtergronden
• Afbeeldingen van zowel restaurant- als thuisbereide maaltijden
• Annotaties van portiewicht voor volume schatting

Nauwkeurigheid: Wat het Onderzoek Laat Zien

Nauwkeurigheid in foto-gebaseerde calorie tracking kan langs twee dimensies worden gemeten: voedselidentificatie-nauwkeurigheid (heeft het systeem correct geïdentificeerd wat het voedsel is?) en calorie-estimatie-nauwkeurigheid (heeft het de juiste hoeveelheid geschat?).

Voedselidentificatie Nauwkeurigheid

Moderne voedselherkenningsmodellen behalen een top-1 nauwkeurigheid (het juiste voedsel is de eerste gok van het model) van 85 tot 95 procent op benchmarkdatasets voor veelvoorkomende voedingsmiddelen in goed verlichte, duidelijk gepresenteerde foto's. De top-5 nauwkeurigheid (het juiste voedsel bevindt zich onder de top vijf gissingen van het model) overschrijdt doorgaans 95 procent.

Echter, benchmarknauwkeurigheid vertaalt zich niet altijd direct naar de prestaties in de echte wereld. Factoren die de nauwkeurigheid in de praktijk verminderen zijn onder andere:

Factor	Impact op Nauwkeurigheid
Slechte verlichting of schaduwen	Gemiddelde vermindering
Ongebruikelijke hoeken (extreme close-up, zijaanzicht)	Gemiddelde vermindering
Gemengde of gelaagde gerechten (casseroles, stoofschotels)	Significante vermindering
Ongewone of regionale voedingsmiddelen	Significante vermindering
Voedsel bedekt met sauzen of toppings	Gemiddelde tot significante vermindering
Meerdere overlappende items	Gemiddelde vermindering

Calorie Estimatie Nauwkeurigheid

Zelfs wanneer de voedselidentificatie correct is, introduceert calorie-estimatie extra fouten door portiegrootte schatting. Studies gepubliceerd tussen 2023 en 2025 hebben aangetoond dat foto-gebaseerde calorie-estimatie doorgaans binnen 15 tot 25 procent van de werkelijke calorie-inhoud voor standaard maaltijden valt. Dit is vergelijkbaar met of beter dan de nauwkeurigheid van handmatige zelfrapportage, waarvan studies consequent hebben aangetoond dat deze de calorie-inname met 20 tot 50 procent onderschat.

Een systematische review uit 2024 in het Journal of the Academy of Nutrition and Dietetics vond dat AI-ondersteunde foto tracking de gemiddelde schattingsfout met 12 procentpunten verminderde in vergelijking met handmatige schatting zonder hulpmiddelen.

Voedselsoorten die Goed Worden Herkend vs. Voedselsoorten die Moeilijkheden Veroorzaken

Niet alle voedingsmiddelen zijn even gemakkelijk voor AI-systemen te analyseren. Het begrijpen van deze verschillen helpt gebruikers om het meeste uit foto-gebaseerde tracking te halen.

Voedselsoorten met Hoge Herkenningsnauwkeurigheid

• Hele, visueel onderscheidbare items. Een banaan, een appel, een gekookt ei, een sneetje brood. Deze hebben consistente, herkenbare vormen en texturen.
• Gepresenteerde maaltijden met gescheiden componenten. Gegrilde kipfilet naast gestoomde broccoli en rijst op een bord. Elk item is visueel onderscheidbaar en ruimtelijk gescheiden.
• Veelvoorkomende Westerse en Aziatische gerechten. Sushi, pizza, hamburgers, pastagerechten, salades. Deze zijn sterk vertegenwoordigd in trainingsdatasets.
• Verpakte voedingsmiddelen met standaardvormen. Een granola reep, een yoghurtbeker, een blikje tonijn. De verpakking biedt een nuttige maatreferentie.

Voedselsoorten die Uitdagingen Veroorzaken

• Gemengde gerechten en casseroles. Een lasagne, een stoofpot of een curry waarin ingrediënten door elkaar zijn gemengd, maakt het moeilijk voor het model om individuele componenten en hun verhoudingen te identificeren.
• Sauzen, dressings en verborgen vetten. Olie die in de bereiding wordt gebruikt, boter die in groenten smelt, of een romige dressing over een salade kan 100 tot 300 calorieën toevoegen die visueel niet waarneembaar zijn.
• Regionale en ongebruikelijke keukens. Voedsel dat ondervertegenwoordigd is in trainingsdata, zoals bepaalde Afrikaanse, Centraal-Aziatische of inheemse gerechten, kan lagere herkenningspercentages hebben.
• Dranken. Een glas sinaasappelsap en een glas mango smoothie kunnen er bijna identiek uitzien, ondanks dat ze verschillende calorie-inhoud hebben. Donkere dranken zoals koffie met room versus zwarte koffie vormen ook uitdagingen.
• Voedsel met variabele dichtheid. Twee kommen havermout kunnen er vergelijkbaar uitzien, maar aanzienlijk verschillen in calorie-inhoud, afhankelijk van de verhouding van havermout tot water.

Tips voor Betere Resultaten bij Foto-gebaseerde Tracking

Gebruikers kunnen de nauwkeurigheid van foto-gebaseerde calorie tracking aanzienlijk verbeteren door een paar praktische richtlijnen te volgen.

1. Fotografeer van boven of onder een hoek van 45 graden. Bovenaanzichten bieden het duidelijkste zicht op alle items op het bord en de beste perspectief voor portieschatting.
2. Zorg voor goede, gelijkmatige verlichting. Natuurlijk daglicht levert de beste resultaten op. Vermijd harde schaduwen, tegenlicht of zeer donkere omgevingen.
3. Scheiding van voedingsmiddelen waar mogelijk. Als je je eigen maaltijd opmaakt, houdt dan de items visueel gescheiden (in plaats van alles op elkaar te stapelen) om zowel identificatie als portie-nauwkeurigheid te verbeteren.
4. Log sauzen, dressings en kookoliën apart. Dit zijn de meest voorkomende bronnen van verborgen calorieën. Voeg ze als handmatige vermeldingen toe na de foto-analyse om ervoor te zorgen dat ze worden vastgelegd.
5. Review en corrigeer. Neem altijd een paar seconden de tijd om de resultaten van de AI te bekijken voordat je bevestigt. Het corrigeren van een verkeerd geïdentificeerd item kost vijf seconden; het negeren ervan introduceert cumulatieve fouten over dagen en weken.
6. Fotografeer voordat je gaat eten. Het maken van de foto voordat je begint met eten zorgt ervoor dat de volledige portie zichtbaar is. Een half opgegeten bord is moeilijker voor het systeem om nauwkeurig te analyseren.
7. Gebruik een standaard bord of kom. Het systeem gebruikt de container als maatreferentie. Ongebruikelijke containers (zoals een zeer groot serveerbord of een klein voorgerechtbord) kunnen de portieschatting verstoren.

Foto-gebaseerde Tracking vs. Handmatig Loggen vs. Barcode Scannen

Elke methode van voedsel loggen heeft zijn eigen sterke en zwakke punten. De onderstaande tabel biedt een directe vergelijking.

Kenmerk	Foto-gebaseerd (Snap & Track)	Handmatige Database Zoektocht	Barcode Scannen
Snelheid per invoer	5-10 seconden	60-120 seconden	10-15 seconden
Nauwkeurigheid voor verpakte voedingsmiddelen	Goed	Goed (als het juiste item is geselecteerd)	Uitstekend (exacte match)
Nauwkeurigheid voor thuisbereide maaltijden	Goed	Gemiddeld (afhankelijk van schatting)	Niet van toepassing
Nauwkeurigheid voor restaurantmaaltijden	Goed	Slecht tot gemiddeld	Niet van toepassing
Omgaan met gemengde gerechten	Gemiddeld	Goed (als de gebruiker de ingrediënten kent)	Niet van toepassing
Vastleggen van verborgen vetten/oliën	Slecht	Gemiddeld (als de gebruiker zich herinnert)	Niet van toepassing
Leercurve	Zeer laag	Gemiddeld	Laag
Gebruikersinspanning	Minimaal	Hoog	Laag (alleen verpakt)
Langdurige adherentie	Hoog	Laag tot gemiddeld	Gemiddeld
Werkt zonder verpakking	Ja	Ja	Nee

Wanneer elke methode te gebruiken

De meest effectieve aanpak is om alle drie de methoden te gebruiken, afhankelijk van de situatie:

• Snap & Track voor de meeste maaltijden, vooral thuisbereide borden en restaurantdiners waar je het voedsel kunt zien.
• Barcode scannen voor verpakte voedingsmiddelen, snacks en dranken met een barcode, omdat dit de meest nauwkeurige voedingsdata oplevert.
• Handmatige invoer voor specifieke ingrediënten zoals kookolie, boter of sauzen die niet zichtbaar zijn op foto's, en voor voedingsmiddelen die de AI niet herkent.

Nutrola ondersteunt alle drie de methoden binnen één interface, zodat gebruikers ze kunnen combineren zoals nodig voor elke maaltijd.

Privacy: Hoe Foto-data Wordt Behandeld

Privacy is een legitieme zorg wanneer een app vraagt om je voedsel te fotograferen. Verschillende applicaties gaan op verschillende manieren om met fotogegevens, en gebruikers moeten de afwegingen begrijpen.

Cloudverwerking versus Verwerking op het Apparaat

De meeste foto-gebaseerde calorie tracking systemen verwerken afbeeldingen in de cloud. De foto wordt geüpload naar een externe server waar het AI-model deze analyseert, en de resultaten worden teruggestuurd naar het apparaat. Deze aanpak maakt het gebruik van grotere, nauwkeurigere modellen mogelijk die te kostbaar zouden zijn om op een smartphone uit te voeren.

Verwerking op het apparaat houdt de foto op de telefoon van de gebruiker, waarbij een kleiner AI-model lokaal draait. Dit biedt sterkere privacygaranties, aangezien de afbeelding nooit het apparaat verlaat, maar het kan ook de nauwkeurigheid verminderen omdat modellen op het apparaat doorgaans kleiner en minder capabel zijn dan hun cloud-gebaseerde tegenhangers.

De Aanpak van Nutrola

Nutrola verwerkt voedselafbeeldingen met behulp van cloud-gebaseerde AI-modellen om de hoogste mogelijke nauwkeurigheid te waarborgen. Afbeeldingen worden verzonden via versleutelde verbindingen (TLS 1.3), verwerkt voor voedingsanalyse en worden niet permanent opgeslagen op de servers van Nutrola nadat de analyse is voltooid. Afbeeldingen worden niet gebruikt voor advertenties, niet verkocht aan derden, en niet gedeeld buiten de voedingsanalyse-pijplijn.

Gebruikers kunnen het volledige privacybeleid van Nutrola bekijken voor gedetailleerde informatie over gegevensverwerking, bewaartermijnen en hun rechten met betrekking tot persoonlijke gegevens.

Belangrijke Privacy Overwegingen

Zorg	Waarop te letten
Gegevensversleuteling	TLS/SSL tijdens verzending
Behoud van afbeeldingen	Of foto's worden verwijderd na analyse
Delen met derden	Of afbeeldingen worden gedeeld met adverteerders of databrokers
Gebruik van trainingsdata	Of je foto's worden gebruikt om AI-modellen te trainen
Rechten op gegevensverwijdering	Mogelijkheid om verwijdering van alle opgeslagen gegevens aan te vragen

Toekomst van Foto-gebaseerde Calorie Tracking

De technologie voor foto-gebaseerde voedselherkenning verbetert snel. Verschillende ontwikkelingen worden verwacht die de nauwkeurigheid en mogelijkheden op de korte termijn aanzienlijk zullen verbeteren.

Multi-hoek en video-gebaseerde schatting. In plaats van te vertrouwen op een enkele foto, kunnen toekomstige systemen korte videoclips of meerdere hoeken gebruiken om een driedimensionaal begrip van de maaltijd op te bouwen, wat de portiegrootte schatting dramatisch verbetert.

Dieptesensoren. Smartphones uitgerust met LiDAR of gestructureerde lichtdieptesensoren (al aanwezig in sommige vlaggenschipmodellen) kunnen nauwkeurige diepte-informatie bieden, waardoor het systeem het voedselvolume kan berekenen in plaats van het te schatten op basis van een platte afbeelding.

Gepersonaliseerde modellen. Terwijl gebruikers in de loop van de tijd maaltijden loggen en corrigeren, kan het systeem hun specifieke voedselvoorkeuren, typische portiegroottes en kookstijlen leren, waardoor een gepersonaliseerd model ontstaat dat de nauwkeurigheid voor hun specifieke dieet verbetert.

Uitgebreide keuken dekking. Voortdurende inspanningen om trainingsdatasets te diversifiëren verbeteren de herkenningsnauwkeurigheid voor ondervertegenwoordigde keukens, waardoor de technologie eerlijker en nuttiger wordt voor een wereldwijd gebruikersbestand.

Integratie met draagbare gegevens. Het combineren van foto-gebaseerd voedsel loggen met gegevens van fitnesstrackers, continue glucosesensoren en andere draagbare apparaten zal een meer holistische en nauwkeurige voedingsanalyse mogelijk maken.

Veelgestelde Vragen

Hoe nauwkeurig is foto-gebaseerde calorie tracking vergeleken met handmatig loggen?

Foto-gebaseerde calorie tracking schat doorgaans de calorie-inhoud binnen 15 tot 25 procent van de werkelijke waarde voor standaard maaltijden. Handmatige zelfrapportage zonder hulpmiddelen heeft in klinische studies aangetoond dat deze de calorie-inname gemiddeld met 20 tot 50 procent onderschat. Wanneer gebruikers AI-gegenereerde schattingen bekijken en corrigeren, produceert foto-gebaseerde tracking doorgaans een gelijke of betere nauwkeurigheid dan handmatig loggen, met aanzienlijk minder tijd en moeite. De combinatie van AI-schatting plus menselijke review presteert doorgaans beter dan elke aanpak afzonderlijk.

Kan Snap & Track voedingsmiddelen uit elke keuken herkennen?

Snap & Track presteert het beste met keukens die goed vertegenwoordigd zijn in de trainingsdata, waaronder de meeste Westerse, Oost-Aziatische, Zuid-Aziatische en Latijns-Amerikaanse gerechten. De herkenningsnauwkeurigheid voor minder goed gedocumenteerde regionale keukens kan lager zijn, hoewel dit een actief verbetergebied is. Als het systeem een specifiek gerecht niet herkent, kunnen gebruikers altijd terugvallen op handmatige invoer of de database rechtstreeks doorzoeken. Nutrola breidt continu de trainingsdata voor voedselafbeeldingen uit om de wereldwijde keuken dekking te verbeteren.

Werkt Snap & Track met gemengde gerechten zoals soepen, stoofschotels en casseroles?

Gemengde gerechten zijn een van de uitdagendere categorieën voor foto-gebaseerde herkenning omdat individuele ingrediënten door elkaar zijn gemengd en niet visueel onderscheidbaar zijn. Snap & Track kan veel voorkomende gemengde gerechten (zoals chili, ramen of curry) als geheel identificeren en geschatte voedingsdata op basis van standaardrecepten bieden. Voor zelfgemaakte gemengde gerechten met niet-standaard ingrediënten krijgen gebruikers betere nauwkeurigheid door individuele ingrediënten handmatig in te voeren of de receptbouwerfunctie te gebruiken om een aangepaste vermelding te maken.

Worden mijn voedsel foto's opgeslagen of gedeeld met derden?

Nutrola verzendt voedselafbeeldingen via versleutelde verbindingen voor cloud-gebaseerde AI-analyse. Foto's worden niet permanent opgeslagen op de servers van Nutrola nadat de analyse is voltooid, en ze worden niet gedeeld met derden, gebruikt voor advertenties of verkocht aan databrokers. Gebruikers behouden volledige controle over hun gegevens en kunnen op elk moment via de privacy-instellingen van de app verzoeken om verwijdering van opgeslagen informatie.

Heb ik speciale camera of apparatuur nodig om foto-gebaseerde calorie tracking te gebruiken?

Nee, er is geen speciale apparatuur nodig. Elke moderne smartphonecamera (vanaf ongeveer 2018) biedt voldoende beeldkwaliteit voor nauwkeurige voedselherkenning. Hogere resolutie camera's en betere verlichting verbeteren de resultaten, maar het systeem is ontworpen om goed te functioneren met standaard smartphonehardware. Er zijn geen referentieobjecten, calibratiestappen of externe accessoires nodig.

Moet ik Snap & Track voor elke maaltijd gebruiken, of zijn er momenten waarop andere methoden beter zijn?

De meest nauwkeurige aanpak is om de juiste methode voor elke situatie te gebruiken. Snap & Track is ideaal voor gepresenteerde maaltijden, restaurantdiners en elke situatie waarin voedingsmiddelen zichtbaar zijn. Barcode scannen is nauwkeuriger voor verpakte voedingsmiddelen met een barcode, omdat het exacte fabrikantgegevens ophaalt. Handmatige invoer is het beste voor ingrediënten die niet zichtbaar zijn op foto's, zoals kookoliën, boter of supplementen. Het gebruik van alle drie de methoden waar nodig, in plaats van uitsluitend op één te vertrouwen, levert de meest nauwkeurige dagelijkse voedingslog op.