Hvor Pålidelig Er Cal AI Portion Estimering? En Vejet Vægt vs AI Estimat Revision

Cal AI er en foto-baseret kalorie tracking app, der bruger computer vision til at estimere fødevarer og kalorier fra fotografier. Appens kerne løfte er, at du kan springe vejning og måling af din mad over — tag blot et billede af din tallerken, og AI'en klarer resten. Det er et tiltalende forslag, der fjerner den mest kedelige del af kalorie tracking. Men det afhænger af at løse et grundlæggende problem inden for computer vision: at estimere størrelsen og vægten af et objekt i tre dimensioner ud fra et to-dimensionelt billede.

Pålidelighed i portion estimering betyder, at AI'ens estimerede vægt eller volumen tæt matcher den faktiske målte mængde. Det betyder også konsistens — at fotografere den samme mad flere gange bør give det samme estimat hver gang. Vi testede begge dimensioner ved at veje 20 fødevarer på en kalibreret køkkenvægt, fotografere dem gennem Cal AI og sammenligne resultaterne.

Det Grundlæggende Problem: 3D Estimering fra et 2D Billede

Før vi ser på testresultaterne, er det værd at forstå, hvorfor dette problem er iboende vanskeligt. Et fotografi komprimerer tre dimensioner til to. Dybde, højde og volumeninformation går delvist tabt. En bunke ris, der er 3 centimeter høj, ser identisk ud på et foto som en bunke, der er 2 centimeter høj, hvis kameravinklen komprimerer forskellen.

AI'en skal udlede den manglende dimension fra kontekstuelle ledetråde: tallerkenstørrelse, skyggen kastet af maden, de relative proportioner af kendte objekter i billedet og mønstergenkendelse mod træningsdata. Hver af disse inferens trin introducerer potentiel fejl. En undersøgelse offentliggjort i International Journal of Food Sciences and Nutrition (2021) fandt, at selv trænede diætister, der estimerer portioner fra fotografier, kun opnåede 50-70% nøjagtighed, hvilket antyder, at visuel portion estimering er iboende unøjagtig, uanset om det udføres af et menneske eller AI.

Dette er ikke en kritik af Cal AI specifikt. Det er den grundlæggende udfordring, som ethvert foto-baseret portion estimeringssystem står overfor. Spørgsmålet er, hvor meget fejl denne grundlæggende begrænsning producerer i praksis, og om den fejl er lille nok til at gøre kalorie data nyttige.

Testmetodologi: Vægtmålt Vægt vs Cal AI Estimat

Vi valgte 20 fødevarer fordelt på seks kategorier: ensartede genstande (forudsigelig form og størrelse), uregelmæssige faste stoffer (variabel form), stabelde eller bunke fødevarer, væsker, fødevarer i beholdere og anrettede måltider med flere komponenter. Hver fødevare blev vejet på en kalibreret køkkenvægt, der var nøjagtig til 1 gram.

Hver fødevare blev derefter placeret på en standard 26-centimeter hvid middagstallerken (medmindre andet er angivet) og fotograferet gennem Cal AI fra en 45-graders vinkel på cirka 30 centimeters afstand. Vi registrerede Cal AI's estimerede portionsstørrelse og kalorieantal, og beregnede derefter afvigelsen fra de faktiske målte værdier.

Nøjagtighed af Portion Estimering: Cal AI Estimat vs Faktisk Vægt

Fulde Pålidelighedstest Resultater

Fødevare	Faktisk Vægt	Cal AI Estimat	Vægt Afvigelse	Afvigelse %	Faktiske Kalorier	Cal AI Kalorier	Kalorie Indvirkning
Skive brød	38 g	40 g	+2 g	+5.3%	95	100	+5
Stort æg, kogt	50 g	50 g	0 g	0.0%	78	78	0
Proteinbar (uden indpakning)	60 g	55 g	-5 g	-8.3%	210	193	-17
Kyllingebryst, grillet	174 g	140 g	-34 g	-19.5%	287	231	-56
Steak, grillet	225 g	175 g	-50 g	-22.2%	573	446	-127
Laks filet, bagt	168 g	145 g	-23 g	-13.7%	349	302	-47
Kogt hvid ris	210 g	180 g	-30 g	-14.3%	232	199	-33
Kogt pasta	240 g	195 g	-45 g	-18.8%	374	304	-70
Mosede kartofler	200 g	160 g	-40 g	-20.0%	224	179	-45
Blandet grøn salat	120 g	95 g	-25 g	-20.8%	19	15	-4
Appelsinjuice i glas	250 ml	200 ml	-50 ml	-20.0%	112	90	-22
Kaffe med mælk i krus	350 ml	250 ml	-100 ml	-28.6%	58	41	-17
Suppe i skål	400 ml	300 ml	-100 ml	-25.0%	160	120	-40
Mandler i lille skål	35 g	28 g	-7 g	-20.0%	204	163	-41
Trail mix i skål	55 g	42 g	-13 g	-23.6%	264	201	-63
Yoghurt i beholder	170 g	150 g	-20 g	-11.8%	100	88	-12
Æble, hele	182 g	170 g	-12 g	-6.6%	95	89	-6
Halv avocado	68 g	75 g	+7 g	+10.3%	109	120	+11
Peanutbutter på toast	18 g (kun PB)	12 g	-6 g	-33.3%	105	70	-35
Kylling + ris + broccoli tallerken	440 g i alt	365 g i alt	-75 g	-17.0%	542	450	-92

Sammenfattende Statistikker:

• Gennemsnitlig absolut afvigelse: 16.9%
• Median afvigelse: 19.2%
• Undervurderingsbias: 18 ud af 20 fødevarer blev undervurderet
• Gennemsnitlig kalorieindvirkning: 37 kalorier pr. fødevare
• Fødevarer inden for 10% nøjagtighed: 5 ud af 20 (25%)
• Fødevarer med >20% afvigelse: 8 ud af 20 (40%)

Resultaterne afslører et klart og konsistent mønster. Cal AI undervurderede portionsstørrelser i 18 ud af 20 testede fødevarer. Den gennemsnitlige afvigelse var 16.9%, men dette gennemsnit skjuler alvorligheden for specifikke kategorier. Uregelmæssige kødtyper (kyllingebryst, steak) viste 19-22% undervurdering. Stabelde fødevarer (ris, pasta, mosede kartofler) viste 14-20% undervurdering. Væsker viste 20-29% undervurdering.

Hvor Portion Estimering Er Pålidelig

Cal AI's estimater var mest nøjagtige for fødevarer med ensartede, forudsigelige former og standardiserede størrelser.

Ensartede Genstande

En skive brød, et kogt æg og et æble ligger alle inden for 5-10% af den faktiske vægt. Disse fødevarer har konsistente former, som AI-træningsdataene fanger godt. En skive brød har omtrent den samme tykkelse og dimensioner uanset mærke. Et stort æg er et stort æg. AI'ens træningsdata inkluderer tusindvis af billeder af disse genstande, og deres forudsigelige geometri gør dybdeestimering mindre kritisk.

Standardiserede Emballerede Varer

Proteinbaren, på trods af at den var uden indpakning, blev estimeret inden for 8.3% af den faktiske vægt. Dens rektangulære form og standardiserede dimensioner gør den visuelt forudsigelig. Fødevarer med regelmæssige geometriske former klarede sig konsekvent bedre end uregelmæssige fødevarer i vores test.

Den fælles faktor er, at disse fødevarer har lav formvariabilitet. Når du har set én skive brød, har du i bund og grund set dem alle. AI'en kan stole på huskede typiske dimensioner i stedet for at udlede dimensioner fra kontekstuelle ledetråde.

Hvor Portion Estimering Er Ureliable

Uregelmæssige Former: Problemet med Steak og Kylling

Den grillede steak blev undervurderet med 22.2%, hvilket resulterede i en fejl på 127 kalorier for en enkelt fødevare. Kyllingebrystet blev undervurderet med 19.5%, en fejl på 56 kalorier. Disse er blandt de mest almindeligt registrerede fødevarer for folk, der tracker proteinindtag.

Uregelmæssige former er vanskelige, fordi tykkelsen varierer på tværs af maden. Et kyllingebryst taper fra et tykt center til tynde kanter. Fra et top-down eller skråt fotografi fanger AI'en overfladearealet, men undervurderer tykkelsen i midten. Resultatet er en systematisk undervurdering, der påvirker kalorie-tætte proteiner — præcis de fødevarer, hvor nøjagtighed betyder mest for makro tracking.

Stabelde og Bunke Fødevarer: Ris, Pasta og Kartofler

Kogt ris, pasta og mosede kartofler blev undervurderet med 14-20%. Disse fødevarer stables op med betydelig højde, som et 2D fotografi komprimerer. En portion ris på en tallerken kan være 4 centimeter høj på toppen, men et fotografi taget i 45 grader flader dette ud til, hvad der ser ud til at være et meget tyndere lag.

USDA FoodData Central databasen angiver kogt hvid ris til 130 kalorier pr. kop (186 g). En 14.3% undervurdering på en 210-grams portion oversættes til 33 manglende kalorier — og de fleste mennesker spiser ris som en komponent i et større måltid. Fejlene akkumuleres på tværs af hver stabel fødevare på tallerkenen.

Væsker: Det Usynlige Volumen Problem

Væsker var den mindst pålideligt estimerede kategori, med afvigelser på 20-29%. Et glas appelsinjuice blev undervurderet med 20%. Kaffe med mælk i et krus blev undervurderet med 28.6%. Suppe i en skål blev undervurderet med 25%.

Problemet er ligetil: AI'en kan se overfladen af væsken, men kan ikke bestemme dybden af beholderen. En bred, lav skål og en smal, dyb skål kan præsentere identiske overflader på et fotografi, mens de rummer vidt forskellige volumener. Uden at kende beholderens dimensioner er AI'ens volumenestimat grundlæggende et gæt.

Vinkel Problemet: Samme Fødevare, Forskellige Estimater

Udover den individuelle nøjagtighedstest undersøgte vi, om Cal AI producerer konsistente estimater, når den samme fødevare fotograferes fra forskellige vinkler.

Vinkel Konsistens Test: Grillet Kyllingebryst (174 g faktisk)

Fotograf Vinkel	Cal AI Estimat	Afvigelse fra Faktisk
45 grader (standard)	140 g	-19.5%
Direkte ovenfra (90 grader)	155 g	-10.9%
Lav vinkel (20 grader)	125 g	-28.2%
Sidevinkel (10 grader)	110 g	-36.8%

Det samme 174-grams kyllingebryst producerede estimater, der varierede fra 110 gram til 155 gram afhængigt af kameravinklen — en spredning på 45 gram. Den overhead vinkel gav det mest nøjagtige resultat, fordi den fanger hele overfladearealet, men selv dette var forkert med næsten 11%. De lave og sidevinkler undervurderede dramatisk portionen, fordi maden højde og dybde blev stadig mere komprimeret.

Dette betyder, at kalorieantallet, en bruger får, delvist bestemmes af, hvordan de holder deres telefon, ikke kun hvad de spiser. En bruger, der vanemæssigt fotograferer mad fra en lav vinkel, vil konsekvent undervurdere kalorier i forhold til en bruger, der fotograferer ovenfra.

Tallerken Størrelse Illusion: Samme Portion, Forskellige Tallerkener

Vi testede, om tallerkenstørrelse påvirker Cal AI's portion estimat ved at placere 200 gram kogt pasta på tre forskellige tallerkener.

Tallerken Størrelse Test: 200 g Kogt Pasta

Tallerken Diameter	Cal AI Estimat	Afvigelse
20 cm (lille tallerken)	225 g	+12.5%
26 cm (standard tallerken)	195 g	-2.5%
32 cm (stor tallerken)	155 g	-22.5%

De samme 200 gram pasta blev estimeret til 225 gram på en lille tallerken og 155 gram på en stor tallerken — en forskel på 70 gram baseret udelukkende på tallerkenstørrelse. Dette er Delboeuf illusionen, en velkendt perceptuel bias, hvor objekter ser større ud, når de er omgivet af en lille ramme, og mindre når de er omgivet af en stor ramme. AI'en har lært denne samme bias fra sine træningsdata, som består af madbilleder, hvor tallerkenstørrelse korrelerer med opfattet portionsstørrelse.

For brugere, der spiser fra store restaurant tallerkener eller serveringsskåle, betyder det, at Cal AI systematisk vil undervurdere deres portioner. For brugere, der spiser fra små dessert tallerkener, vil appen overvurdere. Ingen af grupperne får et præcist billede af, hvad de faktisk har indtaget.

Konsistens Test: Samme Fødevare, Fem Fotografier

Vi fotograferede en enkelt portion grillet kyllingebryst med ris og broccoli (542 faktiske kalorier) fem gange i træk, kun ved at justere telefonvinklen en smule hver gang.

Fem-Foto Konsistens Test

Foto Nummer	Cal AI Samlede Kalorier	Afvigelse fra Faktisk
1	450	-17.0%
2	478	-11.8%
3	435	-19.7%
4	462	-14.8%
5	448	-17.3%

Fem fotografier af det samme måltid producerede fem forskellige kalorieestimater, der varierede fra 435 til 478 — en spredning på 43 kalorier. Gennemsnittet var 455 kalorier, hvilket undervurderede de faktiske 542 kalorier med 16.1%. Ikke et eneste fotografi gav et resultat inden for 10% af det faktiske kalorieindhold.

Denne test demonstrerer både nøjagtigheds- og konsistensproblemerne samtidig. Estimaterne er konsekvent for lave (nøjagtighedsfejl), og de varierer på tværs af fotografier af identisk mad (konsistensfejl). En bruger, der registrerer dette måltid, får et andet tal afhængigt af, hvilket af de fem fotografier de tilfældigvis tager.

Hvordan Daglige Fejl Akumuleres

De individuelle per-fødevarer fejl i vores test gennemsnit 37 kalorier. Det lyder måske småt, indtil man overvejer, at en typisk dag involverer registrering af 10 til 15 individuelle fødevarer på tværs af tre måltider og snacks.

Daglig Akkumuleringsscenarie

Måltid	Fødevarer Registreret	Faktiske Kalorier	Cal AI Samlet	Kumulativ Fejl
Morgenmad (havregryn, banan, peanutbutter)	3 genstande	445	385	-60
Frokost (kylling, ris, grøntsager)	3 genstande	542	450	-92
Snack (mandler, yoghurt)	2 genstande	304	251	-53
Aftensmad (steak, mosede kartofler, salat)	3 genstande	816	640	-176
Dagligt Total	11 genstande	2,107	1,726	-381

En daglig undervurdering på 381 kalorier. Det er 18.1% af det samlede indtag — et underskud, der ikke eksisterer. En bruger, der planlægger et dagligt underskud på 500 kalorier for vægttab, er faktisk i et underskud på 119 kalorier efter at have taget højde for Cal AI's undervurderingsbias. I det tempo bliver et planlagt vægttab på 1 pund pr. uge til 0.24 pund pr. uge. En måned med disciplineret tracking giver en uges forventede resultater, og brugeren har ingen måde at finde ud af hvorfor.

Forskning offentliggjort i American Journal of Clinical Nutrition har konsekvent vist, at underrapportering af fødevareindtag er den mest almindelige fejlretning i diætvurdering, og AI-systemer trænet på menneskelabel data arver denne bias.

Hvordan Nutrola Håndterer Portion Estimering Forskelligt

Nutrolas tilgang til portion estimeringsproblemet er at behandle foto AI som et udgangspunkt, ikke et endeligt svar. Appens foto genkendelse identificerer fødevarer og kortlægger dem til en ernæringsekspert-verificeret database med over 1.8 millioner poster, hvilket etablerer nøjagtige kalorie værdier pr. gram. Men i stedet for kun at stole på AI til at gætte portionsstørrelsen, giver Nutrola et stemme-korrektionslag.

Efter at have fotograferet dit måltid, kan du sige "faktisk var det omkring 200 gram kylling" eller "risene var omkring en kop." Indtastningen opdateres straks baseret på verificerede kalorie data pr. gram. Dette tager sekunder — hurtigere end manuel søgning — og løser den grundlæggende begrænsning, at ingen AI kan estimere 3D volumen fra et 2D billede.

Den verificerede database er den kritiske differentierer. Selv når portion estimering er perfekt, er kalorieantallet kun så pålideligt som de ernæringsdata, det refererer til. Nutrolas database indeholder én verificeret post pr. fødevare, hentet fra ernæringsekspert-validerede data, uden crowdsourced duplikater eller modstridende poster. Kombinationen af fotoidentifikation, stemme-korrigerede portioner og verificerede data producerer kalorie logs, der afspejler, hvad du faktisk har spist, snarere end hvad en AI gættede ud fra et fotografi.

Nutrola inkluderer også stregkodescanning for emballerede fødevarer og opskriftsimport for hjemmelavede måltider, hvilket sikrer ensartet datakvalitet på tværs af alle registreringsmetoder. Tilgængelig på iOS og Android til EUR 2.50 pr. måned uden annoncer på nogen plan, er Nutrola designet ud fra princippet om, at hastighed og nøjagtighed ikke er gensidigt udelukkende.

Ofte Stillede Spørgsmål

Hvor nøjagtig er Cal AI til at tælle kalorier?

I vores test af 20 fødevarer afveg Cal AI's portion estimater fra de faktiske målte vægte med et gennemsnit på 16.9%. Dette oversattes til en gennemsnitlig kaloriefejl på 37 kalorier pr. individuel fødevare. Kun 25% af fødevarerne (5 ud af 20) blev estimeret inden for 10% nøjagtighed. Appen viste en stærk undervurderingsbias, der undervurderede portioner for 18 ud af 20 testede fødevarer. For en hel dag med spisning akkumulerede disse per-item fejl til en undervurdering på 381 kalorier i vores testscenario.

Hvorfor giver Cal AI forskellige kalorier for det samme måltid?

Cal AI's estimater ændrer sig baseret på fotografivinklen, belysningen og indramningen, fordi den udleder 3D portionsstørrelse fra et 2D billede. I vores konsistens test producerede fem fotografier af det samme måltid kalorieestimater, der varierede fra 435 til 478 — en spredning på 43 kalorier. Kameravinklen har den største effekt: vores vinkel test viste, at et enkelt kyllingebryst blev estimeret til 110 gram fra en sidevinkel mod 155 gram fra direkte ovenfra.

Er Cal AI mere nøjagtig for nogle fødevarer end andre?

Ja. Cal AI er mest nøjagtig for fødevarer med ensartede, forudsigelige former: skiver brød (5.3% afvigelse), kogte æg (0% afvigelse) og hele frugter (6.6% afvigelse). Det er mindst nøjagtigt for uregelmæssigt formede kød (19-22% afvigelse), stabelde fødevarer som ris og pasta (14-20% afvigelse) og væsker (20-29% afvigelse). Hvis din kost primært består af enkle, ensartede fødevarer, vil appen være mere pålidelig end hvis du spiser komplekse, flerkomponent måltider.

Påvirker tallerkenstørrelse Cal AI's kalorieestimat?

Ja. I vores tallerkenstørrelse test blev 200 gram pasta estimeret til 225 gram på en 20-centimeter lille tallerken og 155 gram på en 32-centimeter stor tallerken — en forskel på 70 gram for den identiske portion. Dette skyldes Delboeuf illusionen, hvor den omgivende kontekst ændrer den opfattede størrelse af et objekt. Brugere, der spiser fra store tallerkener eller restaurantretter, vil konsekvent se undervurderede portioner.

Kan jeg bruge Cal AI til vægttab?

Cal AI kan give en grov kaloriebevidsthed, men dens systematiske undervurderingsbias gør den problematisk for præcist underskud-baseret vægttab. I vores daglige scenario blev et planlagt 500-kalorie underskud reduceret til et effektivt 119-kalorie underskud efter at have taget højde for Cal AI's undervurdering — en reduktion på 76% i det ønskede underskud. For mere pålidelige resultater, kombiner foto-baseret registrering med faktisk vejning af fødevarer eller brug en app som Nutrola, der kombinerer foto AI med stemme-korrigerede portioner og en verificeret ernæringsdatabase.