Die Wissenschaft hinter der KI-Kalorienverfolgung: So funktioniert die Bilderkennung

Wenn Sie Ihr Essen fotografieren und eine Kalorienverfolgungs-App die Lebensmittel identifiziert und deren Nährstoffgehalt innerhalb von Sekunden schätzt, ist dieses Ergebnis das Produkt einer mehrstufigen Computer-Vision-Pipeline, die Bildklassifikation, Objekterkennung, Portionsgrößenschätzung und Datenbankabgleich umfasst. Jede Phase bringt ihre eigenen Genauigkeitsbeschränkungen und Fehlerquellen mit sich. Zu verstehen, wie diese Pipeline funktioniert und wo sie versagt, ist entscheidend, um zu bewerten, ob KI-gestützte Kalorienverfolgung ein zuverlässiges Werkzeug zur Ernährungsüberwachung ist.

Dieser Artikel bietet eine technische Analyse der Computer-Vision-Pipeline hinter der Lebensmittelkennung, behandelt die beteiligten maschinellen Lernarchitekturen, veröffentlichte Genauigkeitsbenchmarks, die entscheidende Rolle der Ernährungsdatenbank hinter der KI und den aktuellen Stand der Wissenschaft.

Die KI-Kalorienverfolgungspipeline: Sechs Phasen

Die KI-gestützte Lebensmittelkennung ist keine einzelne Technologie. Es handelt sich um eine Pipeline aus aufeinanderfolgenden Verarbeitungsphasen, von denen jede ausreichend funktionieren muss, damit die endgültige Kalorienabschätzung sinnvoll ist.

Phase	Technische Aufgabe	Hauptproblem	Fehlerbeitrag
1. Bildvorverarbeitung	Beleuchtung, Auflösung, Orientierung normalisieren	Variable Fotobedingungen in der realen Welt	Gering (gut gelöst)
2. Lebensmittelerkennung	Lebensmittelregionen im Bild lokalisieren	Mehrere Lebensmittel, überlappende Objekte, teilweise Verdeckung	Mäßig
3. Lebensmittelklassifikation	Bestimmen, was jedes Lebensmittel ist	Visuelle Ähnlichkeit zwischen Lebensmitteln (Reissorten, Käse)	Mäßig bis hoch
4. Portionsschätzung	Bestimmen, wie viel von jedem Lebensmittel vorhanden ist	Keine absolute Maßstabreferenz in den meisten Fotos	Hoch
5. Datenbankabgleich	Identifiziertes Lebensmittel mit einem Eintrag in der Ernährungsdatenbank verknüpfen	Mehrdeutige Übereinstimmungen, Variationen in der Zubereitungsart	Gering bis mäßig (abhängig von der Datenbank)
6. Nährstoffberechnung	Portion × Nährstoffe pro Einheit multiplizieren	Kumulativer Fehler aus allen vorherigen Phasen	Abhängig von der Pipeline-Genauigkeit

Phase 1: Bildvorverarbeitung

Bevor eine Lebensmittelkennung erfolgt, muss das Rohfoto normalisiert werden. Dies umfasst Anpassungen an:

• Beleuchtungsvariationen. Fotos, die unter fluoreszierendem, glühendem, natürlichem oder Blitzlicht aufgenommen wurden, zeigen unterschiedliche Farbprofile für dasselbe Lebensmittel. Moderne Vorverarbeitungspipelines verwenden Farbkonstanzalgorithmen und erlernte Normalisierungen, um lichtabhängige Klassifikationsfehler zu reduzieren.
• Auflösung und Format. Bilder von verschiedenen Geräten haben unterschiedliche Auflösungen. Die Vorverarbeitungspipeline passt die Bilder auf eine standardisierte Eingabedimension an (typischerweise 224×224 oder 384×384 Pixel für Klassifikationsmodelle, höher für Erkennungsmodelle).
• Orientierung. Fotos können direkt von oben (von oben nach unten, ideal für Portionsschätzungen) oder aus verschiedenen Winkeln aufgenommen werden. Die geometrische Normalisierung passt die Sichtwinkel an, wenn möglich.

Diese Phase wird von der aktuellen Technologie gut gelöst und trägt nur minimal zum Gesamtfehler der Pipeline bei.

Phase 2: Lebensmittelerkennung (Objekterkennung)

Die Lebensmittelerkennung beantwortet die Frage: „Wo in diesem Bild befinden sich die Lebensmittel?“ Dies ist ein Objekterkennungsproblem, das komplex wird, wenn ein einzelnes Foto mehrere Lebensmittel auf einem Teller oder über mehrere Gerichte enthält.

Verwendete Architekturen

YOLO (You Only Look Once). Die YOLO-Familie von Detektoren (YOLOv5, YOLOv8 und nachfolgende Versionen) verarbeitet das gesamte Bild in einem einzigen Durchgang und erzeugt gleichzeitig Begrenzungsrahmen und Klassifikationsvorhersagen. YOLO wird in Produktionssystemen zur Lebensmittelkennung wegen seiner Echtzeitgeschwindigkeit bevorzugt, typischerweise mit Inferenzzeiten von unter 50 Millisekunden auf mobiler Hardware.

Faster R-CNN. Ein zweistufiger Detektor, der zunächst Regionen von Interesse vorschlägt und dann jede Region klassifiziert. Faster R-CNN erreicht eine etwas höhere Genauigkeit als einstufige Detektoren in komplexen Szenen, jedoch auf Kosten einer erhöhten Inferenzzeit.

DETR (Detection Transformer). Der transformerbasierte Detektor von Facebook AI Research verwendet Aufmerksamkeitsmechanismen, um direkt Objektrahmen ohne Anker-Vorschläge vorherzusagen. DETR kann überlappende und verdeckte Lebensmittel besser handhaben als ankerbasierte Methoden, was es für komplexe Mahlzeitenszenen geeignet macht.

Erkennungsherausforderungen in Lebensmittelbildern

Die Lebensmittelerkennung bringt einzigartige Herausforderungen im Vergleich zur allgemeinen Objekterkennung mit sich:

• Keine klaren Grenzen. Lebensmittel auf einem Teller berühren oder überlappen sich oft (Soße auf Pasta, Käse auf Salat). Im Gegensatz zu Autos oder Fußgängern haben Lebensmittel selten scharfe Kanten.
• Variable Präsentation. Dasselbe Lebensmittel kann je nach Zubereitungsart, Anrichtestil und Begleitgerichten dramatisch unterschiedlich aussehen.
• Skalierungsvariation. Eine einzelne Mandel und eine ganze Pizza können im selben Mahlzeitfoto erscheinen, was eine Erkennung über ein breites Spektrum von Objektgrößen erfordert.

Aguilar et al. (2018) veröffentlichten in Multimedia Tools and Applications eine Bewertung von Lebensmittelerkennungsmodellen und fanden heraus, dass die Erkennungsgenauigkeit (gemessen an der mittleren Durchschnittspräzision, mAP) je nach Komplexität der Szene zwischen 60 und 85 Prozent variierte. Einzelobjektfotos erreichten Erkennungsraten von über 90 Prozent, während komplexe Mahlzeiten mit fünf oder mehr Zutaten unter 70 Prozent fielen.

Phase 3: Lebensmittelklassifikation (Bildklassifikation)

Sobald Lebensmittel erkannt und lokalisiert sind, muss jede erkannte Region klassifiziert werden: Ist das Hähnchen, Fisch, Tofu oder Tempeh? Dies ist ein Bildklassifikationsproblem und die am stärksten erforschte Phase der Lebensmittelkennungspipeline.

Verwendete Architekturen

Convolutional Neural Networks (CNNs). ResNet, EfficientNet und Inception-Architekturen waren die Arbeitspferde der Forschung zur Lebensmittelklassifikation. Diese Modelle extrahieren hierarchische visuelle Merkmale (Textur, Form, Farbmuster) durch aufeinanderfolgende Faltungsschichten. Meyers et al. (2015) verwendeten in ihrem Im2Calories-Papier von Google eine Inception-basierte Architektur zur Lebensmittelklassifikation und berichteten von einer Top-1-Genauigkeit von etwa 79 Prozent bei einem Datensatz mit 2.500 Lebensmittelkategorien.

Vision Transformers (ViT). Eingeführt von Dosovitskiy et al. (2021), wenden Vision Transformers den Selbstaufmerksamkeitsmechanismus aus der Verarbeitung natürlicher Sprache auf die Bilderkennung an. ViTs teilen Bilder in Patches auf und verarbeiten sie als Sequenzen, was es dem Modell ermöglicht, den globalen Bildkontext zu erfassen, den CNNs mit begrenzten rezeptiven Feldern möglicherweise übersehen. Neuere Arbeiten zur Lebensmittelklassifikation, die ViT- und Swin-Transformer-Architekturen verwenden, berichteten von Verbesserungen von 3-7 Prozentpunkten gegenüber CNN-Baselines bei standardisierten Lebensmittelerkennungsbenchmarks.

Hybride Architekturen. Moderne Produktionssysteme kombinieren häufig die Merkmalsextraktion von CNNs mit transformerbasiertem Denken und nutzen die Stärken beider Ansätze.

Klassifikationsgenauigkeit nach Lebensmittelkategorie

Die Klassifikationsgenauigkeit variiert erheblich je nach Lebensmitteltyp.

Lebensmittelkategorie	Typische Top-1-Genauigkeit	Hauptproblem
Ganze Früchte (Apfel, Banane, Orange)	90–95%	Hohe visuelle Unterscheidbarkeit
Einzelne Zutatenproteine (Steak, Fischfilet)	80–90%	Variationen in der Zubereitungsmethode
Getreide und Stärken (Reis, Pasta, Brot)	75–85%	Ähnliche Erscheinung über Sorten hinweg
Mischgerichte (Pfannengerichte, Auflauf, Curry)	55–70%	Zutatenzusammensetzung von der Oberfläche unsichtbar
Getränke	40–60%	Visuell identische Flüssigkeiten mit unterschiedlichen Zusammensetzungen
Saucen und Gewürze	30–50%	Ähnliche visuelle Erscheinung, sehr unterschiedliche Kaloriendichte

Daten zusammengestellt aus Meyers et al. (2015), Bossard et al. (2014) und Thames et al. (2021).

Die Klassifikationsherausforderung ist am stärksten bei Lebensmitteln, die ähnlich aussehen, aber sehr unterschiedliche Nährstoffprofile aufweisen. Weißer Reis und Blumenkohlreis sind visuell ähnlich, unterscheiden sich jedoch um den Faktor fünf in der Kaloriendichte. Vollmilch und Magermilch sind visuell nicht unterscheidbar. Normale und Diät-Cola können allein durch das Aussehen nicht unterschieden werden.

Benchmark-Datensätze

Food-101 (Bossard et al., 2014). 101 Lebensmittelkategorien mit jeweils 1.000 Bildern. Der am häufigsten verwendete Benchmark für die Forschung zur Lebensmittelklassifikation. Aktuelle Modelle der Spitzenklasse erreichen eine Top-1-Genauigkeit von über 95 Prozent in diesem Benchmark, obwohl die relativ geringe Anzahl an Kategorien (101) es weniger repräsentativ für die Vielfalt der realen Welt macht.

ISIA Food-500 (Min et al., 2020). 500 Lebensmittelkategorien mit etwa 400.000 Bildern. Repräsentativer für die Vielfalt der realen Lebensmittel. Die Top-1-Genauigkeit in diesem Benchmark ist erheblich niedriger, typischerweise 65-80 Prozent.

UEC Food-256 (Kawano und Yanagida, 2015). 256 japanische Lebensmittelkategorien. Demonstriert die Herausforderung der kulturell spezifischen Lebensmittelkennung, da Modelle, die auf westlichen Lebensmitteldatensätzen trainiert wurden, bei asiatischen Küchen schlecht abschneiden und umgekehrt.

Phase 4: Portionsgrößenschätzung

Die Portionsschätzung wird weithin als das schwächste Glied in der KI-Kalorienverfolgungspipeline angesehen. Selbst wenn ein Lebensmittel korrekt identifiziert wird, führt eine falsche Portionsschätzung direkt zu einer falschen Kalorienanzahl.

Techniken

Referenzobjektskala. Einige Apps fordern die Benutzer auf, ein Referenzobjekt (Kreditkarte, Münze oder den Daumen des Benutzers) im Foto einzuschließen. Die bekannten Abmessungen des Referenzobjekts bieten einen Maßstab zur Schätzung der Lebensmittelabmessungen. Dehais et al. (2017) bewerteten Methoden mit Referenzobjekten und fanden heraus, dass die Portionsschätzfehler 15-25 Prozent betrugen, wenn ein Referenzobjekt vorhanden war.

Tiefenschätzung. Stereo-Kamerasysteme (zwei Linsen) oder LiDAR-Sensoren (verfügbar auf einigen Smartphones) liefern Tiefeninformationen, die eine 3D-Rekonstruktion der Lebensmitteloberfläche ermöglichen. In Kombination mit Annahmen über die Geometrie des Behälters und die Dichte der Lebensmittel ermöglicht die Tiefendaten volumetrische Schätzungen. Meyers et al. (2015) berichteten, dass die tiefenbasierten Schätzungen die Portionsfehler im Vergleich zu Methoden mit Einzelbildern reduzierten, aber Tiefensensoren sind nicht auf allen Geräten verfügbar.

Monokulare Tiefenschätzung. Maschinenlernmodelle, die darauf trainiert sind, die Tiefe aus Einzelbildern zu schätzen, können die 3D-Geometrie von Lebensmitteln ohne spezielle Hardware approximieren. Die Genauigkeit ist niedriger als bei physischen Tiefensensoren, aber anwendbar auf jede Smartphone-Kamera.

Gelerntes Volumen. End-to-End-Modelle, die auf Datensätzen von Lebensmittelbildern trainiert wurden, die mit bekannten Volumina gepaart sind, können die Portionsgröße direkt vorhersagen, ohne eine explizite 3D-Rekonstruktion. Thames et al. (2021) bewerteten solche Modelle und berichteten von mittleren Portionsschätzfehlern von 20-40 Prozent.

Tabelle zur Portionsschätzgenauigkeit

Methode	Mittlerer absoluter Fehler	Erfordert spezielle Hardware	Referenz
Referenzobjekt (Kreditkarte)	15–25%	Nein (nur das Referenzobjekt)	Dehais et al. (2017)
Stereo-Kamera-Tiefe	12–20%	Ja (Dual-Kamera)	Meyers et al. (2015)
LiDAR-Tiefe	10–18%	Ja (LiDAR-ausgestattetes Telefon)	Jüngste unveröffentlichte Benchmarks
Monokulare Tiefenschätzung (ML)	20–35%	Nein	Thames et al. (2021)
Gelerntes Volumen (End-to-End)	20–40%	Nein	Thames et al. (2021)
Benutzer-Selbstschätzung (keine KI)	20–50%	Nein	Williamson et al. (2003)

Die Tabelle zeigt, dass alle automatisierten Methoden die ungestützte menschliche Schätzung übertreffen (Williamson et al., 2003, Obesity Research), aber keine konstant Fehler unter 10 Prozent erreichen. Zum Kontext: Ein Fehler von 25 Prozent bei der Portionsschätzung für eine 400-Kalorien-Mahlzeit führt zu einer Abweichung von 100 Kalorien, genug, um ein bescheidenes Kaloriendefizit zu negieren, wenn es sich über mehrere Mahlzeiten summiert.

Phase 5: Datenbankabgleich — Der kritische Schritt

Diese Phase erhält in technischen Diskussionen die wenigste Aufmerksamkeit, hat jedoch den größten Einfluss auf die endgültige Genauigkeit. Nachdem die KI ein Lebensmittel identifiziert und seine Portion geschätzt hat, muss sie das identifizierte Lebensmittel mit einem Eintrag in einer Ernährungsdatenbank abgleichen, um Kalorien- und Nährstoffwerte abzurufen.

Die Qualität dieses Abgleichs hängt vollständig von der Qualität der zugrunde liegenden Datenbank ab. Wenn die KI korrekt „gegrillte Hähnchenbrust, 150 Gramm“ identifiziert, aber mit einem crowdsourced Datenbankeintrag abgleicht, der 130 Kalorien pro 100 Gramm auflistet (im Gegensatz zum USDA-analysierten Wert von 165 Kalorien pro 100 Gramm), wird die endgültige Kalorienabschätzung um 27 Prozent zu niedrig sein, nicht weil die KI versagt hat, sondern weil die zugrunde liegende Datenbank ungenau ist.

Dies ist die grundlegende Erkenntnis, die verschiedene KI-Kalorienverfolgungs-Apps unterscheidet: Die Genauigkeit der KI-Lebensmittelidentifikation ist nur so nützlich wie die Ernährungsdatenbank, die dahintersteht.

Vergleich des Datenbankabgleichs

KI-Tracking-App	Lebensmittelidentifikation	Datenbank-Backend	Gesamte Zuverlässigkeit
Nutrola	KI-Foto + Sprachkennung	1,8M USDA-gestützte, ernährungswissenschaftlich geprüfte Einträge	Hohe Identifikation + hohe Datengenauigkeit
Cal AI	KI-Fotoabschätzung	Proprietäre Datenbank (begrenzte Transparenz)	Mäßige Identifikation + unsichere Datengenauigkeit
Apps, die KI zu crowdsourced DB hinzufügen	KI-Fotoerkennung	Crowdsourced, unverifizierte Einträge	Mäßige Identifikation + niedrige Datengenauigkeit

Die Architektur von Nutrola ist speziell darauf ausgelegt, diese kritische Abhängigkeit zu adressieren. Die KI-Fotoerkennung und die Sprachprotokollierungsfunktionen übernehmen die Identifikations- und Portionsschätzphasen, während die Backend-Datenbank mit 1,8 Millionen ernährungswissenschaftlich geprüften Einträgen aus dem USDA FoodData Central sicherstellt, dass die Nährdaten, die mit jedem identifizierten Lebensmittel verknüpft sind, wissenschaftlich genau sind. Diese Trennung der Anliegen bedeutet, dass Verbesserungen in der KI-Lebensmittelkennung direkt zu Verbesserungen in der Verfolgungsgenauigkeit führen, ohne durch Datenbankfehler nachgelagert untergraben zu werden.

Anforderungen an Trainingsdaten

Das Training eines Lebensmittelkennungmodells erfordert große, beschriftete Datensätze von Lebensmittelbildern. Die Qualität und Vielfalt der Trainingsdaten beeinflussen direkt die Modellleistung.

Datensatzgröße. Modelle zur Lebensmittelkennung der Spitzenklasse werden typischerweise auf Datensätzen von 100.000 bis mehreren Millionen beschrifteten Bildern trainiert. Googles Im2Calories (Meyers et al., 2015) verwendete einen proprietären Datensatz mit Millionen von Lebensmittelbildern. Öffentlich verfügbare Datensätze wie Food-101 (101.000 Bilder) und ISIA Food-500 (400.000 Bilder) sind erheblich kleiner.

Beschriftungsqualität. Jedes Trainingsbild muss genau mit der Lebensmittelkategorie beschriftet sein. Falsch beschriftete Trainingsdaten führen zu Modellen, die falsche Assoziationen lernen. Bei Lebensmittelbildern erfordert die Beschriftung Fachwissen, da ähnlich aussehende Lebensmittel (Jasminreis vs. Basmatireis, Zackenbarsch vs. Kabeljau) für Laien schwer zu unterscheiden sind.

Vielfaltsanforderungen. Die Trainingsdaten müssen die gesamte Vielfalt der Lebensmittelpräsentation repräsentieren: verschiedene Küchen, Anrichtestile, Lichtverhältnisse, Kamerawinkel und Portionsgrößen. Modelle, die hauptsächlich auf westlichen Lebensmittelbildern trainiert wurden, schneiden bei asiatischen, afrikanischen oder nahöstlichen Küchen schlecht ab.

Portionsbeschriftungen. Für das Training der Portionsschätzung müssen Bilder mit tatsächlichen Gewichtsmessungen gepaart werden. Die Erstellung dieser Beschriftungen erfordert das Fotografieren von Lebensmitteln vor und nach dem Wiegen, ein arbeitsintensiver Prozess, der die Größe der Trainingssätze für die Portionsschätzung einschränkt.

Das Problem des kumulierten Fehlers

Das wichtigste technische Konzept in der KI-Kalorienverfolgung ist der kumulierte Fehler. Jede Phase der Pipeline führt zu Unsicherheiten, und diese Unsicherheiten multiplizieren sich.

Betrachten wir eine Mahlzeit aus gegrilltem Lachs mit Reis und Brokkoli:

1. Erkennungsgenauigkeit: 90% (jedes Lebensmittel korrekt lokalisiert).
2. Klassifikationsgenauigkeit: 85% (jedes Lebensmittel korrekt identifiziert).
3. Genauigkeit der Portionsschätzung: 75% (Portion innerhalb von 25% des tatsächlichen).
4. Genauigkeit des Datenbankabgleichs: 95% (für eine verifizierte Datenbank) oder 80% (für eine crowdsourced Datenbank).

Die kombinierte Wahrscheinlichkeit, dass alle Phasen für alle drei Lebensmittel erfolgreich sind:

• Mit verifizierter Datenbank: (0,90 × 0,85 × 0,75 × 0,95)^3 = 0,548^3 = 16,5% Chance, dass alle drei Elemente vollständig genau sind.
• Mit crowdsourced Datenbank: (0,90 × 0,85 × 0,75 × 0,80)^3 = 0,459^3 = 9,7% Chance, dass alle drei Elemente vollständig genau sind.

Diese Berechnungen verdeutlichen, warum kumulierte Fehler eine perfekte Genauigkeit mit der aktuellen Technologie unerreichbar machen. Sie zeigen jedoch auch, dass die Verbesserung einer einzelnen Phase die gesamte Pipeline verbessert. Die Phase des Datenbankabgleichs ist am einfachsten zu optimieren (verwenden Sie eine verifizierte Datenbank anstelle einer crowdsourced) und bietet eine bedeutende Genauigkeitsverbesserung bei jeder Mahlzeit.

Aktueller Stand der Technik und Einschränkungen

Was gut funktioniert

• Einzelobjekterkennung. Die Identifizierung eines einzelnen, klar fotografierten Lebensmittels aus einer bekannten Küche erreicht mit modernen Architekturen eine Genauigkeit von über 90 Prozent.
• Häufige Lebensmittel. Die am häufigsten konsumierten Lebensmittel haben reichlich Trainingsdaten und werden zuverlässig erkannt.
• Barcode-Erweiterung. Wenn ein verpacktes Lebensmittel durch den Barcode anstelle eines Fotos identifiziert werden kann, nähert sich die Identifikationsgenauigkeit 100 Prozent (begrenzt nur durch die Lesbarkeit des Barcodes).

Was herausfordernd bleibt

• Mischgerichte. Eintöpfe, Aufläufe, Pfannengerichte und andere Mischgerichte, bei denen einzelne Zutaten visuell nicht getrennt werden können, bleiben schwierig. Das Modell kann das Gesamtgericht schätzen, jedoch nicht die spezifische Zutatenzusammensetzung.
• Verborgene Zutaten. Öle, Butter, Zucker und Saucen, die während des Kochens hinzugefügt werden, sind kalorienmäßig signifikant, aber oft im endgültigen Gericht unsichtbar. Ein Pfannengericht mit Gemüse, das in 2 Esslöffeln Öl gekocht wurde, sieht ähnlich aus wie eines, das in Kochspray zubereitet wurde, aber der Kalorienunterschied beträgt etwa 240 Kalorien.
• Genauigkeit der Portionen. Volumetrische Schätzungen aus 2D-Bildern bleiben das schwächste Glied, mit typischen Fehlern von 20-40 Prozent für aktuelle Methoden.
• Kulturelle Lebensmittelvielfalt. Modelle, die auf westlicher Küche trainiert wurden, schneiden bei asiatischen, afrikanischen, nahöstlichen und lateinamerikanischen Lebensmitteln, die einen erheblichen Teil des globalen Lebensmittelverbrauchs ausmachen, schlecht ab.

Häufig gestellte Fragen

Wie genau ist die KI-fotobasierte Kalorienverfolgung?

Aktuelle KI-Lebensmittelkennungssysteme erreichen eine Genauigkeit der Lebensmittelidentifikation von 75-95 Prozent für Einzelobjekte aus gut vertretenen Lebensmittelkategorien. Allerdings führt die Portionsschätzung zu erheblichen Fehlern (20-40 Prozent laut Thames et al., 2021). Die endgültige Genauigkeitsabschätzung der Kalorien hängt von der kumulierten Wirkung der Identifikationsgenauigkeit, der Portionsgenauigkeit und der Genauigkeit der Datenbank hinter dem Abgleich ab. Apps wie Nutrola, die KI-Erkennung mit einer verifizierten, USDA-gestützten Datenbank kombinieren, minimieren den Datenbankfehleranteil.

Welche maschinellen Lernmodelle verwenden Lebensmittelkennung-Apps?

Die meisten Produktionssysteme zur Lebensmittelkennung verwenden Convolutional Neural Networks (ResNet, EfficientNet) oder Vision Transformers (ViT, Swin Transformer) zur Klassifikation, YOLO oder DETR zur Erkennung und separate Modelle zur Portionsschätzung. Die spezifischen Architekturen und Trainingsdetails sind für die meisten kommerziellen Apps proprietär.

Kann KI zwischen ähnlichen Lebensmitteln wie weißem Reis und Blumenkohlreis unterscheiden?

Das bleibt eine erhebliche Herausforderung. Visuell ähnliche Lebensmittel mit unterschiedlichen Nährstoffprofilen sind eine bekannte Einschränkung der Computer Vision Lebensmittelkennung. Modelle können subtile visuelle Hinweise (Textur, Kornstruktur) lernen, die einige ähnliche Lebensmittel unterscheiden, aber die Genauigkeit sinkt erheblich in diesen Fällen. Dies ist einer der Gründe, warum die KI-Identifikation mit einer Benutzerbestätigung und einer verifizierten Datenbank kombiniert werden sollte, anstatt als vollständig autonomes System verwendet zu werden.

Warum ist die Datenbank hinter der KI-Lebensmittelkennung wichtig?

Die KI-Lebensmittelidentifikation bestimmt, was das Lebensmittel ist. Die Datenbank bestimmt die mit diesem Lebensmittel verbundenen Nährwerte. Selbst eine perfekte Lebensmittelidentifikation führt zu ungenauen Kalorienabschätzungen, wenn der Datenbankeintrag falsch ist. Eine verifizierte Datenbank, die auf USDA FoodData Central basiert (wie die 1,8 Millionen Einträge von Nutrola), stellt sicher, dass korrekt identifizierte Lebensmittel mit wissenschaftlich genauen Nährdaten verknüpft werden. Daher ist die Qualität der Datenbank ebenso wichtig wie die Qualität des KI-Modells für die gesamte Genauigkeit der Verfolgung.

Wie wird sich die KI-Kalorienverfolgung in Zukunft verbessern?

Drei Bereiche aktiver Forschung werden Verbesserungen vorantreiben: (1) Größere und vielfältigere Trainingsdatensätze werden die Klassifikationsgenauigkeit über globale Küchen hinweg verbessern; (2) LiDAR- und Multi-Kamera-Tiefensensorik auf Smartphones werden die Portionsschätzung verbessern; (3) Multimodale Modelle, die visuelle Erkennung mit Text-/Sprachkontext (was der Benutzer sagt, dass er isst) kombinieren, werden Mehrdeutigkeiten reduzieren. Nutrolas Kombination aus Foto-KI und Sprachprotokollierung implementiert bereits diesen multimodalen Ansatz, indem sowohl visuelle als auch sprachliche Eingaben zur Verbesserung der Genauigkeit der Lebensmittelidentifikation verwendet werden.