AI 사진 스캐닝, 민족 및 문화 음식 인식 가능할까? 50가지 요리 테스트 결과

AI 음식 사진 스캐닝은 8개 글로벌 요리에서 테스트한 50가지 요리 중 78%를 정확히 인식했지만, 정확도는 크게 달랐습니다. 이탈리안 요리는 95%의 인식률을 기록했으며 칼로리 추정치는 8% 이내였지만, 에티오피아 요리는 50%로 떨어지고 칼로리 오류는 35%를 초과했습니다.

이 숫자는 실제 이야기를 숨기고 있습니다. 서유럽이나 동아시아 음식을 주로 섭취하는 경우, AI 사진 기록은 놀라울 정도로 잘 작동합니다. 하지만 인제라 플래터, 복잡한 비리야니, 몰레 기반 요리를 포함한 식단이라면, 이 기술은 여전히 심각한 맹점을 가지고 있어 한 끼 식사에서 수백 칼로리의 추적 오류를 초래할 수 있습니다.

우리는 모호한 주장 대신 구체적인 수치를 제공하기 위해 이 테스트를 진행했습니다. 아래는 우리가 기록한 모든 요리, 모든 요리 종류, 그리고 모든 실패 모드에 대한 결과입니다.

테스트 구조

각 요리는 세 가지 조건에서 촬영되었습니다: 자연광에서 흰 접시 위, 레스토랑 조명에서 어두운 접시 위, 그리고 스마트폰 플래시로. 각 사진은 선도적인 AI 음식 인식 파이프라인을 통해 처리되었습니다. 우리는 각 요리에 대해 세 가지 메트릭을 기록했습니다:

• 인식 정확도: AI가 요리를 올바르게 명명했거나 영양적으로 동등한 매치를 할 수 있었는가?
• 칼로리 정확도: AI의 추정치가 Nutrola의 영양사 검토 데이터베이스의 검증된 영양 데이터와 얼마나 가까웠는가?
• 일반적인 오류: AI가 무엇을 잘못 인식했으며, 그 오류가 칼로리 수치에 어떤 영향을 미쳤는가?

모든 검증된 칼로리 값은 USDA FoodData Central 데이터베이스, 지역별 영양 참조, 그리고 Nutrola의 120만 개 이상의 항목을 포함한 검증된 음식 데이터베이스와 교차 확인되었습니다.

요리별 결과

인도 요리 (6가지 요리 테스트)

요리	올바르게 인식되었나요?	칼로리 추정치	검증된 칼로리	칼로리 오류	일반적인 오류
달 (투르 달, 타르카)	예	210 kcal	245 kcal	-14.3%	기름 조리 과정을 놓침, 지방 과소평가
치킨 비리야니	부분적 — "치킨과 밥"	380 kcal	490 kcal	-22.4%	층을 이룬 기름과 튀긴 양파를 감지하지 못함
갈릭 난	예	260 kcal	310 kcal	-16.1%	표면의 버터 양을 과소평가
치킨 티카 마살라	예	320 kcal	365 kcal	-12.3%	크림 함량 과소평가
사모사 (2개)	예	280 kcal	310 kcal	-9.7%	튀김 기름 흡수 약간 과소평가
파니르 버터 마살라	부분적 — "치즈 카레"	290 kcal	410 kcal	-29.3%	파니르 밀도와 버터 함량 모두 놓침

인도 요리 요약: 6개 중 4개 요리 올바르게 인식 (66.7%). 평균 칼로리 오류: -17.4%. 일관된 패턴은 숨겨진 지방을 과소평가한 것이었습니다 — 요리에 흡수된 기름, 버터, 그리고 튀김 기름이 사진에서는 보이지 않기 때문입니다.

태국 요리 (6가지 요리 테스트)

요리	올바르게 인식되었나요?	칼로리 추정치	검증된 칼로리	칼로리 오류	일반적인 오류
팟타이	예	390 kcal	410 kcal	-4.9%	타마린드 소스의 설탕 약간 과소평가
그린 커리 (밥과 함께)	예	430 kcal	485 kcal	-11.3%	코코넛 밀크 지방 과소평가
똠얌꿍	예	180 kcal	200 kcal	-10.0%	코코넛 밀크 변형 (똠얌카) 놓침
망고 스티키 라이스	예	350 kcal	380 kcal	-7.9%	코코넛 크림 드리즐 과소평가
라브 (돼지고기)	부분적 — "고기 샐러드"	240 kcal	270 kcal	-11.1%	볶은 쌀가루 칼로리 놓침
솜탐 (파파야 샐러드)	예	120 kcal	150 kcal	-20.0%	팜 설탕과 땅콩 함량 과소평가

태국 요리 요약: 6개 중 5개 요리 올바르게 인식 (83.3%). 평균 칼로리 오류: -10.9%. 태국 음식은 시각적으로 뚜렷한 프레젠테이션 덕분에 인도 음식보다 더 나은 성과를 보였지만, 코코넛 밀크와 팜 설탕의 양은 여전히 맹점으로 남아 있었습니다.

에티오피아 요리 (4가지 요리 테스트)

요리	올바르게 인식되었나요?	칼로리 추정치	검증된 칼로리	칼로리 오류	일반적인 오류
인제라 플래터 (혼합)	아니요 — "스튜와 함께한 평평한 빵"	340 kcal	580 kcal	-41.4%	플래터의 여러 스튜가 분리되지 않음; 니터 키베가 보이지 않음
도로 왓	아니요 — "치킨 스튜"	280 kcal	390 kcal	-28.2%	베르베레 향신료 버터 베이스 완전히 놓침
시로	부분적 — "콩 딥"	200 kcal	290 kcal	-31.0%	병아리콩 가루 밀도와 기름 함량 놓침
키트포	부분적 — "다진 고기"	310 kcal	420 kcal	-26.2%	미트미타 향신료 버터 감지하지 못함

에티오피아 요리 요약: 4개 중 0개 요리가 완전히 올바르게 인식 (0%), 2개 부분 매치 (50%). 평균 칼로리 오류: -31.7%. 에티오피아 음식은 AI가 처리하기 가장 어려운 요리였습니다. 인제라 기반 플래터는 여러 요리가 하나의 접시에 담겨 있어 독특한 도전 과제가 되며, 발효된 평평한 빵 자체도 칼로리가 상당합니다. 향신료 버터(니터 키베)는 풍부하게 사용되지만 사진에서는 전혀 보이지 않습니다.

멕시코 요리 (6가지 요리 테스트)

요리	올바르게 인식되었나요?	칼로리 추정치	검증된 칼로리	칼로리 오류	일반적인 오류
타코스 알 파스토르 (3개)	예	420 kcal	465 kcal	-9.7%	파인애플과 렌더드 포크 지방 과소평가
치킨 엔칠라다 (2개)	예	380 kcal	440 kcal	-13.6%	소스 기름과 토르티야 속 치즈 놓침
포솔레 로호	부분적 — "돼지고기 수프"	310 kcal	390 kcal	-20.5%	호미니와 돼지고기 지방 함량 놓침
타말레스 (2개)	예	400 kcal	470 kcal	-14.9%	마사에서의 라드 과소평가
엘로테 (스트리트 콘)	예	280 kcal	320 kcal	-12.5%	마요네즈와 치즈 코팅 과소평가
츄로스 (3개)	예	300 kcal	340 kcal	-11.8%	튀김 기름 흡수 과소평가

멕시코 요리 요약: 6개 중 5개 요리 올바르게 인식 (83.3%). 평균 칼로리 오류: -13.8%. 멕시코 음식은 타코, 엔칠라다, 츄로스와 같은 독특한 형태 덕분에 인식 성과가 괜찮았습니다. 일관된 오류는 라드, 튀김 기름, 그리고 치즈가 많은 토핑에서 숨겨진 지방이었습니다.

일본 요리 (5가지 요리 테스트)

요리	올바르게 인식되었나요?	칼로리 추정치	검증된 칼로리	칼로리 오류	일반적인 오류
돈코츠 라멘	예	480 kcal	520 kcal	-7.7%	돼지 뼈 육수 지방 약간 과소평가
모듬 스시 (8개)	예	340 kcal	360 kcal	-5.6%	스시 밥의 설탕과 식초 과소평가
새우 튀김 (5개)	예	350 kcal	380 kcal	-7.9%	튀김 반죽 기름 흡수 약간 과소평가
오코노미야키	예	490 kcal	530 kcal	-7.5%	마요네즈와 가다랑어 토핑 칼로리 과소평가
규동	예	560 kcal	590 kcal	-5.1%	미린 소스 약간 과소평가

일본 요리 요약: 5개 중 5개 요리 올바르게 인식 (100%). 평균 칼로리 오류: -6.8%. 일본 요리는 테스트에서 가장 높은 인식률을 기록했습니다. 스시, 라멘, 튀김과 같은 요리는 AI 훈련 데이터셋에 많이 포함되어 있으며, 프레젠테이션 스타일 — 구성 요소가 명확하게 분리되어 있는 경우가 많아 시각적 인식이 용이합니다.

중동 요리 (5가지 요리 테스트)

요리	올바르게 인식되었나요?	칼로리 추정치	검증된 칼로리	칼로리 오류	일반적인 오류
후무스 (올리브 오일과 함께)	예	250 kcal	310 kcal	-19.4%	올리브 오일 드리즐 심각하게 과소평가
팔라펠 (4개)	예	280 kcal	340 kcal	-17.6%	튀김 기름 흡수 놓침
치킨 샤와르마 플레이트	예	480 kcal	540 kcal	-11.1%	마늘 소스와 렌더드 지방 과소평가
타불레	예	130 kcal	150 kcal	-13.3%	올리브 오일 함량 과소평가
만사프	아니요 — "고기와 소스가 있는 밥"	420 kcal	680 kcal	-38.2%	자메드 요구르트 소스와 기름에 담근 밥 완전히 놓침

중동 요리 요약: 5개 중 4개 요리 올바르게 인식 (80%). 평균 칼로리 오류: -19.9%. 후무스와 팔라펠과 같은 일반적인 요리는 쉽게 인식되었지만, 칼로리 정확도는 올리브 오일 양을 시각적으로 평가하기 어려워 저하되었습니다. 만사프는 큰 실패로, 말린 요구르트 소스(자메드)와 밥의 기름 양이 사진에서는 보이지 않았습니다.

중국 요리 (5가지 요리 테스트)

요리	올바르게 인식되었나요?	칼로리 추정치	검증된 칼로리	칼로리 오류	일반적인 오류
딤섬 (혼합 6개)	부분적 — "만두"	360 kcal	410 kcal	-12.2%	하가우, 시우마이, 차슈바오 구분하지 못함
마파두부	예	280 kcal	340 kcal	-17.6%	소스의 칠리 오일과 다진 돼지고기 과소평가
궁바오 치킨	예	350 kcal	380 kcal	-7.9%	땅콩 기름 양 약간 과소평가
훠궈 (개인 그릇)	아니요 — "야채가 있는 수프"	290 kcal	520 kcal	-44.2%	육수 지방, 참깨 소스, 다양한 재료 놓침
죽 (돼지고기와 함께)	예	180 kcal	210 kcal	-14.3%	돼지고기 지방과 절인 계란 칼로리 과소평가

중국 요리 요약: 5개 중 3개 요리 올바르게 인식 (60%). 평균 칼로리 오류: -19.2%. 중국 음식은 혼합된 결과를 보여주었습니다. 궁바오 치킨과 마파두부와 같은 잘 알려진 요리는 인식되었지만, 다수의 구성 요소가 있는 요리인 딤섬과 훠궈는 문제가 있었습니다. 특히 훠궈는 전체 테스트에서 두 번째로 나쁜 결과를 기록했습니다.

이탈리안 요리 (5가지 요리 테스트)

요리	올바르게 인식되었나요?	칼로리 추정치	검증된 칼로리	칼로리 오류	일반적인 오류
스파게티 카르보나라	예	480 kcal	510 kcal	-5.9%	계란과 페코리노 함량 약간 과소평가
버섯 리조또	예	390 kcal	420 kcal	-7.1%	버터와 파르메산 마무리 과소평가
오소 부코	예	440 kcal	480 kcal	-8.3%	골수 지방 함량 과소평가
브루스케타 (3개)	예	220 kcal	240 kcal	-8.3%	빵 위의 올리브 오일 약간 과소평가
마르게리타 피자 (2조각)	예	440 kcal	460 kcal	-4.3%	모짜렐라 기름 약간 과소평가

이탈리안 요리 요약: 5개 중 5개 요리 올바르게 인식 (100%). 평균 칼로리 오류: -6.8%. 이탈리안 음식은 일본 음식과 함께 최고의 성과를 기록했습니다. 이러한 요리는 AI 훈련 데이터셋에서 많이 차지하고 있으며, 시각적 프레젠테이션 — 뚜렷한 파스타 형태, 인식 가능한 피자, 명확하게 담긴 단백질 — 덕분에 사진 기반 인식에 적합합니다.

전체 결과 요약 표

요리	테스트한 요리 수	올바르게 인식된 요리 수	인식률	평균 칼로리 오류	최악의 단일 오류
일본	5	5	100%	-6.8%	-7.9% (튀김)
이탈리안	5	5	100%	-6.8%	-8.3% (오소 부코)
태국	6	5	83.3%	-10.9%	-20.0% (솜탐)
멕시코	6	5	83.3%	-13.8%	-20.5% (포솔레)
중동	5	4	80.0%	-19.9%	-38.2% (만사프)
인도	6	4	66.7%	-17.4%	-29.3% (파니르 버터 마살라)
중국	5	3	60.0%	-19.2%	-44.2% (훠궈)
에티오피아	4	0	0% (50% 부분)	-31.7%	-41.4% (인제라 플래터)
전체	42 고유 + 8 부분	31 완전 + 6 부분	78%	-15.8%	-44.2% (훠궈)

왜 일부 요리가 다른 요리보다 더 높은 점수를 받는가

세 가지 요소가 결과의 대부분 변동성을 설명합니다.

훈련 데이터 표현

이탈리안과 일본 음식은 Food-101, UECFOOD-256, Google Open Images와 같은 공개 음식 이미지 데이터셋에 수천 번 등장합니다. 에티오피아와 복잡한 지역 인도 요리는 거의 등장하지 않거나 전혀 등장하지 않습니다. AI는 훈련된 것만 인식할 수 있습니다.

시각적 뚜렷함

스시는 스시처럼 보입니다. 피자는 명확합니다. 하지만 여러 스튜가 얹힌 인제라 플래터는 단일 갈색-주황색 표면을 보여주어 수십 가지 다른 식사로 해석될 수 있습니다. 명확한 형태, 뚜렷한 색상, 그리고 분리된 구성 요소가 있는 요리는 컴퓨터 비전이 해석하기 더 쉽습니다.

숨겨진 지방과 혼합 조리

8개 요리에서의 칼로리 오류 패턴은 하나의 일관된 맹점을 가리켰습니다: 보이지 않는 조리 지방. 인도 음식의 기름, 에티오피아 음식의 니터 키베, 멕시코 마사에서의 라드, 중동 음식의 올리브 오일, 태국 카레의 코코넛 밀크는 모두 상당한 칼로리를 추가하지만 카메라로는 볼 수 없습니다.

Nutrola가 이러한 격차를 해결하는 방법

Nutrola의 AI 음식 인식 모델은 일반적인 요리 이름뿐만 아니라 지역 변형을 포함한 글로벌 다양성 이미지 세트로 훈련되었습니다. Nutrola에서 치킨 비리야니를 촬영할 때, 모델은 하이데라바디, 룩나위, 콜카타 스타일을 구분하여 각각 다른 칼로리 프로필을 제공합니다.

하지만 도전적인 요리에 더 중요한 기능은 다중 모드 기록입니다. 사진 스캐닝이 낮은 신뢰도 결과를 생성하면, Nutrola는 음성 기록을 사용하여 확인하거나 수정하도록 요청합니다. "기름 추가된 하이데라바디 치킨 비리야니"라고 말하면 AI 다이어트 어시스턴트가 Nutrola의 120만 개 이상의 검증된 음식 데이터베이스에서 올바른 항목을 가져올 수 있는 충분한 맥락을 제공합니다.

가정 요리에 사용되는 포장 재료의 경우, Nutrola의 바코드 스캐너는 95% 이상의 인식 정확도를 자랑하여 정확한 제품을 기록할 수 있습니다. 집에서 달을 만들고 추가한 기름의 정확한 양을 기록하고 싶다면, 기름 용기를 스캔하고 양을 입력하는 것이 완성된 요리의 사진보다 항상 더 정확합니다.

Nutrola는 월 2.50유로부터 시작하며 3일 무료 체험이 제공되며, 모든 요금제는 광고 없이 완전히 운영되므로 하루 종일 식사를 기록하는 동안 방해받지 않습니다. 이 앱은 Apple Health 및 Google Fit과 동기화되어, 어떤 요리를 먹든지 영양 데이터가 활동 추적과 직접 연결됩니다.

실용적인 요점

사진 스캐닝은 강력한 도구이지만, 모든 요리에 대해 동등하게 강력하지는 않습니다. 테스트에서 성과가 낮은 요리에서 음식을 포함하는 경우, 다음과 같은 실용적인 접근 방식을 취하세요:

1. 사진 기록을 최종 답변이 아닌 시작점으로 사용하세요. 대부분의 요리에 대해 대략적인 범위에 도달할 수 있습니다.
2. 복잡한 요리에 음성 맥락을 추가하세요. 요리 이름, 조리 스타일, 그리고 주목할 만한 지방 출처를 말하는 데 5초가 걸리며 정확도를 크게 향상시킵니다.
3. 공유 접시 요리에 대해 수동으로 조정하세요. 인제라 플래터나 훠궈를 먹고 있다면, 공동 요리의 사진을 찍기보다는 개인적인 양을 추정하세요.
4. 가정 요리 재료에 대해 바코드 스캐닝을 사용하세요. 이렇게 하면 요리의 완성된 모습이 아닌, 요리에 들어간 내용을 기록하므로 숨겨진 지방 문제를 완전히 없앨 수 있습니다.

자주 묻는 질문

어떤 요리가 AI 음식 인식을 가장 잘 처리하나요?

이탈리안과 일본 요리는 모두 50가지 요리 테스트에서 100% 인식률과 평균 칼로리 오류 6.8%를 기록했습니다. 두 요리는 AI 훈련 데이터셋에서 높은 비율로 나타나며, 시각적으로 뚜렷한 프레젠테이션 스타일의 이점을 누립니다.

AI가 에티오피아 음식을 처리하는 데 어려움을 겪는 이유는 무엇인가요?

에티오피아 요리는 세 가지 동시에 도전 과제를 제시합니다: 인제라 기반 플래터는 여러 요리를 하나의 표면에 결합하고, 요리는 사진에서 보이지 않는 향신료 버터(니터 키베)를 사용하며, 에티오피아 음식은 대부분의 음식 AI 모델을 훈련하는 데 사용되는 공개 데이터셋에 심각하게 부족합니다. 우리의 테스트에서 에티오피아 요리는 완전히 올바르게 인식된 것이 없었습니다.

사진 스캐닝을 사용할 때 인도 음식의 칼로리 추정치는 얼마나 차이가 나나요?

우리의 테스트에서 인도 요리는 평균 -17.4%의 칼로리 오류를 보였으며, 최악의 경우는 파니르 버터 마살라에서 -29.3%였습니다. 일관된 문제는 요리 중에 흡수되는 기름, 버터, 그리고 튀김 기름을 과소평가한 것이었습니다.

같은 접시에 여러 요리의 음식을 AI가 인식할 수 있나요?

다수의 요리가 있는 접시는 AI가 처리하기 훨씬 더 어렵습니다. 우리의 테스트에서 인제라 플래터(-41.4% 칼로리 오류)와 훠궈(-44.2% 칼로리 오류) — 두 개의 다수 구성 요소가 있는 식사 — 는 가장 나쁜 결과를 기록했습니다. 여러 요리가 접시에 공유될 때, AI는 전체 요리 대신 하나의 항목을 추정하는 경우가 많습니다.

음성 기록이 민족 음식에 대한 사진 스캐닝보다 더 정확한가요?

우리 테스트에서 80% 미만의 인식을 기록한 요리 — 인도, 중국, 에티오피아 — 에 대해 음성 기록과 검증된 음식 데이터베이스를 결합하면 일관되게 더 정확한 결과를 생성합니다. "인제라와 함께한 도로 왓"이라고 말하면 AI에게 정확한 영양 데이터를 가져올 수 있는 충분한 정보를 제공하지만, 같은 식사의 사진은 "치킨 스튜"로 잘못 인식되었습니다.

Nutrola가 국제 요리에 대한 일반 음식 인식 앱보다 더 잘 작동하나요?

Nutrola의 AI 모델은 일반적인 요리 이름뿐만 아니라 지역 준비 변형을 포함한 글로벌 다양성 데이터셋으로 훈련되었습니다. 이 앱은 사진 스캐닝과 음성 기록, 바코드 스캐닝을 결합하므로 한 방법이 부족할 경우 다른 방법이 그 격차를 메워줍니다. Nutrola의 검증된 데이터베이스는 하이데라바디 비리야니와 룩나위 비리야니와 같은 지역 변형에 대한 항목을 포함하여 120만 개 이상의 음식을 포함하고 있습니다.

부정확한 음식 인식이 주간 칼로리 추적에 얼마나 영향을 미치나요?

20% 칼로리 과소평가가 있는 요리에서 하루 두 끼를 먹는 경우 — 우리의 인도 또는 중국 결과와 같은 경우 — 이는 주당 약 2,000에서 3,000 칼로리의 누락으로 이어집니다. 500칼로리의 일일 적자를 목표로 하는 경우, 그 오류만으로도 모든 진행 상황이 사라질 수 있습니다.

가정에서 조리한 민족 음식의 칼로리를 추적하는 가장 좋은 방법은 무엇인가요?

가장 정확한 방법은 완성된 요리의 사진을 찍기보다는 개별 재료를 바코드 스캐닝하여 기록하는 것입니다. Nutrola의 바코드 스캐너는 포장된 제품의 95% 이상을 인식합니다. 조리 과정에서는 "기름 2큰술"과 같은 음성 기록을 사용하여 AI 다이어트 어시스턴트가 올바른 항목을 식사 기록에 추가하도록 할 수 있습니다.