Cal AI vs Foodvisor voor AI Voedselherkenning Nauwkeurigheid (Vergelijking 2026)

Korte conclusie: Zowel Cal AI als Foodvisor hebben aanzienlijke nauwkeurigheidsbeperkingen en zijn niet consistent betrouwbaar voor complexe maaltijden. Cal AI is sneller en gaat goed om met eenvoudige maaltijden, maar heeft moeite met gemengde gerechten en mist een geverifieerde database achter zijn schattingen. Foodvisor, dat voornamelijk is getraind op Europese voedingsmiddelen, biedt een optie voor diëtistenbeoordeling en is doorgaans voorzichtiger met schattingen, maar is trager en heeft een beperktere voedselherkenningscapaciteit. Voor AI voedselherkenning nauwkeurigheid in 2026 is het eerlijke antwoord dat beide tekortkomingen hebben — en de apps die deze tekortkomingen aanpakken met geverifieerde data zullen beter presteren dan welke dan ook.

Het AI Nauwkeurigheidsprobleem in Voedseltracking

AI voedselherkenning is sinds 2023 de meest gehypete functie in voedingsregistratie. De belofte is eenvoudig: fotografeer je maaltijd en AI regelt de rest. De werkelijkheid is ingewikkelder.

Het identificeren van een voedselitem in een foto vereist dat de AI:

1. Individuele voedselitems detecteert in een mogelijk rommelige scène
2. Elk item correct classificeert uit duizenden mogelijke voedingsmiddelen
3. Portiegrootte schat vanuit een 2D-afbeelding zonder gewichtsreferentie
4. De identificatie koppelt aan nauwkeurige voedingsdata

Elke stap introduceert potentiële fouten, en fouten stapelen zich op. Een benchmarkstudie uit 2025 gepubliceerd in IEEE Transactions on Biomedical Engineering testte toonaangevende voedselherkennings-API's en ontdekte:

Kenmerk	Industrie Gemiddelde	Beste in Klasse
Nauwkeurigheid van identificatie van enkelvoudige voedingsmiddelen	75-85%	88-92%
Identificatie van meerdere items op een bord	60-75%	78-83%
Nauwkeurigheid van portieschatting (binnen 20%)	45-60%	65-72%
Algemene calorie nauwkeurigheid (binnen 20% van het werkelijke)	50-65%	68-75%

Deze cijfers betekenen dat zelfs de beste AI voedsel scanners calorie schattingen meer dan 20% verkeerd hebben, ongeveer een kwart tot een derde van de tijd. Voor een enkele maaltijd kan dit misschien niet uitmaken. Over een dag met 3-4 maaltijden kunnen cumulatieve fouten leiden tot een significante afwijking van de werkelijke inname.

Wat Bepaalt de Nauwkeurigheid van AI Voedsel Scanning?

Drie factoren domineren:

1. Diversiteit van trainingsdata. AI-modellen die zijn getraind op meer diverse voedselafbeeldingen uit verschillende keukens presteren beter wereldwijd. Modellen die voornamelijk op één keuken zijn getraind, hebben moeite met andere.
2. Portieschatting methode. Sommige apps gebruiken vaste gemiddelde porties. Andere gebruiken diepteschatting of referentieobjecten. De methode heeft directe invloed op calorie nauwkeurigheid.
3. Bron van voedingsdata. Zelfs perfecte voedselidentificatie levert onnauwkeurige calorie data op als deze is gekoppeld aan de verkeerde voedingsdatabase-invoer of gebruik maakt van AI-gegenereerde schattingen in plaats van geverifieerde waarden.

Cal AI: Snelle, Algemene Voedselherkenning

Cal AI is een AI-native calorie tracker die is gebouwd rond snelheid en gemak. De gehele gebruikerservaring is ontworpen om foto-logging zo snel mogelijk te maken.

Hoe de AI van Cal AI Werkt

Cal AI gebruikt een groot vision-language model om voedsel foto's te analyseren. Het model is getraind op een brede dataset van voedselafbeeldingen uit verschillende keukens, met een nadruk op westerse en fastfoodgerechten. Wanneer je een maaltijd fotografeert:

1. De afbeelding wordt in 2-4 seconden verwerkt
2. De AI identificeert zichtbare voedselitems en schat hoeveelheden
3. Calorie- en macronutriëntschattingen worden gegenereerd
4. Resultaten verschijnen ter bevestiging of bewerking

Nauwkeurigheid van Cal AI: Sterke Punten

• Snelle verwerking. De analysetijd van 2-4 seconden is een van de snelste in de categorie. Snelheid is belangrijk omdat gebruikers eerder geneigd zijn te registreren wanneer het proces direct aanvoelt.
• Goede herkenning van enkelvoudige voedingsmiddelen. Voor visueel onderscheidbare, gangbare voedingsmiddelen (een banaan, een hamburger, een kom ontbijtgranen) identificeert Cal AI correct 80-90% van de tijd.
• Redelijke omgang met westerse maaltijden. Gerechtelijke maaltijden die typisch zijn voor de VS/UK (eiwit + zetmeel + groente) worden goed behandeld omdat de trainingsdata naar deze patronen neigt.
• Verbetering in de loop van de tijd. Als een model dat miljoenen voedsel foto's verwerkt, verfijnt Cal AI continu zijn herkenning. De prestaties in het begin van 2026 zijn meetbaar beter dan bij de lancering.
• Meerdere itemdetectie. Cal AI kan 3-5 verschillende items op een bord identificeren en deze scheiden in individuele vermeldingen.

Nauwkeurigheid van Cal AI: Zwakke Punten

• Geen geverifieerde database ter ondersteuning. Wanneer Cal AI "gegrilde kipfilet, 150g" identificeert en 248 calorieën toekent, komt dat cijfer van de generatieve schatting van de AI in plaats van een lookup in een geverifieerde voedingsdatabase. Dit betekent dat zelfs correcte identificaties onnauwkeurige calorie data kunnen hebben.
• Portieschatting is de grootste zwakte van Cal AI. Zonder dieptesensoren of referentieobjecten schat de AI portiegroottes alleen op basis van visuele aanwijzingen. Tests tonen aan dat portieschattingen variëren met 25-50% afhankelijk van bordgrootte, camerahoek en voedsel dichtheid. Een portie van 200g pasta kan worden geschat als 140g of 280g, afhankelijk van de foto.
• Complexe maaltijden leveren onbetrouwbare resultaten op. Curry's, stoofschotels, ovenschotels, burrito's, dumplings en andere gemengde gerechten zijn uitdagend. Cal AI geeft vaak een enkele vermelding voor het hele gerecht met een ruwe calorie schatting in plaats van individuele componenten uit te splitsen.
• Sauzen en smaakmakers worden vaak gemist. Een salade dressing die 120 calorieën toevoegt, een boterglazuur op groenten dat 80 calorieën toevoegt, of een dipsaus die 60 calorieën toevoegt, zijn niet zichtbaar voor de camera maar significant voor de nauwkeurigheid.
• Niet-westerse keukens hebben lagere nauwkeurigheid. Aziatische, Midden-Oosterse, Afrikaanse en Latijns-Amerikaanse gerechten vertonen lagere identificatiepercentages door de trainingsdata bias naar westerse voedsel fotografie.
• Geen correctie tegen geverifieerde data. Wanneer de AI fout is, is de correctie afhankelijk van de beperkte database van Cal AI. Er is geen kruisverwijzing met gevestigde voedingsdatabases.

Nauwkeurigheid van Cal AI per Maaltijdtype

Maaltijdcategorie	Identificatie Nauwkeurigheid	Calorie Nauwkeurigheid (binnen 20%)
Eenvoudige enkelvoudige items (fruit, brood)	85-92%	70-80%
Westerse gerechten	75-85%	55-65%
Sandwiches/wraps (zichtbaar)	70-80%	50-60%
Aziatische noedel-/rijstgerechten	55-70%	40-55%
Curry's en stoofschotels	40-55%	30-45%
Gebak en gebakjes	60-75%	45-60%
Salades met dressing	70-80% (dressing vaak gemist)	45-60%

Algemene nauwkeurigheidsbeoordeling van Cal AI: 6/10. Snel en handig voor eenvoudige maaltijden. Onbetrouwbaar voor complexe gerechten of buiten de westerse voedings trainingsbias.

Foodvisor: EU-getraind, Diëtisten-ondersteunde Herkenning

Foodvisor is een in Frankrijk opgericht AI voedselherkenningsapp die zijn technologie sinds 2018 ontwikkelt. Het positioneert zichzelf als een meer nauwkeurigheidsgerichte alternatieve voor algemene AI scanners, met een nadruk op Europese voeding en een optie voor diëtistenbeoordeling.

Hoe de AI van Foodvisor Werkt

Foodvisor gebruikt een eigen computer vision model dat voornamelijk is getraind op Europese voedsel fotografie, met aanzienlijke vertegenwoordiging van Franse, Mediterrane en bredere EU-keuken. Het proces:

1. Fotografeer je maaltijd
2. De AI analyseert de afbeelding in 3-6 seconden (iets trager dan Cal AI)
3. Geïdentificeerde voedingsmiddelen worden weergegeven met portieschattingen
4. Je bevestigt, past aan of vraagt om diëtistenbeoordeling (premium functie)
5. Voedingsdata wordt geregistreerd

Nauwkeurigheid van Foodvisor: Sterke Punten

• Specialisatie in Europese voeding. De trainingsdata van Foodvisor legt de nadruk op Europese keukens, waardoor het merkbaar beter presteert dan Cal AI bij het herkennen van Franse, Italiaanse, Spaanse en Mediterrane gerechten.
• Optie voor diëtistenbeoordeling. Premium gebruikers kunnen een gescande maaltijd markeren voor beoordeling door een geregistreerde diëtist die de identificatie van de AI verifieert en porties aanpast. Dit is uniek onder consumenten voedsel tracking apps en kan de nauwkeurigheid voor complexe maaltijden verbeteren.
• Portieschatting met bordreferentie. Foodvisor gebruikt de grootte van het bord als referentiepunt, wat de portieschattingen kan verbeteren in vergelijking met puur visuele schatting.
• Voorzichtige schattingen. Wanneer het onzeker is, neigt Foodvisor ernaar om conservatief te schatten in plaats van agressief, wat voordelig kan zijn voor gebruikers in een calorie tekort die liever over tellen dan onder tellen.
• Componenten uitsplitsen voor complexe gerechten. Foodvisor probeert gemengde gerechten op te splitsen in individuele ingrediënten in plaats van een enkele aggregaatvermelding te geven.
• Integratie van voedingsdatabase. Foodvisor koppelt identificaties aan de CIQUAL-database (de Franse voedsel samenstellingsdatabase beheerd door ANSES), die onderzoeksniveau en goed onderhouden is.

Nauwkeurigheid van Foodvisor: Zwakke Punten

• Langzamere verwerking. De analysetijd van 3-6 seconden is functioneel maar merkbaar trager dan Cal AI. Voor gebruikers die dagelijks 3-4 maaltijden registreren, tellen die extra seconden op.
• Beperkter bereik van voedselherkenning. De Europese trainingsbias van Foodvisor betekent dat het slechter presteert op Amerikaanse fastfood, Aziatische keukens en voedingsmiddelen uit regio's buiten zijn trainingsdata. Ironisch genoeg is dit het spiegelbeeld van de bias van Cal AI.
• Diëtistenbeoordeling is niet direct. De beoordelingsoptie kan uren duren, wat betekent dat het nauwkeurigheidsvoordeel retrospectief is in plaats van in real-time. Je komt misschien pas later achter een correctie.
• Minder verfijnd AI-model voor niet-EU voedingsmiddelen. Amerikaanse porties (die aanzienlijk groter zijn), Aziatische kookstijlen en tropische voedingsmiddelen krijgen lagere nauwkeurigheidsscores.
• Hoge prijs voor premium. Foodvisor Premium met toegang tot diëtisten kost ongeveer EUR 9,99/maand. De basisapp is gratis met beperkte scans.
• Kleinere gebruikersbasis. Minder gebruikers betekent langzamere modelverbetering in vergelijking met apps die miljoenen foto's dagelijks verwerken.
• Beperkte niet-foto functies. Geen spraaklogging, beperkte barcode scanning en een kleinere handmatige zoekdatabase dan gevestigde concurrenten.
• Beschikbaarheidsproblemen. De sterkste ervaring van Foodvisor is in Frankrijk en aangrenzende landen. Gebruikers in de VS, VK of niet-EU markten kunnen de ervaring minder gepolijst vinden.

Nauwkeurigheid van Foodvisor per Maaltijdtype

Maaltijdcategorie	Identificatie Nauwkeurigheid	Calorie Nauwkeurigheid (binnen 20%)
Franse/Mediterrane maaltijden	80-90%	65-75%
Algemene Europese gerechten	75-85%	60-70%
Eenvoudige enkelvoudige items	82-90%	68-78%
Aziatische noedel-/rijstgerechten	50-65%	35-50%
Amerikaanse fastfood	60-70%	45-55%
Gebak (Europees)	75-85%	60-70%
Salades met dressing	70-82%	55-65%
Complexe gemengde gerechten (EU)	55-70%	45-60%

Algemene nauwkeurigheidsbeoordeling van Foodvisor: 6.5/10. Voorzichtiger en mogelijk nauwkeuriger dan Cal AI voor Europese maaltijden, maar beperkter in scope en trager.

Directe Vergelijking: Cal AI vs Foodvisor voor AI Nauwkeurigheid

Kenmerk	Cal AI	Foodvisor
Verwerkingssnelheid	2-4 seconden	3-6 seconden
Nauwkeurigheid westerse/VS voedsel	Goed	Gemiddeld
Nauwkeurigheid Europese voeding	Gemiddeld	Goed
Nauwkeurigheid Aziatische voeding	Gemiddeld-laag	Laag
Methode voor portieschatting	Alleen visueel	Bord-referentie
Omgang met complexe maaltijden	Enkele aggregaatvermelding	Probeert componenten uit te splitsen
Optie voor diëtistenbeoordeling	Nee	Ja (Premium)
Bron van voedingsdata	AI-gegenereerde schattingen	CIQUAL-database (onderzoeksniveau)
Detectie van sauzen/smaakmakers	Slecht	Gemiddeld
Trainingsdata bias	Westerse/VS-gericht	EU/Frans-gericht
Barcode scanning	Nee	Beperkt
Spraaklogging	Nee	Nee
Geverifieerde database fallback	Nee	Gedeeltelijk (CIQUAL)
Premium maandelijkse kosten	~USD 9,99/maand	~EUR 9,99/maand
Gratis tier	Beperkte dagelijkse scans	Beperkte dagelijkse scans

De Werkelijke Nauwkeurigheidstest: Een Dag met Gemengde Maaltijden

Om te begrijpen hoe deze apps in de praktijk presteren, overweeg een typische dag met gevarieerde maaltijden:

Ontbijt: Overnight Oats met Bessen en Honing

• Werkelijke calorieën: 420 kcal
• Cal AI schatting: 380 kcal (miste de honing, onderschatte bessen)
• Foodvisor schatting: 400 kcal (vond de honing, iets laag op de havermout)
• Nauwkeurigheidsvoordeel: Foodvisor

Lunch: Kip Tikka Masala met Naanbrood

• Werkelijke calorieën: 780 kcal
• Cal AI schatting: 650 kcal (onderschatte de calorieën van de saus, behandelde als generieke curry)
• Foodvisor schatting: 600 kcal (slechte herkenning van Zuid-Aziatisch voedsel, lage zekerheid)
• Nauwkeurigheidsvoordeel: Cal AI (licht, maar beide zijn aanzienlijk off)

Snack: Eiwitreep (verpakt)

• Werkelijke calorieën: 210 kcal
• Cal AI schatting: Kon barcode niet scannen, foto gaf "granola reep, 180 kcal" terug
• Foodvisor schatting: Beperkte barcode scan, foto gaf "cereal reep, 200 kcal" terug
• Nauwkeurigheidsvoordeel: Geen van beide (beide apps missen betrouwbare barcode scanning voor dit scenario)

Diner: Spaghetti Bolognese (zelfgemaakt)

• Werkelijke calorieën: 620 kcal
• Cal AI schatting: 550 kcal (identificeerde pasta en vleessaus maar onderschatte olie en kaas)
• Foodvisor schatting: 580 kcal (betere component uitsplitsing, ving de Parmezaan bovenop)
• Nauwkeurigheidsvoordeel: Foodvisor

Dagelijkse Totaal

	Werkelijk	Cal AI	Foodvisor
Totaal kcal	2,030	1,760	1,780
Fout	—	-270 kcal (-13.3%)	-250 kcal (-12.3%)

Beide apps onderschatten de inname van de dag met ongeveer 250-270 calorieën. Dit valt binnen het bereik dat gepubliceerde onderzoeken voorspellen voor AI voedsel scanning. Over een week kan dit betekenen dat er 1,750-1,890 calorieën te weinig worden geteld, wat voldoende is om gewichtsverlies te stagneren bij iemand die in een gematigd tekort eet.

Het Oordeel: Cal AI vs Foodvisor voor AI Nauwkeurigheid

Geen van beide apps levert consistent nauwkeurige AI voedselherkenning over alle maaltijdtypes. De eerlijke beoordeling:

• Cal AI is sneller en gaat goed om met een breder scala aan keukens op een gematigd nauwkeurigheidsniveau
• Foodvisor is voorzichtiger met Europese voedingsmiddelen en heeft het veiligheidnet van diëtistenbeoordeling, maar is trager en beperkter in scope
• Beide onderschatten calorieën systematisch, vooral voor sauzen, oliën en verborgen caloriebronnen
• Beide hebben moeite met complexe maaltijden waar ingrediënten gemengd of gelaagd zijn

Nauwkeurigheid Scenario	Winnaar
Europese maaltijden	Foodvisor
Amerikaanse/westerse maaltijden	Cal AI
Aziatische maaltijden	Cal AI (licht)
Complexe gemengde gerechten	Geen van beide (beiden slecht)
Detectie van sauzen en smaakmakers	Foodvisor (licht)
Snelheid van scannen	Cal AI
Portiegrootte schatting	Foodvisor
Algemene dagelijkse calorie nauwkeurigheid	Gelijk (beide ~12-15% onder)
Kwaliteit van voedingsdata	Foodvisor (CIQUAL database)

De Fundamentele Beperking

Zowel Cal AI als Foodvisor delen een fundamentele architectonische beperking: ze zijn volledig afhankelijk van foto-AI voor voedselidentificatie en hebben zwakke of geen fallback wanneer de AI faalt. Er is geen barcode scanning om verpakte voedingsmiddelen nauwkeurig te behandelen. Er is geen spraakinvoer voor wanneer foto's niet werken. En wanneer de AI de identificatie goed heeft maar de portie verkeerd, is er geen geverifieerde database kruisverwijzing om calorie fouten op te vangen.

Ook Overwegen: Nutrola

Nutrola pakt het nauwkeurigheidsprobleem vanuit een fundamenteel andere invalshoek aan: in plaats van te proberen foto-AI perfect te maken (wat geen enkele app heeft bereikt), bouwt Nutrola meerdere veiligheidsnetten zodat AI-fouten worden opgevangen en gecorrigeerd.

De aanpak van Nutrola voor AI-nauwkeurigheid:

• Drievoudige AI-invoer: foto + spraak + barcode. Wanneer één herkenningsmethode faalt of onnauwkeurig lijkt, heb je twee alternatieven. Foto-AI kan niet in een burrito kijken? Beschrijf het dan mondeling. Spraak is onhandig? Scan de barcode. Deze redundantie betekent dat je nooit afhankelijk bent van een enkele AI-methode.
• 1,8 miljoen geverifieerde databasecorrectie. Dit is het kritieke verschil. Wanneer Nutrola's foto-AI "gegrilde zalm, 160g" identificeert, genereert het geen calorie schatting. Het koppelt de identificatie aan een geverifieerde database-invoer voor gegrilde zalm en retourneert laboratorium-geverifieerde voedingsdata. Als de AI de vis verkeerd identificeert als zalm terwijl het eigenlijk forel is, produceert de database match een ander (en dichter bij het juiste) resultaat dan AI-gegenereerde schattingen.
• Wanneer AI fout is, vangt de database het op. Een puur AI-systeem (zoals Cal AI) genereert zowel de identificatie als de voedingsdata. Als de identificatie fout is, is de voedingsdata fout op een onvoorspelbare manier. Nutrola scheidt identificatie (AI) van voedingsdata (geverifieerde database), wat betekent dat zelfs imperfecte identificaties nog steeds resulteren in echte voedingswaarden in plaats van verzonnen schattingen.
• 100+ voedingsstoffen per invoer. Zowel Cal AI als Foodvisor richten zich op calorieën en macronutriënten. De geverifieerde database van Nutrola biedt complete micronutriëntdata voor elk geregistreerd voedsel.
• Spraak-AI voor complexe maaltijden. Voor de maaltijdtypes die foto-AI het slechtst afhandelt (curry's, stoofschotels, gemengde gerechten), levert het beschrijven van de ingrediënten mondeling vaak nauwkeurigere resultaten op dan een foto. "Kip tikka masala, ongeveer 300 gram, met één naanbrood" geeft de AI specifieke informatie die een foto niet kan bieden.

Voor EUR 2,50 per maand zonder advertenties, kost Nutrola aanzienlijk minder dan zowel Cal AI (USD 9,99/maand) als Foodvisor (EUR 9,99/maand). De drievoudige invoeraanpak met geverifieerde databaseondersteuning overtreft niet alleen de nauwkeurigheid van toegewijde foto-scanners — het overtreft deze door de fouten op te vangen die pure foto-AI-systemen missen.

Voor gebruikers die AI-gemak willen zonder AI-onnauwkeurigheid, vertegenwoordigt de architectuur van Nutrola die AI gebruikt voor identificatie en een geverifieerde database voor voedingsdata de meest betrouwbare aanpak voor AI voedsel logging die beschikbaar is in 2026.

Veelgestelde Vragen

Hoe nauwkeurig is AI voedsel calorie telling?

Industrie benchmarks tonen aan dat AI foto voedselherkenningsapps calorieën binnen 20% van werkelijke waarden schatten 50-75% van de tijd, afhankelijk van de complexiteit van de maaltijd. Eenvoudige, visueel onderscheidbare voedingsmiddelen hebben een hogere nauwkeurigheid. Complexe gerechten, sauzige voedingsmiddelen en gemengde maaltijden hebben een lagere nauwkeurigheid. Dagelijkse calorie totalen van foto-AI alleen onderschatten doorgaans met 10-15%.

Is Cal AI of Foodvisor nauwkeuriger?

Geen van beide is consistent nauwkeuriger over alle voedseltypes. Cal AI presteert beter op Amerikaanse en westerse voedingsmiddelen vanwege zijn trainingsdata. Foodvisor presteert beter op Europese en Franse voedingsmiddelen. Beide hebben moeite met Aziatische keukens en complexe gemengde gerechten. De diëtistenbeoordelingsoptie van Foodvisor kan de nauwkeurigheid voor individuele maaltijden verbeteren, maar is niet direct.

Kan ik AI calorie schattingen vertrouwen voor gewichtsverlies?

AI calorie schattingen zijn nuttige richtlijnen maar moeten niet worden vertrouwd als nauwkeurige metingen voor agressieve calorie tekorten. De typische dagelijkse onderschatting van 10-15% door AI scanners kan een gematigd calorie tekort gedeeltelijk of volledig compenseren. Voor de beste resultaten, gebruik AI scanning als een handig hulpmiddel in combinatie met een geverifieerde database voor nauwkeurigheid, en valideer schattingen periodiek tegen gewogen voedselinvoer.

Hebben diëtisten van Foodvisor echte diëtisten?

Ja, het premium niveau van Foodvisor omvat toegang tot geregistreerde diëtisten die je voedsel foto's en AI-gegenereerde voedingsschattingen kunnen beoordelen. De beoordeling is niet direct, duurt meestal enkele uren, maar voegt een menselijke nauwkeurigheidscontrole toe die geen andere gangbare voedsel scanning app biedt.

Wat is de meest nauwkeurige methode voor calorie tracking?

Het wegen van voedsel op een keukenweegschaal en registreren tegen een geverifieerde voedingsdatabase (zoals USDA FoodData Central of NCCDB) blijft de meest nauwkeurige consumenten methode, met foutpercentages die doorgaans onder de 5% liggen. AI foto scanning is minder nauwkeurig (10-20% fout) maar veel sneller. De optimale aanpak voor de meeste mensen combineert AI voor gemak met geverifieerde database data voor nauwkeurigheid.

Kunnen voedsel scanning apps verborgen calorieën zoals olie en sauzen detecteren?

De meeste voedsel scanning apps hebben moeite met het detecteren van verborgen calorieën van kookoliën, dunne sauzen, glazuren en dressings. Deze items zijn visueel subtiel in foto's maar kunnen 100-300 calorieën per maaltijd toevoegen. Spraakgebaseerde logging, waarbij je expliciet kookoliën en sauzen kunt vermelden, vangt deze verborgen calorieën doorgaans betrouwbaarder op dan alleen foto scanning.