De Wetenschap Achter AI Calorie Tracking: Hoe Fotoherkenning Werkt

Wanneer je een foto van je maaltijd maakt en een calorie tracking-app het voedsel identificeert en de voedingswaarde binnen enkele seconden inschat, is dat resultaat het gevolg van een meerfasige computer vision-pijplijn. Deze omvat beeldclassificatie, objectdetectie, portiegrootte-inschatting en database-matching. Elke fase introduceert zijn eigen nauwkeurigheidsbeperkingen en foutbronnen. Het begrijpen van hoe deze pijplijn werkt en waar deze faalt, is essentieel om te beoordelen of AI-gestuurde calorie tracking een betrouwbare tool voor dieetmonitoring is.

Dit artikel biedt een technische analyse van de computer vision-pijplijn achter voedselherkenning, met aandacht voor de betrokken machine learning-architecturen, gepubliceerde nauwkeurigheidsbenchmarks, de cruciale rol van de voedingsdatabase achter de AI en de huidige stand van de wetenschap.

De AI Calorie Tracking Pijplijn: Zes Fasen

AI-gestuurde voedselherkenning is geen enkele technologie. Het is een pijplijn van opeenvolgende verwerkingsfasen, waarvan elke fase adequaat moet presteren om de uiteindelijke calorie-inschatting betekenisvol te maken.

Fase	Technische Taak	Belangrijkste Uitdaging	Foutbijdrage
1. Beeldvoorbewerking	Normaliseer verlichting, resolutie, oriëntatie	Variabele fotografische omstandigheden in de echte wereld	Laag (goed opgelost)
2. Voedseldetectie	Lokaliseren van voedselgebieden in het beeld	Meerdere voedingsmiddelen, overlappende items, gedeeltelijke occlusie	Gemiddeld
3. Voedselclassificatie	Identificeren wat elk voedselitem is	Visuele gelijkenis tussen voedingsmiddelen (rijstvariëteiten, kazen)	Gemiddeld tot hoog
4. Portie-inschatting	Bepalen hoeveel van elk voedsel aanwezig is	Geen absolute schaalreferentie in de meeste foto's	Hoog
5. Database-matching	Koppelen van geïdentificeerd voedsel aan een voedingsdatabase-invoer	Onduidelijke overeenkomsten, variaties in bereidingsmethoden	Laag tot gemiddeld (afhankelijk van de database)
6. Voedingsstofberekening	Vermenigvuldig portie × voedingsstoffen per eenheid	Samengestelde fout van alle voorgaande fasen	Afhankelijk van de nauwkeurigheid van de pijplijn

Fase 1: Beeldvoorbewerking

Voordat enige voedselherkenning plaatsvindt, moet de ruwe foto worden genormaliseerd. Dit houdt in dat er rekening wordt gehouden met:

• Verlichtingsvariatie. Foto's die zijn genomen onder fluorescent, gloeilamp, natuurlijk of flitslicht produceren verschillende kleurprofielen voor hetzelfde voedsel. Moderne voorbewerkingspijplijnen gebruiken kleurconstantie-algoritmen en geleerde normalisatie om fouten in de classificatie die afhankelijk zijn van verlichting te verminderen.
• Resolutie en formaat. Afbeeldingen van verschillende apparaten hebben verschillende resoluties. De voorbewerkingspijplijn past de grootte van de afbeeldingen aan naar een standaard invoerdimensie (typisch 224×224 of 384×384 pixels voor classificatiemodellen, hoger voor detectiemodellen).
• Oriëntatie. Foto's kunnen recht van boven (top-down, ideaal voor portie-inschatting) of vanuit hoeken zijn genomen. Geometrische normalisatie past zich aan de kijkhoek aan wanneer mogelijk.

Deze fase is goed opgelost door de huidige technologie en draagt minimaal bij aan de totale fout in de pijplijn.

Fase 2: Voedseldetectie (Objectdetectie)

Voedseldetectie beantwoordt de vraag: "Waar in deze afbeelding bevinden zich de voedselitems?" Dit is een objectdetectieprobleem, en het wordt complex wanneer een enkele foto meerdere voedselitems op één bord of over meerdere gerechten bevat.

Gebruikte Architecturen

YOLO (You Only Look Once). De YOLO-familie van detectors (YOLOv5, YOLOv8 en latere versies) verwerkt de hele afbeelding in een enkele doorloop, waarbij tegelijkertijd begrenzingskaders en klassevoorspellingen worden geproduceerd. YOLO wordt in productievoedselherkenningssystemen geprefereerd vanwege de real-time snelheid, met doorgaans inferentietijden onder de 50 milliseconden op mobiele hardware.

Faster R-CNN. Een tweefasige detector die eerst regio's van interesse voorstelt en vervolgens elke regio classificeert. Faster R-CNN behaalt iets hogere nauwkeurigheid dan eenfasige detectors in complexe scènes, maar ten koste van een langere inferentietijd.

DETR (Detection Transformer). De transformer-gebaseerde detector van Facebook AI Research gebruikt aandachtmechanismen om objectbegrenzingskaders direct te voorspellen zonder ankervoorstellen. DETR gaat beter om met overlappende en occlusieve voedselitems dan anker-gebaseerde methoden, waardoor het geschikt is voor complexe maaltijdscènes.

Detectie-uitdagingen in Voedselfoto's

Voedseldetectie presenteert unieke uitdagingen in vergelijking met algemene objectdetectie:

• Geen duidelijke grenzen. Voedsel op een bord raakt vaak elkaar of overlapt (saus op pasta, kaas op salade). In tegenstelling tot auto's of voetgangers hebben voedselitems zelden scherpe randen.
• Variabele presentatie. Hetzelfde voedsel kan er dramatisch anders uitzien, afhankelijk van de bereidingswijze, de opmaakstijl en de bijbehorende voedingsmiddelen.
• Schaalvariatie. Een enkele amandel en een hele pizza kunnen in dezelfde maaltijdfoto verschijnen, wat detectie over een breed scala aan objectschalen vereist.

Aguilar et al. (2018), gepubliceerd in Multimedia Tools and Applications, evalueerden voedseldetectiemodellen en ontdekten dat de detectienauwkeurigheid (gemeten door gemiddelde gemiddelde precisie, mAP) varieerde van 60 tot 85 procent, afhankelijk van de complexiteit van de scène. Foto's van enkele items behaalden detectiepercentages boven de 90 procent, terwijl complexe maaltijden met vijf of meer items onder de 70 procent zakten.

Fase 3: Voedselclassificatie (Beeldclassificatie)

Zodra voedselitems zijn gedetecteerd en gelokaliseerd, moet elk gedetecteerd gebied worden geclassificeerd: is dit kip, vis, tofu of tempeh? Dit is een beeldclassificatieprobleem en het is de meest onderzochte fase van de voedselherkenningspijplijn.

Gebruikte Architecturen

Convolutionele Neurale Netwerken (CNN's). ResNet, EfficientNet en Inception-architecturen zijn de werkpaarden van het onderzoek naar voedselclassificatie. Deze modellen extraheren hiërarchische visuele kenmerken (textuur, vorm, kleurpatronen) via opeenvolgende convolutionele lagen. Meyers et al. (2015), in het Im2Calories-papier van Google, gebruikten een op Inception-gebaseerde architectuur voor voedselclassificatie en rapporteerden een top-1 nauwkeurigheid van ongeveer 79 procent op een dataset van 2.500 voedselcategorieën.

Vision Transformers (ViT). Geïntroduceerd door Dosovitskiy et al. (2021), passen Vision Transformers het zelfaandachtsmechanisme uit de natuurlijke taalverwerking toe op beeldherkenning. ViT's verdelen afbeeldingen in patches en verwerken deze als sequenties, waardoor het model de globale context van de afbeelding kan vastleggen die CNN's met beperkte receptieve velden mogelijk missen. Recente voedselclassificatiewerkzaamheden met ViT en Swin Transformer-architecturen hebben verbeteringen van 3-7 procentpunten gerapporteerd ten opzichte van CNN-baselines op standaard benchmarks voor voedselherkenning.

Hybride architecturen. Moderne productiesystemen combineren vaak CNN-functie-extractie met transformer-gebaseerde redenering, waarbij de sterke punten van beide benaderingen worden benut.

Classificatienauwkeurigheid per Voedselcategorie

De classificatienauwkeurigheid varieert aanzienlijk per voedseltype.

Voedselcategorie	Typische Top-1 Nauwkeurigheid	Belangrijkste Uitdaging
Hele vruchten (appel, banaan, sinaasappel)	90–95%	Hoge visuele onderscheidbaarheid
Eenvoudige eiwitten (biefstuk, visfilet)	80–90%	Variaties in bereidingsmethoden
Granen en zetmeel (rijst, pasta, brood)	75–85%	Vergelijkbare uitstraling tussen variëteiten
Gemengde gerechten (roerbak, ovenschotel, curry)	55–70%	Ingrediëntsamenstelling niet zichtbaar vanaf het oppervlak
Dranken	40–60%	Visueel identieke vloeistoffen met verschillende samenstellingen
Sauzen en specerijen	30–50%	Vergelijkbare visuele uitstraling, zeer verschillende caloriedichtheid

Gegevens verzameld van Meyers et al. (2015), Bossard et al. (2014) en Thames et al. (2021).

De classificatie-uitdaging is het meest ernstig voor voedingsmiddelen die op elkaar lijken maar heel verschillende voedingsprofielen hebben. Witte rijst en bloemkoolrijst zijn visueel vergelijkbaar, maar verschillen met een factor vijf in caloriedichtheid. Volle melk en magere melk zijn visueel niet te onderscheiden. Gewone en dieetfrisdrank kunnen niet alleen op uiterlijk worden onderscheiden.

Benchmark Datasets

Food-101 (Bossard et al., 2014). 101 voedselcategorieën met elk 1.000 afbeeldingen. De meest gebruikte benchmark voor onderzoek naar voedselclassificatie. Huidige state-of-the-art modellen behalen een top-1 nauwkeurigheid van boven de 95 procent op deze benchmark, hoewel het relatief kleine aantal categorieën (101) het minder representatief maakt voor de diversiteit in de echte wereld.

ISIA Food-500 (Min et al., 2020). 500 voedselcategorieën met ongeveer 400.000 afbeeldingen. Meer representatief voor de diversiteit van voedsel in de echte wereld. De top-1 nauwkeurigheid op deze benchmark is aanzienlijk lager, meestal 65-80 procent.

UEC Food-256 (Kawano en Yanagida, 2015). 256 Japanse voedselcategorieën. Demonstreert de uitdaging van cultureel specifieke voedselherkenning, aangezien modellen die zijn getraind op westerse voedseldatasets slecht presteren op Aziatische keukens en vice versa.

Fase 4: Portie-inschatting

Portie-inschatting wordt algemeen erkend als de zwakste schakel in de AI calorie tracking-pijplijn. Zelfs als een voedsel correct wordt geïdentificeerd, vertaalt een onjuiste portie-inschatting zich direct naar een onjuiste calorie telling.

Technieken

Referentieobject-schaal. Sommige apps vragen gebruikers om een referentieobject (creditcard, munt of de duim van de gebruiker) in de foto op te nemen. De bekende afmetingen van het referentieobject bieden een schaalreferentie voor het schatten van de voedselafmetingen. Dehais et al. (2017) evalueerden referentieobjectmethoden en vonden portie-inschatfouten van 15-25 procent wanneer een referentieobject aanwezig was.

Diepte-inschatting. Stereo camerasystemen (twee lenzen) of LiDAR-sensoren (beschikbaar op sommige smartphones) bieden diepte-informatie die 3D-reconstructie van het voedseloppervlak mogelijk maakt. In combinatie met aannames over de geometrie van de container en de voedsel dichtheid, maakt dieptegegevens volumetrische schatting mogelijk. Meyers et al. (2015) rapporteerden dat diepte-gebaseerde schatting portiefouten verminderde in vergelijking met methoden met één afbeelding, maar dieptesensoren zijn niet beschikbaar op alle apparaten.

Monoculaire diepte-inschatting. Machine learning-modellen die zijn getraind om diepte uit enkele afbeeldingen te schatten, kunnen de 3D-voedselgeometrie benaderen zonder gespecialiseerde hardware. De nauwkeurigheid is lager dan die van fysieke dieptesensoren, maar toepasbaar op elke smartphonecamera.

Geleerde volume-inschatting. End-to-end modellen die zijn getraind op datasets van voedselafbeeldingen gekoppeld aan bekende volumes, kunnen direct de portiegrootte voorspellen zonder expliciete 3D-reconstructie. Thames et al. (2021) evalueerden dergelijke modellen en rapporteerden gemiddelde portie-inschatfouten van 20-40 procent.

Tabel Portie-inschatting Nauwkeurigheid

Methode	Gemiddelde Absolute Fout	Vereist Speciale Hardware	Referentie
Referentieobject (creditcard)	15–25%	Nee (alleen het referentieobject)	Dehais et al. (2017)
Stereo camera diepte	12–20%	Ja (dubbele camera)	Meyers et al. (2015)
LiDAR diepte	10–18%	Ja (LiDAR-uitgeruste telefoon)	Recent ongepubliceerde benchmarks
Monoculaire diepte-inschatting (ML)	20–35%	Nee	Thames et al. (2021)
Geleerd volume (end-to-end)	20–40%	Nee	Thames et al. (2021)
Zelfinschatting door gebruiker (geen AI)	20–50%	Nee	Williamson et al. (2003)

De tabel toont aan dat alle geautomatiseerde methoden beter presteren dan ongeholpen menselijke inschatting (Williamson et al., 2003, Obesity Research), maar geen enkele bereikt consistent fouten onder de 10 procent. Ter context: een fout van 25 procent in de portie-inschatting op een maaltijd van 400 calorieën vertaalt zich naar een afwijking van 100 calorieën, genoeg om een bescheiden calorie-tekort teniet te doen als deze zich ophopen over meerdere maaltijden.

Fase 5: Database-matching — De Kritische Stap

Dit is de fase die de minste aandacht krijgt in technische discussies, maar de grootste impact heeft op de uiteindelijke nauwkeurigheid. Nadat de AI een voedsel heeft geïdentificeerd en de portie heeft geschat, moet het geïdentificeerde voedsel worden gekoppeld aan een invoer in een voedingsdatabase om calorie- en voedingswaarden op te halen.

De kwaliteit van deze match hangt volledig af van de kwaliteit van de onderliggende database. Als de AI correct "gegrilde kipfilet, 150 gram" identificeert, maar deze koppelt aan een crowdsourced database-invoer die 130 calorieën per 100 gram vermeldt (ten opzichte van de door de USDA geanalyseerde waarde van 165 calorieën per 100 gram), zal de uiteindelijke calorie-inschatting 27 procent te laag zijn, niet omdat de AI faalde, maar omdat de database erachter onnauwkeurig is.

Dit is de fundamentele inzicht dat verschillende AI calorie tracking-apps scheidt: De nauwkeurigheid van AI voedselidentificatie is slechts zo nuttig als de voedingsdatabase erachter.

Vergelijking Database-matching

AI Tracking App	Voedselidentificatie	Database Backend	Algehele Betrouwbaarheid
Nutrola	AI foto + spraakherkenning	1.8M USDA-gebaseerde, door voedingsdeskundigen geverifieerde invoeren	Hoge identificatie + hoge gegevensnauwkeurigheid
Cal AI	AI foto-inschatting	Proprietaire database (beperkte transparantie)	Gemiddelde identificatie + onzekere gegevensnauwkeurigheid
Apps die AI aan crowdsourced DB toevoegen	AI fotoherkenning	Crowdsourced, niet-geverifieerde invoeren	Gemiddelde identificatie + lage gegevensnauwkeurigheid

De architectuur van Nutrola is specifiek ontworpen om deze kritische afhankelijkheid aan te pakken. De AI fotoherkenning en spraaklogging functies behandelen de identificatie- en portie-inschattingfasen, terwijl de backend-database van 1,8 miljoen door voedingsdeskundigen geverifieerde invoeren, afkomstig van USDA FoodData Central, ervoor zorgt dat de voedingsgegevens die aan elk geïdentificeerd voedsel zijn gekoppeld, wetenschappelijk nauwkeurig zijn. Deze scheiding van verantwoordelijkheden betekent dat verbeteringen in AI voedselherkenning zich direct vertalen naar verbeteringen in de nauwkeurigheid van tracking, zonder ondermijnd te worden door databasefouten stroomafwaarts.

Vereisten voor Trainingsdata

Het trainen van een voedselherkenningsmodel vereist grote, gelabelde datasets van voedselafbeeldingen. De kwaliteit en diversiteit van de trainingsdata beïnvloeden rechtstreeks de prestaties van het model.

Datasetgrootte. State-of-the-art voedselherkenningsmodellen worden doorgaans getraind op datasets van 100.000 tot enkele miljoenen gelabelde afbeeldingen. Google's Im2Calories (Meyers et al., 2015) gebruikte een proprietary dataset van miljoenen voedselafbeeldingen. Publiek beschikbare datasets zoals Food-101 (101.000 afbeeldingen) en ISIA Food-500 (400.000 afbeeldingen) zijn aanzienlijk kleiner.

Labelkwaliteit. Elke trainingsafbeelding moet nauwkeurig worden gelabeld met de voedselcategorie. Onjuist gelabelde trainingsdata produceren modellen die verkeerde associaties leren. Voor voedselafbeeldingen vereist labeling domeinexpertise, omdat vergelijkbare voedingsmiddelen (jasmijnrijst vs. basmatirijst, grouper vs. kabeljauw) moeilijk te onderscheiden zijn voor niet-experts.

Diversiteitsvereisten. Trainingsdata moeten de volledige diversiteit van voedselpresentatie vertegenwoordigen: verschillende keukens, opmaakstijlen, verlichtingsomstandigheden, camerahoeken en portiegroottes. Modellen die voornamelijk zijn getraind op westerse voedselafbeeldingen presteren slecht op Aziatische, Afrikaanse of Midden-Oosterse keukens.

Portielabels. Voor portie-inschattingstraining moeten afbeeldingen worden gekoppeld aan grondwaarheidsgewichtmetingen. Het creëren van deze labels vereist het fotograferen van voedingsmiddelen voor en na het wegen, een arbeidsintensief proces dat de grootte van portie-inschatting trainingssets beperkt.

Het Probleem van Samengestelde Fouten

Het belangrijkste technische concept in AI calorie tracking is samengestelde fout. Elke fase van de pijplijn introduceert onzekerheid, en deze onzekerheden vermenigvuldigen zich.

Overweeg een maaltijd van gegrilde zalm met rijst en broccoli:

1. Detectienauwkeurigheid: 90% (elke voedselitem correct gelokaliseerd).
2. Classificatienauwkeurigheid: 85% (elke voedsel correct geïdentificeerd).
3. Portie-inschatting nauwkeurigheid: 75% (portie binnen 25% van het werkelijke).
4. Database-matching nauwkeurigheid: 95% (voor een geverifieerde database) of 80% (voor een crowdsourced database).

De gecombineerde waarschijnlijkheid dat alle fasen slagen voor alle drie de voedselitems:

• Met geverifieerde database: (0.90 × 0.85 × 0.75 × 0.95)^3 = 0.548^3 = 16.5% kans dat alle drie de items volledig nauwkeurig zijn.
• Met crowdsourced database: (0.90 × 0.85 × 0.75 × 0.80)^3 = 0.459^3 = 9.7% kans dat alle drie de items volledig nauwkeurig zijn.

Deze berekeningen illustreren waarom samengestelde fout perfecte nauwkeurigheid onbereikbaar maakt met de huidige technologie. Ze tonen echter ook aan dat het verbeteren van een individuele fase de algehele pijplijn verbetert. De database-matchingfase is de gemakkelijkste om te optimaliseren (gebruik een geverifieerde database in plaats van een crowdsourced) en biedt een betekenisvolle nauwkeurigheidsverbetering bij elke maaltijd.

Huidige Stand van de Technologie en Beperkingen

Wat Werkt Goed

• Enkele-item herkenning. Het identificeren van een enkel, duidelijk gefotografeerd voedselitem uit een bekende keuken behaalt een nauwkeurigheid van boven de 90 procent met moderne architecturen.
• Veelvoorkomende voedingsmiddelen. De meest geconsumeerde voedingsmiddelen hebben overvloedige trainingsdata en worden betrouwbaar herkend.
• Barcode-augmentatie. Wanneer een verpakt voedsel kan worden geïdentificeerd via barcode in plaats van foto, benadert de identificatienauwkeurigheid 100 procent (beperkt door de leesbaarheid van de barcode).

Wat Uitdagend Blijft

• Gemengde gerechten. Stoofschotels, ovenschotels, roerbakgerechten en andere gemengde gerechten waarbij individuele ingrediënten niet visueel kunnen worden gescheiden, blijven moeilijk. Het model kan het algehele gerecht schatten, maar niet de specifieke ingredientensamenstelling.
• Verborgen ingrediënten. Oliën, boter, suiker en sauzen die tijdens het koken worden toegevoegd, zijn calorisch significant maar vaak onzichtbaar in het uiteindelijke gerecht. Een roerbakgerecht met groenten gekookt in 2 eetlepels olie lijkt op een gerecht gekookt in kookspray, maar het calorieverschil is ongeveer 240 calorieën.
• Portienauwkeurigheid. Volumetrische schatting vanuit 2D-afbeeldingen blijft de zwakste schakel, met fouten van 20-40 procent die typisch zijn voor huidige methoden.
• Culturele voedseldiversiteit. Modellen die zijn getraind op westerse keukens presteren slecht op Aziatische, Afrikaanse, Midden-Oosterse en Latijns-Amerikaanse voedingsmiddelen, die een aanzienlijk deel van de wereldwijde voedselconsumptie vertegenwoordigen.

Veelgestelde Vragen

Hoe nauwkeurig is AI foto-gebaseerde calorie tracking?

Huidige AI voedselherkenningssystemen behalen een voedselidentificatienauwkeurigheid van 75-95 procent voor enkele items uit goed vertegenwoordigde voedselcategorieën. Echter, portie-inschatting voegt aanzienlijke fouten toe (20-40 procent volgens Thames et al., 2021). De uiteindelijke nauwkeurigheid van de calorie-inschatting hangt af van het samengestelde effect van identificatienauwkeurigheid, portienauwkeurigheid en de nauwkeurigheid van de database achter de match. Apps zoals Nutrola die AI-herkenning combineren met een geverifieerde USDA-gebaseerde database minimaliseren de databasefoutcomponent.

Welke machine learning-modellen gebruiken voedselherkenningsapps?

De meeste productievoedselherkenningssystemen gebruiken convolutionele neurale netwerken (ResNet, EfficientNet) of Vision Transformers (ViT, Swin Transformer) voor classificatie, YOLO of DETR voor detectie, en aparte modellen voor portie-inschatting. De specifieke architecturen en trainingsdetails zijn voor de meeste commerciële apps vertrouwelijk.

Kan AI onderscheid maken tussen vergelijkbare voedingsmiddelen zoals witte rijst en bloemkoolrijst?

Dit blijft een aanzienlijke uitdaging. Visueel vergelijkbare voedingsmiddelen met verschillende voedingsprofielen zijn een bekende beperking van computer vision voedselherkenning. Modellen kunnen subtiele visuele aanwijzingen (textuur, korrelstructuur) leren die sommige vergelijkbare voedingsmiddelen onderscheiden, maar de nauwkeurigheid daalt aanzienlijk in deze gevallen. Dit is een van de redenen waarom AI-identificatie moet worden gekoppeld aan gebruikersbevestiging en een geverifieerde database in plaats van volledig autonoom te worden gebruikt.

Waarom is de database achter AI voedselherkenning belangrijk?

AI voedselidentificatie bepaalt wat het voedsel is. De database bepaalt de voedingswaarden die aan dat voedsel zijn gekoppeld. Zelfs perfecte voedselidentificatie produceert onnauwkeurige calorie-inschattingen als de database-invoer verkeerd is. Een geverifieerde database die is verankerd aan USDA FoodData Central (zoals Nutrola's 1,8 miljoen invoeren) zorgt ervoor dat correct geïdentificeerde voedingsmiddelen worden gekoppeld aan wetenschappelijk nauwkeurige voedingsgegevens. Dit is waarom de kwaliteit van de database net zo belangrijk is als de kwaliteit van het AI-model voor de algehele nauwkeurigheid van tracking.

Hoe zal AI calorie tracking in de toekomst verbeteren?

Drie gebieden van actief onderzoek zullen verbeteringen aandrijven: (1) grotere en meer diverse trainingsdatasets zullen de classificatienauwkeurigheid over wereldwijde keukens verbeteren; (2) LiDAR en multi-camera dieptesensing op smartphones zullen de portie-inschatting verbeteren; (3) multimodale modellen die visuele herkenning combineren met tekst-/spraakcontext (wat de gebruiker zegt dat ze eten) zullen ambiguïteit verminderen. Nutrola's combinatie van foto-AI en spraaklogging implementeert al deze multimodale aanpak, waarbij zowel visuele als taalinvoer worden gebruikt om de nauwkeurigheid van voedselidentificatie te verbeteren.