Hoe nauwkeurig is AI-voedselherkenning? Wat je kunt verwachten

Gepubliceerd in april 2026

Maaltijden registreren met AI-foto's is aanzienlijk sneller dan handmatig in een voedingsdatabase zoeken. Maar een veelgestelde vraag voor je overstapt is: hoe nauwkeurig is het echt? Het eerlijke antwoord is dat het afhangt van wat je eet en hoe je het fotografeert. Dit kan de technologie wel en niet.

AI voor voedselherkenning: zo werkt de technologie

Voedselherkennings-AI is computervisie toegepast op een bord: een model getraind op gelabelde voedselfoto's dat herkent wat er op een foto staat en inschat hoeveel ervan er is. Datzelfde type model drijft consumenten-calorie-apps aan, én de commerciële voedselherkennings-API's waarop restaurants, ziekenhuizen en gezondheidsplatforms bouwen. Elke implementatie doorloopt dezelfde vijf stappen.

• Detectie. Het model vindt de delen van de afbeelding waarin überhaupt eten staat en scheidt die van het bord, de tafel en de achtergrond.
• Segmentatie. Elk voedingsgebied wordt opgesplitst in aparte items, zodat een roerbakgerecht eiwit, groenten, rijst en saus wordt in plaats van één object.
• Classificatie. Elk segment wordt vergeleken met de voedselcategorieën waarop het model is getraind. Dit is de stap die nu betrouwbaar is: moderne modellen herkennen duizenden gerechten.
• Volume- en portieschatting. Het model leidt af hoeveel van elk item aanwezig is op basis van de schijnbare grootte ten opzichte van het bord, bestek of andere referentieobjecten. In deze fase, niet in de classificatie, zit bijna alle fout.
• Voedingswaarden opzoeken. Elk herkend voedingsmiddel wordt geschaald naar de geschatte portie en gekoppeld aan waarden voor calorieën en macronutriënten.

Als je een foto van een maaltijd maakt, analyseert een AI-visiemodel de afbeelding om afzonderlijke voedingsmiddelen te herkennen. Het kijkt naar vormen, kleuren, texturen en context om te bepalen wat er op het bord ligt. Zodra het eten herkend is, schat het systeem de portiegroottes op basis van visuele aanwijzingen, zoals de zichtbare grootte van elk onderdeel ten opzichte van het bord, het bestek of andere referentiepunten in beeld.

Op basis van die schattingen berekent hij calorieën en macronutriënten met behulp van voedingswaarden voor de herkende voedingsmiddelen. Het hele proces duurt meestal een paar seconden.

Hoe nauwkeurig is het?

Voor gewone, duidelijk zichtbare maaltijden is AI-voedselherkenning redelijk nauwkeurig. Een bord met kipfilet, rijst en gestoomde groenten is het soort maaltijd waar AI goed presteert. De onderdelen zijn zichtbaar, portiegroottes zijn in te schatten en het model heeft dit eten vaak gezien. Hoe dicht de schatting in de buurt komt, kan niemand eerlijk terugbrengen tot één percentage. De systematische review uit 2023 in Annals of Medicine screende 14.059 publicaties, hield er 52 over die tussen 2010 en 2023 verschenen, en vond daarin gemiddelde relatieve fouten voor calorieën van 0,1% tot 38,3%. De auteurs konden die studies niet samenvoegen tot één getal, omdat de voedselbeelddatabases en de gemelde resultaten te veel verschilden voor een meta-analyse. Wat de review wel vaststelt, is de richting: de fouten waren kleiner bij afbeeldingen van losse of eenvoudige voedingsmiddelen.

De nauwkeurigheid daalt bij samengestelde gerechten. Een kom stoofpot, een ovenschotel of een curry bevat ingrediënten die deels of helemaal verborgen zijn. De AI kan herkennen wat het gerecht is, maar niet zien wat erin zit, dus schattingen leunen meer op gangbare recepten dan op wat er echt in je pan zit. De foutmarge wordt groter.

Sauzen, oliën en dressings zijn steevast lastig. Een salade met olijfolie en een salade met een lichte vinaigrette zien er op een foto bijna identiek uit. Het calorieverschil tussen beide kan aanzienlijk zijn. Bakolie die vóór het roerbakken aan de pan wordt toegevoegd, is op de uiteindelijke foto volledig onzichtbaar.

Verpakte producten met een voedingsetiket kun je beter handmatig of met de barcodescanner invoeren. Een portie van 200 g van een specifieke merkyoghurt heeft een bekend, exact voedingsprofiel. AI-schatting voegt onnodige onzekerheid toe als de juiste waarde op de verpakking staat.

Wat de nauwkeurigheid beïnvloedt

Verschillende praktische factoren bepalen hoe goed de AI presteert op een bepaalde foto:

• Belichting. Goed belichte foto's geven het model meer visuele informatie. Slechte belichting vervlakt texturen en vermindert de kleurnauwkeurigheid, waardoor eten moeilijker correct te herkennen is.
• Hoek. Foto's van bovenaf (recht boven het bord) geven doorgaans de beste resultaten. Zijaanzichten kunnen voeding achter andere items verbergen en de portieschatting minder betrouwbaar maken.
• Indeling van het eten. Eten dat verspreid over het bord in aparte porties ligt, is makkelijker te analyseren dan gestapelde of gemengde presentaties. Als je meerdere gerechten hebt, helpt het om ze te spreiden voordat je fotografeert.
• Referentieobjecten. Een bordrand, een vork of een ander bekend voorwerp in beeld helpt het model de portiegrootte te kalibreren. Een stuk kip ziet er naast een vork heel anders uit qua schaal dan naast niets.

Gemengde maaltijden zijn lastiger dan losse voedingsmiddelen

Een gegrilde kipfilet naast rijst en broccoli zijn drie afzonderlijke vormen met duidelijke randen. Een curry, een stoofpot, een ovenschotel of een salade met dressing is één visuele massa waarin de onderdelen overlappen, elkaar verbergen en in dichtheid verschillen. AI schat dat tweede soort aanzienlijk minder nauwkeurig, en dit is de allergrootste voorspeller van of een fotoschatting in de buurt komt.

De systematische review uit 2023 in Annals of Medicine, over 52 studies gepubliceerd tussen 2010 en 2023, vond gemiddelde relatieve fouten voor calorieën variërend van 0,10% tot 38,3%, en rapporteerde dat fouten "kleiner leken te zijn bij foto's van één voedingsmiddel vergeleken met foto's van meerdere voedingsmiddelen". De review wijst het lastige geval direct aan: "afbeeldingen met gemengde gerechten (zoals curry's) of borden met verschillende, elkaar overlappende voedingsmiddelen van uiteenlopende hoogte of met onduidelijke grenzen geven een hoger risico op classificatie- of segmentatiefouten". Van de 22 laagste volumeschattingsfouten in de bekeken studies kwam 68% van foto's met één voedingsmiddel.

Een GPT-4V-analyse tegen gewogen referentiemaaltijden, gepubliceerd in IEEE Journal of Biomedical and Health Informatics in 2024, zette cijfers op het gat. Bij het schatten van één voedingsmiddel tegelijk, over 32 items, ontstond een gemiddelde absolute caloriefout van 69,2 kcal. Bij het schatten van de hele maaltijd in één keer, over 10 maaltijden, ontstond 151,2 kcal, ruwweg het dubbele. De oorzaak is cumulatief: portiegrootte is de belangrijkste foutbron, en een gemengd gerecht vereist een aparte portiebeoordeling voor elk onderdeel, elk met zijn eigen fout.

Dit staat niet helemaal vast. Een studie uit 2025 in Nutrients, met een analyse van 195 gerechten, vond slechts een zwak verband tussen het aantal ingrediënten en de foutmarge (r niet hoger dan 0,37) en concludeerde dat het aantal onderdelen geen bepalende factor was. De eerlijke samenvatting is dat visuele scheidbaarheid belangrijker is dan het aantal ingrediënten: een bord met zes duidelijk gescheiden voedingsmiddelen is makkelijker dan een kom met drie door elkaar gemengde.

Wat dat in de praktijk betekent

• Fotografeer voordat je mengt. Maak de foto terwijl de onderdelen nog gescheiden zijn, niet van de doorgeroerde kom.
• Splits een gemengde maaltijd in twee foto's waar dat redelijkerwijs kan. Twee losse schattingen verslaan één samengestelde schatting.
• Corrigeer de schatting bij alles wat gemengd, met saus of in lagen is. Vet is in elke studie de voedingsstof die het vaakst wordt onderschat, en olie in een saus is op een foto onzichtbaar.
• Behandel zelfgemaakte stoofschotels en curry's als worstcasescenario, en log ze op basis van ingrediënten in plaats van een foto wanneer de maaltijd ertoe doet.

Vergeleken met wat?

De nuttige vergelijking is niet AI tegenover een perfect getal, maar AI tegenover hoe je de maaltijd anders zou registreren, en dat is ook onnauwkeurig.

In een studie uit 2018 in Nutrients moesten 38 voedingsprofessionals porties schatten aan de hand van foto's van eten. Slechts 23,7% van hun schattingen per bord lag binnen 10% van de werkelijk gewogen hoeveelheid, met een gemiddeld absoluut procentueel verschil van 47,6%. Het Nutrition5k-onderzoek dat op CVPR 2021 werd gepresenteerd, deed naast de dataset van ongeveer 5.000 gerechten een kleinere controle met mensen: 4 voedingsdeskundigen en 16 leken beoordeelden 10 gerechten die eenvoudiger waren gekozen dan het gemiddelde in de dataset. De voedingsdeskundigen zaten gemiddeld 41% ernaast en de leken 53%. Lees dat als een orde van grootte op een gunstige steekproef, niet als een schatting voor de hele bevolking.

Handmatig loggen in een app heeft zijn eigen vertekening, al is die kleiner dan het opvallende cijfer doet vermoeden. Een meta-analyse uit 2021 in Advances in Nutrition, met 11 gepoolde studies naar apps voor voedingsdagboeken, vond dat ze de energie-inname met gemiddeld 202 kcal per dag onderschatten (95%-BI: 319 tot 85 kcal). Het grootste deel van dat verschil komt door de voedingswaardetabel, niet door het loggen zelf: waar de app en de referentiemethode dezelfde tabel gebruikten, daalde het gepoolde tekort tot 57 kcal per dag (95%-BI: een tekort van 116 kcal tot een overschot van 2 kcal), en de heterogeniteit tussen studies daalde naar nul. Op een dag van 2.000 calorieën is dat onder 3%, dus zorgvuldige handmatige invoer tegen een overeenkomende database is werkelijk de nauwkeurigere methode.

Een schatting van een gemengd gerecht op basis van een foto is dus onnauwkeurig, en dat geldt ook voor een diëtist die naar hetzelfde bord kijkt. Zorgvuldig handmatig invoeren is nauwkeuriger dan beide, maar verliest van beide als het erom gaat of je het volhoudt. Wat loggen met foto's verandert, is niet de nauwkeurigheid maar of je de maaltijd überhaupt logt, en een gelogde maaltijd met een corrigeerbare schatting is beter dan een maaltijd die niet gelogd is.

Wees sceptisch over nauwkeurigheidsclaims

Verschillende sites publiceren nauwkeurig klinkende nauwkeurigheidscijfers voor calorie-apps, waarvan sommige verwijzen naar studies en DOI's die niet bestaan. Geen enkele app heeft een gepubliceerde, peer-reviewed validatie van het geleverde product. Als er geen genoemd tijdschrift, steekproefgrootte en methodologie achter een cijfer zit, behandel het dan als marketing. Dat geldt ook voor ons: de cijfers op deze pagina verwijzen naar onafhankelijk onderzoek, niet naar ons eigen testen.

Is "dicht genoeg bij" goed genoeg?

Voor de meeste mensen wel. Een foutmarge van dubbele cijfers klinkt op zich aanzienlijk, maar de context doet ertoe.

Handmatige database-invoer is ook niet perfect nauwkeurig. Databases met gebruikersbijdragen bevatten fouten, portiegroottes worden per bron anders gedefinieerd en zelfgekookte maaltijden komen zelden overeen met de bereiding die een database-invoer aanneemt. De praktische nauwkeurigheid van handmatig bijhouden voor zelfgekookt eten is lager dan de meeste mensen denken.

Belangrijker nog: bij bijhouden telt consistentie meer dan precisie. Als je AI-trackers vergelijkt met traditionele database-apps, behandelt de vergelijking VitaCal vs MyFitnessPal de praktische verschillen in registratiemethode. Als de AI bij een maaltijd die je vaak eet stelselmatig 15% ernaast zit, weerspiegelt je geregistreerde inname je werkelijke inname nog steeds in relatieve zin. Je weektrends, je reactie op veranderingen in je voeding en je voortgang over tijd blijven allemaal betekenisvol. Het doel van bijhouden is bewustzijn opbouwen en patronen herkennen, niet elke maaltijd op laboratoriumniveau meten.

Wat bijhouden breekt, is niet de foutmarge. Wat bijhouden breekt, is de gewoonte opgeven omdat loggen te traag of te veel moeite kost. AI-fotologging pakt dat probleem direct aan.

Zo haal je betere resultaten

Een paar eenvoudige gewoontes verbeteren de kwaliteit van je AI-schattingen:

• Controleer wat de AI heeft herkend voordat je de registratie bevestigt. Als er een ingrediënt ontbreekt of iets verkeerd is herkend, kun je dat corrigeren voordat je opslaat.
• Maak foto's recht van bovenaf bij goed licht. Dit kost een extra seconde en maakt een meetbaar verschil.
• Voor maaltijden waarbij nauwkeurigheid belangrijk is, log je losse onderdelen apart in plaats van als één bord. Dat geeft het model een schonere taak per item.
• Gebruik handmatige invoer voor verpakte producten. Staat er een voedingsetiket op, gebruik dat. Bewaar loggen met AI voor maaltijden waar het echt voordeel biedt: gekookt eten, restaurantmaaltijden en alles wat je anders zou moeten opzoeken.

De aanpak van VitaCal

Voor hoe fotologging zich verhoudt tussen apps die het aanbieden, zie de gids voor AI-calorietracker-apps met fotoherkenning.

VitaCal laat je precies zien wat de AI in je foto heeft herkend voordat er iets wordt gelogd. Je ziet de losse voedingsmiddelen, hun geschatte porties en de resulterende calorieën en macro's. Als iets niet klopt, kun je porties aanpassen of items verwijderen voordat je bevestigt. Er wordt niets gelogd zonder jouw controle.

Als je wilt zien hoe AI-registratie in de praktijk werkt, probeer VitaCal gratis. De gratis versie bevat vijf AI-analyses per week zonder advertenties.