KI-Lebensmittelerkennung: Wie Computer Vision die Küchenwaage ersetzt

Noch vor wenigen Jahren glich der Versuch, Mahlzeiten per Smartphone-Foto zu erfassen, einem Glücksspiel: Algorithmen verwechselten Rührei mit Pfannkuchen und Risotto mit Milchreis. Dank moderner multimodaler Seh-Modelle (Vision-Language Models, VLM) hat sich die Lage grundlegend geändert.

Moderne multimodale Bild-KI erfasst Gerichte auf dem Teller und schätzt räumliche Proportionen zuverlässig ab. Hier ist ein Einblick in die Technologie hinter PlateTracker.

1. Blitzschnelle Vorverarbeitung im Browser

Wenn du in PlateTracker auf den Auslöser tippst, lädt dein Smartphone keine riesige 10-MB-Datei über das Mobilfunknetz hoch:

Optimierung im Browser: Mittels HTML5 Canvas und WebAssembly wird das Bild direkt auf deinem Smartphone auf maximal 1.024 Pixel herunterskaliert und in das moderne WebP-Format umgewandelt.
Minimales Datenvolumen: Die Dateigröße sinkt auf ca. 150 KB - ideal auch bei schwachem LTE-Empfang.
Datenschutz: Es wird ausschließlich das Bild der Mahlzeit verarbeitet; Gerätekennungen oder Geodaten werden gar nicht erst übertragen.

2. Multimodale KI & Teller-Segmentierung

Ein spezialisierter Bilderkennungs-Workflow analysiert das Foto:

Teller-Erkennung: Das Modell erkennt die Ränder des Tellers und isoliert die verschiedenen Komponenten.
Volumen- und Dichteschätzung: Anhand von Schatten, Texturen und Konturen schätzt das System die relativen Anteile der Zutaten.
Harvard-Vergleich: Die Zutaten werden mit der Harvard-Tellermethode (1/2 Gemüse, 1/4 Protein, 1/4 Vollkorn) abgeglichen, um den Teller-Balance-Score (0 bis 100) zu ermitteln.

3. Der «Database Backstop»: Keine KI-Erfindungen

Das größte Risiko bei der Nutzung von KI im Gesundheitsbereich sind Halluzinationen: Ein Sprachmodell könnte mit voller Überzeugung behaupten, ein Teller Nudeln habe 900 Kalorien oder 60 g Eiweiß.

PlateTracker verhindert das durch eine strikte Trennung:

Die Bild-KI ist ausschließlich für die optische Erkennung zuständig: Sie identifiziert standardisierte Lebensmittel (z. B. «Lachsfilet gebraten», «Quinoa gegart», «Gurkensalat»).
Die Nährwertberechnung erfolgt anschließend deterministisch über die anerkannte USDA FoodData Central Nährstoffdatenbank.
Alle Zahlen basieren auf mathematisch präziser Tabellenberechnung - ganz ohne KI-Schätzfehler.

4. Die 1-Tap Schnellkorrektur

Liegt auf dem Teller Halloumi statt Tofu? Du musst die Mahlzeit nicht neu fotografieren. Tippe einfach auf die Zutat oder sprich die Korrektur ein: Die App aktualisiert den Score in Millisekunden direkt auf dem Gerät.

Teste es bei deiner nächsten Mahlzeit

Probiere es unverbindlich aus: Öffne tracker.platetracker.app und analysiere dein nächstes Essen in unter 3 Sekunden.

Quellen

USDA Agricultural Research Service: FoodData Central Database. https://fdc.nal.usda.gov/
Harvard T.H. Chan School of Public Health: Healthy Eating Plate. https://www.hsph.harvard.edu/nutritionsource/healthy-eating-plate/
Anthropic & Google DeepMind: Advances in Multimodal Vision-Language Models (2024).