Anàlisi d’aliments mitjançant imatges i IA: què pot mesurar la fotografia d’un àpat i què no
Una fotografia pot mostrar arròs, pollastre i verdures en un plat. Tanmateix, no sempre revela quant oli s’ha utilitzat, la proporció exacta de cada ingredient o si la recepta s’ha preparat d’una manera diferent de la versió estàndard.
La diferència pot semblar menor quan algú només vol portar un diari d’àpats. Adquireix molta més importància quan les dades resultants s’utilitzen per monitorar la ingesta d’un pacient, avaluar l’adherència a un tractament nutricional o personalitzar un servei de salut digital.
Una recerca presentada a NUTRITION 2026 ha tornat a posar aquesta qüestió sobre la taula. Els investigadors van utilitzar fotografies estandarditzades de 102 àpats preparats en una cuina metabòlica, on cada ingredient s’havia pesat amb una precisió de 0,1 grams. Després van comparar la composició coneguda dels plats amb les estimacions generades per MyFitnessPal, Lose It!, CalAI i Appediet.
Les quatre aplicacions van infravalorar l’energia en una mitjana d’entre 250 i 345 quilocalories per àpat i el greix en uns 30 grams. Les estimacions d’hidrats de carboni van ser més consistents. En una anàlisi posterior de més de 200 àpats, encara descrita com a preliminar, els errors semblaven més grans en els àpats cetogènics, probablement pel seu contingut més elevat en greix.
Els resultats mereixen atenció, però no demostren que tots els sistemes d’anàlisi d’imatges d’aliments amb IA produeixin el mateix error. Es van presentar en un congrés i encara no s’han publicat en una revista amb revisió per parells. A més, es refereixen a quatre aplicacions de consum concretes i no avaluen LogMeal.
El missatge pràctic és més precís: una sola imatge no sempre conté tota la informació necessària per convertir un àpat en una mesura nutricional fiable.
Reconèixer un plat no és el mateix que mesurar-ne el contingut nutricional
Analitzar un àpat implica diverses tasques independents. El sistema primer ha de detectar els aliments, identificar el plat o els seus components, estimar-ne les quantitats i associar-los amb una recepta i una font de composició d’aliments adequades.
Un error en qualsevol d’aquestes fases afecta el resultat final. Una amanida es pot reconèixer correctament i, tot i així, mostrar un valor energètic inferior al real si no es té en compte l’amaniment. Dues sopes d’aspecte gairebé idèntic poden contenir quantitats molt diferents d’oli, formatge o nata. En guisats i plats mixtos, una part important de la informació nutricional no és visible a la superfície.
L’estimació de la quantitat afegeix una altra font d’incertesa. L’angle de la càmera, la distància, la forma del plat i la superposició dels ingredients influeixen en la conversió d’una imatge a grams. Per això LogMeal tracta el reconeixement d’aliments i l’estimació de quantitats com dos problemes tècnics relacionats, però diferents.
El context també importa. Una aplicació que rep fotografies sense restriccions de milers d’usuaris parteix de molta menys informació que un sistema que funciona en un hospital, on ja es coneixen el menú diari, les receptes i les mides de ració previstes.
Com aborda Food AI Engine els àpats registrats mitjançant una integració
Quan una empresa integra Food AI Engine en un producte de nutrició, salut o benestar, el sistema analitza la imatge i retorna informació estructurada sobre els aliments i plats detectats. Food AI Engine està disponible mitjançant els plans Analyse, Monitor, Recommend i Custom, perquè cada empresa pugui ajustar les funcions disponibles al seu producte. Recommend inclou l’estimació de quantitats mitjançant l’anàlisi volumètrica dels aliments visibles, mentre que Custom permet respondre a requisits que necessiten una configuració a mida.
LogMeal proporciona una proposta estandarditzada dels ingredients i les quantitats associats al plat reconegut. A partir d’aquí, els valors nutricionals es calculen amb bases de dades professionals de composició d’aliments utilitzades per dietistes-nutricionistes i especialistes en nutrició, entre les quals hi ha EuroFIR, USDA, NEVO, BEDCA i CESNID.
Aquesta proposta no es presenta com una descripció immutable de la recepta real. L’usuari pot afegir o eliminar ingredients i ajustar-ne les quantitats. Si una sopa portava més oli, un cafè incloïa sucre o la ració era més petita del que s’havia estimat, aquesta informació es pot incorporar al registre.
La combinació és important. La IA redueix la feina necessària per documentar un àpat, mentre que l’edició permet recollir informació que la càmera no pot veure. El procés persegueix un objectiu semblant al d’un recordatori dietètic de 24 hores, però registra l’àpat en el moment del consum i conserva la fotografia com a referència.
LogMeal va avaluar aquest enfocament en comparació amb el recordatori dietètic de 24 hores en el projecte VALIDITHI, desenvolupat amb EIT Health, Nestlé, University Medical Center Groningen i el Computer Vision Center. Els resultats i el context de l’estudi s’expliquen en aquest article sobre el reconeixement d’aliments de LogMeal i el recordatori dietètic de 24 hores.
Què canvia quan el sistema coneix el menú i la recepta
LogMeal Food Recognition Kiosk funciona en un entorn diferent. En hospitals, residències, centres d’alt rendiment esportiu, menjadors d’empresa i restaurants d’autoservei, el sistema pot treballar amb els plats disponibles en cada ubicació i servei. Quan l’organització ha configurat les receptes i les mides de ració de referència, l’anàlisi parteix dels ingredients i valors nutricionals definits per al menjar que realment se serveix.
Aquest context redueix la incertesa. L’algoritme no ha de triar entre tots els àpats possibles ni reconstruir la recepta completa només a partir de l’aspecte. Pot comparar la safata amb un conjunt definit de plats disponibles en aquell servei.
Per monitorar la ingesta, una imatge de la safata abans de l’àpat registra què s’ha servit. Una segona imatge després permet estimar què en queda. La comparació entre totes dues facilita el càlcul de la ingesta real i del malbaratament alimentari, sense demanar al pacient o comensal que recordi i declari quant n’ha consumit.
El resultat continua depenent del fet que els menús, les receptes i les dades de les racions siguin correctes, i que el plat preparat coincideixi amb la informació facilitada per l’organització. El context redueix la incertesa; no justifica prometre una mesura perfecta.
Què hauria de comprovar una empresa abans d’integrar aquesta tecnologia
Un percentatge general de precisió aporta poc valor si no explica què s’ha mesurat. Identificar correctament el nom d’un plat no equival a estimar-ne amb precisió el pes, les calories, les proteïnes, els greixos i els hidrats de carboni.
Abans d’escollir una API de reconeixement d’aliments o un sistema de monitoratge nutricional, una empresa hauria de preguntar quins àpats es van utilitzar en l’avaluació, com es van capturar les imatges i si la tecnologia pot utilitzar els seus propis menús i receptes. També hauria de determinar si els resultats es poden editar, com es gestionen els ingredients no visibles i si el sistema s’ha provat en condicions comparables a les del desplegament previst.
En una integració B2B o B2B2C, l’organització no es limita a afegir un model de visió artificial. Està incorporant una nova font de dades a un producte, un procés operatiu o una decisió professional. Els mètodes de captura, la informació contextual, la traçabilitat i la validació formen part del sistema.
Els resultats de NUTRITION 2026 reforcen un principi que LogMeal ja aplica en el disseny dels seus productes: facilitar el registre alimentari no hauria d’implicar ignorar la informació que falta. La fotografia redueix la fricció. L’estimació de porcions, la composició nutricional, el context i la revisió fan que el registre resultant sigui més útil.
Si la teva empresa està desenvolupant un producte de nutrició, salut digital o benestar, consulta Food AI Engine i la seva prova de 30 dies. Per a l’atenció hospitalària, les residències o la restauració col·lectiva, descobreix LogMeal per a Hospitals o sol·licita una demostració.
Font: American Society for Nutrition, «Photo-based calorie-tracking apps may underestimate energy in meals», resultats presentats a NUTRITION 2026.
Preguntes freqüents
Pot la IA calcular les calories a partir d’una fotografia de menjar?
La IA pot estimar les calories reconeixent els aliments, calculant-ne les porcions i relacionant-los amb receptes i dades de composició d’aliments. Una fotografia pot no revelar ingredients ocults o el mètode exacte de preparació. Per això, quan la precisió és important, el resultat s’ha d’entendre com una estimació i s’ha de complementar amb el context o la validació de l’usuari.
Per què les estimacions de calories basades en fotografies poden ser massa baixes?
Entre les causes més habituals hi ha la infravaloració de la mida de les racions i els ingredients difícils o impossibles de veure, com l’oli de cocció, el sucre, els amaniments i les salses. Una associació incorrecta amb una recepta també pot alterar el càlcul d’energia i macronutrients.
Com millora LogMeal una estimació nutricional basada en fotografies?
Segons el producte i l’entorn, LogMeal combina el reconeixement d’aliments, l’estimació volumètrica de quantitats, propostes estandarditzades d’ingredients, bases de dades professionals de composició d’aliments, resultats editables i informació contextual com ara menús i receptes.
LogMeal Kiosk mesura què s’ha menjat realment?
En els fluxos de monitoratge de la ingesta, LogMeal Kiosk pot comparar imatges d’una safata preses abans i després de l’àpat. Juntament amb els menús, les receptes i les mides de ració de referència configurats, això permet estimar la quantitat servida, consumida i malbaratada.
