GEZONDE VOEDING
Slimme camera meet wat je eet
Beeld: Shutterstock
KENNISONLINE 2020
Met je smartphone je eten scannen en aan de hand daarvan een gepersonaliseerd voedingsadvies krijgen. Dat is de toekomst, volgens voedingsonderzoekers van Wageningen University & Research. Zij leren camera’s niet alleen te registreren wát er gegeten wordt, maar ook hoeveel. Dat maakt het mogelijk om objectief voedselinname te monitoren.
Het monitoren van voedselinname is voor veel onderzoeksprojecten en (medische) behandeltrajecten van groot belang. Het probleem daarbij is echter dat monitoring door middel van vragenlijsten niet objectief is. Want, hoeveel van een boterham is er opgegeten; welk type boter is gebruikt, hoeveel jus heeft iemand opgeschept, hoeveel groenten zijn er verorberd? Door slecht inschattingsvermogen, onwetendheid, onwil of schaamte kunnen de antwoorden op vragenlijsten enorm verschillen van de werkelijkheid. Dit heeft gevolgen voor de betrouwbaarheid van het onderzoek.
Water, eiwit, transvetten, onverzadigde vetten, de camera’s van WUR-onderzoeker Yannick Weesepoel hebben geleerd te herkennen wat de samenstelling is van voedingsmiddelen, zoals de boter op je boterham.
De komst van 3D-camera’s en hyperspectrale camera’s die voedselproducten kunnen scannen, kan hierbij van betekenis zijn. Maar hoe gaat het scannen van voedsel in zijn werk, wat zijn de mogelijkheden, wat zijn de struikelblokken en met welk doel kunnen professionele scanners worden ingezet?
Speciale scanners
Het antwoord op die vragen komt van Yannick Weesepoel, projectleider en onderzoeker Voedselauthenticiteit en Voedselscanners bij Wageningen University & Research (WUR). Zijn onderzoek maakt deel uit van het startimpulsprogramma ‘Meten en detecteren van gezond gedrag’ van de Nationale Wetenschapsagenda (NWA), gefinancierd door de Nederlandse Organisatie voor Wetenschappelijk Onderzoek (NWO).
‘Het gebruik van speciale scanners moet de oplossing bieden bij het monitoren van voedselinname’
“Het gebruik van speciale scanners moet de oplossing bieden bij het monitoren van voedselinname”, aldus Weesepoel. “We willen een objectieve meetmethode creëren die uiteindelijk door mensen thuis kan worden gebruikt. Gewoon met je smartphone je eten scannen en aan de hand daarvan een gepersonaliseerd voedingsadvies krijgen. Dat is de toekomst!”
Schat aan informatie
De combinatie van een hyperspectrale camera en een 3D-camera kan een schat aan informatie bieden. Een hyperspectrale camera kan heel veel verschillende kleuren detecteren en daarnaast ook nabij-infrarood en infrarood. Een 3D-camera is in staat om de vorm en het volume van het product te bepalen.
Sperziebonen herkennen met de smartphone is door mensen thuis vrij makkelijk te realiseren. Foto: Shutterstock
Weesepoel: “Vooral het nabij-infrarood geeft veel informatie over de productsamenstelling, bijvoorbeeld het vetpercentage. Wordt een nabij-infraroodstraal op een product afgevuurd, dan kaatst de straal deels terug. Ieder bestanddeel in het product absorbeert op een unieke manier een deel van de straling. “Zo heeft ieder component, zoals water, vet, eiwit en koolhydraten, zijn eigen spectrale handtekening.”
Door de informatie van deze twee camera’s te combineren, kan een heel goed beeld worden gevormd van het type en de samenstelling van de voeding. Op dit moment bestaat er echter nog geen apparaat dat beide functies combineert. Daar ligt volgens Weesepoel dan ook de uitdaging.
Bord met eten onder de camera
Op dit moment zijn vijf onderzoekers bij Wageningen Food Safety Research, onderdeel van WUR, actief met het project bezig. Zij programmeren, testen en valideren de camera’s. Weesepoel: “Daarnaast wordt er al nagedacht over de volgende stap in het onderzoek: het testen van de camera’s door proefpersonen. Dit testen zal zich eerst nog afspelen in het lab, waar proefpersonen bijvoorbeeld wordt gevraagd een bord met eten onder de cameraopstelling te plaatsen. Staat een bord namelijk niet recht onder de camera’s, dan kan dat van grote invloed zijn op de metingen.”
Het onderzoek telt vele uitdagingen, aldus Weesepoel. Zo blijkt de oneindige hoeveelheid en combinaties van voedselproducten die er bestaan een grote drempel. “Het herkennen van een hoopje sperziebonen of een boterham met boter is een ding, het in kaart brengen van een driedubbel belegde sandwich is een ander verhaal. Daarvoor is een perfect afgestelde combinatie van een hyperspectrale camera en een 3D-camera nodig.”
Het herkennen van een uitgebreid belegde sandwich is ingewikkeld en kan alleen nog met perfect afgestelde camera's. Foto: Shutterstock
Voor betrouwbare resultaten moeten die camera’s dus worden getraind en gekalibreerd en moet er een grote database met alle gegevens gecreëerd worden. De hoeveelheid tijd en de daarmee gepaard gaande kosten zijn een obstakel. “We kijken daarom of we spectrale gegevens over producten kunnen uitwisselen tussen diverse laboratoria.”
Foutmarge
Ook de kwaliteit van de camera’s is een heikel punt. “Simpele, betaalbare camera’s zijn in staat om homogene producten te scannen. De hoeveelheid koolhydraten in een appel of het vetpercentage van een plak kaas is daarmee prima te bepalen.” Deze ‘foodscanners’ zijn dan ook al enkele jaren op de markt, maar worden nog niet op grote schaal gebruikt.
Voor het nauwkeuriger bepalen van de samenstelling van complexere producten en combinaties van producten zijn deze scanners echter ongeschikt. “De foutmarge van de simpele camera’s is vaak vrij groot. Voor betrouwbare resultaten heb je op dit moment nog een 3D-camera van zo’n 200 euro en een echt goede hyperspectrale camera van zo’n 40.000 euro nodig. Dit maakt dat het onderzoek nog niet zo 1-2-3 resulteert in een goedkope en betrouwbare scanner voor thuis in het keukenkastje.”
De spectrale camera voert de samenstellingsmetingen uit. Foto: WUR
In het infrarood zit de informatie waarmee samenstellingen bepaald worden. Foto: WUR
Uiteindelijk komt daar een soort vingerafdruk uit voort. Foto: WUR
Tot slot is de proefopstelling in een laboratorium bij iedere meting exact gelijk en wordt er gebruik gemaakt van zeer felle lichtbronnen. Iedere willekeurige thuissituatie staat hiermee in schril contrast, aangezien alleen al de verlichting sterk zal wisselen. Zo is buitenlicht veel diverser dan binnenlicht en verschilt ook de lichtsterkte per moment van de dag. Om toch betrouwbare resultaten te krijgen, moet de scanner op de verlichting kunnen worden afgestemd.
Nauwe samenwerking
Voor dit soort grote projecten is samenwerking onontbeerlijk, vertelt Yannick. “De WUR stuurt sterk op samenwerking tussen de verschillende afdelingen en met resultaat. We werken inmiddels nauw samen met de afdelingen Wageningen Food & Biobased Research en Human Nutrition & Health. Waarom opnieuw het wiel uitvinden als je ook gebruik kunt maken van elkaars kennis en kunde?”
Voor betrouwbare resultaten moeten de camera’s worden getraind en gekalibreerd
Ook met andere universiteiten zijn er goede contacten. Zo bieden onderzoekers van de Radboud Universiteit Nijmegen handige oplossingen voor wiskundige vraagstukken, valideren zij de statistiek en komen zij met opties voor nieuwe rekenmethoden. “Met de juiste samenwerking bereik je veel sneller een goed eindresultaat.”
Ambitieus
Uit het onderzoek blijkt dat de foutmarge van de goed getrainde en gekalibreerde hyperspectrale camera slechts 5 procent is en van de 3D-camera 5 tot 10 procent. Dat zijn mooie resultaten, aldus Weesepoel. “De opzet van de studie was wellicht wat ambitieus; het trainen en kalibreren van dit soort camera’s blijkt een grote klus. Maar de opzet en de resultaten zijn goed. We hadden meer tegenslagen verwacht, zoals grotere foutmarges bij de metingen, maar het gaat soepeler dan gedacht.”
Het zal nog een tijdje duren voordat deze professionele voedselscanner op grote schaal kan worden toegepast, denkt Weesepoel. “Maar we blijven het doel voor ogen houden: objectief en gepersonaliseerd voedingsadvies en daarmee een grote sprong vooruit in het kunnen optimaliseren van de gezondheid van de mens.”