Hur AI-matigenkänning fungerar

Introduktion

När vi berättar att vårt system använder AI för att identifiera matsvinn är den första frågan vanligtvis: “Hur noggrant är det?” Det är en rimlig fråga. Men det är också fel utgångspunkt för att förstå vad AI-matigenkänning faktiskt gör och varför det spelar roll.

Den verkliga frågan är inte “Är det perfekt?” Den verkliga frågan är: “Ger det mig data jag kan agera på?” Och svaret på det är entydigt ja — även när AI:n gör fel.

Den här guiden förklarar hur vår AI-matigenkänning fungerar, varför vi har designat den som vi har, vilka begränsningarna är och hur du kan få mest värde av den data den producerar.

Nyckelpunkter

• Vår AI känner igen 2 400+ olika livsmedel
• Vi uppnår ungefär 80 % noggrannhet över alla implementeringar
• När AI:n inte är säker hamnar posterna under “Blandat avfall”
• Du kan flagga korrigeringar och lägga till anpassade livsmedel för att förbättra noggrannheten

Hur AI-igenkänning fungerar

Varje gång någon kastar matavfall i en övervakad soptunna sker en sekvens av händelser på millisekunder.

Igenkänningsprocessen

Steg 1: Bildfångst

Kameran detekterar rörelse och tar en bild i det ögonblick mat hamnar i tunnan. Vågen registrerar samtidigt viktförändringen. Denna koppling av bild + vikt är grundläggande för systemet.

Steg 2: Neuronnätsanalys

Bilden bearbetas av ett konvolutionellt neuronnät som tränats på miljontals matbilder. Modellen jämför det den ser mot sin databas med 2 400+ matkategorier och letar efter visuella mönster den känner igen.

Steg 3: Konfidenspoäng

För varje potentiell matchning beräknar modellen en konfidenspoäng — i princip hur säker den är på identifieringen. Detta sker för varje kategori i databasen, vilket resulterar i en rangordnad lista över möjligheter.

Steg 4: Klassificeringsbeslut

Om den bästa matchningen överstiger vår konfidenströskel klassificeras objektet som det livsmedlet. Om ingen matchning är tillräckligt säker hamnar objektet under “Blandat avfall”. Denna tröskel är kalibrerad för att balansera noggrannhet mot datakomplettering.

Databasen med 2 400+ livsmedel

Vår igenkänningsmodell är tränad på en omfattande databas med över 2 400 livsmedel som vanligtvis förekommer i kommersiella kök:

• Råvaror: Grönsaker, frukt, proteiner, spannmål, mejeriprodukter
• Tillagad mat: Vanliga rätter, såser, tillbehör, desserter
• Bageriprodukter: Bröd, bakverk, kakor
• Drycker: Kaffesump, te, flytande avfall
• Avskär: Skal, stjälkar, ben, fett

Detta är en global modell — samma AI betjänar alla våra implementeringar. Den är tränad på data från kök över hela världen, vilket gör den robust över olika kök och kökstyper.

Kategorin Blandat avfall

“Blandat avfall” är det systemet tilldelar när det inte är tillräckligt säkert för att klassificera ett objekt. Vissa ser högt Blandat avfall och tror att AI:n misslyckas. I själva verket gör den exakt det den ska: vara ärlig om osäkerhet.

Alternativet skulle vara värre

Vi kunde ställa in systemet att alltid gissa, även när det är osäkert. Resultatet? Fler “säkra” klassificeringar som faktiskt är felaktiga. Vi visar hellre ärlig osäkerhet än falsk precision.

Vad utlöser Blandat avfall

• Låga konfidenspoäng: AI:ns bästa gissning når inte konfidenströskeln
• Flera objekt samtidigt: Flera olika livsmedel kastade tillsammans vid ett tillfälle
• Ovanliga objekt: Livsmedel som inte är väl representerade i träningsdatan
• Dålig synlighet: Dålig belysning, skymd kamera eller suddiga bilder

Använda Blandat avfall som diagnostik

Din Blandat avfall-procent är faktiskt användbar information:

Blandat avfall-nivå	Tolkning
Under 15 %	Goda förhållanden. Mycket detaljerad data.
15-30 %	Normalintervall. Bra data på kategorinivå.
Över 30 %	Värt att undersöka. Kan tyda på problem.

Vanliga felmärkningsscenarier

Inget AI-system är perfekt. Att förstå var modellen vanligtvis har svårigheter hjälper dig att tolka dina data korrekt.

Visuellt liknande livsmedel

AI:n ser det kameran ser — den kan inte smaka eller lukta:

• Ris mot couscous mot quinoa
• Kyckling mot fläsk mot kalkon
• Olika pastaformer
• Såser och vätskor

Tillagat mot rått

Samma ingrediens ser mycket annorlunda ut rå, kokt eller blandad i en rätt:

• Rått kycklingbröst mot grillad kyckling mot kyckling i curry
• Färska grönsaker mot rostade mot wokade
• Enskilda ingredienser mot kombinerade i en tallriksrätt

Miljöfaktorer

Belysning: Dålig belysning förändrar hur färger visas, vilket gör identifiering svårare.

Kamerans renhet: Fett, ångrest eller smuts på kameralinsen försämrar bildkvaliteten.

Delvis synlighet: Om mat landar i ett hörn av tunnan eller är delvis dold har AI:n mindre visuell information att arbeta med.

Flaggning och korrigeringar

När du upptäcker ett felmärkt objekt i din instrumentpanel kan du flagga det. Detta korrigerar inte bara dina egna data — det hjälper till att förbättra modellen för alla som använder systemet.

Dina korrigeringar spelar roll

Varje flaggning du skickar in blir träningsdata för nästa modelluppdatering. Du bidrar direkt till förbättrad noggrannhet — inte bara för din anläggning, utan för alla anläggningar.

Hur man flaggar ett objekt

1. Hitta objektet: Navigera till svinnloggen eller detaljvyn
2. Klicka på flaggikonen: Välj flagg- eller “rapportera”-alternativet
3. Välj rätt kategori: Välj från listan eller sök
4. Skicka in: Din korrigering uppdateras omedelbart

När du ska flagga

Fokusera på:

• Objekt med hög volym: Korrigeringar på ofta kastade livsmedel har störst påverkan
• Objekt med högt värde: Dyra proteiner eller specialvaror värda att spåra noggrant
• Återkommande fel: Om samma objekt ständigt felklassificeras, flagga det

Lägga till anpassade livsmedel

Vår databas täcker 2 400+ vanliga livsmedel, men varje kök har sina specialiteter. Anpassade livsmedel låter dig utöka systemet med objekt specifika för din meny.

När du ska lägga till ett anpassat livsmedel

• En signaturrätt specifik för din restaurang
• Regionala eller etniska specialiteter som inte finns i den globala databasen
• Objekt som ständigt felklassificeras
• Specifika tillagningar du vill spåra separat

Bästa praxis för anpassade livsmedel

Använd tydliga, specifika namn: “Husets marinarasås” är bättre än “Sås”.

Välj rätt kategori: Tilldela till lämpliga föräldrakategorier för korrekt gruppering i rapporter.

Överdefiniera inte: Alltför många hyperspecifika objekt kan göra rapportering svårare att tolka.

Varför 80 % noggrannhet faktiskt är bra

När folk hör “80 % noggrant” undrar somliga om det är tillräckligt bra. Låt oss sätta det i sammanhang.

Alternativet: Manuell loggning

Före AI-drivna system innebar matsvinnsspårning manuell loggning. I praktiken:

Mätvärde	Manuell loggning
Efterlevnadsgrad	Ofta under 20 %
Datakvalitet	Inkonsekvent, felbenägen
Personalbelastning	Hög (saktar ner servicen)
Hållbarhet	Övergiven inom månader

Valet står inte mellan 80 % AI-noggrannhet och 100 % manuell noggrannhet. Det står mellan 80 % AI-noggrannhet och i praktiken 0 % användbar data.

Trender är viktigare än enskilda poster

Noggrannhet för enskilda objekt spelar mindre roll än du kanske tror. Det som spelar roll är:

• Konsekvent mätning över tid: Även med vissa fel är vecka-till-vecka-trender tillförlitliga
• Noggrannhet på kategorinivå: Även om “kyckling” ibland är “kalkon” vet du din totala proteinsvinn
• Total svinnvolym: Vågen ljuger aldrig — du vet alltid exakt hur mycket som hamnade i tunnan

Statistisk signifikans

Med 80 % noggrannhet över tusentals datapunkter tenderar felen att jämna ut sig. Om AI:n ibland kallar ris “couscous” kallar den också ibland couscous “ris”. Över tid konvergerar dina kategoritotaler mot verkligheten.

Bästa praxis för bättre noggrannhet

Optimera belysning

AI:n behöver bra ljus för att se tydligt. Se till att tunnområdet är väl upplyst utan skarpa skuggor eller reflexer.

Håll kameran ren

Köksmiljöer producerar ånga och fett. Torka av kameralinsen regelbundet med en mjuk, ren trasa.

Ett objekt åt gången (när det är möjligt)

AI:n identifierar bäst när den ser en typ av mat åt gången. Att dumpa blandade tallriksrester på en gång gör identifiering svårare.

Lägg till anpassade livsmedel för din meny

Om du har signaturvaror eller regionala specialiteter, lägg till dem som anpassade livsmedel för mer exakt spårning.

Flagga återkommande fel

Om du märker att samma objekt upprepade gånger felklassificeras, flagga det för att hjälpa till att omträna modellen.

Läsa rapporter med AI i åtanke

Att förstå hur AI:n fungerar hjälper dig att tolka dina svinnrapporter korrekt.

Lita på aggregat framför enskilda poster

Ditt veckosammanfattning med “Protein: 45 kg” är mer tillförlitlig än någon enskild “2,3 kg kyckling”-post.

Fokusera på trender

De mest värdefulla insikterna kommer från vecka-till-vecka eller månad-till-månad jämförelser:

• Går det totala svinnet upp eller ner?
• Är vissa kategorier konsekvent höga?
• Hade en åtgärd effekt?
• Finns det mönster efter veckodag eller tid på dygnet?

Använd Blandat avfall som signal

Om din Blandat avfall-procent plötsligt ökar:

• Kontrollera kameralinsen — kan behöva rengöring
• Kontrollera belysning — lampan kan ha ändrats eller gått sönder
• Kontrollera om nya menyprodukter kanske behöver läggas till som anpassade livsmedel

Övertolka inte avvikelser

Om du ser en enskild ovanlig post, kontrollera bilden innan du drar slutsatser. Det kan vara en felmärkning värd att flagga, eller det kan vara en engångshändelse.

Källor och referenser

1. Deep Learning for Food Image Recognition - arXiv, Cornell University
2. Food Recognition: A New Dataset, Experiments, and Results - IEEE
3. The State of AI in Food Service - McKinsey & Company
4. Computer Vision in the Food Industry - Trends in Food Science & Technology
5. Human-in-the-Loop Machine Learning - Stanford HAI