AI फूड स्कैनर की सटीकता: आपका कैमरा वास्तव में क्या सही (और क्या गलत) करता है

आप अपने पास्ता बाउल की एक तस्वीर खींचते हैं और कुछ ही सेकंड में आपका फोन बताता है कि इसमें 540 कैलोरी, 18 ग्राम वसा और 72 ग्राम कार्बोहाइड्रेट हैं। यह जादू जैसा लगता है — लेकिन यह संख्या वास्तविकता के कितनी करीब है?

मैन्युअल फूड लॉगिंग कुख्यात रूप से अविश्वसनीय है। अध्ययनों से पता चलता है कि लोग कोशिश करने के बावजूद भी अपने भोजन का अनुमान 30–50% कम लगाते हैं। AI कैमरा-आधारित फूड स्कैनर इसे ठीक करने का वादा करते हैं, लेकिन उनकी अपनी कमियां भी हैं। वे कहां सफल होते हैं और कहां विफल — यह समझना उन्हें समझदारी से उपयोग करने की कुंजी है।

इस गाइड में आप जानेंगे कि AI फूड पहचान कैसे काम करती है, किस सटीकता की उम्मीद रखें, सबसे सामान्य विफलताएं क्या हैं, और कैमरा-आधारित पोषण ट्रैकिंग से अधिकतम लाभ पाने की व्यावहारिक रणनीतियां।

आप क्या सीखेंगे:

• AI फूड स्कैनर फोटो को कैलोरी अनुमान में कैसे बदलते हैं
• स्वतंत्र अध्ययनों से वास्तविक सटीकता डेटा
• छह सबसे सामान्य सीमाएं (और उनसे बचने के तरीके)
• AI कब मैन्युअल लॉगिंग से आसान होता है
• SuperAge ऑन-डिवाइस AI का उपयोग करके फूड ट्रैकिंग को कैसे सरल बनाता है

---

त्वरित उत्तर

AI फूड स्कैनर नियमितता के लिए उपयोगी हैं, लेकिन वे फूड स्केल नहीं हैं। वे सरल या पैक्ड खाद्य पदार्थों में बेहतर काम करते हैं और छिपे तेल, सॉस, मिश्रित व्यंजन और कम प्रतिनिधित्व वाले व्यंजनों में कम भरोसेमंद होते हैं।

मुख्य तथ्य

• नए अध्ययन भोजन, फोटो और डेटाबेस के अनुसार सटीकता की बहुत अलग रेंज दिखाते हैं।
• 2024 ऐप तुलना ने पाया कि AI इमेज रिकग्निशन से ऊर्जा अनुमान अभी भी गलत हो सकते हैं, खासकर मिश्रित और विविध व्यंजनों में।
• 2025 के छोटे RCT ने इमेज रिकग्निशन से बेहतर सटीकता और गति पाई, लेकिन बड़े परीक्षण चाहिए।
• व्यावहारिक तरीका: पहले फोटो लें, फिर तेल, पेय और कैलोरी-घने खाद्य पदार्थ मैन्युअल रूप से सुधारें।

AI फूड स्कैनर कैसे काम करते हैं

आधुनिक फूड पहचान ऐप्स दो तकनीकों को जोड़ती हैं: कंप्यूटर विज़न (यह पहचानने के लिए कि छवि में कौन सा भोजन है) और पोषण संबंधी डेटाबेस (पहचाने गए भोजन को कैलोरी और मैक्रो मान देने के लिए)।

संक्षिप्त परिभाषा: AI फूड स्कैनिंग वह प्रक्रिया है जिसमें लाखों फूड छवियों पर प्रशिक्षित मशीन-लर्निंग मॉडल का उपयोग करके स्मार्टफोन फोटो से खाद्य पदार्थों को स्वचालित रूप से पहचाना जाता है और उनकी मात्रा का अनुमान लगाया जाता है।

फोटो से कैलोरी गिनने तक की प्रक्रिया

जब आप किसी भोजन की तस्वीर लेते हैं, तो ऐप उसे एक convolutional neural network (CNN) या एक बड़े विज़न मॉडल से गुजारती है। मॉडल छवि को क्षेत्रों में विभाजित करता है, प्रत्येक क्षेत्र को एक खाद्य श्रेणी के रूप में वर्गीकृत करता है (जैसे “पास्ता,” “टमाटर सॉस,” “परमेसन”), और फिर गहराई के संकेतों, प्लेट आकार के संदर्भ या 3D पुनर्निर्माण एल्गोरिदम का उपयोग करके प्रत्येक हिस्से की मात्रा का अनुमान लगाता है।

फिर उन मात्रा अनुमानों को एक पोषण डेटाबेस से मिलाया जाता है — अक्सर USDA FoodData Central, Open Food Facts, या एक मालिकाना डेटाबेस — कैलोरी और मैक्रो की गणना करने के लिए।

प्रशिक्षण डेटा सब कुछ तय करता है

ट्रेनिंग डेटा की गुणवत्ता और विविधता असली प्रदर्शन तय करती है। यदि मॉडल ने मुख्यतः पश्चिमी सरल भोजन देखा है, तो घरेलू, क्षेत्रीय और मिश्रित व्यंजन कठिन होंगे।

---

सटीकता के बारे में विज्ञान क्या कहता है

प्रमाण मिश्रित हैं। 2024 की स्कोपिंग रिव्यू ने प्रकाशित अध्ययनों में भोजन पहचान की सटीकता 74% से 99.85% और नियंत्रित प्रणालियों में पोषक अनुमान त्रुटि अक्सर 10-15% बताई। लेकिन Nutrients में ऐप तुलना ने पाया कि उपभोक्ता ऐप्स के स्वचालित ऊर्जा अनुमान अभी भी गलत हैं और अधिक विविध डेटाबेस चाहिए।

स्थिति	व्यावहारिक अर्थ
सरल या पैक्ड भोजन	फोटो या बारकोड अच्छा प्रारंभ हो सकता है।
मिश्रित व्यंजन, सॉस, तेल	अधिक त्रुटि मानें और छिपी सामग्री सुधारें।
क्षेत्रीय या घर का भोजन	मैन्युअल खोजें या अपनी रेसिपी सेव करें।
चिकित्सा या खेल सटीकता	प्रोटीन और कैलोरी-घने भोजन के लिए स्केल इस्तेमाल करें।

---

AI फूड स्कैनर की 6 सबसे सामान्य सीमाएं

1. तेल और सॉस की छिपी कैलोरी

यह सबसे बड़ी सटीकता समस्या है। जब आप 1 बड़े चम्मच (15 मिली) जैतून के तेल में सब्जियां भूनते हैं, तो यह 120 कैलोरी जोड़ता है — लेकिन कैमरा केवल सब्जियां देखता है। यही बात सलाद पर ड्रेसिंग, रोटी पर मक्खन और मांस में अवशोषित खाना पकाने की चर्बी पर लागू होती है।

समाधान: खाना पकाने की चर्बी और ड्रेसिंग मैन्युअल रूप से जोड़ें। अधिकांश ऐप्स फोटो लॉग के साथ “सामग्री जोड़ें” का त्वरित विकल्प देती हैं।

2. 2D कैमरों को गहराई दिखाई नहीं देती

ऊपर से ली गई फोटो मॉडल को यह जानकारी नहीं देती कि सूप का कटोरा कितना गहरा है। ऐप्स संदर्भ वस्तुओं (एक हाथ, एक ज्ञात व्यास की प्लेट) के साथ या पहचान के बाद हिस्से का आकार निर्दिष्ट करने के लिए कहकर क्षतिपूर्ति करती हैं — लेकिन इससे मैन्युअल अनुमान फिर से आ जाता है।

समाधान: मॉडल को अधिक 3D गहराई संकेत देने के लिए थोड़े कोण (क्षैतिज से लगभग 30–45°) पर फोटो लें। कुछ ऐप्स स्पष्ट रूप से फ्रेम में एक सिक्का या हाथ माँगती हैं।

3. ओवरलैपिंग और मिश्रित सामग्री

एक बुरिटो बाउल, थाई करी, या घर का बना स्टू एक ही फ्रेम में कई सामग्री को जोड़ता है। मॉडल को एक साथ 8–12 खाद्य श्रेणियों की पहचान करनी होती है और उनके अनुपात का अनुमान लगाना होता है — एक एकल चिकन ब्रेस्ट की पहचान करने की तुलना में यह कहीं अधिक कठिन काम है।

समाधान: जटिल व्यंजनों को ज्ञात सामग्री के साथ सहेजे गए नुस्खे के रूप में लॉग करें, सरल भोजन के लिए कैमरा लॉग का उपयोग करें।

4. गैर-पश्चिमी व्यंजनों की कमी

2024 के एक PMC अध्ययन में पाया गया कि लोकप्रिय ऐप्स ने पश्चिमी-शैली के भोजन के लिए औसतन 249 किलो कैलोरी अधिक अनुमान लगाया लेकिन एशियाई भोजन के लिए 363 किलो कैलोरी कम अनुमान लगाया, प्रशिक्षण डेटा में कम प्रतिनिधित्व के कारण। क्षेत्रीय व्यंजन, घर का खाना और स्ट्रीट फूड सभी मौजूदा मॉडलों के लिए सबसे कमजोर बिंदु हैं।

समाधान: पारंपरिक व्यंजनों के लिए ऐप के डेटाबेस में मैन्युअल रूप से खोजें, या यदि उपलब्ध हो तो एक क्षेत्रीय डेटाबेस का उपयोग करें।

5. फोटो की गुणवत्ता और वातावरण

खराब रोशनी, बगल से लिए गए कोण, अव्यवस्थित पृष्ठभूमि, या कटलरी से आंशिक रूप से ढका हुआ भोजन — सभी पहचान की विश्वसनीयता कम करते हैं। स्टूडियो-गुणवत्ता वाली फूड छवियों पर प्रशिक्षित मॉडल मंद रेस्तरां प्रकाश में काफी खराब प्रदर्शन कर सकते हैं।

समाधान: भोजन मिलाने से पहले अच्छी रोशनी में, ऊपर से या 30° के कोण पर फोटो लें।

6. एक ही व्यंजन के लिए डेटाबेस की विविधता

जब पहचान बिल्कुल सही होती है, तब भी डेटाबेस में एक ही नामित व्यंजन के पोषण मूल्य ±20% तक भिन्न हो सकते हैं क्योंकि व्यंजन विधियां अलग होती हैं। एक डेटाबेस में “स्पेगेटी बोलोनीज़” 80% दुबले गोमांस से बनाई गई थी; दूसरे में, 70% दुबले गोमांस और अतिरिक्त तेल से।

समाधान: समय के साथ, उन व्यंजनों के लिए सटीक सामग्री के साथ अपने खुद के नुस्खे बनाएं और सहेजें जो आप नियमित रूप से खाते हैं।

---

AI स्कैनिंग कब मैन्युअल लॉगिंग से आसान होती है

AI इसलिए उपयोगी नहीं कि हर अनुमान सही है, बल्कि इसलिए कि यह प्रयास घटाता है। 2025 के छोटे RCT में 42 युवा वयस्कों और 17 व्यंजनों पर स्वचालित इमेज रिकग्निशन ने वॉयस इनपुट की तुलना में अधिक सटीक और तेज रिपोर्टिंग दी, लेकिन शोधकर्ताओं ने व्यापक परीक्षण की जरूरत बताई।

लाभ	समझदारी से उपयोग
तेज लॉगिंग	परिणाम को पहला ड्राफ्ट मानें।
कम डेटाबेस खोज	मिश्रित व्यंजन जांचें।
दृश्य डायरी	साप्ताहिक पैटर्न देखें।
सेव सुधार	दोहराए भोजन अधिक संगत होते हैं।

---

सबसे सटीक स्कैन पाने के व्यावहारिक सुझाव

मिलाने से पहले फोटो लें

सलाद ड्रेसिंग जो लेट्यूस में फैली हुई है, उसका अनुमान लगाना एक तरफ दिखाई देने वाले ड्रेसिंग से कहीं ज्यादा मुश्किल है। टॉस करने, मिलाने या सॉस जोड़ने से पहले फोटो लें।

एक संदर्भ वस्तु उपयोग करें

फ्रेम में एक मानक आकार की वस्तु (एक कांटा, एक क्रेडिट कार्ड, एक हाथ) रखें। यह मॉडल को एक स्केल संदर्भ देता है और आमतौर पर हिस्से के अनुमान में 10–15% सुधार करता है।

सुधारें और सहेजें

पहली बार भोजन लॉग करने पर, यह गलत हो सकता है। अनुमान को सुधारें, फिर इसे एक कस्टम व्यंजन के रूप में सहेजें। उसी भोजन का प्रत्येक बाद का स्कैन पहले से अधिक सटीक होगा।

पेय पदार्थ अलग से लॉग करें

दूध वाली कॉफी, जूस, स्मूदी और शराब की कैलोरी कम आंकना आसान है क्योंकि वे कैलोरी-घने लेकिन दृश्यतः छोटे होते हैं। कैमरे पर निर्भर रहने की बजाय पेय पदार्थ मैन्युअल रूप से जोड़ें।

साप्ताहिक औसत देखें, व्यक्तिगत भोजन नहीं

प्रति भोजन ±20% परिवर्तनशीलता को देखते हुए, एक स्कैन का बहुत कम मतलब है। लेकिन प्रति सप्ताह 14–21 भोजन में औसत होने पर, यादृच्छिक त्रुटियां संतुलित हो जाती हैं और साप्ताहिक रुझान विश्वसनीय हो जाते हैं।

---

AI फूड स्कैनिंग और जैविक आयु: संबंध

आहार जैविक उम्र बढ़ने का बदला जा सकने वाला कारक है, लेकिन वर्तमान प्रमाण संबंध और संभावित प्रभाव दिखाते हैं, निश्चित वर्षों का वादा नहीं। UK Biobank डेटा स्वस्थ और पौधा-समृद्ध पैटर्न को कम phenotypic age और लंबे telomeres से जोड़ता है; नए रिव्यू inflammation, microbiome और metabolic resilience के रास्ते बताते हैं।

समस्या यह है कि अधिकांश लोग वास्तव में नहीं जानते कि वे क्या खाते हैं। AI फूड स्कैनिंग उस अंध स्थान को दूर करती है — पूरी तरह से नहीं, लेकिन बदलने योग्य आहार पैटर्न की पहचान करने के लिए पर्याप्त रूप से लगातार।

फोटो से कैलोरी ट्रैक करना सीधे जैविक आयु कम नहीं करता। लेकिन यह पहचानना कि आप लगातार अपने अनुमानित लक्ष्य से 500–700 किलो कैलोरी अधिक खाते हैं — या कि आप मांसपेशी द्रव्यमान को संरक्षित करने के लिए पर्याप्त प्रोटीन का उपभोग नहीं करते — एक कार्रवाई योग्य शुरुआती बिंदु बनाता है।

जानना चाहते हैं कि भोजन आपकी जैविक घड़ी को कैसे प्रभावित करता है? हमारे विस्तृत लेख को पढ़ें कि जैविक आयु की गणना कैसे की जाती है और बायोमार्कर चयापचय स्वास्थ्य के बारे में क्या बताते हैं।

---

SuperAge स्मार्ट फूड ट्रैकिंग के लिए AI का उपयोग कैसे करता है

SuperAge 4.2 से शुरू होकर, ऐप अपने मौजूदा बारकोड स्कैनर और मैन्युअल खोज उपकरणों के साथ एक ऑन-डिवाइस AI कैमरा फूड विश्लेषण सुविधा पेश करती है।

ऑन-डिवाइस विज़न, ऑन-डिवाइस गोपनीयता

SuperAge Apple Intelligence का उपयोग करके फूड फोटो को पूरी तरह से आपके डिवाइस पर प्रोसेस करता है। कोई भी छवि कभी क्लाउड सर्वर पर नहीं भेजी जाती। मॉडल स्थानीय रूप से खाद्य पदार्थों और हिस्से के अनुमान की पहचान करता है, जिसका अर्थ है कि विश्लेषण ऑफलाइन काम करता है और आपकी भोजन तस्वीरें पूरी तरह से निजी रहती हैं।

आपकी प्रोफ़ाइल के अनुसार कैलिब्रेटेड

स्टैंडअलोन फूड स्कैनर के विपरीत जो सामान्य कैलोरी अनुमान देते हैं, SuperAge का AI अपनी सिफारिशों को आपकी व्यक्तिगत चयापचय प्रोफ़ाइल — जिसमें आपकी जैविक आयु, गतिविधि स्तर और VO₂ max शामिल हैं — के अनुसार कैलिब्रेट करता है। 25 मील (40 किमी) प्रति सप्ताह दौड़ने वाले 38 वर्षीय व्यक्ति की प्रोटीन जरूरतें समान वजन वाले निष्क्रिय व्यक्ति से अलग होती हैं, और SuperAge उस अंतर को ध्यान में रखता है।

कैलोरी लक्ष्य जो अनुकूलित होते हैं

SuperAge में AI कैलोरी योजना इंजन आपको बस एक स्थिर संख्या नहीं देता। आपके दैनिक कैलोरी और मैक्रो लक्ष्य Apple Watch से आपकी वास्तविक गतिविधि, आपके वर्तमान शरीर ऊर्जा स्कोर और आपकी रिकवरी स्थिति के आधार पर अपडेट होते हैं। यदि आपका एक गहन प्रशिक्षण दिन था, तो आपका कार्बोहाइड्रेट लक्ष्य स्वचालित रूप से ऊपर की ओर समायोजित हो जाता है।

स्वस्थ विकल्प सुझाव (Premium)

जब आप एक खाद्य पदार्थ लॉग करते हैं, SuperAge Premium बेहतर मैक्रो प्रोफ़ाइल के साथ पोषण संबंधी समान विकल्प सुझाता है — उदाहरण के लिए, सफेद चावल की जगह फूलगोभी चावल या पूर्ण वसा दही की जगह ग्रीक दही — आपके लक्ष्यों और जैविक आयु अनुकूलन लक्ष्यों के आधार पर।

बारकोड + कैमरा + खोज: सब एक में

SuperAge तीन पूरक ट्रैकिंग विधियों को जोड़ता है:

• बारकोड स्कैनर — पैकेज्ड खाद्य पदार्थों के लिए सर्वोत्तम सटीकता
• AI कैमरा स्कैन — रेस्तरां भोजन और घर के बने व्यंजनों के लिए सर्वोत्तम
• टेक्स्ट खोज — सामग्री और नुस्खे के लिए सर्वोत्तम

यह संयोजन आपको वस्तुतः किसी भी भोजन को ट्रैक करने देता है बिना उस जगह सटीकता का बलिदान किए जहां यह सबसे अधिक मायने रखती है।

---

अक्सर पूछे जाने वाले प्रश्न

AI फूड स्कैनिंग फूड स्केल की तुलना में कितनी सटीक है?

सत्यापित पोषण डेटा के साथ एक फूड स्केल स्वर्ण मानक है और ±2–5% सटीकता प्राप्त कर सकता है। AI फूड स्कैनिंग आमतौर पर सरल खाद्य पदार्थों के लिए ±10% से लेकर जटिल व्यंजनों के लिए ±40% तक होती है। रोजमर्रा की ट्रैकिंग के लिए, AI स्कैनिंग आहार पैटर्न और रुझानों की पहचान करने के लिए पर्याप्त सटीक है; चिकित्सा या एथलेटिक सटीकता के लिए, प्रोटीन और कैलोरी-घने खाद्य पदार्थों के लिए इसे एक स्केल से पूरक करें।

क्या AI हर प्रकार के व्यंजन की पहचान कर सकता है?

समान रूप से नहीं। वर्तमान मॉडल सामान्य पश्चिमी खाद्य पदार्थों और प्रमुख एशियाई व्यंजनों पर सबसे अच्छा प्रदर्शन करते हैं। क्षेत्रीय और घर के बने व्यंजन — विशेष रूप से दक्षिण एशियाई, मध्य पूर्वी, लैटिन अमेरिकी और अफ्रीकी पाक परंपराओं से — कम विश्वसनीय रूप से पहचाने जाते हैं। यदि आपका ऐप किसी व्यंजन को गलत पहचानता है, तो मैन्युअल रूप से खोजें या एक कस्टम नुस्खा बनाएं।

क्या रोशनी स्कैन सटीकता को प्रभावित करती है?

हां, महत्वपूर्ण रूप से। उज्जवल, समान रोशनी (दिन का प्रकाश या एक अच्छी रोशनी वाली मेज) मंद रेस्तरां प्रकाश या फ्लैश फोटोग्राफी की तुलना में सटीकता में सुधार करती है, जो रंगों और छाया को विकृत कर सकती है जिन पर मॉडल गहराई अनुमान के लिए निर्भर करता है। यदि संभव हो, मंद रोशनी वाले रेस्तरां में बैठने से पहले अपनी फोटो लें।

क्या AI फूड स्कैनर वजन घटाने के लिए पर्याप्त अच्छे हैं?

वजन घटाने के लिए, सटीकता से अधिक निरंतरता मायने रखती है। अध्ययन लगातार दिखाते हैं कि जो लोग लगातार ट्रैक करते हैं — मध्यम सटीकता के साथ भी — उन लोगों की तुलना में अधिक वजन कम करते हैं जो छिटपुट रूप से लेकिन सटीक रूप से ट्रैक करते हैं। AI स्कैनिंग आपके पैटर्न की पहचान करने, विशिष्ट खाद्य श्रेणियों के लगातार कम अनुमान से बचने और समय के साथ पोषण जागरूकता बनाने के लिए पर्याप्त अच्छी है।

मिश्रित पेय पदार्थों और स्मूदी के बारे में क्या?

मिश्रित या तरल खाद्य पदार्थों के लिए कैमरा स्कैनिंग अविश्वसनीय है क्योंकि मात्रा और सामग्री घनत्व दोनों अदृश्य हैं। खोज फ़ंक्शन या एक सहेजे गए नुस्खे का उपयोग करके पेय पदार्थों को मैन्युअल रूप से लॉग करें, विशेष रूप से कैलोरी-घने पेय जैसे लेटे, जूस और स्मूदी के लिए।

---

मुख्य निष्कर्ष

• सटीकता संदर्भ पर निर्भर है: सरल भोजन मिश्रित व्यंजन और छिपी वसा से आसान हैं।
• सांस्कृतिक कवरेज मायने रखता है: अधूरे डेटाबेस क्षेत्रीय भोजन में गलती बढ़ाते हैं।
• AI प्रयास घटाता है: नियमितता के लिए उपयोग करें और बड़े स्रोत सुधारें।
• ट्रेंड एक भोजन से बेहतर हैं: साप्ताहिक औसत देखें।
• जैविक आयु संबंध अप्रत्यक्ष है: ट्रैकिंग inflammation, वजन और protein से जुड़े पैटर्न दिखाती है।

---

आज से स्मार्ट ट्रैकिंग शुरू करें

AI फूड स्कैनिंग सही नहीं है — लेकिन यह अधिकांश लोगों के पास लगातार, साक्ष्य-आधारित पोषण आदतें बनाने के लिए सबसे व्यावहारिक उपकरण है। लक्ष्य हर भोजन के लिए एक त्रुटिहीन कैलोरी गिनती नहीं है; यह इतना सटीक, इतना सुसंगत और इतना आसान है कि आप वास्तव में इसे करते हैं।

देखना चाहते हैं कि भोजन आपकी जैविक आयु को कैसे प्रभावित करता है? SuperAge डाउनलोड करें और अपने शरीर की वास्तविक आयु के साथ अपने भोजन को ट्रैक करना शुरू करें — AI के साथ जो आपके लिए काम करता है, दूसरे तरीके से नहीं।

---

संदर्भ

1. Li X et al. (2024). “Evaluating the Quality and Comparative Validity of Manual Food Logging and Artificial Intelligence-Enabled Food Image Recognition in Apps for Nutrition Care.” Nutrients, 16(15):2573.
2. Zheng J et al. (2024). “Artificial Intelligence Applications to Measure Food and Nutrient Intakes: Scoping Review.” Journal of Medical Internet Research, 26:e54557.
3. Shonkoff E et al. (2023). “AI-based digital image dietary assessment methods compared to humans and ground truth: a systematic review.” Annals of Medicine, 55(2):2273497.
4. Sahoo PK et al. (2025). “Automatic Image Recognition Meal Reporting Among Young Adults: Randomized Controlled Trial.” JMIR mHealth and uHealth, 13:e60070.
5. Zhu C et al. (2025). “Multi-dimensional evidence from the UK Biobank shows the impact of diet and macronutrient intake on aging.” Communications Medicine, 5:36.
6. Ravelli MN and Schoeller DA (2020). “Traditional Self-Reported Dietary Instruments Are Prone to Inaccuracies and New Approaches Are Needed.” Frontiers in Nutrition, 7:90.
7. USDA Agricultural Research Service. FoodData Central.

---

अंतिम अपडेट: 2026-06-06. सटीकता के लिए इस लेख की नियमित समीक्षा की जाती है.