CarbCam nimmt dein Foto, schickt es an einen KI-Service, bekommt eine Schätzung der Komponenten zurück, plausibilisiert die Werte mit Standard-Nährwert-Datenbanken und zeigt dir das Ergebnis. Über die Nightscout-Anbindung werden Mahlzeiten synchronisiert und der BG-Verlauf nach dem Essen sichtbar.

Zurück zur Hilfe-Übersicht

Jede Analyse durchläuft bis zu sechs Schritte:

1 Foto-Aufnahme & lokales Crop

Das Foto bleibt zuerst komplett auf deinem Gerät. Du kannst es zuschneiden, drehen, neu aufnehmen. Erst beim Tap auf „Analysieren“ wird etwas hochgeladen.

2 Server-Cache-Abfrage (Precheck)

Bevor das Bild überhaupt zur KI geht, prüft die App per SHA-512-Hash und Perceptual-Hash, ob ein identisches oder sehr ähnliches Foto bereits im Server-Cache liegt. Bei einem Treffer bekommst du das gespeicherte Ergebnis sofort zurück — ohne erneuten KI-Aufruf. Ein anschließender Confirm-Schritt markiert den Cache-Eintrag als verbraucht (Quota-Zählung).

3 Upload zur KI-Analyse

Gibt es keinen Cache-Treffer, wird das (gecroppte) Foto an unseren Analyse-Endpunkt geschickt. Dort wird ein Vision-Modell aufgerufen, das das Bild beschreibt und die einzelnen Komponenten benennt + grobe Mengen schätzt.

4 Hintergrund-Plausibilisierung (bei niedriger Confidence)

Wenn die KI-Schätzung eine niedrige Confidence meldet, startet der Server im Hintergrund einen Cross-Check gegen Nährwert-Datenbanken (USDA FoodData Central, Open Food Facts). Die korrigierten Werte fließen in den Cache ein — beim nächsten Treffer auf dasselbe oder ein ähnliches Foto siehst du das verbesserte Ergebnis. Bei Scans mit hoher Confidence entfällt dieser Schritt.

Für Barcodes hingegen wird der Open-Food-Facts-/USDA-Abgleich immer direkt durchgeführt, da hier die Hersteller-Nährwerttabelle die primäre Quelle ist.

5 Bearbeitung durch dich

Du kannst jeden Wert überschreiben — Menge, KH, kcal, FPE, Komponente. Beim Speichern werden deine Werte verwendet, nicht die KI-Schätzung. Die App speichert deine Gesamt-KH-Korrektur (User: Xg vs KI: Yg) als Differenz für Statistik-Zwecke.

6 Speichern & Nightscout-Synchronisation

Lokal in einer SQLite-Datenbank. Optional zusätzlich per Nightscout-Sync an deine Nightscout-Instanz — aber nur als Note in der Treatment-Tabelle (mit dem Tag carbcam bzw. 10becarbcam), nicht als aktives KH-/IE-Treatment. Deine Loop/AAPS/iAPS-Berechnung wird durch CarbCam-Saves nicht beeinflusst — die Mahlzeit ist nur als Notiz sichtbar. Nutzt du Managed Nightscout von ns.10be.de, ist die Einrichtung besonders einfach: Nightscout-URL und API-Secret eingeben — fertig.

Wenn du KH aktiv als Treatment haben willst, nutze den Teilen-Button im Scan-Result — der schickt den KH-Wert via Deep-Link an Loop/iAPS/Trio bzw. öffnet das System-Share-Sheet.

FPE steht für Fett-Protein-Einheiten. Sie beschreiben, wie viel Energie aus Fett und Eiweiß verzögert den Blutzucker beeinflusst.

Eine FPE entspricht ca. 100 kcal aus Fett und Eiweiß. Beispiel:

• 30 g Fett + 20 g Eiweiß = (270 + 80) ÷ 100 = 3,5 FPE

Pumpenträger nutzen FPE oft, um den verlängerten Bolus zu parametrisieren (z. B. Square-Wave oder Dual-Wave). Pen-Nutzer können FPE als groben Indikator für einen späten Korrektur-Snack oder eine nachmittags kleine Korrektur nehmen.

CarbCam zeigt die FPE als gelben Chip in der Ergebniskarte an. Die Farben der Nährwerte:

• KH Kohlenhydrate
• kcal Kalorien
• FPE Fett-Protein-Einheiten
• Fett Fett
• Eiweiß Eiweiß

Wenn deine Nightscout-Verbindung konfiguriert ist, lädt CarbCam die BG-Daten aus deiner Nightscout-Instanz und zeigt im Verlauf-Tab unter jeder Mahlzeit die Blutzucker-Kurve an. Das Zeitfenster ist plattformabhängig und wird automatisch rund um die Mahlzeit gewählt. So ermöglicht CarbCam zusammen mit Nightscout ein gezieltes Post-Meal-BG-Tracking.

Features der BG-Kurve (Nightscout-Daten):

• Zeitfenster rund um die Mahlzeit (plattformabhängig)
• Marker für den Mahlzeit-Zeitpunkt
• Peak-Punkt farbig hervorgehoben (rot/gelb/grün je nach Höhe)
• Anstieg und Endwert als Kennzahlen
• IOB / COB als optionale Overlay-Linien

Die Genauigkeit hängt vom Mahlzeit-Typ ab:

Was die Genauigkeit verbessert:

• Gutes Licht & klares Foto — keine Schatten über dem Tellerteil
• Ganze Komponenten erkennbar — Pasta nicht in Sauce ertränken
• Größenreferenz — Tellerrand, Besteck, Hand im Bild lassen
• Standardgerichte — die KI ist gut bei bekannten Gerichten

Was die Genauigkeit verschlechtert:

• Buffet-Teller mit vielen kleinen Häufchen
• Stark mit Sauce überdeckte Komponenten
• Sehr ungewöhnliche regionale Gerichte ohne klare Vorbild-Datenbank
• Schräg von der Seite fotografiert ohne Größenreferenz

Daraus folgt für deinen Bolus:

• Bei normalen Mahlzeiten: Schätzung als Startpunkt, dein eigenes Wissen drüberlegen, ggf. Wert korrigieren bevor du speicherst
• Bei kritischen Bolus-Entscheidungen (sehr hohe KH, Hypo-Risiko): immer eigenes Wissen / Datenbank / Verpackung dazunehmen
• Mit Pumpe: Erfahrung sammeln, wie viel deine Mahlzeiten typisch abweichen — und die Schätzung dann mit deinem persönlichen Faktor korrigieren

Ohne Internetverbindung funktionieren folgende Bereiche:

• Verlauf durchsuchen und filtern
• Einträge manuell anlegen und bearbeiten
• Stats-Tab anzeigen
• Daten exportieren (CSV/JSON)
• Fotos aufnehmen und für spätere Analyse vormerken

Folgendes benötigt eine Verbindung:

• KI-Analyse (Foto wird an den Anbieter gesendet)
• Automatischer Barcode-Lookup (Open Food Facts)
• Nightscout-Synchronisation (BG-Kurve aus Nightscout-Daten, Treatment-Upload)