CarbCam mengambil foto Anda, mengirimkannya ke layanan AI, menerima perkiraan komponen, memvalidasi nilai terhadap database gizi standar, dan menampilkan hasilnya kepada Anda.

Setiap analisis melalui hingga enam langkah:

Alur yang divisualisasikan, diikuti tangkapan layar asli untuk perbandingan:

1. Tab pindai

2. Analisis AI

3. Hasil

1 Pengambilan foto & pemangkasan gambar lokal

Foto awalnya tetap sepenuhnya di perangkat Anda. Anda dapat memangkas, memutar, atau mengambil ulang. Tidak ada yang diunggah hingga Anda mengetuk “Analisis”.

2 Kueri cache server (Pra-pemeriksaan)

Sebelum gambar dikirim ke AI sama sekali, aplikasi memeriksa melalui hash SHA-512 dan perceptual hash apakah foto yang identik atau sangat serupa sudah ada di cache server. Jika ada kecocokan, Anda langsung mendapatkan hasil yang tersimpan kembali, tanpa panggilan AI lagi. Langkah Konfirmasi berikutnya menandai entri cache sebagai terpakai (penghitungan kuota).

3 Unggah ke analisis AI

Jika tidak ada kecocokan cache, foto (yang telah dipangkas) dikirim ke endpoint analisis kami. Sebuah model vision (Gemini, Claude atau OpenAI, tergantung pilihan Anda di pengaturan aplikasi) dipanggil di sana untuk mendeskripsikan gambar, menyebutkan masing-masing komponen, dan memperkirakan jumlah kasar.

4 Validasi latar belakang (hanya keyakinan rendah)

Jika perkiraan AI melaporkan keyakinan rendah, server memulai pemeriksaan-silang di latar belakang terhadap database gizi (USDA FoodData Central, Open Food Facts). Nilai yang dikoreksi masuk ke cache, saat berikutnya foto yang sama atau serupa dicocokkan, Anda melihat hasil yang diperbaiki. Untuk pindaian dengan keyakinan tinggi langkah ini dilewati.

Namun untuk barcode, perbandingan Open Food Facts / USDA selalu dilakukan langsung, karena tabel gizi produsen adalah sumber utama di sini.

5 Penyuntingan oleh Anda

Anda dapat mengganti nilai apa pun, jumlah, karbohidrat, kkal, FPE, komponen. Saat menyimpan, nilai Anda yang digunakan, bukan perkiraan AI. Aplikasi menyimpan total koreksi karbohidrat Anda (Pengguna: Xg vs AI: Yg) sebagai selisih untuk tujuan statistik.

6 Simpan & sinkronisasi Nightscout

Secara lokal dalam database SQLite. Secara opsional juga melalui sinkronisasi Nightscout ke instans Nightscout Anda, tetapi hanya sebagai catatan di tabel perawatan (dengan tag CarbCam), bukan sebagai perawatan karbohidrat/insulin aktif. Perhitungan Loop/AAPS/iAPS Anda tidak terpengaruh oleh penyimpanan CarbCam, makanan hanya terlihat sebagai catatan. Jika Anda menggunakan Managed Nightscout dari ns.10be.de, penyiapan sangat mudah: masukkan URL Nightscout dan API secret, selesai.

Jika Anda ingin karbohidrat secara aktif sebagai perawatan, gunakan tombol Bagikan pada hasil pindaian, tombol tersebut mengirimkan nilai karbohidrat melalui deep link ke AAPS/AndroidAPS, Loop, iAPS atau Trio atau membuka lembar berbagi sistem.

FPE adalah singkatan dari Fat-Protein Units (Unit Lemak-Protein). Unit ini menggambarkan seberapa banyak energi dari lemak dan protein memengaruhi gula darah dengan penundaan.

Satu FPE setara dengan kira-kira 100 kkal dari lemak dan protein. Contoh:

• 30 g lemak + 20 g protein = (270 + 80) ÷ 100 = 3.5 FPE

Pengguna pompa sering menggunakan FPE untuk mengatur parameter bolus diperpanjang (mis. square-wave atau dual-wave). Pengguna pen dapat menggunakan FPE sebagai indikator kasar untuk camilan koreksi lambat atau koreksi kecil di sore hari.

CarbCam menampilkan FPE sebagai chip kuning di kartu hasil. Warna nilai gizi:

• Carbs Karbohidrat
• kcal Kalori
• FPE Unit Lemak-Protein
• Fat Lemak
• Protein Protein

Ketika Nightscout dikonfigurasi, CarbCam memuat data BG dari instans Nightscout Anda dan menampilkan kurva gula darah di tab riwayat di bawah setiap makanan. Jendela waktu bergantung platform dan dipilih secara otomatis di sekitar waktu makan. Bersama Nightscout, CarbCam memungkinkan pelacakan BG pascamakan yang tertarget.

Fitur kurva BG (data Nightscout):

• Jendela waktu di sekitar makanan (bergantung platform)
• Penanda untuk waktu makan
• Puncak disorot dengan warna (merah/kuning/hijau tergantung level)
• Kenaikan dan nilai akhir sebagai metrik utama
• IOB / COB sebagai garis overlay opsional

Akurasi bergantung pada jenis makanan:

Apa yang meningkatkan akurasi:

• Pencahayaan yang baik & foto yang jelas, tanpa bayangan di atas piring
• Semua komponen terlihat, jangan menenggelamkan pasta dalam saus
• Referensi ukuran, biarkan tepi piring, peralatan makan, atau tangan dalam bingkai
• Hidangan standar, AI mahir dengan hidangan yang terkenal

Apa yang mengurangi akurasi:

• Piring prasmanan dengan banyak tumpukan kecil
• Komponen yang tertutup banyak saus
• Hidangan regional yang sangat tidak biasa tanpa database referensi yang jelas
• Difoto dari sudut samping tanpa referensi ukuran

Apa artinya ini untuk bolus Anda:

• Untuk makanan normal: gunakan perkiraan sebagai titik awal, terapkan pengetahuan Anda sendiri, dan sesuaikan nilai sebelum menyimpan jika perlu
• Untuk keputusan bolus yang kritis (karbohidrat sangat tinggi, risiko hipo): selalu gunakan pengetahuan Anda sendiri / database / kemasan
• Dengan pompa: dapatkan pengalaman tentang seberapa banyak makanan Anda biasanya menyimpang, lalu koreksi perkiraan dengan faktor pribadi Anda

Tanpa koneksi internet, fitur berikut berfungsi:

• Menjelajahi dan memfilter riwayat
• Membuat dan menyunting entri secara manual
• Melihat tab statistik
• Mengekspor data (CSV/JSON)
• Mengambil foto dan mengantrekannya untuk analisis nanti

Berikut ini memerlukan koneksi:

• Analisis AI (foto dikirim ke penyedia)
• Pencarian barcode otomatis (Open Food Facts)
• Sinkronisasi Nightscout (kurva BG, unggah perawatan)