CarbCam nhận ảnh của bạn, gửi tới một dịch vụ AI, nhận về một ước tính các thành phần, xác thực các giá trị so với các cơ sở dữ liệu dinh dưỡng tiêu chuẩn, và hiển thị kết quả cho bạn.

Mỗi lần phân tích trải qua tối đa sáu bước:

Sơ đồ trực quan hóa quy trình, tiếp theo là các ảnh chụp màn hình thực tế để so sánh:

1. Tab quét

2. Phân tích AI

3. Kết quả

1 Chụp ảnh & cắt ảnh cục bộ

Ban đầu ảnh vẫn nằm hoàn toàn trên thiết bị của bạn. Bạn có thể cắt, xoay, hoặc chụp lại. Không có gì được tải lên cho tới khi bạn chạm “Phân tích”.

2 Truy vấn bộ nhớ đệm máy chủ (Kiểm tra trước)

Trước khi ảnh được gửi tới AI, ứng dụng kiểm tra qua hash SHA-512 và perceptual hash xem một ảnh giống hệt hoặc rất tương tự đã tồn tại trong bộ nhớ đệm máy chủ hay chưa. Nếu có kết quả trùng khớp, bạn nhận lại ngay kết quả đã lưu: mà không cần gọi AI thêm lần nữa. Một bước Xác nhận tiếp theo đánh dấu mục trong bộ nhớ đệm là đã sử dụng (tính vào hạn mức).

3 Tải lên để phân tích AI

Nếu không có kết quả trùng khớp trong bộ nhớ đệm, ảnh (đã cắt) được gửi tới điểm cuối phân tích của chúng tôi. Một mô hình thị giác (Gemini, Claude hoặc OpenAI, tùy theo lựa chọn của bạn trong cài đặt ứng dụng) được gọi tại đó để mô tả ảnh, đặt tên cho từng thành phần, và ước tính lượng thô.

4 Xác thực nền (chỉ khi độ tin cậy thấp)

Nếu ước tính của AI báo độ tin cậy thấp, máy chủ khởi động một đối chiếu chéo trong nền với các cơ sở dữ liệu dinh dưỡng (USDA FoodData Central, Open Food Facts). Các giá trị đã được sửa đưa vào bộ nhớ đệm: lần tiếp theo khi cùng một ảnh hoặc một ảnh tương tự được so khớp, bạn sẽ thấy kết quả được cải thiện. Với các lần quét có độ tin cậy cao, bước này được bỏ qua.

Tuy nhiên, với mã vạch, việc so sánh Open Food Facts / USDA luôn được thực hiện trực tiếp, vì bảng dinh dưỡng của nhà sản xuất là nguồn chính ở đây.

5 Chỉnh sửa bởi bạn

Bạn có thể ghi đè bất kỳ giá trị nào: lượng, carbohydrate, kcal, FPE, thành phần. Khi lưu, các giá trị của bạn được dùng, không phải ước tính của AI. Ứng dụng lưu lại phần điều chỉnh tổng carbohydrate của bạn (Người dùng: Xg so với AI: Yg) dưới dạng một chênh lệch cho mục đích thống kê.

6 Lưu & đồng bộ Nightscout

Lưu cục bộ trong một cơ sở dữ liệu SQLite. Tùy chọn cũng có thể qua đồng bộ Nightscout tới máy chủ Nightscout của bạn: nhưng chỉ dưới dạng một ghi chú trong bảng treatment (với thẻ CarbCam), không phải một treatment carbohydrate/insulin đang hoạt động. Các phép tính Loop/AAPS/iAPS của bạn không bị ảnh hưởng bởi các lần lưu của CarbCam: bữa ăn chỉ hiển thị dưới dạng một ghi chú. Nếu bạn dùng Managed Nightscout từ ns.10be.de, việc thiết lập đặc biệt dễ dàng: nhập URL Nightscout và API secret, xong.

Nếu bạn muốn carbohydrate hoạt động như một treatment, hãy dùng nút Chia sẻ trong kết quả quét: nó gửi giá trị carbohydrate qua deep link tới AAPS/AndroidAPS, Loop, iAPS hoặc Trio hoặc mở bảng chia sẻ của hệ thống.

FPE là viết tắt của Đơn vị chất béo-protein (Fat-Protein Units). Chúng mô tả lượng năng lượng từ chất béo và protein ảnh hưởng đến đường huyết một cách trễ như thế nào.

Một FPE tương đương khoảng 100 kcal từ chất béo và protein. Ví dụ:

• 30 g chất béo + 20 g protein = (270 + 80) ÷ 100 = 3,5 FPE

Người dùng bơm insulin thường dùng FPE để đặt các tham số bolus kéo dài (ví dụ dạng vuông square-wave hoặc dạng kép dual-wave). Người dùng bút tiêm có thể dùng FPE như một chỉ dấu thô cho một bữa nhẹ điều chỉnh muộn hoặc một điều chỉnh nhỏ vào buổi chiều.

CarbCam hiển thị FPE dưới dạng một chip màu vàng trong thẻ kết quả. Màu sắc của các giá trị dinh dưỡng:

• Carb Carbohydrate
• kcal Calo
• FPE Đơn vị chất béo-protein
• Chất béo Chất béo
• Protein Protein

Khi Nightscout được cấu hình, CarbCam tải dữ liệu đường huyết từ máy chủ Nightscout của bạn và hiển thị đường cong đường huyết trong tab lịch sử bên dưới mỗi bữa ăn. Cửa sổ thời gian phụ thuộc vào nền tảng và được tự động chọn quanh bữa ăn. Cùng với Nightscout, CarbCam cho phép theo dõi đường huyết sau bữa ăn một cách có mục tiêu.

Các tính năng của đường cong đường huyết (dữ liệu Nightscout):

• Cửa sổ thời gian quanh bữa ăn (phụ thuộc nền tảng)
• Điểm đánh dấu cho thời điểm bữa ăn
• Đỉnh được làm nổi bật bằng màu (đỏ/vàng/xanh tùy theo mức)
• Mức tăng và giá trị cuối như các chỉ số chính
• IOB / COB dưới dạng các đường phủ tùy chọn

Độ chính xác phụ thuộc vào loại bữa ăn:

Điều gì cải thiện độ chính xác:

• Ánh sáng tốt & ảnh rõ nét: không có bóng đổ lên đĩa
• Tất cả thành phần đều nhìn thấy: đừng nhấn chìm mì trong nước sốt
• Vật tham chiếu kích thước: giữ mép đĩa, dao nĩa, hoặc bàn tay trong khung hình
• Món ăn tiêu chuẩn: AI làm tốt với các món ăn quen thuộc

Điều gì làm giảm độ chính xác:

• Đĩa buffet với nhiều đống nhỏ
• Các thành phần bị phủ nhiều nước sốt
• Món ăn vùng miền rất khác thường không có cơ sở dữ liệu tham chiếu rõ ràng
• Chụp nghiêng từ bên cạnh mà không có vật tham chiếu kích thước

Điều này có nghĩa gì với liều bolus của bạn:

• Với các bữa ăn bình thường: dùng ước tính làm điểm khởi đầu, áp dụng kiến thức của riêng bạn, và điều chỉnh giá trị trước khi lưu nếu cần
• Với các quyết định bolus quan trọng (carbohydrate rất cao, nguy cơ hạ đường huyết): hãy luôn tham khảo kiến thức / cơ sở dữ liệu / bao bì của riêng bạn
• Với bơm insulin: tích lũy kinh nghiệm về mức độ các bữa ăn của bạn thường sai lệch bao nhiêu, sau đó sửa ước tính bằng hệ số cá nhân của bạn

Không có kết nối internet thì các tính năng sau vẫn hoạt động:

• Duyệt và lọc lịch sử
• Tạo và chỉnh sửa mục thủ công
• Xem tab thống kê
• Xuất dữ liệu (CSV/JSON)
• Chụp ảnh và xếp hàng chờ để phân tích sau

Các tính năng sau cần có kết nối:

• Phân tích AI (ảnh được gửi tới nhà cung cấp)
• Tra cứu mã vạch tự động (Open Food Facts)
• Đồng bộ Nightscout (đường cong đường huyết, tải treatment)