CarbCam عکس شما را می‌گیرد، آن را به یک سرویس AI می‌فرستد، برآوردی از اجزا دریافت می‌کند، مقادیر را در برابر پایگاه‌های داده استاندارد تغذیه اعتبارسنجی می‌کند و نتیجه را به شما نشان می‌دهد.

هر تحلیل تا ۶ گام را طی می‌کند:

جریان تجسم‌شده و در ادامه تصاویر واقعی صفحه برای مقایسه:

1. تب اسکن

2. تحلیل AI

3. نتیجه

1 گرفتن عکس & برش محلی تصویر

عکس در ابتدا کاملاً روی دستگاه شما می‌ماند. می‌توانید آن را برش دهید، بچرخانید یا دوباره بگیرید. تا زمانی که روی „تحلیل“ نزنید چیزی آپلود نمی‌شود.

2 پرس‌وجوی حافظه پنهان سرور (Precheck)

پیش از اینکه تصویر اصلاً به AI فرستاده شود، اپلیکیشن از طریق هَش SHA-512 و هَش ادراکی بررسی می‌کند که آیا عکسی یکسان یا بسیار مشابه از قبل در حافظه پنهان سرور وجود دارد. اگر تطابقی باشد، نتیجه ذخیره‌شده بلافاصله بازگردانده می‌شود، بدون فراخوانی دوباره AI. یک گام بعدی Confirm رکورد حافظه پنهان را به‌عنوان مصرف‌شده علامت می‌زند (شمارش سهمیه).

3 آپلود برای تحلیل AI

اگر تطابقی در حافظه پنهان نباشد، عکس (برش‌خورده) به نقطه پایانی تحلیل ما فرستاده می‌شود. یک مدل Vision (Gemini، Claude یا OpenAI، بسته به انتخاب شما در تنظیمات اپلیکیشن) آنجا فراخوانده می‌شود تا تصویر را توصیف کند، اجزای منفرد را نام ببرد و مقادیر تقریبی را برآورد کند.

4 اعتبارسنجی در پس‌زمینه (فقط اطمینان پایین)

اگر برآورد AI اطمینان پایینی گزارش دهد، سرور یک بررسی متقابل در پس‌زمینه در برابر پایگاه‌های داده تغذیه (USDA FoodData Central، Open Food Facts) آغاز می‌کند. مقادیر اصلاح‌شده به حافظه پنهان می‌روند، دفعه بعد که همان عکس یا عکسی مشابه تطبیق داده شود، نتیجه بهبودیافته را می‌بینید. برای اسکن‌هایی با اطمینان بالا این گام رد می‌شود.

اما برای بارکدها، مقایسه با Open Food Facts / USDA همیشه مستقیماً انجام می‌شود، زیرا جدول تغذیه سازنده اینجا منبع اصلی است.

5 ویرایش توسط شما

می‌توانید هر مقداری را بازنویسی کنید: مقدار، کربوهیدرات، kcal، FPE، جزء. هنگام ذخیره، مقادیر شما استفاده می‌شوند، نه برآورد AI. اپلیکیشن اصلاح کل کربوهیدرات شما را (کاربر: Xg در برابر AI: Yg) به‌عنوان تفاوت برای مقاصد آماری ذخیره می‌کند.

6 ذخیره & همگام‌سازی Nightscout

به صورت محلی در یک پایگاه داده SQLite. به صورت اختیاری همچنین از طریق همگام‌سازی Nightscout با نمونه Nightscout شما، اما فقط به‌عنوان یک Note در جدول Treatment (با برچسب CarbCam)، نه به‌عنوان Treatment فعال کربوهیدرات/انسولین. محاسبات Loop/AAPS/iAPS شما تحت تأثیر ذخیره‌های CarbCam قرار نمی‌گیرند، وعده فقط به‌عنوان یک Note قابل مشاهده است. اگر از Managed Nightscout از ns.10be.de استفاده می‌کنید، راه‌اندازی به‌ویژه ساده است: آدرس Nightscout و API secret را وارد کنید، تمام.

اگر کربوهیدرات را فعالانه به‌عنوان Treatment می‌خواهید، از دکمه اشتراک‌گذاری در نتیجه اسکن استفاده کنید، آن مقدار کربوهیدرات را از طریق Deep-Link به AAPS/AndroidAPS، Loop، iAPS یا Trio می‌فرستد یا برگه اشتراک‌گذاری سیستم را باز می‌کند.

FPE مخفف واحدهای چربی-پروتئین است. آن‌ها توصیف می‌کنند چقدر انرژی حاصل از چربی و پروتئین با تأخیر بر قند خون اثر می‌گذارد.

هر FPE تقریباً برابر با 100 kcal از چربی و پروتئین است. مثال:

• 30 گرم چربی + 20 گرم پروتئین = (270 + 80) ÷ 100 = 3.5 FPE

کاربران پمپ اغلب از FPE برای تنظیم پارامترهای بولوس گسترده استفاده می‌کنند (مثلاً Square-Wave یا Dual-Wave). کاربران قلم می‌توانند از FPE به‌عنوان یک شاخص تقریبی برای یک میان‌وعده اصلاحی دیرهنگام یا یک اصلاح کوچک بعدازظهر استفاده کنند.

CarbCam مقدار FPE را به صورت یک چیپ زرد در کارت نتیجه نمایش می‌دهد. رنگ مقادیر تغذیه‌ای:

• کربوهیدرات کربوهیدرات
• kcal کالری
• FPE واحدهای چربی-پروتئین
• چربی چربی
• پروتئین پروتئین

وقتی Nightscout پیکربندی شده باشد، CarbCam داده‌های BG را از نمونه Nightscout شما بارگذاری می‌کند و منحنی قند خون را در تب تاریخچه زیر هر وعده نمایش می‌دهد. بازه زمانی وابسته به پلتفرم است و به صورت خودکار پیرامون وعده انتخاب می‌شود. در کنار Nightscout، CarbCam پیگیری هدفمند BG پس از وعده را ممکن می‌سازد.

ویژگی‌های منحنی BG (داده‌های Nightscout):

• بازه زمانی پیرامون وعده (وابسته به پلتفرم)
• نشانگر برای زمان وعده
• نقطه اوج رنگی‌شده (قرمز/زرد/سبز بسته به سطح)
• افزایش و مقدار پایانی به‌عنوان شاخص‌های کلیدی
• IOB / COB به‌عنوان خطوط هم‌پوشان اختیاری

دقت به نوع وعده بستگی دارد:

چه چیزی دقت را بهبود می‌دهد:

• نورپردازی خوب & عکس واضح: بدون سایه روی بشقاب
• همه اجزا قابل مشاهده باشند: پاستا را در سُس غرق نکنید
• مرجع اندازه: لبه بشقاب، قاشق‌وچنگال یا دست را در کادر نگه دارید
• غذاهای استاندارد: AI در غذاهای شناخته‌شده خوب عمل می‌کند

چه چیزی دقت را کاهش می‌دهد:

• بشقاب‌های بوفه با تپه‌های کوچک بسیار
• اجزایی که به‌شدت با سُس پوشانده شده‌اند
• غذاهای منطقه‌ای بسیار غیرمعمول بدون پایگاه داده مرجع روشن
• عکس‌گرفته‌شده با زاویه از پهلو بدون مرجع اندازه

این برای بولوس شما چه معنایی دارد:

• برای وعده‌های عادی: برآورد را به‌عنوان نقطه شروع به کار ببرید، دانش خودتان را اعمال کنید و در صورت نیاز مقدار را پیش از ذخیره تنظیم کنید
• برای تصمیمات بحرانی بولوس (کربوهیدرات بسیار بالا، خطر هایپو): همیشه به دانش خودتان / پایگاه داده / بسته‌بندی مراجعه کنید
• با پمپ: تجربه کسب کنید که وعده‌های شما معمولاً چقدر انحراف دارند، سپس برآورد را با ضریب شخصی خود تصحیح کنید

بدون اتصال به اینترنت، قابلیت‌های زیر کار می‌کنند:

• مرور و فیلتر تاریخچه
• ساخت و ویرایش دستی رکوردها
• مشاهده تب آمار
• خروجی داده‌ها (CSV/JSON)
• گرفتن عکس و صف کردن آن برای تحلیل بعدی

موارد زیر به اتصال نیاز دارند:

• تحلیل AI (عکس به ارائه‌دهنده فرستاده می‌شود)
• جستجوی خودکار بارکد (Open Food Facts)
• همگام‌سازی Nightscout (منحنی BG، آپلود Treatment)