CarbCam आपकी तस्वीर लेता है, उसे एक AI सेवा को भेजता है, घटकों का अनुमान प्राप्त करता है, मानक पोषण डेटाबेस के विरुद्ध मानों को सत्यापित करता है, और आपको परिणाम दिखाता है.

प्रत्येक विश्लेषण छह चरणों तक से गुज़रता है:

दृश्यीकृत प्रवाह: तुलना के लिए इसके बाद वास्तविक स्क्रीनशॉट:

1. स्कैन टैब

2. AI विश्लेषण

3. परिणाम

1 फ़ोटो कैप्चर और स्थानीय इमेज ट्रिमिंग

तस्वीर शुरू में पूरी तरह से आपके डिवाइस पर रहती है. आप इसे क्रॉप कर सकते हैं, घुमा सकते हैं, या फिर से ले सकते हैं. जब तक आप “विश्लेषण करें” पर टैप नहीं करते, तब तक कुछ भी अपलोड नहीं होता.

2 सर्वर कैश क्वेरी (पूर्व-जाँच)

इमेज को AI को भेजने से पहले, ऐप SHA-512 हैश और perceptual हैश के माध्यम से जाँचता है कि क्या कोई समान या बहुत मिलती-जुलती तस्वीर पहले से सर्वर कैश में मौजूद है. यदि मिलान होता है, तो आपको संग्रहीत परिणाम तुरंत वापस मिल जाता है: बिना किसी अन्य AI कॉल के. एक बाद वाला पुष्टि करें चरण कैश प्रविष्टि को खपत के रूप में चिह्नित करता है (कोटा गणना).

3 AI विश्लेषण के लिए अपलोड

यदि कोई कैश मिलान नहीं है, तो (क्रॉप की गई) तस्वीर हमारे विश्लेषण एंडपॉइंट को भेजी जाती है. वहाँ एक विज़न मॉडल (Gemini, Claude या OpenAI: ऐप सेटिंग्स में आपकी पसंद के आधार पर) को इमेज का वर्णन करने, अलग-अलग घटकों के नाम बताने और मोटी मात्राओं का अनुमान लगाने के लिए कॉल किया जाता है.

4 पृष्ठभूमि सत्यापन (केवल कम विश्वास)

यदि AI अनुमान कम विश्वास की रिपोर्ट करता है, तो सर्वर पोषण डेटाबेस (USDA FoodData Central, Open Food Facts) के विरुद्ध एक पृष्ठभूमि क्रॉस-जाँच शुरू करता है. सुधारे गए मान कैश में जाते हैं: अगली बार जब वही या मिलती-जुलती तस्वीर मिलान करती है, तो आप बेहतर परिणाम देखते हैं. उच्च विश्वास वाले स्कैन के लिए यह चरण छोड़ दिया जाता है.

हालाँकि बारकोड के लिए, Open Food Facts / USDA तुलना हमेशा सीधे की जाती है, क्योंकि यहाँ निर्माता की पोषण तालिका प्राथमिक स्रोत है.

5 आपके द्वारा संपादन

आप किसी भी मान को अधिरोहित कर सकते हैं: मात्रा, कार्ब, kcal, FPE, घटक. सहेजते समय, AI अनुमान नहीं, बल्कि आपके मान उपयोग किए जाते हैं. ऐप आपके कुल कार्ब सुधार (उपयोगकर्ता: Xg बनाम AI: Yg) को सांख्यिकीय उद्देश्यों के लिए एक अंतर के रूप में संग्रहीत करता है.

6 सहेजें और Nightscout सिंक

स्थानीय रूप से एक SQLite डेटाबेस में. वैकल्पिक रूप से आपके Nightscout इंस्टेंस पर Nightscout सिंक के माध्यम से भी: लेकिन केवल उपचार तालिका में एक नोट के रूप में (टैग CarbCam के साथ), किसी सक्रिय कार्ब/इंसुलिन उपचार के रूप में नहीं. आपकी Loop/AAPS/iAPS गणनाएँ CarbCam सहेजने से प्रभावित नहीं होतीं: भोजन केवल एक नोट के रूप में दिखाई देता है. यदि आप ns.10be.de से मैनेज्ड Nightscout का उपयोग करते हैं, तो सेटअप विशेष रूप से आसान है: Nightscout URL और API secret दर्ज करें: हो गया.

यदि आप कार्ब को उपचार के रूप में सक्रिय रूप से चाहते हैं, तो स्कैन परिणाम में साझा करें बटन का उपयोग करें: यह कार्ब मान को डीप लिंक के माध्यम से AAPS/AndroidAPS, Loop, iAPS या Trio को भेजता है या सिस्टम शेयर शीट खोलता है.

FPE का अर्थ है वसा-प्रोटीन इकाइयाँ. ये वर्णन करती हैं कि वसा और प्रोटीन से कितनी ऊर्जा रक्त शर्करा को देरी से प्रभावित करती है.

एक FPE लगभग 100 kcal वसा और प्रोटीन के बराबर होती है. उदाहरण:

• 30 g वसा + 20 g प्रोटीन = (270 + 80) ÷ 100 = 3.5 FPE

पंप उपयोगकर्ता अक्सर विस्तारित बोलस पैरामीटर (जैसे square-wave या dual-wave) सेट करने के लिए FPE का उपयोग करते हैं. पेन उपयोगकर्ता FPE का उपयोग एक देर के सुधार स्नैक या एक छोटे दोपहर के सुधार के लिए एक मोटे संकेतक के रूप में कर सकते हैं.

CarbCam परिणाम कार्ड में FPE को एक पीले चिप के रूप में प्रदर्शित करता है. पोषण मान रंग:

• कार्ब कार्बोहाइड्रेट
• kcal कैलोरी
• FPE वसा-प्रोटीन इकाइयाँ
• वसा वसा
• प्रोटीन प्रोटीन

जब Nightscout कॉन्फ़िगर होता है, तो CarbCam आपके Nightscout इंस्टेंस से BG डेटा लोड करता है और इतिहास टैब में प्रत्येक भोजन के नीचे रक्त शर्करा वक्र दिखाता है. समय विंडो प्लेटफ़ॉर्म पर निर्भर करती है और भोजन के आसपास स्वचालित रूप से चुनी जाती है. Nightscout के साथ मिलकर, CarbCam लक्षित भोजन-पश्चात BG ट्रैकिंग सक्षम करता है.

BG वक्र की विशेषताएँ (Nightscout डेटा):

• भोजन के आसपास समय विंडो (प्लेटफ़ॉर्म पर निर्भर)
• भोजन के समय के लिए मार्कर
• शिखर बिंदु रंग में हाइलाइट किया गया (स्तर के आधार पर लाल/पीला/हरा)
• प्रमुख मीट्रिक के रूप में वृद्धि और अंतिम मान
• वैकल्पिक ओवरले रेखाओं के रूप में IOB / COB

सटीकता भोजन के प्रकार पर निर्भर करती है:

सटीकता को क्या बेहतर बनाता है:

• अच्छा प्रकाश और स्पष्ट तस्वीर: प्लेट पर कोई छाया न हो
• सभी घटक दिखाई दें: पास्ता को सॉस में न डुबोएँ
• आकार संदर्भ: प्लेट का किनारा, कटलरी, या हाथ फ़्रेम में रखें
• मानक व्यंजन: AI प्रसिद्ध व्यंजनों में अच्छा है

सटीकता को क्या कम करता है:

• कई छोटे ढेरों वाली बुफ़े प्लेटें
• सॉस में भारी रूप से ढके घटक
• स्पष्ट संदर्भ डेटाबेस के बिना बहुत असामान्य क्षेत्रीय व्यंजन
• आकार संदर्भ के बिना किनारे से एक कोण पर ली गई तस्वीर

आपके बोलस के लिए इसका क्या अर्थ है:

• सामान्य भोजन के लिए: अनुमान को एक शुरुआती बिंदु के रूप में उपयोग करें, अपने स्वयं के ज्ञान का प्रयोग करें, और आवश्यकता होने पर सहेजने से पहले मान समायोजित करें
• महत्वपूर्ण बोलस निर्णयों के लिए (बहुत अधिक कार्ब, हाइपो जोखिम): हमेशा अपने स्वयं के ज्ञान / डेटाबेस / पैकेजिंग से परामर्श करें
• पंप के साथ: अनुभव प्राप्त करें कि आपके भोजन आमतौर पर कितना विचलित होते हैं: फिर अपने व्यक्तिगत कारक से अनुमान को सही करें

इंटरनेट कनेक्शन के बिना निम्नलिखित सुविधाएँ काम करती हैं:

• इतिहास ब्राउज़ और फ़िल्टर करें
• प्रविष्टियाँ मैन्युअल रूप से बनाएँ और संपादित करें
• आँकड़े टैब देखें
• डेटा एक्सपोर्ट करें (CSV/JSON)
• तस्वीरें लें और उन्हें बाद के विश्लेषण के लिए कतार में रखें

निम्नलिखित के लिए कनेक्शन की आवश्यकता होती है:

• AI विश्लेषण (तस्वीर प्रदाता को भेजी जाती है)
• स्वचालित बारकोड लुकअप (Open Food Facts)
• Nightscout सिंक (BG वक्र, उपचार अपलोड)