Food Recognition and Nutrition Estimator Using Computer Vision and Machine Learning

食物记录只有在足够简单、能够成为习惯时才会奏效。传统的营养项目往往要求用户浏览食物列表、选择一种食物、猜测份量，然后对一餐中的每一种食物重复这一过程。CrunchUP通过使用一张餐食照片来创建营养记录，从而解决了这一摩擦。该系统是一个完整的Web应用程序：用户上传图片或使用相机拍照，FastAPI服务对图像进行检查和标准化，Google Gemini视觉模型识别图像中可见的食物，并估算数量、热量、蛋白质、碳水化合物、脂肪和纤维。响应经过验证，转换为应用程序对象，展示给用户，并可选地存储于PostgreSQL中。个人档案中的信息包括身高、体重、年龄、性别、活动水平和健身目标。这些数值用于计算BMI、依据Mifflin–St Jeor公式计算基础代谢率、每日总能量消耗、以目标为导向的热量调整以及宏量营养素目标。这项工作之所以重要，是因为它将识别、营养估算、个人目标、餐食历史、趋势和用于决策的反馈整合到单一流程中。本报告描述了需求、文献背景、架构、数据库设计、算法、安全措施、实现、验证策略、限制以及未来的扩展。关注点分离在代码库中清晰可见：客户端具有响应式设计（React、Vite）；服务与数据层已实现（FastAPI、Pydantic、SQLAlchemy）；访问受到保护（JWT、bcrypt）；图像经过标准化处理（Pillow）；多模态输出按模式塑形（Gemini 2.5 Flash）。仪表盘整合摄入信息，并将进度数据转化为易于理解的建议。一个关键发现是，定义良好的视觉-语言服务有助于减轻饮食记录负担，但必须将其解读为参考指导，而非临床测量。未来工作需要包括校准份量参照、经验证的食物数据库、置信度报告、文化上更广泛的评估、个性化餐食推荐，以及开发基于原生应用平台“React Native”的移动应用。