Реализация трекинга калорий через мобильное приложение

Реализация трекинга калорий через мобильное приложение

Приложение для подсчёта калорий — это прежде всего база продуктов питания, надёжный алгоритм расчёта КБЖУ и интеграция с платформенными хранилищами данных здоровья. UX и ML для распознавания еды идут поверх этого фундамента.

База данных продуктов питания

Собственная база — трудоёмкий путь. Для старта используют готовые API:

Open Food Facts — открытая база с 3+ млн продуктов, REST API бесплатный:

GET https://world.openfoodfacts.org/api/v2/product/{barcode}.json
GET https://world.openfoodfacts.org/cgi/search.pl?search_terms=apple&json=true

Ответ содержит nutriments.energy-kcal_100g, nutriments.proteins_100g и т.д. Качество данных неоднородно: для глобальных брендов — отлично, для локальных продуктов — пропуски.

USDA FoodData Central — подробная нутриентная база США, бесплатный API с ключом:

GET https://api.nal.usda.gov/fdc/v1/foods/search?query=chicken+breast&api_key={key}

Для российского рынка — интеграция с базами типа «Состав продуктов» или собственная база с краудсорсингом.

Локальное кэширование: популярные продукты (топ-1000 по частоте поиска) кэшируются в Room/CoreData. Поиск по барcode или названию сначала в локальной базе, промах — запрос к API.

Сканирование штрихкода

Самый быстрый способ добавить продукт. На iOS — DataScannerViewController (iOS 16+, Vision framework под капотом) или AVCaptureMetadataOutput для более старых версий. На Android — CameraX + BarcodeScanning из ML Kit:

val options = BarcodeScannerOptions.Builder()
    .setBarcodeFormats(Barcode.FORMAT_EAN_13, Barcode.FORMAT_EAN_8, Barcode.FORMAT_QR_CODE)
    .build()
val scanner = BarcodeScanning.getClient(options)

val imageAnalysis = ImageAnalysis.Builder()
    .setTargetResolution(Size(1280, 720))
    .setBackpressureStrategy(ImageAnalysis.STRATEGY_KEEP_ONLY_LATEST)
    .build()

imageAnalysis.setAnalyzer(executor) { imageProxy ->
    val mediaImage = imageProxy.image ?: return@setAnalyzer imageProxy.close()
    val image = InputImage.fromMediaImage(mediaImage, imageProxy.imageInfo.rotationDegrees)
    scanner.process(image)
        .addOnSuccessListener { barcodes ->
            barcodes.firstOrNull()?.rawValue?.let { barcode ->
                onBarcodeDetected(barcode)
            }
        }
        .addOnCompleteListener { imageProxy.close() }
}

Расчёт КБЖУ

Базовые формулы:

BMR (Mifflin-St Jeor):

• Мужчины: 10 × вес(кг) + 6.25 × рост(см) − 5 × возраст + 5
• Женщины: 10 × вес(кг) + 6.25 × рост(см) − 5 × возраст − 161

TDEE = BMR × коэффициент активности (1.2–1.9). Дефицит/профицит — целевые калории минус TDEE.

Суточная норма БЖУ в граммах: белок 1.6–2.2 г/кг веса (при похудении/наборе), жиры 0.8–1.2 г/кг, углеводы — остаток от общего КБЖУ.

Интеграция с HealthKit / Health Connect

iOS — запись калорий:

let calorieType = HKQuantityType(.dietaryEnergyConsumed)
let calorieSample = HKQuantitySample(
    type: calorieType,
    quantity: HKQuantity(unit: .kilocalorie(), doubleValue: 450),
    start: mealTime,
    end: mealTime
)
healthStore.save(calorieSample) { _, _ in }

Отдельно можно писать dietaryProtein, dietaryFatTotal, dietaryCarbohydrates — тогда данные появятся в разделе «Питание» в приложении «Здоровье».

Android — Health Connect:

val nutritionRecord = NutritionRecord(
    startTime = mealTime,
    startZoneOffset = ZoneOffset.systemDefault().getRules().getOffset(mealTime),
    endTime = mealTime.plusMinutes(30),
    endZoneOffset = ZoneOffset.systemDefault().getRules().getOffset(mealTime),
    energy = Energy.kilocalories(450.0),
    protein = Mass.grams(35.0),
    totalCarbohydrate = Mass.grams(60.0),
    totalFat = Mass.grams(15.0),
    mealType = NutritionRecord.MEAL_TYPE_LUNCH
)
healthConnectClient.insertRecords(listOf(nutritionRecord))

Распознавание еды по фото (опционально)

ML Kit ImageLabeling на базе MobileNetV2 распознаёт ~1000 категорий объектов — не блюда, а объекты типа «apple», «sandwich». Для точного распознавания блюд нужна специализированная модель. Варианты:

• Logmeal API — REST API для распознавания еды, ~92% точности на стандартных блюдах
• Собственная модель на CoreML / TensorFlow Lite, обученная на датасете Food-101 или собственном

Сопоставление результата распознавания с базой продуктов — нечёткий поиск по имени категории.

Сроки

Базовое приложение с ручным вводом, сканером штрихкодов и интеграцией в HealthKit/Health Connect — 6–10 недель. С распознаванием еды по фото, синхронизацией с сервером и аналитикой — 3–5 месяцев.