Програмне забезпечення системи моніторингу раціону харчування з використанням комп'ютерного зору

Abstract

Мета розробки полягає у створенні інтелектуального мобільного асистента з харчування, який допомагає користувачу дотримуватися здорового раціону шляхом спрощення процесу логування їжі та підтримки мотивації через гейміфікацію. Завдяки системі розпізнавання зображень користувач зможе автоматично отримувати підказки щодо калорійності сфотографованої страви, а віртуальний маскот та інтегрований чат-асистент забезпечуватимуть персоналізовану підтримку та генерацію рецептів. Основна ідея полягає в тому, щоб вирішити проблему швидкої відмови від ведення щоденника харчування. Замість сухої статистики розроблений додаток пропонує емоційну взаємодію: маскот реагує на досягнення денного ліміту макронутрієнтів, а рутинне введення доповнюється підказками штучного інтелекту. Це зробить процес контролю харчування більш системним, продуктивним і психологічно комфортним. Методи та технології. Методологічною основою роботи є принципи об'єктно-орієнтованого проєктування, клієнт-серверної архітектури з розділенням монолітного ядра та дослідницького мікросервісу, а також застосування методу Transfer Learning (перехресного навчання) для класифікації зображень. Клієнтська частина побудована з використанням кросплатформного фреймворку Flutter, що дозволяє з єдиної кодової бази генерувати нативні застосунки для iOS та Android, забезпечуючи високу продуктивність інтерфейсу та зручну роботу з камерою пристрою. Серверну частину (production-ядро) реалізовано мовою програмування Go з використанням веб-фреймворку Gin. Зберігання профілів користувачів та історії харчування виконується у реляційній базі даних PostgreSQL з доступом через ORM-шар. Безпека та авторизація реалізовані на базі стандарту JWT. Для реалізації інтелектуальних функцій виділено окремий дослідницький ML-сервіс, написаний на Python з використанням фреймворку FastAPI. Модель розпізнавання їжі базується на попередньо навчених згорткових нейронних мережах (наприклад, MobileNet або EfficientNet), адаптованих під специфічний набір даних. Додатково система інтегрується з хмарним API від OpenAI для забезпечення роботи інтерактивного чат-асистента та генерації рецептів. Структура записки. Пояснювальна записка містить вступ, чотири основні розділи та висновки. До записки також входять перелік використаних джерел і додатки з графічним матеріалом. Загальний обсяг записки – 72 сторінки основного тексту, кількість використаних джерел – 16, кількість додатків – 4. У першому розділі «Цифрова дієтологія та моніторинг харчування як об'єкт дослідження» розглянуто особливості ринку mHealth-застосунків, змодельовано основні процеси за допомогою UML-діаграм, проаналізовано існуючі аналоги, а також сформульовано технічне завдання на розробку системи. У другому розділі «Проєктування інформаційного забезпечення» побудовано концептуальну та логічну моделі даних, обґрунтовано вибір реляційної СУБД PostgreSQL та спроєктовано структуру таблиць баз даних для збереження історії харчування та показників гейміфікації. У третьому розділі «Розробка програмного забезпечення» висвітлено етапи побудови клієнт-серверної архітектури: описано взаємодію Flutter-клієнта з Go-бекендом, розкрито алгоритм підготовки даних та процесу Transfer Learning для ML-модуля на Python, а також наведено фрагменти програмної реалізації. Четвертий розділ «Рекомендації щодо впровадження та експлуатації системи» охоплює функціональне тестування, аналіз метрик якості розпізнавання зображень (Accuracy, Precision, Recall), вимоги до розгортання серверної частини за допомогою Docker та практичні поради щодо підтримки застосунку. Практичне значення одержаних результатів полягає у створенні готового до впровадження програмного продукту «NutriBuddy», який радикально знижує когнітивне навантаження на користувача під час ведення щоденника харчування. На відміну від популярних на ринку рішень (наприклад, MyFitnessPal чи FatSecret), де переважає монотонне ручне введення даних, що призводить до швидкої втрати мотивації, розроблена система автоматизує цей процес за допомогою комп'ютерного зору. Інтеграція моделі Vision Transformer дозволяє розпізнавати продукти за фотографією за лічені секунди. У поєднанні з розробленими алгоритмами гейміфікації (емоційні реакції віртуального маскота на дотримання денного ліміту калорій) це вирішує ключову проблему галузі — низький рівень довгострокового утримання (retention) користувачів.