Diga adeus ao registro diário manual e impreciso. O NutriVision AI identifica os alimentos, calcula calorias e macronutrientes via IA e sincroniza seus treinos para entregar metas diárias ajustadas ao seu objetivo.
Prato Identificado com Sucesso
Confiança do Modelo: 98.4% (Visão Computacional)
Anotar manualmente cada ingrediente, procurar em tabelas nutricionais confusas e calcular porções é uma tarefa desgastante. Estudos indicam que a subnotificação calórica em diários manuais pode chegar a 30-50%, frustrando qualquer plano alimentar.
Basta uma simples foto. O sistema processa a imagem em até 10 segundos, identifica os itens via IA, consulta bases nutricionais oficiais (USDA/Spoonacular) e integra dados de gasto calórico (passos/treinos via Google Fit e Apple Health) para um balanço impecável.
Faça o upload do seu prato e deixe a Visão Computacional identificar os alimentos e calcular o volume estimado.
Integração direta com bases confiáveis (USDA e Spoonacular) para extrair macros e micronutrientes exatos.
Conexão automática com APIs de saúde (Google Fit / Apple Health) para contabilizar gastos com treinos e passos.
Acompanhe seu consumo calórico diário em relação à sua meta calculada via fórmula científica de Harris-Benedict.
Receba alertas automáticos e sugestões inteligentes de ajustes dietéticos se ultrapassar ou ficar abaixo da meta.
Compartilhe seu diário e fotos em tempo real com seu profissional de saúde para acompanhamento e validação humana.
Registra refeições por foto, acompanha dashboards diários e recebe recomendações para atingir metas de bem-estar.
Acompanha múltiplos pacientes vinculados, valida sugestões automáticas e ajusta o plano alimentar manualmente.
Gerencia o sistema, modera acessos, monitora limites das APIs de visão/nutrição e mantém a infraestrutura.
| Código | Descrição do Requisito |
|---|---|
| RF01 | O usuário deve se cadastrar com nome, e-mail, senha, altura, peso e objetivo (emagrecer/manter/ganhar). |
| RF02 | O usuário deve fazer login com e-mail e senha (autenticação JWT/Cognito). |
| RF03 | O usuário deve enviar uma foto do prato para análise nutricional. |
| RF04 | O sistema deve identificar os alimentos na foto usando visão computacional. |
| RF05 | O sistema deve consultar uma API externa (USDA ou Spoonacular) para obter dados nutricionais dos alimentos. |
| RF06 | O sistema deve exibir o total de calorias, proteínas, carboidratos e gorduras da refeição. |
| RF07 | O usuário deve visualizar um histórico de todas as refeições registradas. |
| RF08 | O sistema deve exibir um dashboard com o resumo do dia (calorias consumidas vs. meta). |
| RF09 | O sistema deve gerar recomendações automáticas se o usuário ultrapassar ou ficar abaixo da meta calórica. |
| RF10 | O usuário deve poder editar ou corrigir manualmente os dados de uma refeição. |
| RF11 | O nutricionista deve poder visualizar os dados de seus pacientes (se vinculados). |
| RF12 | O administrador deve gerenciar usuários (bloquear/desbloquear). |
| Código | Descrição |
|---|---|
| RNF01 | A análise da foto deve levar no máximo 10 segundos. |
| RNF02 | O sistema deve ser responsivo (funcionar em celular e desktop). |
| RNF03 | Todas as senhas devem ser armazenadas com hash (bcrypt) ou gerenciamento via AWS Cognito. |
| RNF04 | A comunicação deve ser via HTTPS. |
| RNF05 | O sistema deve ter disponibilidade de 99% (exceto manutenções). |
| RNF06 | O código deve ser organizado em microsserviços/funções Serverless e bem comentado. |
| Código | Descrição |
|---|---|
| RN01 | O e-mail do usuário deve ser único no sistema. |
| RN02 | A meta calórica diária é calculada automaticamente usando a fórmula de Harris-Benedict. |
| RN03 | A recomendação de déficit calórico não pode sugerir menos de 1.200 kcal/dia (mulheres) ou 1.500 kcal/dia (homens). |
| RN04 | O usuário pode registrar no máximo 30 refeições por dia (limite para evitar abuso). |
| RN05 | Nutricionistas só podem ver dados de pacientes vinculados a eles. |
| RN06 | As fotos das refeições são armazenadas e mantidas no histórico do usuário. |
| RN07 | O sistema deve consultar a API nutricional com fallback (caso falhe, tentar novamente). |
| RN08 | O usuário comum não pode acessar funcionalidades de nutricionista ou administrador. |
• id (PK), nome, email, senha_hash, perfil (comum/nutricionista/admin), data_nascimento, sexo, altura, peso_atual, meta (emagrecer/ganhar_massa/manter), calorias_meta_diaria, created_at, updated_at
• id (PK), usuario_id (GSI), data_hora, tipo (cafe_da_manha/lanche/almoco/jantar/ceia), foto_url (S3), alimentos_identificados (Map/List JSON), calorias_totais, proteinas_g, carboidratos_g, gorduras_totais_g, fibras_g, created_at
• id (PK), usuario_id (GSI), data, passos, calorias_gastas, fonte (Google Fit/Apple Health/manual), created_at
• id (PK), usuario_id (GSI), data, tipo (ajuste_dieta/sugestao_refeicao/alerta), conteudo (texto), lida (boolean), created_at
• id (PK), nutricionista_id (GSI), paciente_id, status (ativo/inativo), created_at
Aplicação Web responsiva desenvolvida em React/Next.js, com UX focada em dispositivos móveis e desktop.
Ponto de entrada HTTP seguro. Gerencia requisições, rotas, CORS e autorização via JWT.
Microfunções serverless responsáveis pelas regras de negócio (cadastro, login, buscas e histórico).
Armazenamento de objetos Serverless otimizado para os uploads das fotos enviadas pelos usuários.
Função disparada por eventos no S3 para rodar o modelo de visão computacional em Python e consultar APIs (USDA/Spoonacular/Google Fit).
Banco de dados NoSQL Serverless com capacidade sob demanda (Pay-per-request) para baixíssima latência.
Acesse a planilha completa com o dimensionamento e custos de requisição calculados no AWS Pricing Calculator.
Ver Estimativa no AWS CalculatorTire suas dúvidas sobre o funcionamento, tecnologia e objetivos do projeto.
O NutriVision AI é uma plataforma acadêmica que utiliza visão computacional para identificar alimentos a partir de fotos, calcular automaticamente calorias e macronutrientes, e sincronizar com dados de atividades físicas para um monitoramento nutricional completo.
O usuário envia uma foto do prato, que é processada por um modelo de visão computacional (executado em AWS Lambda) que identifica os alimentos. Em seguida, o sistema consulta bases nutricionais oficiais (USDA/Spoonacular) para obter os valores de calorias, proteínas, carboidratos e gorduras.
O sistema possui três perfis principais:
Sim! A arquitetura é 100% Serverless na AWS, utilizando:
O NutriVision AI é o projeto final da disciplina de Desenvolvimento Web, aplicando conceitos de: