Skip to content

About

Asistente nutricional inteligente con escaneo de código de barras, análisis dietético determinista y generación de menús con Groq LLaMA 3.3 70B.

Topics

Resources

Security policy

Stars

0 stars

Watchers

0 watching

Forks

Repository files navigation

🥗 FoodScan AI - Asistente Nutricional Inteligente

CI Angular Node.js AI Powered License

🚀 Live Demo: https://foodscan-ai-nine.vercel.app

FoodScan AI transforma tu móvil en un nutricionista de bolsillo. Escanea códigos de barras y recibe un análisis instantáneo basado en tu perfil único (Alergias, Dietas: Vegano, Keto, etc.) potenciado por Inteligencia Artificial.


📸 Capturas de Pantalla

Escáner Inteligente Análisis IA Perfil de Salud
Scanner Analysis Profile

🛠️ Arquitectura y Stack

Este proyecto sigue una arquitectura Clean Code con separación estricta de responsabilidades:

🎨 Frontend (Desplegado en Vercel)

  • Framework: Angular 17+ (Standalone Components, Signals).
  • Estilos: SCSS Modular con metodología BEM.
  • Diseño: Glassmorphism, animaciones CSS nativas y diseño 100% Responsive.
  • Características: Escaneo visual (ZXing), Modo manual, PWA Ready.

⚙️ Backend (API REST en Railway)

  • Runtime & Despliegue: Node.js + Express alojado en Railway.
  • Base de Datos: MySQL en la nube (Gestionada con Sequelize ORM).
  • IA & Rendimiento: Llama-3-70b (vía Groq SDK) con sistema de Caché Global (AnalysisResult) para evitar peticiones redundantes y latencia.
  • Calidad: ESLint, Prettier, Morgan (Logs), Helmet (Seguridad) y validación de variables de entorno.

📂 Estructura del Proyecto

FoodScan-AI/
├── backend/                # 🔧 API REST (Node.js + Express)
│   ├── src/
│   │   ├── controllers/    # Lógica de negocio
│   │   ├── services/       # IA (Groq) + OpenFoodFacts
│   │   ├── models/         # Sequelize ORM
│   │   └── routes/         # Express routes
│   ├── package.json
│   └── .env.example
│
├── frontend/               # 🎨 SPA (Angular 17)
│   ├── src/
│   │   ├── app/features/   # Scanner, History, Profile
│   │   ├── app/shared/     # Componentes reutilizables
│   │   └── styles/         # SCSS con BEM
│   ├── package.json
│   └── vercel.json
│
├── docs/                   # 📚 Documentación
│   ├── IA_WORKLOG.md       # Diario de desarrollo con IA
│   ├── DOCKER_DEPLOYMENT.md # Documentación de despliegue con Docker
│   ├── INFORME_AUDITORIA_FINAL.md # Informe basado en los criterios, realizada por la IA
│   └── assets/             # Screenshots
│
├── LICENSE                 # MIT License
├── SECURITY.md             # Política de seguridad
└── README.md               # Este archivo

🚀 Instalación y Despliegue

Puedes ejecutar FoodScan AI de dos maneras: la recomendada (Docker) para un despliegue rápido, o la manual para desarrollo.

Opción A: Docker (Recomendado 🐳)

Ideal para evaluar el proyecto sin configurar entornos locales.

  1. Prerrequisitos: Docker y Docker Compose instalados.
  2. Configurar variables:
    cp .env.docker.example .env
    # Edita .env y añade tu GROQ_API_KEY
  3. Levantar el stack:
    docker-compose up -d --build
  4. Cargar datos demo:
    docker-compose exec backend npm run seed
  5. Acceso:

Opción B: Instalación Manual

Para desarrollo activo y depuración.

  1. Requisitos: Node.js v18+ y MySQL Server.
  2. Configurar Backend:
    cd backend
    cp .env.example .env # Configura tus credenciales locales
    npm install
    npm run seed
    npm run dev
  3. Configurar Frontend:
    cd ../frontend
    npm install
    npm start
  4. Acceso: http://localhost:4200

🤖 Diario de Desarrollo con IA

El desarrollo de este proyecto ha sido asistido por IA actuando como "Senior Architect". Puedes consultar el registro completo de prompts, decisiones de arquitectura y resolución de problemas en:

📄 Ver Diario de IA


🎯 Características Destacadas

  • ✅ Escaneo en Tiempo Real: Detección automática de códigos de barras con ZXing
  • ✅ Análisis IA: Llama-3-70b analiza ingredientes contra tu perfil
  • ✅ Búsqueda Manual: Input alternativo para códigos sin cámara
  • ✅ Historial Persistente: Todos tus escaneos guardados en MySQL
  • ✅ Responsive Design: Optimizado para móvil y desktop
  • ✅ Arquitectura BEM: CSS modular y mantenible

🧪 Pruebas de Concepto (Demo)

Caso Vegano:

  • Ve a Perfil, selecciona "Vegano".
  • Escanea "Nutella" (código: 3017620422003).
  • Resultado: 🔴 No Apto (Contiene Leche).

Caso Omnívoro:

  • Ve a Perfil, selecciona "Omnívoro".
  • Escanea "Nutella".
  • Resultado: 🟡 Apto con Reservas (Score nutricional bajo, pero compatible).

🗺️ Roadmap y Trabajo Futuro (Versión 2.0)

El desarrollo de FoodScan AI es un proyecto vivo. Actualmente se está trabajando en una rama paralela (feature/v2-redesign) proyectada para el próximo mes, que incluirá un rediseño completo y nuevas funcionalidades core.

Novedades planificadas para la V2:

  • 🎨 Nueva Interfaz UI/UX (Stitch): Rediseño integral de la plataforma hacia un modelo de "Dashboard" más analítico, moderno y estructurado.
  • 🔐 Sistema de Autenticación: Módulo de Login/Registro seguro para que los usuarios puedan mantener su perfil y sincronizar su historial en múltiples dispositivos.
  • ❤️ Favoritos y Comparador: Nueva sección para guardar productos recurrentes y una herramienta para comparar macros y alérgenos de dos productos frente a frente.
  • 📈 Analíticas Avanzadas (Health & Habits): Gráficos evolutivos del progreso nutricional mensual y seguimiento de macronutrientes en base al perfil biométrico del usuario.

👤 Autor

Hugo Sabater

  • GitHub Profile
  • Proyecto realizado como TFG para Desarrollo de Aplicaciones Web (DAW).

📄 Licencia

Este proyecto está bajo la licencia MIT.


¿Preguntas o sugerencias? Abre un issue en GitHub.

About

Asistente nutricional inteligente con escaneo de código de barras, análisis dietético determinista y generación de menús con Groq LLaMA 3.3 70B.

Topics

Resources

Security policy

Stars

0 stars

Watchers

0 watching

Forks

Releases

Packages

Contributors

Languages