今日進度 2/14

今天主要針對成分表裡的「食品添加物」做分類，初步分成：香料、防腐劑、乳化劑、色素、其他。
使用者輸入文字內容後，系統就能輸出圓餅圖或其他視覺化的分析結果。
但是！實作之後改動了超多東西的，不停發現盲點... ...

食品添加物分類挑戰

一開始我跑去衛福部食藥署查食品添加物，結果──竟然有 81 頁！
總共有 17 大類，包括：

• 防腐劑
• 殺菌劑
• 抗氧化劑
• 漂白劑
• 保濕劑
• 膨脹劑
• 品質改良用劑
• 營養添加劑
• 著色劑
• 香料調味劑
• 甜味劑
• 黏稠劑
• 接著劑
• 食品工業用化學藥品
• 載體
• 乳化劑
• 其他

如果全部 17 類都畫進圓餅圖，光看就能練出老花眼（汗）。
所以我決定簡化，最後將 ADDITIVE_CATEGORIES 歸納為五種：

• 防腐劑
• 抗氧化劑
• 著色劑
• 香料 / 甜味劑 / 調味劑
• 其他

這樣更直觀，也符合新聞或健康資訊裡最常提到的分類。

從圓餅圖到長條圖

本來我想用 Matplotlib 畫圓餅圖，但遇到兩個小麻煩：

1. 繁體中文顯示亂碼。
2. 我希望文字能放在圖裡，但它偏偏要跑到外面。

所以乾脆改成長條圖，還下載了中文字型。
結果就在準備開工的時候──靈光一閃，發現了一個盲點！

成分表是依含量由多到少排列，例如：
【馬鈴薯、棕櫚油、香辛料、糖、調味劑、大豆水解蛋白】

其中「馬鈴薯」才是主角，但它並不是食品添加物。
若我把所有非分類項目丟到「其他」，那「其他」的比例就會膨脹得超大，完全失焦。

修正策略：只統計「食品添加物」

• ✔️ 如果成分能對應到五大類，就算是「被偵測到的添加物」。
• ✔️ 如果沒有對應到，就視為一般原料（如馬鈴薯、水、糖），直接忽略。

這樣邏輯就清楚多了 ✅

新的思考：為何不改成營養素？

但問題來了：「生成長條圖的意義是什麼？要提醒使用者少吃一點嗎？」
其實食品添加物本來就是加工食品的必要一環，單純數量統計很難直接建議「該不該吃」。

於是我靈機一動：
👉 為什麼不改成視覺化營養素呢？Bingo！ 🎉

第三次調整方向

1. 加入性別選項（因為營養素建議攝取量跟性別有關）

   • 生理男性基準熱量：依據BMI計算
   • 生理女性基準熱量：依據BMI計算
   • 蛋白質：生理男性 70g / 生理女性 60g
   • 脂肪：佔總熱量 25%
   • 碳水：佔總熱量 55%
   • 總糖：佔總熱量 10%

2. BMI 計算邏輯

   • BMI < 18.5 → 過輕 → 體重 × 35 大卡
   • BMI 18.5–24 → 正常 → 體重 × 30 大卡
   • BMI ≥ 24 → 過重 → 體重 × 20 大卡

3. 新增蛋白質輸入欄位：因為蛋白質對肌肉維持特別重要。

最終視覺化呈現

依照用戶吃的份量（整包、半包、1/4包）繪製「每日營養素攝取比例」長條圖，顯示「碳水化合物、蛋白質、總脂肪、總糖、總鈉」各自佔每日建議攝取量的百分比。

顏色規則：

• 🔴 蛋白質
• 🟡 碳水化合物
• 🟠 總脂肪
• 🟢 總糖
• 🔵 總鈉

這次直接靠顏色標示，不用再煩惱中文字型啦！

邊做邊修正，改動超多東西，真是有趣XD然後1/4包500克的洋芋片真的是增肥神器...

明日進度：
設定 Azure AI Services (或 Azure Cognitive Services for Vision) 的 OCR 服務。
撰寫一個簡單的 Python 程式碼，使用一個營養標示圖片進行 OCR 服務呼叫，並印出返回的 JSON 結構，確認服務能正常運作。

加油！！