笔者最近被诊断出高血压，意识到不能忽视健康问题，开始定期就医并尝试逐步调整生活习惯。改善血压的关键之一是饮食控制，比如减少盐分摄入和限制酒精饮用。虽然酒精含量标注明确，控制较为直观，但盐分摄入的控制却较为复杂。盐分广泛存在于各种食材中，即使自认为摄入量合理，实际盐分往往超出预期。同时，对于哪些食材有助于高血压管理，也缺乏清晰的认知。
虽然对部分食材有所了解，但要同时考虑盐分、热量及营养成分来选择食材和菜肴，确实不易。能否有一种简单方式，快速区分“适合食用”和“不宜食用”的食物呢？
正当思考之际，笔者想起了日本Google Pixel 10 Pro内置的支持本地AI的“Gemini nano”芯片。通过“ML Kit生成AI API”，普通应用也能调用设备上的Gemini nano，实现食材图像识别并展示相关信息，从而辅助高血压饮食管理。
虽然云端AI的图像识别更准确且速度快，但需要联网且可能产生额外费用。相比之下，本地AI可在Pixel 10 Pro设备上完成全部识别过程。关键在于，识别出食材后，是否能准确推算其热量和盐分含量？
幸运的是，日本文部科学省公开了“日本食品标准成分表”，提供了丰富的食材及菜肴成分数据，且免费开放。最新版本为“日本食品标准成分表（第八版）增补2023年”，其中“第2章（数据） (Excel:1.9MB)”特别适合本应用使用。
该数据不仅支持个人使用，商业用途也允许，只需在二次利用时注明出处。虽然数据仅以Excel格式提供，稍显不便，但通过转换成应用内部数据库格式，完全可用。
借助Claude Code的帮助，笔者开发了一款完全本地运行的图像识别应用，流程为：利用Gemini nano识别摄像头画面中的食材→根据识别结果查询数据库→估算食材分量并显示名称、热量、盐分及钾含量等信息。该应用从早上8点开始开发，经过多次测试，上午内基本完成，开发效率极高。
市面上虽有类似通过食材或菜肴图像估算热量的应用，但多依赖云端AI，本地AI独立处理的案例尚属少见。
应用以拇指大小作为分量估算基准，若估算不准，用户还可通过滑块调整分量，方便掌握热量和盐分摄入，使用体验较为便捷。
识别准确率中等，误识时可切换其他候选结果，虽仍需调优，且部分复杂场景可能仍需云端AI辅助，但整体参考价值较高。推理过程耗时较长，响应速度有待提升。
通过此应用，笔者深刻体会到控制盐分摄入的难度。
不过，最近开始享受每天吃沙拉的习惯，曾经喜爱的拉面也逐渐减少食用，感觉借助这款应用能更好地坚持低盐饮食，助力健康管理。
