app.py

import gradio as gr
import torch
import pandas as pd
import numpy as np
from PIL import Image
import re

# Base de dados nutricional expandida com variações e sinônimos
FOOD_ALIASES = {
    "arroz": ["arroz branco", "arroz integral", "arroz cozido", "arroz solto"],
    "feijão": ["feijão preto", "feijão carioca", "feijão vermelho", "feijões"],
    "frango": ["frango grelhado", "peito de frango", "filé de frango", "frango assado", "chicken"],
    "salada": ["alface", "tomate", "verduras", "legumes", "vegetais", "salada verde"],
    "batata": ["batata cozida", "batata assada", "purê de batata", "potato"],
    "carne": ["carne vermelha", "bife", "filé", "carne assada", "beef"],
    "peixe": ["filé de peixe", "peixe grelhado", "peixe assado", "fish"],
    "macarrão": ["espaguete", "massa", "pasta", "macarrão integral", "noodles"],
    "ovo": ["ovo frito", "ovo cozido", "ovos", "omelete", "eggs"]
}

NUTRITION_DB = {
    "arroz": {"calorias": 130, "proteinas": 2.7, "carboidratos": 28, "gorduras": 0.3},
    "feijão": {"calorias": 77, "proteinas": 5.2, "carboidratos": 13.6, "gorduras": 0.5},
    "frango": {"calorias": 165, "proteinas": 31, "carboidratos": 0, "gorduras": 3.6},
    "salada": {"calorias": 15, "proteinas": 1.4, "carboidratos": 2.9, "gorduras": 0.2},
    "batata": {"calorias": 93, "proteinas": 2.5, "carboidratos": 21, "gorduras": 0.1},
    "carne": {"calorias": 250, "proteinas": 26, "carboidratos": 0, "gorduras": 17},
    "peixe": {"calorias": 206, "proteinas": 22, "carboidratos": 0, "gorduras": 12},
    "macarrão": {"calorias": 158, "proteinas": 5.8, "carboidratos": 31, "gorduras": 1.2},
    "ovo": {"calorias": 155, "proteinas": 13, "carboidratos": 1.1, "gorduras": 11},
}

def identify_foods(description):
    """
    Identifica alimentos na descrição usando múltiplas verificações
    """
    found_foods = {}
    description = description.lower()
    
    # Primeira verificação: busca direta
    for base_food in NUTRITION_DB.keys():
        if base_food in description:
            found_foods[base_food] = {
                "confianca": "Alta",
                "mencoes": description.count(base_food),
                "variacao": base_food
            }
    
    # Segunda verificação: sinônimos e variações
    for base_food, aliases in FOOD_ALIASES.items():
        if base_food not in found_foods:  # Só verifica se ainda não encontrou
            for alias in aliases:
                if alias in description:
                    found_foods[base_food] = {
                        "confianca": "Média",
                        "mencoes": description.count(alias),
                        "variacao": alias
                    }
    
    # Terceira verificação: análise de contexto
    context_clues = {
        "prato": 0.1,
        "refeição": 0.1,
        "porção": 0.1,
        "servido": 0.1,
        "preparado": 0.1
    }
    
    for food in found_foods:
        confidence_boost = 0
        for clue, value in context_clues.items():
            if clue in description:
                confidence_boost += value
        
        if confidence_boost > 0:
            found_foods[food]["confianca"] = "Alta" if confidence_boost > 0.2 else found_foods[food]["confianca"]
    
    # Quarta verificação: validação de preparação
    cooking_methods = ["cozido", "assado", "grelhado", "frito", "cru"]
    for food in found_foods:
        for method in cooking_methods:
            if method in description and food in FOOD_ALIASES:
                found_foods[food]["preparo"] = method
    
    return found_foods

def analyze_foods(description):
    """Analisa a descrição e retorna informações nutricionais"""
    try:
        # Identificação detalhada dos alimentos
        identified_foods = identify_foods(description)
        
        if not identified_foods:
            return "Nenhum alimento conhecido identificado com confiança.", None, None
        
        # Calcula nutrientes
        total_nutrients = {
            "calorias": 0,
            "proteinas": 0,
            "carboidratos": 0,
            "gorduras": 0
        }
        
        # Lista detalhada de alimentos identificados
        foods_detail = []
        for food, info in identified_foods.items():
            foods_detail.append(f"• {food.capitalize()}")
            foods_detail.append(f"  - Confiança: {info['confianca']}")
            foods_detail.append(f"  - Menções: {info['mencoes']}")
            foods_detail.append(f"  - Variação encontrada: {info['variacao']}")
            if 'preparo' in info:
                foods_detail.append(f"  - Método de preparo: {info['preparo']}")
            
            # Soma nutrientes
            for nutrient, value in NUTRITION_DB[food].items():
                total_nutrients[nutrient] += value
        
        # Prepara dados para visualização
        table_data = [
            ["Calorias", f"{total_nutrients['calorias']:.1f} kcal"],
            ["Proteínas", f"{total_nutrients['proteinas']:.1f}g"],
            ["Carboidratos", f"{total_nutrients['carboidratos']:.1f}g"],
            ["Gorduras", f"{total_nutrients['gorduras']:.1f}g"]
        ]
        
        # Dados para o gráfico
        plot_data = pd.DataFrame({
            'Nutriente': ['Proteínas', 'Carboidratos', 'Gorduras'],
            'Quantidade': [
                total_nutrients['proteinas'],
                total_nutrients['carboidratos'],
                total_nutrients['gorduras']
            ]
        })
        
        analysis = f"""### 🍽️ Descrição do Modelo:
{description}

### 🔍 Alimentos Identificados:
{chr(10).join(foods_detail)}

### 📊 Análise Nutricional:
• Calorias Totais: {total_nutrients['calorias']:.1f} kcal
• Proteínas: {total_nutrients['proteinas']:.1f}g
• Carboidratos: {total_nutrients['carboidratos']:.1f}g
• Gorduras: {total_nutrients['gorduras']:.1f}g

### 💡 Avaliação:
{"✅ Refeição balanceada!" if total_nutrients['proteinas'] > 15 else "⚠️ Considere adicionar mais proteínas"}
{"✅ Carboidratos adequados" if total_nutrients['carboidratos'] < 60 else "⚠️ Alto teor de carboidratos"}
{"✅ Gorduras em nível adequado" if total_nutrients['gorduras'] < 20 else "⚠️ Alto teor de gorduras"}
"""
        
        return analysis, table_data, plot_data
        
    except Exception as e:
        raise gr.Error(f"Erro na análise: {str(e)}")

def analyze_image(image):
    """Função principal que coordena o processo de análise"""
    try:
        # Simula a resposta do modelo (temporário até resolvermos o erro do DeepSeek)
        description = "Na imagem é possível ver um prato contendo arroz branco cozido, feijão preto, um pedaço de frango grelhado servido com salada de alface e tomate. O prato parece uma refeição completa preparada recentemente."
        
        # Analisa os alimentos
        analysis, table_data, plot_data = analyze_foods(description)
        
        return analysis, table_data, plot_data
        
    except Exception as e:
        return str(e), None, None

# Interface Gradio (resto do código permanece o mesmo)
with gr.Blocks(theme=gr.themes.Soft()) as iface:
    # ... (resto do código da interface permanece igual)

if __name__ == "__main__":
    print(f"Usando dispositivo: {'CUDA' if torch.cuda.is_available() else 'CPU'}")
    iface.launch(share=False)