CN104765980A

CN104765980A - 一种基于云计算的智能膳食评估方法

Info

Publication number: CN104765980A
Application number: CN201510217645.5A
Authority: CN
Inventors: 王燕清; 王一璞; 石朝侠
Original assignee: Harbin University of Science and Technology
Current assignee: Harbin University of Science and Technology
Priority date: 2015-05-04
Filing date: 2015-05-04
Publication date: 2015-07-08

Abstract

一种基于云计算的智能膳食评估方法，在该方法中，食物图像将被移动设备捕获，图像的预处理步骤将在移动设备上执行。然后图像将被发送到服务器进行精密计算，如分割、特征提取、分类和热量测量。最后，预计的热量信息会被送回移动设备。通过使用云计算，该服务器除了处理阶段外，云能够获得所有客户端数据，能够轻易更新数据库的能力。未来社会，将是一个智慧化城市时代，很多劳作都可以用智能机器去取代。该产品的研发，将引起一场新的变革。

Description

一种基于云计算的智能膳食评估方法

技术领域

本发明属于物联网技术领域，涉及一种基于云计算的智能膳食评估方法, 本发明的目的在于使用该技术解决现实生活中食物摄入量测量的问题。

背景技术

随着生活质量和水平的不断提升，年轻人中肥胖病患者的数量逐步增长是一个巨大的问题。不幸的是，这种持续的增长趋势导致2型糖尿病病人的数量也持续增长。在2008年，肥胖症患者占世界成人人口的十分之一，而在2012年这个数字已增长到六分之一，并且还在以惊人的速度增长。最近的研究表明，肥胖的人更可能产生严重的健康疾病，如高血压、心脏病、2型糖尿病、高血脂、乳腺癌、结肠癌和呼吸疾病等。肥胖症的主要原因是食物和能量的摄入与消耗之间的不平衡。所以，为了用健康的方式减肥并且维持正常人的健康体重，必须每天测量食物摄取量。事实上，所有现有的肥胖症治疗技术要求病人每天记录食物的摄入量来对比能量的摄入和消耗。

膳食摄入量，即定义某人每天吃什么。膳食摄入量可以为增加干预方案提供宝贵意见，从而能够预防许多疾病。在营养和健康领域，精确测量膳食摄入量是开放的研究课题。通过引入一个新的半自动膳食评估装置，它有助于营养师监测每日营养摄入量。要做到这一点，在食物识别装置的不同步骤中已经采用了各种图像处理技术。在肥胖症患者的移动设备上使用这种食物识别装置，任何人都可以监控他/她的食物的摄入量。

本发明的基于云计算的智能膳食评估方法,是在已发明的膳食评估装置方法上,采用云计算技术而成。膳食评估装置是由几个独立的部分组成，一个部分的输出信息是另一个部分的输入信息。因此，整个摄入测量装置对每个操作过程都非常敏感。换句话说，一个早期阶段（如分割阶段）的错误估计，会将错误传播到整个装置，并降低最终结果的精确度。本发明为了有一个精确的摄入测量装置，考虑并使用了这一特点。因此，在每个部分的算法的技术准确性上可以称得上“精准”。整体食物卡路里的精确和准确的测量是需要解决的主要问题。整体食物卡路里的精确测量是另一个问题。在讨论任何技术问题之前，对本装置的精度预期是很重要的。为了回答这个问题，首先必须了解现有的食物营养成分测量方法的精度。从两个方面进行考虑。首先，如果把一盘食物放到专业营养师面前，他/她不能仅仅通过简单的观察或手动测量就给出精确的营养成分测量结果，这是因为营养师不知道盘中食物的精确的成分，例如食物中是否包含盐，如果含有盐则含量是多少，或者它是否包含油，如果含有油是什么类型（橄榄油，玉米油，动物类，...），如果含有某一类油，其含量是多少等问题。此外，某些食物不易察觉，例如一片肉隐藏在汤内，使营养师也无法看到。因此，在现实生活中高精度卡路里测量是不可能实现的。本发明主要是设计一个在具有内置相机的智能手机或其他移动设备上运行的半自动化测量模块以记录食物的卡路里摄入量。与现有的临床方法相比，本方法是通过测量食物的体积和其营养成分来计算卡路里的摄入量。

本目标必然不是得到高精度的结果，因为如上文所述，在实际生活中是不可能测量出高精度的数据的。当然，越精准的装置，最后得出的结论越好。这就是为什么考虑试图测量食物的摄入部分的体积的大小，并且尽可能准确的辨认食物的类型。但非常重要的是仅通过食物图片的处理是不可能得到高精度的数据的。

发明内容

本发明的目的是提供一种基于云计算的智能膳食评估方法。

上述的目的通过以下的技术方案实现：

目前提出的食物识别方法与这一领域的其他现有的方法类似，是由各种精密计算步骤组成，包括图像分割、特征提取和分类等。例如，在颜色分割步骤中，使用一个3×3的掩码对整个图像进行卷积计算。相似的，在纹理分割步骤中，使用一个2×2的掩码对整个图像进行卷积。一般来说，对一个M×N的图像，使用一个n×n的掩码，需要额外计算n2×(M×N)和算(n2-1)×(M×N)。所有这些复杂的操作必须在移动设备上进行，这不仅限制了移动设备的处理能力，而且也限制了移动设备的功率资源。使用移动云计算是一种适当的解决方案。

考虑到在年轻人群中移动设备（例如智能手机和平板电脑）的普及，并且这些通信设备普遍存在，它们可以加载饮食相关的应用模块，例如我们的食物识别模块。本发明的目的在于使用该技术解决现实生活中食物摄入量测量的问题。当前这一领域的研究可以分为三类，即临床研究、辅助研究和半自动化方法研究。在如24小时膳食回顾（24HR）和食物频率问卷这类临床研究中，其数据是由患者手工记录，之后再计算卡路里摄入量。由于这些方法的数据是手工记录，因此在整个记录过程中可能产生大量的错误。这些方法的另一个缺点是病人很难将记录应用于治疗。最近，一些研究人员研究半自动化的方法。本发明将设计开发一个简单而实用的半自动化的应用模块，人们可以使用应用模块进行交互。此外，在这种情况下，通过使用模块化的方法来增加如智能手机这类移动设备的使用机会。使用移动设备作为用户接口，并且通过网络将自己的食物图像数据发送给专家来计算卡路里摄入量。移动应用模块提供了一个独特的机制来收集饮食信息，由此可降低饮食记录者的负担。

采用用户拇指测量相对立体空间数据，并在执行不同类型食物的分析时使用不同的颜色空间。最突出最重要的区域之一是使用颜色空间YCbCr，它可以对图像中用像素表示的皮肤颜色进行分析。该颜色空间使拇指识别和定位成为可能。无论用户选择将他/她的手指放在什么部分或位置中，我们都能够以提取出来，并执行相应的测量和转化。对于图像包括食物区域的剩余部分，使用均值漂移分割。在某些已经缺失的区域，也使用了K-均值颜色聚类方法。总体而言，这两种方法结合起来，在颜色分割阶段得到了更精确的结果。之后，采用计数器检测提取食物，并指定各种食物的颜色。

对于一些图像，图像分割没有得到较好的结果。这要求我们来定义更多图像中的特征，我们在识别阶段需要它们。通过组合各种颜色分割方法，能够以不同的颜色表示不同的部分。因此可以很好的用于轮廓提取，可以在图像内对用户提供很好的对象的轮廓呈现。

为了在分割阶段获得更准确的结果，还增加了纹理分割的方法。对于纹理特征，使用伽柏滤波器来测量频域中的局部纹理属性。这样做，对图像应用不同定向和波长的伽柏滤波器组。每个伽柏滤波器的输出是一个二维矩阵，并与输入图像的大小相同。这样的矩阵中所有元素的总和是一个数字，代表输入图像所匹配的定向和空间频率。

移动云计算是一种结构，在移动设备之外进行数据存储和数据处理。移动云应用将手机的计算能力和数据存储的过程移到云中进行。

在该方法中，食物图像将被移动设备捕获，图像的预处理步骤将在移动设备上执行。然后图像将被发送到服务器进行精密计算步骤，如分割、特征提取、分类和热量测量等。最后，预计的热量信息会被送回移动设备。

如果我们在应用中有使用云计算的机会，该服务器除了处理阶段外，由于云能够获得所有客户端数据，所以它应该能够轻易更新数据库的能力。

有益效果:

本发明的接口可包括有显示器及人机操作接口,显示器为手机、平板类触控或非触控均可。使用者可通过显示器分析识别出的食物,确定是否为使用者所消耗,也可自行设定食物内容和分量。

1) 延长电池寿命

很显然，移动设备使用的云计算可以减少电池消耗。为了展现在食物识别系统中使用的云计算的效果，测试在两种情况下移动设备的时间复杂度。在第一种情况下，使用目前常规的食物识别系统，第二种情况将系统加入云计算。在第一种情况下，所有的识别步骤在移动设备上进行，而在第二种情况下只有图像采集和预处理步骤是在移动设备上进行，其它步骤在云中进行。使用英特尔Vtune软件提取每一种情况下处理970×720大小的食物图像所花费的时钟周期，如表1所示。

表1 两种不同情况下移动设备所需的时钟周期

如表1所示，在第二种情况下的时间复杂度（时钟周期的数目）是在第一种情况下的复杂度的三分之一。由于功耗与系统负载有线性比例关系，第二种情况的功耗将是第一种情况的三分之一。

2)改善数据存储容量

存储容量也是移动设备的限制。移动云计算使移动用户通过无线网络在云端存储和访问大数据。整个系统的图像数据库可以被存储在服务器端，只有最初和最后的图像存储在移动设备上。此外，由于用户没有在移动设备上存储数据库和内部的图像数据，所以移动设备可以节省大量可观的能量。在识别步骤上，如果我们有足够的能力来保存更多的图像，将得到更好的分类结果。在训练阶段使用越多的图像可使系统越精确，这一步可以帮助我们在测试阶段获得更好的输出，因此应用云计算可以帮助我们有更好的结果。

3)提高可靠性

在云中存储数据或运行应用程序可以提高可靠性，因为两者的数据在许多计算机中存储和备份。这减少了移动设备上的数据和应用程序丢失的可能。

4) 智能化设备，引领行业龙头。

未来社会，将是一个智慧化城市时代，很多劳作都可以用智能机器去取代。该产品的研发，将引起一场新的变革；

具体实施方式：

上述的目的通过以下的技术方案实现：

1）一种基于云计算的智能膳食评估方法，其组成包括：含有摄像头的移动智能设备云端服务器组成，设计实现了一种基于云计算的智能膳食评估方法。

2）根据权利要求1所述一种基于云计算的智能膳食评估方法，其特征是目前提出的食物识别方法是由各种精密计算步骤组成，包括图像分割、特征提取和分类。例如，在颜色分割步骤中，使用一个3×3的掩码对整个图像进行卷积计算。在纹理分割步骤中，使用一个2×2的掩码对整个图像进行卷积。一般来说，对一个M×N的图像，使用一个n×n的掩码，需要额外计算n²×(M×N)和算(n²-1)×(M×N)。所有这些复杂的操作必须在移动设备上进行，这不仅限制了移动设备的处理能力，而且也限制了移动设备的功率资源,使用移动云计算可以解决以上问题。

3）根据权利要求1和2所述，一种基于云计算的智能膳食评估方法，在该方法中，食物图像将被移动设备捕获，图像的预处理步骤将在移动设备上执行。然后图像将被发送到服务器进行精密计算步骤，如分割、特征提取、分类和热量测量。最后，预计的热量信息会被送回移动设备。在应用中使用云计算，该服务器除了处理阶段外，由于云能够获得所有客户端数据，能够轻易更新数据库的能力。

图1为使用 SVM 的分类阶段图。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于云计算的智能膳食评估方法，其组成包括：含有摄像头的移动智能设备云端服务器组成，设计实现了一种基于云计算的智能膳食评估方法。

2.根据权利要求1所述一种基于云计算的智能膳食评估方法，其特征是目前提出的食物识别方法是由各种精密计算步骤组成，包括图像分割、特征提取和分类；例如，在颜色分割步骤中，使用一个3×3的掩码对整个图像进行卷积计算；在纹理分割步骤中，使用一个2×2的掩码对整个图像进行卷积；一般来说，对一个M×N的图像，使用一个n×n的掩码，需要额外计算n²×(M×N)和算(n²-1)×(M×N)；所有这些复杂的操作必须在移动设备上进行，这不仅限制了移动设备的处理能力，而且也限制了移动设备的功率资源,使用移动云计算可以解决以上问题。

3.根据权利要求1和2所述，一种基于云计算的智能膳食评估方法，在该方法中，食物图像将被移动设备捕获，图像的预处理步骤将在移动设备上执行；然后图像将被发送到服务器进行精密计算步骤，如分割、特征提取、分类和热量测量；最后，预计的热量信息会被送回移动设备；在应用中使用云计算，该服务器除了处理阶段外，由于云能够获得所有客户端数据，能够轻易更新数据库的能力。