CN106203493B - 一种食物识别装置及识别方法 - Google Patents
一种食物识别装置及识别方法 Download PDFInfo
- Publication number
- CN106203493B CN106203493B CN201610517892.1A CN201610517892A CN106203493B CN 106203493 B CN106203493 B CN 106203493B CN 201610517892 A CN201610517892 A CN 201610517892A CN 106203493 B CN106203493 B CN 106203493B
- Authority
- CN
- China
- Prior art keywords
- food
- image
- result
- module
- identification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 235000013305 food Nutrition 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000000605 extraction Methods 0.000 claims description 33
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims 1
- 235000016709 nutrition Nutrition 0.000 abstract description 10
- 230000035764 nutrition Effects 0.000 abstract description 10
- 238000013527 convolutional neural network Methods 0.000 abstract description 3
- 235000015097 nutrients Nutrition 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010411 cooking Methods 0.000 description 17
- 241000209094 Oryza Species 0.000 description 16
- 235000007164 Oryza sativa Nutrition 0.000 description 16
- 235000009566 rice Nutrition 0.000 description 16
- 244000061456 Solanum tuberosum Species 0.000 description 13
- 235000002595 Solanum tuberosum Nutrition 0.000 description 13
- 235000013311 vegetables Nutrition 0.000 description 9
- 240000002234 Allium sativum Species 0.000 description 8
- 235000004611 garlic Nutrition 0.000 description 8
- 239000006002 Pepper Substances 0.000 description 5
- 240000008415 Lactuca sativa Species 0.000 description 4
- 235000003228 Lactuca sativa Nutrition 0.000 description 4
- 244000088415 Raphanus sativus Species 0.000 description 4
- 235000006140 Raphanus sativus var sativus Nutrition 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 235000005911 diet Nutrition 0.000 description 3
- 230000037213 diet Effects 0.000 description 3
- 238000004321 preservation Methods 0.000 description 3
- 240000007087 Apium graveolens Species 0.000 description 2
- 235000015849 Apium graveolens Dulce Group Nutrition 0.000 description 2
- 235000010591 Appio Nutrition 0.000 description 2
- 235000013312 flour Nutrition 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 235000015067 sauces Nutrition 0.000 description 2
- 208000008589 Obesity Diseases 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000019577 caloric intake Nutrition 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000012631 food intake Nutrition 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Library & Information Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及计算机技术领域，公开了一种食物识别装置及识别方法，装置包括：图像采集装置、图像处理模块、机器识别模块、图像检索引擎模块和结果分析模块，这种食物识别装置及识别方法，通过自动采集食物图像，通过卷积神经网络和图像检索相结合，通过计算分析，能够自动识别食物，并食物识别的准确率，来更准确更便捷地提升自动化或半自动化营养健康服务，避免人工处理所带来的成本和繁琐问题，对营养和健康的指导具有重大的意义。
Description
技术领域
本发明涉及计算机技术领域，特别涉及一种食物识别装置及识别方法。
背景技术
随着生活质量与水平的不断提升，肥胖病患者的数量增长成为一个巨大的问题，肥胖症的主要原因是食物和能量的摄入量过多，在营养和健康领域，精确测量食物和能量摄入量是关键问题，然而目前的食物营养成分和人体摄入营养统计软件均通过人工录入食物的方式进行个人营养摄入分析，而且现有的食物图像识别及图像分类方法在处理特殊食物图像和多分类食物时，识别率较低，无法满足实际应用需求，如何自动识别食物，并提高食物的识别率，对营养和健康的指导具有重大的意义。
发明内容
本发明提供一种食物识别装置及识别方法，通过采集食物图像，通过卷积神经网络模型和图像检索相结合，通过计算分析，能够自动识别食物，并提高食物识别的准确率，避免或减小食物识别错误带来的一系列健康指导问题。
本发明提供了一种食物识别装置，包括：图像采集装置、图像处理模块、机器识别模块、图像检索引擎模块和结果分析模块；所述图像采集装置用于采集食物图像，并将所述食物图像发送到所述图像处理模块中；所述图像处理模块用于采用图像模糊度判别算法和遮挡物识别算法对所述食物图像进行处理，获得清晰无遮挡的食物图像，并将所述清晰无遮挡的食物图像发送到所述机器识别模块和所述图像检索引擎模块中；所述机器识别模块用于对所述清晰无遮挡的食物图像进行卷积处理，并将卷积处理后的结果使用经过训练的神经网络模型进行识别分类；并将识别分类结果发送到结果分析模块中；所述图像检索引擎模块用于以所述清晰无遮挡的食物图像作为基准，在图像库中进行近似度匹配，获取匹配结果，并将所述匹配结果发送到结果分析模块中；所述结果分析模块用于根据所述识别分类结果和所述匹配结果，获取食物的识别结果；
进一步地，所述结果分析模块先对所述识别分类结果和所述匹配结果根据设定的阈值f进行过滤，滤掉小于设定阈值f的结果，当过滤后的识别分类结果唯一时，过滤后的识别分类结果为食物的识别结果，所述阈值f的范围为0.15～0.3；
当过滤后的识别分类结果为多个时，过滤后的识别分类结果分别与设定的权重系数a相乘，过滤后的匹配结果分别与设定的权重系数b相乘，然后进行同类别相加，对相加后的类别进行数值大小比较，数值最大的类别为食物的识别结果，所述权重系数a的范围为0.4～0.6，所述权重系数b的范围为0.4～0.6。
进一步地，所述图像采集装置为普通摄像头或红外摄像头。
进一步地，所述图像检索引擎模块通过颜色布局描述符特征提取算法、颜色和边缘的方向性描述符特征提取算法、边缘直方图图形特征提取算法、联合综合描述特征提取算法和可伸缩颜色描述符特征提取算法中的一种或多种算法相结合在图像库中进行近似度匹配。
一种食物识别方法，其特征在于，包括以下步骤：
(1)通过图像采集装置采集食物图像；
(2)通过图像处理模块采用图像模糊度判别算法和遮挡物识别算法对食物图像进行可用范围处理，获得清晰无遮挡的食物图像；
(3)通过机器识别模块对清晰无遮挡的食物图像进行卷积处理，然后使用经过训练的神经网络模型进行识别分类，得到识别分类结果；
(4)通过图像检索引擎模块以所述清晰无遮挡的食物图像作为基准，在图像库中进行近似度匹配，得到匹配结果；
(5)通过结果分析模块对识别分类结果和匹配结果进行过滤和权重计算分析，获取食物的识别结果；
所述步骤(5)中，通过结果分析模块先对步骤(3)中的识别分类结果和步骤(4)中的匹配结果根据设定的阈值f进行过滤，滤掉小于设定阈值f的结果，当过滤后的识别分类结果唯一时，过滤后的识别分类结果为食物的识别结果，所述阈值f的范围为0.15～0.3；
当过滤后的识别分类结果为多个时，过滤后的识别分类结果分别与设定的权重系数a相乘，过滤后的匹配结果分别与设定的权重系数b相乘，然后进行同类别相加，对相加后的类别数值进行大小比较，数值最大的类别为食物的识别结果，所述权重系数a的范围为0.4～0.6，所述权重系数b的范围为0.4～0.6。
进一步地，上述步骤(4)中图像检索引擎模块以所述清晰无遮挡的食物图像作为基准，采用颜色布局描述符特征提取算法、颜色和边缘的方向性描述符特征提取算法、边缘直方图图形特征提取算法、联合综合描述特征提取算法和可伸缩颜色描述符特征提取算法中的一种或多种算法相结合在图像库中进行近似度匹配。
与现有技术相比，本发明的有益效果在于：
本发明通过采集食物图像，通过卷积神经网络模型和图像检索相结合，通过计算分析，能够自动识别食物，并提高食物识别的准确率，来更准确更便捷地提升自动化或半自动化营养健康服务，避免人工处理所带来的成本和繁琐问题，对营养和健康的指导具有重大的意义。
附图说明
图1为本发明提供的一种食物识别装置的原理框图。
具体实施方式
下面结合附图，对本发明的一个具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
如图1所示，本发明实施例提供的一种食物识别装置，包括：图像采集装置、图像处理模块、机器识别模块、图像检索引擎模块和结果分析模块；所述图像采集装置用于采集食物图像，并将所述食物图像发送到所述图像处理模块中；所述图像处理模块用于采用图像模糊度判别算法和遮挡物识别算法对所述食物图像进行处理，获得清晰无遮挡的食物图像，并将所述清晰无遮挡的食物图像发送到所述机器识别模块和所述图像检索引擎模块中；所述机器识别模块用于对所述清晰无遮挡的食物图像进行卷积处理，并将卷积处理后的结果使用经过训练的神经网络模型进行识别分类；并将识别分类结果发送到结果分析模块中；所述图像检索引擎模块用于以所述清晰无遮挡的食物图像作为基准，在图像库中进行近似度匹配，获取匹配结果，并将所述匹配结果发送到结果分析模块中；所述结果分析模块用于根据所述识别分类结果和所述匹配结果，获取食物的识别结果；
结果分析模块先对所述识别分类结果和所述匹配结果根据设定的阈值f(0.15～0.3)进行过滤，滤掉小于设定阈值f(0.15～0.3)的结果，当过滤后的识别分类结果唯一时，过滤后的识别分类结果为食物的识别结果；
当过滤后的识别分类结果为多个时，过滤后的识别分类结果分别与设定的权重系数a(0.4～0.6)相乘，过滤后的匹配结果分别与设定的权重系数b(0.4～0.6)相乘，然后进行同类别相加，对相加后的类别进行数值大小比较，数值最大的类别为食物的识别结果。
进一步地，所述图像采集装置为普通摄像头或红外摄像头。
进一步地，所述图像检索引擎模块通过颜色布局描述符特征提取算法、颜色和边缘的方向性描述符特征提取算法、边缘直方图图形特征提取算法、联合综合描述特征提取算法和可伸缩颜色描述符特征提取算法中的一种或多种算法相结合在图像库中进行近似度匹配。
一种食物识别方法，其特征在于，包括以下步骤：
(1)通过图像采集装置采集食物图像；
(2)通过图像处理模块采用图像模糊度判别算法和遮挡物识别算法对食物图像进行可用范围处理，获得清晰无遮挡的食物图像；
(3)通过机器识别模块对清晰无遮挡的食物图像进行卷积处理，然后使用经过训练的神经网络模型进行识别分类，得到识别分类结果；
(4)通过图像检索引擎模块以所述清晰无遮挡的食物图像作为基准，在图像库中进行近似度匹配，得到匹配结果；
(5)通过结果分析模块对识别分类结果和匹配结果进行过滤和权重计算分析，获取食物的识别结果；
所述步骤(5)中，通过结果分析模块先对步骤(3)中的识别分类结果和步骤(4)中的匹配结果根据设定的阈值f(0.15～0.3)进行过滤，滤掉小于设定阈值f(0.15～0.3)的结果，当过滤后的识别分类结果唯一时，过滤后的识别分类结果为食物的识别结果；
当过滤后的识别分类结果为多个时，过滤后的识别分类结果分别与设定的权重系数a(0.4～0.6)相乘，过滤后的匹配结果分别与设定的权重系数b(0.4～0.6)相乘，然后进行同类别相加，对相加后的类别数值进行大小比较，数值最大的类别为食物的识别结果。
进一步地，上述步骤(4)中图像检索引擎模块以所述清晰无遮挡的食物图像作为基准，采用颜色布局描述符特征提取算法、颜色和边缘的方向性描述符特征提取算法、边缘直方图图形特征提取算法、联合综合描述特征提取算法和可伸缩颜色描述符特征提取算法中的一种或多种算法相结合在图像库中进行近似度匹配。
实施例一
用户A在用餐时，由红外摄像头自动采集了米饭的三张图像，通过网络发送至图像处理模块，由图像处理模块进行处理；
根据图像模糊度判别算法和遮挡物识别算法去除了没有价值的两张图像，将最有识别价值的图像传递给机器识别模块和图像检索引擎模块；
机器识别模块接收到图像后，将图像进行卷积处理后通过加载好的神经网络模型进行识别分类，得到多个结果，如：米饭60％、糯米饭30％、米粥3％；并将多个识别分类结果发送至结果分析模块；
同时，图像检索引擎模块接收到图像后，通过图像检索引擎采用颜色布局描述符特征提取算法进行相似图像搜索，得到米饭77％、糯米饭20％、面粉3％。
结果分析模块的设定阈值f为0.15，根据阈值f过滤掉米粥3％和面粉3％，结果分析模块对过滤后的识别分类结果米饭60％、糯米饭30％分别乘以设定的权重系数a，a取0.6，即米饭36％、糯米饭18％；对过滤后的匹配结果米饭77％、糯米饭20％、分别乘以设定的权重系数b，b取0.4，即米饭30.8％、糯米饭8％；将结果合并，即米饭0.668、糯米饭0.26；比较大小后输出识别结果为米饭。
将结果保存在数据库中，营养师或专家根据识别结果了解到用户的饮食摄入情况，并为用户提供专业、定制的营养服务。
实施例二
用户B在用餐时，由摄像头自动采集了土豆丝这道菜的三张图像，通过网络发送至图像处理模块，由图像处理模块进行处理；
根据图像模糊度判别算法和遮挡物识别算法去除了没有价值的两张图像，将最有识别价值的图像传递给机器识别模块和图像检索引擎模块；
机器识别模块接收到图像后，将图像通过加载好的神经网络模型进行识别分类，获取多个可能的识别结果，如：酸辣土豆丝46％、清炒土豆丝42％、白萝卜丝6％；获取的识别结果后发送至结果分析模块；
同时，图像检索引擎模块接收到图像后，通过图像检索引擎采用边缘直方图图形特征提取算法进行相似图像搜索，得到酸辣土豆丝13.3％、清炒土豆丝13.3％、白萝卜丝16.7％、凉拌土豆丝13.3％、炸土豆丝6.7％。
结果分析模块的设定阈值f为0.2，根据阈值f过滤掉识别分类结果中的萝卜丝6％和匹配的所有结果：酸辣土豆丝13.3％、清炒土豆丝13.3％、白萝卜丝16.7％、凉拌土豆丝13.3％、炸土豆丝6.7％，结果分析模块对过滤后的识别分类结果酸辣土豆丝46％、清炒土豆丝42％相比较，比较大小后输出识别结果为酸辣土豆丝。
将结果保存在数据库中，营养师或专家根据识别结果了解到用户的饮食摄入情况，并为用户提供专业、定制的营养服务。
实施例三
用户C在用餐时，由摄像头自动采集了炒青菜这道菜的三张图像，通过网络发送至图像处理模块，由图像处理模块进行处理；
根据图像模糊度判别算法和遮挡物识别算法去除了没有价值的两张图像，将最有识别价值的图像传递给机器识别模块和图像检索引擎模块；
机器识别模块接收到图像后，将图像通过加载好的神经网络模型进行识别分类，获取多个可能的识别结果，如：蒜蓉炒菜心32％、炒青菜30％、清炒油菜26％、炒生菜6％；获取结果后发送至结果分析模块；
同时，图像检索引擎模块接收到图像后，通过图像检索引擎采用边缘直方图图形特征提取算法进行相似图像搜索，得到炒青菜33.3％、蒜蓉炒菜心16.6％、清炒油菜23.3％、炒生菜13.3％、炒芹菜6.7％、蒜蓉小油菜6.7％。
结果分析模块的设定阈值f为0.2，根据阈值f过滤掉识别分类结果中的炒生菜6％和匹配结果中的蒜蓉炒菜心16.6％、炒生菜13.3％、炒芹菜6.7％、蒜蓉小油菜6.7％，结果分析模块对过滤后的识别分类结果蒜蓉炒菜心32％、炒青菜30％、清炒油菜26％、分别乘以设定的权重系数a，a取0.6，即蒜蓉炒菜心19.2％、炒青菜18％、清炒油菜15.6％；对过滤后的匹配结果炒青菜33.3％、清炒油菜23.3％分别乘以设定的权重系数b，b取0.4，即炒青菜13.3％、清炒油菜9.3％；将结果合并，即炒青菜0.313、蒜蓉炒菜心0.192、清炒油菜0.249；比较大小后输出识别结果为炒青菜。
将结果保存在数据库中，营养师或专家根据识别结果了解到用户的饮食摄入情况，并为用户提供专业、定制的营养服务。
本发明通过采集食物图像，通过卷积神经网络模型和图像检索相结合，通过计算分析，能够自动识别食物，并提高食物识别的准确率，来更准确更便捷地提升自动化或半自动化营养健康服务，避免人工处理所带来的成本和繁琐问题，对营养和健康的指导具有重大的意义。
以上公开的仅为本发明的几个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (5)
1.一种食物识别装置，其特征在于，包括：图像采集装置、图像处理模块、机器识别模块、图像检索引擎模块和结果分析模块；
所述图像采集装置用于采集食物图像，并将所述食物图像发送到所述图像处理模块中；
所述图像处理模块用于采用图像模糊度判别算法和遮挡物识别算法对所述食物图像进行处理，获得清晰无遮挡的食物图像，并将所述清晰无遮挡的食物图像发送到所述机器识别模块和所述图像检索引擎模块中；
所述机器识别模块用于对所述清晰无遮挡的食物图像进行卷积处理，并将卷积处理后的结果使用经过训练的神经网路模型进行识别分类；并将识别分类结果发送到结果分析模块中；
所述图像检索引擎模块用于以所述清晰无遮挡的食物图像作为基准，在图像库中进行近似度匹配，获取匹配结果，并将所述匹配结果发送到结果分析模块中；
所述结果分析模块用于根据所述识别分类结果和所述匹配结果，获取食物的识别结果；
所述结果分析模块先对所述识别分类结果和所述匹配结果根据设定的阈值f进行过滤，滤掉小于设定阈值f的结果，当过滤后的识别分类结果唯一时，过滤后的识别分类结果为食物的识别结果，所述阈值f的范围为0.15～0.3；
当过滤后的识别分类结果为多个时，过滤后的识别分类结果分别与设定的权重系数a相乘，过滤后的匹配结果分别与设定的权重系数b相乘，然后进行同类别相加，对相加后的类别进行数值大小比较，数值最大的类别为食物的识别结果，所述权重系数a的范围为0.4～0.6，所述权重系数b的范围为0.4～0.6。
2.如权利要求1所述的食物识别装置，其特征在于，所述图像采集装置为普通摄像头或红外摄像头。
3.如权利要求1所述的食物识别装置，其特征在于，所述图像检索引擎模块通过颜色布局描述符特征提取算法、颜色和边缘的方向性描述符特征提取算法、边缘直方图图形特征提取算法、联合综合描述特征提取算法和可伸缩颜色描述符特征提取算法中的一种或多种算法相结合在图像库中进行近似度匹配。
4.一种食物识别方法，其特征在于，使用权利要求1所述的食物识别装置进行食物识别，包括以下步骤：
(1)通过图像采集装置采集食物图像；
(2)通过图像处理模块采用图像模糊度判别算法和遮挡物识别算法对食物图像进行可用范围处理，获得清晰无遮挡的食物图像；
(3)通过机器识别模块对清晰无遮挡的食物图像进行卷积处理，然后使用经过训练的神经网络模型进行识别分类，得到识别分类结果；
(4)通过图像检索引擎模块以所述清晰无遮挡的食物图像作为基准，在图像库中进行近似度匹配，得到匹配结果；
(5)通过结果分析模块对识别分类结果和匹配结果进行过滤和权重计算分析，获取食物的识别结果；
所述步骤(5)中，通过结果分析模块先对步骤(3)中的识别分类结果和步骤(4)中的匹配结果根据设定的阈值f进行过滤，滤掉小于设定阈值f的结果，当过滤后的识别分类结果唯一时，过滤后的识别分类结果为食物的识别结果，所述阈值f的范围为0.15～0.3；
当过滤后的识别分类结果为多个时，过滤后的识别分类结果分别与设定的权重系数a相乘，过滤后的匹配结果分别与设定的权重系数b相乘，然后进行同类别相加，对相加后的类别数值进行大小比较，数值最大的类别为食物的识别结果，所述权重系数a的范围为0.4～0.6，所述权重系数b的范围为0.4～0.6。
5.如权利要求4所述的食物识别方法，其特征在于，所述步骤(4)中图像检索引擎模块以所述清晰无遮挡的食物图像作为基准，采用颜色布局描述符特征提取算法、颜色和边缘的方向性描述符特征提取算法、边缘直方图图形特征提取算法、联合综合描述特征提取算法和可伸缩颜色描述符特征提取算法中的一种或多种算法相结合在图像库中进行近似度匹配。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610517892.1A CN106203493B (zh) | 2016-07-04 | 2016-07-04 | 一种食物识别装置及识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610517892.1A CN106203493B (zh) | 2016-07-04 | 2016-07-04 | 一种食物识别装置及识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106203493A CN106203493A (zh) | 2016-12-07 |
| CN106203493B true CN106203493B (zh) | 2019-07-12 |
Family
ID=57464624
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610517892.1A Expired - Fee Related CN106203493B (zh) | 2016-07-04 | 2016-07-04 | 一种食物识别装置及识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106203493B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108694993A (zh) * | 2017-04-07 | 2018-10-23 | 中华映管股份有限公司 | 健康饮食管理方法 |
| CN108932265A (zh) * | 2017-05-26 | 2018-12-04 | 浩鑫股份有限公司 | 饮食信息建议系统及其饮食信息建议方法 |
| CN108205664B (zh) * | 2018-01-09 | 2021-08-17 | 美的集团股份有限公司 | 一种食物识别方法及装置、存储介质、计算机设备 |
| CN108280474A (zh) * | 2018-01-19 | 2018-07-13 | 广州市派客朴食信息科技有限责任公司 | 一种基于神经网络的食物识别方法 |
| CN109034196A (zh) * | 2018-06-21 | 2018-12-18 | 北京健康有益科技有限公司 | 模型生成方法及装置、食物识别方法及装置 |
| CN109242017A (zh) * | 2018-08-30 | 2019-01-18 | 杨镇蔚 | 物体信息的智能识别方法、装置和设备 |
| CN110287207A (zh) * | 2019-06-30 | 2019-09-27 | 北京健康有益科技有限公司 | 一种基于密度表的食物质量估测方法 |
| CN110689946B (zh) * | 2019-10-12 | 2022-01-28 | 南京市卫生信息中心 | 一种基于图像识别技术确定用户饮食结构的健康饮食干预系统及干预方法 |
| CN113220658B (zh) * | 2020-01-21 | 2023-06-20 | 青岛海尔电冰箱有限公司 | 冰箱的食材检测方法、冰箱及存储介质 |
| CN114556444A (zh) * | 2020-09-11 | 2022-05-27 | 京东方科技集团股份有限公司 | 联合模型的训练方法和对象信息处理方法、装置及系统 |
| CN112785554A (zh) * | 2020-12-30 | 2021-05-11 | 深兰人工智能芯片研究院（江苏）有限公司 | 质量估计方法、装置、电子设备及存储介质 |
| CN115682510B (zh) * | 2021-07-30 | 2024-07-19 | 海信集团控股股份有限公司 | 一种智能冰箱、食材识别方法、设备及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101567159A (zh) * | 2009-06-10 | 2009-10-28 | 北京豪仪测控工程有限公司 | 基于图像识别技术的导览方法及设备 |
| WO2010082057A1 (en) * | 2009-01-15 | 2010-07-22 | Cardiff And Vale University Local Health Board | A method for diagnosing urticaria and angioedema |
| CN102521366A (zh) * | 2011-12-16 | 2012-06-27 | 华中科技大学 | 融合分类与全局索引的图像检索方法和图像检索系统 |
| US8818923B1 (en) * | 2011-06-27 | 2014-08-26 | Hrl Laboratories, Llc | Neural network device with engineered delays for pattern storage and matching |
| CN104268541A (zh) * | 2014-09-15 | 2015-01-07 | 青岛高校信息产业有限公司 | 一种设备铭牌和能效标识的智能化图像识别方法 |
| CN105354273A (zh) * | 2015-10-29 | 2016-02-24 | 浙江高速信息工程技术有限公司 | 一种快速检索高速公路逃费车辆高相似度图像的方法 |
| CN105512680A (zh) * | 2015-12-02 | 2016-04-20 | 北京航空航天大学 | 一种基于深度神经网络的多视sar图像目标识别方法 |
-
2016
- 2016-07-04 CN CN201610517892.1A patent/CN106203493B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010082057A1 (en) * | 2009-01-15 | 2010-07-22 | Cardiff And Vale University Local Health Board | A method for diagnosing urticaria and angioedema |
| CN101567159A (zh) * | 2009-06-10 | 2009-10-28 | 北京豪仪测控工程有限公司 | 基于图像识别技术的导览方法及设备 |
| US8818923B1 (en) * | 2011-06-27 | 2014-08-26 | Hrl Laboratories, Llc | Neural network device with engineered delays for pattern storage and matching |
| CN102521366A (zh) * | 2011-12-16 | 2012-06-27 | 华中科技大学 | 融合分类与全局索引的图像检索方法和图像检索系统 |
| CN104268541A (zh) * | 2014-09-15 | 2015-01-07 | 青岛高校信息产业有限公司 | 一种设备铭牌和能效标识的智能化图像识别方法 |
| CN105354273A (zh) * | 2015-10-29 | 2016-02-24 | 浙江高速信息工程技术有限公司 | 一种快速检索高速公路逃费车辆高相似度图像的方法 |
| CN105512680A (zh) * | 2015-12-02 | 2016-04-20 | 北京航空航天大学 | 一种基于深度神经网络的多视sar图像目标识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| Accelerometer-Based Hand Gesture Recognition by Neural Network and Similarity Matching;Renqiang Xie，Juncheng Cao;《IEEE SENSORS JOURNAL》;20160601;第16卷(第11期);第4537-4545页 |
| 基于区域颜色特征的食物类别识别算法;丁伟利;《电子科技》;20160630;第29卷(第6期);第1-7页 |
| 基于改进的 BP 神经网络车牌识别的研究;关学忠,张 璐;《自动化技术与应用》;20151231;第34卷(第7期);第66-68页 |
| 基于计算机视觉的稻谷品种数据库检索技术;黄星奕 等;《农业机械学报》;20051031;第36卷(第10期);第94-95页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106203493A (zh) | 2016-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106203493B (zh) | 一种食物识别装置及识别方法 | |
| US9971876B2 (en) | Method, system and electronic device for diet management | |
| Brosnan et al. | Improving quality inspection of food products by computer vision––a review | |
| Zhang et al. | Date maturity and quality evaluation using color distribution analysis and back projection | |
| Yang et al. | Multispectral image based germination detection of potato by using supervised multiple threshold segmentation model and Canny edge detector | |
| CN110179319A (zh) | 一种智能烹饪的方法及装置 | |
| CN117577270B (zh) | 患者的智能化营养管理方法及系统 | |
| Sabri et al. | Palm oil fresh fruit bunch ripeness grading identification using color features | |
| Verma et al. | Vision based detection and classification of disease on rice crops using convolutional neural network | |
| Tadele et al. | Sesame disease detection using a deep convolutional neural network | |
| Akshitha et al. | Paddy crop disease detection using deep learning techniques | |
| CN115131783A (zh) | 基于机器视觉的用户饮食营养成分信息自主感知方法 | |
| Singh et al. | Leaf Disease Detection Using Deep Neural Network | |
| Watcharabutsarakham et al. | An approach for density monitoring of brown planthopper population in simulated paddy fields | |
| Villa et al. | Determination of Citrullus Lanatus “Sweet-16” Ripeness Using Android-Based Application | |
| Thipsrirach et al. | Classification of durian maturity using a convolutional neural network. | |
| Fondon et al. | Perceptually adapted method for optic disc detection on retinal fundus images | |
| Kanwal et al. | Overlapped apple fruit yield estimation using pixel classification and hough transform | |
| Rai et al. | Implementation of virtual instrumentation system for estimation of eaten leaf area using digital image processing | |
| Alchanatis et al. | Apple yield mapping using hyperspectral machine vision | |
| Hrithik et al. | Classification of Fruit Plants Leaf and Comparative Analysis of Machine Learning and Deep Learning Algorithms | |
| Kautsar et al. | Melon Diameter Estimation for Sorting System Based on Image Processing | |
| Malangsa et al. | Image Processing Techniques for Lobster Grading System | |
| Zhang et al. | Research on intelligent grading system of Tremella fuciformis based on machine vision | |
| Gautam et al. | Calorie estimation model for Indian elderly persons using image processing and convnets techniques |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190712 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |