CN108256571A - 一种基于卷积神经网络的中餐食物识别方法 - Google Patents
一种基于卷积神经网络的中餐食物识别方法 Download PDFInfo
- Publication number
- CN108256571A CN108256571A CN201810038061.5A CN201810038061A CN108256571A CN 108256571 A CN108256571 A CN 108256571A CN 201810038061 A CN201810038061 A CN 201810038061A CN 108256571 A CN108256571 A CN 108256571A
- Authority
- CN
- China
- Prior art keywords
- neural networks
- convolutional neural
- layer
- chinese meal
- meal food
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的中餐食物识别方法,先采集中餐食物的图像数据,然后生成中餐食物的图像数据集,按照一定的比例将图像数据集分成训练集和测试集,然后根据训练集内的图像数据对构建好的卷积神经网络模型进行训练,训练的过程中采用均匀分步学习策略进行训练,训练完成后生成模型文件,根据模型文件可以对中餐食物图像进行识别,由于在训练卷积神经网络时采用均匀分步学习策略进行训练,节省了一定的训练时间,随着训练的进行,均匀分步学习策略逐步调小学习率,从而使得卷积神经网络的精确率更高,本发明识别食物类别的精确率较高,并且识别的时间较短。
Description
技术领域
本发明涉及计算机视觉与智能识别技术领域,特别是一种基于卷积神经网络的中餐食物识别方法。
背景技术
肥胖会增加感染疾病的可能性或者影响健康状况,它被认为是大多数发展中国家和发达国家的严重健康问题之一,统计显示,2015年全球约有6亿成年人和1亿儿童具有肥胖问题,在目前的许多肥胖治疗中,准确测量日常营养量或食物摄入量是控制或检测肥胖的有效办法,而评估每日食物摄入量的传统方法是基于人的视觉进行识别和通过调查问卷等方式,通过自我报告获得的食物摄入量数据很大程度上取决于经验,并且容易被低估。
近几年来,图像处理与模式识别方面的进展使得计算机视觉成为个人健康保障的流行技术,通过神经网络对食物进行识别取得了一定的进展,但是在准确率以及效率方面仍然不足。
发明内容
为解决上述问题,本发明的目的在于提供一种基于卷积神经网络的中餐食物识别方法,可以对多种中餐食物进行识别,并且计算的效率较快。
本发明解决其问题所采用的技术方案是:
一种基于卷积神经网络的中餐食物识别方法,其特征在于:包括以下步骤:
A、采集中餐食物的图像数据,并生成中餐食物的图像数据集,然后将图像数据集分为训练集与测试集;
B、构建卷积神经网络模型;
C、采用均匀分步学习策略,根据训练集对卷积神经网络进行训练,并生成模型文件;
D、根据模型文件对中餐食物图像进行识别。
进一步,所述步骤A中采集中餐食物的图像数据,并生成中餐食物的图像数据集,具体步骤为:通过摄像头拍照的形式进行图像数据的采集,在采集图像时调整摄像头的位置从多个角度对图像进行采集,然后从所有图像数据中随机挑选N张图像,对所有的N张图像进行分割,得到统一大小的N张图像的图像数据集,其中N的数量由中餐食物的种类数量决定。采集图像片时从多个角度对图像进行采集可以保证图像数据的完整性,也可以保证在训练卷积神经网络时可以更为精确,对图像进行分割成统一的大小也是达到同样的效果。
进一步,所述步骤A中将图像数据集分为训练集与测试集,将图像数据集按4:1的比例随机分成训练集和测试集,并且训练集和测试集无重叠。训练集和测试集不重叠才能保证卷积神经网络训练的完整性。
进一步,所述步骤B中构建卷积神经网络模型,所构建的卷积神经网络包括5层,其中第一层、第二层、第三层均包括一个卷积层和一个下采样层,第四层包括一个全连接层和一个dropout层,第五层包括一个全连接层。
进一步,所述第一层的卷积层采用64个大小为9*9的卷积核,所述第二层的卷积层采用128个大小为5*5的卷积核,所述第三层的卷积层采用256个大小为3*3的卷积核,所述第一层、第二层、第三层的下采样层均为大小为3*3的滤波器,第四层的全连接层包括512个输出神经元,第五层的全连接层包括25个输出神经元。
进一步,所述步骤B中构建卷积神经网络模型,在构建卷积神经网络中,采用线性整流函数ReLu作为激活函数。ReLu激活函数相对于传统采用的sigmoid函数而言,可以更好的挖掘相关特征,拟合训练数据。
进一步,所述步骤C中采用均匀分步学习策略,根据训练集对卷积神经网络进行训练,并生成模型文件,具体步骤为:
C1、使用高斯分布算法初始化卷积神经网络所有权重项,并使用
固定常熟初始化偏置项;
C2、卷积神经网络的前向计算;
C3、卷积神经网络的后向计算;
C4、计算卷积神经网络预测值与真实值的误差,更新权重与偏置项,然后使用随机梯度下降法搜索权重集合,以交叉熵作为损失函数,采用均匀分步学习策略得到全局最优的学习率,在训练停止后,将卷积神经网络中的所有参数生成一个模型文件。
进一步,所述步骤C4中采用均匀分步学习策略得到全局最优的学习率,其中均匀分步学习策略结合参数学习率步长stepsize,当训练过程的迭代次数达到stepsize的整数倍时,学习率通过如下公式计算更新:
其中lr代表当前学习率,base_lr表示初始学习率,gamma表示学习率的衰减因子,iter表示当前的迭代次数。采用均匀分步学习策略的好处在于它可以在训练开始时以较大的学习率搜索最优值,节省训练时间;随着训练的进行,均匀分步学习策略可以逐步调小学习率,从而达到更快更精确定位最优值的效果。
进一步,所述步骤D中根据模型文件对中餐食物图像进行识别,具体步骤为:利用模型文件对测试集的单张中餐食物图像进行识别,识别结束后输出识别结果的top-k准确率,其中k取不为0的整数。
本发明的有益效果是:本发明采用的一种基于卷积神经网络的中餐食物识别方法,先采集中餐食物的图像数据,然后生成中餐食物的图像数据集,按照一定的比例将图像数据集分成训练集和测试集,然后根据训练集内的图像数据对构建好的卷积神经网络模型进行训练,训练的过程中采用均匀分步学习策略进行训练,训练完成后生成模型文件,然后便可以根据模型文件对中餐食物图像进行识别,本发明在训练卷积神经网络时采用均匀分步学习策略进行训练,在训练开始时以较大的学习率搜索最优值,可以节省训练时间,随着训练的进行,均匀分步学习策略逐步调小学习率,从而达到更快更精确定位最优值的效果,本发明的识别方法针对不同种类的食物可以对卷积神经网络进行不同的训练,识别食物类别的精确率较高,并且识别时间短。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明一种基于卷积神经网络的中餐食物识别方法的流程框图;
图2是本发明卷积神经网络的结构示意图。
具体实施方式
以下所述以25类中餐食物作为采集对象,其中从图像数据中选取的图像数量N为8734张,N的数量由中餐食物的类别确定。
参照图1,本发明的一种基于卷积神经网络的中餐食物识别方法,先采集25种中餐食物的图像数据,然后从图像数据中随机选取出8734张图像,每个类别食物的样本大于300个,然后将8734张图像进行统一分割,调整成大小为256*256的图像数据集,然后按4:1的比例将图像数据集分成训练集和测试集,其中训练集和测试集相互之间的图像数据不重叠,然后构建卷积神经网络模型,根据训练集对卷积神经网络模型进行训练,训练的过程中采用均匀分步学习策略进行训练,在卷积神经网络训练完成后,生成一个模型文件,通过模型文件即可对测试集的中餐食物图像数据进行识别,由于采用了均匀分步学习策略进行训练,使得卷积神经网络的训练速度加快,卷积神经网络的准确性也有了一定的提高,从而中餐食物种类的识别也更加精确。
具体地,对中餐食物的图像数据进行采集时,通过摄像头拍照的形式进行图像数据的采集,并且在采集图像时调整摄像头的位置从多个角度对图像进行采集,可以保证图像数据的完整性,也可以保证在训练卷积神经网络时可以更为精确,对图像进行分割成统一的大小也是达到同样的效果。
将图像数据集按4:1的比例随机分成训练集和测试集,并且训练集和测试集无重叠,训练集和测试集不重叠才能保证卷积神经网络训练的完整性。
具体地,在训练卷积神经网络时,以leveldb数据格式输入训练集图像数据,并提供每张图像相应的真实标签,利用卷积神经网络输出该图像的预测类别标签,通过反向传播对卷积神经网络中的参数进行调整从而缩小预测标签与真实标签的之间的差距,具体步骤为:使用高斯分布算法初始化卷积神经网络所有权重项,并使用固定常熟初始化偏置项;卷积神经网络的前向计算;卷积神经网络的后向计算;计算卷积神经网络预测值与真实值的误差,更新权重与偏置项,然后使用随机梯度下降法搜索权重集合,以交叉熵作为损失函数,采用均匀分步学习策略避免陷入局部最优,并帮助寻找全局最优的学习率,在训练停止后,将卷积神经网络中的所有参数生成一个模型文件。
现阶段对卷积神经网络训练的学习策略主要有固定学习策略、均匀分步学习策略与多分步学习策略,本发明中训练卷积神经网络采用的学习策略为均匀分步学习策略,这个策略要结合参数学习率步长stepsize使用,当迭代次数达到stepsize的整数倍时学习率可通过如下公式计算更新:
其中lr代表当前学习率,base_lr表示初始学习率,gamma表示学习率的衰减因子,iter表示当前的迭代次数。
在本发明中采用的均匀分步学习策略实施过程如下:初始学习率base_lr=0.001,学习率步长stepsize=400,衰减因子gamma=0.1;当训练过程迭代次数到达900时,根据均匀分步学习策略的学习率计算公式有可得学习率lr=0.001*0.1^(floor(900/400))=0.00001;但在实际训练过程中,采用均匀分步学习策略训练卷积神经网络时,当迭代次数达到200次左右时训练结果便会收敛,此时识别准确率达到97%以上,损失函数的loss值控制在0.15以下。
采用均匀分步学习策略的好处在于它可以在训练开始时以较大的学习率搜索最优值,节省训练时间,随着训练的进行,均匀分步学习策略可以逐步调小学习率,从而达到更快更精确定位最优值的效果;若将均匀分步学习策略换为固定学习策略,则卷积神经网络在迭代次数达到1000次以上时才收敛,甚至部分训练结果出现了不收敛的情况,导致最终的识别准确率最高只能达到95%,训练效果明显不如采用均匀分步学习策略。
在训练完卷积神经网络后,会生成一个模型文件,利用模型文件对测试集的单张中餐食物图形进行识别,识别过程的程序接口可以选择c++或python,识别结束后输出识别结果的top-k准确率,k为不为0的整数,具体识别效果如下:
方法 | 识别准确率(Top-1) | 识别准确率(Top-5) |
卷积神经网络 | 97.12% | 99.86% |
参照图2,本发明在构建卷积神经网络模型时,所构建的卷积神经网络包括5层,其中第一层、第二层、第三层均包括一个卷积层和一个下采样层,第四层包括一个全连接层和一个dropout层,第五层包括一个全连接层,卷积层用于提取特征,全连接层用于分类,通过卷积层以及全连接层可以完成对中餐食物的识别。
具体地,第一层的卷积层采用64个大小为9*9的卷积核,步长设定为4像素,不进行边缘扩充,进行下采样操作后生成64个大小为31*31的特征图;第二层的卷积层采用128个大小为5*5的卷积核,步长为1像素,同样进行下采样后生成128个大小为15*15的特征图;第三层的卷积层采用256个大小为3*3的卷积核,步长为1像素;并且第一层、第二层、第三层的下采样层均为大小为3*3、步长为2的滤波器。
具体地,第一层、第二层、第三层的下采样层会分别对上层进行池化,池化的方式通常包含最大池化、均值池化、随机池化和高斯池化,在本发明中的池化过程均为最大池化。
第四层的全连接层包括512个输出神经元,第五层的全连接层包括25个输出神经元,对应于25个类别的食物。
具体地,在卷积神经网络的中,采用线性整流函数ReLu作为激活函数,相对于传统采用的sigmoid函数而言,可以更好的挖掘相关特征,拟合训练数据。
本发明的一种基于卷积神经网络的中餐食物识别方法,可以准确的识别出中餐食物的类别,同时由于采用了均匀分步学习策略,提高了卷积神经网络的训练速度以及精确度,在识别中餐食物类别的过程中,识别速度较快且识别的精确度较高,对25类中餐食物随机挑选出来的8734张中餐食物图像进行分类,识别准确率高达97.12%。
本发明不仅局限于中餐食物,对于其他类别的食物同样适用,并且中餐食物的种类也不局限与25种,可以是更多的种类。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,都应属于本发明的保护范围。
Claims (9)
1.一种基于卷积神经网络的中餐食物识别方法,其特征在于:包括以下步骤:
A、采集中餐食物的图像数据,并生成中餐食物的图像数据集,然后将图像数据集分为训练集与测试集;
B、构建卷积神经网络模型;
C、采用均匀分步学习策略,根据训练集对卷积神经网络进行训练,并生成模型文件;
D、根据模型文件对中餐食物图像进行识别。
2.根据权利要求1所述的一种基于卷积神经网络的中餐食物识别方法,其特征在于:所述步骤A中采集中餐食物的图像数据,并生成中餐食物的图像数据集,具体步骤为:通过摄像头拍照的形式进行图像数据的采集,在采集图像时调整摄像头的位置从多个角度对图像进行采集,然后从所有图像数据中随机挑选N张图像,对所有的N张图像进行分割,得到统一大小的N张图像的图像数据集,其中N的数量由中餐食物的种类数量决定。
3.根据权利要求1所述的一种基于卷积神经网络的中餐食物识别方法,其特征在于:所述步骤A中将图像数据集分为训练集与测试集,将图像数据集按4:1的比例随机分成训练集和测试集,并且训练集和测试集无重叠。
4.根据权利要求1所述的一种基于卷积神经网络的中餐食物识别方法,其特征在于:所述步骤B中构建卷积神经网络模型,所构建的卷积神经网络包括5层,其中第一层、第二层、第三层均包括一个卷积层和一个下采样层,第四层包括一个全连接层和一个dropout层,第五层包括一个全连接层。
5.根据权利要求4所述的一种基于卷积神经网络的中餐食物识别方法,其特征在于:所述第一层的卷积层采用64个大小为9*9的卷积核,所述第二层的卷积层采用128个大小为5*5的卷积核,所述第三层的卷积层采用256个大小为3*3的卷积核,所述第一层、第二层、第三层的下采样层均为大小为3*3的滤波器,第四层的全连接层包括512个输出神经元,第五层的全连接层包括25个输出神经元。
6.根据权利要求1所述的一种基于卷积神经网络的中餐食物识别方法,其特征在于:所述步骤B中构建卷积神经网络模型,在所述卷积神经网络中,采用线性整流函数ReLu作为激活函数。
7.根据权利要求1所述的一种基于卷积神经网络的中餐食物识别方法,其特征在于:所述步骤C中采用均匀分步学习策略,根据训练集对卷积神经网络进行训练,并生成模型文件,具体步骤为:
C1、使用高斯分布算法初始化卷积神经网络所有权重项,并使用固定常熟初始化偏置项;
C2、卷积神经网络的前向计算;
C3、卷积神经网络的后向计算;
C4、计算卷积神经网络预测值与真实值的误差,更新权重与偏置项,然后使用随机梯度下降法搜索权重集合,以交叉熵作为损失函数,采用均匀分步学习策略得到全局最优的学习率,在训练停止后,将卷积神经网络中的所有参数生成一个模型文件。
8.根据权利要求7所述的一种基于卷积神经网络的中餐食物识别方法,其特征在于:所述步骤C4中采用均匀分步学习策略得到全局最优的学习率,其中均匀分步学习策略结合参数学习率步长stepsize,当训练过程的迭代次数达到stepsize的整数倍时,学习率通过如下公式计算更新:
其中lr代表当前学习率,base_lr表示初始学习率,gamma表示学习率的衰减因子,iter表示当前的迭代次数。
9.根据权利要求1所述的一种基于卷积神经网络的中餐食物识别方法,其特征在于:所述步骤D中根据模型文件对中餐食物图像进行识别,具体步骤为:利用模型文件对测试集的单张中餐食物图像进行识别,识别结束后输出识别结果的top-k准确率,其中k取不为0的整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810038061.5A CN108256571A (zh) | 2018-01-16 | 2018-01-16 | 一种基于卷积神经网络的中餐食物识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810038061.5A CN108256571A (zh) | 2018-01-16 | 2018-01-16 | 一种基于卷积神经网络的中餐食物识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108256571A true CN108256571A (zh) | 2018-07-06 |
Family
ID=62741092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810038061.5A Pending CN108256571A (zh) | 2018-01-16 | 2018-01-16 | 一种基于卷积神经网络的中餐食物识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256571A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284406A (zh) * | 2018-09-03 | 2019-01-29 | 四川长虹电器股份有限公司 | 基于差异循环神经网络的意图识别方法 |
CN109472360A (zh) * | 2018-10-30 | 2019-03-15 | 北京地平线机器人技术研发有限公司 | 神经网络的更新方法、更新装置和电子设备 |
CN109543605A (zh) * | 2018-11-21 | 2019-03-29 | 珠海格力电器股份有限公司 | 基于卷积神经网络的食物变质管理方法、系统、贮藏设备 |
CN110059551A (zh) * | 2019-03-12 | 2019-07-26 | 五邑大学 | 一种基于图像识别的饭菜自动结账系统 |
CN110100774A (zh) * | 2019-05-08 | 2019-08-09 | 安徽大学 | 基于卷积神经网络的河蟹雌雄识别方法 |
CN110705621A (zh) * | 2019-09-25 | 2020-01-17 | 北京影谱科技股份有限公司 | 基于dcnn的食物图像的识别方法和系统及食物热量计算方法 |
CN111797719A (zh) * | 2020-06-17 | 2020-10-20 | 武汉大学 | 一种食物成分识别方法 |
CN112652392A (zh) * | 2020-12-22 | 2021-04-13 | 成都市爱迦科技有限责任公司 | 一种基于深度神经网络的眼底异常预测系统 |
CN113455660A (zh) * | 2021-05-28 | 2021-10-01 | 天津博诺智创机器人技术有限公司 | 一种食物智能协作方法以及应用该方法的早餐制备系统 |
CN113539427A (zh) * | 2020-04-22 | 2021-10-22 | 深圳市前海高新国际医疗管理有限公司 | 基于卷积神经网络的营养干预分析系统及分析方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010014436A1 (en) * | 1999-10-25 | 2001-08-16 | Lemelson Jerome H. | Automatically optimized combustion control |
CN104077842A (zh) * | 2014-07-02 | 2014-10-01 | 浙江大学 | 基于图像识别的自选餐厅自助付费装置及其使用方法 |
CN106096932A (zh) * | 2016-06-06 | 2016-11-09 | 杭州汇萃智能科技有限公司 | 基于餐具形状的菜品自动识别系统的计价方法 |
CN106845527A (zh) * | 2016-12-29 | 2017-06-13 | 南京江南博睿高新技术研究院有限公司 | 一种菜品识别方法 |
CN106874913A (zh) * | 2016-12-29 | 2017-06-20 | 南京江南博睿高新技术研究院有限公司 | 一种菜品检测方法 |
CN107578060A (zh) * | 2017-08-14 | 2018-01-12 | 电子科技大学 | 一种基于可判别区域的深度神经网络用于菜品图像分类的方法 |
-
2018
- 2018-01-16 CN CN201810038061.5A patent/CN108256571A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010014436A1 (en) * | 1999-10-25 | 2001-08-16 | Lemelson Jerome H. | Automatically optimized combustion control |
CN104077842A (zh) * | 2014-07-02 | 2014-10-01 | 浙江大学 | 基于图像识别的自选餐厅自助付费装置及其使用方法 |
CN106096932A (zh) * | 2016-06-06 | 2016-11-09 | 杭州汇萃智能科技有限公司 | 基于餐具形状的菜品自动识别系统的计价方法 |
CN106845527A (zh) * | 2016-12-29 | 2017-06-13 | 南京江南博睿高新技术研究院有限公司 | 一种菜品识别方法 |
CN106874913A (zh) * | 2016-12-29 | 2017-06-20 | 南京江南博睿高新技术研究院有限公司 | 一种菜品检测方法 |
CN107578060A (zh) * | 2017-08-14 | 2018-01-12 | 电子科技大学 | 一种基于可判别区域的深度神经网络用于菜品图像分类的方法 |
Non-Patent Citations (1)
Title |
---|
王聪: "基于深度学习的交通标志检测算法研究", 《中国优秀硕士学位轮论文全文数据库_信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284406A (zh) * | 2018-09-03 | 2019-01-29 | 四川长虹电器股份有限公司 | 基于差异循环神经网络的意图识别方法 |
CN109284406B (zh) * | 2018-09-03 | 2021-12-03 | 四川长虹电器股份有限公司 | 基于差异循环神经网络的意图识别方法 |
CN109472360B (zh) * | 2018-10-30 | 2020-09-04 | 北京地平线机器人技术研发有限公司 | 神经网络的更新方法、更新装置和电子设备 |
CN109472360A (zh) * | 2018-10-30 | 2019-03-15 | 北京地平线机器人技术研发有限公司 | 神经网络的更新方法、更新装置和电子设备 |
US11328180B2 (en) | 2018-10-30 | 2022-05-10 | Beijing Horizon Robotics Technology Research And Development Co., Ltd. | Method for updating neural network and electronic device |
CN109543605A (zh) * | 2018-11-21 | 2019-03-29 | 珠海格力电器股份有限公司 | 基于卷积神经网络的食物变质管理方法、系统、贮藏设备 |
CN110059551A (zh) * | 2019-03-12 | 2019-07-26 | 五邑大学 | 一种基于图像识别的饭菜自动结账系统 |
CN110100774A (zh) * | 2019-05-08 | 2019-08-09 | 安徽大学 | 基于卷积神经网络的河蟹雌雄识别方法 |
CN110705621A (zh) * | 2019-09-25 | 2020-01-17 | 北京影谱科技股份有限公司 | 基于dcnn的食物图像的识别方法和系统及食物热量计算方法 |
CN113539427A (zh) * | 2020-04-22 | 2021-10-22 | 深圳市前海高新国际医疗管理有限公司 | 基于卷积神经网络的营养干预分析系统及分析方法 |
CN111797719A (zh) * | 2020-06-17 | 2020-10-20 | 武汉大学 | 一种食物成分识别方法 |
CN112652392A (zh) * | 2020-12-22 | 2021-04-13 | 成都市爱迦科技有限责任公司 | 一种基于深度神经网络的眼底异常预测系统 |
CN113455660A (zh) * | 2021-05-28 | 2021-10-01 | 天津博诺智创机器人技术有限公司 | 一种食物智能协作方法以及应用该方法的早餐制备系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256571A (zh) | 一种基于卷积神经网络的中餐食物识别方法 | |
Jiao et al. | AF-RCNN: An anchor-free convolutional neural network for multi-categories agricultural pest detection | |
Wu et al. | Convolutional neural networks for fault interpretation in seismic images | |
CN107578060B (zh) | 一种基于可判别区域的深度神经网络用于菜品图像分类的方法 | |
CN109961024A (zh) | 基于深度学习的小麦田间杂草检测方法 | |
CN104462494B (zh) | 一种基于无监督特征学习的遥感图像检索方法及系统 | |
CN106845418A (zh) | 一种基于深度学习的高光谱图像分类方法 | |
Sakib et al. | Implementation of fruits recognition classifier using convolutional neural network algorithm for observation of accuracies for various hidden layers | |
CN106845527A (zh) | 一种菜品识别方法 | |
CN104992142A (zh) | 一种基于深度学习和属性学习相结合的行人识别方法 | |
Nasiri et al. | Deep learning-based precision agriculture through weed recognition in sugar beet fields | |
CN109190476A (zh) | 一种蔬菜识别的方法及装置 | |
CN109543602A (zh) | 一种基于多视角图像特征分解的行人再识别方法 | |
CN106919951A (zh) | 一种基于点击与视觉融合的弱监督双线性深度学习方法 | |
CN105426919A (zh) | 基于显著性指导非监督特征学习的图像分类方法 | |
CN107967474A (zh) | 一种基于卷积神经网络的海面目标显著性检测方法 | |
CN107451594A (zh) | 一种基于多元回归的多视角步态分类方法 | |
CN107784308A (zh) | 基于链式多尺度全卷积网络的显著性目标检测方法 | |
CN107180241A (zh) | 一种基于Gabor特征具有分形结构的极深神经网络的动物分类方法 | |
Wang et al. | Tea picking point detection and location based on Mask-RCNN | |
CN106778701A (zh) | 一种加入Dropout的卷积神经网络的果蔬图像识别方法 | |
CN107766828A (zh) | 基于小波卷积神经网络的无人机着陆地貌分类方法 | |
Zhu et al. | A novel approach for apple leaf disease image segmentation in complex scenes based on two-stage DeepLabv3+ with adaptive loss | |
Manjunathan et al. | Image Processing Based Classification of Energy Sources in Eatables Using Artificial Intelligence | |
CN109190458A (zh) | 一种基于深度学习的小人头检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180706 |
|
RJ01 | Rejection of invention patent application after publication |