CN108335731A - 一种基于计算机视觉的病人饮食推荐方法 - Google Patents

Abstract

本发明提供一种基于计算机视觉的病人饮食推荐方法，涉及计算机视觉技术领域。包括：获取图片数据集，使用TensorFlow作为深度学习框架构建系统图片知识库；获取文本数据集，利用长短时记忆网络模型LSTM构建系统图片知识库；采集用户患病情况，调取系统文本知识库并输出用户候选饮食推荐表；采集用户选取的食物图片；识别图片并与候选饮食推荐表匹配，输出答案。本发明提供的一种基于计算机视觉的病人饮食推荐方法，不仅考虑用户的食物忌口，还会考虑食物相克，减少医师工作，立即识别用户采集图片中食物，显示出该食物可选概率，对病人的饮食进行推荐，从而保障了用户的健康。

Description

一种基于计算机视觉的病人饮食推荐方法

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种基于计算机视觉的病人饮食推荐方法。

背景技术

目前的现有技术如基于安卓平台的糖尿病饮食推荐方法等，大致的实现原理就是总体架构采用C/S模式，服务器端使用WebService技术，用户通过手机端或者移动端发出post请求，服务器端使用HTTP通信协议中的HttpServlet类的post方法响应客户端的请求，服务器把存储的用户基本信息，疾病信息，食物特性，各类膳食食谱以及各种针对饮食推荐的信息从数据库提取并交给Servlet，Servlet把信息封装成json数据并在HttpServlet容器响应客户端请求。此类方法只能用文字进行传输，不能记录用户日常的饮食记录，且针对特定的病人，使用的人群范围较小。

发明内容

针对现有技术存在的问题，本发明提供一种基于计算机视觉的病人饮食推荐方法，通过计算机视觉的方式，利用大量的食物图片制作图片数据集，然后将制作好的图片数据集放入卷积神经网络中进行训练，形成系统图片知识库，让计算机识别并区分食物，并结合LSTM神经网络模型对文本数据集进行处理，形成系统文本知识库与计算机视觉中识别的食物进行比配，最终把结论展现给用户。

为了实现上述目的，一种基于计算机视觉的病人饮食推荐方法，包括以下步骤：

步骤1：获取图片数据集，使用TensorFlow作为深度学习框架构建系统图片知识库，具体方法如下：

步骤1.1：获取图片数据集；所述图片数据集为各种食物的图片；

步骤1.2：对获取的图片数据集进行预处理，将预处理后的图片数据集转换成矩阵，使用TensorFlow作为深度学习框架，采用ReLU激活函数，搭建基于图片数据集的卷积神经网络，具体方法如下：

步骤1.2.1：对获取的图片数据集进行预处理，包括去噪、灰度化、增强；

步骤1.2.2：将预处理后的图片数据集转换成矩阵，对图像的不同数据窗口数据和共享的数据窗口权重做内积，即特征提取，然后得到新的二维特征图；

步骤1.2.3：对二维特征图进行压缩，一方面使特征图变小，简化网络计算复杂度，一方面进行特征压缩，提取主要特征；

步骤1.2.4：连接所有的特征，把最终得到的二维特征图转化成一个一维的向量，将输出值统一存储；

步骤1.3：将转换成矩阵的图片数据集，放到搭建好的卷积神经网络中，利用YOLO目标检测算法进行训练，得到系统图片权重文件，即系统图片知识库；

步骤2：获取文本数据集，利用长短时记忆网络模型LSTM构建系统文本知识库，具体方法如下：

步骤2.1：获取文本数据集；所述文本数据集为食物相生相克表和各种疾病适宜禁忌食物表；

步骤2.2：利用word2vector模型将文本数据集转换成向量特征，然后结合结巴中文分词技术，采用误差反向传播算法对文本数据集进行预处理，包括中文分词、计算词向量、去除停用词操作；

步骤2.3：将预处理后的文本数据集进行训练，并调整参数；

步骤2.4：将训练后的文本数据集进行归一化处理，生成系统文本权重文件，即系统文本知识库；

步骤3：采集用户患病情况并记录，调取系统文本数据库中与此疾病相对应的适宜禁忌食物表和食物相生相克表，输出用户候选饮食推荐表；

步骤4：采用拍照的方式对用户选取的食物进行图片采集；

步骤5：利用系统图片知识库对采集的图片数据进行识别，并与步骤3中输出的候选饮食推荐表进行匹配，然后将食物名称和可食用概率标注在原图片上输出。

本发明的有益效果：

本发明提出一种基于计算机视觉的病人饮食推荐方法，不仅在患者的食物忌口上有考虑，在日常生活中的食物相克问题上也有考虑，用户能够轻松识别饮食上的食物相克问题，帮助患者在患病期间的饮食忌口问题，从而减少医师的部分工作，将用户采集到的图片上传后就可立即区分该图片中的食物与哪些食物相克，显示出该食物中主要含有的哪些营养成分，对病人的饮食进行推荐，从而保障了用户的健康。

附图说明

图1为本发明实施例的基于计算机视觉的病人饮食推荐方法流程图；

图2为本发明实施例的基于计算机视觉的病人饮食推荐方法中步骤1流程图；

图3为本发明实施例的基于计算机视觉的病人饮食推荐方法中步骤2流程图；

图4为本发明实施例的基于计算机视觉的病人饮食推荐方法中用户选取的食物图样；

图5为本发明实施例的基于计算机视觉的病人饮食推荐方法中匹配后输出图样。

具体实施方式

为了使本发明的目的、技术方案及优势更加清晰,下面结合附图和具体实施例对本发明做进一步详细说明。此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。

一种基于计算机视觉的病人饮食推荐方法，流程如图1所示，具体方法如下所述：

步骤1：获取图片数据集，使用TensorFlow作为深度学习框架构建系统图片知识库，流程如图2所示，具体方法如下：

所述TensorFlow是谷歌公司推出的深度学习框架，是一个采用数据流图(dataflow graphs)，用于数值计算的开源软件库，由Tensor和flow组成，其中，Tensor为多维数组，flow为流，直观的表达了张量之间通过计算相互转换的过程。

步骤1.1：获取图片数据集。所述图片数据集为各种食物的图片。

步骤1.2：对获取的图片数据集进行预处理，将预处理后的图片数据集转换成矩阵，使用TensorFlow作为深度学习框架，采用ReLU激活函数，搭建基于图片数据集的卷积神经网络，具体方法如下：

步骤1.2.1：对获取的图片数据集进行预处理，包括去噪、灰度化、增强；

步骤1.2.2：将预处理后的图片数据集转换成矩阵，对图像的不同数据窗口数据和共享的数据窗口权重做内积，即特征提取，然后得到新的二维特征图。

步骤1.2.3：对二维特征图进行压缩，一方面使特征图变小，简化网络计算复杂度，一方面进行特征压缩，提取主要特征。

步骤1.2.4：连接所有的特征，把最终得到的二维特征图转化成一个一维的向量，将输出值统一存储。

步骤1.3：将转换成矩阵的图片数据集，放到搭建好的卷积神经网络中，利用YOLO目标检测算法进行训练，得到系统图片权重文件，即系统图片知识库。

所述YOLO目标检测算法为一种新的目标检测方法，将目标检测任务看作目标区域预测和类别预测的回归问题，采用单个神经网络直接预测物品边界和类别概率，实现端到端的物品检测，在实现快速检测的同时还能够达到较高的准确率。

步骤2：获取文本数据集，利用长短时记忆网络模型LSTM构建系统文本知识库，流程如图3所示，具体方法如下：

步骤2.1：获取文本数据集。所述文本数据集为食物相生相克表和各种疾病适宜禁忌食物表。

步骤2.2：利用word2vector模型将文本数据集转换成向量特征，然后结合结巴中文分词技术，采用误差反向传播算法对文本数据集进行预处理，包括中文分词、计算词向量、去除停用词操作。

所述word2vector模型是Google在2013年年中开源的一款将词表征为实数值向量的高效工具，通过训练将每个词映射成K维实数向量，通过词之间的距离(比如cosine相似度、欧氏距离等)来判断它们之间的语义相似度。如果说把词当做特征，那么Word2vec就可以把特征映射到K维向量空间，可以为文本数据寻求更加深层次的特征表示。

步骤2.3：将预处理后的文本数据集进行训练，并调整参数。

步骤2.4：将训练后的文本数据集进行归一化处理，生成系统文本权重文件，即系统文本知识库。

本实施例中，将系统文本知识库制成问答系统的模式，方便能够快速的完成匹配，形成用户候选饮食推荐表，从而得到结果。

步骤3：采集用户患病情况并记录，调取系统文本数据库中与此疾病相对应的适宜禁忌食物表和食物相生相克表，输出用户候选饮食推荐表。

本实施例中，用户输入自己的患病情况为接种过狂犬病疫苗，系统文本知识库中就会针对接种过狂犬病疫苗进行检索和匹配，输出的用户候选饮食推荐表则为避免过量饮酒、饮浓茶或咖啡、食用刺激性食物。

步骤4：采用拍照的方式对用户选取的食物进行图片采集。

本实施例中，用户选取的食物为苹果，如图4所示。

步骤5：利用系统图片知识库对采集的图片数据进行识别，并与步骤3中输出的候选饮食推荐表进行匹配，然后将食物名称和可食用概率标注在原图片上输出，如图5所示。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；因而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (4)

1.一种基于计算机视觉的病人饮食推荐方法，其特征在于，包括以下步骤：

步骤1：获取图片数据集，使用TensorFlow作为深度学习框架构建系统图片知识库，

步骤2：获取文本数据集，利用长短时记忆网络模型LSTM构建系统文本知识库；

步骤3：采集用户患病情况并记录，调取系统文本数据库中与此疾病相对应的适宜禁忌食物表和食物相生相克表，输出用户候选饮食推荐表；

步骤4：采用拍照的方式对用户选取的食物进行图片采集；

步骤5：利用系统图片知识库对采集的图片数据进行识别，并与步骤3中输出的候选饮食推荐表进行匹配，然后将食物名称和可食用概率标注在原图片上输出。

2.根据权利要求1所述的基于计算机视觉的病人饮食推荐方法，其特征在于，所述步骤1包括以下步骤：

步骤1.1：获取图片数据集；所述图片数据集为各种食物的图片；

步骤1.2：对获取的图片数据集进行预处理，将预处理后的图片数据集转换成矩阵，使用TensorFlow作为深度学习框架，采用ReLU激活函数，搭建基于图片数据集的卷积神经网络；

步骤1.3：将转换成矩阵的图片数据集，放到搭建好的卷积神经网络中，利用YOLO目标检测算法进行训练，得到系统图片权重文件，即系统图片知识库。

3.根据权利要求2所述的基于计算机视觉的病人饮食推荐方法，其特征在于，所述步骤1.2包括以下步骤：

步骤1.2.1：对获取的图片数据集进行预处理，包括去噪、灰度化、增强；

步骤1.2.2：将预处理后的图片数据集转换成矩阵，对图像的不同数据窗口数据和共享的数据窗口权重做内积，即特征提取，然后得到新的二维特征图；

步骤1.2.3：对二维特征图进行压缩，一方面使特征图变小，简化网络计算复杂度，一方面进行特征压缩，提取主要特征；

步骤1.2.4：连接所有的特征，把最终得到的二维特征图转化成一个一维的向量，将输出值统一存储。

4.根据权利要求1所述的基于计算机视觉的病人饮食推荐方法，其特征在于，所述步骤2包括以下步骤：

步骤2.1：获取文本数据集；所述文本数据集为食物相生相克表和各种疾病适宜禁忌食物表；

步骤2.2：利用word2vector模型将文本数据集转换成向量特征，然后结合结巴中文分词技术，采用误差反向传播算法对文本数据集进行预处理，包括中文分词、计算词向量、去除停用词操作；

步骤2.3：将预处理后的文本数据集进行训练，并调整参数；

步骤2.4：将训练后的文本数据集进行归一化处理，生成系统文本权重文件，即系统文本知识库。