CN108573503A - 一种基于拍照的菜量测算方法 - Google Patents
一种基于拍照的菜量测算方法 Download PDFInfo
- Publication number
- CN108573503A CN108573503A CN201810324858.1A CN201810324858A CN108573503A CN 108573503 A CN108573503 A CN 108573503A CN 201810324858 A CN201810324858 A CN 201810324858A CN 108573503 A CN108573503 A CN 108573503A
- Authority
- CN
- China
- Prior art keywords
- image
- vegetable
- volume
- menu
- dish
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Nutrition Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于拍照的菜量测算方法,包括以下步骤:步骤1:采集所有列表菜谱的密度信息;步骤2:采集待测算的菜谱图像并进行预处理;步骤3:对预处理后的图像进行图像分割获得菜品面积;步骤4:根据不同摄像头进行菜品实际面积的转换;步骤5:根据菜品实际面积对其体积进行建模获得菜品的体积;步骤6:根据步骤1得到的菜品密度和步骤5得到的菜品实际体积计算菜量。
Description
技术领域
本发明属于视觉测算技术领域,涉及一种基于拍照的菜量测算方法。
背景技术
随着数字健康医疗信息产业的发展,人们也越来越注意自己的日常饮食。同时随着移动设备的普及,菜谱图像的获取日益便捷。大多数人在日常餐饮中对菜品的菜量没有一个大致的概念,不知道自己究竟摄入了多少的菜量所以不能良好的控制食量,同时无法清楚菜肴所对应的能量和其蕴含的营养物质,以至于无法合理安排膳食。这就需要对其饮食进行指导,实现合理的营养搭配。通过手机相机拍摄功能记录日常所吃的菜肴,通过图像识别来确定菜品的种类,然后获得菜量和其所含的营养成分,从而能够合理的安排接下来的饮食使其营养达到平衡。
发明内容
针对现人们对菜品的菜量没有具体概念的问题,本发明提供了一种基于拍照的菜量测算方法,从而帮助人们了解自己摄入的菜量。
技术方案:本发明公开了一种基于拍照的菜量测算方法,其核心在与通过采集不同菜品的密度信息,通过菜谱图像分割,摄像头拍摄信息转换重建得到拍摄菜品体积,并根据菜品密度和体积得到菜品重量,达到菜量测算的目的。具体包含以下步骤:
步骤1:采集所有列表菜谱的密度信息;
步骤2:采集待测算的菜谱图像并进行预处理;
步骤3:对预处理后的图像进行图像分割获得菜品面积;
步骤4:根据不同摄像头进行菜品实际面积的转换;
步骤5:根据菜品实际面积对其体积进行建模获得菜品的体积;
步骤6:根据步骤1得到的密度信息和步骤5得到的菜品体积计算菜量。
步骤1包括:对于列表菜谱中每一种菜品,用量杯和厨房秤分别测量菜品的体积V和重量M,然后计算出对应的密度ρ,例如对于糯米蒸排骨,测得的重量为767g,体积为575cm2,此时通过密度公式ρ=M/V计算得到其密度为1.333g/cm2;
步骤2包括如下步骤:
步骤2-1,距离菜品1尺拍摄菜谱图像,使菜品在图像的中央;
步骤2-2,采集拍摄到的图像的尺寸大小和拍摄图像的镜头的相对焦距;
步骤2-3,对拍摄到的图像进行裁剪,裁剪出一个600*600的菜品居中的正方形图像并缩放到250*250;
步骤2-4,根据步骤2-3正方形图像,对其进行菜谱识别得出其菜品种类c。
步骤2-4包括如下步骤:
步骤2-4-1,构造神经网络模型;
步骤2-4-2,初始化神经网络模型,使用Xavier方法初始化参数(引用文献:GlorotX,Bengio Y.Understanding the difficulty of training deep feedforward neuralnetworks[J].Journal of Machine Learning Research,2010,9:249-256.);
步骤2-4-3,在网络上爬取N类菜谱图像,并对爬取到的图像进行筛选,去除其中与菜肴不对应的图像,对图像进行预处理:对长方形的图像进行裁剪,裁剪成正方形图像;将裁剪后的正方形图像缩放成250*250;对缩放后的正方形图像进行随机的翻转和裁剪,得到224*224的图像;对224*224图像做归一化处理(z-score标准化方法);用预处理后的正方形图像对神经网络模型进行训练,得到训练好的模型;
步骤2-4-4,使用训练好的模型对步骤2-3得到的正方形图像进行菜谱识别得出其菜品种类c。
步骤2-4-1包括:构造神经网络模型,该模型包含4种共33个构造块,卷积层1层,池化层2层以及softmax分类层1层,具体结构为:输入是大小为224*224*3的图像;第1层为卷积层,卷积核的大小是7*7,卷积核的数量是64;第2层为最大值池化层;接下来是3个输入为64维输出为256维的构造块;4个输入为128维输出为512维的构造块;23个输入为256维输出为1024维的构造块;3个输入为512维输出为2048维的构造块;然后为池化层,采用的池化操作是平均池化,最后一层为softmax分类层。构建构造块,对于每一个构造块,使用了三个叠加层,分别是1*1、3*3和1*1的卷积。
步骤3中用grabcut函数对预处理后的菜品图像进行图像分割,分割出菜品图像得到其对应的像素数,即菜品面积,具体包括如下步骤:
步骤3-1:设置一个与步骤2预处理后的正方形图像同等大小的掩码图像mask,将其全部置为3,即可能的前景;
步骤3-2:将掩码图像mask的最外面一圈置为0,即该部分肯定为背景,此外将mask的1/3角都置为0;
步骤3-3:设置迭代次数(一般为5次),得到分割后的掩码图像mask,统计其中为1和3的总数即为分割出菜品图像对应的像素数,从而得到菜品面积。
步骤4包括如下步骤:
步骤4-1,距离菜品1尺拍摄菜谱图像,使菜品在图像的中央,通过如下公式得到像距;
其中f表示焦距,v表示像距,u表示物距;
步骤4-2,用135相机当作参照,通过相似三角形变换得到135相机拍摄出的照片实际面积SrecipeArea,具体公式如下:
SrecipeArea=hu*wu,
其中,hv,wv分别表示胶卷画幅的高和宽,hu,wu分别表示实际场景的高和宽;
步骤4-3,根据步骤2-2得到的相对焦距和图像的尺寸将135相机拍摄图像每像素实际体积转换成当前摄像头拍摄出照片每像素对应的实际面积SpixelArea:
其中SrecipeArea为照片实际面积,h,w分别表示照片的高和宽;
步骤5包括如下步骤:
步骤5-1,根据步骤3得出的菜谱图像的像素点数用二维高斯分布对其深度进行建模,具体公式如下:
其中σ是常数,x,y分别是二维图像的横坐标、纵坐标,f(x,y)为像素点重建的深度;
步骤5-2,根据步骤4-3得出的菜谱图像的实际面积和步骤5-1得出的深度计算初步体积Voriginal,具体公式如下:
Voriginal=SpixelArea*∑f(x,y);
步骤5-3,根据步骤4-3得出的菜谱图像的实际面积在步骤5-2得出的初步体积上乘比例因子得到菜品体积Vpredict,e表示自然常数。
步骤6中,根据步骤1中采集的密度信息,步骤2-4得到的菜品种类和步骤5-3得到的菜品体积计算菜量W,具体公式如下:
W=ρc*Vpredict,
其中ρc是对应菜品种类的密度。
步骤3中用到的grabcut函数原型为void cv::grabcut(InputArray_img,InputOutputArray_mask,Rect rect,InputOutputArray_bgdModel,InputOutputArray_fgdModel,int iterCount,int mode)其中:
Img表示待分割的源图像,必须是8位3通道图像,在处理的过程中不会被修改;
mask表示掩码图像,mask只能取以下四种值:GCD_BGD(0),背景;GCD_FGD(1),前景;GCD_PR_BGD(2),可能的背景;GCD_PR_FGD(3),可能的前景。
Rect用于限定需要进行分割的图像范围,只有该矩形窗口内的图像部分才被处理;
bgdModel表示背景模型;
fgdModel表示前景模型;
iterCount表示迭代次数;
mode用于指示grabCut函数进行什么操作:GC_INIT_WITH_RECT(=0),用矩形窗初始化GrabCut;GC_INIT_WITH_MASK(=1),用掩码图像初始化GrabCut;GC_EVAL(=2),执行分割。
菜量测算识别作为数字健康医疗信息产业中非常关键的一环,为了精确的通过拍摄到的照片测算菜量,本发明对列表菜谱中每一种菜谱都进行了密度信息采集,并分析了不同的摄像头对菜量测算的影响并做出矫正。同时对对菜品体积进行建模并用一定的比例因子对其进行矫正,以满足医疗和日常应用的精确性性要求。
有益效果
本发明提供的一种基于拍照的菜量测算方法有益效果在于:
1)本基于拍照的菜量测算方法,通过使用量杯和厨房秤测量得到列表菜谱的密度,解决了不同菜品所对应的密度不同的问题,得到一组精确的密度菜谱数据。
2)本基于拍照的菜量测算的方法在进行grabcut前先对掩码图像mask做出一定的设置,大大提高了菜谱分割的准确性。
3)本基于拍照的菜量测算的方法在进行实际菜品面积的计算时对不同的摄像头拍摄的图像进行矫正,不仅提高了其计算精确度,而且提高了方法的鲁棒性。
4)本基于拍照的菜量测算的方法在进行菜品体积建模时根据其菜品的实际面积乘以比例因子进行矫正,大大提高了其重建体积的真实性。
5)本基于拍照的菜量测算的方法通过菜谱密度采集模块、图像预处理模块、菜品实际面积获取模块、菜品体检重建模块的协同工作,不仅精度极高,而且适用性广泛,鲁棒性好,非常有利于应用于实际场景中。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述或其他方面的优点将会变得更加清楚。
图1为基于拍照的菜量测算方法的流程图。
图2为拍摄到的菜谱原始图像。
图3为预处理后的菜谱图像的结果图。
图4为本发明中进行图像分割后的结果图。
图5为本发明中使用的135相机转换原理示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
下面将结合本发明实施例的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。在不同的实施例中,不仅可以通过重建获得体积,也可以通过统计数据获得拍摄菜品对应的体积。同时在进行grabcut时,掩码图像mask的设定可以根据预处理时缩放尺寸的大小进行改变,例如对于尺寸较大的图像可以将较宽的外圈置0且加大四角置0的范围,尺寸较小的图像可以将较窄的外圈置0且减小四角置0的范围。本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,均属于本发明的保护范围。
实施例1
参照图1所示,本发明公开了一种基于拍照的菜量测算方法,具体包括如下步骤:
步骤1:采集所有列表菜谱的密度信息;
步骤2:采集待测算的菜谱图像并进行预处理;
步骤3:对预处理后的图像进行图像分割获得菜品面积;
步骤4:根据不同摄像头进行菜品实际面积的转换;
步骤5:根据菜品实际面积对其体积进行建模获得菜品的体积;
步骤6:根据步骤1得到的菜品密度和步骤5得到的菜品实际体积计算菜量。
步骤1中包括:对于列表菜谱中每一种菜品,用量杯和厨房秤分别测量菜品的体积和重量,然后计算出对应的密度。
步骤2包括如下步骤:
步骤2-1,如图2,距离菜品1尺左右拍摄菜谱图像,使菜品在图像的中央;
步骤2-2,采集摄到的图像的尺寸大小和拍摄图像的镜头的相对焦距;
步骤2-3,如图3,对拍摄到的图像进行裁剪,裁剪出一个600*600的菜品居中的正方形图像并缩放到250*250;
步骤2-4,用步骤2-3正方形图像用一种基于深度卷积神经网络的菜谱识别方法对其进行菜谱识别得出其菜品种类c。
步骤3包括:如图4,所示用grabcut对预处理后的菜品图像进行图像分割,得到分割出的菜品图像对应的像素数Npixel。具体步骤如下:
步骤3-1:设置一个与步骤2预处理后的正方形图像同等大小的掩码图像mask,将其全部置为3,即可能的前景;
步骤3-2:将掩码图像mask的最外面一圈置为0,即该部分肯定为背景,此外将mask的1/3角都置为0,将部分盘子设置为背景,提高菜谱图像分割的准确性;
步骤3-3:设置迭代次数为5次,得到分割后的掩码图像mask,统计其中为1和3的总数即为分割出菜品图像对应的像素数。
步骤3中用到的grabcut函数原型为void cv::grabCut(InputArray_img,InputOutputArray_mask,Rect rect,InputOutputArray_bgdModel,InputOutputArray_fgdModel,int iterCount,int mode)其中:
img——待分割的源图像,必须是8位3通道图像,在处理的过程中不会被修改;
mask——掩码图像,mask只能取以下四种值:GCD_BGD(0),背景;GCD_FGD(1),前景;GCD_PR_BGD(2),可能的背景;GCD_PR_FGD(3),可能的前景。
rect——限定需要进行分割的图像范围,只有该矩形窗口内的图像部分才被处理;
bgdModel——背景模型;
fgdModel——前景模型;
iterCount——迭代次数;
mode——用于指示grabCut函数进行什么操作GC_INIT_WITH_RECT(=0),用矩形窗初始化GrabCut;GC_INIT_WITH_MASK(=1),用掩码图像初始化GrabCut;GC_EVAL(=2),执行分割。
步骤4包括如下步骤:
步骤4-1,根据步骤2-1中采集图像的方法通过如下公式得到像距;
其中f表示焦距,v表示像距,u表示物距;
步骤4-2,如图5所示,用135相机当作参照,根据步骤1中的拍摄距离和步骤4-1得到的像距,通过相似三角形变换得到135相机拍摄出图像的实际范围,从而得出图像对应的实际面积SrecipeArea;
步骤4-3,根据步骤2-2得到的相对焦距和照片尺寸,将步骤4-2中135相机拍摄图像每个像素对应的实际面积转换成当前摄像头拍摄出的照片每个像素对应的实际面积SpixelArea。
步骤5包括如下步骤:
步骤5-1,根据步骤3得出的菜谱图像的像素点数用二维高斯分布对其深度进行建模,具体公式如下:
其中σ是常数,x,y分别是二维图像的横坐标、纵坐标,f(x,y)为像素点重建的深度;
步骤5-2,根据步骤4-3得出的菜谱图像的实际面积和步骤5-1得出的体积计算初步体积Voriginal;
步骤5-3,根据步骤4-3得出的菜谱图像的实际面积在步骤5-2得出的初步体积上乘以比例因子得到菜品体积Vpredict。
步骤6中,根据步骤1中采集的密度信息,步骤2-4得到的菜谱种类得到拍摄图像对应的密度,然后再根据步骤5-3得到的菜品体积计算菜量W。
本发明提供了一种基于拍照的菜量测算方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (7)
1.一种基于拍照的菜量测算方法,其特征在于,包括以下步骤:
步骤1:采集所有列表菜谱的密度信息;
步骤2:采集待测算的菜谱图像并进行预处理;
步骤3:对预处理后的图像进行图像分割获得菜品面积;
步骤4:根据不同摄像头进行菜品实际面积的转换;
步骤5:根据菜品实际面积对其体积进行建模获得菜品的体积;
步骤6:根据步骤1得到的密度信息和步骤5得到的菜品体积计算菜量。
2.根据权利要求1所述的方法,其特征在于,步骤1包括:对于列表菜谱中每一种菜品,用量杯和厨房秤分别测量菜品的体积V和重量M,然后运用密度公式ρ=M/V计算出对应的密度ρ。
3.根据权利要求2所述的方法,其特征在于,步骤2包括如下步骤:
步骤2-1,距离菜品1尺拍摄菜谱图像,使菜品在图像的中央;
步骤2-2,采集拍摄到的图像的尺寸大小和拍摄图像的镜头的相对焦距;
步骤2-3,对拍摄到的图像进行裁剪,裁剪出一个600*600的菜品居中的正方形图像并将其缩放到250*250;
步骤2-4,根据步骤2-3正方形图像,对其进行菜谱识别得出其菜品种类c。
4.根据权利要求3所述的方法,其特征在于,步骤3中用grabcut函数对预处理后的菜品图像进行图像分割,分割出菜品图像得到其对应的像素数,即菜品面积,具体包括如下步骤:
步骤3-1:设置一个与步骤2预处理后的正方形图像同等大小的掩码图像,将其全部置为3,即可能的前景;
步骤3-2:将掩码图像的最外面一圈置为0,即该部分肯定为背景,此外将mask的1/3角都置为0;
步骤3-3:设置迭代次数,得到分割后的掩码图像,统计其中为1和3的总数即为分割出菜品图像对应的像素数Npixel,从而得到菜品面积。
5.根据权利要求4所述的方法,其特征在于,步骤4包括如下步骤:
步骤4-1,距离菜品1尺拍摄菜谱图像,使菜品在图像的中央,通过如下公式得到像距;
其中f表示焦距,v表示像距,u表示物距;
步骤4-2,用135相机当作参照,通过相似三角形变换得到135相机拍摄出的照片对应的实际面积SrecipeArea,具体公式如下:
SrecipeArea=hu*wu,
其中,hv,wv分别表示胶卷画幅的高和宽,hu,wu分别表示实际场景的高和宽;
步骤4-3,根据步骤2-2得到的相对焦距和图像的尺寸将135相机拍摄图像每像素实际体积转换成当前摄像头拍摄出照片每像素对应的实际面积SpixelArea:
其中SrecipeArea为照片实际面积,h,w分别表示照片的高和宽。
6.根据权利要求5所述的方法,其特征在于,步骤5包括如下步骤:
步骤5-1,根据步骤3得出的菜谱图像的像素点数用二维高斯分布对其深度进行建模,具体公式如下:
其中σ是常数,x,y分别是二维图像的横坐标、纵坐标,f(x,y)为像素点重建的深度;
步骤5-2,根据步骤4-3得出的菜谱图像的实际面积和步骤5-1得出的深度计算初步体积Voriginal,具体公式如下:
Voriginal=SpixelArea*∑f(x,y);
步骤5-3,根据步骤4-3得出的菜谱图像的实际面积在步骤5-2得出的初步体积上乘比例因子得到菜品体积Vpredict。
7.根据权利要求6所述方法,其特征在于,步骤6中,根据步骤1中采集的密度信息,步骤2-4得到的菜品种类和步骤5-3得到的菜品体积计算菜量W,具体公式如下:
W=ρc*Vpredict,
其中ρc是对应菜品种类的密度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810324858.1A CN108573503B (zh) | 2018-04-12 | 2018-04-12 | 一种基于拍照的菜量测算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810324858.1A CN108573503B (zh) | 2018-04-12 | 2018-04-12 | 一种基于拍照的菜量测算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108573503A true CN108573503A (zh) | 2018-09-25 |
CN108573503B CN108573503B (zh) | 2020-09-18 |
Family
ID=63574856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810324858.1A Active CN108573503B (zh) | 2018-04-12 | 2018-04-12 | 一种基于拍照的菜量测算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108573503B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110715870A (zh) * | 2019-10-21 | 2020-01-21 | 张丽 | 货物重量数据作弊检测系统 |
CN113435423A (zh) * | 2021-08-26 | 2021-09-24 | 湖南孚谷物联科技有限公司 | 基于物联网的菜品份量识别方法和系统 |
WO2022077348A1 (zh) * | 2020-10-15 | 2022-04-21 | 京东方科技集团股份有限公司 | 食物体积、热量计算方法、电子装置、电子设备和存储介质 |
JP7428609B2 (ja) | 2019-10-03 | 2024-02-06 | 株式会社リンクアンドコミュニケーション | 料理面積推定装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105588513A (zh) * | 2016-04-11 | 2016-05-18 | 上海斐讯数据通信技术有限公司 | 基于移动终端的物体体积测量方法及系统 |
-
2018
- 2018-04-12 CN CN201810324858.1A patent/CN108573503B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105588513A (zh) * | 2016-04-11 | 2016-05-18 | 上海斐讯数据通信技术有限公司 | 基于移动终端的物体体积测量方法及系统 |
Non-Patent Citations (1)
Title |
---|
孙浩荣: "基于SVM的食物图像分类算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑,2017年第03期,I138-4815》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7428609B2 (ja) | 2019-10-03 | 2024-02-06 | 株式会社リンクアンドコミュニケーション | 料理面積推定装置 |
CN110715870A (zh) * | 2019-10-21 | 2020-01-21 | 张丽 | 货物重量数据作弊检测系统 |
WO2022077348A1 (zh) * | 2020-10-15 | 2022-04-21 | 京东方科技集团股份有限公司 | 食物体积、热量计算方法、电子装置、电子设备和存储介质 |
CN113435423A (zh) * | 2021-08-26 | 2021-09-24 | 湖南孚谷物联科技有限公司 | 基于物联网的菜品份量识别方法和系统 |
CN113435423B (zh) * | 2021-08-26 | 2021-11-16 | 湖南孚谷物联科技有限公司 | 基于物联网的菜品份量识别方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108573503B (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573503A (zh) | 一种基于拍照的菜量测算方法 | |
CN110136157B (zh) | 一种基于深度学习的三维颈动脉超声图像血管壁分割方法 | |
CN108596024B (zh) | 一种基于人脸结构信息的肖像生成方法 | |
US20210365717A1 (en) | Method and apparatus for segmenting a medical image, and storage medium | |
CN110473173A (zh) | 一种基于深度学习语义分割的缺陷检测方法 | |
CN108510067A (zh) | 基于工程化实现的卷积神经网络量化方法 | |
CN103808265B (zh) | 油菜叶片及菌核病斑形态同步测量的方法、装置及系统 | |
CN108122236A (zh) | 基于距离调制损失的迭代式眼底图像血管分割方法 | |
CN107993238A (zh) | 一种基于注意力模型的头肩部分图像分割方法及装置 | |
CN106682734A (zh) | 一种提升卷积神经网络泛化能力的方法及装置 | |
CN107292319A (zh) | 一种基于可变形卷积层的特征图像提取的方法及装置 | |
CN107403117A (zh) | 基于fpga的三维卷积器 | |
CN107862249A (zh) | 一种分叉掌纹识别方法及装置 | |
CN106600595A (zh) | 一种基于人工智能算法的人体特征尺寸自动测量方法 | |
TWI672637B (zh) | 自體免疫抗體免疫螢光影像型態識別方法 | |
CN106898011A (zh) | 一种基于边缘检测来确定卷积神经网络卷积核数量的方法 | |
CN106650795A (zh) | 酒店房型图像的排序方法 | |
CN110059715A (zh) | 植物种类的识别方法及装置、存储介质、计算机设备 | |
CN107992783A (zh) | 人脸图像处理方法及装置 | |
JP2021117625A (ja) | 土の粒度分布の推定方法 | |
CN117437240A (zh) | 基于改进U-Net网络的口腔鳞状细胞癌医学图像分割方法 | |
CN108830154A (zh) | 一种基于双目摄像头的食物营养成分检测方法及系统 | |
CN109086806A (zh) | 一种基于低分辨率压缩图像的iot便携式设备视觉识别加速方法 | |
CN110503182A (zh) | 深度神经网络中的网络层运算方法及装置 | |
CN108681753A (zh) | 一种基于语义分割及神经网络的图像立体匹配方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220507 Address after: 210000 No. 8, Shanhu West Road, Xianlin street, Qixia District, Nanjing, Jiangsu Province Patentee after: Gu Xudong Address before: 221341 Chahe Town Industrial Park, Pizhou City, Xuzhou City, Jiangsu Province Patentee before: XUZHOU LEJIAN TIANHE HEALTH TECHNOLOGY CO.,LTD. |
|
TR01 | Transfer of patent right |