CN108829723B - 基于复杂网络和深度学习的可交互智能冰箱健康服务终端 - Google Patents

基于复杂网络和深度学习的可交互智能冰箱健康服务终端 Download PDF

Info

Publication number
CN108829723B
CN108829723B CN201810432243.0A CN201810432243A CN108829723B CN 108829723 B CN108829723 B CN 108829723B CN 201810432243 A CN201810432243 A CN 201810432243A CN 108829723 B CN108829723 B CN 108829723B
Authority
CN
China
Prior art keywords
layer
refrigerator
user
complex network
food materials
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
Application number
CN201810432243.0A
Other languages
English (en)
Other versions
CN108829723A (zh
Inventor
高忠科
党伟东
常传泉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Keyuan Technology Co ltd
Tianjin University
Original Assignee
Tianjin Keyuan Technology Co ltd
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin Keyuan Technology Co ltd, Tianjin University filed Critical Tianjin Keyuan Technology Co ltd
Priority to CN201810432243.0A priority Critical patent/CN108829723B/zh
Publication of CN108829723A publication Critical patent/CN108829723A/zh
Application granted granted Critical
Publication of CN108829723B publication Critical patent/CN108829723B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Nutrition Science (AREA)
  • Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于复杂网络和深度学习的可交互智能冰箱健康服务终端，还提供一种基于复杂网络和深度学习的可交互智能冰箱的健康服务方法，其中，所述方法包括：建立可视化用户界面；采集冰箱内所储存的食材的图像；根据所采集的冰箱内所储存的食材的图像识别冰箱内所储存的食材种类、数量和/或食材在冰箱内的位置，并呈现于可视化用户界面；和根据用户的身体状况信息、饮食记录及时令信息向用户推荐菜品或饮食方案，并呈现于可视化用户界面。

Description

基于复杂网络和深度学习的可交互智能冰箱健康服务终端
技术领域
本发明大致涉及可交互智能终端及服务方法，尤其涉及一种基于复杂网络和深度学习的可交互智能冰箱健康服务终端及服务方法。
背景技术
时代的进步、科技的发展，使得人们的生活水平日益提高，智能化逐渐走进了我们的生活，带来了全新的生活方式。智能家居的诞生，适应现代社会的发展需要，丰富人们的物质和生活需求。随着智能手机、智能电视的普及，智能型的家电对消费者来说，已不再陌生。智能家电提高了人们的生活质量、工作效率，体现了科技性和人性化。作为智能家居系统中不可或缺的一部分，智能冰箱与人们的生活息息相关，在传统功能基础上，急需结合当代热点技术向智能化方向转型。“互联网+”的提出，推动传统行业的发展，推动了知识社会以用户创新、开放创新、大众创新、协同创新为特点的创新2.0。每一个传统行业都孕育着“互联网+”的机会，以信息经济为主流经济模式，体现了知识社会创新2.0与新一代信息技术的发展与重塑。制定“互联网+”行动计划，推动移动互联网、云计算、大数据、物联网等与现代制造业结合，促进电子商务、工业互联网和互联网金融健康发展，引导互联网企业拓展国际市场。物联网的提出，突破了将物理基础设施和信息基础设施分开的传统思维，体现了大融合的理念，成为推动信息技术在各行各业更深入的应用的新一轮信息浪潮。
复杂网络由节点和节点间的边组成，其中节点表示系统的元素，边表示元素之间的相互作用，具有自组织、自相似、吸引子、小世界、无标度中部分或全部性质，其中二分复杂网络是研究复杂系统二分结构的重要理论基础。二分网络由两类节点以及两类节点之间的连边组成，同类节点之间不存在连边。对于二分网络的研究，通常也分为把二分网络投影到单顶点网络，然后进行网络分析和直接基于原始二分网络进行分析两种方法。借助复杂网络分析，可以化繁为简，找到隐藏的拓扑关系新结构，找到节点与节点之间的模式，同时实现数据可视化展示。
深度学习作为机器学习算法中的一个新兴技术，极大地促进了机器学习的发展，受到了世界各国相关研究人员和互联网公司的重视。对于图像的处理是深度学习算法最早尝试应用的领域，尤其是卷积神经网络的广泛应用，使图像识别技术日趋成熟，这为冰箱食材管理提供了技术支持。卷积神经网络主要应用于形状识别、人脸检测、文字识别等领域，最经典、最常用的是图像处理。卷积神经网络在传统的神经网络上加入卷积和池化层，并引入了局部感受野、权值共享的机制，大大减少了待训练的参数量。其训练的目的是自动地学习针对特定的分类任务最好的卷积核以及这些卷积核的组合方式，计算出输入图像对于分类任务最好的特征表达。
但是，由于复杂网络和深度学习的应用在不同领域还存在很大的差异化，仍需要根据具体应用领域进行深入探索以真正地服务人类。
背景技术部分的内容仅仅是发明人所知晓的技术，并不当然代表本领域的现有技术。
发明内容
针对现有技术存在问题中的一个或多个，在本发明的一个方面，本发明提供一种食材准确辨识方法，包括：
获取食材的图像，并依据食材名称设定标签，形成带标签的食材图像数据库；
在云平台上构建深度卷积神经网络模型；和
优化处理模型结构和参数；
将采集到的食材信息输入优化后的深度卷积神经网络模型，确定食材种类、数目和/或食材在容纳空间中的位置。
根据本发明的一个方面，所述带标签的图像数据库中的每一图像均为256*256大小的图像。
根据本发明的一个方面，所述在云平台上构建深度卷积神经网络模型步骤中，所述网络模型的结构为：
INPUT->[[CONV->AF]*N->POOL？]*M->[FC->AF]*L->FC
式中：
INPUT表示输入数据，CONV表示卷积层，AF表示激活函数，POOL表示池化层，？表示该层是可选的，FC表示全连接层；
其中，N,M,L表示特定结构重复的次数，均为正整数，且满足
N≥0，优选N≤3；
M≥0；
L≥0，优选L<3；
激活函数优选采用ReLU函数，其计算公式为fReLU(x)＝max(0,x)；
所述卷积层CONV用来提取输入图像的特征，通过卷积层能够得到特征图，卷积过程满足如下公式：
Figure BDA0001653722410000031
式中，
Figure BDA0001653722410000032
表示第l层中第j个特征图，
Figure BDA0001653722410000033
表示第l-1层中第i个特征图，
Figure BDA0001653722410000034
表示第l层中第j个特征图与第l-1层中第i个特征图之间的卷积核，
Figure BDA0001653722410000035
表示第l层中第j个特征图对应的偏置，H表示第l-1层中特征图的集合，f为激活函数；
当输入图像尺寸为W，卷积层中神经元的感受野尺寸为F，步长为S，零填充的数量为P时，所述卷积层输出的图像尺寸为
Figure BDA0001653722410000036
所述池化层POOL通过池化来降低卷积层输出特征图的维度，池化过程满足如下公式：Z'nm＝f1(Znp,Zn(p+1))
其中，Znp为池化层中第n个输入特征图第p个神经元的输出值，Z'nm为第n个输出特征图第m个神经元的输出值，f1表示池化函数。
根据本发明的一个方面，所述优化处理模型结构和参数的具体方法为：
将获取的食材图像数据库中的食材图像分为两部分，分别作为训练样本和测试样本，经多层卷积、池化操作后完成特征提取，后经输出层完成分类辨识；通过目标函数确定分类误差，通过误差反向传播算法优化更新模型参数，反复训练直至到达指定次数或分类误差足够小，从而确定可用于食材图片准确分类辨识的模型结构以及相应参数；其中训练样本用于对模型结构和参数进行训练，测试样本用于测试训练后的模型的食材辨识效果。
根据本发明的一个方面，所述多层卷积、池化操作包括：
在连续的卷积层之间周期性的插入一个池化层，不改变图像深度的前提下减小中间过程产生的特征图尺寸；
优选地，池化层采用最大池化形式，即在一个局部区域内取最大值代表该区域；
信息从输入层经过逐级变化传送到输出层，网络执行的计算公式为：
OUTPUT＝Fh(…(F2(F1(INPUT·W(1))W(2))…)W(h))
式中，INPUT表示输入数据，W(h)表示第h层的权值点阵，Fh表示第h层的激活函数，OUTPUT表示实际输出值；
在通过误差反向传播算法优化更新模型参数过程中，当第l层为卷积层、第l+1层为池化层时，将第l+1层的特征图上采样，使得与第l层特征图大小一致，然后进行敏感度计算，公式如下：
Figure BDA0001653722410000041
其中，q表示序数，
Figure BDA0001653722410000042
为第l层上第q个特征图内所有像素对应的敏感度组成的敏感度图，
Figure BDA0001653722410000043
为第l+1层上第q个像素对应的敏感度，“·”为两式对应相乘，up(·)表示上采样函数，
Figure BDA0001653722410000044
为第l+1层上第q个像素对应的权值，f'(·)为当前层激活函数的导数，
Figure BDA0001653722410000045
为第l层上第q个特征图激活之前的数据；
在权值更新过程中，该层每个特征图的偏置项的导数都为该特征图的所有像素的敏感度之和，公式如下：
Figure BDA0001653722410000046
式中E为参数集在训练集上的整体误差，bq为该层第q个特征图的偏置项；
对于卷积核，其偏导数等于相邻两层对应之积，公式如下：
Figure BDA0001653722410000051
式中
Figure BDA0001653722410000052
表示第l-1层第s个特征图，
Figure BDA0001653722410000053
代表第l层与
Figure BDA0001653722410000054
对应的第q个的卷积核，
Figure BDA0001653722410000055
为第l层上第q个特征图内所有像素对应的敏感度组成的敏感度图，rot180(·)表示将矩阵旋转180度，conv2(·)表示两个矩阵的卷积计算，valid表示返回值不考虑边界补零，即只要有边界补出的零参与运算的都舍去。
当第l层为池化层、第l+1层为卷积层时，由于池化层权值固定，涉及不到权值更新，不用计算偏导数，其公式如下：
Figure BDA0001653722410000056
式中“·”为两式对应相乘，f'(·)为当前层激活函数的导数，conv2(·)表示两个矩阵的卷积计算，
Figure BDA0001653722410000057
为第l层上第q个特征图激活之前的数据，
Figure BDA0001653722410000058
表示第l+1层第q个特征图内所有像素对应的敏感度组成的敏感度图，
Figure BDA0001653722410000059
表示第l+1层第q个卷积核，full表示返回全部二维卷积结果。
在本发明的另一方面，本发明还提供了一种基于二分复杂网络的饮食推荐方法，包括：
确定二分复杂网络的节点；
建立二分复杂网络的连边及权重；和
通过二分复杂网络对用户身体状况数据进行分类及确定菜品对用户的健康影响。
根据本发明的一个方面，所述确定二分复杂网络的节点的执行方法为：通过统计、整理大量用户的饮食记录，梳理菜品名单，以各种菜品和各位用户分别为网络节点，作为二分复杂网络的两类节点。
根据本发明的一个方面，所述建立二分复杂网络的连边及权重的执行方法为：根据用户的饮食记录，在用户与食用过的菜品之间建立加权连边，连边的权重根据食用次数确定。
根据本发明的一个方面，所述通过二分复杂网络对用户身体状况数据进行分类及确定菜品对用户的健康影响的执行方法为包括：
通过比较同一类用户在食用不同菜品后的身体状况变化情况，确定不同菜品对某一类用户的生理作用以及健康影响；
通过比较不同类用户食用相同菜品后的身体状况变化情况，确定同一菜品对不同类用户的生理作用以及健康影响；
通过比较同一类用户食用相同菜品后的身体状况变化情况，确定同一菜品在同一类用户中生理作用的差异性以及健康影响；
以上述三条为原则，针对特定用户，结合其身体状况数据以及个人喜好，结合季节等信息，决策最优的饮食推荐方案，促进健康饮食。
在本发明的另一方面，本发明还提供了一种基于复杂网络和深度学习的可交互智能冰箱的健康服务方法，包括：
建立可视化用户界面；
采集冰箱内所储存的食材的图像；
根据所采集的冰箱内所储存的食材的图像识别冰箱内所储存的食材种类、数量和/或食材在冰箱内的位置，并呈现于可视化用户界面；和
根据用户的身体状况信息、饮食记录及时令信息通过向用户推荐菜品或饮食方案，并呈现于可视化用户界面。
根据本发明的一个方面，所述根据所采集的冰箱内所储存的食材的图像识别冰箱内所储存的食材种类、数量和/或食材在冰箱内的位置的具体方法为上述的食材准确辨识方法。
根据本发明的一个方面，所述根据用户的身体状况信息、饮食记录及时令信息通过向用户推荐菜品或饮食方案的具体方法为上述的基于二分复杂网络的饮食推荐方法。
根据本发明的一个方面，所述基于复杂网络和深度学习的可交互智能冰箱的健康服务方法还包括用户与智能冰箱健康服务终端之间进行双向语音交互。
优选地，所述双向语音交互呈现于可视化用户界面上。
根据本发明的一个方面，所述基于复杂网络和深度学习的可交互智能冰箱的健康服务方法还包括根据个性化推荐模块和食材辨识模块的信息比对处理及向用户发出推荐食材和购买信息。
根据本发明的一个方面，所述基于复杂网络和深度学习的可交互智能冰箱的健康服务方法还包括与其他智能电器进行信息交互。
在本发明的另一方面，本发明提供一种基于复杂网络和深度学习的可交互智能冰箱健康服务终端，包括：
可视化用户界面，用于人机交互；
食材图像采集设备，设置于冰箱内部，用于采集冰箱内所储存的食材的图像；
食材辨识模块，与食材图像采集设备和可视化用户界面连接，用于根据所采集的冰箱内所储存的食材的图像识别冰箱内所储存的食材种类、数量和/或食材在冰箱内的位置，并呈现于可视化用户界面；
个性化推荐模块，与可视化用户界面连接，用于根据用户的身体状况信息、饮食记录及时令信息通过向用户推荐菜品或饮食方案，并呈现于可视化用户界面。
根据本发明的一个方面，所述基于复杂网络和深度学习的可交互智能冰箱健康服务终端还包括语音交互模块，用于支持用户与所述智能冰箱健康服务终端之间进行双向语音交互。
根据本发明的一个方面，所述基于复杂网络和深度学习的可交互智能冰箱健康服务终端还包括食材推荐和购买模块，用于根据个性化推荐模块和食材辨识模块的信息比对处理及向用户发出推荐食材和购买信息。
根据本发明的一个方面，所述基于复杂网络和深度学习的可交互智能冰箱健康服务终端还包括物联信息交互模块，用于智能冰箱与其他智能电器的互联，形成信息交互。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明基于复杂网络和深度学习的可交互智能冰箱健康服务终端及服务方法的流程图；
图2是智能冰箱可视化用户界面，其中图2a是用户注册登录界面，图2b是冰箱环境界面，图2c是用户身体状况界面，图2d是食材管理界面，图2e是食谱推荐界面，图2f是美食检索与历史记录界面。
图3是本发明食材准确辨识方法流程示意图；
图4是本发明食材准确辨识方法中所用的深度卷积神经网络模型；
图5是本发明基于二分复杂网络的饮食推荐方法流程示意图。
具体实施方式
在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。
在本发明的描述中，需要理解的是，术语"左"、"右"等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
下文的公开提供了许多不同的实施方式或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本发明。此外，本发明可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。此外，本发明提供了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1：
如图1所示，展示了一种基于复杂网络和深度学习的可交互智能冰箱健康服务终端。本发明的基于复杂网络和深度学习的可交互智能冰箱健康服务终端，包括可视化用户界面(将在下面详细描述)，可用于人机交互；设置于冰箱内部的食材图像采集设备(将在下面详细描述)，可用于采集冰箱内所储存的食材的图像；食材辨识模块，可与食材图像采集设备和可视化用户界面连接，用于根据所采集的冰箱内所储存的食材的图像识别冰箱内所储存的食材种类、数量和/或食材在冰箱内的位置，并呈现于可视化用户界面(将在下面详细描述具体方法)；和个性化推荐模块，与可视化用户界面连接，用于根据用户的身体状况信息、饮食记录及时令信息向用户推荐菜品或饮食方案，并呈现于可视化用户界面(将在下面详细描述具体方法)。
根据本发明的一个优选实施例，如图1所示，本发明的基于复杂网络和深度学习的可交互智能冰箱健康服务终端还包括物联信息交互模块，用于智能冰箱与其他智能电器的互联，形成信息交互。例如可将智能冰箱与空调、电视、微波炉、抽油烟机等电器的显示与控制系统互联。当用户在厨房做饭过程中感到厨房内温度过高时可通过冰箱显示界面调到空调控制界面，调节空调温度；当用户在做饭过程中想看某个电视节目时，可通过冰箱显示界面调到电视界面，观看电视节目；当用户通过冰箱界面想做某个菜或某种食物时，冰箱可自动控制微波炉或电磁炉加热时间及火候，减少用户调节时间的同时避免用户因时间或火候掌握不当而引起菜品口味不佳；当所推荐菜品在烹饪过程中会产生油烟时，智能冰箱可自动控制抽油烟机使其处于工作状态，并在烹饪结束后一段时间内使其关闭，将室内油烟量降到最低，保护用户的健康。
根据本发明的一个优选实施例，如图1所示，本发明的基于复杂网络和深度学习的可交互智能冰箱健康服务终端还包括语音交互模块，用于支持用户与所述智能冰箱健康服务终端之间进行双向语音交互。例如通过语音交互模块可以实现用户通过语音输入完成智能冰箱的远程控制，并通过可视化用户界面完成查询结果实时界面化显示以及语音反馈。例如当用户双手都被占用而需要打开冰箱门时，可通过说“打开”而使冰箱门自动打开，当不方便关闭冰箱门时可通过说“关闭”而使冰箱门自动关闭；当用户需要取出冰箱内的牛奶时，直接说“取出牛奶”即可；当用户想要知道冰箱内还剩余什么食材时，可询问剩余食材，冰箱显示界面将跳转到食材管理界面，并语音播报剩余食材；当需要查看某一菜谱时，在美食检索界面说出菜谱名字即可完成菜谱检索；当用户想吃某种口味的菜但不知道菜名的时候，可说出需求，智能冰箱进行推荐，比如用户想吃清淡的荤菜，冰箱将根据用户的需求进行菜谱推荐，包括已有的食材和需要购买的食材。
根据本发明的一个优选实施例，如图1所示，本发明的基于复杂网络和深度学习的可交互智能冰箱健康服务终端还包括食材推荐和购买模块，用于根据个性化推荐模块和食材辨识模块的信息比对处理及向用户发出推荐食材和购买信息。结合智能冰箱所辨识的已有食材，列出所需食材清单，根据用户实际需求在指定互联网购物渠道上进行采购，形成“互联网+销售”的新业态。所述的食材清单，一方面包括饮食推荐方案中包含的与用户身体状况、口味、季节等相关的食材，另外用户可手动或语音输入清单外的所需食材。采购渠道由系统设定，节省用户网上挑选时间。此外，在其他用户授权情况下，可查看其他用户的采购清单并进行购买，例如可远程查看父母的冰箱并随时为他们购买所需食材。
实施例2：
基于上述基于复杂网络和深度学习的可交互智能冰箱健康服务终端，如图1所示，还展示了本发明基于复杂网络和深度学习的可交互智能冰箱的健康服务方法，包括：
建立可视化用户界面；
通过冰箱内设置的食材图像采集设备采集冰箱内所储存的食材的图像；
根据所采集的冰箱内所储存的食材的图像识别冰箱内所储存的食材种类、数量和/或食材在冰箱内的位置(具体方法将在下面描述)，并呈现于可视化用户界面；和
根据用户的身体状况信息、饮食记录及时令信息通过向用户推荐菜品或饮食方案(具体方法将在下面描述)，并呈现于可视化用户界面。
根据本发明的一个优选实施例，所述基于复杂网络和深度学习的可交互智能冰箱的健康服务方法还包括用户与智能冰箱健康服务终端之间进行双向语音交互，例如可以通过设置在智能冰箱健康服务终端内的语音交互模块，实现用户与智能冰箱健康服务终端之间的双向语音交互。
根据本发明的一个优选实施例，所述双向语音交互呈现于可视化用户界面上，例如可以通过文字和/或语音的方式呈现在可视化用户界面上。
根据本发明的一个优选实施例，所述基于复杂网络和深度学习的可交互智能冰箱的健康服务方法还包括根据设置在智能冰箱健康服务终端上的个性化推荐模块和食材辨识模块的信息比对处理及向用户发出推荐食材和购买信息。例如个性化推荐模块可以通过二分复杂网络的方法实现个性化的食材推荐，食材辨识模块可以通过深度学习的方法达到辨识食材的效果。
根据本发明的一个优选实施例，所述基于复杂网络和深度学习的可交互智能冰箱的健康服务方法还包括与其他智能电器进行信息交互。例如可通过设置在智能冰箱健康服务终端上的物联信息交互模块实现智能冰箱健康服务终端与其他智能电器之间的信息交互。
实施例3：
如图2所示，展示的是本发明的一个实施例的智能冰箱可视化用户界面，其中图2a是用户注册登录界面。图2b是冰箱环境界面，例如显示有当前日期、时间、天气状况、冰箱内温度设置情况、冰箱内储存的食材种类、数量、食材搜索管理界面以及食材推荐界面、个人中心等环境界面。图2c是用户身体状况界面，其中，所述的用户身体状况界面用于管理来源于权威医疗机构的用户体检报告，体检报告包括身高、体重、血压、血糖、尿常规等用户实际数据以及人体健康数据参考值，为个性化健康饮食推荐提供重要参考。图2d是食材管理界面，用于显示食材存储状况等信息。图2e是食谱推荐界面，可用于显示根据智能冰箱健康服务终端推荐模块根据冰箱内存储的食材情况向用户推荐的食谱。图2f是美食检索与历史记录界面，可用于检索美食信息，包括食材、菜谱和功效等信息。
实施例4：
如图3所示，是本发明食材准确辨识方法流程示意图，展示了本发明的一个实施例的食材准确辨识方法，包括：
获取大量包括各种蔬菜、水果、肉类等在内的食材的图像，并依据食材名称设定标签，形成带标签的食材图像数据库，所述带标签的食材图像数据库中的每一图像均为256*256大小的图像；
在云平台上构建深度卷积神经网络模型，并优化处理模型结构和参数；将获取的食材图像数据库中的食材图像分为两部分，分别作为训练样本和测试样本，经多层卷积、池化操作后完成特征提取，后经输出层完成分类辨识；通过目标函数确定分类误差，通过误差反向传播算法优化更新模型参数，反复训练直至到达指定次数或分类误差足够小，从而确定可用于食材图像准确分类辨识的模型结构以及相应参数；其中训练样本用于对模型结构和参数进行训练，测试样本用于测试训练后的模型的食材辨识效果。
将采集到的食材信息输入优化后的深度卷积神经网络模型，确定食材种类、数目和/或食材在容纳空间中的位置，其中所述采集到的食材信息可以为采集到的冰箱内存储的食材图像信息，例如可以通过智能冰箱内设置的食材图像采集设备采集冰箱内存储的食材的图像信息。
根据本发明的一个优选实施例，所述在云平台上构建深度卷积神经网络模型步骤中，如图4所示，展示了本发明的一个实施例的深度卷积神经网络模型，所述网络模型的结构为：
INPUT->[[CONV->AF]*N->POOL？]*M->[FC->AF]*L->FC
式中：
INPUT表示输入数据，CONV表示卷积层，AF表示激活函数，POOL表示池化层，？表示该层是可选的，FC表示全连接层；
其中，N,M,L表示特定结构重复的次数，均为正整数，且满足
N≥0，优选N≤3；
M≥0；
L≥0，优选L<3；
激活函数优选采用ReLU函数，其计算公式为fReLU(x)＝max(0,x)；
所述卷积层CONV用来提取输入图像的特征，通过卷积层能够得到特征图，卷积过程满足如下公式：
Figure BDA0001653722410000131
式中，
Figure BDA0001653722410000132
表示第l层中第j个特征图，
Figure BDA0001653722410000133
表示第l-1层中第i个特征图，
Figure BDA0001653722410000134
表示第l层中第j个特征图与第l-1层中第i个特征图之间的卷积核，
Figure BDA0001653722410000135
表示第l层中第j个特征图对应的偏置，H表示第l-1层中特征图的集合，f为激活函数；
当输入图像尺寸为W，卷积层中神经元的感受野尺寸为F，步长为S，零填充的数量为P时，所述卷积层输出的图像尺寸为
Figure BDA0001653722410000136
所述池化层POOL可通过池化来降低卷积层输出特征图的维度，扩大感受野，保持特征的空间位置关系，常用的池化方法有最大池化、平均池化和空间金字塔池化。其中池化过程满足如下公式：Z'nm＝f1(Znp,Zn(p+1))
其中，Znp为池化层中第n个输入特征图第p个神经元的输出值，Z'nm为第n个输出特征图第m个神经元的输出值，f1表示池化函数，如最大值函数、均值函数等。
根据本发明的一个优选实施例，所述多层卷积、池化操作包括：
在连续的卷积层之间周期性的插入一个池化层，不改变图像深度的前提下减小中间过程产生的特征图尺寸；
优选地，池化层采用最大池化形式，即在一个局部区域内取最大值代表该区域。在本实施例中采用2*2的滤波器，将其中75％的激活信息丢掉。
信息从输入层经过逐级变化传送到输出层，网络执行的计算公式为：
OUTPUT＝Fh(…(F2(F1(INPUT·W(1))W(2))…)W(h))
式中，INPUT表示输入数据，W(h)表示第h层的权值点阵，Fh表示第h层的激活函数，OUTPUT表示实际输出值；
在通过误差反向传播算法优化更新模型参数过程中，当第l层为卷积层、第l+1层为池化层时，将第l+1层的特征图上采样，使得与第l层特征图大小一致，然后进行敏感度计算，公式如下：
Figure BDA0001653722410000141
其中，q表示序数，
Figure BDA0001653722410000142
为第l层上第q个特征图内所有像素对应的敏感度组成的敏感度图，
Figure BDA0001653722410000143
为第l+1层上第q个像素对应的敏感度，“·”为两式对应相乘，up(·)表示上采样函数，
Figure BDA0001653722410000144
为第l+1层上第q个像素对应的权值，f'(·)为当前层激活函数的导数，
Figure BDA0001653722410000145
为第l层上第q个特征图激活之前的数据；
在权值更新过程中，该层每个特征图的偏置项的导数都为该特征图的所有像素的敏感度之和，公式如下：
Figure BDA0001653722410000146
式中E为参数集在训练集上的整体误差，bq为该层第q个特征图的偏置项；
对于卷积核，其偏导数等于相邻两层对应之积，公式如下：
Figure BDA0001653722410000147
式中
Figure BDA0001653722410000148
表示第l-1层第s个特征图，
Figure BDA0001653722410000149
代表第l层与
Figure BDA00016537224100001410
对应的第q个的卷积核，
Figure BDA00016537224100001411
为第l层上第q个特征图内所有像素对应的敏感度组成的敏感度图，rot180(·)表示将矩阵旋转180度，conv2(·)表示两个矩阵的卷积计算，valid表示返回值不考虑边界补零，即只要有边界补出的零参与运算的都舍去。
当第l层为池化层、第l+1层为卷积层时，由于池化层权值固定，涉及不到权值更新，不用计算偏导数，其公式如下：
Figure BDA00016537224100001412
式中“·”为两式对应相乘，f'(·)为当前层激活函数的导数，conv2(·)表示两个矩阵的卷积计算，
Figure BDA0001653722410000151
为第l层上第q个特征图激活之前的数据，
Figure BDA0001653722410000152
表示第l+1层第q个特征图内所有像素对应的敏感度组成的敏感度图，
Figure BDA0001653722410000153
表示第l+1层第q个卷积核，full表示返回全部二维卷积结果。
卷积神经网络将权值共享、空间下采样和局部连接结合起来，经过模型结构、参数优化确定深度卷积神经网络模型，根据食材图像采集设备采集的食材图像、数目以及位置等信息，进而更新食材信息，实现智能冰箱系统实现食材准确辨识与管理。
实施例5：
如图5所示，是本发明基于二分复杂网络的饮食推荐方法流程示意图，示出了一种基于二分复杂网络的饮食推荐方法，包括：
确定二分复杂网络的节点；
建立二分复杂网络的连边及权重；和
通过二分复杂网络对用户身体状况数据进行分类及确定菜品对用户的健康影响。
根据本发明的一个优选实施例，所述确定二分复杂网络的节点的执行方法为：通过统计、整理大量用户的饮食记录，梳理菜品名单，以各种菜品和各位用户分别为网络节点，作为二分复杂网络的两类节点。
根据本发明的一个优选实施例，所述建立二分复杂网络的连边及权重的执行方法为：根据用户的饮食记录，在用户与食用过的菜品之间建立加权连边，连边的权重根据食用次数确定。
根据本发明的一个优选实施例，所述通过二分复杂网络对用户身体状况数据进行分类及确定菜品对用户的健康影响的执行方法为包括：
通过比较同一类用户在食用不同菜品后的身体状况变化情况，确定不同菜品对某一类用户的生理作用以及健康影响；
通过比较不同类用户食用相同菜品后的身体状况变化情况，确定同一菜品对不同类用户的生理作用以及健康影响；
通过比较同一类用户食用相同菜品后的身体状况变化情况，确定同一菜品在同一类用户中生理作用的差异性以及健康影响；
以上述三条为原则，针对特定用户，结合其身体状况数据以及个人喜好，结合时令等信息，决策最优的饮食推荐方案。
本发明的基于复杂网络和深度学习的可交互智能冰箱健康服务终端和服务方法，具有如下有益效果：
(1)能够基于深度卷积神经网络模型，支撑智能冰箱系统实现食材准确辨识与管理；
(2)能够结合菜品、用户信息，基于二分复杂网络理论确定食材在用户中的食用情况以及对健康产生的影响，进行个性化健康食谱推荐；
(3)能够结合推荐的食谱进行所需食材推荐，并可根据用户需求进行采购；
(4)能够实现智能冰箱与其他智能电器的互联，为用户提供更为便捷的生活方式。
本发明通过开发功能完备、交互友好的智能冰箱可视化用户界面，支持实现智能冰箱和用户之间的高效交互，包括注册登录、冰箱环境、用户身体状况、食材管理、食谱推荐、美食检索与历史记录等界面以及其他必要的界面。依托云平台与大数据分析，以大量食材图像为数据库，构建并训练可实现各种食材准确辨识的深度卷积神经网络模型，搭配冰箱内置图像采集设备，实现智能冰箱内食材辨识与管理；基于大量用户的饮食记录以及身体状况数据，以菜品、用户为网络节点，构建二分复杂网络，确定食材在用户中的食用情况以及对健康产生的影响，结合个人喜好、天气、时令等信息，决策最优的饮食推荐方案，基于此为用户提供食材购买推荐清单，支持用户授权情况下在指定网站根据用户需求完成购买。
本发明依托复杂网络和深度学习前沿理论，实现可交互智能冰箱健康服务终端。方法中所用的二分复杂网络，广泛应用于科学家合作网、听众与歌曲网络、演员合作网等复杂网络，根据其性质及研究现状可见，以菜品、用户为网络节点，将其应用于菜谱推荐可实现较好的推荐效果。深度卷积神经网络作为深度学习理论中应用最多的图像识别技术，应用在智能冰箱上可实现食材识别，本发明中将网络搭建与训练、识别过程都放在云平台上进行，冰箱仅进行图像采集与显示，降低冰箱主体上的计算处理能力，节约制造成本。
本发明基于复杂网络和深度学习的可交互智能冰箱健康服务终端，通过在云平台上进行大数据分析，将自动采集的冰箱内食材图像进行识别，结合用户身体状况及饮食记录，实现智能化饮食推荐，将所需采购的食材反馈显示到用户界面给与用户采购推荐，形成“互联网+销售”的新业态。在兼顾了冰箱的主流功能的基础上，将其与其他电器互联，实现信息交互与统一管理，让“智能冰箱”真正实现了智能，并将智能回归了便捷生活的本质，为用户带来最佳的生活体验。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于复杂网络和深度学习的可交互智能冰箱的健康服务方法，其特征在于：包括：
建立可视化用户界面；
采集冰箱内所储存的食材的图像；
根据所采集的冰箱内所储存的食材的图像识别冰箱内所储存的食材种类、数量和/或食材在冰箱内的位置，并呈现于可视化用户界面；和
基于二分复杂网络的饮食推荐方法，根据用户的身体状况信息、饮食记录及时令信息向用户推荐菜品或饮食方案，并呈现于可视化用户界面；
其中，所述根据所采集的冰箱内所储存的食材的图像识别冰箱内所储存的食材种类、数量和/或食材在冰箱内的位置的具体方法为：包括：获取食材的图像，并依据食材名称设定标签，形成带标签的食材图像数据库；在云平台上构建深度卷积神经网络模型；优化处理模型结构和参数；和将采集到的食材信息输入优化后的深度卷积神经网络模型，确定食材种类、数目和/或食材在容纳空间中的位置；
其中，所述在云平台上构建深度卷积神经网络模型步骤中，所述网络模型的结构为：
INPUT-＞[[CONV-＞AF]*N-＞POOL？]*M-＞[FC-＞AF]*L-＞FC
式中：
INPUT表示输入数据，CONV表示卷积层，AF表示激活函数，POOL表示池化层，？表示该层是可选的，FC表示全连接层；
其中，N,M,L表示特定结构重复的次数，均为正整数，且满足
N≥0，N≤3；
M≥0；
L≥0，L＜3；
激活函数采用ReLU函数，其计算公式为fReLU(x)＝max(0,x)；
所述卷积层CONV用来提取输入图像的特征，通过卷积层能够得到特征图，卷积过程满足如下公式：
Figure FDA0003578361320000011
式中，
Figure FDA0003578361320000021
表示第l层中第j个特征图，
Figure FDA0003578361320000022
表示第l-1层中第i个特征图，
Figure FDA0003578361320000023
表示第l层中第j个特征图与第l-1层中第i个特征图之间的卷积核，
Figure FDA0003578361320000024
表示第l层中第j个特征图对应的偏置，H表示第l-1层中特征图的集合，f为激活函数；
当输入图像尺寸为W，卷积层中神经元的感受野尺寸为F，步长为S，零填充的数量为P时，所述卷积层输出的图像尺寸为
Figure FDA0003578361320000025
所述池化层POOL通过池化来降低卷积层输出特征图的维度，池化过程满足如下公式：Z'nm＝f1(Znp,Zn(p+1))
其中，Znp为池化层中第n个输入特征图第p个神经元的输出值，Z'nm为第n个输出特征图第m个神经元的输出值，f1表示池化函数；
其中，所述优化处理模型结构和参数的具体方法为：
将获取的食材图像数据库中的食材图像分为两部分，分别作为训练样本和测试样本，经多层卷积、池化操作后完成特征提取，后经输出层完成分类辨识；通过目标函数确定分类误差，通过误差反向传播算法优化更新模型参数，反复训练直至到达指定次数或分类误差足够小，从而确定可用于食材图像准确分类辨识的模型结构以及相应参数；其中训练样本用于对模型结构和参数进行训练，测试样本用于测试训练后的模型的食材辨识效果；
其中，所述多层卷积、池化操作包括：
在连续的卷积层之间周期性的插入一个池化层，不改变图像深度的前提下减小中间过程产生的特征图尺寸；
信息从输入层经过逐级变化传送到输出层，网络执行的计算公式为：
OUTPUT＝Fh(…(F2(F1(INPUT·W(1))W(2))...)W(h))
式中，INPUT表示输入数据，W(h)表示第h层的权值点阵，Fh表示第h层的激活函数，OUTPUT表示实际输出值；
在通过误差反向传播算法优化更新模型参数过程中，当第l层为卷积层、第l+1层为池化层时，将第l+1层的特征图上采样，使得与第l层特征图大小一致，然后进行敏感度计算，公式如下：
Figure FDA0003578361320000026
其中，q表示序数，
Figure FDA0003578361320000027
为第l层上第q个特征图内所有像素对应的敏感度组成的敏感度图，
Figure FDA0003578361320000031
为第l+1层第q个特征图内所有像素对应的敏感度组成的敏感度图，“·”为两式对应相乘，up(·)表示上采样函数，
Figure FDA0003578361320000032
为第l+1层上第q个特征图对应的权值，f'(·)为当前层激活函数的导数，
Figure FDA0003578361320000033
为第l层上第q个特征图激活之前的数据；
在权值更新过程中，该层每个特征图的偏置项的导数都为该特征图的所有像素的敏感度之和，公式如下：
Figure FDA0003578361320000034
式中E为参数集在训练集上的整体误差，bq为该层第q个特征图的偏置项；
对于卷积核，其偏导数等于相邻两层对应之积，公式如下：
Figure FDA0003578361320000035
式中
Figure FDA0003578361320000036
表示第l-1层第s个特征图，
Figure FDA0003578361320000037
代表第l层与
Figure FDA0003578361320000038
对应的第q个的卷积核，
Figure FDA0003578361320000039
为第l层上第q个特征图内所有像素对应的敏感度组成的敏感度图，rot180(·)表示将矩阵旋转180度，conv2(·)表示两个矩阵的卷积计算，valid表示返回值不考虑边界补零，即只要有边界补出的零参与运算的都舍去；
当第l层为池化层、第l+1层为卷积层时，由于池化层权值固定，涉及不到权值更新，不用计算偏导数，其公式如下：
Figure FDA00035783613200000310
式中“·”为两式对应相乘，f'(·)为当前层激活函数的导数，conv2(·)表示两个矩阵的卷积计算，
Figure FDA00035783613200000311
为第l层上第q个特征图激活之前的数据，
Figure FDA00035783613200000312
表示第l+1层第q个特征图内所有像素对应的敏感度组成的敏感度图，
Figure FDA00035783613200000313
表示第l+1层第q个卷积核，full表示返回全部二维卷积结果；
其中，基于二分复杂网络的饮食推荐方法包括：
确定二分复杂网络的节点，以菜品、用户为二分复杂网络的节点；
建立二分复杂网络的连边及权重；和
通过二分复杂网络对用户身体状况数据进行分类及确定菜品对用户的健康影响；
其中，所述确定二分复杂网络的节点的执行方法为：通过统计、整理大量用户的饮食记录，梳理菜品名单，以各种菜品和各位用户分别为网络节点，作为二分复杂网络的两类节点；
所述建立二分复杂网络的连边及权重的执行方法为：根据用户的饮食记录，在用户与食用过的菜品之间建立加权连边，连边的权重根据食用次数确定；
所述通过二分复杂网络对用户身体状况数据进行分类及确定菜品对用户的健康影响的执行方法为包括：
通过比较同一类用户在食用不同菜品后的身体状况变化情况，确定不同菜品对某一类用户的生理作用以及健康影响；
通过比较不同类用户食用相同菜品后的身体状况变化情况，确定同一菜品对不同类用户的生理作用以及健康影响；
通过比较同一类用户食用相同菜品后的身体状况变化情况，确定同一菜品在同一类用户中生理作用的差异性以及健康影响；
针对特定用户，结合其身体状况数据以及个人喜好，结合时令信息，决策最优的饮食推荐方案。
2.根据权利要求1所述的基于复杂网络和深度学习的可交互智能冰箱的健康服务方法，其特征在于：
所述根据用户的身体状况信息、饮食记录及时令信息通过向用户推荐菜品或饮食方案；
和/或，还包括用户与智能冰箱健康服务终端之间进行双向语音交互；
和/或，还包括根据个性化推荐模块和食材辨识模块的信息比对处理及向用户发出推荐食材和/或购买信息；
和/或，还包括与其他智能电器进行信息交互。
3.根据权利要求2所述的基于复杂网络和深度学习的可交互智能冰箱的健康服务方法，其特征在于：所述双向语音交互呈现于可视化用户界面上。
4.根据权利要求1所述的基于复杂网络和深度学习的可交互智能冰箱的健康服务方法，其特征在于：所述带标签的食材图像数据库中的每一张图像均为256*256大小的图像。
5.根据权利要求1所述的基于复杂网络和深度学习的可交互智能冰箱的健康服务方法，其特征在于：池化层采用最大池化形式，即在一个局部区域内取最大值代表该区域。
6.一种利用权利要求1所述的方法进行基于复杂网络和深度学习的可交互智能冰箱健康服务终端，其特征在于：包括：
可视化用户界面，用于人机交互；
食材图像采集设备，设置于冰箱内部，用于采集冰箱内所储存的食材的图像；
食材辨识模块，与食材图像采集设备和可视化用户界面连接，用于根据所采集的冰箱内所储存的食材的图像识别冰箱内所储存的食材种类、数量和/或食材在冰箱内的位置，并呈现于可视化用户界面；
个性化推荐模块，与可视化用户界面连接，用于根据用户的身体状况信息、饮食记录及时令信息向用户推荐菜品或饮食方案，并呈现于可视化用户界面，所述个性化推荐模块基于二分复杂网络的饮食推荐方法实现个性化饮食推荐。
7.根据权利要求6所述的基于复杂网络和深度学习的可交互智能冰箱健康服务终端，其特征在于：还包括语音交互模块，用于支持用户与所述智能冰箱健康服务终端之间进行双向语音交互；
和/或，还包括食材推荐和购买模块，用于根据个性化推荐模块和食材辨识模块的信息比对处理及向用户发出推荐食材和购买信息；
和/或，还包括物联信息交互模块，用于智能冰箱与其他智能电器的互联，形成信息交互。
CN201810432243.0A 2018-05-08 2018-05-08 基于复杂网络和深度学习的可交互智能冰箱健康服务终端 Expired - Fee Related CN108829723B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810432243.0A CN108829723B (zh) 2018-05-08 2018-05-08 基于复杂网络和深度学习的可交互智能冰箱健康服务终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810432243.0A CN108829723B (zh) 2018-05-08 2018-05-08 基于复杂网络和深度学习的可交互智能冰箱健康服务终端

Publications (2)

Publication Number Publication Date
CN108829723A CN108829723A (zh) 2018-11-16
CN108829723B true CN108829723B (zh) 2022-06-10

Family

ID=64148396

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810432243.0A Expired - Fee Related CN108829723B (zh) 2018-05-08 2018-05-08 基于复杂网络和深度学习的可交互智能冰箱健康服务终端

Country Status (1)

Country Link
CN (1) CN108829723B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107665336A (zh) * 2017-09-20 2018-02-06 厦门理工学院 智能冰箱中基于Faster‑RCNN的多目标检测方法
CN111197885A (zh) * 2018-11-20 2020-05-26 珠海格力电器股份有限公司 一种食物贮藏装置的调节方法、食物贮藏设备
CN111374521B (zh) * 2018-12-28 2022-10-25 浙江苏泊尔家电制造有限公司 烹饪器具和烹饪方法
CN109902227A (zh) * 2019-01-25 2019-06-18 广州富港万嘉智能科技有限公司 一种食材推荐方法及装置
CN110675389A (zh) * 2019-09-27 2020-01-10 珠海格力电器股份有限公司 一种食品推荐方法、存储介质以及智能家居设备
CN113158017A (zh) * 2020-01-22 2021-07-23 青岛海尔电冰箱有限公司 菜谱推荐方法、冰箱、计算机可读存储介质
CN111476103A (zh) * 2020-03-16 2020-07-31 珠海格力电器股份有限公司 食材识别和健康评估方法、装置、设备及计算机可读介质
CN111428157B (zh) * 2020-03-27 2022-07-12 四川虹美智能科技有限公司 智能菜谱推荐方法、装置、系统及冰箱
CN111444880B (zh) * 2020-04-10 2023-10-31 海信集团有限公司 一种食材识别方法及冰箱
CN113932548A (zh) * 2020-06-29 2022-01-14 青岛海尔电冰箱有限公司 用于智能冰箱的食材信息提示方法以及智能冰箱
CN113642878B (zh) * 2021-08-06 2023-11-24 松下电器研究开发(苏州)有限公司 食材贮存设备的食材管理系统及食材采购的管理方法
CN114143578A (zh) * 2021-11-30 2022-03-04 海信视像科技股份有限公司 一种食材提醒方法及显示设备、服务器
CN117057888B (zh) * 2023-10-10 2024-02-06 索而智能家居有限公司 用于智能橱柜的物联网智能控制方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104361041A (zh) * 2014-10-28 2015-02-18 华南理工大学 智能冰箱的辅助方法及辅助系统
CN105509394A (zh) * 2015-05-05 2016-04-20 万军 电冰箱
CN106161591A (zh) * 2016-06-20 2016-11-23 美的集团股份有限公司 一种云服务器、智能冰箱及饮食管理系统和方法
CN106897661A (zh) * 2017-01-05 2017-06-27 合肥华凌股份有限公司 一种食材图像的智能化识别方法、系统和家用电器

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014160298A1 (en) * 2013-03-14 2014-10-02 Sciencestyle Capital Partners, Llc Providing food-portion recommendations to faciliate dieting

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104361041A (zh) * 2014-10-28 2015-02-18 华南理工大学 智能冰箱的辅助方法及辅助系统
CN105509394A (zh) * 2015-05-05 2016-04-20 万军 电冰箱
CN106161591A (zh) * 2016-06-20 2016-11-23 美的集团股份有限公司 一种云服务器、智能冰箱及饮食管理系统和方法
CN106897661A (zh) * 2017-01-05 2017-06-27 合肥华凌股份有限公司 一种食材图像的智能化识别方法、系统和家用电器

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深层神经网络的图像识别算法研究;连自锋;《中国博士学位论文全文数据库 信息科技辑》;20180215(第2期);第2章 *

Also Published As

Publication number Publication date
CN108829723A (zh) 2018-11-16

Similar Documents

Publication Publication Date Title
CN108829723B (zh) 基于复杂网络和深度学习的可交互智能冰箱健康服务终端
Chan et al. An intelligent fuzzy regression approach for affective product design that captures nonlinearity and fuzziness
US20190304000A1 (en) Online food and beverage search method based on food to biomarker optimization algorithms in a node ranked database
Chan et al. Affective design using machine learning: a survey and its prospect of conjoining big data
Jiang et al. A methodology of integrating affective design with defining engineering specifications for product design
CN110765273B (zh) 推荐文案生成方法、装置、电子设备及可读存储介质
CN108766528A (zh) 一种饮食管理系统及其构建方法、一种食材管理方法
Li et al. Optimisation of product form design using fuzzy integral-based Taguchi method
Huang et al. Intelligent interactive multiobjective optimization method and its application to reliability optimization
CN107004370A (zh) 上下文导出的行为建模和反馈
Gologlu et al. An integrated fuzzy logic approach to customer-oriented product design
CN106843176B (zh) 一种用于食品柔性制造中自动化准备食材的方法、系统
CN108197635B (zh) 烹饪方式的展示方法及装置、抽油烟机
CN110223757A (zh) 食谱方案的推荐方法、装置、介质、电子设备
CN115280422A (zh) 食物推荐方法、装置、存储介质及电子设备
CN112818222A (zh) 一种基于知识图谱的个性化饮食推荐方法及系统
CN115860880B (zh) 基于多层异质图卷积模型的个性化商品推荐方法及系统
Gao et al. Graph Neural Network and Context‐Aware Based User Behavior Prediction and Recommendation System Research
CN116888617A (zh) 食谱提供装置及方法
Shaqour et al. Systematic review on deep reinforcement learning-based energy management for different building types
Sener et al. Transferring knowledge from text to video: Zero-shot anticipation for procedural actions
Peng et al. A systematic fuzzy multi-criteria group decision-making approach for alternatives evaluation
CN115905688B (zh) 一种基于人工智能和智能家居的参考信息生成方法
Hasan et al. Eat This, Not That!–a Personalised Restaurant Menu Decoder That Helps You Pick the Right Food
WO2019119053A1 (en) Generating a user-specific user interface

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220610

CF01 Termination of patent right due to non-payment of annual fee