CN109034169B - 智能食物容器识别方法、装置、系统和存储介质 - Google Patents

智能食物容器识别方法、装置、系统和存储介质 Download PDF

Info

Publication number
CN109034169B
CN109034169B CN201810696296.3A CN201810696296A CN109034169B CN 109034169 B CN109034169 B CN 109034169B CN 201810696296 A CN201810696296 A CN 201810696296A CN 109034169 B CN109034169 B CN 109034169B
Authority
CN
China
Prior art keywords
food container
intelligent food
sub
neural network
identification pattern
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.)
Active
Application number
CN201810696296.3A
Other languages
English (en)
Other versions
CN109034169A (zh
Inventor
陈伟鹏
吴伟贤
柯锡汤
吴海
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.)
Guangzhou Yate Intelligent Technology Co ltd
Original Assignee
Guangzhou Yate Intelligent Technology Co ltd
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 Guangzhou Yate Intelligent Technology Co ltd filed Critical Guangzhou Yate Intelligent Technology Co ltd
Priority to CN201810696296.3A priority Critical patent/CN109034169B/zh
Publication of CN109034169A publication Critical patent/CN109034169A/zh
Application granted granted Critical
Publication of CN109034169B publication Critical patent/CN109034169B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种智能食物容器识别方法、装置、系统和存储介质。其中方法包括：获取待识别的食物容器的图像；将图像升维分割为多个子图像块；将各个子图像块输入第一神经网络模型，输出各个子图像块是否属于智能食物容器的判定结果；智能食物容器内壁具有第一标识图案和第二标识图案，第一神经网络模型为对包含第一标识图案和/或第二标识图案的子图像块为正样本进行训练获取的神经网络模型；若子图像块中判定为属于智能食物容器的子图像块占所有子图像块的比例大于设定值，则判定为智能食物容器。上述方法，能够准确辨别智能食物容器，避免普通容器中图案与智能食物容器难以区分导致出现误判的情况，提升对智能食物容器中食物识别的准确性。

Description

智能食物容器识别方法、装置、系统和存储介质
技术领域
本发明涉及物体检测技术领域，特别是涉及一种智能食物容器识别方法、装置、系统和存储介质。
背景技术
随着科技的发展和人们生活水平的提升，人们对于食物的摄取产生了更多精细化的计量需求。例如对于自助餐饮行业，商家需要对客户购买的食物种类和份量进行智能化的计量，又例如用户在进餐时由于控制体重以及营养均衡等的需求，需要获知摄入食物的热量的信息。
为了获取食物的信息，现有技术可以利用特制的食物容器对食物进行称量。例如可以在特制的餐具内部植入称重传感器，以称取餐具中盛放的食物的质量。这种现有的食物容器，在制备时需要植入特定的传感器，导致难以量产且制备成本高昂，此外这种用于称量的食物容器往往结构复杂，体积厚重，使用时需要细心维护，使用不便。
为了解决植入传感器的食物容器成本高昂，使用不便的技术问题，可以考虑采用在容器内壁印制特殊纹理图案制成的智能食物容器，这种智能食物容器无需植入传感器，制备和使用与普通餐具类似，当将食物置于该智能食物容器上时，可以利用例如手机等终端拍摄承载有食物的智能食物容器的图片，在特殊纹理图案的协助下对图片进行识别处理获取容器中食物的相关信息。
但是上述方案存在的问题是，普通餐具上也常常印制有纹理图案，现有技术难以将智能食物容器与普通餐具区分，当用户误用普通餐具承载食物进行拍摄识别时，会导致对食物信息的识别出现异常，导致食物信息识别准确率降低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够准确地区分智能食物容器和普通餐具，提升食物信息识别准确率的智能食物容器识别方法、装置、设备、系统和计算机可读存储介质。
一种智能食物容器识别方法，包括以下步骤：
获取待识别的食物容器的图像；
将所述图像升维分割为多个子图像块；
将各个所述子图像块输入第一神经网络模型，输出各个子图像块是否属于智能食物容器的判定结果；其中，所述智能食物容器内壁具有第一标识图案和第二标识图案，所述第一神经网络模型为对包含第一标识图案和/或第二标识图案的子图像块为正样本进行训练获取的神经网络模型；
若所述子图像块中判定为属于智能食物容器的子图像块占所有子图像块的比例大于设定值，则判定所述食物容器为智能食物容器。
上述智能食物容器识别方法，智能食物容器上设置有特定的第一标识图案和第二标识图案，通过对包含第一标识图案和/或第二标识图案的子图像块为正样本进行训练获取的神经网络模型，对拍摄图像中的食物容器进行识别分类，能够准确地对图像中的智能食物容器进行辨别，避免普通容器中图案与智能食物容器难以区分导致出现误判的情况，提升智能食物容器对其中食物识别的准确性。
在一个实施例中，所述则判定所述食物容器为智能食物容器之后，还包括步骤：
将判定为属于智能食物容器的子图像块输入第二神经网络模型，输出所述子图像块是否为包含第一标识图案的子图像块的判定结果；将第二神经网络模型判定为包含第一标识图案的子图像块输入第三神经网络模型，输出所述智能食物容器的型号信息；根据所述型号信息，以及预存的所述型号与对应的尺寸信息，获取所述智能食物容器的尺寸信息。
为了满足用户的多样化使用需求，智能食物容器可以设置有大小不同的多种型号，而在这些型号上印制的标识图案相仿的情况下，由于拍摄图像与实际容器间大小比例会随着拍摄距离等产生变化，导致常规的图像识别方法难以仅根据图像对食物容器的型号尺寸等进行精准地识别。
上述实施例的技术方案，智能食物容器上设置有第一标识图案和第二标识图案，通过三个神经网络模型的多层次识别，在第一神经网络模型对智能食物容器进行准确辨别的基础上，进一步通过第二神经网络模型提取出包含第一标识图案的子图像块，将这些提取的子图像块输入第三神经网络进行食物容器型号的分类，最终获取到智能食物容器的尺寸信息，相比传统识别方法，本发明上述方案能够显著提升识别准确性，实现对智能食物容器尺寸信息的精准识别。
在一个实施例中，所述第一标识图案包括位于所述智能食物容器内侧壁上的与所述智能食物容器的底部平行的设定宽度的纹理圈；所述第二标识图案包括位于所述纹理圈下方与所述纹理圈紧邻的第二设定宽度的重复性排列的几何图案。
在一个实施例中，所述智能食物容器识别方法还包括训练获取所述第一神经网络模型的步骤；
所述训练获取所述第一神经网络模型的步骤包括：
利用正则化技术或局部归一化技术，以智能食物容器的包含第一标识图案和/或第二标识图案的子图像块为正样本，以不包含第一标识图案和第二标识图案的子图像块为负样本，对二分类神经网络模型进行训练，获取训练的第一神经网络模型。
在一个实施例中，所述智能食物容器识别方法还包括训练获取所述第二神经网络模型的步骤；
所述训练获取所述第二神经网络模型的步骤包括：
利用正则化技术或局部归一化技术，以智能食物容器的包含第一标识图案的子图像块为正样本，以不包含第一标识图案的子图像块为负样本，对二分类神经网络模型进行训练，获取训练的第二神经网络模型。
在一个实施例中，所述智能食物容器识别方法还包括训练获取所述第三神经网络模型的步骤；
所述训练获取所述第三神经网络模型的步骤包括：
利用正则化技术或局部归一化技术，以各种型号的智能食物容器的包含第一标识图案的子图像块为输入值，以对应的智能食物容器的型号信息为输出值，对多分类神经网络模型进行训练，获取训练的第三神经网络模型。
在一个实施例中，所述将所述图像升维分割为多个子图像块包括：
将所述图像缩放至第一分辨率大小；依照第二分辨率大小，对所述图像进行分割，将所述图像切分为多个第二分辨率大小的子图像块。
上述实施例的技术方案，通过将接收的原始图像缩放至统一的第一分辨率大小，可以消除不同终端拍摄图像的分辨率差异，将分辨率调整后的原始图像分割成多个相同第二分辨率的子图像块，实现对图像素材的升维处理，将单一图像素材升维为多个子图像块的素材，提升用于识别和训练的素材维度，从而有效提升识别和训练的精细度和准确性。
一种智能食物容器识别装置，包括：
图像分割模块，用于获取待识别的食物容器的图像，将所述图像分割为多个子图像块；
子图像分类识别模块，用于将各个所述子图像块输入第一神经网络模型，输出各个子图像块是否属于智能食物容器的判定结果；其中，所述智能食物容器内壁具有第一标识图案和第二标识图案，所述第一神经网络模型为对包含第一标识图案和/或第二标识图案的子图像块为正样本进行训练获取的神经网络模型；
容器辨别模块，用于若所述子图像块中判定为属于智能食物容器的子图像块占所有子图像块的比例大于设定值，则判定所述食物容器为智能食物容器。
上述智能食物容器识别装置，智能食物容器上设置有特定的第一标识图案和第二标识图案，通过对包含第一标识图案和/或第二标识图案的子图像块为正样本进行训练获取的神经网络模型，对拍摄图像中的食物容器进行识别分类，能够准确地对图像中的智能食物容器进行辨别，避免普通容器中图案与智能食物容器难以区分导致出现误判的情况，提升智能食物容器对其中食物识别的准确性。
一种智能食物容器识别系统，包括服务器设备，所述服务器设备与终端设备通信连接；
所述终端设备包括图像检测装置，用于检测盛放有食物的所述食物智能食物容器的图像，并发送至服务器设备；其中，所述智能食物容器内壁设有第一标识图案和第二标识图案；
所述服务器设备包括存储器和处理器，所述存储器用于存储计算机程序，当所述计算机程序被处理器执行时，所述处理器实现如下步骤：
获取待识别的食物容器的图像；
将所述图像升维分割为多个子图像块；
将各个所述子图像块输入第一神经网络模型，输出各个子图像块是否属于智能食物容器的判定结果；其中，所述智能食物容器内壁具有第一标识图案和第二标识图案，所述第一神经网络模型为对包含第一标识图案和/或第二标识图案的子图像块为正样本进行训练获取的神经网络模型；
若所述子图像块中判定为属于智能食物容器的子图像块占所有子图像块的比例大于设定值，则判定所述食物容器为智能食物容器。
上述智能食物容器识别系统，智能食物容器上设置有特定的第一标识图案和第二标识图案，终端设备的图像检测装置检测盛放有食物的所述食物智能食物容器的图像，并发送至服务器设备，服务器设备中的处理器执行程序时，通过实现如上步骤，从而可以通过对包含第一标识图案和/或第二标识图案的子图像块为正样本进行训练获取的神经网络模型，对拍摄图像中的食物容器进行识别分类，能够准确地对图像中的智能食物容器进行辨别，避免普通容器中图案与智能食物容器难以区分导致出现误判的情况，提升智能食物容器对其中食物识别的准确性。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待识别的食物容器的图像；
将所述图像升维分割为多个子图像块；
将各个所述子图像块输入第一神经网络模型，输出各个子图像块是否属于智能食物容器的判定结果；其中，所述智能食物容器内壁具有第一标识图案和第二标识图案，所述第一神经网络模型为对包含第一标识图案和/或第二标识图案的子图像块为正样本进行训练获取的神经网络模型；
若所述子图像块中判定为属于智能食物容器的子图像块占所有子图像块的比例大于设定值，则判定所述食物容器为智能食物容器。
上述计算机存储介质，其存储的计算机程序，通过实现如上步骤，从而可以通过对包含第一标识图案和/或第二标识图案的子图像块为正样本进行训练获取的神经网络模型，对拍摄图像中的食物容器进行识别分类，能够准确地对图像中的智能食物容器进行辨别，避免普通容器中图案与智能食物容器难以区分导致出现误判的情况，提升智能食物容器对其中食物识别的准确性。
附图说明
图1为一个实施例中智能食物容器识别方法的应用环境图；
图2为一个实施例中智能食物容器识别方法的流程示意图；
图3为另一个实施例中智能食物容器识别方法的流程示意图；
图4为一个实施例中智能食物容器的结构示意图；
图5为又一个实施例中智能食物容器识别方法的流程示意图；
图6为一个实施例中智能食物容器识别装置的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供的智能食物容器识别方法，可以应用于如图1所示的应用环境中。其中，终端设备200通过网络与服务器设备300进行通信。终端设备200为具有图像检测功能的设备，可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备；终端设备200的图像检测功能可以是例如通过设置于终端设备200上的摄像头或其它部件实现，终端设备200检测盛放有食物的所述食物智能食物容器100的图像，并发送至服务器设备300；其中，智能食物容器100内壁设有第一标识图案110和第二标识图案120，服务器设备300对接收的图像进行处理，根据第一标识图案110和第二标识图案120识别图像中的容器是否为智能食物容器100。其中，服务器设备300可以用独立的服务器设备或者是多个服务器设备组成的服务器设备集群来实现。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，如图2所示，提供了一种智能食物容器识别方法，以该方法应用于图1中的服务器设备为例进行说明，包括以下步骤：
S210，获取待识别的食物容器的图像；
S220，将所述图像升维分割为多个子图像块；
S230，将各个所述子图像块输入第一神经网络模型，输出各个子图像块是否属于智能食物容器的判定结果；其中，所述智能食物容器内壁具有第一标识图案和第二标识图案，所述第一神经网络模型为对包含第一标识图案和/或第二标识图案的子图像块为正样本进行训练获取的神经网络模型；
S240，若所述子图像块中判定为属于智能食物容器的子图像块占所有子图像块的比例大于设定值，则判定所述食物容器为智能食物容器。
上述智能食物容器识别方法，智能食物容器上设置有特定的第一标识图案和第二标识图案，通过对包含第一标识图案和/或第二标识图案的子图像块为正样本进行训练获取的神经网络模型，对拍摄图像中的食物容器进行识别分类，能够准确地对图像中的智能食物容器进行辨别，避免普通容器中图案与智能食物容器难以区分导致出现误判的情况，提升智能食物容器对其中食物识别的准确性。
在一个实施例中，如图3所示，S240所述则判定所述食物容器为智能食物容器之后，还包括步骤：
S250，将第一神经网络模型判定为属于智能食物容器的子图像块输入第二神经网络模型，输出所述子图像块是否为包含第一标识图案的子图像块的判定结果；
S260，将第二神经网络模型判定为包含第一标识图案的子图像块输入第三神经网络模型，输出所述智能食物容器的型号信息；
S270，根据所述型号信息，以及预存的所述型号与对应的尺寸信息，获取所述智能食物容器的尺寸信息。
为了满足用户的多样化使用需求，智能食物容器可以设置有大小不同的多种型号，而在这些型号上印制的标识图案相仿的情况下，由于拍摄图像与实际容器间大小比例会随着拍摄距离等产生变化，导致常规的图像识别方法难以仅根据图像对食物容器的型号尺寸等进行精准地识别。
上述实施例的技术方案，智能食物容器上设置有第一标识图案和第二标识图案，通过三个神经网络模型的多层次识别，在第一神经网络模型对智能食物容器进行准确辨别的基础上，进一步通过第二神经网络模型提取出包含第一标识图案的子图像块，将这些提取的子图像块输入第三神经网络进行食物容器型号的分类，最终获取到智能食物容器的尺寸信息，相比传统识别方法，本发明上述方案能够显著提升识别准确性，实现对智能食物容器尺寸信息的精准识别。
上述实施例的技术方案，为利用已经预先训练的神经网络模型对智能食物容器进行识别的过程，而在对智能食物容器进行识别之前，需要预先训练获取对应的神经网络模型。
其中，智能食物容器为在容器内壁设有特殊的标识图案，用于对容器内食物进行识别的容器。例如本发明实施例的智能食物容器可以通过在餐盘例如碗、碟、汤碗、鱼盘或汉碟等内侧印制第一标识图案和第二标识图案制得。第一标识图案与所述智能食物容器的尺寸对应；第二标识图案用于区分所述智能食物容器与普通容器；第一标识图案和第二标识图案的具体图案形态可以根据实际情况进行不同的设计调整。
在一个实施例中，如图4所示，所述第一标识图案110包括位于所述智能食物容器内侧壁上的与所述智能食物容器的底部平行的设定宽度的纹理圈；所述第二标识图案120包括位于所述纹理圈下方与所述纹理圈紧邻的第二设定宽度的重复性排列的几何图案。
在一个实施例中，如图5所示，所述智能食物容器识别方法还包括步骤：
S510，训练获取所述第一神经网络模型；
S510所述训练获取所述第一神经网络模型的步骤包括：
S511，利用正则化技术或局部归一化技术，以智能食物容器的包含第一标识图案和/或第二标识图案的子图像块为正样本，以不包含第一标识图案和第二标识图案的子图像块为负样本，对二分类神经网络模型进行训练，获取训练的第一神经网络模型。
其中，S511中用于训练的子图像块的获取方式可以与S220中相同。
在一个实施例中，所述智能食物容器识别方法还包括步骤：
S520，训练获取所述第二神经网络模型；
S520所述训练获取所述第二神经网络模型的步骤包括：
S521，利用正则化技术或局部归一化技术，以智能食物容器的包含第一标识图案的子图像块为正样本，以不包含第一标识图案的子图像块为负样本，对二分类神经网络模型进行训练，获取训练的第二神经网络模型。
其中，S521中用于训练的子图像块的获取方式可以与S220中相同。
在一个实施例中，所述智能食物容器识别方法还包括步骤：
S530，训练获取所述第三神经网络模型；
S530所述训练获取所述第三神经网络模型的步骤包括：
S531，利用正则化技术或局部归一化技术，以各种型号的智能食物容器的包含第一标识图案的子图像块为输入值，以对应的智能食物容器的型号信息为输出值，对多分类神经网络模型进行训练，获取训练的第三神经网络模型。
其中，S531中用于训练的子图像块的获取方式可以与S220中相同。
在一个实施例中，S220所述将所述图像升维分割为多个子图像块包括：
S221，将所述图像缩放至第一分辨率大小；
S222，依照第二分辨率大小，对所述图像进行分割，将所述图像切分为多个第二分辨率大小的子图像块。
上述实施例的技术方案，通过将接收的原始图像缩放至统一的第一分辨率大小，可以消除不同终端拍摄图像的分辨率差异，将分辨率调整后的原始图像分割成多个相同第二分辨率的子图像块，实现对图像素材的升维处理，将单一图像素材升维为多个子图像块的素材，提升用于识别和训练的素材维度，从而有效提升识别和训练的精细度和准确性。应该理解的是，虽然图2至图4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2至图4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种智能食物容器识别装置，包括：
图像分割模块610，用于获取待识别的食物容器的图像，将所述图像分割为多个子图像块；
子图像分类识别模块620，用于将各个所述子图像块输入第一神经网络模型，输出各个子图像块是否属于智能食物容器的判定结果；其中，所述智能食物容器内壁具有第一标识图案和第二标识图案，所述第一神经网络模型为对包含第一标识图案和/或第二标识图案的子图像块为正样本进行训练获取的神经网络模型；
容器辨别模块630，用于若所述子图像块中判定为属于智能食物容器的子图像块占所有子图像块的比例大于设定值，则判定所述食物容器为智能食物容器。
上述智能食物容器识别装置，智能食物容器上设置有特定的第一标识图案和第二标识图案，通过对包含第一标识图案和/或第二标识图案的子图像块为正样本进行训练获取的神经网络模型，对拍摄图像中的食物容器进行识别分类，能够准确地对图像中的智能食物容器进行辨别，避免普通容器中图案与智能食物容器难以区分导致出现误判的情况，提升智能食物容器对其中食物识别的准确性。
在一个实施例中，所述智能食物容器识别装置，还包括：
第一标识提取模块，用于将判定为属于智能食物容器的子图像块输入第二神经网络模型，输出所述子图像块是否为包含第一标识图案的子图像块的判定结果；
型号识别模块，用于将第二神经网络模型判定为包含第一标识图案的子图像块输入第三神经网络模型，输出所述智能食物容器的型号信息；
尺寸信息获取模块，用于根据所述型号信息，以及预存的所述型号与对应的尺寸信息，获取所述智能食物容器的尺寸信息。
在一个实施例中，所述智能食物容器识别装置还包括：
第一神经网络模型训练模块，用于训练获取所述第一神经网络模型；
所述第一神经网络模型训练模块进一步用于：
利用正则化技术或局部归一化技术，以智能食物容器的包含第一标识图案和/或第二标识图案的子图像块为正样本，以不包含第一标识图案和第二标识图案的子图像块为负样本，对二分类神经网络模型进行训练，获取训练的第一神经网络模型。
在一个实施例中，所述智能食物容器识别装置还包括：
第二神经网络模型训练模块，用于训练获取所述第二神经网络模型；
所述第二神经网络模型训练模块进一步用于：
利用正则化技术或局部归一化技术，以智能食物容器的包含第一标识图案的子图像块为正样本，以不包含第一标识图案的子图像块为负样本，对二分类神经网络模型进行训练，获取训练的第二神经网络模型。
在一个实施例中，所述智能食物容器识别装置还包括：
第三神经网络模型训练模块，用于训练获取所述第三神经网络模型；
所述第三神经网络模型训练模块进一步用于：
利用正则化技术或局部归一化技术，以各种型号的智能食物容器的包含第一标识图案的子图像块为输入值，以对应的智能食物容器的型号信息为输出值，对多分类神经网络模型进行训练，获取训练的第三神经网络模型。
在一个实施例中，所述图像分割模块610包括：
图像缩放模块，用于将所述图像缩放至第一分辨率大小；
图像切分模块，用于依照第二分辨率大小，对所述图像进行分割，将所述图像切分为多个第二分辨率大小的子图像块。
在一个实施例中，所述第一标识图案包括位于所述智能食物容器内侧壁上的与所述智能食物容器的底部平行的设定宽度的纹理圈；所述第二标识图案包括位于所述纹理圈下方与所述纹理圈紧邻的第二设定宽度的重复性排列的几何图案。
关于智能食物容器识别装置的具体限定可以参见上文中对于智能食物容器识别方法的限定，在此不再赘述。上述智能食物容器识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本发明的智能食物容器识别装置与本发明的智能食物容器识别方法一一对应，在上述智能食物容器识别方法的实施例阐述的技术特征及其有益效果均适用于智能食物容器识别装置的实施例中，特此声明。
在一个实施例中，提供了一种智能食物容器识别系统，如图1所示，包括服务器设备，所述服务器设备与终端设备通信连接；
所述终端设备包括图像检测装置，用于检测盛放有食物的所述食物智能食物容器的图像，并发送至服务器设备；
其中，所述智能食物容器内壁设有第一标识图案和第二标识图案；
所述服务器设备包括存储器和处理器，所述存储器用于存储计算机程序，当所述计算机程序被处理器执行时，所述处理器实现如上任一实施例所述的智能食物容器识别方法的步骤。
上述智能食物容器识别系统，智能食物容器上设置有特定的第一标识图案和第二标识图案，终端设备的图像检测装置检测盛放有食物的所述食物智能食物容器的图像，并发送至服务器设备，服务器设备中的处理器执行程序时，通过实现任一实施例所述的智能食物容器识别方法的步骤，从而可以通过对包含第一标识图案和/或第二标识图案的子图像块为正样本进行训练获取的神经网络模型，对拍摄图像中的食物容器进行识别分类，能够准确地对图像中的智能食物容器进行辨别，避免普通容器中图案与智能食物容器难以区分导致出现误判的情况，提升智能食物容器对其中食物识别的准确性。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一实施例所述智能食物容器识别方法的步骤。
上述计算机存储介质，其存储的计算机程序，通过实现如上任一实施例所述智能食物容器识别方法的步骤，从而可以通过对包含第一标识图案和/或第二标识图案的子图像块为正样本进行训练获取的神经网络模型，对拍摄图像中的食物容器进行识别分类，能够准确地对图像中的智能食物容器进行辨别，避免普通容器中图案与智能食物容器难以区分导致出现误判的情况，提升智能食物容器对其中食物识别的准确性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种智能食物容器识别方法，其特征在于，包括：
获取待识别的食物容器的图像，将所述图像升维分割为多个子图像块；
将各个所述子图像块输入第一神经网络模型，输出各个子图像块是否属于智能食物容器的判定结果；其中，所述智能食物容器内壁具有第一标识图案和第二标识图案，所述第一神经网络模型为对包含第一标识图案和/或第二标识图案的子图像块为正样本进行训练获取的神经网络模型；所述第一标识图案与所述智能食物容器的尺寸对应；所述第二标识图案用于区分所述智能食物容器与普通容器；
若所述子图像块中判定为属于智能食物容器的子图像块占所有子图像块的比例大于设定值，则判定所述食物容器为智能食物容器。
2.根据权利要求1所述的智能食物容器识别方法，其特征在于，所述判定所述食物容器为智能食物容器之后，还包括步骤：
将判定为属于智能食物容器的子图像块输入第二神经网络模型，输出所述子图像块是否为包含第一标识图案的子图像块的判定结果；
将第二神经网络模型判定为包含第一标识图案的子图像块输入第三神经网络模型，输出所述智能食物容器的型号信息；
根据所述型号信息，以及预存的所述型号与对应的尺寸信息，获取所述智能食物容器的尺寸信息。
3.根据权利要求1或2所述的智能食物容器识别方法，其特征在于，还包括训练获取所述第一神经网络模型的步骤，所述训练获取所述第一神经网络模型的步骤包括：
利用正则化技术或局部归一化技术，以智能食物容器的包含第一标识图案和/或第二标识图案的子图像块为正样本，以不包含第一标识图案和第二标识图案的子图像块为负样本，对二分类神经网络模型进行训练，获取训练的第一神经网络模型。
4.根据权利要求2所述的智能食物容器识别方法，其特征在于，还包括训练获取所述第二神经网络模型的步骤，所述训练获取所述第二神经网络模型的步骤包括：
利用正则化技术或局部归一化技术，以智能食物容器的包含第一标识图案的子图像块为正样本，以不包含第一标识图案的子图像块为负样本，对二分类神经网络模型进行训练，获取训练的第二神经网络模型。
5.根据权利要求2所述的智能食物容器识别方法，其特征在于，还包括训练获取所述第三神经网络模型的步骤，所述训练获取所述第三神经网络模型的步骤包括：
利用正则化技术或局部归一化技术，以各种型号的智能食物容器的包含第一标识图案的子图像块为输入值，以对应的智能食物容器的型号信息为输出值，对多分类神经网络模型进行训练，获取训练的第三神经网络模型。
6.根据权利要求2所述的智能食物容器识别方法，其特征在于，所述将所述图像升维分割为多个子图像块包括：
将所述图像缩放至第一分辨率大小；
依照第二分辨率大小，对所述图像进行分割，将所述图像切分为多个第二分辨率大小的子图像块。
7.根据权利要求2所述的智能食物容器识别方法，其特征在于，所述第一标识图案包括位于所述智能食物容器内侧壁上的与所述智能食物容器的底部平行的设定宽度的纹理圈；所述第二标识图案包括位于所述纹理圈下方与所述纹理圈紧邻的第二设定宽度的重复性排列的几何图案。
8.一种智能食物容器识别装置，其特征在于，包括：
图像分割模块，用于获取待识别的食物容器的图像，将所述图像分割为多个子图像块；
子图像分类识别模块，用于将各个所述子图像块输入第一神经网络模型，输出各个子图像块是否属于智能食物容器的判定结果；其中，所述智能食物容器内壁具有第一标识图案和第二标识图案，所述第一神经网络模型为对包含第一标识图案和/或第二标识图案的子图像块为正样本进行训练获取的神经网络模型；所述第一标识图案与所述智能食物容器的尺寸对应；所述第二标识图案用于区分所述智能食物容器与普通容器；
容器辨别模块，用于若所述子图像块中判定为属于智能食物容器的子图像块占所有子图像块的比例大于设定值，则判定所述食物容器为智能食物容器。
9.一种智能食物容器识别系统，其特征在于，包括服务器设备，所述服务器设备与终端设备通信连接；
所述终端设备包括图像检测装置，用于检测盛放有食物的所述食物智能食物容器的图像，并发送至服务器设备；
其中，所述智能食物容器内壁设有第一标识图案和第二标识图案；
所述服务器设备包括存储器和处理器，所述存储器用于存储计算机程序，当所述计算机程序被处理器执行时，所述处理器实现如权利要求1至7中任一项所述的智能食物容器识别方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的智能食物容器识别方法的步骤。
CN201810696296.3A 2018-06-29 2018-06-29 智能食物容器识别方法、装置、系统和存储介质 Active CN109034169B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810696296.3A CN109034169B (zh) 2018-06-29 2018-06-29 智能食物容器识别方法、装置、系统和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810696296.3A CN109034169B (zh) 2018-06-29 2018-06-29 智能食物容器识别方法、装置、系统和存储介质

Publications (2)

Publication Number Publication Date
CN109034169A CN109034169A (zh) 2018-12-18
CN109034169B true CN109034169B (zh) 2021-02-26

Family

ID=65520904

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810696296.3A Active CN109034169B (zh) 2018-06-29 2018-06-29 智能食物容器识别方法、装置、系统和存储介质

Country Status (1)

Country Link
CN (1) CN109034169B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956217A (zh) * 2019-12-06 2020-04-03 广东美的白色家电技术创新中心有限公司 食物成熟度识别方法、装置以及计算机存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101359372A (zh) * 2008-09-26 2009-02-04 腾讯科技（深圳）有限公司 分类器的训练方法及装置、识别敏感图片的方法及装置
CN101655914A (zh) * 2008-08-18 2010-02-24 索尼（中国）有限公司 训练装置、训练方法及检测方法
CN105868768A (zh) * 2015-01-20 2016-08-17 阿里巴巴集团控股有限公司 一种识别图片是否带有特定标记的方法及系统
CN106803090A (zh) * 2016-12-05 2017-06-06 中国银联股份有限公司 一种图像识别方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10346726B2 (en) * 2014-12-15 2019-07-09 Samsung Electronics Co., Ltd. Image recognition method and apparatus, image verification method and apparatus, learning method and apparatus to recognize image, and learning method and apparatus to verify image

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101655914A (zh) * 2008-08-18 2010-02-24 索尼（中国）有限公司 训练装置、训练方法及检测方法
CN101359372A (zh) * 2008-09-26 2009-02-04 腾讯科技（深圳）有限公司 分类器的训练方法及装置、识别敏感图片的方法及装置
CN105868768A (zh) * 2015-01-20 2016-08-17 阿里巴巴集团控股有限公司 一种识别图片是否带有特定标记的方法及系统
CN106803090A (zh) * 2016-12-05 2017-06-06 中国银联股份有限公司 一种图像识别方法和装置

Also Published As

Publication number Publication date
CN109034169A (zh) 2018-12-18

Similar Documents

Publication Publication Date Title
CN109064509B (zh) 食物体积和食物热量的识别方法、装置和系统
US10885531B2 (en) Artificial intelligence counterfeit detection
US20200410273A1 (en) Target detection method and apparatus, computer-readable storage medium, and computer device
WO2020164282A1 (zh) 基于yolo的图像目标识别方法、装置、电子设备和存储介质
CN109002766B (zh) 一种表情识别方法及装置
CN109740417B (zh) 发票类型识别方法、装置、存储介质和计算机设备
CN107808120A (zh) 眼镜定位方法、装置及存储介质
Sharmin et al. Machine vision based local fish recognition
US11854249B2 (en) Character recognition method and terminal device
CN113159147A (zh) 基于神经网络的图像识别方法、装置、电子设备
CN110321968B (zh) 一种超声图像分类装置
CN110245714B (zh) 图像识别方法、装置及电子设备
CN104361357B (zh) 基于图片内容分析的相片集分类系统及分类方法
CN107886062A (zh) 图像处理方法、系统及服务器
CN113313111A (zh) 文本识别方法、装置、设备和介质
CN111339884B (zh) 图像识别方法以及相关设备、装置
CN109034169B (zh) 智能食物容器识别方法、装置、系统和存储介质
KR102433391B1 (ko) 음식 검색 서비스 제공 장치 및 방법
CN111046974B (zh) 一种物品分类方法、装置、存储介质及电子设备
CN112651333A (zh) 静默活体检测方法、装置、终端设备和存储介质
CN116258906A (zh) 一种对象识别方法、特征提取模型的训练方法及装置
CN114419370A (zh) 目标图像处理方法、装置、存储介质与电子设备
CN114399497A (zh) 文本图像质量检测方法、装置、计算机设备及存储介质
WO2019071476A1 (zh) 一种基于智能终端的快递信息录入方法及录入系统
CN115187972A (zh) 基于特征对比的菜品识别方法

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
GR01 Patent grant
GR01 Patent grant