CN109214409A - 一种菜品识别方法及系统 - Google Patents
一种菜品识别方法及系统 Download PDFInfo
- Publication number
- CN109214409A CN109214409A CN201810750448.3A CN201810750448A CN109214409A CN 109214409 A CN109214409 A CN 109214409A CN 201810750448 A CN201810750448 A CN 201810750448A CN 109214409 A CN109214409 A CN 109214409A
- Authority
- CN
- China
- Prior art keywords
- vegetable
- identified
- feature
- classifier
- advance
- 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
- 235000013311 vegetables Nutrition 0.000 title claims abstract description 187
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000000463 material Substances 0.000 claims abstract description 36
- 235000013305 food Nutrition 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000007781 pre-processing Methods 0.000 claims description 13
- 239000004615 ingredient Substances 0.000 claims 2
- 235000010149 Brassica rapa subsp chinensis Nutrition 0.000 description 5
- 235000000536 Brassica rapa subsp pekinensis Nutrition 0.000 description 5
- 241000499436 Brassica rapa subsp. pekinensis Species 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010224 classification analysis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 235000008534 Capsicum annuum var annuum Nutrition 0.000 description 1
- 240000008384 Capsicum annuum var. annuum Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
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
本发明公开了一种菜品识别方法及系统,该方法包括步骤:S11.获取待识别的菜品图片;S12.将所述待识别的菜品图片输入预先训练的多标签分类器得到所述待识别菜品的多个成分特征;S13.将所述待识别菜品的多个成分特征输入预先训练的单标签分类器得到所述待识别菜品的具体菜名。本发明对待识别的菜品图片先通过预先训练的多标签分类器可以得到待识别菜品中的食材特征与做法特征,然后通过预先训练的单标签分类器进一步提取食材特征与做法特征相互联系得到所述待识别菜品的具体菜名,使得菜品识别模型更加符合人类的思维方式,提高了菜品识别当中可以获取的信息量以及菜品的识别准确率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种菜品识别方法及系统。
背景技术
菜品,是指各类品种的菜,例如剁椒鱼头、青椒炒肉、白菜炒木耳等等。随着菜品品种的不断增多,人们通过肉眼通常只能辨别出少数品种的菜品。因此,帮助用户进行菜品识别成为了一种需求。而且,菜品识别还可以应用到多种不同的应用场景,例如餐饮店铺的结账流程、智能餐盘对菜品的语音介绍、智能冰箱针对存放的不同菜品的监控等等。
菜品识别是一个分类的问题,而从目前的方案来看,处理分类问题的时候,解决的通常思路都是通过直接单标签标记进行单标签分类或者直接多标签进行标记进行多标签分类的方式,而对于直接进行单标签标记的方式是采取直接一对一标记的形式进行,无法获取多个类别进行多标签标记后的内在联系,在菜品识别中就无法获取食材与做法之间的内在联系,这就无法确保菜品是被的准确率,而对于直接多标签进行标记进行多标签分类时模型对于目标检测是的位置标定需要一定的性能消耗,而且也是直接获取多个标签,无法获取多个标签之间的内在联系。
公开号为CN 106845527A的专利公开了一种菜品识别方法,包括以下步骤:1)获得web请求,服务器相应web请求,获取相应图像;2)保存图像,获取输入数据流,生成图像文件名并保存至磁盘;3)图像预处理,对输入的图像进行尺寸调整和归一化;4)使用预先训练的卷积神经网络进行处理,对图像上的物体进行检测及分类,如果没有检测到菜品则结束,如果检测到菜品,则结合分类结果,输出相应菜品信息。该方法虽然可以对菜品进行识别,但是该方法还是采用单标签标记进行单标签分类的方法实现菜品的识别,无法获取菜品中食材与做法之间的内在联系,因此,该方法还是无法确保菜品识别的准确率。
发明内容
本发明的目的是针对现有技术的缺陷,提供了一种菜品识别方法及系统,利用多标签标记然后进行单标签分类来解决菜品识别问题,可以结合菜品中食材与做法的特征与相互联系,大大增强菜品识别的准确率。
为了实现以上目的,本发明采用以下技术方案:
一种菜品识别方法,包括步骤:
S1.获取待识别的菜品图片;
S2.将所述待识别的菜品图片输入预先训练的多标签分类器得到所述待识别菜品的多个成分特征;
S3.将所述待识别菜品的多个成分特征输入预先训练的单标签分类器得到所述待识别菜品的具体菜名。
进一步的,所述多标签分类器采用mobilenetv2分类算法;所述单标签分类器采用svm分类算法。
进一步的,所述待识别菜品的多个成分特征包括所述待识别菜品的食材特征和做法特征。
进一步的,所述单标签分类器是通过所述待识别菜品的具体食材特征和做法特征之间的相互联系得到所述待识别菜品的具体菜名。
进一步的,所述步骤S1之后步骤S2之前还包括步骤:
对所述待识别的菜品图片进行图像预处理。
相应的,还提供一种菜品识别系统,包括:
获取模块,用于获取待识别的菜品图片;
第一分类模块,用于将所述待识别的菜品图片输入预先训练的多标签分类器得到所述待识别菜品的多个成分特征;
第二分类模块,用于将所述待识别菜品的多个成分特征输入预先训练的单标签分类器得到所述待识别菜品的具体菜名。
进一步的,所述多标签分类器采用mobilenetv2分类算法;所述单标签分类器采用svm分类算法。
进一步的,所述待识别菜品的多个成分特征包括所述待识别菜品的食材特征和做法特征。
进一步的,所述单标签分类器是通过所述待识别菜品的具体食材特征和做法特征之间的相互联系得到所述待识别菜品的具体菜名。
进一步的,还包括:
预处理模块,用于对所述待识别的菜品图片进行图像预处理。
与现有技术相比,本发明对待识别的菜品图片先通过预先训练的多标签分类器可以得到待识别菜品中的食材特征与做法特征,然后通过预先训练的单标签分类器进一步提取食材特征与做法特征相互联系得到所述待识别菜品的具体菜名,使得菜品识别模型更加符合人类的思维方式,提高了菜品识别当中可以获取的信息量以及菜品的识别准确率。
附图说明
图1是实施例一提供的一种菜品识别方法流程图;
图2是本发明mobilenetv2分类器的输出示意图;
图3是本发明提供的一张待识别的菜品图片;
图4是实施例一提供的一种菜品识别系统结构图;
图5是实施例二提供的一种菜品识别方法流程图;
图6是实施例二提供的一种菜品识别系统结构图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
本发明是以菜品识别为研究对象,主要的着力点在于改善菜品识别的方法,提供了一种菜品识别方法及系统,利用多标签标记然后进行单标签分类来解决菜品识别问题,可以结合菜品中食材与做法的特征与相互联系,大大增强菜品识别的准确率。
实施例一
本实施例提供一种菜品识别方法,如图1所示,包括步骤:
S11.获取待识别的菜品图片;
S12.将所述待识别的菜品图片输入预先训练的多标签分类器得到所述待识别菜品的多个成分特征;
S13.将所述待识别菜品的多个成分特征输入预先训练的单标签分类器得到所述待识别菜品的具体菜名。
本实施例的提升多标签分类正确率的方法的执行主体为计算机,所述步骤S11至步骤S13都是计算机中的算法实现软件来完成。所述的算法实现软件为MATLAB。
首先,计算机获取待识别的菜品图片,首先将所述待识别的菜品图片输入预先训练的多标签分类器得到所述待识别菜品的多个成分特征。
具体的,所述多标签分类器采用mobilenetv2分类算法。
具体的,所述待识别菜品的多个成分特征包括所述待识别菜品的食材特征和做法特征。
需要说明的是,所述的多标签分类器是通过预先训练样本集得到的,所述的多标签分类器采用的是mobilenetv2分类算法,mobilenetv2是一种轻量化卷积神经网络,该卷积神经网络例如可以包括卷积层、池化层、全连接层和损失层。其中,卷积层可以用于提取图像特征,池化层可以用于对输入的信息进行降采样(downsample)。此外,该卷积神经网络还可以使用各种非线性激活函数(例如ReLU(Rectified Linear Units,修正线性单元)函数、Sigmoid函数等)对信息进行非线性计算,如下表所示为mobilenetv2分类算法的网络结构。
MobileNCt V2
在本发明中,对mobilenetv2分类算法的输出进行了一定的修改,将输出定位到n维向量,通过n维向量每一维的取值来对具体的食材和做法进行判断,如图2所示为本发明mobilenetv2分类器的输出示意图,这样就得出了待识别菜品的具体的食材特征和做法特征,例如,待识别的菜品图片如图3所示,那么经过预先训练的多标签分类器得到所述待识别菜品的多个成分特征分别为白菜、木耳和炒。
识别出待识别菜品的食材特征和做法特征后,就将通过多标签分类器得到的n维向量(所述待识别菜品的多个成分特征)输入预先训练的单标签分类器得到所述待识别菜品的具体菜名。
具体的,所述单标签分类器采用svm分类算法。
具体的,所述单标签分类器是通过所述待识别菜品的具体食材特征和做法特征之间的相互联系得到所述待识别菜品的具体菜名。
需要说明的是,svm(Support Vector Machine)指的是支持向量机,是常见的一种判别方法。在机器学习领域,是一个有监督的学习模型,通常用来进行模式识别、分类以及回归分析。在本发明中是利用svm算法来进行分类。
说要说明的是,上述单标签分类器是通过技术人员训练大量显示有菜品图像的成分特征(食材特征和做法特征)和具体菜名而预先制定的,存储有多个菜品的成分特征与具体菜名的对应关系表,这样通过单标签分类器就可以得到待识别菜品的具体菜名了,例如,待识别菜品的成分特征为白菜、木耳和炒,那么通过单标签分类器识别出的具体菜名为白菜炒木耳。
相应的,本实施例还提供一种菜品识别系统,如图4所示,包括:
获取模块11,用于获取待识别的菜品图片;
第一分类模块12,用于将所述待识别的菜品图片输入预先训练的多标签分类器得到所述待识别菜品的多个成分特征;
第二分类模块13,用于将所述待识别菜品的多个成分特征输入预先训练的单标签分类器得到所述待识别菜品的具体菜名。
具体的,所述多标签分类器采用mobilenetv2分类算法;所述单标签分类器采用svm分类算法。
具体的,所述待识别菜品的多个成分特征包括所述待识别菜品的食材特征和做法特征。
具体的,所述单标签分类器是通过所述待识别菜品的具体食材特征和做法特征之间的相互联系得到所述待识别菜品的具体菜名。
本实施例对待识别的菜品图片先通过预先训练的多标签分类器可以得到待识别菜品中的食材特征与做法特征,然后通过预先训练的单标签分类器进一步提取食材特征与做法特征相互联系得到所述待识别菜品的具体菜名,使得菜品识别模型更加符合人类的思维方式,提高了菜品识别当中可以获取的信息量以及菜品的识别准确率。
实施例二
本实施例提供一种菜品识别方法,如图5所示,包括步骤:
S21.获取待识别的菜品图片;
S22.对所述待识别的菜品图片进行图像预处理;
S23.将预处理后的待识别的菜品图片输入预先训练的多标签分类器得到所述待识别菜品的多个成分特征;
S24.将所述待识别菜品的多个成分特征输入预先训练的单标签分类器得到所述待识别菜品的具体菜名。
本实施例与实施例一相比,增加了步骤S22对待识别的菜品图片进行了图片预处理。
首先,计算机获取待识别的菜品图片对所述待识别的菜品图片进行图像预处理,然后将所述待识别的菜品图片输入预先训练的多标签分类器得到所述待识别菜品的多个成分特征。
具体的,所述多标签分类器采用mobilenetv2分类算法。
具体的,所述待识别菜品的多个成分特征包括所述待识别菜品的食材特征和做法特征。
需要说明的是,本实施例中的图像预处理步骤主要是对图像的尺寸进行调整和归一化,这两个步骤的具体设置和使用的多标签分类器图像输入的尺寸相关,主要是将待识别的菜品图片的尺寸归一化成多标签分类器图像输入的尺寸,这样就可以减小多标签分类器的计算量,提高菜品识别的效率。
需要说明的是,所述的多标签分类器是通过预先训练样本集得到的,所述的多标签分类器采用的是mobilenetv2分类算法,mobilenetv2是一种轻量化卷积神经网络,该卷积神经网络例如可以包括卷积层、池化层、全连接层和损失层。其中,卷积层可以用于提取图像特征,池化层可以用于对输入的信息进行降采样(downsample)。此外,该卷积神经网络还可以使用各种非线性激活函数(例如ReLU(Rectified Linear Units,修正线性单元)函数、Sigmoid函数等)对信息进行非线性计算,如下表所示为mobilenetv2分类算法的网络结构。
MobileNet V2
在本发明中,对mobilenetv2分类算法的输出进行了一定的修改,将输出定位到n维向量,通过n维向量每一维的取值来对具体的食材和做法进行判断,如图2所示为本发明mobilenetv2分类器的输出示意图,这样就得出了待识别菜品的具体的食材特征和做法特征,例如,待识别的菜品图片如图3所示,那么经过预先训练的多标签分类器得到所述待识别菜品的多个成分特征分别为白菜、木耳和炒。
识别出待识别菜品的食材特征和做法特征后,就将通过多标签分类器得到的n维向量(所述待识别菜品的多个成分特征)输入预先训练的单标签分类器得到所述待识别菜品的具体菜名。
具体的,所述单标签分类器采用svm分类算法。
具体的,所述单标签分类器是通过所述待识别菜品的具体食材特征和做法特征之间的相互联系得到所述待识别菜品的具体菜名。
需要说明的是,svm(Support Vector Machine)指的是支持向量机,是常见的一种判别方法。在机器学习领域,是一个有监督的学习模型,通常用来进行模式识别、分类以及回归分析。在本发明中是利用svm算法来进行分类。
说要说明的是,上述单标签分类器是通过技术人员训练大量显示有菜品图像的成分特征(食材特征和做法特征)和具体菜名而预先制定的,存储有多个菜品的成分特征与具体菜名的对应关系表,这样通过单标签分类器就可以得到待识别菜品的具体菜名了,例如,待识别菜品的成分特征为白菜、木耳和炒,那么通过单标签分类器识别出的具体菜名为白菜炒木耳。
相应的,本实施例还提供一种菜品识别系统,如图6所示,包括:
获取模块21,用于获取待识别的菜品图片;
预处理模块22,用于对所述待识别的菜品图片进行图像预处理;
第一分类模块23,用于将预处理后的待识别的菜品图片输入预先训练的多标签分类器得到所述待识别菜品的多个成分特征;
第二分类模块24,用于将所述待识别菜品的多个成分特征输入预先训练的单标签分类器得到所述待识别菜品的具体菜名。
具体的,所述多标签分类器采用mobilenetv2分类算法;所述单标签分类器采用svm分类算法。
具体的,所述待识别菜品的多个成分特征包括所述待识别菜品的食材特征和做法特征。
具体的,所述单标签分类器是通过所述待识别菜品的具体食材特征和做法特征之间的相互联系得到所述待识别菜品的具体菜名。
本实施例对待识别的菜品图片先进行图像预处理然后通过预先训练的多标签分类器可以得到待识别菜品中的食材特征与做法特征,最后通过预先训练的单标签分类器进一步提取食材特征与做法特征相互联系得到所述待识别菜品的具体菜名,使得菜品识别模型更加符合人类的思维方式,有效提高菜品识别效率以及提高了菜品识别当中可以获取的信息量以及菜品的识别准确率。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种菜品识别方法,其特征在于,包括步骤:
S1.获取待识别的菜品图片;
S2.将所述待识别的菜品图片输入预先训练的多标签分类器得到所述待识别菜品的多个成分特征;
S3.将所述待识别菜品的多个成分特征输入预先训练的单标签分类器得到所述待识别菜品的具体菜名。
2.根据权利要求1所述的一种菜品识别方法,其特征在于,所述多标签分类器采用mobilenetv2分类算法;所述单标签分类器采用svm分类算法。
3.根据权利要求1所述的一种菜品识别方法,其特征在于,所述待识别菜品的多个成分特征包括所述待识别菜品的食材特征和做法特征。
4.根据权利要求3所述的一种菜品识别方法,其特征在于,所述单标签分类器是通过所述待识别菜品的具体食材特征和做法特征之间的相互联系得到所述待识别菜品的具体菜名。
5.根据权利要求1所述的一种菜品识别方法,其特征在于,所述步骤S1之后步骤S2之前还包括步骤:
对所述待识别的菜品图片进行图像预处理。
6.一种菜品识别系统,其特征在于,包括:
获取模块,用于获取待识别的菜品图片;
第一分类模块,用于将所述待识别的菜品图片输入预先训练的多标签分类器得到所述待识别菜品的多个成分特征;
第二分类模块,用于将所述待识别菜品的多个成分特征输入预先训练的单标签分类器得到所述待识别菜品的具体菜名。
7.根据权利要求6所述的一种菜品识别系统,其特征在于,所述多标签分类器采用mobilenetv2分类算法;所述单标签分类器采用svm分类算法。
8.根据权利要求6所述的一种菜品识别系统,其特征在于,所述待识别菜品的多个成分特征包括所述待识别菜品的食材特征和做法特征。
9.根据权利要求8所述的一种菜品识别系统,其特征在于,所述单标签分类器是通过所述待识别菜品的具体食材特征和做法特征之间的相互联系得到所述待识别菜品的具体菜名。
10.根据权利要求6所述的一种菜品识别系统,其特征在于,还包括:预处理模块,用于对所述待识别的菜品图片进行图像预处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810750448.3A CN109214409A (zh) | 2018-07-10 | 2018-07-10 | 一种菜品识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810750448.3A CN109214409A (zh) | 2018-07-10 | 2018-07-10 | 一种菜品识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109214409A true CN109214409A (zh) | 2019-01-15 |
Family
ID=64990367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810750448.3A Pending CN109214409A (zh) | 2018-07-10 | 2018-07-10 | 一种菜品识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109214409A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738051A (zh) * | 2019-09-17 | 2020-01-31 | 北京三快在线科技有限公司 | 菜名实体识别方法、装置、电子设备及存储介质 |
CN110889429A (zh) * | 2019-10-22 | 2020-03-17 | 杭州效准智能科技有限公司 | 一种基于深度学习的智能菜品匹配识别方法 |
CN110895781A (zh) * | 2019-10-29 | 2020-03-20 | 北京三快在线科技有限公司 | 菜品类别推荐方法、装置、电子设备及存储介质 |
CN111143585A (zh) * | 2019-04-11 | 2020-05-12 | 王晓东 | 自动化大数据排序方法 |
CN111597862A (zh) * | 2019-02-21 | 2020-08-28 | 杭州海康威视数字技术股份有限公司 | 一种菜品类别识别方法、装置及电子设备 |
CN111652254A (zh) * | 2019-03-08 | 2020-09-11 | 上海铼锶信息技术有限公司 | 一种基于相似度的模型优化方法及系统 |
CN111652255A (zh) * | 2019-03-08 | 2020-09-11 | 上海铼锶信息技术有限公司 | 一种数据集标注的方法及系统 |
CN112115902A (zh) * | 2020-09-25 | 2020-12-22 | 广州市派客朴食信息科技有限责任公司 | 一种基于单阶段目标检测算法的菜品识别方法 |
WO2021212601A1 (zh) * | 2020-04-24 | 2021-10-28 | 平安科技(深圳)有限公司 | 一种基于图像的辅助写作方法、装置、介质及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512676A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 一种智能终端上的食物识别方法 |
CN106599869A (zh) * | 2016-12-22 | 2017-04-26 | 安徽大学 | 一种基于多任务卷积神经网络的车辆属性识别方法 |
CN107330750A (zh) * | 2017-05-26 | 2017-11-07 | 北京三快在线科技有限公司 | 一种推荐产品配图方法及装置,电子设备 |
-
2018
- 2018-07-10 CN CN201810750448.3A patent/CN109214409A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512676A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 一种智能终端上的食物识别方法 |
CN106599869A (zh) * | 2016-12-22 | 2017-04-26 | 安徽大学 | 一种基于多任务卷积神经网络的车辆属性识别方法 |
CN107330750A (zh) * | 2017-05-26 | 2017-11-07 | 北京三快在线科技有限公司 | 一种推荐产品配图方法及装置,电子设备 |
Non-Patent Citations (1)
Title |
---|
JINGJING CHEN 等: "Deep-based Ingredient Recognition for Cooking Recipe Retrieval", 《PROCEEDINGS OF THE 24TH ACM INTERNATIONAL CONFERENCE ON MULTIMEDIA》, 31 October 2016 (2016-10-31), pages 32, XP058629639, DOI: 10.1145/2964284.2964315 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597862A (zh) * | 2019-02-21 | 2020-08-28 | 杭州海康威视数字技术股份有限公司 | 一种菜品类别识别方法、装置及电子设备 |
CN111652254A (zh) * | 2019-03-08 | 2020-09-11 | 上海铼锶信息技术有限公司 | 一种基于相似度的模型优化方法及系统 |
CN111652255A (zh) * | 2019-03-08 | 2020-09-11 | 上海铼锶信息技术有限公司 | 一种数据集标注的方法及系统 |
CN111652254B (zh) * | 2019-03-08 | 2023-05-23 | 上海铼锶信息技术有限公司 | 一种基于相似度的模型优化方法及系统 |
CN111143585A (zh) * | 2019-04-11 | 2020-05-12 | 王晓东 | 自动化大数据排序方法 |
CN110738051A (zh) * | 2019-09-17 | 2020-01-31 | 北京三快在线科技有限公司 | 菜名实体识别方法、装置、电子设备及存储介质 |
CN110889429A (zh) * | 2019-10-22 | 2020-03-17 | 杭州效准智能科技有限公司 | 一种基于深度学习的智能菜品匹配识别方法 |
CN110895781A (zh) * | 2019-10-29 | 2020-03-20 | 北京三快在线科技有限公司 | 菜品类别推荐方法、装置、电子设备及存储介质 |
WO2021212601A1 (zh) * | 2020-04-24 | 2021-10-28 | 平安科技(深圳)有限公司 | 一种基于图像的辅助写作方法、装置、介质及设备 |
CN112115902A (zh) * | 2020-09-25 | 2020-12-22 | 广州市派客朴食信息科技有限责任公司 | 一种基于单阶段目标检测算法的菜品识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214409A (zh) | 一种菜品识别方法及系统 | |
Farinella et al. | Retrieval and classification of food images | |
Ciocca et al. | Food recognition: a new dataset, experiments, and results | |
Puri et al. | Recognition and volume estimation of food intake using a mobile device | |
CN100464332C (zh) | 一种图片查询方法及系统 | |
Ciocca et al. | State recognition of food images using deep features | |
CN105809123B (zh) | 人脸检测方法及装置 | |
Kumar et al. | Leafsnap: A computer vision system for automatic plant species identification | |
He et al. | Analysis of food images: Features and classification | |
US8577153B2 (en) | Method and system for sample image index creation and image filtering and search | |
US10824832B2 (en) | Barcode tag detection in side view sample tube images for laboratory automation | |
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 | |
CN104036247A (zh) | 基于脸部特征的人脸种族分类方法 | |
CN102902986A (zh) | 自动性别识别系统及方法 | |
CN111832590B (zh) | 物品识别方法和系统 | |
Qin et al. | A fast and robust text spotter | |
CN106127197A (zh) | 一种基于显著标签排序的图像显著性目标检测方法 | |
Oliveira et al. | A mobile, lightweight, poll-based food identification system | |
CN110348293B (zh) | 一种商品识别方法及系统 | |
CN103294982A (zh) | 一种网络图片中人物检测、身体部位定位、年龄估计和性别识别的方法及系统 | |
CN110377727A (zh) | 一种基于多任务学习的多标签文本分类方法和装置 | |
Rangesh et al. | Handynet: A one-stop solution to detect, segment, localize & analyze driver hands | |
CN110026347A (zh) | 一种输液物料的智能分拣方法、装置及设备 | |
Dulal et al. | Automatic cattle identification using yolov5 and mosaic augmentation: A comparative analysis | |
Siricharoen et al. | Fruit maturity grading framework for small dataset using single image multi-object sampling and Mask R-CNN |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20201209 Address after: Room 10242, No. 260, Jiangshu Road, Xixing street, Binjiang District, Hangzhou City, Zhejiang Province Applicant after: Hangzhou Jiji Intellectual Property Operation Co., Ltd Address before: 201616 No. 3666 Sixian Road, Songjiang District, Shanghai Applicant before: Phicomm (Shanghai) Co.,Ltd. |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |