CN110059551A - 一种基于图像识别的饭菜自动结账系统 - Google Patents
一种基于图像识别的饭菜自动结账系统 Download PDFInfo
- Publication number
- CN110059551A CN110059551A CN201910182435.5A CN201910182435A CN110059551A CN 110059551 A CN110059551 A CN 110059551A CN 201910182435 A CN201910182435 A CN 201910182435A CN 110059551 A CN110059551 A CN 110059551A
- Authority
- CN
- China
- Prior art keywords
- image
- food
- module
- layer
- convolutional layer
- 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
- 235000013305 food Nutrition 0.000 title claims abstract description 83
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 27
- 238000005070 sampling Methods 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 210000004027 cell Anatomy 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 235000012054 meals Nutrition 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 150000002066 eicosanoids Chemical class 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 235000013372 meat Nutrition 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于图像识别的饭菜自动结账系统,包括饭菜检测模块、饭菜识别模块、价格计算模块以及纠错模块;所述的菜检测模块包括饭菜图像采集模块和图像处理模块;所述的饭菜图像采集模块用于饭菜的图像;所述的价格计算模块用于根据饭菜识别模块识别的种类对价格计算,所述的纠错模块用于对识别结果进行纠正,若卷积神经网络模型识别的菜的种类与实际不符合,则将图像存储到训练数据集,进行训练,并修正权值参数;以提高识别的准确率。本发明能够实现饭菜价格的自动计算,进一步降低了人工成本,以及提高了价格计算的准确率。
Description
技术领域
本发明涉及图像处理技术领域,尤其是一种基于图像识别。
背景技术
现有食堂打饭结算主要是采用人工进行,在食堂中,一般都是学生先自行挑选食物,然后在根据挑选的食物进行结账,这期间需要人工计算价格,然后学生才能进行打卡,为了解决重复计算价格和调整打卡机的价格,现有的一些食堂采用分区的形式,比如12元区、15元区,不同区域所点的主食固定,比如两荤两素,这样虽然解决了重复计算价格,从而降低人工成本,以及降低价格错误率的问题,但是却限制了人们的选择,人们只能选择相应区域的相应食物,严重影响食堂的经济效益。
当然现有的一些无人商店可以实现无人支付,但是每个产品上都必须要有相应的标签才能进行识别,显然这种模式不适用于食堂,工作人员无法在相应饭菜上贴上相应的标签。因此,亟需要一种能够解决现有食堂结账问题的系统和方法。
发明内容
针对现有技术的不足,本发明提供一种基于图像识别的饭菜自动结账系统,该系统能够自动识别学生所选择的饭菜自动计算价格,从而进一步提高食堂工作人员的效率,降低错误率。
本发明的技术方案为:一种基于图像识别的饭菜自动结账系统,包括饭菜检测模块、饭菜识别模块、价格计算模块以及纠错模块;
所述的菜检测模块包括饭菜图像采集模块和图像处理模块;
所述的饭菜图像采集模块用于饭菜的图像;
所述的图像处理模块用于对采集的饭菜图像进行相应的处理,通过采用基于面向梯度密集网格直方图(dense grid histograms of oriented gradients,HOG)算法识别采集的图像中是否存在饭菜,若不存在饭菜,则舍弃该图像,具体包括以下步骤:
(1-1)采用8×8像素邻域块作为采样窗口,对饭菜图像进行采样,通过像素邻域块将饭菜图像进行无重叠分割;
(1-2)为了避免边缘问题,采用中心对称梯度算子[-1 0 1]计算图像的梯度方向和幅度,具体为:
θ(x,y)=tan-1((I(x,y+1)-I(x,y-1))/(I(x+1,y)-I(x-1,y)));
其中,I(x,y)是图像上点(x,y)坐标上的像素值,θ(x,y)是梯度方向,m(x,y)是幅度值;
(1-3)在每个块中,梯度方向的直方图根据4×4像素大小进行统计分级,将单元格中相同梯度的值相加为一个权值,在块里的每个小格的直方图会连接到一个矢量;
(1-4)通过L2正则化,对图像每一块中的直方图矢量进行归一化,所述的L2正则化如下式:
其中,v表示正则化前块内的直方图向量,||v||k表示k-norm操作,k=2为L2范数,ε是一个最小常量,用于防止计算结果为无穷大值;
(1-5)将全部正则化的直方图矢量n×m作为表示图像面向梯度直方图特征,其中n是块的直方图矢量维度,m是要为整个饭菜图像中所涉及计算的块的数量
(1-6)采用欧几里德距离计算相似度,从而识别图像是否为饭菜图像,其计算式为:
其中,u和v分别表示两份饭菜的HOG特征向量;
所述的饭菜识别模块主要通过采用训练好的卷积神经网络模型识别饭菜图像中相应饭菜的种类,所述的卷积神经网络模型依次包括输入层,卷积层1,卷积层2,池化层1、卷积层3,卷积层4,池化层2,Dropout层,全连接层1,全连接层2,输出层;
所述的价格计算模块用于根据饭菜识别模块识别的种类对价格计算,即
f(x)=bxi;
其中,xi表示识别结果,b是价格矢量矩阵,i表示菜式的序号,
所述的纠错模块用于对识别结果进行纠正,若卷积神经网络模型识别的菜的种类与实际不符合,则将图像存储到训练数据集,进行训练,并修正权值参数;以提高识别的准确率。
进一步的,所述的饭菜图像采集模块主要由多个摄像头组成,采集的图像的尺寸为256×200。
进一步的,所述的卷积层1的大小设置为11*11,步长为4,卷积核的数目为96,边缘无填充,经过卷积层1后输出96张特征图,大小为62*48;
所述的卷积层2的卷积核的大小设置为3*3,步长为2,卷积核的数目为128,边缘填充2,经过卷积层2后输出128张特征图,大小为31*24;
所述池化层1对卷积层2得到的特征图进行下采样处理,下采样的窗口大小设置为3,步长设置为2,经过池化层1后输出128张特征图,大小为15*12;
所述的卷积层3卷积核的大小设置为3*3,步长为1,卷积核的数目为256,边缘无填充;经过卷积层3后输出256张特征图,大小为13*10;
所述卷积层4的卷积核的大小设置为2*2,步长为2,卷积核的数目为256,边缘无填充;经过卷积层4后输出256张特征图,大小为5*4;
所述池化层2对卷积层4得到的特征图进行下采样处理,下采样的窗口大小设置为2,步长设置为2,经过池化层2后输出256张特征图,大小为3*2;
所述的Dropout层用于防止过拟合;
所述的全连接层1使用512个神经元对经过池化层2下采样处理后的特征图进行全连接,将特征图转换为一维的特征向量;
所述的全连接层2使用3个神经元对全连接层1中512个神经元进行全连接,在将结果输入到Softmax分类器,输出该图像的分类结果。
进一步的,通过将标记的菜式训练图像输入卷积神经网络模型进行训练,根据模型的输出概率计算模型的损失值,通过大量的菜式训练图像数据训练和多次迭代不断更新网络权值参数,使得损失值不断减小,直到小于设定临界值,网络达到收敛状态,训练停止,得到训练好的卷积神经网络模型。
进一步的,所述的卷积神经网络模型的公式如下:
其中,表示第l层的第j个特征图,f表示激活函数,M是输入特征图的集合,*表示卷积运算,k表示卷积核,b表示偏置项;
其中,所述的激活函数采用Relu(修正线性单元),其公式为f(x)=max{0,x}。
进一步的,所述卷积神经网络使用交叉熵作为损失函数,公式如下:
其中,m表示输出类别,θ表示网络模型中的参数,xi表示输入的样本数据,yi表示类别标号,假设函数
进一步的,所述的softmax分类器根据神经网络的节点权值的输入,输出该食物的概率。
本发明的有益效果为:
1、本发明能够实现饭菜价格的自动计算,进一步降低了人工成本,以及提高了价格计算的准确率。
2、本发明通过纠错模块对识别结果进行纠正,若卷积神经网络模型识别的菜的种类与实际不符合,则将图像存储到训练数据集,进行训练,并修正权值参数;以提高识别的准确率。
附图说明
图1为本发明的结构框架图;
图2为本发明的流程示意图;
图3为本发明饭菜检测模块的流程示意图;
图4为本发明HOG算法的流程示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明:
如图1和图2所示,一种基于图像识别的饭菜自动结账系统,包括饭菜检测模块、饭菜识别模块、价格计算模块以及纠错模块;
所述的菜检测模块包括饭菜图像采集模块和图像处理模块;
所述的饭菜图像采集模块用于饭菜的图像,所述的饭菜图像采集模块主要由多个摄像头组成,采集的图像的尺寸为256×200;
所述的图像处理模块用于对采集的饭菜图像进行相应的处理,通过采用基于面向梯度密集网格直方图(dense grid histograms of oriented gradients,HOG)算法识别采集的图像中是否存在饭菜,若不存在饭菜,则舍弃该图像,如图4所示,具体包括以下步骤:
(1-1)采用8×8像素邻域块作为采样窗口,对饭菜图像进行采样,通过像素邻域块将饭菜图像进行无重叠分割;
(1-2)为了避免边缘问题,采用中心对称梯度算子[-1 0 1]计算图像的梯度方向和幅度,具体为:
θ(x,y)=tan-1((I(x,y+1)-I(x,y-1))/(I(x+1,y)-I(x-1,y)));
其中,I(x,y)是图像上点(x,y)坐标上的像素值,θ(x,y)是梯度方向,m(x,y)是幅度值;
(1-3)在每个块中,梯度方向的直方图根据4×4像素大小进行统计分级,将单元格中相同梯度的值相加为一个权值,在块里的每个小格的直方图会连接到一个矢量;
(1-4)通过L2正则化,对图像每一块中的直方图矢量进行归一化,所述的L2正则化如下式:
其中,v表示正则化前块内的直方图向量,||v||k表示k-norm操作,k=2为L2范数,ε是一个最小常量,用于防止计算结果为无穷大值;
(1-5)将全部正则化的直方图矢量n×m作为表示图像面向梯度直方图特征,其中n是块的直方图矢量维度,m要为整个饭菜图像中所涉及计算的块的数量
(1-6)采用欧几里德距离计算相似度,从而识别图像是否为饭菜图像,其计算式为:
其中,u和v分别表示两份饭菜的HOG特征向量;
所述的饭菜识别模块主要通过采用训练好的卷积神经网络模型识别饭菜图像中相应饭菜的种类,
首先构建一个卷积神经网络模型,该模型的公式如下:
其中,表示第l层的第j个特征图,f表示激活函数,M是输入特征图的集合,*表示卷积运算,k表示卷积核,b表示偏置项。
所述卷积神经网络使用交叉熵作为损失函数,公式如下:
其中,m表示输出类别,θ表示网络模型中的参数,xi表示输入的样本数据,yi表示类别标号,假设函数
所述的激活函数采用Relu(修正线性单元),其公式为f(x)=max{0,x}。
通过将标记的菜式训练图像输入卷积神经网络模型进行训练,根据模型的输出概率计算模型的损失值,通过大量的菜式训练图像数据训练和多次迭代不断更新网络权值参数,使得损失值不断减小,直到小于设定临界值,网络达到收敛状态,训练停止,得到训练好的卷积神经网络模型。所述的softmax分类器根据神经网络的节点权值的输入,输出该食物的概率,其公式为:
其中,n为类别,本实施例中,n=20,zj表示二十类中的一类。
所述的卷积神经网络模型依次包括输入层,卷积层1,卷积层2,池化层1、卷积层3,卷积层4,池化层2,Dropout层,全连接层1,全连接层2,输出层;其中,
所述的卷积层1的大小设置为11*11,步长为4,卷积核的数目为96,边缘无填充,经过卷积层1后输出96张特征图,大小为62*48;
所述的卷积层2的卷积核的大小设置为3*3,步长为2,卷积核的数目为128,边缘填充2,经过卷积层2后输出128张特征图,大小为31*24;
所述池化层1对卷积层2得到的特征图进行下采样处理,下采样的窗口大小设置为3,步长设置为2,经过池化层1后输出128张特征图,大小为15*12;
所述的卷积层3卷积核的大小设置为3*3,步长为1,卷积核的数目为256,边缘无填充;经过卷积层3后输出256张特征图,大小为13*10;
所述卷积层4的卷积核的大小设置为2*2,步长为2,卷积核的数目为256,边缘无填充;经过卷积层4后输出256张特征图,大小为5*4;
所述池化层2对卷积层4得到的特征图进行下采样处理,下采样的窗口大小设置为2,步长设置为2,经过池化层2后输出256张特征图,大小为3*2,所述池化窗口的大小为3*3的池化层公式为:
所述的Dropout层用于防止过拟合;
所述的全连接层1使用512个神经元对经过池化层2下采样处理后的特征图进行全连接,将特征图转换为一维的特征向量;
所述的全连接层2使用3个神经元对全连接层1中512个神经元进行全连接,在将结果输入到Softmax分类器,输出该图像的分类结果。
所述的价格计算模块用于根据饭菜识别模块识别的种类对价格计算,即
f(x)=bxi;
其中,xi表示识别结果,b是价格矢量矩阵,i表示菜式的序号,
所述的纠错模块用于对识别结果进行纠正,若卷积神经网络模型识别的菜的种类与实际不符合,则将图像存储到训练数据集,进行训练,并修正权值参数;以提高识别的准确率。
上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (7)
1.一种基于图像识别的饭菜自动结账系统,其特征在于:包括饭菜检测模块、饭菜识别模块、价格计算模块以及纠错模块;
所述的菜检测模块包括饭菜图像采集模块和图像处理模块;
所述的饭菜图像采集模块用于饭菜的图像;
所述的图像处理模块用于对采集的饭菜图像进行相应的处理,通过采用基于面向梯度密集网格直方图(dense grid histograms of oriented gradients,HOG)算法识别采集的图像中是否存在饭菜,若不存在饭菜,则舍弃该图像,具体包括以下步骤:
(1-1)采用8×8像素邻域块作为采样窗口,对饭菜图像进行采样,通过像素邻域块将饭菜图像进行无重叠分割;
(1-2)为了避免边缘问题,采用中心对称梯度算子[-1 0 1]计算图像的梯度方向和幅度,具体为:
θ(x,y)=tan-1((I(x,y+1)-I(x,y-1))/I(x+1,y)-I(x-1,y)));
其中,I(x,y)是图像上点(x,y)坐标上的像素值,θ(x,y)是梯度方向,m(x,y)是幅度值;
(1-3)在每个块中,梯度方向的直方图根据4×4像素大小进行统计分级,将单元格中相同梯度的值相加为一个权值,在块里的每个小格的直方图会连接到一个矢量;
(1-4)通过L2正则化,对图像每一块中的直方图矢量进行归一化,所述的L2正则化如下式:
其中,v表示正则化前块内的直方图向量,||v||k表示k-norm操作,k=2为L2范数,ε是一个最小常量,用于防止计算结果为无穷大值;
(1-5)将全部正则化的直方图矢量n×m作为表示图像面向梯度直方图特征,其中n是块的直方图矢量维度,m是要为整个饭菜图像中所涉及计算的块的数量
(1-6)采用欧几里德距离计算相似度,从而识别图像是否为饭菜图像,其计算式为:
其中,u和v分别表示两份饭菜的HOG特征向量;
所述的饭菜识别模块主要通过采用训练好的卷积神经网络模型识别饭菜图像中相应饭菜的种类,所述的卷积神经网络模型依次包括输入层,卷积层1,卷积层2,池化层1、卷积层3,卷积层4,池化层2,Dropout层,全连接层1,全连接层2,输出层;
所述的价格计算模块用于根据饭菜识别模块识别的种类对价格计算,即
f(x)=bxi;
其中,xi表示识别结果,b是价格矢量矩阵,i表示菜式的序号,
所述的纠错模块用于对识别结果进行纠正,若卷积神经网络模型识别的菜的种类与实际不符合,则将图像存储到训练数据集,进行训练,并修正权值参数;以提高识别的准确率。
2.根据权利要求1所述的一种基于图像识别的饭菜自动结账系统,其特征在于:所述的饭菜图像采集模块主要由多个摄像头组成,采集的图像的尺寸为256×200。
3.根据权利要求1所述的一种基于图像识别的饭菜自动结账系统,其特征在于:所述的卷积层1的大小设置为11*11,步长为4,卷积核的数目为96,边缘无填充,经过卷积层1后输出96张特征图,大小为62*48;
所述的卷积层2的卷积核的大小设置为3*3,步长为2,卷积核的数目为128,边缘填充2,经过卷积层2后输出128张特征图,大小为31*24;
所述池化层1对卷积层2得到的特征图进行下采样处理,下采样的窗口大小设置为3,步长设置为2,经过池化层1后输出128张特征图,大小为15*12;
所述的卷积层3卷积核的大小设置为3*3,步长为1,卷积核的数目为256,边缘无填充;经过卷积层3后输出256张特征图,大小为13*10;
所述卷积层4的卷积核的大小设置为2*2,步长为2,卷积核的数目为256,边缘无填充;经过卷积层4后输出256张特征图,大小为5*4;
所述池化层2对卷积层4得到的特征图进行下采样处理,下采样的窗口大小设置为2,步长设置为2,经过池化层2后输出256张特征图,大小为3*2;
所述的Dropout层用于防止过拟合;
所述的全连接层1使用512个神经元对经过池化层2下采样处理后的特征图进行全连接,将特征图转换为一维的特征向量;
所述的全连接层2使用3个神经元对全连接层1中512个神经元进行全连接,在将结果输入到Softmax分类器,输出该图像的分类结果。
4.根据权利要求1所述的一种基于图像识别的饭菜自动结账系统,其特征在于:通过将标记的菜式训练图像输入卷积神经网络模型进行训练,根据模型的输出概率计算模型的损失值,通过大量的菜式训练图像数据训练和多次迭代不断更新网络权值参数,使得损失值不断减小,直到小于设定临界值,网络达到收敛状态,训练停止,得到训练好的卷积神经网络模型。
5.根据权利要求4所述的一种基于图像识别的饭菜自动结账系统,其特征在于:所述的卷积神经网络模型的公式如下:
其中,表示第l层的第j个特征图,f表示激活函数,M是输入特征图的集合,*表示卷积运算,k表示卷积核,b表示偏置项;
其中,所述的激活函数采用Relu(修正线性单元),其公式为f(x)=max{0,x}。
6.根据权利要求4所述的一种基于图像识别的饭菜自动结账系统,其特征在于:所述卷积神经网络使用交叉熵作为损失函数,公式如下:
其中,m表示输出类别,θ表示网络模型中的参数,xi表示输入的样本数据,yi表示类别标号,假设函数
7.根据权利要求3所述的一种基于图像识别的饭菜自动结账系统,其特征在于:所述的softmax分类器根据神经网络的节点权值的输入,输出相应菜式的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910182435.5A CN110059551A (zh) | 2019-03-12 | 2019-03-12 | 一种基于图像识别的饭菜自动结账系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910182435.5A CN110059551A (zh) | 2019-03-12 | 2019-03-12 | 一种基于图像识别的饭菜自动结账系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110059551A true CN110059551A (zh) | 2019-07-26 |
Family
ID=67316120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910182435.5A Pending CN110059551A (zh) | 2019-03-12 | 2019-03-12 | 一种基于图像识别的饭菜自动结账系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059551A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095399A (zh) * | 2021-04-08 | 2021-07-09 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 一种自适应周年观测礁区生物活动规律的系统及方法 |
CN114550389A (zh) * | 2020-04-16 | 2022-05-27 | 浙江口碑网络技术有限公司 | 一种自助结算方法、装置、存储介质及计算机设备 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140328516A1 (en) * | 2011-12-01 | 2014-11-06 | Nokia Corporation | Gesture Recognition Method, An Apparatus and a Computer Program for the Same |
US20160063734A1 (en) * | 2014-09-03 | 2016-03-03 | Sri International | Automated Food Recognition and Nutritional Estimation With a Personal Mobile Electronic Device |
WO2016145940A1 (zh) * | 2015-03-19 | 2016-09-22 | 北京天诚盛业科技有限公司 | 人脸认证方法和装置 |
CN106096932A (zh) * | 2016-06-06 | 2016-11-09 | 杭州汇萃智能科技有限公司 | 基于餐具形状的菜品自动识别系统的计价方法 |
US20160364849A1 (en) * | 2014-11-03 | 2016-12-15 | Shenzhen China Star Optoelectronics Technology Co. , Ltd. | Defect detection method for display panel based on histogram of oriented gradient |
CN106778902A (zh) * | 2017-01-03 | 2017-05-31 | 河北工业大学 | 基于深度卷积神经网络的奶牛个体识别方法 |
CN106845527A (zh) * | 2016-12-29 | 2017-06-13 | 南京江南博睿高新技术研究院有限公司 | 一种菜品识别方法 |
CN107122730A (zh) * | 2017-04-24 | 2017-09-01 | 乐金伟 | 自选餐厅自动计价方法 |
JP2017156886A (ja) * | 2016-02-29 | 2017-09-07 | Kddi株式会社 | 画像間類似度を考慮して物体を追跡する装置、プログラム及び方法 |
US20170300781A1 (en) * | 2016-04-14 | 2017-10-19 | Disney Enterprises, Inc. | System and method of analyzing images using a hierarchical set of models |
CN107292298A (zh) * | 2017-08-09 | 2017-10-24 | 北方民族大学 | 基于卷积神经网络和分类器模型的牛脸识别方法 |
JP2018049566A (ja) * | 2016-09-23 | 2018-03-29 | キヤノン株式会社 | 画像処理装置、画像処理方法およびプログラム |
CN108256571A (zh) * | 2018-01-16 | 2018-07-06 | 佛山市顺德区中山大学研究院 | 一种基于卷积神经网络的中餐食物识别方法 |
CN108256474A (zh) * | 2018-01-17 | 2018-07-06 | 百度在线网络技术(北京)有限公司 | 用于识别菜品的方法和装置 |
CN108491765A (zh) * | 2018-03-05 | 2018-09-04 | 中国农业大学 | 一种蔬菜图像的分类识别方法及系统 |
CN108921642A (zh) * | 2018-06-04 | 2018-11-30 | 北京小轮科技有限公司 | 一种基于计算机视觉的智能果蔬结算装置及方法 |
CN109117826A (zh) * | 2018-09-05 | 2019-01-01 | 湖南科技大学 | 一种多特征融合的车辆识别方法 |
CN109190476A (zh) * | 2018-08-02 | 2019-01-11 | 福建工程学院 | 一种蔬菜识别的方法及装置 |
CN109377205A (zh) * | 2018-12-06 | 2019-02-22 | 深圳市淘米科技有限公司 | 一种基于深度卷积网络的自助餐厅智能结算系统 |
-
2019
- 2019-03-12 CN CN201910182435.5A patent/CN110059551A/zh active Pending
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140328516A1 (en) * | 2011-12-01 | 2014-11-06 | Nokia Corporation | Gesture Recognition Method, An Apparatus and a Computer Program for the Same |
US20160063734A1 (en) * | 2014-09-03 | 2016-03-03 | Sri International | Automated Food Recognition and Nutritional Estimation With a Personal Mobile Electronic Device |
US20160364849A1 (en) * | 2014-11-03 | 2016-12-15 | Shenzhen China Star Optoelectronics Technology Co. , Ltd. | Defect detection method for display panel based on histogram of oriented gradient |
WO2016145940A1 (zh) * | 2015-03-19 | 2016-09-22 | 北京天诚盛业科技有限公司 | 人脸认证方法和装置 |
JP2017156886A (ja) * | 2016-02-29 | 2017-09-07 | Kddi株式会社 | 画像間類似度を考慮して物体を追跡する装置、プログラム及び方法 |
US20170300781A1 (en) * | 2016-04-14 | 2017-10-19 | Disney Enterprises, Inc. | System and method of analyzing images using a hierarchical set of models |
CN106096932A (zh) * | 2016-06-06 | 2016-11-09 | 杭州汇萃智能科技有限公司 | 基于餐具形状的菜品自动识别系统的计价方法 |
JP2018049566A (ja) * | 2016-09-23 | 2018-03-29 | キヤノン株式会社 | 画像処理装置、画像処理方法およびプログラム |
CN106845527A (zh) * | 2016-12-29 | 2017-06-13 | 南京江南博睿高新技术研究院有限公司 | 一种菜品识别方法 |
CN106778902A (zh) * | 2017-01-03 | 2017-05-31 | 河北工业大学 | 基于深度卷积神经网络的奶牛个体识别方法 |
CN107122730A (zh) * | 2017-04-24 | 2017-09-01 | 乐金伟 | 自选餐厅自动计价方法 |
CN107292298A (zh) * | 2017-08-09 | 2017-10-24 | 北方民族大学 | 基于卷积神经网络和分类器模型的牛脸识别方法 |
CN108256571A (zh) * | 2018-01-16 | 2018-07-06 | 佛山市顺德区中山大学研究院 | 一种基于卷积神经网络的中餐食物识别方法 |
CN108256474A (zh) * | 2018-01-17 | 2018-07-06 | 百度在线网络技术(北京)有限公司 | 用于识别菜品的方法和装置 |
CN108491765A (zh) * | 2018-03-05 | 2018-09-04 | 中国农业大学 | 一种蔬菜图像的分类识别方法及系统 |
CN108921642A (zh) * | 2018-06-04 | 2018-11-30 | 北京小轮科技有限公司 | 一种基于计算机视觉的智能果蔬结算装置及方法 |
CN109190476A (zh) * | 2018-08-02 | 2019-01-11 | 福建工程学院 | 一种蔬菜识别的方法及装置 |
CN109117826A (zh) * | 2018-09-05 | 2019-01-01 | 湖南科技大学 | 一种多特征融合的车辆识别方法 |
CN109377205A (zh) * | 2018-12-06 | 2019-02-22 | 深圳市淘米科技有限公司 | 一种基于深度卷积网络的自助餐厅智能结算系统 |
Non-Patent Citations (1)
Title |
---|
R.C.冈萨雷瓦 等: "《机器人学 控制·传感技术·视觉·智能》", 31 October 1989, 中国科学技术出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550389A (zh) * | 2020-04-16 | 2022-05-27 | 浙江口碑网络技术有限公司 | 一种自助结算方法、装置、存储介质及计算机设备 |
CN113095399A (zh) * | 2021-04-08 | 2021-07-09 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 一种自适应周年观测礁区生物活动规律的系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Complete and accurate holly fruits counting using YOLOX object detection | |
US20210224609A1 (en) | Method, system and device for multi-label object detection based on an object detection network | |
CN110263705A (zh) | 面向遥感技术领域两期高分辨率遥感影像变化检测方法 | |
Wu et al. | Segmentation of abnormal leaves of hydroponic lettuce based on DeepLabV3+ for robotic sorting | |
CN109191455A (zh) | 一种基于ssd卷积网络的大田作物病虫害检测方法 | |
CN109409365A (zh) | 一种基于深度目标检测的待采摘水果识别和定位方法 | |
CN108038846A (zh) | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统 | |
CN107133943A (zh) | 一种防震锤缺陷检测的视觉检测方法 | |
CN110097568A (zh) | 一种基于时空双分支网络的视频对象检测与分割方法 | |
CN108875821A (zh) | 分类模型的训练方法和装置、移动终端、可读存储介质 | |
CN109166094A (zh) | 一种基于深度学习的绝缘子故障定位识别方法 | |
CN107145889A (zh) | 基于具有RoI池化的双CNN网络的目标识别方法 | |
CN108710913A (zh) | 一种基于深度学习的开关柜图像开关状态自动识别方法 | |
CN112233073A (zh) | 一种变电设备红外热成像异常实时检测方法 | |
CN110276386A (zh) | 一种基于机器视觉的苹果分级方法及系统 | |
CN108052946A (zh) | 一种基于卷积神经网络的高压机柜开关自动识别方法 | |
CN113435282B (zh) | 基于深度学习的无人机影像麦穗识别方法 | |
CN110175524A (zh) | 一种基于轻量级深度卷积网络的快速精确航拍车辆检测方法 | |
CN107545571A (zh) | 一种图像检测方法及装置 | |
CN115272652A (zh) | 基于多元回归和自适应焦点损失的密集物体图像检测方法 | |
CN107944403A (zh) | 一种图像中的行人属性检测方法及装置 | |
CN109886937A (zh) | 基于超像素分割图像识别的绝缘子缺陷检测方法 | |
CN111860587A (zh) | 一种用于图片小目标的检测方法 | |
CN108108669A (zh) | 一种基于显著子区域的面部特征解析方法 | |
CN110059551A (zh) | 一种基于图像识别的饭菜自动结账系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190726 |
|
RJ01 | Rejection of invention patent application after publication |