CN110287207A - 一种基于密度表的食物质量估测方法 - Google Patents
一种基于密度表的食物质量估测方法 Download PDFInfo
- Publication number
- CN110287207A CN110287207A CN201910581657.4A CN201910581657A CN110287207A CN 110287207 A CN110287207 A CN 110287207A CN 201910581657 A CN201910581657 A CN 201910581657A CN 110287207 A CN110287207 A CN 110287207A
- Authority
- CN
- China
- Prior art keywords
- food
- density
- quality
- estimating
- artificial intelligence
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
-
- 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
Abstract
本发明公开了一种基于密度表的食物质量估测方法,估测方法建立包括如下步骤:先建立食物密度表数据库;然后训练人工智能系统实现对食物种类识别,同时检索食物密度数据库,得到食物密度;随后训练人工智能系统实现对食物体积估测;最后根据估测的体积与食物密度,计算得到食物质量。食物密度表由称重法获得,并在估测系统运行过程中不断扩充新的食物密度数据。人工智能系统采用卷积神经网络进行训练。使用已知体积的食物和对应照片训练模型,实现人工智能系统通过图片实现体积的估测。解决了现有食物质量测量系统操作复杂及使用成本高的问题。
Description
技术领域
本发明涉及一种健康管理系统,具体涉及一种基于密度表的食物质量估测方法。
背景技术
在日常生活中,使用食物是生活中重要的组成部分,我们通过食用食物来获取营养,是我们的生活中不可或缺的重要环节。但是食物的摄取并非多多益善,而是要遵循不同人的具体情况,包括体型,健康状况,运动量等方面。为了健康的生活,我们需要精确的控制食物的摄取量,合理的控制我们的饮食结构以及食用的食物质量。这就需要我们对食物的质量进行测量。
要测量的食物的质量,有很多的方法,具体的有使用专业的质量测量设备,例如秤以及天平,或者使用器皿来测量食物的体积,进而测量食物的质量。要测量食物的体积,有很多种方法,例如使用三维扫描的方法对食物进行三维建模来进行测量,还有使用专业的体积测量仪器,但这样会破坏食物,影响食物的可食用性,且操作十分的复杂,价格昂贵,并不适合普通人的日常食物质量测量使用。
而食物的种类十分丰富,有固体、液体、半液体等形态,质地也千差万别,使用不同的材料制作而成,这些导致了食物的外观和密度都不相同,也造成了食物质量测量具有较高的难度。这使得设计一套通用的食物质量测量模板变得几乎不可能,甚至我们需要针对每一种食物设计专门的质量测量算法来适应众多食物的需求。
在近些年,计算机视觉技术得到了迅猛的发展,它的最新的技术被应用于各行各业,极大地提高了各个行业的效率,提高了生产力,提升了人们生活的质量。而在食物质量体积识别方面,计算机视觉的应用还相对较少,主要原因在于通过视觉来测量食物的质量体积是一项十分复杂困难的任务,至少包括了食物的识别、检测、分析等过程,还要结合丰富的相关知识。再加上前文所说的食物的形态和密度都千变万化,使得这项任务难上加难。
发明内容
本发明的目的在于提供一种基于密度表的食物质量估测方法,用以解决现有食物质量测量系统操作复杂及使用成本高的问题。
为解决上述技术问题,本发明采用如下技术方案:
一种基于密度表的食物质量估测方法,所述估测方法建立包括如下步骤:
Step1:建立食物密度表数据库;
Step2:训练人工智能系统实现对食物种类识别,同时检索食物密度数据库,得到食物密度;
Step3:训练人工智能系统实现对食物体积估测;
Step4:根据估测的体积与食物密度,计算得到食物质量。
优选的,上述Step1中食物密度表由称重法获得,并在估测系统运行过程中不断扩充新的食物密度数据。
优选的,上述Step2中人工智能系统采用卷积神经网络进行训练。
优选的,上述Step3中人工智能系统采用卷积神经网络进行训练,使用已知体积的食物和对应照片训练模型,实现人工智能系统通过图片实现体积的估测。
本发明具有如下优点:
采取本发明一种基于密度表的食物质量估测方法的方案后,实现了对食物质量的快速实时估测,通过建立食物密度数据库和食物种类识别 ,建立了通过食物图片实现质量估计的估测系统,使得用户可以通过手机或者其他移动终端实时获取食物质量,使得产品的实用性更高。
附图说明
图1为本发明一种基于密度表的食物质量估测方法实施例的工作流程图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士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及功效。
须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时,本说明书中所引用的如“上”、“下”、“左”、右”、“中间”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
实施例1
参见图1,一种基于密度表的食物质量估测方法,所述估测方法建立包括如下步骤:
Step1:建立食物密度表数据库;
Step2:训练人工智能系统实现对食物种类识别,同时检索食物密度数据库,得到食物密度;
Step3:训练人工智能系统实现对食物体积估测;
Step4:根据估测的体积与食物密度,计算得到食物质量。
具体实施时,上述Step1中食物密度表由称重法获得,并在估测系统运行过程中不断扩充新的食物密度数据。
具体实施时,上述Step2中人工智能系统采用卷积神经网络进行训练。
具体实施时,上述Step3中人工智能系统采用卷积神经网络进行训练,使用已知体积的食物和对应照片训练模型,实现人工智能系统通过图片实现体积的估测。
实际使用时,用户通过移动终端上传或者实时拍摄食物图片,移动终端通过互联网上传到服务器,服务器根据食物图片,通过运行训练后的人工智能识别系统识别食物的种类和体积,结合食物密度数据库,计算出食物质量,然后通过互联网传输给移动终端显示。
具体实施时,训练人工智能系统实现对食物种类识别时,使用深度学习InceptionResNet v2网络,基于tensorflow进行了实现,对1295种食物进行了分类,其中大约一半的食物为菜品。
具体实施时,训练人工智能系统实现对食物体积估测时,使用1295种食物的数据进行了食物体积估测模型训练,每种食物使用了1000张图片,初始学习率设为0.1, 每2个epoch, 减少10倍数, 例如第一个epoch学习率为0.1, 第3个学习率衰减到0.01, 训练50个epoch。初始使用adam优化器,快速收敛,使用adam训练15个epoch,后续使用sgd优化器进行模型训练,训练为分布式训练。 使用一台8卡的1080ti服务器, 每台服务器batch_size为10,因为是模型所有参数参与训练, batch_size较小, 若使用迁移学习, batch_size可适当增大,最大batch_size为100。因gpu显存大小为11g, 模型需要的图像大小为299*299,该硬件和图片大小约束下,且为迁移学习训练,只训练最后3层,可达到最大batch_size=100,此时gpu显存占用为11205mib。同时, 训练过程中, 使用tensorboard, 观察loss(损失下降情况),根据loss(损失下降情况)函数曲线, 适当进行调节参数, 包括但不限于batch_size, 学习率, 优化器,冻结层数,等到loss曲线下降到逐步稳定状态,即损失曲线平缓, 可以暂定为模型训练收敛, 进行模型测试和评估, 将准备好的测试集和验证集送入模型进行测试,得到测试结果。若测试结果满足需求,则进行下一步模型部署工作,若测试结果不满足需求, 加载现在训练的保存checkpoint(权重文件), 调节参数继续进行模型训练, 直至模型整体收敛(损失整体不下降或曲线趋于平缓)。
本发明一种基于密度表的食物质量估测方法实现了对食物质量的快速实时估测,通过建立食物密度数据库和食物种类识别 ,建立了通过食物图片实现质量估计的估测系统,使得用户可以通过手机或者其他移动终端实时获取食物质量,使得产品的实用性更高。
在实际使用中,随着识别的食物种类的增多,系统可靠性和准确性不断上升,逐步靠近食物质量的真实值。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (4)
1.一种基于密度表的食物质量估测方法,其特征在于:所述估测方法建立包括如下步骤:
Step1:建立食物密度表数据库;
Step2:训练人工智能系统实现对食物种类识别,同时检索食物密度数据库,得到食物密度;
Step3:训练人工智能系统实现对食物体积估测;
Step4:根据估测的体积与食物密度,计算得到食物质量。
2.根据权利要求1所述的一种基于密度表的食物质量估测方法,其特征在于:所述Step1中食物密度表由称重法获得,并在估测系统运行过程中不断扩充新的食物密度数据。
3.根据权利要求1所述的一种基于密度表的食物质量估测方法,其特征在于:所述Step2中人工智能系统采用卷积神经网络进行训练。
4.根据权利要求1所述的一种基于密度表的食物质量估测方法,其特征在于:所述Step3中人工智能系统采用卷积神经网络进行训练,使用已知体积的食物和对应照片训练模型,实现人工智能系统通过图片实现体积的估测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910581657.4A CN110287207A (zh) | 2019-06-30 | 2019-06-30 | 一种基于密度表的食物质量估测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910581657.4A CN110287207A (zh) | 2019-06-30 | 2019-06-30 | 一种基于密度表的食物质量估测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110287207A true CN110287207A (zh) | 2019-09-27 |
Family
ID=68020214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910581657.4A Pending CN110287207A (zh) | 2019-06-30 | 2019-06-30 | 一种基于密度表的食物质量估测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110287207A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111700518A (zh) * | 2020-06-19 | 2020-09-25 | 上海纯米电子科技有限公司 | 食材类型获取方法、装置及烹饪设备 |
WO2021082285A1 (zh) * | 2019-10-30 | 2021-05-06 | 青岛海尔智能技术研发有限公司 | 食材体积检测的方法及装置、厨电设备 |
CN112785554A (zh) * | 2020-12-30 | 2021-05-11 | 深兰人工智能芯片研究院(江苏)有限公司 | 质量估计方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203493A (zh) * | 2016-07-04 | 2016-12-07 | 何广森 | 一种食物识别装置及识别方法 |
CN106872513A (zh) * | 2017-01-05 | 2017-06-20 | 深圳市金立通信设备有限公司 | 一种检测食物热量的方法及终端 |
CN107024073A (zh) * | 2017-04-26 | 2017-08-08 | 中国石油大学(华东) | 基于深度学习的多传感器智能冰箱控制方法和智能冰箱 |
CN108921083A (zh) * | 2018-06-28 | 2018-11-30 | 浙江工业大学 | 基于深度学习目标检测的非法流动摊贩识别方法 |
CN109002850A (zh) * | 2018-07-06 | 2018-12-14 | 无锡众创未来科技应用有限公司 | 一种计算图像中食物热量的方法及装置 |
CN109242928A (zh) * | 2018-10-24 | 2019-01-18 | 天津工业大学 | 一种轻量级具有融合层的近红外图像彩色化深度学习模型 |
CN109345624A (zh) * | 2018-10-08 | 2019-02-15 | 北京健康有益科技有限公司 | 一种自动识别食物热量的估算方法及系统 |
CN109359207A (zh) * | 2018-12-24 | 2019-02-19 | 焦点科技股份有限公司 | 一种易于快速迭代更新的Logo检测方法 |
-
2019
- 2019-06-30 CN CN201910581657.4A patent/CN110287207A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203493A (zh) * | 2016-07-04 | 2016-12-07 | 何广森 | 一种食物识别装置及识别方法 |
CN106872513A (zh) * | 2017-01-05 | 2017-06-20 | 深圳市金立通信设备有限公司 | 一种检测食物热量的方法及终端 |
CN107024073A (zh) * | 2017-04-26 | 2017-08-08 | 中国石油大学(华东) | 基于深度学习的多传感器智能冰箱控制方法和智能冰箱 |
CN108921083A (zh) * | 2018-06-28 | 2018-11-30 | 浙江工业大学 | 基于深度学习目标检测的非法流动摊贩识别方法 |
CN109002850A (zh) * | 2018-07-06 | 2018-12-14 | 无锡众创未来科技应用有限公司 | 一种计算图像中食物热量的方法及装置 |
CN109345624A (zh) * | 2018-10-08 | 2019-02-15 | 北京健康有益科技有限公司 | 一种自动识别食物热量的估算方法及系统 |
CN109242928A (zh) * | 2018-10-24 | 2019-01-18 | 天津工业大学 | 一种轻量级具有融合层的近红外图像彩色化深度学习模型 |
CN109359207A (zh) * | 2018-12-24 | 2019-02-19 | 焦点科技股份有限公司 | 一种易于快速迭代更新的Logo检测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021082285A1 (zh) * | 2019-10-30 | 2021-05-06 | 青岛海尔智能技术研发有限公司 | 食材体积检测的方法及装置、厨电设备 |
CN111700518A (zh) * | 2020-06-19 | 2020-09-25 | 上海纯米电子科技有限公司 | 食材类型获取方法、装置及烹饪设备 |
CN112785554A (zh) * | 2020-12-30 | 2021-05-11 | 深兰人工智能芯片研究院(江苏)有限公司 | 质量估计方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287207A (zh) | 一种基于密度表的食物质量估测方法 | |
CN110426112B (zh) | 一种生猪体重测量方法及装置 | |
CN108597582B (zh) | 一种用于执行Faster R-CNN神经网络运算的方法和装置 | |
KR102116264B1 (ko) | 대표이미지 추천 방법 및 장치, 및 시스템 | |
CN110263921A (zh) | 一种联邦学习模型的训练方法及装置 | |
CN108229355A (zh) | 行为识别方法和装置、电子设备、计算机存储介质、程序 | |
CN107563995A (zh) | 一种多判别器误差反传的对抗网络方法 | |
CN107545245A (zh) | 一种年龄估计方法及设备 | |
CN107944386B (zh) | 基于卷积神经网络的视觉场景识别方法 | |
CN108428227A (zh) | 基于全卷积神经网络的无参考图像质量评价方法 | |
CN109389599A (zh) | 一种基于深度学习的缺陷检测方法及装置 | |
CN107590460B (zh) | 人脸分类方法、装置及智能终端 | |
CN109145841A (zh) | 一种基于视频监控的异常事件的检测方法及装置 | |
CN110413510A (zh) | 一种数据处理方法、装置及设备 | |
CN113936335B (zh) | 一种智能坐姿提醒方法和装置 | |
CN110059656A (zh) | 基于卷积对抗生成神经网络的白细胞分类方法及系统 | |
CN104778341B (zh) | 磁共振线圈合并系数计算方法、磁共振成像方法及其装置 | |
CN110379487A (zh) | 营养方案管理系统 | |
CN112364568A (zh) | 一种基于计算机视觉的烤箱食物体积和质量估计算法 | |
CN103839280B (zh) | 一种基于视觉信息的人体姿态跟踪方法 | |
CN109190674A (zh) | 训练数据的生成方法及装置 | |
CN109634939A (zh) | 一种缺失值的确定方法、装置及电子设备 | |
CN106022362A (zh) | 针对jpeg2000压缩失真的无参考图像质量客观评价方法 | |
CN103281555A (zh) | 基于半参考评估的视频流业务QoE客观评估方法 | |
CN110473169A (zh) | 一种仿真图片置信度评价方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190927 |