CN110675389A - 一种食品推荐方法、存储介质以及智能家居设备 - Google Patents
一种食品推荐方法、存储介质以及智能家居设备 Download PDFInfo
- Publication number
- CN110675389A CN110675389A CN201910926473.7A CN201910926473A CN110675389A CN 110675389 A CN110675389 A CN 110675389A CN 201910926473 A CN201910926473 A CN 201910926473A CN 110675389 A CN110675389 A CN 110675389A
- Authority
- CN
- China
- Prior art keywords
- food
- information
- recommendation method
- tongue picture
- deep learning
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- 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
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Nutrition Science (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种食品推荐方法、存储介质以及智能家居设备,涉及健康管理技术领域,该方法包括:获取舌象信息,并根据所述舌象信息获取身体的健康状况;获取食品的品类信息;根据身体的健康状况以及食品的品类信息,推送相应的饮食配餐信息。本发明的有益效果是:能够对用户的饮食进行智能化管理,以使得用户能够通过饮食改善身体的健康状况。
Description
技术领域
本发明属于健康管理技术领域,尤其涉及一种食品推荐方法、存储介质以及智能家居设备。
背景技术
随着经济快速发展和医学的飞速进步,人们对自身的健康状态以及健康饮食越来越重视。但市面上现有的食品推荐方法通常只考虑到用户的饮食习惯或者是根据用户喜好进行食谱推荐,而无法根据用户的实时身体健康状况进行推荐,导致用户的进食无法根据身体健康状态来进行实时的调整。因此,如何根据用户的身体健康状况来进行合理的食物推荐成为越来越重要的研究课题之一。
发明内容
本发明正是基于上述技术问题,提出了一种能够食品推荐方法、存储介质以及智能家居设备。
第一方面,本发明实施例提供了一种食品推荐方法,包括:
获取舌象信息,并根据所述舌象信息获取身体的健康状况;
获取食品的品类信息;
根据身体的健康状况以及食品的品类信息,推送相应的饮食配餐信息。
进一步,根据所述舌象信息获取身体的健康状况,包括以下步骤:
利用第一深度学习模型对所述舌象信息进行图像识别,以获得所述身体的健康状况,其中,所述第一深度学习模型为已训练好的用于舌象识别的第一卷积神经网络模型。
进一步,所述第一深度学习模型通过以下步骤获得:
获取舌象训练样本集;
对所述舌象训练样本集中的图片的舌象特征进行提取,并为每个所述舌象特征确定对应的健康状况,以获得舌象特征训练集;
将所述舌象特征训练集作为第一卷积神经网络模型的输入,以对所述第一卷积神经网络模型进行训练,得到所述第一深度学习模型。
进一步,所述第一卷积神经网络模型中的特征提取层包括FPN网络。
进一步,获取食品的品类信息,包括:
获取食品的图像信息;
对所述图像信息进行分析处理,以获得食品的品类信息。
进一步,对所述图像信息进行分析处理,以获得食品的品类信息,包括:
利用第二深度学习模型对所述图像信息进行图像识别,以获得所述食品的品类信息,其中,所述第二深度学习模型为已训练好的用于食品识别的第二卷积神经网络模型。
进一步,所述第二深度学习模型通过以下步骤获得:
获取食品训练样本集;
对所述食品训练样本集中的图片的食品特征进行提取,并为每个所述食品特征确定对应的品类信息,以获得食品特征训练集;
将所述食品特征训练集作为第二卷积神经网络模型的输入,以对所述第二卷积神经网络模型进行训练,得到所述第二深度学习模型。
进一步,所述第二卷积神经网络模型中的特征提取层包括FPN网络。
进一步,所述饮食配餐信息,包括推荐的食品以及该食品对应的食谱;
和/或,
不适于进食的食品。
第二方面,本发明实施例提供了一种存储介质,所述存储介质上存储有程序代码,所述程序代码被处理器执行时,实现上述的食品推荐方法。
第三方面,本发明实施例提供了一种智能家居设备,所述智能家居设备包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的程序代码,所述程序代码被所述处理器执行时,实现上述的食品推荐方法。
在本发明实施例提供的一种食品推荐方法,根据身体的健康状况以及食品的品类信息,推送相应的饮食配餐信息。能够针对自身健康状态进食有利于身体健康的饮食。可见,本发明实施例提供的食品推荐方法,能够根据用户身体实时的健康状态,推送相应的饮食配餐信息,能够对用户的饮食进行智能化管理,以使得用户能够通过饮食改善身体的健康状况。
附图说明
通过结合附图阅读下文示例性实施例的详细描述可更好地理解本公开的范围。其中所包括的附图是:
图1示出了本发明实施例一提出的一种食品推荐方法的流程示意图;
图2示出了本发明实施例二提出的一种食品推荐方法的流程示意图;
图3示出了本发明实施例二提出的建立第一深度学习模型的步骤的流程示意图;
图4示出了本发明实施例三提出的一种食品推荐方法的流程示意图;
图5示出了本发明实施例三提出的获取食品的品类信息的步骤的流程示意图;
图6示出了本发明实施例三提出的建立第二深度学习模型的步骤的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下将结合附图及实施例来详细说明本发明的实施方法,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
实施例一
根据本发明的实施例一,提供了一种食品推荐方法,图1示出了本发明实施例一提出的一种食品推荐方法的流程示意图,如图1所示,该食品推荐方法可以包括:步骤110至步骤130。
在步骤110中,获取舌象信息,并根据所述舌象信息获取身体的健康状况。
这里,可以通过智能设备或医疗专用设备拍摄用户的舌头,以获得所述舌象信息。舌象与人们健康状况相关联,根据舌体的颜色和纹理等特征蕴含着众多信息,且对应不同的疾病。因此,根据所述舌象信息,即可获得用户的健康状况。
在步骤120中,获取食品的品类信息。
这里,获取用户拥有的食品的品类信息,是指获取用户已拥有的食品的信息,可以是用户冰箱内已有的食品。其中,获取所述品类信息可以是通过扫描食品包装袋上的二维码或条形码来获得品类信息;也可以是通过拍摄食品的图片,进而通过图像识别技术获得所述品类信息。
在步骤130中,根据身体的健康状况以及食品的品类信息,推送相应的饮食配餐信息。
这里,通过所述健康状况以及所述品类信息,能够将用户的身体的健康状态与食品推荐结合起来,以根据用户的身体的健康状况进行食品推荐。例如,在用户处于上火状态时,其拥有的食品或将要进食的食物中有导致上火的食品,如辣椒等,则不推荐其进食辣椒,或者该用户拥有的食品中有降火的食品,如苦瓜、绿豆等,则推荐其进食苦瓜等降火食品。
在本实施例中,通过结合用户的身体的健康状况以及用户将要进食的食品的品类信息,向用户推送相应的饮食配餐信息,以对用户的饮食进行智能化管理。使得用户能够针对自身身体健康状态来安排饮食,能够避免用户进食不利于其身体健康的食品,或向用户推荐适合其进食的食品,以改善用户的身体健康状况。
实施例二
在上述实施例的基础上,本发明的实施例二还可以提供一种食品推荐方法。图2示出了本发明实施例二提出的一种食品推荐方法的流程示意图。如图2所示,该食品推荐方法可以包括:步骤210至步骤230。
在步骤210中,获取舌象信息,并根据所述舌象信息获取身体的健康状况。
这里,可以通过智能手机拍摄用户的舌头,以获得所述舌象信息。舌象与人们健康状况相关联,根据舌体的颜色和纹理等特征蕴含着众多信息,且对应不同的疾病。因此,根据所述舌象信息,即可获得用户的身体的健康状况。
在步骤220中,获取食品的品类信息。
这里,获取用户拥有的食品的品类信息,是指获取用户已拥有的食品的信息,可以是用户冰箱内已有的食品。其中,获取所述品类信息可以是通过扫描食品包装袋上的二维码或条形码来获得品类信息;也可以是通过拍摄食品的图片,进而通过图像识别技术获得所述品类信息。
在步骤230中,根据身体的健康状况以及食品的品类信息,推送相应的饮食配餐信息。
这里,通过所述健康状况以及所述品类信息,能够将用户的身体的健康状态与食品推荐结合起来,以根据用户的身体的健康状况进行食品推荐。例如,在用户处于上火状态时,其拥有的食品或将要进食的食物中有导致上火的食品,如辣椒等,则不推荐其进食辣椒,或者该用户拥有的食品中有降火的食品,如苦瓜、绿豆等,则推荐其进食苦瓜等降火食品。
在本实施方式中,通过结合身体的健康状况以及用户将要进食的食品的品类信息,推送相应的饮食配餐信息,以对用户的饮食进行智能化管理。使得用户能够针对自身身体健康状态来安排饮食,能够避免用户进食不利于其身体健康的食品,或向用户推荐适合其进食的食品,以改善用户的身体健康状况。
在一个可选的实施方式中,所述饮食配餐信息,包括推荐的食品以及该食品对应的食谱;
和/或,
不适于进食的食品。
这里,根据身体的健康状况以及食品的品类信息,推荐适合该用户进食的食品和/或不建议其实用的食品,并根据适于其进食的食品,推荐相应的菜谱。推荐菜谱,可以是根据所述适合进食的食品在网络上查找与之相关的食谱。例如:推荐用户进食的食品是苦瓜,则推荐菜谱可以是苦瓜炒鸡蛋、清炒苦瓜、苦瓜炒肉等。
在一个可选的实施方式中,步骤210中,根据所述舌象信息获取身体的健康状况,可以包括:
利用第一深度学习模型对所述舌象信息进行图像识别,以获得所述身体的健康状况,其中,所述第一深度学习模型为已训练好的用于舌象识别的第一卷积神经网络模型。
这里,所述舌象信息为拍摄到的舌头图像,通过将所述舌象信息输入至所述第一深度学习模型中,所述第一深度学习模型则对所述舌象信息进行识别,从而输出识别结果,以根据所述识别结果获知该舌象信息反映的病症。其中,该第一深度学习模型是已经预先训练好了的用于舌象识别的第一卷积神经网络模型。
图3示出了本发明实施例二提出的建立第一深度学习模型的步骤的流程示意图。如图3所示,在步骤210之前,还可以包括预先建立所述第一深度学习模型的步骤,具体可以包括:步骤201至步骤203。
在步骤201中,获取舌象训练样本集。
这里,所述舌象训练样本集是通过网络下载的用于舌象识别的数据集,该舌象训练样本集中的每个样本包括舌象图片。
在步骤202中,对所述舌象训练样本集中的图片的舌象特征进行提取,并为每个所述舌象特征确定对应的健康状况,以获得舌象特征训练集。
这里,由于根据舌象的特征,能够识别出用户的健康状况。因此,对所述舌象训练样本集中的图片的舌象特征进行提取,使得后续训练步骤中能够使得神经网络模型专注在舌象特征上,以提高神经网络模型的识别的准确度。
值得说明的是,在步骤202之前,还包括对所述舌象训练样本集中的每个图片进行预处理,所述预处理包括对每个所述图片进行降噪、滤波、增强等图像处理,通过对图像进行预处理后,能够提高舌象特征提取的准确度。
在步骤203中,将所述舌象特征训练集作为第一卷积神经网络模型的输入,以对所述第一卷积神经网络模型进行训练,得到所述第一深度学习模型。
这里,将所述舌象特征训练集输入至第一卷积神经网络模型后,得到所述第二深度学习模型的过程如下:第一卷积神经网络模型的特征提取层提取舌象特征图片中的特征,并将特征提取层的输出连接至RPN网络,RPN网络输出分类结果至CNN网络进行训练,得到舌象的深度表示。
值得说明的是,所述第一卷积神经网络模型中的特征提取层包括FPN网络。FPN网络即是特征金字塔网络,用于进行高效的特征提取,以使得训练得到的第一深度学习模型的识别精度更高。
由此,通过FPN网络以及卷积神经网络相结合,能够提高所述第一深度学习模型对舌象的识别精度,以准确得到用户身体的健康状况。
实施例三
在上述实施例的基础上,本发明的实施例三还可以提供一种食品推荐方法。图4示出了本发明实施例三提出的一种食品推荐方法的流程示意图。如图4所示,该食品推荐方法可以包括:步骤310至步骤330。
该食品推荐方法可以包括:步骤110至步骤130。
在步骤110中,获取舌象信息,并根据所述舌象信息获取身体的健康状况。
这里,可以通过智能手机拍摄用户的舌头,以获得所述舌象信息。舌象与人们健康状况相关联,根据舌体的颜色和纹理等特征蕴含着众多信息,且对应不同的疾病。因此,根据所述舌象信息,即可获得用户的健康状况。
在步骤120中,获取食品的品类信息。
这里,获取用户拥有的食品的品类信息,是指获取用户已拥有的食品的信息,可以是用户冰箱内已有的食品。其中,获取所述品类信息可以是通过拍摄食品的图片,进而通过图像识别技术对该图片进行分析,以获得所述品类信息。
在步骤130中,根据身体的健康状况以及食品的品类信息,推送相应的饮食配餐信息。
这里,通过所述健康状况以及所述品类信息,能够将用户的身体的健康状态与食品推荐结合起来,以根据用户的身体健康状况进行食品推荐。例如,在用户处于上火状态时,其拥有的食品或将要进食的食物中有导致上火的食品,如辣椒等,则不推荐其进食辣椒,或者该用户拥有的食品中有降火的食品,如苦瓜、绿豆等,则推荐其进食苦瓜等降火食品。
在本实施方式中,通过结合身体的健康状况以及用户将要进食的食品的品类信息,向用户推送相应的饮食配餐信息,以对用户的饮食进行智能化管理。使得用户能够针对自身身体健康状态来安排饮食,能够避免用户进食不利于其身体健康的食品,或向用户推荐适合其进食的食品,以改善用户的身体健康状况。
图5示出了本发明实施例三提出的获取食品的品类信息的步骤的流程示意图。如图5所示,步骤320中,获取食品的品类信息,可以包括:步骤321至步骤322。
在步骤321中,获取食品的图像信息。
这里,获取食品的图像信息,可以是通过设置在智能家居设备上的图像采集装置来获得。例如,通过设置在冰箱内的图像采集装置来对冰箱内的食品进行拍摄,以获得所述图像信息。也可以是通过使用手持智能设备来进行拍摄,例如,使用智能手机进行拍摄,以获得所述图像信息。
在步骤322中,对所述图像信息进行分析处理,以获得食品的品类信息。
这里,通过对食品的图像信息进行图像识别处理,可以根据该图像信息获得该食品的品类信息。例如,对冰箱中的食品进行拍摄,得到冰箱内的食品的图像,通过对该图像进行识别,获取该图像中有的食品的品类信息。
在一个可选的实施方式中,步骤322,对所述图像信息进行分析处理,以获得食品的品类信息,可以包括:
利用第二深度学习模型对所述图像信息进行图像识别,以获得所述食品的品类信息,其中,所述第二深度学习模型为已训练好的用于食品识别的第二卷积神经网络模型。
这里,所述图像信息为拍摄到的食品图像,通过将所述图像信息输入至所述第二深度学习模型中,所述第二深度学习模型则对所述图像信息进行识别,从而输出识别结果,以根据所述识别结果获知该图像信息对应的食品品类信息。其中,该第二深度学习模型是已经预先训练好了的用于食品识别的神经网络模型。
图6示出了本发明实施例三提出的建立第二深度学习模型的步骤的流程示意图。在一个可选的实施方式中,如图6所示,在步骤310之前,还包括构建第二深度学习模型的步骤,可以包括步骤301至步骤303。
在步骤301中,获取食品训练样本集。
这里,所述食品训练样本集是通过网络下载的用于食品识别的数据集,该舌象训练样本集中的每个样本包括食品图片以及该食品图片对应的食品品类信息,值得说明的是,该品类信息为食品的名称和/或种类。
在步骤302中,对所述食品训练样本集中的图片的食品特征进行提取,并为每个所述食品特征确定对应的品类信息,以获得食品特征训练集。
这里,对所述食品训练样本集中的图片的食品特征进行提取,使得后续训练步骤中能够使得神经网络模型专注在食品特征上,以提高神经网络模型的识别的准确度。
值得说明的是,在步骤302之前,还可以包括:对所述食品训练样本集中的每个图片进行预处理,所述预处理包括:对图片进行降噪、滤波、增强等图像处理,通过对图像进行预处理后,能够提高深度学习模型识别的准确度。
在步骤303中,将所述食品特征训练集作为第二卷积神经网络模型的输入,以对所述第二卷积神经网络模型进行训练,得到所述第二深度学习模型。
这里,将所述食品特征训练集输入至第二卷积神经网络模型后,得到所述第二深度学习模型的过程如下:第二卷积神经网络模型的特征提取层提取食品特征图片中的特征,并将特征提取层的输出连接至RPN网络,RPN网络输出分类结果至CNN网络进行训练,得到食品的深度表示。
值得说明的是,所述第二卷积神经网络模型中的特征提取层包括FPN网络。FPN网络即是特征金字塔网络,用于进行高效的特征提取,以使得训练得到的第二深度学习模型的识别精度更高。
由此,通过FPN网络以及卷积神经网络相结合,能够提高所述第二深度学习模型对食品的识别精度,以准确得到食品的品类信息。
实施例四
根据本发明的实施例,还提供了一种存储介质,所述存储介质上存储有程序代码,所述程序代码被处理器执行时,实现如上述实施例任一项所述的食品推荐方法。
实施例五
根据本发明的实施例,还提供了一种智能家居设备,所述智能家居设备包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的程序代码,所述程序代码被所述处理器执行时,实现上述实施例任一项所述的食品推荐方法。
以上结合附图详细说明了本发明的技术方案,考虑到相关技术中,现有的食品推荐方法通常只考虑到用户的饮食习惯,而无法根据用户的实时身体健康状况进行推荐。本发明提供一种食品推荐方法、存储介质以及智能家居设备,根据身体的健康状况以及食品的品类信息,推送相应的饮食配餐信息。能够根据用户身体实时的健康状态,对用户的饮食进行管理,以避免用户进食不利于其身体健康的食品,和/或向用户推荐适合其进食的食品,以改善用户的身体健康状况。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台家居设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
虽然本发明所公开的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所公开的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (11)
1.一种食品推荐方法,其特征在于,包括以下步骤:
获取舌象信息,并根据所述舌象信息获取身体的健康状况;
获取食品的品类信息;
根据身体的健康状况以及食品的品类信息,推送相应的饮食配餐信息。
2.根据权利要求1所述的食品推荐方法,其特征在于,根据所述舌象信息获取身体的健康状况,包括以下步骤:
利用第一深度学习模型对所述舌象信息进行图像识别,以获得所述身体的健康状况,其中,所述第一深度学习模型为已训练好的用于舌象识别的第一卷积神经网络模型。
3.根据权利要求2所述的食品推荐方法,其特征在于,所述第一深度学习模型通过以下步骤获得:
获取舌象训练样本集;
对所述舌象训练样本集中的图片的舌象特征进行提取,并为每个所述舌象特征确定对应的健康状况,以获得舌象特征训练集;
将所述舌象特征训练集作为第一卷积神经网络模型的输入,以对所述第一卷积神经网络模型进行训练,得到所述第一深度学习模型。
4.根据权利要求3所述的食品推荐方法,其特征在于,所述第一卷积神经网络模型中的特征提取层包括FPN网络。
5.根据权利要求1所述的食品推荐方法,其特征在于,获取食品的品类信息,包括:
获取食品的图像信息;
对所述图像信息进行分析处理,以获得食品的品类信息。
6.根据权利要求5所述的食品推荐方法,其特征在于,对所述图像信息进行分析处理,以获得食品的品类信息,包括:
利用第二深度学习模型对所述图像信息进行图像识别,以获得所述食品的品类信息,其中,所述第二深度学习模型为已训练好的用于食品识别的第二卷积神经网络模型。
7.根据权利要求6所述的食品推荐方法,其特征在于,所述第二深度学习模型通过以下步骤获得:
获取食品训练样本集;
对所述食品训练样本集中的图片的食品特征进行提取,并为每个所述食品特征确定对应的品类信息,以获得食品特征训练集;
将所述食品特征训练集作为第二卷积神经网络模型的输入,以对所述第二卷积神经网络模型进行训练,得到所述第二深度学习模型。
8.根据权利要求7所述的食品推荐方法,其特征在于,所述第二卷积神经网络模型中的特征提取层包括FPN网络。
9.根据权利要求1所述的食品推荐方法,其特征在于,所述饮食配餐信息,包括推荐的食品以及该食品对应的食谱;
和/或,
不适于进食的食品。
10.一种存储介质,所述存储介质上存储有程序代码,其特征在于,所述程序代码被处理器执行时,实现如权利要求1至9中任一项所述的食品推荐方法。
11.一种智能家居设备,其特征在于,所述智能家居设备包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的程序代码,所述程序代码被所述处理器执行时,实现如权利要求1至9中任一项所述的食品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910926473.7A CN110675389A (zh) | 2019-09-27 | 2019-09-27 | 一种食品推荐方法、存储介质以及智能家居设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910926473.7A CN110675389A (zh) | 2019-09-27 | 2019-09-27 | 一种食品推荐方法、存储介质以及智能家居设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110675389A true CN110675389A (zh) | 2020-01-10 |
Family
ID=69079793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910926473.7A Pending CN110675389A (zh) | 2019-09-27 | 2019-09-27 | 一种食品推荐方法、存储介质以及智能家居设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110675389A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112148758A (zh) * | 2020-09-24 | 2020-12-29 | 苏州七采蜂数据应用有限公司 | 一种基于大数据的社区饮食健康管理方法及系统 |
CN112401846A (zh) * | 2020-11-20 | 2021-02-26 | 南通市第二人民医院 | 一种口腔内粘膜的护理系统及方法 |
CN113707305A (zh) * | 2021-08-30 | 2021-11-26 | 康键信息技术(深圳)有限公司 | 基于深度学习的健康方案推荐方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108829723A (zh) * | 2018-05-08 | 2018-11-16 | 天津大学 | 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 |
CN109199334A (zh) * | 2018-09-28 | 2019-01-15 | 小伍健康科技(上海)有限责任公司 | 一种基于深度神经网络的舌象体质辨别方法及设备 |
CN109448817A (zh) * | 2018-09-28 | 2019-03-08 | 小伍健康科技(上海)有限责任公司 | 一种基于深度神经网络的食谱推荐方法及设备 |
CN109598224A (zh) * | 2018-11-27 | 2019-04-09 | 微医云(杭州)控股有限公司 | 基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法 |
-
2019
- 2019-09-27 CN CN201910926473.7A patent/CN110675389A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108829723A (zh) * | 2018-05-08 | 2018-11-16 | 天津大学 | 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 |
CN109199334A (zh) * | 2018-09-28 | 2019-01-15 | 小伍健康科技(上海)有限责任公司 | 一种基于深度神经网络的舌象体质辨别方法及设备 |
CN109448817A (zh) * | 2018-09-28 | 2019-03-08 | 小伍健康科技(上海)有限责任公司 | 一种基于深度神经网络的食谱推荐方法及设备 |
CN109598224A (zh) * | 2018-11-27 | 2019-04-09 | 微医云(杭州)控股有限公司 | 基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112148758A (zh) * | 2020-09-24 | 2020-12-29 | 苏州七采蜂数据应用有限公司 | 一种基于大数据的社区饮食健康管理方法及系统 |
CN112401846A (zh) * | 2020-11-20 | 2021-02-26 | 南通市第二人民医院 | 一种口腔内粘膜的护理系统及方法 |
CN112401846B (zh) * | 2020-11-20 | 2021-09-21 | 南通市第二人民医院 | 一种口腔内粘膜的护理系统及方法 |
CN113707305A (zh) * | 2021-08-30 | 2021-11-26 | 康键信息技术(深圳)有限公司 | 基于深度学习的健康方案推荐方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Deep learning in food category recognition | |
US20180247417A1 (en) | Imaging system for object recognition and assessment | |
CN110675389A (zh) | 一种食品推荐方法、存储介质以及智能家居设备 | |
CN107025613A (zh) | 一种自动点餐方法及终端 | |
US11823042B2 (en) | System for measuring food weight | |
Allegra et al. | A review on food recognition technology for health applications | |
US10733479B2 (en) | System and method for providing a recipe | |
KR20210099876A (ko) | 딥러닝 알고리즘 기반의 식품 영상 인식을 통한 개인 맞춤형 영양 및 질병 관리 시스템 및 방법 | |
WO2018054124A1 (zh) | 健康食品的推荐方法、装置及终端设备 | |
CN112053428A (zh) | 一种识别食物所含营养信息的方法及装置 | |
Knez et al. | Food object recognition using a mobile device: evaluation of currently implemented systems | |
Sudo et al. | Estimating nutritional value from food images based on semantic segmentation | |
CN105824886B (zh) | 基于马尔科夫随机场的快速食物识别方法 | |
Yanulevskaya et al. | Significance of the Weibull distribution and its sub-models in natural image statistics | |
CN109829364A (zh) | 一种表情识别方法、装置和推荐方法、装置 | |
Chun et al. | Development of Korean food image classification model using public food image dataset and deep learning methods | |
CN111863194A (zh) | 一种饮食信息的展示方法、装置、设备及存储介质 | |
KR102662492B1 (ko) | 와인과 음식의 페어링 및 추천 장치, 방법, 그리고, 컴퓨터 판독가능 기록 매체 | |
CN117078955B (zh) | 一种基于图像识别的健康管理方法 | |
Harini et al. | Identification of leaf diseases in tomato plant based on wavelets and PCA | |
CN114388102A (zh) | 饮食推荐方法及装置和电子设备 | |
CN114882973A (zh) | 一种基于标准食品识别的每日营养摄取分析方法及系统 | |
CN114743194A (zh) | 基于深度残差神经网络的食谱生成方法 | |
Ahsani et al. | Food Image Retrieval with Gray Level Co-Occurrence Matrix Texture Feature and CIE L* a* b* Color Moments Feature | |
CN112017755A (zh) | 一种智能营养搭配推荐的方法、系统及机器人 |
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: 20200110 |
|
RJ01 | Rejection of invention patent application after publication |