CN110889429A - 一种基于深度学习的智能菜品匹配识别方法 - Google Patents
一种基于深度学习的智能菜品匹配识别方法 Download PDFInfo
- Publication number
- CN110889429A CN110889429A CN201911007773.1A CN201911007773A CN110889429A CN 110889429 A CN110889429 A CN 110889429A CN 201911007773 A CN201911007773 A CN 201911007773A CN 110889429 A CN110889429 A CN 110889429A
- Authority
- CN
- China
- Prior art keywords
- dish
- information
- characteristic information
- image information
- identification
- 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
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 235000013311 vegetables Nutrition 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 4
- 235000013305 food Nutrition 0.000 description 5
- 244000218514 Opuntia robusta Species 0.000 description 4
- 235000003166 Opuntia robusta Nutrition 0.000 description 4
- 235000015802 Lactuca sativa var crispa Nutrition 0.000 description 3
- 240000004201 Lactuca sativa var. crispa Species 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 235000015277 pork Nutrition 0.000 description 2
- 240000005993 Lactuca saligna Species 0.000 description 1
- 235000006705 asparagus lettuce Nutrition 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的智能菜品匹配识别方法,包括菜品识别策略、菜品比对策略以及菜品训练策略,菜品识别策略,获取菜品图像信息作为待识别的图像信息,菜品识别算法根据菜品识别参数从待识别的图像信息中提取得到待识别的菜品特征信息;菜品比对策略,比对算法将待识别的菜品特征信息与数据库中的标准菜品特征信息进行对比得到待识别菜品的菜品信息;菜品训练策略包括基准菜品特征信息获取步骤、同类菜品特征信息获取步骤、同类菜品相似度获取步骤、异类特征信息获取步骤、异类菜品相似度获取步骤、菜品误差信息获取步骤以及菜品识别参数修正步骤,菜品训练策略对菜品识别参数进行修正,从而提高菜品识别策略的识别准确度。
Description
技术领域
本发明涉及食物智能识别技术领域,尤其是涉及一种基于深度学习的智能菜品匹配识别方法。
背景技术
随着深度学习的快速发展,使用深度卷积神经网络提取物品特征值,并且对物品进行分类的方法已经被广泛的应用在实际生活中。但是将该方法具体应用在菜品分类时还存在以下几个缺点:
(1)传统的基于深度卷积网络的菜品分类方法,需要将所有要分类的菜品全部放入网络模型中进行预训练,然后再使用训练后的模型进行菜品分类。但是在实际操作过程中,因为菜品的种类繁多,当有新的菜品加入后,就需要对网络进行重新训练,操作复杂,不利于实际应用。
(2)目前的食物识别方法大多数都是针对未经加工过的食物进行展开的,但是对于经过烹饪后的菜品,再进行识别,识别结果就难以达到人们的预期。主要原因是由于,食物原材料经过加工处理后,相较于食材本身,会具有更多的特征。即使是同一道菜品,也有可能会在形状和颜色上有着很大的差异,这就在很大程度上影响了菜品识别的准确率。因此人们就需要一种更好的提取菜品特征的方法。
发明内容
本发明的目的在于提供了通过深度学习实现快速提取菜品图片中丰富的关键特征值的一种基于深度学习的智能菜品匹配识别方法。
为实现上述目的,本发明采取的技术方案为:一种基于深度学习的智能菜品匹配识别方法,包括菜品识别策略、菜品比对策略以及菜品训练策略,
菜品识别策略,获取菜品图像信息作为待识别的图像信息,菜品识别算法根据菜品识别参数从待识别的图像信息中提取得到待识别的菜品特征信息;
菜品比对策略,比对算法将待识别的菜品特征信息与数据库中的标准菜品特征信息进行对比得到待识别菜品的菜品信息;
菜品训练策略包括基准菜品特征信息获取步骤、同类菜品特征信息获取步骤、同类菜品相似度获取步骤、异类特征信息获取步骤、异类菜品相似度获取步骤、菜品误差信息获取步骤以及菜品误差信息获取步骤,
基准菜品特征信息获取步骤,获取菜品一的图像信息作为第一图像信息,所述菜品识别算法根据菜品识别参数从第一图像信息中提取得到基准菜品特征信息;
同类菜品特征信息获取步骤,获取和菜品一同类的菜品二的图像信息作为第二图像信息,所述菜品识别算法根据菜品识别参数从第二图像信息中提取得到同类菜品特征信息;
同类菜品相似度获取步骤,相似度识别算法根据提取得到的所述基准菜品特征信息和所述同类菜品特征信息,计算得到菜品一与菜品二的第一相似度值;
异类特征信息获取步骤,获取和菜品一异类的菜品三的图像信息作为第三图像信息,所述菜品识别算法根据菜品识别参数从第三图像信息中提取得到异类菜品特征信息;
异类菜品相似度获取步骤,相似度识别算法根据提取得到的所述基准菜品特征信息和所述异类菜品特征信息,计算得到菜品一与菜品三的第二相似度值;
菜品误差信息获取步骤,菜品误差算法根据第一相似度值和第二相似度值生成综合误差信息;
菜品识别参数修正步骤,根据所述综合误差信息修正所述菜品识别参数。
作为本发明的进一步限定,所述数据库的构建方法为:获取菜品图像信息作为待入库的图像信息,所述菜品识别算法根据所述菜品识别参数从待入库的图像信息中提取得到待入库的菜品特征信息,将待入库的菜品特征信息输入数据库得到标准菜品特征信息。
作为本发明的进一步限定,所述相似度识别算法具体为计算基准菜品特征信息与同类菜品特征信息或基准菜品特征信息与异类菜品特征信息之间的欧氏距离。
作为本发明的进一步限定,所述菜品误差算法具体为第一相似度减去第二相似度加上一个大于零的常数a,若计算结果小于0,则菜品误差默认取0。
与现有技术相比,本发明的有益效果为:本发明包括了用于学习的菜品训练策略,利用庞大丰富的数据令其进行深度学习,提高算法的健壮性和泛化能力,能快速、准确地识别得到菜品图像信息中丰富的菜品特征信息。并且采用比对算法将所述待识别的菜品特征信息与数据库中的标准菜品特征信息进行比对,得到待识别菜品的菜品信息。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图和实施例,对本发明进一步详细说明。
实施例1:
如图1所示,一种基于深度学习的智能菜品匹配识别方法,包括菜品识别策略、菜品比对策略以及菜品训练策略,
菜品识别策略,获取菜品图像信息作为待识别的图像信息,菜品识别算法根据菜品识别参数从待识别的图像信息中提取得到待识别的菜品特征信息;
菜品比对策略,比对算法将待识别的菜品特征信息与数据库中的标准菜品特征信息进行对比得到待识别菜品的菜品信息。
数据库的构建方法为:获取菜品图像信息作为待入库的图像信息,菜品识别算法根据菜品识别参数从待入库的图像信息中提取得到待入库的菜品特征信息,将待入库的菜品特征信息输入数据库得到标准菜品特征信息。
以以下内容,对对菜品识别策略以及菜品比对策略进行说明,
获取菜品图像信息作为待识别的图像信息(如装有油麦菜的餐盘),菜品识别算法根据菜品识别参数从待识别的图像信息中提取得到待识别的菜品特征信息(如菜叶和菜杆);
比对算法将待识别的菜品特征信息与数据库中的标准菜品特征信息进行对比得到待识别菜品的菜品信息(菜品为油麦菜)。
如图1所示,菜品训练策略包括基准菜品特征信息获取步骤、同类菜品特征信息获取步骤、同类菜品相似度获取步骤、异类特征信息获取步骤、异类菜品相似度获取步骤、菜品误差信息获取步骤以及菜品识别参数修正步骤,
基准菜品特征信息获取步骤,获取菜品一的图像信息作为第一图像信息,菜品识别算法根据菜品识别参数从第一图像信息中提取得到基准菜品特征信息;
同类菜品特征信息获取步骤,获取和菜品一同类的菜品二的图像信息作为第二图像信息,菜品识别算法根据菜品识别参数从第二图像信息中提取得到同类菜品特征信息;
同类菜品相似度获取步骤,相似度识别算法根据提取得到的基准菜品特征信息和同类菜品特征信息,计算得到菜品一与菜品二的第一相似度值;
异类特征信息获取步骤,获取和菜品一异类的菜品三的图像信息作为第三图像信息,菜品识别算法根据菜品识别参数从第三图像信息中提取得到异类菜品特征信息;
异类菜品相似度获取步骤,相似度识别算法根据提取得到的基准菜品特征信息和异类菜品特征信息,计算得到菜品一与菜品三的第二相似度值;
菜品误差信息获取步骤,第一相似度减去第二相似度加上一个大于零的常数a生成综合误差信息;
菜品识别参数修正步骤,根据综合误差信息修正菜品识别参数。以以下内容,对菜品训练策略进行说明,
获取菜品一的图像信息作为第一图像信息(如装有油麦菜的餐盘),菜品识别算法根据菜品识别参数从第一图像信息中提取得到基准菜品特征信息(如菜叶和菜杆);
获取和菜品一同类的菜品二的图像信息作为第二图像信息(如装有油麦菜的另一个餐盘),菜品识别算法根据菜品识别参数从第二图像信息中提取得到同类菜品特征信息(如菜叶和菜杆);
相似度识别算法计算提取得到的基准菜品特征信息和同类菜品特征信息之间的欧氏距离,计算得到菜品一与菜品二的第一相似度值;
获取和菜品一异类的菜品三的图像信息作为第三图像信息(如装有红烧肉的餐盘),菜品识别算法根据菜品识别参数从第三图像信息中提取得到异类菜品特征信息(如肉皮和肥肉);
相似度识别算法计算提取得到的基准菜品特征信息和异类菜品特征信息之间的欧氏距离,计算得到菜品一与菜品三的第二相似度值;
菜品误差信息获取步骤,第一相似度减去第二相似度加上一个大于零的常数a,若计算结果小于0,则菜品误差默认取0生成综合误差信息。
具体计算公式为:
Value=S1+a-S2
菜品误差=max{value,0}
S1:第一相似度
S2:第二相似度
a:大于0的常数;
菜品识别参数修正步骤,根据综合误差信息修正菜品识别参数。
以上对本发明的一个实施例进行了详细说明,但内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (4)
1.一种基于深度学习的智能菜品匹配识别方法,其特征在于包括菜品识别策略、菜品比对策略以及菜品训练策略,
菜品识别策略,获取菜品图像信息作为待识别的图像信息,菜品识别算法根据菜品识别参数从待识别的图像信息中提取得到待识别的菜品特征信息;
菜品比对策略,比对算法将待识别的菜品特征信息与数据库中的标准菜品特征信息进行对比得到待识别菜品的菜品信息;
菜品训练策略包括基准菜品特征信息获取步骤、同类菜品特征信息获取步骤、同类菜品相似度获取步骤、异类特征信息获取步骤、异类菜品相似度获取步骤、菜品误差信息获取步骤以及菜品识别参数修正步骤,
基准菜品特征信息获取步骤,获取菜品一的图像信息作为第一图像信息,所述菜品识别算法根据菜品识别参数从第一图像信息中提取得到基准菜品特征信息;
同类菜品特征信息获取步骤,获取和菜品一同类的菜品二的图像信息作为第二图像信息,所述菜品识别算法根据菜品识别参数从第二图像信息中提取得到同类菜品特征信息;
同类菜品相似度获取步骤,相似度识别算法根据提取得到的所述基准菜品特征信息和所述同类菜品特征信息,计算得到菜品一与菜品二的第一相似度值;
异类特征信息获取步骤,获取和菜品一异类的菜品三的图像信息作为第三图像信息,所述菜品识别算法根据菜品识别参数从第三图像信息中提取得到异类菜品特征信息;
异类菜品相似度获取步骤,相似度识别算法根据提取得到的所述基准菜品特征信息和所述异类菜品特征信息,计算得到菜品一与菜品三的第二相似度值;
菜品误差信息获取步骤,菜品误差算法根据第一相似度值和第二相似度值生成综合误差信息;
菜品识别参数修正步骤,根据所述综合误差信息修正所述菜品识别参数。
2.根据权利要求1所述的一种基于深度学习的智能菜品匹配识别方法,其特征在于,所述数据库的构建方法为:获取菜品图像信息作为待入库的图像信息,所述菜品识别算法根据所述菜品识别参数从待入库的图像信息中提取得到待入库的菜品特征信息,将待入库的菜品特征信息输入数据库得到标准菜品特征信息。
3.根据权利要求1所述的一种基于深度学习的智能菜品匹配识别方法,其特征在于,所述相似度识别算法具体为计算基准菜品特征信息与同类菜品特征信息或基准菜品特征信息与异类菜品特征信息之间的欧氏距离。
4.根据权利要求1所述的一种基于深度学习的智能菜品匹配识别方法,其特征在于,所述菜品误差算法具体为第一相似度减去第二相似度加上一个大于零的常数a,若计算结果小于0,则菜品误差默认取0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911007773.1A CN110889429A (zh) | 2019-10-22 | 2019-10-22 | 一种基于深度学习的智能菜品匹配识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911007773.1A CN110889429A (zh) | 2019-10-22 | 2019-10-22 | 一种基于深度学习的智能菜品匹配识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110889429A true CN110889429A (zh) | 2020-03-17 |
Family
ID=69746378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911007773.1A Pending CN110889429A (zh) | 2019-10-22 | 2019-10-22 | 一种基于深度学习的智能菜品匹配识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889429A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975959A (zh) * | 2016-06-14 | 2016-09-28 | 广州视源电子科技股份有限公司 | 基于神经网络的人脸特征提取建模、人脸识别方法及装置 |
CN108229532A (zh) * | 2017-10-30 | 2018-06-29 | 北京市商汤科技开发有限公司 | 图像识别方法、装置和电子设备 |
CN109214409A (zh) * | 2018-07-10 | 2019-01-15 | 上海斐讯数据通信技术有限公司 | 一种菜品识别方法及系统 |
CN109886127A (zh) * | 2019-01-23 | 2019-06-14 | 平安科技(深圳)有限公司 | 指纹识别方法及终端设备 |
CN110084642A (zh) * | 2019-04-19 | 2019-08-02 | 哈尔滨新中新电子股份有限公司 | 基于目标检测和图像检索的菜品识别方法 |
CN110084587A (zh) * | 2019-02-28 | 2019-08-02 | 杭州效准智能科技有限公司 | 一种基于边缘上下文的餐盘自动结算方法 |
-
2019
- 2019-10-22 CN CN201911007773.1A patent/CN110889429A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975959A (zh) * | 2016-06-14 | 2016-09-28 | 广州视源电子科技股份有限公司 | 基于神经网络的人脸特征提取建模、人脸识别方法及装置 |
CN108229532A (zh) * | 2017-10-30 | 2018-06-29 | 北京市商汤科技开发有限公司 | 图像识别方法、装置和电子设备 |
CN109214409A (zh) * | 2018-07-10 | 2019-01-15 | 上海斐讯数据通信技术有限公司 | 一种菜品识别方法及系统 |
CN109886127A (zh) * | 2019-01-23 | 2019-06-14 | 平安科技(深圳)有限公司 | 指纹识别方法及终端设备 |
CN110084587A (zh) * | 2019-02-28 | 2019-08-02 | 杭州效准智能科技有限公司 | 一种基于边缘上下文的餐盘自动结算方法 |
CN110084642A (zh) * | 2019-04-19 | 2019-08-02 | 哈尔滨新中新电子股份有限公司 | 基于目标检测和图像检索的菜品识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lee et al. | Health detection for potato leaf with convolutional neural network | |
Wang et al. | Segmentation of crop disease images with an improved K-means clustering algorithm | |
CN109308697A (zh) | 一种基于机器学习算法的树叶病害识别方法 | |
CN109815357B (zh) | 一种基于非线性降维及稀疏表示的遥感图像检索方法 | |
CN111797707B (zh) | 一种基于聚类的镜头关键帧提取方法 | |
CN107180056A (zh) | 视频中片段的匹配方法和装置 | |
CN113361315B (zh) | 基于背景饱和度压缩与差异阈值分割融合的香蕉串识别方法 | |
Zhao et al. | A detection method for tomato fruit common physiological diseases based on YOLOv2 | |
CN111028203B (zh) | 一种基于显著性的cnn盲图像质量评估方法 | |
CN114758132B (zh) | 一种基于卷积神经网络的果树病虫害识别方法及系统 | |
CN113221913A (zh) | 一种基于高斯概率决策级融合的农林病虫害细粒度识别方法及装置 | |
CN116110113A (zh) | 一种基于深度学习的虹膜识别方法 | |
CN116524224A (zh) | 一种基于机器视觉的烤后烟叶类型检测方法及系统 | |
CN104598935A (zh) | 一种基于增量子空间学习算法的人脸识别方法 | |
Srivastav et al. | Tea leaf disease detection using deep learning-based convolutional neural networks | |
CN110889429A (zh) | 一种基于深度学习的智能菜品匹配识别方法 | |
CN109658380A (zh) | 基于前期林地矢量数据的林地变化检测方法 | |
CN112070012A (zh) | 一种基于儿童跨年龄段人脸识别技术的人脸检测方法 | |
CN110532867A (zh) | 一种基于黄金分割法的人脸图像聚类方法 | |
CN111144464B (zh) | 基于CNN-Kmeans算法水果自动识别方法 | |
CN114298286A (zh) | 一种对轻量化卷积神经网络训练得到预训练模型的方法 | |
CN114299586A (zh) | 一种基于卷积神经网络的智能化深度学习系统 | |
Jianqing et al. | Research on Banana Leaf Disease Detection Based on the Image Processing Technology | |
CN113570579A (zh) | 一种判断足踝异常旋转机制的图像检测识别方法 | |
CN110619366A (zh) | 一种基于神经网络的真菌maldi—tof质谱数据识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200317 |