CN110969047A - 识别食材的方法、装置和冰箱 - Google Patents
识别食材的方法、装置和冰箱 Download PDFInfo
- Publication number
- CN110969047A CN110969047A CN201811141855.0A CN201811141855A CN110969047A CN 110969047 A CN110969047 A CN 110969047A CN 201811141855 A CN201811141855 A CN 201811141855A CN 110969047 A CN110969047 A CN 110969047A
- Authority
- CN
- China
- Prior art keywords
- image
- refrigerator
- food material
- image information
- food
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Cold Air Circulating Systems And Constructional Details In Refrigerators (AREA)
Abstract
本发明公开了一种识别食材的方法、装置和冰箱。其中,该方法包括:获取冰箱内部的图像信息;依据图像识别模型对所述图像信息进行识别,得到识别结果,其中,所述图像识别模型为包含了冰箱内各种图像信息训练得到的卷积神经网络模型;依据所述识别结果,确定所述冰箱内部的食材。本发明解决了现有技术中冰箱内食材识别系统辨识相似食材准确度不高的技术问题。
Description
技术领域
本发明涉及智能家电领域,具体而言,涉及识别食材的方法、装置和冰箱。
背景技术
冰箱是一种常见的家用电器,用于储藏食材,对食材进行保鲜,以延长食材的新鲜度。然而,随着生活水平的提高和生活节奏的加快,用户对电器多功能化应用的要求越来越多,冰箱在日常应用中除了冷冻储藏,还被寄希望于实现更多的功能,如通过内部设置食材识别系统,自动采集和识别内部食材,通过对食材的辨识,对用户进行食材购买推送和远程菜谱推送,一方面可以提醒用户下班时购买所需食材,节省时间,另一方面可以科学营养地给用户定制营养菜谱,避免用户随意搭配食材造成的饮食不均。
但是,冰箱内通常储藏有多种食材,且几大类青菜和肉类的食材相似度较高,长相大多相似,导致食物识别系统常发生食材识别错误的情况,进而影响用户体验。
针对现有技术中冰箱内食材识别系统辨识相似食材准确度不高,进而影响用户体验的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了识别食材的方法、装置和冰箱,以至少解决现有技术中冰箱内食材识别系统辨识相似食材准确度不高的技术问题。
根据本发明实施例的一个方面,提供了一种识别食材的方法,包括:获取所述冰箱内部的图像信息;依据图像识别模型对所述图像信息进行识别,得到识别结果,其中,所述图像识别模型为包含了冰箱内各种图像信息训练得到的卷积神经网络模型;依据所述识别结果,确定所述冰箱内部的食材。
进一步地,所述依据图像识别模型对所述图像信息进行识别,得到识别结果,包括:提取所述图像信息中包含的至少一个图像特征;基于所述图像识别模型处理所述至少一个图像特征,确定所述图像信息中的食材图像和非食材图像。
进一步地,在依据图像识别模型对所述图像信息进行识别,得到识别结果之前,所述方法还包括:获取训练样本,其中,所述训练样本包括:不同类型食材的食材图像和不同类型冰箱的内部结构图像;基于所述训练样本,对所述图像识别模型的卷积神经网络进行训练。
进一步地,所述食材图像至少包括:基于蔬菜类型的第一图像和基于肉食类型的第二图像。
进一步地,在所述依据图像识别模型对所述图像信息进行识别,得到识别结果之后,还包括:依据所述识别结果中包含的食材图像对所述图像识别模型进行训练,获取优化后的图像识别模型。
进一步地,在依据所述识别结果,确定所述冰箱内部的食材之后,所述方法还包括:基于所述确定的食材,确定待推送的目标信息,其中,所述目标信息包括如下至少之一:菜谱、欲购买的食材、食材价格、食材购买地址、比价结果。
根据本发明实施例的另一方面,还提供了一种识别食材的装置,包括:获取模块,获取所述冰箱内部的图像信息;识别模块,依据图像识别模型对所述图像信息进行识别,得到识别结果,其中,所述图像识别模型为包含了冰箱内各种图像信息训练得到的卷积神经网络模型;推送模块,依据所述识别结果,确定所述冰箱内部的食材。
根据本发明实施例的另一方面,还提供了一种冰箱,包括上述的识别食材的装置。
根据本发明实施例的另一方面,还提供了一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行上述任意一种所述的识别食材的方法。
根据本发明实施例的另一方面,还提供了一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行上述任意一种所述的识别食材的方法。
在本发明实施例中,通过获取所述冰箱内部的图像信息,依据图像识别模型对所述图像信息进行识别,得到识别结果,其中,所述图像识别模型为包含了冰箱内各种图像信息训练得到的卷积神经网络模型,依据所述识别结果,确定所述冰箱内部的食材。上述方案利用大量食材目标的图像数据,构建卷积神经网络模型,并从大量数据中学习背景的先验知识,完成灰度变换,降低背景杂波,提高目标的信噪比,从而实现欲辨识食材背景抑制,进而可以供冰箱内食材识别系统精确识别食材种类,推送用户菜谱、欲购买的食材、食材价格、食材购买地址、比价结果等信息,提高了用户体验。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种识别食材的方法的流程图;以及
图2是根据本发明实施例的一种识别食材的装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种识别食材的方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的识别食材的方法的流程图,如图1所示,该方法包括如下步骤:
步骤S11,获取冰箱内部的图像信息。
具体地,上述图像信息为冰箱内部任意一个角度的图像,包括食材图像和冰箱内部结构图像。
在一种可选的实施例中,上述图像信息可以是由图像采集装置拍摄的冰箱内部照片,对应的图像采集装置可以是照相机,摄像机等。
在另一种可选的实施例中,上述图像还可以是由红外成像装置采集的冰箱内部红外图像,上述红外成像装置可以是红外相机,红外摄像机。
步骤S12,依据图像识别模型对图像信息进行识别,得到识别结果,其中,图像识别模型为包含了冰箱内各种图像信息训练得到的卷积神经网络模型。
具体地,上述图像识别模型,可以是使用多组训练数据通过机器学习训练得出的,例如,卷积神经网络识别模型等能够进行机器学习的识别模型,通过多组数据进行训练,直至模型收敛,拥有输入数据与输出数据之间的识别能力。上述识别结果用于表征图像信息所包含的目标对象所属的种类。
在一种可选的实施例中,上述图像识别模型可以包括第一识别模型和第二识别模型,获取图像识别模型的方式可以是,首先获取训练数据,其中,训练数据至少包括:历史图像信息、历史图像信息中目标对象所在区域以及目标对象所属的种类;再使用历史图像信息和历史图像信息中目标对象所在区域对初始卷积神经网络模型进行训练,得到第一识别模型,其中,第一识别模型用于预测图像信息中目标对象所在的区域;并使用训练数据中的历史图像信息中目标对象所在区域以及目标对象所属的种类对初始卷积神经网络模型进行训练,得到第二识别模型,其中,第二识别模型用于预测图像信息中目标对象所属的种类。
在上述方案中,可以根据冰箱内部不同角度的图像,对卷积神经网络模型进行训练,得到冰箱内不同食材的种类,包括相似食材的种类,提高食材辨识度。
需要说明的是,根据冰箱内部不同角度的图像,可以防止遗漏体积较小的食材,从而达到全面的检测食材种类的效果。
步骤S13,依据所述识别结果,确定所述冰箱内部的食材。
在一个可选的实施例中,依据卷积神经网络模型的识别结果,区分蔬菜和肉类,包括区分蔬菜中相似的青菜,如小白菜、生菜、苦菊、油麦菜、莴笋叶等,肉类中相似的猪肉、牛肉、羊肉等,以提高食材辨识度。
作为一种可选的实施例,依据图像识别模型对图像信息进行识别,得到识别结果,包括:提取图像信息中包含的至少一个图像特征;基于图像识别模型处理至少一个图像特征,确定图像信息中的食材图像和非食材图像。
具体地,图像识别模型是通过使用预设的训练数据对卷积神经网络模型进行训练得到的。上述至少一个图形特征包括食材的位置特征或冰箱内部结构固有的形状特征。通过提取图像信息中包含的食材的位置特征或冰箱内部结构固有的形状特征,对卷积神经网络进行训练,从大量数据中统计学习得到待抑制图像每个像素的背景抑制量,完成灰度变换,降低背景杂波,提高目标的信噪比,从而实现欲辨识食材背景抑制,确定出图像信息中的食材图像和非食材图像,进而可以供食物识别系统针对欲识别食材进行精准识别。
需要说明的是,为尽量降低背景杂波的影响,提高目标的信噪比,在检测任务之前进行背景抑制能很好地提高目标对象识别度。已有的背景抑制方法可以分为基于变换域的方法、基于时域的方法和基于空域的方法。用深度学习做背景抑制的方案是一种基于空域的实现,在很大程度上缓解了训练过拟合的问题。
作为一种可选的实施例,在依据图像识别模型对图像信息进行识别,得到识别结果之前,方法还包括:获取训练样本,其中,训练样本包括:不同类型食材的食材图像和不同类型冰箱的内部结构图像,基于训练样本,对图像识别模型的卷积神经网络进行训练。
需要说明的是,不同类型冰箱的内部结构图像不同,根据不同类型食材的食材图像和不同类型冰箱的内部结构图像,可以获得不同型号冰箱内部的食材识别方法,上述实施方式具有兼容性强的优势。
作为一种可选的实施例,食材图像至少包括:基于蔬菜类型的第一图像和基于肉食类型的第二图像。
作为一种可选的实施例,依据图像识别模型对图像信息进行识别,得到识别结果之后,还包括:依据识别结果中包含的食材图像对图像识别模型进行训练,获取优化后的图像识别模型。
具体地,使用图像信息中食材所在区域以及食材所属的种类对卷积神经网络模型进行训练,得到优化后的卷积神经网络,以进一步得到食材所属的种类。
在一个可选的实施例中,依据识别结果中包含的食材图像对图像识别模型进行训练,获取优化后的图像识别模型之前,方法还包括:获取训练样本,其中,训练样本包括:不同类型食材的边缘特征、纹理特征和颜色特征等,基于训练样本,对图像识别模型的卷积神经网络进行优化训练。
具体地,上述图像识别模型是通过使用预设的训练数据对卷积神经网络模型进行优化训练得到的。通过提取图像信息中包含的食材的边缘特征、纹理特征或颜色特征,对卷积神经网络进行优化训练,确定出图像信息中的食材图像所属的种类。例如,区分蔬菜和肉类,当上述食材图像包括蔬菜时,利用边缘特征识别出叶柄、叶片等信息,进一步确定蔬菜是哪一个蔬菜,例如相似度较高的小白菜、生菜、苦菊、油麦菜、莴笋叶等,当上述食材图像包括肉类时,利用纹理特征识别出肉类中相似的猪肉、牛肉、羊肉等,以提高食材辨识度。
作为一种可选的实施例,在依据识别结果,确定冰箱内部的食材之后,方法还包括:基于确定的食材,确定待推送的目标信息,其中,目标信息包括如下至少之一:菜谱、欲购买的食材、食材价格、食材购买地址、比价结果。
具体地,上述装置在确定出冰箱中现有的食材种类后,可以获取食材种类与菜谱、欲购买的食材、食材价格、食材购买地址、比价结果等的关联关系,上述关联关系可以通过网络搜索或预先存储的方式,向用户推荐需要推送的信息,即菜谱、欲购买的食材、食材价格、食材购买地址、比价结果等信息。用户在下班的时候,不用回家打开冰箱,只需打开手机,根据推送的信息,即可知道下班路上需要购买的食材种类和购买地址,即营养健康又节约时间,符合高品质和高节奏的生活,进而提高了用户体验。
在一个可选的实施例中,基于确定的食材,确定待推送的目标信息,包括通过有线或无线的方式向预设用户终端发送目标信息,或将目标消息显示在冰箱表面的显示屏上。
具体地,上述预设用户终端可以是用户的手机、ipad、笔记本等智能终端设备。
实施例2
根据本发明实施例,提供了一种识别食材的装置的实施例,图2是根据本发明实施例的识别食材的装置的示意图,如图2所示,该装置包括:
获取模块21,获取冰箱内部的图像信息。
识别模块22,依据图像识别模型对图像信息进行识别,得到识别结果,其中,图像识别模型为包含了冰箱内各种图像信息训练得到的卷积神经网络模型。
确定模块23,依据识别结果,确定冰箱内部的食材。
作为一种可选的实施例,上述识别模块包括:提取子模块,用于提取图像信息中包含的至少一个图像特征;确定子模块,用于基于图像识别模型处理至少一个图像特征,确定图像信息中的食材图像和非食材图像。
具体地,上述图像识别模型是通过使用预设的训练数据对卷积神经网络模型进行训练得到的。上述至少一个图形特征包括食材的位置特征或冰箱内部结构固有的形状特征。通过提取图像信息中包含的食材的位置特征或冰箱内部结构固有的形状特征,对卷积神经网络进行训练,从大量数据中统计学习得到待抑制图像每个像素的背景抑制量,完成灰度变换,降低背景杂波,提高目标的信噪比,从而实现欲辨识食材背景抑制,确定出图像信息中的食材图像和非食材图像,进而可以供食物识别系统针对欲识别食材进行精准识别。
作为一种可选的实施例,上述装置还包括:获取子模块,用于在依据图像识别模型对所述图像信息进行识别,得到识别结果之前,获取训练样本,其中,训练样本包括:不同类型食材的食材图像和不同类型冰箱的内部结构图像,以及训练模块,用于基于训练样本,对图像识别模型的卷积神经网络进行训练。
作为一种可选的实施例,食材图像至少包括:基于蔬菜类型的第一图像和基于肉食类型的第二图像。
作为一种可选的实施例,上述装置还包括:优化模块,用于在所述依据图像识别模型对所述图像信息进行识别,得到识别结果之后,依据识别结果中包含的食材图像对图像识别模型进行训练,获取优化后的图像识别模型。
作为一种可选的实施例,上述装置还包括:推送模块,用于在依据所述识别结果,确定所述冰箱内部的食材之后,基于确定的食材,确定待推送的目标信息,其中,目标信息包括如下至少之一:菜谱、欲购买的食材、食材价格、食材购买地址、比价结果。
具体地,上述装置在确定出冰箱中现有的食材种类后,可以获取食材种类与菜谱、欲购买的食材、食材价格、食材购买地址、比价结果等的关联关系,上述关联关系可以通过网络搜索或预先存储的方式,向用户推荐需要推送的信息,即菜谱、欲购买的食材、食材价格、食材购买地址、比价结果等信息。用户在下班的时候,不用回家打开冰箱,只需打开手机,根据推送的信息,即可知道下班路上需要购买的食材种类和购买地址,即营养健康又节约时间,符合高品质和高节奏的生活,进而提高了用户体验。
实施例3
根据本发明实施例,提供了一种冰箱,包括实施例2中的识别食材的装置。
实施例4
根据本发明实施例,提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行实施例1中的识别食材的方法。
实施例5
根据本发明实施例,提供了一种处理器,处理器用于运行程序,其中,程序运行时执行实施例1中的识别食材的方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以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。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述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。
所述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计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种识别食材的方法,其特征在于,包括:
获取冰箱内部的图像信息;
依据图像识别模型对所述图像信息进行识别,得到识别结果,其中,所述图像识别模型为包含了冰箱内各种图像信息训练得到的卷积神经网络模型;
依据所述识别结果,确定所述冰箱内部的食材。
2.根据权利要求1所述的方法,其特征在于,所述依据图像识别模型对所述图像信息进行识别,得到识别结果,包括:
提取所述图像信息中包含的至少一个图像特征;
基于所述图像识别模型处理所述至少一个图像特征,确定所述图像信息中的食材图像和非食材图像。
3.根据权利要求2所述的方法,其特征在于,在依据图像识别模型对所述图像信息进行识别,得到识别结果之前,所述方法还包括:
获取训练样本,其中,所述训练样本包括:不同类型食材的食材图像和不同类型冰箱的内部结构图像;
基于所述训练样本,对所述图像识别模型的卷积神经网络进行训练。
4.根据权利要求3所述的方法,其特征在于,所述食材图像至少包括:基于蔬菜类型的第一图像和基于肉食类型的第二图像。
5.根据权利要求3所述的方法,其特征在于,在所述依据图像识别模型对所述图像信息进行识别,得到识别结果之后,还包括:
依据所述识别结果中包含的食材图像对所述图像识别模型进行训练,获取优化后的图像识别模型。
6.根据权利要求1至5中任意一项所述的方法,其特征在于,在依据所述识别结果,确定所述冰箱内部的食材之后,所述方法还包括:
基于确定的食材,确定待推送的目标信息,其中,所述目标信息包括如下至少之一:菜谱、欲购买的食材、食材价格、食材购买地址、比价结果。
7.一种识别食材的装置,其特征在于,包括:
获取模块,获取冰箱内部的图像信息;
识别模块,依据图像识别模型对所述图像信息进行识别,得到识别结果,其中,所述图像识别模型为包含了冰箱内各种图像信息训练得到的卷积神经网络模型;
推送模块,依据所述识别结果,确定所述冰箱内部的食材。
8.一种冰箱,其特征在于,包括权利要求7所述的识别食材的装置。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至6中任意一项所述的识别食材的方法。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至6中任意一项所述的识别食材的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811141855.0A CN110969047A (zh) | 2018-09-28 | 2018-09-28 | 识别食材的方法、装置和冰箱 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811141855.0A CN110969047A (zh) | 2018-09-28 | 2018-09-28 | 识别食材的方法、装置和冰箱 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110969047A true CN110969047A (zh) | 2020-04-07 |
Family
ID=70026914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811141855.0A Pending CN110969047A (zh) | 2018-09-28 | 2018-09-28 | 识别食材的方法、装置和冰箱 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110969047A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444880A (zh) * | 2020-04-10 | 2020-07-24 | 海信集团有限公司 | 一种食材识别方法及冰箱 |
CN112426060A (zh) * | 2020-11-30 | 2021-03-02 | 广东美的厨房电器制造有限公司 | 控制方法、烹饪器具、服务器和可读存储介质 |
CN112815616A (zh) * | 2021-01-08 | 2021-05-18 | 何亚琴 | 多功能自适应式制冷系统 |
CN113465268A (zh) * | 2020-08-18 | 2021-10-01 | 青岛海信电子产业控股股份有限公司 | 一种冰箱及食材识别方法 |
CN114111203A (zh) * | 2021-11-24 | 2022-03-01 | 广西成电智能制造产业技术有限责任公司 | 食材移动识别系统、方法、设备及电路 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897661A (zh) * | 2017-01-05 | 2017-06-27 | 合肥华凌股份有限公司 | 一种食材图像的智能化识别方法、系统和家用电器 |
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 |
CN107133650A (zh) * | 2017-05-10 | 2017-09-05 | 合肥华凌股份有限公司 | 冰箱的食物识别方法、装置及冰箱 |
CN107798277A (zh) * | 2016-09-05 | 2018-03-13 | 合肥美的智能科技有限公司 | 食材识别系统和方法、食材模型训练方法、冰箱和服务器 |
CN108229379A (zh) * | 2017-12-29 | 2018-06-29 | 广东欧珀移动通信有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
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 |
-
2018
- 2018-09-28 CN CN201811141855.0A patent/CN110969047A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107798277A (zh) * | 2016-09-05 | 2018-03-13 | 合肥美的智能科技有限公司 | 食材识别系统和方法、食材模型训练方法、冰箱和服务器 |
CN106897661A (zh) * | 2017-01-05 | 2017-06-27 | 合肥华凌股份有限公司 | 一种食材图像的智能化识别方法、系统和家用电器 |
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 |
CN107133650A (zh) * | 2017-05-10 | 2017-09-05 | 合肥华凌股份有限公司 | 冰箱的食物识别方法、装置及冰箱 |
CN108229379A (zh) * | 2017-12-29 | 2018-06-29 | 广东欧珀移动通信有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
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 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444880A (zh) * | 2020-04-10 | 2020-07-24 | 海信集团有限公司 | 一种食材识别方法及冰箱 |
CN111444880B (zh) * | 2020-04-10 | 2023-10-31 | 海信集团有限公司 | 一种食材识别方法及冰箱 |
CN113465268A (zh) * | 2020-08-18 | 2021-10-01 | 青岛海信电子产业控股股份有限公司 | 一种冰箱及食材识别方法 |
CN113465268B (zh) * | 2020-08-18 | 2023-04-07 | 青岛海信电子产业控股股份有限公司 | 一种冰箱及食材识别方法 |
CN112426060A (zh) * | 2020-11-30 | 2021-03-02 | 广东美的厨房电器制造有限公司 | 控制方法、烹饪器具、服务器和可读存储介质 |
CN112815616A (zh) * | 2021-01-08 | 2021-05-18 | 何亚琴 | 多功能自适应式制冷系统 |
CN114111203A (zh) * | 2021-11-24 | 2022-03-01 | 广西成电智能制造产业技术有限责任公司 | 食材移动识别系统、方法、设备及电路 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110969047A (zh) | 识别食材的方法、装置和冰箱 | |
CN107862018B (zh) | 食材烹饪方法的推荐方法及装置 | |
CN104269003A (zh) | 一种食物识别方法、装置及系统 | |
CN111080493B (zh) | 一种菜品信息识别方法、装置及菜品自助结算系统 | |
US10733479B2 (en) | System and method for providing a recipe | |
CN110857831A (zh) | 控制冰箱温度的方法及装置 | |
CN112053428A (zh) | 一种识别食物所含营养信息的方法及装置 | |
CN108197635B (zh) | 烹饪方式的展示方法及装置、抽油烟机 | |
CN110674736A (zh) | 一种识别食材新鲜度的方法、装置、服务器及存储介质 | |
CN112329509A (zh) | 食材过期提醒方法、装置、智能冰箱和存储介质 | |
CN103886027A (zh) | 扫描可视区域获取物品信息的方法和电视 | |
CN107918798B (zh) | 食物处理方法及装置 | |
JP2020135417A (ja) | 食材又は調味料の使用量を推定する情報装置、プログラム及び方法 | |
CN112464013A (zh) | 信息的推送方法和装置、电子设备和存储介质 | |
Lee et al. | Aifood: a large scale food images dataset for ingredient recognition | |
CN111062780A (zh) | 家电推荐方法、存储介质及电子设备 | |
CN110675389A (zh) | 一种食品推荐方法、存储介质以及智能家居设备 | |
Yanai et al. | A Cooking Recipe Recommendation System with Visual Recognition of Food Ingredients. | |
JP2021513708A (ja) | 食品を分類する方法及びシステム | |
CN112184751A (zh) | 物体识别方法及系统、电子设备 | |
CN112419432A (zh) | 冰箱内食物的控制方法和装置、电子设备和存储介质 | |
CN109446915B (zh) | 一种菜品信息生成方法、装置以及电子设备 | |
CN110762943B (zh) | 物品的展示方法、装置以及家电设备 | |
CN110619371A (zh) | 一种食材烹煮时长推荐方法、存储介质和电火锅 | |
CN112508659B (zh) | 商品结算处理方法、装置及计算设备、计算机存储介质 |
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 |