CN111435455A - 图片的处理方法和装置 - Google Patents

Abstract

本发明公开了一种图片的处理方法和装置。其中，该方法包括：接收上传终端所上传的图片集，其中，图片集为多张包含了食物的食物图片；识别图片集，并对图片集中的每张食物图片进行数据标注，得到训练集和测试集，其中，数据标注包括如下至少之一：分类、画框、注释和标记；使用训练集训练神经网络模型，其中，神经网络模型用于自动识别食物图片中的食物类型，并使用测试集来校正神经网络模型的准确率。本发明解决了现有技术基于识别到的谷物进行烹饪处理的过程中，由于识别谷物的结果不准确，导致确定的烹饪模式不准确的技术问题。

Description

图片的处理方法和装置

技术领域

本发明涉及图片处理领域，具体而言，涉及一种图片的处理方法和装置。

背景技术

人工智能(Artificial Intelligence)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。其通过了解智能的本质，并生产一种新的能以人类智能想死的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。而在人工智能领域中，数据是不可获取的，可原生的数据往往无法使用，所以需要进行数据标注。

在食物识别的领域，尤其在大米识别这一领域，有关于大米图片的数据标注非常稀少，因此难以得到大量的训练数据，进而难以得到准确的识别模型。如果采取人工标注的方式，又会导致成本较高。

针对现有技术基于识别到的谷物进行烹饪处理的过程中，由于识别谷物的结果不准确，导致确定的烹饪模式不准确的问题，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一种图片的处理方法和装置，以至少解决现有技术基于识别到的谷物进行烹饪处理的过程中，由于识别谷物的结果不准确，导致确定的烹饪模式不准确的技术问题。

根据本发明实施例的一个方面，提供了一种图片的处理方法，包括：接收上传终端所上传的图片集，其中，图片集为多张包含了食物的食物图片；识别图片集，并对图片集中的每张食物图片进行数据标注，得到训练集和测试集，其中，数据标注包括如下至少之一：分类、画框、注释和标记；使用训练集训练神经网络模型，其中，神经网络模型用于自动识别食物图片中的食物类型，并使用测试集来校正神经网络模型的准确率。

进一步地，在识别出食物图片的食物类型的情况下，基于食物类型确定食物的特征值，并基于食物的特征值生成返回给上传终端的烹饪模式，其中，通过烹饪曲线来表征烹饪模式中不同阶段的烹饪功能。

进一步地，在接收上传终端所上传的图片集之前，上传终端显示上传界面，其中，上传界面包括：提示上传食物图片的上传控件、提示输入食物属性的控件；上传终端显示与上传界面上传的食物图片所对应的烹饪模式。

进一步地，方法还包括：在上传终端的上传行为满足预定条件的情况下，上传终端显示激励信息，其中，预定条件包括如下至少之一：超过预定数量的食物图片、上传食物图片的次数超过预定次数和上传食物图片的频率超过预定频率。

进一步地，在识别图片集之后，对食物图片进行视觉处理，得到食物图片中食物的至少一个特征值；基于至少一个特征值，初步识别出食物图片中的食物类型；校验食物图片中的食物类型，在校验成功的情况下，执行对图片集中的每张食物图片进行数据标注的步骤。

进一步地，通过校验食物图片中食物的至少一个特征值是否超过预定阈值，如果超过，则确定校验食物类型成功。

进一步地，方法还包括：通过神经网络模型自动识别食物图片中的食物类型，其中，使用神经网络模型提取每张食物图片中包含的食物的图像特征；基于每张食物图片中包含的食物的图像特征获取食物类型。

进一步地，通过神经网络模型的卷积层中的每个卷积核扫描每张食物图片，得到每张食物图片所包含的食物的特征图层；通过神经网络模型的池化层对每张食物图片所包含的食物的特征图层进行去冗余处理；通过神经网络模型的至少一个全连接层将去冗余处理后的多个特征图层进行转换，得到食物的图像特征。

进一步地，基于每张食物图片中包含的食物的图像特征确定食物类型，包括：通过神经网络模型的softmax层分析食物的图像特征，得到食物类型，其中，食物类型包括：食物的种类和特征参数。

根据本发明实施例的一个方面，提供了一种图片的处理装置，包括：接收模块，用于接收上传终端所上传的图片集，其中，图片集为多张包含了食物的食物图片；第一识别模块，用于识别图片集，并对图片集中的每张食物图片进行数据标注，得到训练集和测试集，其中，数据标注包括如下至少之一：分类、画框、注释和标记；训练模块，用于使用训练集训练神经网络模型，其中，神经网络模型用于自动识别食物图片中的食物类型，并使用测试集来校正神经网络模型的准确率。

进一步地，在识别出食物图片的食物类型的情况下，基于食物类型确定食物的特征值，并基于食物的特征值生成返回给上传终端的烹饪模式，其中，通过烹饪曲线来表征烹饪模式中不同阶段的烹饪功能。

进一步地，装置还包括：上传模块，用于在接收上传终端所上传的图片集之前，上传终端显示上传界面，其中，上传界面包括：提示上传食物图片的上传控件、提示输入食物属性的控件；第一显示模块，用于上传终端显示与上传界面上传的食物图片所对应的烹饪模式。

进一步地，装置还包括：第二显示模块，用于在上传终端的上传行为满足预定条件的情况下，上传终端显示激励信息，其中，预定条件包括如下至少之一：超过预定数量的食物图片、上传食物图片的次数超过预定次数和上传食物图片的频率超过预定频率。

进一步地，装置还包括：处理模块，用于在识别图片集之后，对食物图片进行视觉处理，得到食物图片中食物的至少一个特征值；第二识别模块，用于基于至少一个特征值，初步识别出食物图片中的食物类型；校验模块，用于校验食物图片中的食物类型，在校验成功的情况下，执行对图片集中的每张食物图片进行数据标注的步骤。

进一步地，通过校验食物图片中食物的至少一个特征值是否超过预定阈值，如果超过，则确定校验食物类型成功。

进一步地，装置还包括：第三识别模块，用于通过神经网络模型自动识别食物图片中的食物类型，其中，第三识别模块包括：提取子模块，用于使用神经网络模型提取每张食物图片中包含的食物的图像特征；获取子模块，用于基于每张食物图片中包含的食物的图像特征获取食物类型。

进一步地，提取子模块包括：扫描单元，用于通过神经网络模型的卷积层中的每个卷积核扫描每张食物图片，得到每张食物图片所包含的食物的特征图层；处理单元，用于通过神经网络模型的池化层对每张食物图片所包含的食物的特征图层进行去冗余处理；转换单元，用于通过神经网络模型的至少一个全连接层将去冗余处理后的多个特征图层进行转换，得到食物的图像特征。

进一步地，获取子模块包括：分析单元，用于通过神经网络模型的softmax层分析食物的图像特征，得到食物类型，其中，食物类型包括：食物的种类和特征参数。

根据本发明实施例的一个方面，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的图片的处理方法。

根据本发明实施例的一个方面，提供了一种处理器，处理器用于运行程序，其中，程序运行时执行的图片的处理方法。

在本发明实施例中，接收上传终端所上传的图片集，其中，图片集为多张包含了食物的食物图片；识别图片集，并对图片集中的每张食物图片进行数据标注，得到训练集和测试集，其中，数据标注包括如下至少之一：分类、画框、注释和标记；使用训练集训练神经网络模型，其中，神经网络模型用于自动识别食物图片中的食物类型，并使用测试集来校正神经网络模型的准确率。上述方案通过用户上传的图片集进行数据标注，从而获取了充足的的训练集和数据集，进而能够训练得到准确度较高的识别模型，进而解决了现有技术基于识别到的谷物进行烹饪处理的过程中，由于识别谷物的结果不准确，导致确定的烹饪模式不准确的技术问题。

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是根据本申请实施例的一种图片的处理方法的流程图；

图2是根据本申请实施例的一种用户上传图片集合时上传终端的显示界面；

图3是根据本申请实施例的一种上传终端显示烹饪模式的示意图；

图4是根据本申请实施例的一种用户操作的示意图；

图5是根据本申请实施例的一种后台处理食物图片的示意图；以及

图6是根据本申请实施例的一种图片的处理装置的示意图。

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，提供了一种图片的处理方法的实施例，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是根据本申请实施例的一种图片的处理方法的流程图，如图1所示，该方法包括如下步骤：

步骤S102，接收上传终端所上传的图片集，其中，所述图片集为多张包含了食物的食物图片。

具体的，上述上传终端可以是用户的智能终端，例如：智能手机、平板电脑等，上传终端可以在预定的应用程序中上传包含食物的图片。上述食物图片可以为食物本身的图片，也可以为食物外包装的图片。上述食物可以是谷物，尤其是大米。

在一种可选的实施例中，可以通过预设的应用程序让用户进行上传食物图片，后台将经过处理的图片存入数据库中，并对数据进行标注以及分类存储。

步骤S104，识别所述图片集，并对所述图片集中的每张食物图片进行数据标注，得到训练集和测试集，其中，所述数据标注包括如下至少之一：分类、画框、注释和标记。

具体的，分类标注即为打标签，即从预设的标签中选择数据对应的标签，在上述实施例中，可以设置预设的食物类型，并从预设的食物类型中选择图片中的食物对应的类型，从而对图片进行分类。

画框标注即为在图片中首先选定需要标记的对象，再对图片进行标记，在上述实施例中，需要首先从图片中确定食物所在区域，再对区域内的食物进行标记。

注释标注可以包括文字注释或语音注释，用于对被标注的对象添加描述信息，在上述实施例中，可以对图片中的食物添加文字或语音的描述信息。

标记标注即为对数据进行标记，以从多种数据中选择出设定的特殊数据，在上述实施例中，可以是从图片中选择出预设类型的食物进行标注。

在上述方案中，用户通过上传终端不仅上传了图片集，还上传了食物图片所包含的食物的属性信息，食物的属性信息可以包括食物的类型等信息。在上述方案中，识别图片集可以是从用户通过上传终端上传的食物的属性信息中提取得到的信息。在从用户上传的信息中提取出食物的属性信息后，根据提取结果对图片进行标记。将标记过的图片按照预设比例分类，从而得到训练集和测试集。

在一种可选的实施例中，用户上传了1000张标注着“泰国大米”的图片，那么在对这1000张图片进行标注后，可以选择其中900张作为训练集，100张做作为测试集。机器从900张训练集的图片中学习得到一个模型，然后将100张机器没有见过的测试集图片输入至机器使其识别，从而能够得到整个模型的准确率。

步骤S106，使用所述训练集训练神经网络模型，其中，所述神经网络模型用于自动识别食物图片中的食物类型，并使用测试集来校正所述神经网络模型的准确率。

由上可知，本申请上述实施例接收上传终端所上传的图片集，其中，所述图片集为多张包含了食物的食物图片；识别所述图片集，并对所述图片集中的每张食物图片进行数据标注，得到训练集和测试集，其中，所述数据标注包括如下至少之一：分类、画框、注释和标记；使用所述训练集训练神经网络模型，其中，所述神经网络模型用于自动识别食物图片中的食物类型，并使用测试集来校正所述神经网络模型的准确率。上述方案通过用户上传的图片集进行数据标注，从而获取了充足的训练集和数据集，进而能够训练得到准确度较高的识别模型，进而解决了现有技术基于识别到的谷物进行烹饪处理的过程中，由于识别谷物的结果不准确，导致确定的烹饪模式不准确的技术问题。

作为一种可选的实施例，在识别出所述食物图片的食物类型的情况下，基于所述食物类型确定食物的特征值，并基于所述食物的特征值生成返回给所述上传终端的烹饪模式，其中，通过烹饪曲线来表征所述烹饪模式中不同阶段的烹饪功能。

上述特征值可以是食物的属性特征，也可以是食物的图像特征，仍以食物为大米为了，根据大米的类型确定大米的吸水性等特征，进而确定与大米相对应的烹饪模式。例如：根据大米的类型确定大米对应的烹饪模式为“蒸饭”，因此可以将“蒸饭”对应的烹饪模式返回给上传终端。

作为一种可选的实施例，在接收上传终端所上传的图片集之前，所述方法还包括：所述上传终端显示上传界面，其中，所述上传界面包括：提示上传食物图片的上传控件、提示输入食物属性的控件；所述上传终端显示与所述上传界面上传的食物图片所对应的烹饪模式。

具体的，上传控件用于在被触发时，启动上传图像的功能，提示输入食物属性的控件可以是待填写区域，食物属性可以包括食物的类型、品牌等属性信息。以大米为例，上述方案中，用户可以上传大米的图片，并可以有选择的输入米种，后台对图片进行视觉处理，得到米的特征值，并给出烹饪曲线。

图2是根据本申请实施例的一种用户上传图片集合时上传终端的显示界面，结合图2所示，在该实施例中，“拍照”上方的图标用于表示提示上传食物图片的上传控件，下方的待填写区域即为提示输入食物属性的控件。用户可以通过拍照或从上传终端的相册中选择图片的方式上传食物图片，并在待填写区域填写食物的属性信息，在该示例中，食物的属性信息为泰国香米。

在用户上传食物图片后，系统提取实物的特征值，从而确定食物的烹饪模式，并将烹饪模式中的烹饪曲线返回至上传终端，上传终端则会显示其所上传的食物图片中的食物所对应的烹饪模式。

图3是根据本申请实施例的一种上传终端显示烹饪模式的示意图，烹饪模式包括烹饪曲线，烹饪曲线用于表示食物在该烹饪模式下的烹饪功能。在图3的示例中，在“蒸饭”这一烹饪模式下，包括如下几个烹饪阶段：泡米、升温、沸腾、焖饭以及保温，不同烹饪阶段的温度随着不同的烹饪阶段而变化。

图4是根据本申请实施例的一种用户操作的示意图，结合图4所述，以用户上传大米图片为例，用户操作上传终端，选择图片上传，并输入米的米种后，图片和米种信息上传至后台，后台根据图片和米种确定烹饪曲线，并将烹饪曲线返回至上传终端，用户即获取到烹饪曲线。

作为一种可选的实施例，所述方法还包括：在所述上传终端的上传行为满足预定条件的情况下，所述上传终端显示激励信息，其中，所述预定条件包括如下至少之一：超过预定数量的食物图片、上传食物图片的次数超过预定次数和上传食物图片的频率超过预定频率。

上述激励信息用于激励用户上传更多的食物图片，从而能够构建更多的训练集和测试集。上述激励信息可以为购买食物的优惠券、代金券或免费领取的凭证等信息。上述方案通过为满足预定条件的用户提供激励政策，从而获得更好的用户交互，保证数据的优质来源。

在一种可选的实施例中，可以检测每个账号上传食物图片的数量，并在检测到任意账号上传的食物图片的数量超过100张的情况下，为该账号分发激励信息，激励信息可以包括：在电商平台上购买食物的优惠券、代金券或免费领取的凭证等信息，也可以是直接获取该账号用户的地址信息，并将食物邮寄至用户指定的地址。

在另一种可选的实施例中，还可以检测每个账号上传食物图片的次数，如果检测到任意账号提供50次以上正确图片，则向该账号分发激励信息。

在又一种可选的实施例中，还可以检测账号上传食物图片的频率，如果检测到任意账号上传食物图片的频率高于2次/日，则为该账号分发激励信息。

作为一种可选的实施例，在识别所述图片集之后，上述方法还包括：对所述食物图片进行视觉处理，得到所述食物图片中食物的至少一个特征值；基于所述至少一个特征值，初步识别出所述食物图片中的食物类型；校验所述食物图片中的食物类型，在校验成功的情况下，执行对所述图片集中的每张食物图片进行数据标注的步骤。

上述视觉处理用于对食物图片中的食物种类进行初步判断，在一种可选的实施例中，可以通过对食物图片进行特征提取的方式，得到食物的至少一个特征，并根据食物的至少一个特征确定食物的类型。然后基于初步的识别结果对食物类型进行校验，如果初步识别结果与用户上传的结果相同，则可以确定校验成功，并执行对食物图片进行标注的步骤，例如，以食物为大米为例，用户上传的食物属性为“泰国大米”，对食物图片进行初始识别后，如果得到的结果也为食物的类型为“泰国大米”，或“大米”，则确定校验成功。

作为一种可选的实施例，通过校验所述食物图片中食物的至少一个特征值是否超过预定阈值，如果超过，则确定校验所述食物类型成功。

上述预定阈值用于对至少一个特征值进行校验，如果至少一个特征值未超过预定阈值，则难以根据该特征值确定食物类型，因此校验失败，如果至少一个特征值超过预定阈值，则可以根据该特征值确定食物类型，则校验成功。

作为一种可选的实施例，所述方法还包括：通过所述神经网络模型自动识别食物图片中的食物类型，其中，通过所述神经网络模型自动识别食物图片中的食物类型的步骤包括：使用所述神经网络模型提取每张食物图片中包含的食物的图像特征；基于每张食物图片中包含的食物的图像特征获取所述食物类型。

上述神经网络模型通过获取的训练集和测试集进行训练得到，因此能够准确于此图片中食物的类型。在上述步骤中，神经网络模型通过提取图像特征对图片中的食物的食物类型进行判断。

作为一种可选的实施例，使用所述神经网络模型提取每张食物图片中包含的食物的图像特征，包括：通过所述神经网络模型的卷积层中的每个卷积核扫描每张食物图片，得到每张食物图片所包含的食物的特征图层；通过所述神经网络模型的池化层对所述每张食物图片所包含的食物的特征图层进行去冗余处理；通过所述神经网络模型的至少一个全连接层将所述去冗余处理后的多个特征图层进行转换，得到所述食物的图像特征。

卷积神经网络属于有监督的学习算法，是深度神经网络中的一种特殊情况，相比于深度人工神经网络具有权值数量少、训练速度快等优点。

卷积神经网络主要由如下几个部分组成，分别是输入层(Input Layer)、卷基层(Convolutional Layer)、池化层(Pooling Layer)、全连接层(Fully Connected Layer)和输出层(Output Layer)。其中，输入层和输出层只有一层，卷基层和池化层可以有多层。通过卷积神经网络的卷积层中的每个卷积核扫描食物图像，得到食物的特征图层；通过卷积神经网络的池化层对食物的特征图层进行去冗余处理；通过卷积神经网络的至少一个全连接层将去冗余处理后的多个特征图层进行转换，得到食物的图像特征。

作为一种可选的实施例，基于每张食物图片中包含的食物的图像特征确定所述食物类型，包括：通过所述神经网络模型的softmax层分析所述食物的图像特征，得到所述食物类型，其中，所述食物类型包括：食物的种类和特征参数。

在上述方案中，神经网络模型的输出层包括softmax层，用于根据图像特征得到食物类型。

实施例2

根据本发明实施例，提供了一种用于实施例上述图片的处理方法的图片的处理装置，图6是根据本申请实施例的一种图片的处理装置的示意图，如图6所示，该装置包括：

接收模块60，用于接收上传终端所上传的图片集，其中，所述图片集为多张包含了食物的食物图片。

第一识别模块62，用于识别所述图片集，并对所述图片集中的每张食物图片进行数据标注，得到训练集和测试集，其中，所述数据标注包括如下至少之一：分类、画框、注释和标记。

训练模块64，用于使用所述训练集训练神经网络模型，其中，所述神经网络模型用于自动识别食物图片中的食物类型，并使用测试集来校正所述神经网络模型的准确率。

作为一种可选的实施例，在识别出所述食物图片的食物类型的情况下，基于所述食物类型确定食物的特征值，并基于所述食物的特征值生成返回给所述上传终端的烹饪模式，其中，通过烹饪曲线来表征所述烹饪模式中不同阶段的烹饪功能。

作为一种可选的实施例，所述装置还包括：上传模块，用于在接收上传终端所上传的图片集之前，所述上传终端显示上传界面，其中，所述上传界面包括：提示上传食物图片的上传控件、提示输入食物属性的控件；第一显示模块，用于所述上传终端显示与所述上传界面上传的食物图片所对应的烹饪模式。

作为一种可选的实施例，所述装置还包括：第二显示模块，用于在所述上传终端的上传行为满足预定条件的情况下，所述上传终端显示激励信息，其中，所述预定条件包括如下至少之一：超过预定数量的食物图片、上传食物图片的次数超过预定次数和上传食物图片的频率超过预定频率。

作为一种可选的实施例，所述装置还包括：处理模块，用于在识别所述图片集之后，对所述食物图片进行视觉处理，得到所述食物图片中食物的至少一个特征值；第二识别模块，用于基于所述至少一个特征值，初步识别出所述食物图片中的食物类型；校验模块，用于校验所述食物图片中的食物类型，在校验成功的情况下，执行对所述图片集中的每张食物图片进行数据标注的步骤。

作为一种可选的实施例，通过校验所述食物图片中食物的至少一个特征值是否超过预定阈值，如果超过，则确定校验所述食物类型成功。

作为一种可选的实施例，所述装置还包括：第三识别模块，用于通过所述神经网络模型自动识别食物图片中的食物类型，其中，所述第三识别模块包括：提取子模块，用于使用所述神经网络模型提取每张食物图片中包含的食物的图像特征；获取子模块，用于基于每张食物图片中包含的食物的图像特征获取所述食物类型。

作为一种可选的实施例，所述提取子模块包括：扫描单元，用于通过所述神经网络模型的卷积层中的每个卷积核扫描每张食物图片，得到每张食物图片所包含的食物的特征图层；处理单元，用于通过所述神经网络模型的池化层对所述每张食物图片所包含的食物的特征图层进行去冗余处理；转换单元，用于通过所述神经网络模型的至少一个全连接层将所述去冗余处理后的多个特征图层进行转换，得到所述食物的图像特征。

作为一种可选的实施例，所述获取子模块包括：分析单元，用于通过所述神经网络模型的softmax层分析所述食物的图像特征，得到所述食物类型，其中，所述食物类型包括：食物的种类和特征参数。

图5是根据本申请实施例的一种后台处理食物图片的示意图，结合图5所示，后台首先获得用户上传的大米图片数据，并对大米图片数据进行数据特征处理，得到大米特征值。基于大米特征值进行特征判断，从而确定大米的种类，即获取到数据米种。再将基于图片特征确定的米种与用户上传的米种进行比对，以对基于特征确定的米种进行校验，在校验通过或对图片进行标注，并进行后台存储。

实施例3

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，在所述程序运行时控制所述存储介质所在设备执行实施例1所述的图片的处理方法。

实施例4

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，所述程序运行时执行实施例1所述的图片的处理方法。

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 (20)

1.一种图片的处理方法，其特征在于，包括：

接收上传终端所上传的图片集，其中，所述图片集为多张包含了食物的食物图片；

识别所述图片集，并对所述图片集中的每张食物图片进行数据标注，得到训练集和测试集，其中，所述数据标注包括如下至少之一：分类、画框、注释和标记；

使用所述训练集训练神经网络模型，其中，所述神经网络模型用于自动识别食物图片中的食物类型，并使用测试集来校正所述神经网络模型的准确率。

2.根据权利要求1所述的方法，其特征在于，在识别出所述食物图片的食物类型的情况下，基于所述食物类型确定食物的特征值，并基于所述食物的特征值生成返回给所述上传终端的烹饪模式，其中，通过烹饪曲线来表征所述烹饪模式中不同阶段的烹饪功能。

3.根据权利要求2所述的方法，其特征在于，在接收上传终端所上传的图片集之前，所述方法还包括：

所述上传终端显示上传界面，其中，所述上传界面包括：提示上传食物图片的上传控件、提示输入食物属性的控件；

所述上传终端显示与所述上传界面上传的食物图片所对应的烹饪模式。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：在所述上传终端的上传行为满足预定条件的情况下，所述上传终端显示激励信息，其中，所述预定条件包括如下至少之一：超过预定数量的食物图片、上传食物图片的次数超过预定次数和上传食物图片的频率超过预定频率。

5.根据权利要求1至4中任意一项所述的方法，其特征在于，在识别所述图片集之后，所述方法还包括：

对所述食物图片进行视觉处理，得到所述食物图片中食物的至少一个特征值；

基于所述至少一个特征值，初步识别出所述食物图片中的食物类型；

校验所述食物图片中的食物类型，在校验成功的情况下，执行对所述图片集中的每张食物图片进行数据标注的步骤。

6.根据权利要求5所述的方法，其特征在于，通过校验所述食物图片中食物的至少一个特征值是否超过预定阈值，如果超过，则确定校验所述食物类型成功。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：通过所述神经网络模型自动识别食物图片中的食物类型，其中，

通过所述神经网络模型自动识别食物图片中的食物类型的步骤包括：

使用所述神经网络模型提取每张食物图片中包含的食物的图像特征；

基于每张食物图片中包含的食物的图像特征获取所述食物类型。

8.根据权利要求7所述的方法，其特征在于，使用所述神经网络模型提取每张食物图片中包含的食物的图像特征，包括：

通过所述神经网络模型的卷积层中的每个卷积核扫描每张食物图片，得到每张食物图片所包含的食物的特征图层；

通过所述神经网络模型的池化层对所述每张食物图片所包含的食物的特征图层进行去冗余处理；

通过所述神经网络模型的至少一个全连接层将所述去冗余处理后的多个特征图层进行转换，得到所述食物的图像特征。

9.根据权利要求8所述的方法，其特征在于，基于每张食物图片中包含的食物的图像特征确定所述食物类型，包括：通过所述神经网络模型的softmax层分析所述食物的图像特征，得到所述食物类型，其中，所述食物类型包括：食物的种类和特征参数。

10.一种图片的处理装置，其特征在于，包括：

接收模块，用于接收上传终端所上传的图片集，其中，所述图片集为多张包含了食物的食物图片；

第一识别模块，用于识别所述图片集，并对所述图片集中的每张食物图片进行数据标注，得到训练集和测试集，其中，所述数据标注包括如下至少之一：分类、画框、注释和标记；

训练模块，用于使用所述训练集训练神经网络模型，其中，所述神经网络模型用于自动识别食物图片中的食物类型，并使用测试集来校正所述神经网络模型的准确率。

11.根据权利要求10所述的装置，其特征在于，在识别出所述食物图片的食物类型的情况下，基于所述食物类型确定食物的特征值，并基于所述食物的特征值生成返回给所述上传终端的烹饪模式，其中，通过烹饪曲线来表征所述烹饪模式中不同阶段的烹饪功能。

12.根据权利要求11所述的装置，其特征在于，所述装置还包括：

上传模块，用于在接收上传终端所上传的图片集之前，所述上传终端显示上传界面，其中，所述上传界面包括：提示上传食物图片的上传控件、提示输入食物属性的控件；

第一显示模块，用于所述上传终端显示与所述上传界面上传的食物图片所对应的烹饪模式。

13.根据权利要求12所述的装置，其特征在于，所述装置还包括：第二显示模块，用于在所述上传终端的上传行为满足预定条件的情况下，所述上传终端显示激励信息，其中，所述预定条件包括如下至少之一：超过预定数量的食物图片、上传食物图片的次数超过预定次数和上传食物图片的频率超过预定频率。

14.根据权利要求10至13中任意一项所述的装置，其特征在于，所述装置还包括：

处理模块，用于在识别所述图片集之后，对所述食物图片进行视觉处理，得到所述食物图片中食物的至少一个特征值；

第二识别模块，用于基于所述至少一个特征值，初步识别出所述食物图片中的食物类型；

校验模块，用于校验所述食物图片中的食物类型，在校验成功的情况下，执行对所述图片集中的每张食物图片进行数据标注的步骤。

15.根据权利要求14所述的装置，其特征在于，通过校验所述食物图片中食物的至少一个特征值是否超过预定阈值，如果超过，则确定校验所述食物类型成功。

16.根据权利要求10所述的装置，其特征在于，所述装置还包括：第三识别模块，用于通过所述神经网络模型自动识别食物图片中的食物类型，其中，所述第三识别模块包括：

提取子模块，用于使用所述神经网络模型提取每张食物图片中包含的食物的图像特征；

获取子模块，用于基于每张食物图片中包含的食物的图像特征获取所述食物类型。

17.根据权利要求16所述的装置，其特征在于，所述提取子模块包括：

扫描单元，用于通过所述神经网络模型的卷积层中的每个卷积核扫描每张食物图片，得到每张食物图片所包含的食物的特征图层；

处理单元，用于通过所述神经网络模型的池化层对所述每张食物图片所包含的食物的特征图层进行去冗余处理；

转换单元，用于通过所述神经网络模型的至少一个全连接层将所述去冗余处理后的多个特征图层进行转换，得到所述食物的图像特征。

18.根据权利要求17所述的装置，其特征在于，所述获取子模块包括：分析单元，用于通过所述神经网络模型的softmax层分析所述食物的图像特征，得到所述食物类型，其中，所述食物类型包括：食物的种类和特征参数。

19.一种存储介质，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9中任意一项所述的图片的处理方法。

20.一种处理器，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9中任意一项所述的图片的处理方法。

Images