CN111522848A - 处理菜品数据的方法、装置、计算机设备和存储介质 - Google Patents
处理菜品数据的方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111522848A CN111522848A CN202010318646.XA CN202010318646A CN111522848A CN 111522848 A CN111522848 A CN 111522848A CN 202010318646 A CN202010318646 A CN 202010318646A CN 111522848 A CN111522848 A CN 111522848A
- Authority
- CN
- China
- Prior art keywords
- dish
- dishes
- information
- picture
- pushed
- 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
- 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
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24553—Query execution of query operations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及一种处理菜品数据的方法、装置、计算机设备和存储介质。所述方法包括：获取预设膳食信息；获取菜品图片，所述菜品图片为用户烹饪过程中采集所得；提取所述菜品图片中的特征参数，识别所述特征参数对应的菜品信息；根据所述预设膳食信息和所述菜品信息，在菜品数据库中筛选待推送菜品。通过采集用户烹饪过程中的菜品图片，综合用户上传的预设膳食信息，确定用户的口味偏好和菜品的喜好类型，为用户推荐满足用户自身情况的菜品。
Description
技术领域
本申请涉及信息技术领域，尤其涉及一种处理菜品数据的方法、装置、计算机设备和存储介质。
背景技术
现如今人们的生活水平不断提升，人们对衣食住行的要求越来越高。所谓民以食为天，食已经被我们放在了一个十分重要的位置，如今社会上的年轻一代不会做饭的人越来越多，通常按照菜谱书或菜谱软件进行烹饪，无法对烹饪好的菜品进行评估，无法帮助用户烹饪出符合自己口感的菜品。并且当下人们越发重视饮食的营养成分含量和热量情况，按照菜谱烹饪无法使人们得知菜品中的营养成分含量和热量情况，也无法按照用户自身情况选择合适的菜品。
发明内容
为了解决无法为用户推荐满足指定需求的菜品的技术问题，本申请提供了一种处理菜品数据的方法、装置、计算机设备和存储介质。
第一方面，本实施例提供了一种处理菜品数据的方法，包括：
获取预设膳食信息；
获取菜品图片，所述菜品图片为用户烹饪过程中采集所得；
提取所述菜品图片中的特征参数，识别所述特征参数对应的菜品信息；
根据所述预设膳食信息和所述菜品信息，在菜品数据库中筛选待推送菜品。
可选地，所述根据所述预设膳食信息和所述菜品信息，在菜品数据库中筛选待推送菜品，包括：
从所述菜品数据库中，筛选出与所述预设膳食信息的匹配度满足第一预设匹配度区间的菜品，作为第一候选待推送菜品；
从所述第一候选待推送菜品中，筛选出与所述菜品信息的匹配度满足第二预设匹配度区间的菜品，作为所述待推送菜品。
可选地，所述根据所述预设膳食信息和所述菜品信息，在菜品数据库中筛选待推送菜品，包括：
从所述菜品数据库中，筛选出与所述菜品信息的匹配度满足第三预设匹配度区间的菜品，作为第二候选待推送菜品；
从所述第二候选待推送菜品中，筛选出与所述菜品信息的匹配度满足第四预设匹配度区间的菜品，作为所述待推送菜品。
可选地，所述方法还包括：
在菜品数据库中，筛选与所述菜品图片匹配度最高的菜品作为标准菜品；
根据所述标准菜品与所述菜品图片之间的匹配度，得到所述标准菜品与所述菜品图片之间的差异信息，并根据所述差异信息生成建议信息。
可选地，所述方法还包括：
在多个目标菜品中，筛选与所述菜品图片匹配度最高的菜品作为标准菜品；
根据所述标准菜品与所述菜品图片之间的匹配度，得到所述标准菜品与所述菜品图片之间的差异信息，并根据所述差异信息生成建议信息。
可选地，所述提取所述菜品图片中的特征参数，对提取出的全部特征参数进行特征分类，得到菜品图片对应的菜品信息，包括：
将所述菜品图片分割为多个超像素区域；
提取每个所述超像素区域中的特征参数；
根据神经网络模型对所述菜品图片中的特征参数进行识别分类，得到所述菜品图片对应的菜品信息。
可选地，所述方法还包括：
获取时令节气信息；
从菜品数据库中筛选出与所述时令节气信息对应的时令菜品；
所述根据所述预设膳食信息和所述菜品信息，在菜品数据库中筛选出待推送菜品，包括：根据所述预设膳食信息和所述菜品信息，在时令菜品中筛选出待推送菜品。
第二方面，本实施例提供了一种处理菜品数据的装置，所述装置包括：
预设信息获取模块，用于获取预设膳食信息；
图片获取模块，用于获取菜品图片，所述菜品图片为用户烹饪过程中采集所得；
特征识别模块，用于提取所述菜品图片中的特征参数，识别所述特征参数对应的菜品信息；
目标确定模块，用于根据所述预设膳食信息和所述菜品信息，在菜品数据库中筛选待推送菜品。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取预设膳食信息；
获取菜品图片，所述菜品图片为用户烹饪过程中采集所得；
提取所述菜品图片中的特征参数，识别所述特征参数对应的菜品信息；
根据所述预设膳食信息和所述菜品信息，在菜品数据库中筛选待推送菜品。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取预设膳食信息；
获取菜品图片，所述菜品图片为用户烹饪过程中采集所得；
提取所述菜品图片中的特征参数，识别所述特征参数对应的菜品信息；
根据所述预设膳食信息和所述菜品信息，在菜品数据库中筛选待推送菜品。
上述处理菜品数据的方法、装置、计算机设备和存储介质，所述方法包括：获取预设膳食信息；获取菜品图片，所述菜品图片为用户烹饪过程中采集所得；提取所述菜品图片中的特征参数，识别所述特征参数对应的菜品信息；根据所述预设膳食信息和所述菜品信息，在菜品数据库中筛选待推送菜品。通过采集用户烹饪过程中的菜品图片，综合用户上传的预设膳食信息，确定用户的口味偏好和菜品的喜好类型，为用户推荐满足用户自身情况的菜品。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为一个实施例中处理菜品数据的方法的应用环境图；
图2为一个实施例中处理菜品数据的方法的流程示意图；
图3为一个实施例中处理菜品数据的装置的结构框图；
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1为一个实施例中处理菜品数据的方法的应用环境图。参照图1，该处理菜品数据的方法应用于处理菜品数据的系统。该处理菜品数据的系统包括终端110和服务器120。服务器120获取终端110上传的预设膳食信息和菜品图片，提取菜品图片中的特征参数，识别特征参数对应的菜品信息，根据预设膳食信息和菜品信息，在菜品数据库中筛选待推送菜品，将待推送菜品发送至终端110。
终端110和服务器120通过网络连接。终端110具体可以是台式终端或移动终端，移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，图2为一个实施例中处理菜品数据的方法的流程示意图，参照图2，提供了一种处理菜品数据的方法。本实施例主要以该方法应用于上述图1中的终端110(或服务器120)来举例说明，该处理菜品数据的方法具体包括如下步骤：
步骤S210，获取预设膳食信息。
在本实施例中，预设膳食信息为用户根据自身情况上传的膳食信息，其中，预设膳食信息可以具体包括营养成分含量、热量、摄入量和口味偏好，口味偏好可以具体包括偏好辣、偏好咸、偏好清淡、适中等等，口味偏好也可以为菜系种类，如偏好辣对应川菜、湘菜等。
步骤S220，获取菜品图片，菜品图片为用户烹饪过程中采集所得。
在本实施例中，菜品图片的采集过程可以具体包括：通过设置在排油烟机上的摄像头，实时采集用户烹饪过程中的菜品图片；也可以通过用户自行拍照上传。
步骤S230，提取菜品图片中的特征参数，识别特征参数对应的菜品信息。
在本实施例中，其中特征参数包括颜色特征、纹理特征、形状特征和空间关系特征，提取图像特征的方法对应包括：基于颜色特征的提取方法、基于纹理特征的提取方法、基于形状特征的提取方法和基于空间关系的特征提取方法。其中，基于颜色特征的提取方法包括颜色直方图、颜色集、颜色矩、颜色聚合向量和颜色相关图等。基于纹理特征的提取方法包括基于统计的灰度共生矩阵和能量谱函数法、几何法、模型法和信号处理法等。基于形状特征的提取方法包括边界特征法、几何参数法和傅里叶形状描述符法等。基于空间关系的特征提取方法包括基于模型的姿态估计方法或基于学习的姿态估计方法等。
对菜品图片进行基于上述至少一种特征识别后，得到菜品图片对应的识别结果，例如识别结果包括菜品图片对应的食材种类、食材颜色的分布情况和食材体积，根据所述识别结果进行计算得到菜品信息，菜品信息为菜品图片对应的饮食参数信息，即菜品图片对应的营养成分含量、热量、摄入量和口味偏好等。
步骤S240，根据预设膳食信息和菜品信息，在菜品数据库中筛选待推送菜品。
在本实施例中，根据用户上传的菜品图片，计算每道菜热量、营养成分含量，从而确定用户每天摄入的热量和营养成分含量，对菜品图片及其对应的菜品信息进行数据存储，使用户可以查看每日、每周、每月的热量摄入情况、饮食成分、营养价值，据此来合理控制热量、设计膳食计划，上传适合自身情况的预设膳食信息，根据用户上传的预设膳食信息在菜品数据库中筛选相关待推送菜品，为保证用户的健康，可结合膳食宝塔进行健康菜品搭配筛选，完成合理控制摄入量的目标。菜品数据库中可以具体包括多位厨师的完成菜品，或/和其他用户的完成菜品，或/和用户自己的完成菜品。将待推送菜品推送至用户，帮助用户烹饪出符合自己口感的菜品，提升用户的生活质量。
例如用户想要减肥，但获取的菜品图片对应的摄入量和热量都比较高，根据菜品图片制定预设膳食信息，在满足用户口感的情况下，为用户推荐与菜品图片菜品种类相似或相同的待推荐菜品，但待推荐菜品的制作过程与菜品图片的不同，满足了预设膳食信息的要求。
在一个实施例中，从菜品数据库中，筛选出与预设膳食信息的匹配度满足第一预设匹配度区间的菜品，作为第一候选待推送菜品；从第一候选待推送菜品中，筛选出与菜品信息的匹配度满足第二预设匹配度区间的菜品，作为待推送菜品。
具体地，获取菜品数据库中每个菜品对应的数据信息，数据信息包含与预设膳食信息属性相同的参数，即数据信息也包括营养成分含量、热量、摄入量和口味偏好等参数，计算每个数据信息中每个参数与预设膳食信息中对应参数之间的差值，按照每个参数不同的重要程度，综合确定每个数据信息与预设膳食信息之间的匹配度。筛选满足第一预设匹配度区间的菜品，作为第一候选待推送菜品，即第一候选待推送菜品符合用户的身体需求情况和口味要求。第一预设匹配度区间可根据用户需求自定义，第一预设匹配度区间的上限值越高越符合预设膳食信息要求，第一预设匹配度区间的下限值距离上限值越远，作为第一候选待推送菜品的菜品数量越多。
从满足预设膳食信息的第一候选待推送菜品中，进行二次筛选，选出与菜品信息的匹配度满足第二预设匹配度区间的菜品，即在满足身体健康和口味要求的基础上，选出与菜品图片相同或相似种类的菜品，作为待推送菜品，即此处以营养成分含量为重要程度最高的参数，从而确定第一候选待推送菜品与菜品信息之间的匹配度，第二预设匹配度区间为根据匹配度自定义的区间值。
例如用户预设膳食信息中的口味偏好为偏好清淡，在菜品数据库中筛选口味清淡的菜品作为第一候选待推送菜品，再在口味清淡的菜品中选择符合用户平常因素习惯的菜品，如用户常吃的菜品种类为青椒炒肉，在清淡口味的菜品中筛选出清炒肉片、苦瓜炒肉或蒜苗炒肉作为待推送菜品，将待推送菜品推送至用户，帮助用户烹饪出符合自己口感的菜品，提升用户的生活质量。
在一个实施例中，从菜品数据库中，筛选出与菜品信息的匹配度满足第三预设匹配度区间的菜品，作为第二候选待推送菜品；从第二候选待推送菜品中，筛选出与菜品信息的匹配度满足第四预设匹配度区间的菜品，作为待推送菜品。
具体地，首先从菜品数据库中筛选出与菜品图片相同或相似种类的菜品，作为第二候选待推送菜品，即第二候选待推送菜品满足用户的平常饮食习惯。即此处以营养成分含量为重要程度最高的参数，从而确定菜品数据库中，每个菜品对应的数据信息与菜品信息之间的匹配度，第三预设匹配度区间为根据匹配度自定义的区间值。
从第二候选待推送菜品中按照预设膳食信息，筛选出与菜品信息的匹配度满足第四预设匹配度区间的菜品，作为待推送菜品。即筛选符合用户身体情况的菜品作为待推送菜品。
例如，根据存储的历史菜品图片统计得知，用户的常食用的菜品为回锅肉，但用户本身具有高血压、高血脂和高血糖，为了用户的身体健康，用户上传的预设膳食信息中包括少油、少盐和少糖等偏好信息。根据菜品图片筛选出用户平时喜爱的菜品，作为第二候选待推送菜品，再在第二候选待推送菜品中，按照预设膳食信息筛选适合用户身体情况的菜品，如番茄炖牛腩或芹菜炒肉等。
在一个实施例中，对菜品信息和预设膳食信息进行结合，得到结合信息，其中结合信息可以进行信息去除重处理。计算结合信息与菜品数据库中各个菜品之间的相似度，根据相似度确定待推送菜品。
在一个实施例中，在菜品数据库中，筛选与菜品图片匹配度最高的菜品作为标准菜品；根据标准菜品与菜品图片之间的匹配度，得到标准菜品与菜品图片之间的差异信息，并根据差异信息生成建议信息。
具体地，将菜品数据库中与该菜品图片匹配度最高的菜品，作为标准菜品，即该标准菜品与菜品图片是同种菜品，如菜品图片为西红柿炒鸡蛋，在菜品数据库中与菜品图片匹配度最高的菜品也是西红柿炒鸡蛋，将菜品图片与标准菜品进行对比，得到差异信息，差异信息可以具体包括组成食材的区别、食材用量区别或/和制作步骤区别等。根据菜品图片与标准菜品之间的差异信息生成建议信息，建议信息为针对差异信息提出改进的信息，反馈建议信息至用户，帮助用户提高厨艺，烹饪出与标准菜品口味相同或相似的菜品。
在一个实施例中，在多个目标菜品中，筛选与菜品图片匹配度最高的菜品作为标准菜品；根据标准菜品与菜品图片之间的匹配度，得到标准菜品与菜品图片之间的差异信息，并根据差异信息生成建议信息。
具体地，由于目标菜品是基于菜品图片和预设膳食信息筛选得出的，因此目标菜品同时满足了用户的饮食习惯和身体情况，在目标菜品中筛选与菜品图片匹配度最高的菜品，即在目标菜品中筛选与菜品图片相同或相似种类的菜品，作为标准菜品，将菜品图片与标准菜品进行对比，得到差异信息，差异信息可以具体包括组成食材的区别、食材用量区别或/和制作步骤区别等。根据菜品图片与标准菜品之间的差异信息生成建议信息，建议信息为针对差异信息提出改进的信息，反馈建议信息至用户，帮助用户制作出符合自身健康需求和口味的菜品，实现菜品的个性化推荐。
在一个实施例中，将菜品图片分割为多个超像素区域；提取每个超像素区域中的特征参数；根据神经网络模型对菜品图片中的特征参数进行识别分类，得到菜品图片对应的菜品信息。
具体的，将菜品图片分割为多个超像素区域，对每个超像素区域依照神经网络模型提取图像的RGB颜色空间和HSV颜色空间特征，多个超像素区域应用并行方法，同时计算颜色特征分布的均值和标准差，并提取图像的纹理特征，依据图像的灰度分布及纹理特性，结合样本库中的数据进行对比与匹配，快速准确地识别菜品图片中的内容，得到菜品图片对应的菜品信息。其中，菜品图片在进行分割之前，先对菜品图片进行预处理，预处理包括去噪和/或平滑等，消除图像中噪声的同时，保证图像轮廓和线条的清晰，为后续特征识别提供良好的基础。
在一个实施例中，获取时令节气信息；从菜品数据库中筛选出与时令节气信息对应的时令菜品；根据预设膳食信息和菜品信息，在时令菜品中筛选出待推送菜品。
具体地，根据时令节气信息，为用户推送符合自身情况和口味的时令菜品，如时令节气信息为秋季时，根据预设膳食信息和菜品信息，为用户推送清热解毒、下气消积的菜品，譬如萝卜排骨汤、猪蹄莲藕汤或花菜肉片等。且相同种类的菜品，根据用户口味不同、要求不同可做个性化菜品推荐。
图1为一个实施例中处理菜品数据的方法的流程示意图。应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，图3为一个实施例中处理菜品数据的装置的结构框图，参照图3，提供了一种处理菜品数据的装置，装置包括：
预设信息获取模块310，用于获取预设膳食信息；
图片获取模块320，用于获取菜品图片，菜品图片为用户烹饪过程中采集所得；
特征识别模块330，用于提取菜品图片中的特征参数，识别特征参数对应的菜品信息；
目标确定模块340，用于根据预设膳食信息和菜品信息，在菜品数据库中筛选待推送菜品。
在一个实施例中，所述目标确定模块340包括：
第一筛选单元，用于从所述菜品数据库中，筛选出与所述预设膳食信息的匹配度满足第一预设匹配度区间的菜品，作为第一候选待推送菜品；
第二筛选单元，用于从所述第一候选待推送菜品中，筛选出与所述菜品信息的匹配度满足第二预设匹配度区间的菜品，作为所述待推送菜品。
在一个实施例中，所述目标确定模块340还包括：
第三筛选单元，用于从所述菜品数据库中，筛选出与所述菜品信息的匹配度满足第三预设匹配度区间的菜品，作为第二候选待推送菜品；
第四筛选单元，用于从所述第二候选待推送菜品中，筛选出与所述菜品信息的匹配度满足第四预设匹配度区间的菜品，作为所述待推送菜品。
在一个实施例中，所述装置还包括：
第一匹配模块，用于在菜品数据库中，筛选与所述菜品图片匹配度最高的菜品作为标准菜品；
第一反馈模块，用于根据所述标准菜品与所述菜品图片之间的匹配度，得到所述标准菜品与所述菜品图片之间的差异信息，并根据所述差异信息生成建议信息。
在一个实施例中，所述装置还包括：
第二匹配模块，用于在多个目标菜品中，筛选与所述菜品图片匹配度最高的菜品作为标准菜品；
第二反馈模块，用于根据所述标准菜品与所述菜品图片之间的匹配度，得到所述标准菜品与所述菜品图片之间的差异信息，并根据所述差异信息生成建议信息。
在一个实施例中，所述特征识别模块330包括：
分割单元，用于将所述菜品图片分割为多个超像素区域；
特征提取单元，用于提取每个所述超像素区域中的特征参数；
识别单元，用于根据神经网络模型对所述菜品图片中的特征参数进行识别分类，得到所述菜品图片对应的菜品信息。
在一个实施例中，所述装置还包括：
数据信息获取模块，用于获取时令节气信息；
选择模块，用于从菜品数据库中筛选出与所述时令节气信息对应的时令菜品；
所述目标确定模块340还包括：
第五筛选单元，用于根据所述预设膳食信息和所述菜品信息，在时令菜品中筛选出待推送菜品。
图4示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的终端110(或服务器120)。如图4所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现处理菜品数据的方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行处理菜品数据的方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的处理菜品数据的装置可以实现为一种计算机程序的形式，计算机程序可在如图4所示的计算机设备上运行。计算机设备的存储器中可存储组成该处理菜品数据的装置的各个程序模块，比如，图3所示的预设信息获取模块310、图片获取模块320、特征识别模块330和目标确定模块340。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的处理菜品数据的方法中的步骤。
图4所示的计算机设备可以通过如图3所示的处理菜品数据的装置中的预设信息获取模块310执行获取预设膳食信息。计算机设备可通过图片获取模块320执行获取菜品图片，所述菜品图片为用户烹饪过程中采集所得。计算机设备可通过特征识别模块330执行提取所述菜品图片中的特征参数，识别所述特征参数对应的菜品信息。计算机设备可通过目标确定模块340执行根据所述预设膳食信息和所述菜品信息，在菜品数据库中筛选待推送菜品。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：获取预设膳食信息；获取菜品图片，所述菜品图片为用户烹饪过程中采集所得；提取所述菜品图片中的特征参数，识别所述特征参数对应的菜品信息；根据所述预设膳食信息和所述菜品信息，在菜品数据库中筛选待推送菜品。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：从所述菜品数据库中，筛选出与所述预设膳食信息的匹配度满足第一预设匹配度区间的菜品，作为第一候选待推送菜品；从所述第一候选待推送菜品中，筛选出与所述菜品信息的匹配度满足第二预设匹配度区间的菜品，作为所述待推送菜品。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：从所述菜品数据库中，筛选出与所述菜品信息的匹配度满足第三预设匹配度区间的菜品，作为第二候选待推送菜品；从所述第二候选待推送菜品中，筛选出与所述菜品信息的匹配度满足第四预设匹配度区间的菜品，作为所述待推送菜品。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：在菜品数据库中，筛选与所述菜品图片匹配度最高的菜品作为标准菜品；根据所述标准菜品与所述菜品图片之间的匹配度，得到所述标准菜品与所述菜品图片之间的差异信息，并根据所述差异信息生成建议信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：在多个目标菜品中，筛选与所述菜品图片匹配度最高的菜品作为标准菜品；根据所述标准菜品与所述菜品图片之间的匹配度，得到所述标准菜品与所述菜品图片之间的差异信息，并根据所述差异信息生成建议信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述菜品图片分割为多个超像素区域；提取每个所述超像素区域中的特征参数；根据神经网络模型对所述菜品图片中的特征参数进行识别分类，得到所述菜品图片对应的菜品信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取时令节气信息；从菜品数据库中筛选出与所述时令节气信息对应的时令菜品；根据所述预设膳食信息和所述菜品信息，在时令菜品中筛选出待推送菜品。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取菜品图片，所述菜品图片为用户烹饪过程中采集所得；提取所述菜品图片中的特征参数，识别所述特征参数对应的菜品信息；根据所述预设膳食信息和所述菜品信息，在菜品数据库中筛选待推送菜品。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：从所述菜品数据库中，筛选出与所述预设膳食信息的匹配度满足第一预设匹配度区间的菜品，作为第一候选待推送菜品；从所述第一候选待推送菜品中，筛选出与所述菜品信息的匹配度满足第二预设匹配度区间的菜品，作为所述待推送菜品。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：从所述菜品数据库中，筛选出与所述菜品信息的匹配度满足第三预设匹配度区间的菜品，作为第二候选待推送菜品；从所述第二候选待推送菜品中，筛选出与所述菜品信息的匹配度满足第四预设匹配度区间的菜品，作为所述待推送菜品。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：在菜品数据库中，筛选与所述菜品图片匹配度最高的菜品作为标准菜品；根据所述标准菜品与所述菜品图片之间的匹配度，得到所述标准菜品与所述菜品图片之间的差异信息，并根据所述差异信息生成建议信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：在多个目标菜品中，筛选与所述菜品图片匹配度最高的菜品作为标准菜品；根据所述标准菜品与所述菜品图片之间的匹配度，得到所述标准菜品与所述菜品图片之间的差异信息，并根据所述差异信息生成建议信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将所述菜品图片分割为多个超像素区域；提取每个所述超像素区域中的特征参数；根据神经网络模型对所述菜品图片中的特征参数进行识别分类，得到所述菜品图片对应的菜品信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取时令节气信息；从菜品数据库中筛选出与所述时令节气信息对应的时令菜品；根据所述预设膳食信息和所述菜品信息，在时令菜品中筛选出待推送菜品。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种处理菜品数据的方法，其特征在于，所述方法包括：
获取预设膳食信息；
获取菜品图片，所述菜品图片为用户烹饪过程中采集所得；
提取所述菜品图片中的特征参数，识别所述特征参数对应的菜品信息；
根据所述预设膳食信息和所述菜品信息，在菜品数据库中筛选待推送菜品。
2.根据权利要求1所述的方法，其特征在于，所述根据所述预设膳食信息和所述菜品信息，在菜品数据库中筛选待推送菜品，包括：
从所述菜品数据库中，筛选出与所述预设膳食信息的匹配度满足第一预设匹配度区间的菜品，作为第一候选待推送菜品；
从所述第一候选待推送菜品中，筛选出与所述菜品信息的匹配度满足第二预设匹配度区间的菜品，作为所述待推送菜品。
3.根据权利要求1所述的方法，其特征在于，所述根据所述预设膳食信息和所述菜品信息，在菜品数据库中筛选待推送菜品，包括：
从所述菜品数据库中，筛选出与所述菜品信息的匹配度满足第三预设匹配度区间的菜品，作为第二候选待推送菜品；
从所述第二候选待推送菜品中，筛选出与所述菜品信息的匹配度满足第四预设匹配度区间的菜品，作为所述待推送菜品。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：
在菜品数据库中，筛选与所述菜品图片匹配度最高的菜品作为标准菜品；
根据所述标准菜品与所述菜品图片之间的匹配度，得到所述标准菜品与所述菜品图片之间的差异信息，并根据所述差异信息生成建议信息。
5.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：
在多个目标菜品中，筛选与所述菜品图片匹配度最高的菜品作为标准菜品；
根据所述标准菜品与所述菜品图片之间的匹配度，得到所述标准菜品与所述菜品图片之间的差异信息，并根据所述差异信息生成建议信息。
6.根据权利要求1所述的方法，其特征在于，所述提取所述菜品图片中的特征参数，对提取出的全部特征参数进行特征分类，得到菜品图片对应的菜品信息，包括：
将所述菜品图片分割为多个超像素区域；
提取每个所述超像素区域中的特征参数；
根据神经网络模型对所述菜品图片中的特征参数进行识别分类，得到所述菜品图片对应的菜品信息。
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：
获取时令节气信息；
从菜品数据库中筛选出与所述时令节气信息对应的时令菜品；
所述根据所述预设膳食信息和所述菜品信息，在菜品数据库中筛选出待推送菜品，包括：根据所述预设膳食信息和所述菜品信息，在时令菜品中筛选出待推送菜品。
8.一种处理菜品数据的装置，其特征在于，所述装置包括：
预设信息获取模块，用于获取预设膳食信息；
图片获取模块，用于获取菜品图片，所述菜品图片为用户烹饪过程中采集所得；
特征识别模块，用于提取所述菜品图片中的特征参数，识别所述特征参数对应的菜品信息；
目标确定模块，用于根据所述预设膳食信息和所述菜品信息，在菜品数据库中筛选待推送菜品。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010318646.XA CN111522848A (zh) | 2020-04-21 | 2020-04-21 | 处理菜品数据的方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010318646.XA CN111522848A (zh) | 2020-04-21 | 2020-04-21 | 处理菜品数据的方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111522848A true CN111522848A (zh) | 2020-08-11 |
Family
ID=71903686
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010318646.XA Pending CN111522848A (zh) | 2020-04-21 | 2020-04-21 | 处理菜品数据的方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111522848A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112231506A (zh) * | 2020-10-28 | 2021-01-15 | 刘娴 | 一种基于食材识别的信息推荐方法和装置 |
| CN113112335A (zh) * | 2021-05-08 | 2021-07-13 | 拉扎斯网络科技（上海）有限公司 | 店铺的商品信息处理方法、装置及计算机设备 |
| CN113191822A (zh) * | 2021-05-20 | 2021-07-30 | 口碑(上海)信息技术有限公司 | 基于颜色的对象推送方法及装置 |
| US11182815B1 (en) * | 2018-08-21 | 2021-11-23 | Sarath Chandar Krishnan | Methods and apparatus for a dish rating and management system |
| CN113836336A (zh) * | 2021-09-07 | 2021-12-24 | 芜湖雄狮汽车科技有限公司 | 车辆内点餐方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105955994A (zh) * | 2016-04-19 | 2016-09-21 | 乐视控股（北京）有限公司 | 基于图库的信息推荐方法和信息推荐装置 |
| CN106815745A (zh) * | 2016-12-30 | 2017-06-09 | 北京三快在线科技有限公司 | 菜品推荐方法及系统 |
| CN109346153A (zh) * | 2018-08-31 | 2019-02-15 | 北京唐冠天朗科技开发有限公司 | 一种数字化就餐系统和方法 |
-
2020
- 2020-04-21 CN CN202010318646.XA patent/CN111522848A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105955994A (zh) * | 2016-04-19 | 2016-09-21 | 乐视控股（北京）有限公司 | 基于图库的信息推荐方法和信息推荐装置 |
| CN106815745A (zh) * | 2016-12-30 | 2017-06-09 | 北京三快在线科技有限公司 | 菜品推荐方法及系统 |
| CN109346153A (zh) * | 2018-08-31 | 2019-02-15 | 北京唐冠天朗科技开发有限公司 | 一种数字化就餐系统和方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11182815B1 (en) * | 2018-08-21 | 2021-11-23 | Sarath Chandar Krishnan | Methods and apparatus for a dish rating and management system |
| CN112231506A (zh) * | 2020-10-28 | 2021-01-15 | 刘娴 | 一种基于食材识别的信息推荐方法和装置 |
| CN113112335A (zh) * | 2021-05-08 | 2021-07-13 | 拉扎斯网络科技（上海）有限公司 | 店铺的商品信息处理方法、装置及计算机设备 |
| CN113191822A (zh) * | 2021-05-20 | 2021-07-30 | 口碑(上海)信息技术有限公司 | 基于颜色的对象推送方法及装置 |
| CN113191822B (zh) * | 2021-05-20 | 2024-05-03 | 口碑(上海)信息技术有限公司 | 基于颜色的对象推送方法及装置 |
| CN113836336A (zh) * | 2021-09-07 | 2021-12-24 | 芜湖雄狮汽车科技有限公司 | 车辆内点餐方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111522848A (zh) | 处理菜品数据的方法、装置、计算机设备和存储介质 | |
| Zhang et al. | Deep learning in food category recognition | |
| KR20200092380A (ko) | 재료 인식을 기반으로 하는 음식 준비 방법 및 시스템 | |
| Pouladzadeh et al. | Measuring calorie and nutrition from food image | |
| CN108897768B (zh) | 一种点餐方法及装置，电子设备 | |
| US11823042B2 (en) | System for measuring food weight | |
| Pouladzadeh et al. | Using graph cut segmentation for food calorie measurement | |
| CN110837552B (zh) | 一种饮食信息推荐方法以及装置 | |
| CN107851183A (zh) | 用于提供食谱的系统和方法 | |
| Morol et al. | Food recipe recommendation based on ingredients detection using deep learning | |
| CN110444271A (zh) | 饮食建议生成方法、装置、计算机设备及存储介质 | |
| Rahmana et al. | A new texture feature for improved food recognition accuracy in a mobile phone based dietary assessment system | |
| Sudo et al. | Estimating nutritional value from food images based on semantic segmentation | |
| Chun et al. | Development of Korean food image classification model using public food image dataset and deep learning methods | |
| CN110852299A (zh) | 顾客饮食习惯确定方法及装置 | |
| Konstantakopoulos et al. | 3D reconstruction and volume estimation of food using stereo vision techniques | |
| Suddul et al. | A comparative study of deep learning methods for food classification with images | |
| JP6211683B2 (ja) | 購買履歴分類システム及び購買履歴分類方法 | |
| CN109887574A (zh) | 基于食材识别的食养食疗指导方法及装置 | |
| CN112150244A (zh) | 食材购买过程中的数据处理方法和装置 | |
| CN112163006A (zh) | 一种信息处理方法、装置、电子设备及存储介质 | |
| JP7361358B2 (ja) | レシピ抽出装置、レシピ抽出方法、及びプログラム | |
| JP2000316492A (ja) | 代替食材提示装置、方法、及び記録媒体 | |
| CN114360690B (zh) | 一种慢病患者的饮食营养管理方法和系统 | |
| CN112232917B (zh) | 电商平台的商品推荐方法、装置及设备 |
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 |