CN112507001A - 一种融合多维元素的智能排菜方法 - Google Patents

一种融合多维元素的智能排菜方法 Download PDF

Info

Publication number
CN112507001A
CN112507001A CN202011617718.7A CN202011617718A CN112507001A CN 112507001 A CN112507001 A CN 112507001A CN 202011617718 A CN202011617718 A CN 202011617718A CN 112507001 A CN112507001 A CN 112507001A
Authority
CN
China
Prior art keywords
dish
dishes
matrix
taking
nutrient
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
Application number
CN202011617718.7A
Other languages
English (en)
Inventor
王阔阔
井焜
许野平
刘辰飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Synthesis Electronic Technology Co Ltd
Original Assignee
Synthesis Electronic Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Synthesis Electronic Technology Co Ltd filed Critical Synthesis Electronic Technology Co Ltd
Priority to CN202011617718.7A priority Critical patent/CN112507001A/zh
Publication of CN112507001A publication Critical patent/CN112507001A/zh
Pending legal-status Critical Current

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
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • 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

Abstract

本发明公开一种融合多维元素的智能排菜方法，本方法融合菜品识别、食物营养分析和销售情况进行智能排菜，在尽可能保证菜品不会浪费的情况下更保证了营养的均衡。本发明可以大幅度提高菜品识别的准确率，将容易识别错的菜品分开，保证每日识别结果更准确。同时使用热销才数据更好的确定菜品销售情况，不至于出现大量菜品无人购买造成浪费的请；同时还有菜品营养分析内容，这样每餐的大致营养情况也有一个参考，为后续的关于饮食结构、运功的建议也有数据参考。

Description

一种融合多维元素的智能排菜方法
技术领域
本发明涉及人工智能领域，具体的讲，是一种融合多维元素的智能排菜方法。
背景技术
菜品识别是一类物品识别技术，大部分应用在企事业单位和行政单位食堂，目前主要是协助解决结算这一环。
目前现有的餐厅食堂其排菜系统都是基于经验或者基于数据库而做的，这种方法只能保证菜品尽可能的不会重复，而不会考虑其营养价值以及销售情况。
发明内容
本发明要解决的技术问题是提供一种融合多维元素的智能排菜方法，本方法融合菜品识别、食物营养分析和销售情况进行智能排菜，在尽可能保证菜品不会浪费的情况下更保证了营养的均衡。
为了解决所述技术问题，本发明采用的技术方案是：一种融合多维元素的智能推菜方法，包括以下步骤：
S01）、菜品样本入库，并将菜品营养成分信息存储，获得菜品营养情况；
S02）、菜品入库后，提取菜品特征，并将提取的特征与库中已有的菜品特征进行比对，获取菜品特征相似度，将特征相似的菜品标记，使特征相似的菜品不在同一天出现；
S03）、利用菜品识别记录取餐结果，以周期为时间节点，将取餐结果进行数据分析，得出热销菜品名称；
S04）、结合菜品营养成分分析，计算出菜品库内销售菜品的能量；
S05）、通过热销菜、菜品营养状态、菜品特征相似度三个维度推荐出每日菜谱。
进一步的，步骤S05的过程为：
S51）、以菜品识别得出的特征相似度作为主衡量点，以菜品之间的相似度为内容形成一个矩阵S，
Figure 100002_DEST_PATH_IMAGE001
，n表示菜品数量；
S52)、以菜品热销度为内容形成热销度矩阵H，
Figure 42584DEST_PATH_IMAGE002
，n表示菜品数量；
S53）、以菜品营养量为内容形成营养矩阵N，
Figure 100002_DEST_PATH_IMAGE003
，n表示菜品数量；
S54）、以上三个矩阵相乘得出菜品属性关联度矩阵，上述三个矩阵相乘后得出n*n矩阵，然后循环取第n行的第n列的值，这些值抽取出来作为一个n行1列的矩阵，因为其他列的值与当前菜品属性无关；使用K近邻算法，对菜品属性进行分类归纳；
S55）、步骤S54产生的菜品库称为抽检库，后续排菜过程中从不同种类中抽取某一种菜品作为当日菜单，并将此菜品从抽检库中排除，保证周期内不再出现重复菜单。
本发明的有益效果：本发明可以大幅度提高菜品识别的准确率，将容易识别错的菜品分开，保证每日识别结果更准确。同时使用热销才数据更好的确定菜品销售情况，不至于出现大量菜品无人购买造成浪费的请；同时还有菜品营养分析内容，这样每餐的大致营养情况也有一个参考，为后续的关于饮食结构、运功的建议也有数据参考。
附图说明
图1为本发明的流程图；
图2为菜品识别得出菜品特征相似度的流程图；
图3为菜品识别得出热销菜的流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的说明。
实施例1
本实施例公开一种融合多维元素的智能排菜方法，如图1所示，本方法融合菜品营养、菜品特征相似度和菜品热销度三维元素，包括以下步骤：
S01）、菜品库的创建，将每日不重复的菜品入库，同时根据《食物营养成分表》将菜品中的各种物料的营养成分全部保存，然后将每种菜品含有各种物料的配比存储在数据库中，用来计算各种菜品的热量和各种营养成分；
S02）、菜品入库后，提取菜品特征，并将提取的特征与库中已有的菜品特征进行比对，获取菜品特征相似度，将特征相似的菜品标记，使特征相似的菜品不在同一天出现，这样就降低了菜品识别的误识率，提高菜品识别的鲁棒性。
菜品特征相似度提取的流程图如图2所示。
S03）、利用菜品识别记录取餐结果，以周期为时间节点，将取餐结果进行数据分析，得出热销菜品名称；基于菜品识别得出热销菜的流程图如图3所示。
S04）、结合步骤S01的菜品营养成分分析，计算出菜品库内销售菜品的能量。
本步骤具体为：按照中国营养学会《中国居民膳食营养素参考摄入量（2013版）》，将餐厅面向对象人群所需的能量取均值，如企事业单位面向对象分布于18-50岁居多，按照男女比例，取得加权平均值；按照菜品配方原料，计算各类菜品营养供需百分比。
S05）、通过热销菜、菜品营养状态、菜品特征相似度三个维度推荐出每日菜谱。
本实施例中，步骤S05的过程为：
S51）、以菜品识别得出的特征相似度作为主衡量点，以菜品之间的相似度为内容形成一个矩阵S，
Figure 138847DEST_PATH_IMAGE001
，n表示菜品数量；
S52)、以菜品热销度为内容形成热销度矩阵H，
Figure 298391DEST_PATH_IMAGE002
，n表示菜品数量；
S53）、以菜品营养量为内容形成营养矩阵N，
Figure 893321DEST_PATH_IMAGE003
，n表示菜品数量；
S54）、以上三个矩阵相乘得出菜品属性关联度矩阵，上述三个矩阵相乘后得出n*n矩阵，然后循环取第n行的第n列的值，这些值抽取出来作为一个n行1列的矩阵，因为其他列的值与当前菜品属性无关；使用K近邻算法，对菜品属性进行分类归纳；
S55）、步骤S54产生的菜品库称为抽检库，后续排菜过程中从不同种类中抽取某一种菜品作为当日菜单，并将此菜品从抽检库中排除，保证周期内不再出现重复菜单。如若不能保证周期内没有那么多菜品可供选择，可以将已抽检的菜品再次放入抽捡库中；
以上所揭露仅为本发明的一个典型的具体实施案例，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所做的等同变化仍视为本发明所涵盖的范围。

Claims (2)

1.一种融合多维元素的智能推菜方法，其特征在于：包括以下步骤：
S01）、菜品样本入库，并将菜品营养成分信息存储，获得菜品营养情况；
S02）、菜品入库后，提取菜品特征，并将提取的特征与库中已有的菜品特征进行比对，获取菜品特征相似度，将特征相似的菜品标记，使特征相似的菜品不在同一天出现；
S03）、利用菜品识别记录取餐结果，以周期为时间节点，将取餐结果进行数据分析，得出热销菜品名称；
S04）、结合菜品营养成分分析，计算出菜品库内销售菜品的能量；
S05）、通过热销菜、菜品营养状态、菜品特征相似度三个维度推荐出每日菜谱。
2.根据权利要求1所述的融合多维元素的智能推菜方法，其特征在于：步骤S05的过程为：
S51）、以菜品识别得出的特征相似度作为主衡量点，以菜品之间的相似度为内容形成一个矩阵S，
Figure DEST_PATH_IMAGE001
，n表示菜品数量；
S52)、以菜品热销度为内容形成热销度矩阵H，
Figure 394573DEST_PATH_IMAGE002
，n表示菜品数量；S53）、以菜品营养量为内容形成营养矩阵N，
Figure DEST_PATH_IMAGE003
，n表示菜品数量；
S54）、以上三个矩阵相乘得出菜品属性关联度矩阵，上述三个矩阵相乘后得出n*n矩阵，然后循环取第n行的第n列的值，这些值抽取出来作为一个n行1列的矩阵，因为其他列的值与当前菜品属性无关；使用K近邻算法，对菜品属性进行分类归纳；
S55）、步骤S54产生的菜品库称为抽检库，后续排菜过程中从不同种类中抽取某一种菜品作为当日菜单，并将此菜品从抽检库中排除，保证周期内不再出现重复菜单。
CN202011617718.7A 2020-12-31 2020-12-31 一种融合多维元素的智能排菜方法 Pending CN112507001A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011617718.7A CN112507001A (zh) 2020-12-31 2020-12-31 一种融合多维元素的智能排菜方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011617718.7A CN112507001A (zh) 2020-12-31 2020-12-31 一种融合多维元素的智能排菜方法

Publications (1)

Publication Number Publication Date
CN112507001A true CN112507001A (zh) 2021-03-16

Family

ID=74953022

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011617718.7A Pending CN112507001A (zh) 2020-12-31 2020-12-31 一种融合多维元素的智能排菜方法

Country Status (1)

Country Link
CN (1) CN112507001A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104731846A (zh) * 2014-11-17 2015-06-24 陕西师范大学 基于多目标的个性化餐饮推荐方法及系统
CN105608650A (zh) * 2016-03-22 2016-05-25 广州聚数信息科技有限公司 一种菜品搭配推荐方法及其系统
CN109377416A (zh) * 2018-09-13 2019-02-22 北京辰森世纪科技股份有限公司 菜单信息的生成方法、装置及设备
CN110443729A (zh) * 2019-08-06 2019-11-12 浙江智飨科技有限公司 点餐系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104731846A (zh) * 2014-11-17 2015-06-24 陕西师范大学 基于多目标的个性化餐饮推荐方法及系统
CN105608650A (zh) * 2016-03-22 2016-05-25 广州聚数信息科技有限公司 一种菜品搭配推荐方法及其系统
CN109377416A (zh) * 2018-09-13 2019-02-22 北京辰森世纪科技股份有限公司 菜单信息的生成方法、装置及设备
CN110443729A (zh) * 2019-08-06 2019-11-12 浙江智飨科技有限公司 点餐系统

Similar Documents

Publication Publication Date Title
US9734426B2 (en) Automated food recognition and nutritional estimation with a personal mobile electronic device
Zhou et al. Improving image captioning by leveraging knowledge graphs
Zhou et al. Movie genre classification via scene categorization
CN111914107B (zh) 一种基于多通道注意力区域扩展的实例检索方法
CN101853299A (zh) 一种基于感性认知的图像检索结果排序方法
CN102057371A (zh) 用于图像的类似性搜索的系统和方法
CN103186538A (zh) 一种图像分类方法和装置、图像检索方法和装置
CN101211344A (zh) 文本信息遍历的快速四维可视化方法
CN102385592A (zh) 图像概念的检测方法和装置
CN114494982A (zh) 一种基于人工智能的直播视频大数据精准推荐方法及系统
Rejito et al. Image indexing using color histogram and k-means clustering for optimization CBIR in image database
CN110795613A (zh) 商品搜索方法、装置、系统及电子设备
CN106997350A (zh) 一种数据处理的方法及装置
CN106611016A (zh) 一种基于可分解词包模型的图像检索方法
CN111782816B (zh) 生成知识图谱的方法及装置、搜索方法、引擎及系统
CN112507001A (zh) 一种融合多维元素的智能排菜方法
Iskandar et al. Classification of Melinjo Fruit Levels Using Skin Color Detection With RGB and HSV
Gosselin et al. RETIN AL: An active learning strategy for image category retrieval
Imran et al. Event recognition from photo collections via pagerank
Rasheed et al. Image retrieval using maximum frequency of local histogram based color correlogram
Mustaffa et al. Content-based image retrieval based on color-spatial features
CN107423294A (zh) 一种社群图像检索方法及系统
CN115270790A (zh) 一种基于大数据的样本标识方法、设备及介质
CN114077682A (zh) 一种图像检索智能识别匹配处理方法、系统和存储介质
CN109388633B (zh) 一种数据清洗方法

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

Application publication date: 20210316

RJ01 Rejection of invention patent application after publication