CN112580690A - 一种提升食品检测准确性的信息处理方法和装置 - Google Patents
一种提升食品检测准确性的信息处理方法和装置 Download PDFInfo
- Publication number
- CN112580690A CN112580690A CN202011328893.4A CN202011328893A CN112580690A CN 112580690 A CN112580690 A CN 112580690A CN 202011328893 A CN202011328893 A CN 202011328893A CN 112580690 A CN112580690 A CN 112580690A
- Authority
- CN
- China
- Prior art keywords
- information
- detection result
- user
- obtaining
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 238
- 235000013305 food Nutrition 0.000 title claims abstract description 162
- 230000010365 information processing Effects 0.000 title claims abstract description 35
- 238000003672 processing method Methods 0.000 title claims abstract description 26
- 239000004615 ingredient Substances 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 57
- 230000036541 health Effects 0.000 claims description 37
- 230000037406 food intake Effects 0.000 claims description 19
- 235000012631 food intake Nutrition 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 abstract description 27
- 239000000306 component Substances 0.000 description 28
- 238000012795 verification Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000003062 neural network model Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 239000000203 mixture Substances 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 235000012041 food component Nutrition 0.000 description 3
- 239000005428 food component Substances 0.000 description 3
- 240000008790 Musa x paradisiaca Species 0.000 description 2
- 235000018290 Musa x paradisiaca Nutrition 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 244000295724 Allium chinense Species 0.000 description 1
- 235000016790 Allium chinense Nutrition 0.000 description 1
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 description 1
- 244000241257 Cucumis melo Species 0.000 description 1
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 1
- 244000000626 Daucus carota Species 0.000 description 1
- 235000002767 Daucus carota Nutrition 0.000 description 1
- 206010012735 Diarrhoea Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000001953 Hypotension Diseases 0.000 description 1
- 208000012659 Joint disease Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 244000088415 Raphanus sativus Species 0.000 description 1
- 235000006140 Raphanus sativus var sativus Nutrition 0.000 description 1
- 208000001647 Renal Insufficiency Diseases 0.000 description 1
- 206010040047 Sepsis Diseases 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 235000006545 Ziziphus mauritiana Nutrition 0.000 description 1
- 244000126002 Ziziphus vulgaris Species 0.000 description 1
- 235000008529 Ziziphus vulgaris Nutrition 0.000 description 1
- FJJCIZWZNKZHII-UHFFFAOYSA-N [4,6-bis(cyanoamino)-1,3,5-triazin-2-yl]cyanamide Chemical compound N#CNC1=NC(NC#N)=NC(NC#N)=N1 FJJCIZWZNKZHII-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 235000013527 bean curd Nutrition 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 235000012907 honey Nutrition 0.000 description 1
- 201000006370 kidney failure Diseases 0.000 description 1
- 208000012866 low blood pressure Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 208000013223 septicemia Diseases 0.000 description 1
- 235000013322 soy milk Nutrition 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- 239000003053 toxin Substances 0.000 description 1
- 231100000765 toxin Toxicity 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种提升食品检测准确性的信息处理方法和装置，所述方法包括：获得第一食品的成分信息；获得所述成分信息的含量信息；获得第一用户的年龄信息；获得所述第一用户的身体情况信息；根据所述第一食品的成分信息和所述第一用户的年龄信息，获得第一检测结果；根据所述成分信息的含量信息和所述第一用户的身体情况信息，获得第二检测结果；获得所述第一检测结果和所述第二检测结果的权重比信息；根据所述第一检测结果、所述第二检测结果和所述权重比信息，获得第三检测结果。达到提高检测效果的准确性，结合第一用户的自身情况以及食品参数来进行检测从而提高检测的准确性的技术效果。
Description
技术领域
本发明涉及食品检测领域，尤其涉及一种提升食品检测准确性的信息处理方法和装置。
背景技术
食品是物质生活的基本保障，深刻影响着人们的方方面面。我国的食品检测技术愈加成熟，食品安全问题历来是人们极其关注的热点所在，我国对于食品的监测力度与检测准确度也在逐年提升。
但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
现有技术中存在无法针对用户进行食品检测，无法准确根据食品特性判断所述食品是否适合第一用户进行食用的技术问题。
发明内容
本申请实施例通过提供一种提升食品检测准确性的信息处理方法和装置，解决了现有技术中存在无法针对用户进行食品检测，无法准确根据食品特性判断所述食品是否适合第一用户进行食用的技术问题，达到提高检测效果的准确性，结合第一用户的自身情况以及食品参数来进行检测从而提高检测的准确性的技术效果。
鉴于上述问题，本申请实施例提供一种提升食品检测准确性的信息处理方法和装置。
第一方面，本申请实施例提供了一种提升食品检测准确性的信息处理方法，所述方法包括：获得第一食品的成分信息；获得所述成分信息的含量信息；获得第一用户的年龄信息；获得所述第一用户的身体情况信息；根据所述第一食品的成分信息和所述第一用户的年龄信息，获得第一检测结果；根据所述成分信息的含量信息和所述第一用户的身体情况信息，获得第二检测结果；获得所述第一检测结果和所述第二检测结果的权重比信息；根据所述第一检测结果、所述第二检测结果和所述权重比信息，获得第三检测结果。
另一方面，本申请还提供了一种提升食品检测准确性的信息处理装置，其中，所述装置包括：第一获得单元，所述第一获得单元用于获得第一食品的成分信息；第二获得单元，所述第二获得单元用于获得所述成分信息的含量信息；第三获得单元，所述第三获得单元用于获得第一用户的年龄信息；第四获得单元，所述第四获得单元用于获得所述第一用户的身体情况信息；第五获得单元，所述第五获得单元用于根据所述第一食品的成分信息和所述第一用户的年龄信息，获得第一检测结果；第六获得单元，所述第六获得单元用于根据所述成分信息的含量信息和所述第一用户的身体情况信息，获得第二检测结果；第七获得单元，所述第七获得单元用于获得所述第一检测结果和所述第二检测结果的权重比信息；第八获得单元，所述第八获得单元用于根据所述第一检测结果、所述第二检测结果和所述权重比信息，获得第三检测结果。
第三方面，本发明提供了一种提升食品检测准确性的信息处理装置，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，其中，所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了根据第一食品成分信息和第一用户年龄信息获得第一检测结果，根据所述成分信息的含量信息和所述第一用户的身体情况信息获得第二检测结果，并根据所述第一检测结果、所述第二检测结果所占权重比信息，获得第三检测结果的方式，针对述第一用户的年龄及身体信息，通过所述食品的成分及成分的含量信息准确判断所述食品是否适宜所述第一用户食用，达到提高检测效果的准确性，结合第一用户的自身情况以及食品参数来进行检测从而提高检测的准确性的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种提升食品检测准确性的信息处理方法的流程示意图；
图2为本申请实施例一种提升食品检测准确性的信息处理方法中所述根据所述第一食品的成分信息和所述第一用户的年龄信息，获得第一检测结果的流程示意图；
图3为本申请实施例一种提升食品检测准确性的信息处理方法中所述获得所述第一检测结果和所述第二检测结果的权重比信息的流程示意图；
图4为本申请实施例一种提升食品检测准确性的信息处理方法中判断所述第一年龄等级信息是否在所述第一预定等级阈值之内的流程示意图；
图5为本申请实施例中一种提升食品检测准确性的信息处理方法中所述根据所述第一检测结果、所述第二检测结果和所述权重比信息，获得第三检测结果的流程示意图；
图6为本申请实施例一种提升食品检测准确性的信息处理方法中对所述第一食品禁止摄入的流程示意图；
图7为本申请实施例一种提升食品检测准确性的信息处理方法中如果所述摄入物信息不能与所述第一食品同食的流程示意图；
图8为本申请实施例一种提升食品检测准确性的信息处理方法中将所述第一食品的成分信息和所述第一用户的年龄信息作为输入数据输入第一训练模型之前的流程示意图；
图9为本申请实施例一种提升食品检测准确性的信息处理装置的结构示意图；
图10为本申请实施例示例性电子设备的结构示意图。
附图标记说明：第一获得单元11，第二获得单元12，第三获得单元13，第四获得单元14，第五获得单元15，第六获得单元16，第七获得单元17，第八获得单元18，总线300，接收器301，处理器302，发送器303，存储器304，总线接口306。
具体实施方式
本申请实施例通过提供一种提升食品检测准确性的信息处理方法和装置，解决了现有技术中存在无法针对用户进行食品检测，无法准确根据食品特性判断所述食品是否适合第一用户进行食用的技术问题，达到提高检测效果的准确性，结合第一用户的自身情况以及食品参数来进行检测从而提高检测的准确性的技术效果。下面，将参考附图详细的描述根据本申请的示例实施例。显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
食品是物质生活的基本保障，深刻影响着人们的方方面面。我国的食品检测技术愈加成熟，食品安全问题历来是人们极其关注的热点所在，我国对于食品的监测力度与检测准确度也在逐年提升。但现有技术中存在无法针对用户进行食品检测，无法准确根据食品特性判断所述食品是否适合第一用户进行食用的技术问题。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请实施例提供了一种提升食品检测准确性的信息处理方法，所述方法包括：获得第一食品的成分信息；获得所述成分信息的含量信息；获得第一用户的年龄信息；获得所述第一用户的身体情况信息；根据所述第一食品的成分信息和所述第一用户的年龄信息，获得第一检测结果；根据所述成分信息的含量信息和所述第一用户的身体情况信息，获得第二检测结果；获得所述第一检测结果和所述第二检测结果的权重比信息；根据所述第一检测结果、所述第二检测结果和所述权重比信息，获得第三检测结果。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种提升食品检测准确性的信息处理方法，其中，所述方法包括：
步骤S100：获得第一食品的成分信息；
具体而言，所述第一食品为第一用户即将食用或准备食用的食品，所述成分信息是指构成化合物的元素或组成混合物的各部分物质。表示某种混合物时，指物质的种类，不包括其重量组成；而表示某种化合物时，指元素的种类。食品成分信息是食品中含有的可以用化学方法进行分析的各种物质的相关信息。
步骤S200：获得所述成分信息的含量信息；
具体而言，所述含量信息是指特定物质中所包含的某种成分的量，这里具体指所述第一食品各个组成成分信息的含量的信息。
步骤S300：获得第一用户的年龄信息；
具体而言，所述第一用户为即将食用或准备食用第一食品的用户，也是本次为其匹配所述食品是否适用的对象，所述年龄信息是指一个人从出生时起到计算时止生存的时间长度，通常用年岁来表示，根据年龄的不同，不同成分含量的食品可能不适宜不同的年龄阶段。
步骤S400：获得所述第一用户的身体情况信息；
具体而言，所述身体情况信息是指所述第一用户的身体的相关状况，具体可根据第一用户的身体状态获得，举例而言，所述身体情况包括是否有肥胖症、糖尿病、胃病、高低血压等。通过对所述第一用户的身体情况的获得，为后续准确根据所述第一用户的身体情况判断哪些食品不可以被所述第一用户食用奠定基础。
步骤S500：根据所述第一食品的成分信息和所述第一用户的年龄信息，获得第一检测结果；
具体而言，根据不同食品中的成分的含量不同，通过所述成分含量适用的年龄阶段的不同，获得第一检测结果，所述第一检测结果为所述第一食品被所述第一用户食用的摄入量等级信息。
进一步而言，如图2所示，所述根据所述第一食品的成分信息和所述第一用户的年龄信息，获得第一检测结果，本申请实施例S500还包括：
步骤S510：将所述第一食品的成分信息和所述第一用户的年龄信息作为输入数据输入第一训练模型，其中，所述第一训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一食品的成分信息和所述第一用户的年龄信息和用来标识第一食品摄入量等级的标识信息；
步骤S520：获得所述第一训练模型的第一输出信息，其中，所述第一输出信息包括所述第一检测结果，所述第一检测结果为所述第一食品摄入量的等级信息。
具体而言，所述第一训练模型为神经网络模型，所述神经网络模型即机器学习中的神经网络模型，神经网络(Neural Networks，NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial Neural Networks)，是对人类大脑系统的一阶特性的一种描述。简单地讲，它是一个数学模型。基于大量的训练数据的训练，其中，所述训练数据中的每一组训练数据均包括：所述第一食品的成分信息和所述第一用户的年龄信息和用来标识第一食品摄入量等级的标识信息，所述神经网络模型不断地自我的修正，进而使得获得更准确的不同年龄段的第一食品摄入量等级信息。
进一步而言，所述训练数据训练的过程本质为监督学习的过程，每一组监督数据均包括：所述第一食品的成分信息和所述第一用户的年龄信息和用来标识第一食品摄入量等级的标识信息，将所述第一食品的成分信息和所述第一用户的年龄信息输入到神经网络模型中，所述神经网络模型输出所述第一检测结果，判断所述输出的所述第一检测结果与用来标识第一食品摄入量等级的标识信息是否一致，如一致，进行下一组数据的监督学习；如果所述输出的所述第一检测结果与用来标识第一食品摄入量等级的标识信息不一致，则所述神经网络模型进行自我修正、调整，直至获得的输出信息与用来标识第一食品摄入量等级的标识信息一致，则结束本组数据监督学习，进行下一组数据监督学习；当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时，则监督学习过程结束。通过对所述神经网络模型的监督学习，进而使得所述神经网络模型处理所述输入数据更加准确，进而使得输出第一检测结果更加准确，进而达到获得准确的所述第一食品被所述第一用户食用的摄入量等级信息的技术效果。
步骤S600：根据所述成分信息的含量信息和所述第一用户的身体情况信息，获得第二检测结果；
具体而言，根据所述食品中成分含量的信息及所述第一用户的身体情况信息，判断所述第一用户是否适宜摄入所述食品，及所述食品中的不同的成分有没有跟所述第一用户身体状态相互冲突的部分，获得第二检测结果。
进一步而言，将所述成分信息的含量信息和所述第一用户的身体情况信息作为输入数据输入第二训练模型，其中，所述第二训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述成分信息的含量信息和所述第一用户的身体情况信息和用来标识成分含量信息是否适宜摄入的标识信息，通过所述训练模型，获得更加准确的第二检测结果，进而准确的判断所述成分信息的含量信息是否适宜第一用户的身体情况进行摄入。
步骤S700：获得所述第一检测结果和所述第二检测结果的权重比信息；
具体而言，所述权重比确定，举例而言：确定年龄为儿童后，确定这个儿童的健康情况为有某种健康问题，即第一情况儿童、非健康这种情况是第一权重比，健康占权重较大；儿童、健康为第二权重比儿童占比较大；成人、健康为第三权重比；成人、非健康为第四权重比，权重分为四种情况，每种权重比各不相同。通过根据所述年龄、健康的不同，所占的权重比也不同的方式来获得最终的检测结果。
步骤S800：根据所述第一检测结果、所述第二检测结果和所述权重比信息，获得第三检测结果。
具体而言，根据所述不同情况占据的权重比的不同，对所述第一检测结果、第二检测结果进行基于权重比的加权计算，获得第三检测结果，所述第三检测结果用于获得所述第一食品是否适宜被所述第一用户食用及食用量信息。
如图3所示，所述获得所述第一检测结果和所述第二检测结果的权重比信息，本申请实施例S700还包括：
步骤S710：根据所述第一用户的年龄信息，获得第一年龄等级信息；
步骤S720：获得第一预定等级阈值；
步骤S730：判断所述第一年龄等级信息是否在所述第一预定等级阈值之内；
步骤S740：如果所述第一年龄等级信息在所述第一预定等级阈值之内，根据所述第一用户的身体情况信息，获得预定健康阈值；
步骤S750：判断所述第一用户的身体情况信息是否在所述预定健康阈值之内；
步骤S760：如果所述第一用户的身体情况信息不在所述预定健康阈值之内，获得第一权重比信息；
步骤S770：根据所述第一权重比信息、所述第一检测结果和所述第二检测结果，获得第四检测结果；
步骤S780：如果所述第一用户的身体情况信息在所述预定健康阈值之内，获得第二权重比信息；
步骤S790：根据所述第二权重比信息、所述第一检测结果和所述第二检测结果，获得第五检测结果。
具体而言，所述第一预定等级阈值为根据所述第一用户的年龄信息获得的年龄分段的阈值，举例而言，儿童的年龄阈值为18岁，判断所述第一用户的年龄等级阈值是否在18岁内，当所述第一用户的年龄等级阈值在18岁内，则判定所述第一用户为儿童，所述预定健康阈值为判断所述第一用户是否健康的健康阈值，当所述第一用户被判定为儿童、非健康时，获得第一权重比，根据第一权重比、第一检测结果、第二检测结果，所述第一权重比为儿童、非健康，则是否健康所占比重较大，则第二检测结果所占比重大于第一检测结果，根据所述第一权重比获得第四检测结果；所述第一用户被判定为儿童、健康时，则所述年龄信息所占比重较大，则第一检测结果比重大于第二检测结果，获得第二权重比信息，根据所述第二权重比、第一检测结果、第二检测结果获得第五检测结果。根据所述第一检测信息、第二检测信息所占比重的不同，依据所述年龄、健康信息进行权重比的分配，进而达到准确判断所述食品是否适合第一用户食用，提高检测效果的准确性，结合第一用户的自身情况以及食品参数来进行检测从而提高检测的准确性的技术效果。
如图4所示，所述判断所述第一年龄等级信息是否在所述第一预定等级阈值之内，本申请实施例步骤S730还包括：
步骤S731：如果所述第一年龄等级信息不在所述第一预定等级阈值之内，根据所述第一用户的身体情况信息，获得预定健康阈值；
步骤S732：判断所述第一用户的身体情况信息是否在所述预定健康阈值之内；
步骤S733：如果所述第一用户的身体情况信息不在所述预定健康阈值之内，获得第三权重比信息；
步骤S734：根据所述第三权重比信息、所述第一检测结果和所述第二检测结果，获得第六检测结果；
步骤S735：如果所述第一用户的身体情况信息在所述预定健康阈值之内，获得第四权重比信息；
步骤S736：根据所述第四权重比信息、所述第一检测结果和所述第二检测结果，获得第七检测结果。
具体而言，当所述第一年龄等级信息不在所述第一预定等级阈值之内时，则表明所述第一用户身份为成人，判断所述第一用户的身体情况信息是否在所述预定健康阈值之内，当所述第一用户的身体情况信息不在所述预定健康阈值之内，则判定第一用户为成人、不健康，此时获得第三权重比信息，所述第三权重比信息为第二检测结果所占权重比更大的信息，通过第三权重比信息、第一检测结果、第二检测结果获得第六检测结果；当所述第一用户的身体情况信息在所述预定健康阈值之内，则判定所述第一用户为成人、健康，此时获得第四权重比信息，所述第四权重比主要侧重于食品本身的成分含量信息，判断所述食品本身的成分含量对于所述第一用户摄入或过多摄入是否具有危害。根据所述第一检测信息、第二检测信息所占比重的不同，依据所述年龄、健康信息进行权重比的分配，进而达到准确判断所述食品是否适合第一用户食用，提高检测效果的准确性，结合第一用户的自身情况以及食品参数来进行检测从而提高检测的准确性的技术效果。
如图5所示，所述根据所述第一检测结果、所述第二检测结果和所述权重比信息，获得第三检测结果，本申请实施例步骤S800还包括：
步骤S810：获得所述第一用户的需求信息；
步骤S820：根据所述第一用户的需求信息，获得第一调整参数；
步骤S830：根据所述第一调整参数，调整所述权重比信息；
步骤S840：根据所述调整后的权重比信息、所述第一检测结果和所述第二检测结果，获得第八检测结果。
具体而言，所述需求信息为所述第一用户的需求，当所述第一用户正在减肥/健身时，根据所述第一用户减肥/健身的需求，根据所述第一食品的组成成分的不同，获得第一调整参数，所述第一调整参数是依据所述第一用户的需求及第一食品的成分进行实施动态调整的第一调整参数，根据所述第一调整参数，调整所述权重比信息。根据所述调整后的权重比信息、所述第一检测结果和所述第二检测结果，获得第八检测结果。通过根据所述第一用户的需求的不同，依据所述第一用户的需求的不同，对所述权重比信息进行实时动态调整，达到深度结合第一用户及第一用户需求，获得更加适合第一用户食用的食品，达到深度结合用户对所述食品进行准确判断的技术效果。
如图6所示，本申请实施例还包括：
步骤S910：获得所述第一用户的摄入物信息；
步骤S920：判断所述摄入物信息是否能与所述第一食品同食；
步骤S930：如果所述摄入物信息不能与所述第一食品同食，获得第一提醒信息，所述第一提醒信息用于提醒所述第一用户禁止摄入所述第一食品。
具体而言，所述摄入物为所述第一用户摄入的食物，获得所述第一用户的摄入食物的相关信息，判断所述已摄入食物与所述第一食品是否可同食，举例而言，蜂蜜与豆腐同食会导致腹泻；大葱跟大枣同食会导致脾胃不和；白萝卜跟胡萝卜同食导致败血症；哈密瓜与香蕉同食会导致肾衰与关节病人病症的加重；鸡蛋和豆奶同食会影响营养的吸收；土豆和香蕉同食会产生毒素等。当所述摄入物与所述第一食品不能同食时，获得第一提醒信息，所述第一提醒信息用于提醒所述第一用户禁止摄入所述第一食品。通过对所述第一用户摄入食品的获得，实时判断所述第一食品与所述摄入物是否能同时食用，达到准确结合所述第一用户实时状况，判断所述第一食品能否被所述第一用户食用的技术效果。
如图7所示，如果所述摄入物信息不能与所述第一食品同食，本申请实施例步骤S930还包括：
步骤S931：获得所述第一用户摄入物摄入时间信息；
步骤S932：根据所述第一用户的摄入物信息和所述摄入时间信息，获得所述摄入物体内存量信息；
步骤S933：根据所述摄入物体内存量信息，获得第一消耗时间；
步骤S934：根据所述第一消耗时间，获得第二提醒信息，所述第二提醒信息用于提醒所述第一用户在所述第一消耗时间后，可摄入所述第一食品。
具体而言，当所述第一食品仅仅是因为摄入物冲突而不能食用时，获得与所述第一食品冲突的摄入物的摄入时间信息，当所述摄入物在所述第一用户消耗殆尽后，获得第二提醒信息，所述第二提醒信息用于提醒所述第一用户，在所述第一消耗时间后可摄入所述第一食品。通过对所述冲突摄入物的消耗时间的判断，进而达到准确判断所述第一食品在何时可被所述第一用户食用的技术效果。
如图8所示，将所述第一食品的成分信息和所述第一用户的年龄信息作为输入数据输入第一训练模型之前，所述步骤S510还包括：
步骤S511：将所述第一食品的成分信息和所述第一用户的年龄信息作为第一训练数据集，获得第二训练数据集，第三训练数据集，以此类推获得第N训练数据集其中，N为大于1的自然数；
步骤S512：根据第一训练数据集生成第一验证码，所述第一验证码与所述第一训练数据集一一对应；
步骤S513：根据第二训练数据集与第一验证码生成第二验证码，以此类推，根据第N训练数据集与第N-1验证码生成第N验证码；
步骤S514：将所有训练数据集和验证码分别复制保存在M台设备上，其中，M为大于1的自然数。
具体而言，为了保证训练数据的安全性，获得更加准确的训练模型；将所述第一食品的成分信息和所述第一用户的年龄信息作为第一训练数据集，根据所述第一训练数据集生成第一验证码，其中所述第一验证码与所述第一训练数据集一一对应；根据所述第训练数据集和第一验证码生成第二验证码；以此类推，根据所述第N训练数据集和第N-1验证码生成第N验证码，其中，N为大于1的自然数；将所述第一训练数据集和所述第一验证码作为第一区块；将所述第二训练数据集和所述第二验证码作为第二区块；以此类推，将所述第N训练数据集和所述第N验证码作为第N区块。将所述第一区块、所述第二区块···所述第N区块分别复制保存在M台设备上；当需要调用所述训练数据集时，每后一个节点接收前一节点存储的数据后，通过“共识机制”进行校验后保存，通过哈希函数对于每一区块进行串接，使得所述训练数据集及验证码不易丢失和遭到破坏，通过基于区块链逻辑加密处理的方式，进而获得安全的、准确的第一训练模型，进而达到获得准确的所述第一食品被所述第一用户食用的摄入量等级信息的技术效果。
综上所述，本申请实施例所提供的一种提升食品检测准确性的信息处理方法和装置具有如下技术效果：
1、由于采用了根据第一食品成分信息和第一用户年龄信息获得第一检测结果，根据所述成分信息的含量信息和所述第一用户的身体情况信息获得第二检测结果，并根据所述第一检测结果、所述第二检测结果所占权重比信息，获得第三检测结果的方式，针对述第一用户的年龄及身体信息，通过所述食品的成分及成分的含量信息准确判断所述食品是否适宜所述第一用户食用，达到提高检测效果的准确性，结合第一用户的自身情况以及食品参数来进行检测从而提高检测的准确性的技术效果。
2、由于采用了将所述第一食品的成分信息和所述第一用户的年龄信息作为输入数据输入第一训练模型，通过对所述第一训练模型模型的监督学习，进而使得所述模型处理所述输入数据更加准确，进而使得输出第一检测结果更加准确，进而达到获得准确的所述第一食品被所述第一用户食用的摄入量等级信息的技术效果。
3、由于采用了依据所述年龄、健康信息进行权重比的分配的方式，进而达到准确判断所述食品是否适合第一用户食用，提高检测效果的准确性，结合第一用户的自身情况以及食品参数来进行检测从而提高检测的准确性的技术效果。
4、由于采用了依据所述第一用户的需求的不同，对所述权重比信息进行实时动态调整的方式，达到深度结合第一用户及第一用户需求，获得更加适合第一用户食用的食品，达到深度结合用户对所述食品进行准确判断的技术效果。
实施例二
基于与前述实施例中一种提升食品检测准确性的信息处理方法同样发明构思，本发明还提供了一种提升食品检测准确性的信息处理装置，如图9所示，所述装置包括：
第一获得单元11，所述第一获得单元11用于获得第一食品的成分信息；
第二获得单元12，所述第二获得单元12用于获得所述成分信息的含量信息；
第三获得单元13，所述第三获得单元13用于获得第一用户的年龄信息；
第四获得单元14，所述第四获得单元14用于获得所述第一用户的身体情况信息；
第五获得单元15，所述第五获得单元15用于根据所述第一食品的成分信息和所述第一用户的年龄信息，获得第一检测结果；
第六获得单元16，所述第六获得单元16用于根据所述成分信息的含量信息和所述第一用户的身体情况信息，获得第二检测结果；
第七获得单元17，所述第七获得单元17用于获得所述第一检测结果和所述第二检测结果的权重比信息；
第八获得单元18，所述第八获得单元18用于根据所述第一检测结果、所述第二检测结果和所述权重比信息，获得第三检测结果。
进一步的，所述装置还包括：
第九获得单元，所述第九获得单元用于根据所述第一用户的年龄信息，获得第一年龄等级信息；
第十获得单元，所述第十获得单元用于获得第一预定等级阈值；
第一判断单元，所述第一判断单元用于判断所述第一年龄等级信息是否在所述第一预定等级阈值之内；
第十一获得单元，所述第十一获得单元用于如果所述第一年龄等级信息在所述第一预定等级阈值之内，根据所述第一用户的身体情况信息，获得预定健康阈值；
第二判断单元，所述第二判断单元用于判断所述第一用户的身体情况信息是否在所述预定健康阈值之内；
第十二获得单元，所述第十二获得单元用于如果所述第一用户的身体情况信息不在所述预定健康阈值之内，获得第一权重比信息；
第十三获得单元，所述第十三获得单元用于根据所述第一权重比信息、所述第一检测结果和所述第二检测结果，获得第四检测结果；
第十四获得单元，所述第十四获得单元用于如果所述第一用户的身体情况信息在所述预定健康阈值之内，获得第二权重比信息；
第十五获得单元，所述第十五获得单元用于根据所述第二权重比信息、所述第一检测结果和所述第二检测结果，获得第五检测结果。
进一步的，所述装置还包括：
第十六获得单元，所述第十六获得单元用于如果所述第一年龄等级信息不在所述第一预定等级阈值之内，根据所述第一用户的身体情况信息，获得预定健康阈值；
第三判断单元，所述第三判断单元用于判断所述第一用户的身体情况信息是否在所述预定健康阈值之内；
第十七获得单元，所述第十七获得单元用于如果所述第一用户的身体情况信息不在所述预定健康阈值之内，获得第三权重比信息；
第十八获得单元，所述第十八获得单元用于根据所述第三权重比信息、所述第一检测结果和所述第二检测结果，获得第六检测结果；
第十九获得单元，所述第十九获得单元用于如果所述第一用户的身体情况信息在所述预定健康阈值之内，获得第四权重比信息。
第二十获得单元，所述第二十获得单元用于根据所述第四权重比信息、所述第一检测结果和所述第二检测结果，获得第七检测结果。
进一步的，所述装置还包括：
第二十一获得单元，所述第二十一获得单元用于获得所述第一用户的需求信息；
第二十二获得单元，所述第二十二获得单元用于根据所述第一用户的需求信息，获得第一调整参数；
第一调整单元，所述第一调整单元用于根据所述第一调整参数，调整所述权重比信息；
第二十三获得单元，所述第二十三获得单元用于根据所述调整后的权重比信息、所述第一检测结果和所述第二检测结果，获得第八检测结果。
进一步的，所述装置还包括：
第二十四获得单元，所述第二十四获得单元用于获得所述第一用户的摄入物信息
第四判断单元，所述第四判断单元用于判断所述摄入物信息是否能与所述第一食品同食；
第二十五获得单元，所述第二十五获得单元用于如果所述摄入物信息不能与所述第一食品同食，获得第一提醒信息，所述第一提醒信息用于提醒所述第一用户禁止摄入所述第一食品。
进一步的，所述装置还包括：
第二十六获得单元，所述第二十六获得单元用于获得所述第一用户摄入物摄入时间信息；
第二十七获得单元，所述第二十七获得单元用于根据所述第一用户的摄入物信息和所述摄入时间信息，获得所述摄入物体内存量信息；
第二十八获得单元，所述第二十八获得单元用于根据所述摄入物体内存量信息，获得第一消耗时间；
第二十九获得单元，所述第二十九获得单元用于根据所述第一消耗时间，获得第二提醒信息，所述第二提醒信息用于提醒所述第一用户在所述第一消耗时间后，可摄入所述第一食品。
进一步的，所述装置还包括：
第一输入单元，所述第一输入单元用于将所述第一食品的成分信息和所述第一用户的年龄信息作为输入数据输入第一训练模型，其中，所述第一训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一食品的成分信息和所述第一用户的年龄信息和用来标识第一食品摄入量等级的标识信息；
第三十获得单元，所述第三十获得单元用于获得所述第一训练模型的第一输出信息，其中，所述第一输出信息包括所述第一检测结果，所述第一检测结果为所述第一食品摄入量的等级信息。
前述图1实施例一中的一种提升食品检测准确性的信息处理方法的各种变化方式和具体实例同样适用于本实施例的一种提升食品检测准确性的信息处理装置，通过前述对一种提升食品检测准确性的信息处理方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种提升食品检测准确性的信息处理装置的实施方法，所以为了说明书的简洁，在此不再详述。
下面参考图10来描述本申请实施例的电子设备。
图10图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种提升食品检测准确性的信息处理方法的发明构思，本发明还提供一种提升食品检测准确性的信息处理装置，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种提升食品检测准确性的信息处理方法的任一方法的步骤。
其中，在图10中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他系统通信的单元。
处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本发明实施例提供的一种提升食品检测准确性的信息处理方法，所述方法包括：获得第一食品的成分信息；获得所述成分信息的含量信息；获得第一用户的年龄信息；获得所述第一用户的身体情况信息；根据所述第一食品的成分信息和所述第一用户的年龄信息，获得第一检测结果；根据所述成分信息的含量信息和所述第一用户的身体情况信息，获得第二检测结果；获得所述第一检测结果和所述第二检测结果的权重比信息；根据所述第一检测结果、所述第二检测结果和所述权重比信息，获得第三检测结果。解决了现有技术中存在无法针对用户进行食品检测，无法准确根据食品特性判断所述食品是否适合第一用户进行食用的技术问题，达到提高检测效果的准确性，结合第一用户的自身情况以及食品参数来进行检测从而提高检测的准确性的技术效果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种提升食品检测准确性的信息处理方法，其中，所述方法包括：
获得第一食品的成分信息；
获得所述成分信息的含量信息；
获得第一用户的年龄信息；
获得所述第一用户的身体情况信息；
根据所述第一食品的成分信息和所述第一用户的年龄信息，获得第一检测结果；
根据所述成分信息的含量信息和所述第一用户的身体情况信息，获得第二检测结果；
获得所述第一检测结果和所述第二检测结果的权重比信息；
根据所述第一检测结果、所述第二检测结果和所述权重比信息，获得第三检测结果。
2.如权利要求1所述的方法，其中，所述方法包括：
根据所述第一用户的年龄信息，获得第一年龄等级信息；
获得第一预定等级阈值；
判断所述第一年龄等级信息是否在所述第一预定等级阈值之内；
如果所述第一年龄等级信息在所述第一预定等级阈值之内，根据所述第一用户的身体情况信息，获得预定健康阈值；
判断所述第一用户的身体情况信息是否在所述预定健康阈值之内；
如果所述第一用户的身体情况信息不在所述预定健康阈值之内，获得第一权重比信息；
根据所述第一权重比信息、所述第一检测结果和所述第二检测结果，获得第四检测结果；
如果所述第一用户的身体情况信息在所述预定健康阈值之内，获得第二权重比信息
根据所述第二权重比信息、所述第一检测结果和所述第二检测结果，获得第五检测结果。
3.如权利要求2所述的方法，其中，所述方法包括：
如果所述第一年龄等级信息不在所述第一预定等级阈值之内，根据所述第一用户的身体情况信息，获得预定健康阈值；
判断所述第一用户的身体情况信息是否在所述预定健康阈值之内；
如果所述第一用户的身体情况信息不在所述预定健康阈值之内，获得第三权重比信息；
根据所述第三权重比信息、所述第一检测结果和所述第二检测结果，获得第六检测结果；
如果所述第一用户的身体情况信息在所述预定健康阈值之内，获得第四权重比信息
根据所述第四权重比信息、所述第一检测结果和所述第二检测结果，获得第七检测结果。
4.如权利要求1所述的方法，其中，所述方法包括：
获得所述第一用户的需求信息；
根据所述第一用户的需求信息，获得第一调整参数；
根据所述第一调整参数，调整所述权重比信息；
根据所述调整后的权重比信息、所述第一检测结果和所述第二检测结果，获得第八检测结果。
5.如权利要求1所述的方法，其中，所述方法包括：
获得所述第一用户的摄入物信息；
判断所述摄入物信息是否能与所述第一食品同食；
如果所述摄入物信息不能与所述第一食品同食，获得第一提醒信息，所述第一提醒信息用于提醒所述第一用户禁止摄入所述第一食品。
6.如权利要求5所述的方法，其中，所述方法包括：
获得所述第一用户摄入物摄入时间信息；
根据所述第一用户的摄入物信息和所述摄入时间信息，获得所述摄入物体内存量信息；
根据所述摄入物体内存量信息，获得第一消耗时间；
根据所述第一消耗时间，获得第二提醒信息，所述第二提醒信息用于提醒所述第一用户在所述第一消耗时间后，可摄入所述第一食品。
7.如权利要求1所述的方法，其中，所述根据所述第一食品的成分信息和所述第一用户的年龄信息，获得第一检测结果，包括：
将所述第一食品的成分信息和所述第一用户的年龄信息作为输入数据输入第一训练模型，其中，所述第一训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一食品的成分信息和所述第一用户的年龄信息和用来标识第一食品摄入量等级的标识信息；
获得所述第一训练模型的第一输出信息，其中，所述第一输出信息包括所述第一检测结果，所述第一检测结果为所述第一食品摄入量的等级信息。
8.一种提升食品检测准确性的信息处理装置，其中，所述装置包括：
第一获得单元，所述第一获得单元用于获得第一食品的成分信息；
第二获得单元，所述第二获得单元用于获得所述成分信息的含量信息；
第三获得单元，所述第三获得单元用于获得第一用户的年龄信息；
第四获得单元，所述第四获得单元用于获得所述第一用户的身体情况信息；
第五获得单元，所述第五获得单元用于根据所述第一食品的成分信息和所述第一用户的年龄信息，获得第一检测结果；
第六获得单元，所述第六获得单元用于根据所述成分信息的含量信息和所述第一用户的身体情况信息，获得第二检测结果；
第七获得单元，所述第七获得单元用于获得所述第一检测结果和所述第二检测结果的权重比信息；
第八获得单元，所述第八获得单元用于根据所述第一检测结果、所述第二检测结果和所述权重比信息，获得第三检测结果。
9.一种提升食品检测准确性的信息处理装置，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，其中，所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011328893.4A CN112580690B (zh) | 2020-11-24 | 2020-11-24 | 一种提升食品检测准确性的信息处理方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011328893.4A CN112580690B (zh) | 2020-11-24 | 2020-11-24 | 一种提升食品检测准确性的信息处理方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112580690A true CN112580690A (zh) | 2021-03-30 |
| CN112580690B CN112580690B (zh) | 2021-12-07 |
Family
ID=75123289
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011328893.4A Active CN112580690B (zh) | 2020-11-24 | 2020-11-24 | 一种提升食品检测准确性的信息处理方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112580690B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114417954A (zh) * | 2021-12-01 | 2022-04-29 | 江苏权正检验检测有限公司 | 一种提升食品检测效果的信息处理方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107493390A (zh) * | 2017-09-01 | 2017-12-19 | 陕西科技大学 | 一种移动设备自动识别热量摄入和消耗的方法、系统 |
| CN108206058A (zh) * | 2016-12-19 | 2018-06-26 | 平安科技（深圳）有限公司 | 人体综合健康风险预测方法及系统 |
| US20180350144A1 (en) * | 2018-07-27 | 2018-12-06 | Yogesh Rathod | Generating, recording, simulating, displaying and sharing user related real world activities, actions, events, participations, transactions, status, experience, expressions, scenes, sharing, interactions with entities and associated plurality types of data in virtual world |
| CN109509538A (zh) * | 2018-11-05 | 2019-03-22 | 苏州帕诺米克生物医药科技有限公司 | 健康管理方法、装置及存储介质 |
| CN110097946A (zh) * | 2019-03-01 | 2019-08-06 | 西安电子科技大学 | 一种基于营养成分分析的饮食推荐方法 |
| CN110349647A (zh) * | 2019-05-24 | 2019-10-18 | 平安科技（深圳）有限公司 | 饮食管理方法、系统、电子设备及存储介质 |
| CN110718282A (zh) * | 2019-10-14 | 2020-01-21 | 杭州睿琪软件有限公司 | 一种包装类食品识别方法及装置 |
| CN111435610A (zh) * | 2019-01-14 | 2020-07-21 | 珠海格力电器股份有限公司 | 推荐食物的方法、装置和烹饪器具 |
| CN111815071A (zh) * | 2020-07-27 | 2020-10-23 | 广州驰兴通用技术研究有限公司 | 一种基于互联网的电子商务的数据处理方法及系统 |
-
2020
- 2020-11-24 CN CN202011328893.4A patent/CN112580690B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108206058A (zh) * | 2016-12-19 | 2018-06-26 | 平安科技（深圳）有限公司 | 人体综合健康风险预测方法及系统 |
| CN107493390A (zh) * | 2017-09-01 | 2017-12-19 | 陕西科技大学 | 一种移动设备自动识别热量摄入和消耗的方法、系统 |
| US20180350144A1 (en) * | 2018-07-27 | 2018-12-06 | Yogesh Rathod | Generating, recording, simulating, displaying and sharing user related real world activities, actions, events, participations, transactions, status, experience, expressions, scenes, sharing, interactions with entities and associated plurality types of data in virtual world |
| CN109509538A (zh) * | 2018-11-05 | 2019-03-22 | 苏州帕诺米克生物医药科技有限公司 | 健康管理方法、装置及存储介质 |
| CN111435610A (zh) * | 2019-01-14 | 2020-07-21 | 珠海格力电器股份有限公司 | 推荐食物的方法、装置和烹饪器具 |
| CN110097946A (zh) * | 2019-03-01 | 2019-08-06 | 西安电子科技大学 | 一种基于营养成分分析的饮食推荐方法 |
| CN110349647A (zh) * | 2019-05-24 | 2019-10-18 | 平安科技（深圳）有限公司 | 饮食管理方法、系统、电子设备及存储介质 |
| CN110718282A (zh) * | 2019-10-14 | 2020-01-21 | 杭州睿琪软件有限公司 | 一种包装类食品识别方法及装置 |
| CN111815071A (zh) * | 2020-07-27 | 2020-10-23 | 广州驰兴通用技术研究有限公司 | 一种基于互联网的电子商务的数据处理方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| JOANNE E.ARSENAULT等: "基于食物和膳食的营养素度量法中赋值营养素权重的新方法", 《营养健康新观察》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114417954A (zh) * | 2021-12-01 | 2022-04-29 | 江苏权正检验检测有限公司 | 一种提升食品检测效果的信息处理方法及系统 |
| CN114417954B (zh) * | 2021-12-01 | 2023-12-26 | 江苏权正检验检测有限公司 | 一种提升食品检测效果的信息处理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112580690B (zh) | 2021-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Effendy et al. | Nutrition education in Southeast Sulawesi Province, Indonesia: A cluster randomized controlled study | |
| CN112580690B (zh) | 一种提升食品检测准确性的信息处理方法和装置 | |
| Iuel-Brockdorf et al. | Acceptability of new formulations of corn-soy blends and lipid-based nutrient supplements in Province du Passoré, Burkina Faso | |
| Voigt et al. | Childhood obesity: Ethical and policy issues | |
| Schou Andersen et al. | Maternal recreational exercise during pregnancy in relation to children’s BMI at 7 years of age | |
| McCracken | The Boy Who Was a Girl": Reading Gender in the" Roman de Silence | |
| Weirich | Rational Responses to Risks | |
| CN109243565A (zh) | 一种常备药物推荐方法和装置 | |
| CN116417114B (zh) | 一种基于全生命周期的学生健康饮食管理系统 | |
| Manandhar | Food, nutrition and poverty among asylum-seekers in north-west Ireland | |
| KR102519214B1 (ko) | 뉴럴 네트워크 모델에 기초한 반려 동물 영양제 추천 정보 생성 방법 | |
| McNorgan et al. | Feature-feature causal relations and statistical co-occurrences in object concepts | |
| CN112630458B (zh) | 一种单甘酯的质量检测的方法和装置 | |
| Espín et al. | Semantic-based recommendation of nutrition diets for the elderly from agroalimentary thesauri | |
| CN112652379A (zh) | 一种自动生成肾衰竭患者营养治疗方案的系统及方法 | |
| CN112102915A (zh) | 一种营养液摄入量的智能控制方法和装置 | |
| CN112159415A (zh) | 一种提高青蒿素提取纯度的方法和装置 | |
| CN112733634A (zh) | 一种米粉质量监测方法及装置 | |
| CN112807542A (zh) | 一种麻醉剂用量控制的方法和装置 | |
| Goyal et al. | Smart artificial intelligence computerized models for shelf life prediction of processed cheese | |
| H Saaty et al. | Factors related to engaging in physical activity: A mixed methods study of female university students | |
| CN113113112A (zh) | 一种肾内科患者的饮食监控系统及方法 | |
| Gusni et al. | Gastric Diagnosis Expert System using the Fuzzy Mamdani Method | |
| KR102594082B1 (ko) | 어린이 권장 섭취량을 기준으로 하는 영양제 큐레이션 서비스 제공 시스템 | |
| CN112330200A (zh) | 一种提升食品检测效果的信息处理方法和装置 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Ji Ting Inventor after: Zhang Rongrong Inventor before: Ji Ting Inventor before: Zhang Rongrong |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210330 Assignee: Nantong suluda Intelligent Manufacturing Technology Co.,Ltd. Assignor: NANTONG University Contract record no.: X2022980024950 Denomination of invention: An information processing method and device for improving the accuracy of food detection Granted publication date: 20211207 License type: Common License Record date: 20221209 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210330 Assignee: Suzhou Zelituo Precision Machinery Co.,Ltd. Assignor: NANTONG University Contract record no.: X2023980053132 Denomination of invention: An information processing method and device for improving the accuracy of food testing Granted publication date: 20211207 License type: Common License Record date: 20231219 |
|
| EE01 | Entry into force of recordation of patent licensing contract |