CN113744213A - 餐品摆盘整齐度检测方法、系统、计算机设备和存储介质 - Google Patents
餐品摆盘整齐度检测方法、系统、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113744213A CN113744213A CN202110968841.1A CN202110968841A CN113744213A CN 113744213 A CN113744213 A CN 113744213A CN 202110968841 A CN202110968841 A CN 202110968841A CN 113744213 A CN113744213 A CN 113744213A
- Authority
- CN
- China
- Prior art keywords
- target
- food
- detection
- image
- target area
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
Abstract
本申请涉及一种餐品摆盘整齐度检测方法、系统、计算机设备和存储介质,其中,该餐品摆盘整齐度检测方法包括:目标餐品图像获取步骤,基于一图像采集系统获取目标餐品的原始图像;目标区域获取步骤,对所述原始图像进行目标检测,判断所述原始图像中是否包括目标区域并获取所述目标区域;摆盘整齐度检测步骤,利用目标检测算法和/或图像识别系统分别对所述目标区域中目标餐品的摆盘方向进行检测,并结合所述目标检测算法及图像识别系统的检测结果判断目标餐品的摆盘方向是否一致。通过本申请,结合目标检测、图像识别对出餐口的餐品进行摆盘方向一致性判断,实时检测目标出餐品是否整齐,有效降低误判率,提高检测结果准确性。
Description
技术领域
本申请涉及互联网技术领域,特别是涉及餐品摆盘整齐度检测方法、系统、计算机设备和计算机可读存储介质。
背景技术
民以食为天,在餐饮领域中食品的外观,有时也会在一定程度上影响顾客的选择,对于秀色可餐的食物往往会使人心情愉悦,不仅能是顾客有一个好的用餐体验,也会增加门店的光顾频率和一定的经济效益。好的摆盘要求主体美观且整洁、有统一感、整齐。例如:检测饺子是否顺茬,一方面可以利于门店对饺子出餐时对饺子个数的统计,另一方面也可以增加一盘饺子整体的美感,给顾客一个好的用餐体验。
但是,目前针对相关技术中如何检测餐品整齐度尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种餐品摆盘整齐度检测方法、系统、计算机设备和计算机可读存储介质,以至少解决相关技术中检测餐品整齐度的问题。
第一方面,本申请实施例提供了一种餐品摆盘整齐度检测方法,包括:
目标餐品图像获取步骤,基于一图像采集系统获取目标餐品的原始图像;
目标区域获取步骤,对所述原始图像进行目标检测,判断所述原始图像中是否包括目标区域并获取所述目标区域;
摆盘整齐度检测步骤,利用目标检测算法和/或图像识别系统分别对所述目标区域中目标餐品的摆盘方向进行检测,并基于所述目标检测算法及图像识别系统的检测结果判断目标餐品的摆盘方向是否一致。
基于上述步骤,本申请实施例结合目标检测、图像识别技术对出餐口的餐品进行摆盘方向一致性判断,实时检测目标出餐品是否整齐,如水饺是否顺茬,有助于使消费者对餐品形成统一的观感,有效提高客户体验。
在其中一些实施例中,所述摆盘整齐度检测步骤进一步包括:
目标检测步骤,基于目标检测算法获取所述目标餐品的多个检测框,计算并统计每一所述检测框与一预设横轴或预设纵轴的相对角度,基于所述相对角度判断目标餐品的方向是否一致;
图像识别步骤,利用预训练的卷积神经网络图像识别模型对所述目标区域进行图像分类,基于分类结果判断出所述目标区域中目标餐品的方向是否一致;
组合判断步骤,获取所述目标检测步骤和所述图像识别步骤的判断结果,基于一预设判断规则对所述检测结果进行修正,判断所述目标餐品的方向是否一致。
基于上述步骤,本申请实施例利用目标检测算法及神经网络图像识别模型,处理图像速度快、效率高;相较于单纯使用卷积神经网络图像识别模型,本实施例对数据的依赖性较低,鲁棒性强,不受复杂场景的干扰。
在其中一些实施例中,所述预设判断规则具体为:
若所述目标检测步骤和所述图像识别步骤均判断所述目标餐品的方向一致,则判断所述目标餐品的方向一致;
若所述目标检测步骤和/或所述图像识别步骤判断所述目标餐品的方向不一致,则判断所述目标餐品的方向不一致。
基于上述判断规则,本申请实施例有效降低误判率,提高检测结果准确性。
在其中一些实施例中,所述目标区域获取步骤进一步包括:
目标区域检测步骤,对所述原始图像进行目标检测,判断所述原始图像中是否包括所述目标区域;
目标区域裁剪步骤,若所述原始图像中包括目标区域,则通过裁剪所述原始图像获取所述目标区域;否则,返回目标餐品图像获取步骤。
第二方面,本申请实施例提供了一种餐品摆盘整齐度检测系统,包括:
目标餐品图像获取模块,基于一图像采集系统获取目标餐品的原始图像;
目标区域获取模块,对所述原始图像进行目标检测,判断所述原始图像中是否包括目标区域并获取所述目标区域;
摆盘整齐度检测模块,利用目标检测算法和/或图像识别系统分别对所述目标区域中目标餐品的摆盘方向进行检测,并基于所述目标检测算法及图像识别系统的检测结果判断目标餐品的摆盘方向是否一致。
基于上述模块,本申请实施例结合目标检测、图像识别对出餐口的餐品进行摆盘方向一致性判断,实时检测目标出餐品是否规范,如水饺是否顺茬,有助于使消费者对餐品形成统一的观感,有效提高客户体验。
在其中一些实施例中,所述摆盘整齐度检测模块进一步包括:
目标检测模块,基于目标检测算法获取所述目标餐品的多个检测框,计算并统计每一所述检测框与一预设横轴或预设纵轴的相对角度,基于所述相对角度判断目标餐品的方向是否一致;
图像识别模块,利用预训练的卷积神经网络图像识别模型对所述目标区域进行图像分类,基于分类结果判断出所述目标区域中目标餐品的方向是否一致;
组合判断模块,获取所述目标检测模块和所述图像识别模块的判断结果,基于一预设判断规则对所述检测结果进行修正,判断所述目标餐品的方向是否一致。
基于上述模块,本申请实施例利用目标检测算法及神经网络图像识别模型,处理图像速度快、效率高;相较于单纯使用卷积神经网络图像识别模型,本实施例对数据的依赖性较低,鲁棒性强,不受复杂场景的干扰。
在其中一些实施例中,所述预设判断规则具体为:
若所述目标检测模块和所述图像识别模块均判断所述目标餐品的方向一致,则判断所述目标餐品的方向一致;
若所述目标检测模块和/或所述图像识别模块判断所述目标餐品的方向不一致,则判断所述目标餐品的方向不一致。
基于上述判断规则,本申请实施例有效降低误判率,提高检测结果准确性。
在其中一些实施例中,所述目标区域获取模块进一步包括:
目标区域检测模块,对所述原始图像进行目标检测,判断所述原始图像中是否包括所述目标区域;
目标区域裁剪模块,若所述原始图像中包括目标区域,则通过裁剪所述原始图像获取所述目标区域;否则,返回执行目标餐品图像获取模块。
第三方面,本申请实施例提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述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如上述第一方面所述的餐品摆盘整齐度检测方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面所述的餐品摆盘整齐度检测方法。
相比于相关技术,本申请实施例提供的餐品摆盘整齐度检测方法、系统、计算机设备和计算机可读存储介质,具体涉及一种深度学习技术,通过对出餐口的餐品进行摆盘方向一致性判断,实时检测目标出餐品是否整齐,有助于使消费者对餐品形成统一的观感;本申请结合目标检测及图像识别两种方案对出餐口的目标餐品进行检测,鲁棒性高,有效提高检测准确度。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的餐品摆盘整齐度检测方法的流程图;
图2是根据本申请优选实施例的餐品摆盘整齐度检测方法的流程图;
图3是根据本申请实施例的目标检测框的示意图;
图4是根据本申请优选实施例的顺茬水饺的示意图;
图5是根据本申请优选实施例的非顺茬水饺的示意图;
图6是根据本申请实施例的餐品摆盘整齐度检测系统的结构框图。
其中:
1、目标餐品图像获取模块;2、目标区域获取模块;
3、摆盘整齐度检测模块;201、目标区域检测模块;
202、目标区域裁剪模块;301、目标检测模块;302、图像识别模块;
303、组合判断模块。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作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。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
随着卷积神经网络的发展,图像识别技术在近几年得到了快速的发展,尤其是在计算机视觉方向。在图像领域,通过目标检测可以将目标区域检测出来,通过图像分类可以将检测出来的目标区域进行顺茬分类,本申请基于目标检测、图像分类提出了一种新的餐品摆盘整齐度检测方法。
本申请实施例提供了一种餐品摆盘整齐度检测方法,图1是根据本申请实施例的餐品摆盘整齐度检测方法的流程图,参考图1所示,该流程包括如下步骤:
目标餐品图像获取步骤S1,基于一图像采集系统获取目标餐品的原始图像;具体的,目标餐品可以是摆放于指定位置的,如出餐口,也可以是经过指定位置的,如出餐流水线。值得注意的是,目标餐品图像获取步骤S1中,若原始图像为损坏的图像,则图像采集系统重新读取新的图像。
目标区域获取步骤S2,对原始图像进行目标检测,判断原始图像中是否包括目标区域并获取目标区域;目标区域获取步骤S2中具体包括:
目标区域检测步骤S201,对原始图像进行目标检测,判断原始图像中是否包括目标区域;
目标区域裁剪步骤S202,若原始图像中包括目标区域,则通过裁剪原始图像获取目标区域;否则,返回目标餐品图像获取步骤S1重新读取新的图像。
摆盘整齐度检测步骤S3,利用目标检测算法和/或图像识别系统分别对目标区域中目标餐品的摆盘方向进行检测,并基于目标检测算法及图像识别系统的检测结果判断目标餐品的摆盘方向是否一致。
值得注意的是,上述目标区域获取步骤S2中还包括图像预处理步骤,图像预处理包括但不限于图像增强、去噪、镜像、均一化、拉伸等操作,以便于进行检测。
基于上述步骤,本申请实施例结合目标检测、图像识别对出餐口的餐品进行摆盘方向一致性判断,实时检测目标出餐品是否整齐,如水饺是否顺茬,若不顺茬则提醒相关负责人进行调整,有助于使消费者对餐品形成统一的观感,有效提高客户体验。
在实际应用中,检测餐品摆盘整齐度时,可以考虑只使用基于目标检测算法的方式或基于图像识别系统进行目标分类实现,但只基于目标检测算法进行检测可能会出现误判,加之图像识别系统中的卷积神经网络图像识别模型对数据的依赖性较强,鲁棒性较差。
基于上述考虑,本实施例的摆盘整齐度检测步骤S3进一步包括:
目标检测步骤S301,基于目标检测算法获取目标餐品的多个检测框,计算并统计每一检测框与一预设横轴或预设纵轴的相对角度,基于相对角度判断目标餐品的方向是否一致;具体的,基于检测框的长边和/或短边与预设横轴和/或预设纵轴的角度进行判断。
图像识别步骤S302,利用预训练的卷积神经网络图像识别模型对目标区域进行图像分类,基于分类结果判断出目标区域中目标餐品的方向是否一致;
组合判断步骤S303,获取目标检测步骤S301和图像识别步骤S302的判断结果,基于一预设判断规则对检测结果进行修正,判断目标餐品的方向是否一致。其中,该预设判断规则具体为:若目标检测步骤S301和图像识别步骤S302均判断目标餐品的方向一致,则判断目标餐品的方向一致;若目标检测步骤S301和/或图像识别步骤S302判断目标餐品的方向不一致,则判断目标餐品的方向不一致。基于上述判断规则,本申请实施例有效降低误判率,提高检测结果准确性。
基于上述步骤,本申请实施例利用目标检测算法及神经网络图像识别模型,处理图像速度快、效率高;相较于单纯使用卷积神经网络图像识别模型,本实施例对数据的依赖性较低,鲁棒性强,不受复杂场景的干扰。通过将两者的判断结果进行综合实现准确判断餐品方向是否一致,从而有选择的对不整齐的餐品进行相关处理。
在其中一些实施例中,目标检测步骤S301还包括目标餐品统计步骤,统计检测到的同一方向的单个餐品的个数,如图所示,图中水饺的个数,以便于生成每台设备每天的某一类目标餐品的统计报表,并进行分析,从而便于管理。
下面通过优选实施例对本申请实施例进行描述和说明。本优选实施例将餐品摆盘整齐度检测方法应用于对出餐口的水饺进行整齐度检测,具体以水饺是否为顺茬(方向是否一致)判断整齐度。
图2是根据本申请优选实施例的餐品摆盘整齐度检测方法的流程图,如图2所示,该餐品摆盘整齐度检测方法包括如下步骤:
步骤S401:配置图像采集系统,图像采集系统包括摄像头和图像采集装置。
步骤S402:读取水饺图像。
步骤S403:判断图像是否有损坏,若有损坏,返回步骤S402,读取新图像。
步骤S404:若无损坏,则对采集的图像进行预处理,具体图像预处理的方式参照上文,在此不再赘述。
步骤S405:利用目标检测算法对图像进行目标检测处理。
步骤S406:判断图像中是否有感兴趣目标,若无目标,则返回步骤S402,读取新的图像。
步骤S407:利用目标检测裁剪出目标区域。
步骤S408:对待检测目标区域分别进行相应图像预处理后,基于目标检测算法及图像识别系统进行顺茬检测并输出判断结果。基于目标检测算法进行顺茬检测具体为:统计进行目标检测得到的每一如图3所示的检测框长边和短边与水平方向(以水平方向为横轴)的角度,判断是否为顺茬,并统计每个方向水饺的个数。该图像识别系统基于残差网络resnet18进行实现,残差网络resnet18由17个卷积层和1个全连接层组成,残差网络中的跨层连接可以使网络变得更深,不会出现梯度弥散现象。为了使该网络有识别顺茬的能力,需要对该网络进行训练,使用一定的训练集对网络进行训练,该训练集所使用的图像为只包含盘子的图,如图4-5所示,这样使得图像的噪声信息大大减少。而且,训练集所使用的图像预先经过图像增强、图像大小设定等操作,其中图像增强方式包括:随机旋转,随机裁剪,随机模糊,颜色增强。通过图像增强使得图像的样式更加丰富,通过进行图像大小的设定,对训练集图像宽和高进行聚类统计,以此来选取合适的宽和高。
具体判断结果结合基于目标检测算法及图像识别系统的检测结果,具体结合原则如下:
若基于目标检测算法的检测结果判断为顺茬,基于图像识别系统的检测结果为不顺茬,则判断结果为不顺茬;
若基于目标检测算法的检测结果判断为不顺茬,基于图像识别系统的检测结果为不顺茬,则判断结果为不顺茬;
若基于目标检测算法的检测结果判断为不顺茬,基于图像识别系统的检测结果为顺茬,则判断结果为不顺茬;
若基于目标检测算法的检测结果判断为顺茬,基于图像识别系统的检测结果为顺茬,则判断结果为顺茬。
步骤S409:若判断结果输出为不顺茬,则通过语音系统进行播报并提醒工作人员进行相关处理。
基于上述步骤,本实施例实现实时检测饺子门店出餐口的出品是否顺茬,当检测到不顺茬的水饺出品会自动语音播报,以便于提醒工作人员进行餐品调整。进一步的,本实施例还可以通过统计水饺个数生成每台设备每天的所有出品的报表,以便于进行分析。
需要说明的是,在上述流程中或者附图的流程图中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。
本实施例还提供了一种餐品摆盘整齐度检测系统,该系统用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图6是根据本申请实施例的餐品摆盘整齐度检测系统的结构框图,参考图6所示,该系统包括目标餐品图像获取模块1、目标区域获取模块2及摆盘整齐度检测模块3,其中:
目标餐品图像获取模块1,基于一图像采集系统获取目标餐品的原始图像;具体的,目标餐品可以是摆放于指定位置的,也可以是经过指定位置的,如出餐流水线。值得注意的是,目标餐品图像获取模块中,若原始图像为损坏的图像,则图像采集系统重新读取新的图像。
目标区域获取模块2,对原始图像进行目标检测,判断原始图像中是否包括目标区域并获取目标区域;其中,目标区域获取模块2包括:目标区域检测模块201,对原始图像进行目标检测,判断原始图像中是否包括目标区域;目标区域裁剪模块202,若原始图像中包括目标区域,则通过裁剪原始图像获取目标区域;否则,返回执行目标餐品图像获取模块。值得注意的是,上述目标区域获取模块中还包括图像预处理模块,图像预处理包括但不限于图像增强、去噪、镜像、均一化、拉伸等操作,以便于进行检测。
摆盘整齐度检测模块3,利用目标检测算法和/或图像识别系统分别对目标区域中目标餐品的摆盘方向进行检测,并基于目标检测算法及图像识别系统的检测结果判断目标餐品的摆盘方向是否一致。
其中,摆盘整齐度检测模块3包括:目标检测模块301,基于目标检测算法获取目标餐品的多个检测框,计算并统计每一检测框与一预设横轴或预设纵轴的相对角度,基于相对角度判断目标餐品的方向是否一致;具体的,基于检测框的长边和/或短边与预设横轴和/或预设纵轴的角度进行判断。图像识别模块302,利用预训练的卷积神经网络图像识别模型对目标区域进行图像分类,基于分类结果判断出目标区域中目标餐品的方向是否一致;组合判断模块303,获取目标检测模块301和图像识别模块301的判断结果,基于一预设判断规则对检测结果进行修正,判断目标餐品的方向是否一致。具体的,该预设判断规则为:若目标检测模块301和图像识别模块302均判断目标餐品的方向一致,则判断目标餐品的方向一致;若目标检测模块301和/或图像识别模块302判断目标餐品的方向不一致,则判断目标餐品的方向不一致。基于上述判断规则,本申请实施例有效降低误判率,提高检测结果准确性。
因此,本申请实施例摆盘整齐度检测模块3利用目标检测算法及神经网络图像识别模型,处理图像速度快、效率高;相较于单纯使用卷积神经网络图像识别模型,本实施例对数据的依赖性较低,鲁棒性强,不受复杂场景的干扰。通过将两者的判断结果进行综合实现准确判断餐品方向是否一致,从而有选择的对不整齐的餐品进行相关处理。
基于上述模块,本申请实施例结合目标检测、图像识别对出餐口的餐品进行摆盘方向一致性判断,实时检测目标出餐品是否规范,如水饺是否顺茬,,若不顺茬则提醒相关负责人进行调整,有助于使消费者对餐品形成统一的观感,有效提高客户体验。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
另外,结合图1描述的本申请实施例餐品摆盘整齐度检测方法可以由计算机设备来实现。计算机设备可以包括处理器以及存储有计算机程序指令的存储器。具体地,上述处理器可以包括中央处理器(CPU),或者特定集成电路(Application Specific IntegratedCircuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器可在数据处理装置的内部或外部。在特定实施例中,存储器是非易失性(Non-Volatile)存储器。在特定实施例中,存储器包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(Random AccessMemory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(ProgrammableRead-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory,简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器所执行的可能的计算机程序指令。
处理器通过读取并执行存储器中存储的计算机程序指令,以实现上述实施例中的任意一种餐品摆盘整齐度检测方法。
另外,结合上述实施例中的餐品摆盘整齐度检测方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种餐品摆盘整齐度检测方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种餐品摆盘整齐度检测方法,其特征在于,包括:
目标餐品图像获取步骤,获取目标餐品的原始图像;
目标区域获取步骤,对所述原始图像进行目标检测,判断所述原始图像中是否包括目标区域并获取所述目标区域;
摆盘整齐度检测步骤,利用目标检测算法和/或图像识别系统分别对所述目标区域中目标餐品的摆盘方向进行检测,并基于所述目标检测算法及图像识别系统的检测结果判断目标餐品的摆盘方向是否一致。
2.根据权利要求1所述的餐品摆盘整齐度检测方法,其特征在于,所述摆盘整齐度检测步骤进一步包括:
目标检测步骤,基于目标检测算法获取所述目标餐品的多个检测框,计算并统计每一所述检测框与一预设横轴或预设纵轴的相对角度,基于所述相对角度判断目标餐品的方向是否一致;
图像识别步骤,利用预训练的卷积神经网络图像识别模型对所述目标区域进行图像分类,基于分类结果判断出所述目标区域中目标餐品的方向是否一致;
组合判断步骤,获取所述目标检测步骤和所述图像识别步骤的判断结果,基于一预设判断规则对所述检测结果进行修正,判断所述目标餐品的方向是否一致。
3.根据权利要求2所述的餐品摆盘整齐度检测方法,其特征在于,所述预设判断规则具体为:
若所述目标检测步骤和所述图像识别步骤均判断所述目标餐品的方向一致,则判断所述目标餐品的方向一致;
若所述目标检测步骤和/或所述图像识别步骤判断所述目标餐品的方向不一致,则判断所述目标餐品的方向不一致。
4.根据权利要求1-3中任一项所述的餐品摆盘整齐度检测方法,其特征在于,所述目标区域获取步骤进一步包括:
目标区域检测步骤,对所述原始图像进行目标检测,判断所述原始图像中是否包括所述目标区域;
目标区域裁剪步骤,若所述原始图像中包括目标区域,则通过裁剪所述原始图像获取所述目标区域;否则,返回目标餐品图像获取步骤。
5.一种餐品摆盘整齐度检测系统,其特征在于,包括:
目标餐品图像获取模块,获取目标餐品的原始图像;
目标区域获取模块,对所述原始图像进行目标检测,判断所述原始图像中是否包括目标区域并获取所述目标区域;
摆盘整齐度检测模块,利用目标检测算法和/或图像识别系统分别对所述目标区域中目标餐品的摆盘方向进行检测,并基于所述目标检测算法及图像识别系统的检测结果判断目标餐品的摆盘方向是否一致。
6.根据权利要求5所述的餐品摆盘整齐度检测系统,其特征在于,所述摆盘整齐度检测模块进一步包括:
目标检测模块,基于目标检测算法获取所述目标餐品的多个检测框,计算并统计每一所述检测框与一预设横轴或预设纵轴的相对角度,基于所述相对角度判断目标餐品的方向是否一致;
图像识别模块,利用预训练的卷积神经网络图像识别模型对所述目标区域进行图像分类,基于分类结果判断出所述目标区域中目标餐品的方向是否一致;
组合判断模块,获取所述目标检测模块和所述图像识别模块的判断结果,基于一预设判断规则对所述检测结果进行修正,判断所述目标餐品的方向是否一致。
7.根据权利要求6所述的餐品摆盘整齐度检测系统,其特征在于,所述预设判断规则具体为:
若所述目标检测模块和所述图像识别模块均判断所述目标餐品的方向一致,则判断所述目标餐品的方向一致;
若所述目标检测模块和/或所述图像识别模块判断所述目标餐品的方向不一致,则判断所述目标餐品的方向不一致。
8.根据权利要求5-7中任一项所述的餐品摆盘整齐度检测系统,其特征在于,所述目标区域获取模块进一步包括:
目标区域检测模块,对所述原始图像进行目标检测,判断所述原始图像中是否包括所述目标区域;
目标区域裁剪模块,若所述原始图像中包括目标区域,则通过裁剪所述原始图像获取所述目标区域;否则,返回执行目标餐品图像获取模块。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述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如权利要求1至4中任一项所述的餐品摆盘整齐度检测方法。
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,该程序被处理器执行时实现如权利要求1至4中任一项所述的餐品摆盘整齐度检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110968841.1A CN113744213A (zh) | 2021-08-23 | 2021-08-23 | 餐品摆盘整齐度检测方法、系统、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110968841.1A CN113744213A (zh) | 2021-08-23 | 2021-08-23 | 餐品摆盘整齐度检测方法、系统、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113744213A true CN113744213A (zh) | 2021-12-03 |
Family
ID=78732285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110968841.1A Pending CN113744213A (zh) | 2021-08-23 | 2021-08-23 | 餐品摆盘整齐度检测方法、系统、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113744213A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108563993A (zh) * | 2018-03-13 | 2018-09-21 | 宋希刚 | 车辆基于停车影像的数据处理方法及系统 |
CN110569878A (zh) * | 2019-08-08 | 2019-12-13 | 上海汇付数据服务有限公司 | 一种基于卷积神经网络的照片背景相似度聚类方法及计算机 |
CN111241947A (zh) * | 2019-12-31 | 2020-06-05 | 深圳奇迹智慧网络有限公司 | 目标检测模型的训练方法、装置、存储介质和计算机设备 |
CN111798446A (zh) * | 2020-07-17 | 2020-10-20 | 上海撬动网络科技有限公司 | 集装箱图像筛选方法、计算设备及存储介质 |
CN112232246A (zh) * | 2020-10-22 | 2021-01-15 | 深兰人工智能(深圳)有限公司 | 基于深度学习的垃圾检测分类方法和装置 |
CN112257703A (zh) * | 2020-12-24 | 2021-01-22 | 北京世纪好未来教育科技有限公司 | 图像识别方法、装置、设备和可读存储介质 |
CN112580662A (zh) * | 2020-12-09 | 2021-03-30 | 中国水产科学研究院渔业机械仪器研究所 | 一种基于图像特征识别鱼体方向的方法及系统 |
CN113128400A (zh) * | 2021-04-19 | 2021-07-16 | 北京明略软件系统有限公司 | 螺栓松动角度识别方法及系统 |
CN113222705A (zh) * | 2021-05-21 | 2021-08-06 | 支付宝(杭州)信息技术有限公司 | 一种商品陈列优化方法、装置以及设备 |
CN113252695A (zh) * | 2021-06-16 | 2021-08-13 | 上海启迪睿视智能科技有限公司 | 一种基于图像处理的塑封薄膜缺陷检测方法及检测装置 |
-
2021
- 2021-08-23 CN CN202110968841.1A patent/CN113744213A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108563993A (zh) * | 2018-03-13 | 2018-09-21 | 宋希刚 | 车辆基于停车影像的数据处理方法及系统 |
CN110569878A (zh) * | 2019-08-08 | 2019-12-13 | 上海汇付数据服务有限公司 | 一种基于卷积神经网络的照片背景相似度聚类方法及计算机 |
CN111241947A (zh) * | 2019-12-31 | 2020-06-05 | 深圳奇迹智慧网络有限公司 | 目标检测模型的训练方法、装置、存储介质和计算机设备 |
CN111798446A (zh) * | 2020-07-17 | 2020-10-20 | 上海撬动网络科技有限公司 | 集装箱图像筛选方法、计算设备及存储介质 |
CN112232246A (zh) * | 2020-10-22 | 2021-01-15 | 深兰人工智能(深圳)有限公司 | 基于深度学习的垃圾检测分类方法和装置 |
CN112580662A (zh) * | 2020-12-09 | 2021-03-30 | 中国水产科学研究院渔业机械仪器研究所 | 一种基于图像特征识别鱼体方向的方法及系统 |
CN112257703A (zh) * | 2020-12-24 | 2021-01-22 | 北京世纪好未来教育科技有限公司 | 图像识别方法、装置、设备和可读存储介质 |
CN113128400A (zh) * | 2021-04-19 | 2021-07-16 | 北京明略软件系统有限公司 | 螺栓松动角度识别方法及系统 |
CN113222705A (zh) * | 2021-05-21 | 2021-08-06 | 支付宝(杭州)信息技术有限公司 | 一种商品陈列优化方法、装置以及设备 |
CN113252695A (zh) * | 2021-06-16 | 2021-08-13 | 上海启迪睿视智能科技有限公司 | 一种基于图像处理的塑封薄膜缺陷检测方法及检测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9703928B2 (en) | Information processing apparatus, method, and computer-readable storage medium for generating food item images | |
Sen et al. | The case for smartwatch-based diet monitoring | |
JP5779720B2 (ja) | 検索のための画像品質分析 | |
CN105117463B (zh) | 信息处理方法和信息处理装置 | |
CN110349082B (zh) | 图像区域的裁剪方法和装置、存储介质及电子装置 | |
CN106682637A (zh) | 一种展品吸引度的分析方法及系统 | |
EP3028184A1 (en) | Method and system for searching images | |
JP2013045433A (ja) | 学習装置、学習装置の制御方法、検出装置、検出装置の制御方法、およびプログラム | |
CN111008935B (zh) | 一种人脸图像增强方法、装置、系统及存储介质 | |
CN109492577A (zh) | 一种手势识别方法、装置及电子设备 | |
CN108875542A (zh) | 一种人脸识别方法、装置、系统及计算机存储介质 | |
US11823042B2 (en) | System for measuring food weight | |
CN112101124B (zh) | 一种坐姿检测方法及装置 | |
CN110210194A (zh) | 电子合同显示方法、装置、电子设备及存储介质 | |
CN109271930A (zh) | 微表情识别方法、装置与存储介质 | |
CN112990095B (zh) | 商品陈列分析方法、装置、设备及存储介质 | |
CN109525877A (zh) | 基于视频的信息获取方法和装置 | |
US20210049663A1 (en) | Product information query method and system | |
Rahmana et al. | A new texture feature for improved food recognition accuracy in a mobile phone based dietary assessment system | |
CN110489659A (zh) | 数据匹配方法和装置 | |
US9977964B2 (en) | Image processing device, image processing method and recording medium | |
CN108399514A (zh) | 可监控新鲜度的生鲜配送提示方法和装置 | |
Mairon et al. | A closer look at context: From coxels to the contextual emergence of object saliency | |
CN102081799A (zh) | 基于邻域相似性及双窗口滤波的sar图像变化检测方法 | |
CN113744213A (zh) | 餐品摆盘整齐度检测方法、系统、计算机设备和存储介质 |
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 |