CN113936274A - 食物营养成分分析方法、装置、电子设备及可读存储介质 - Google Patents
食物营养成分分析方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN113936274A CN113936274A CN202111217587.8A CN202111217587A CN113936274A CN 113936274 A CN113936274 A CN 113936274A CN 202111217587 A CN202111217587 A CN 202111217587A CN 113936274 A CN113936274 A CN 113936274A
- Authority
- CN
- China
- Prior art keywords
- food
- nutrient
- picture
- identification
- segmented
- 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
- 235000013305 food Nutrition 0.000 title claims abstract description 346
- 235000015097 nutrients Nutrition 0.000 title claims abstract description 162
- 238000004458 analytical method Methods 0.000 title claims abstract description 64
- 239000000203 mixture Substances 0.000 title claims abstract description 53
- 235000015219 food category Nutrition 0.000 claims abstract description 56
- 235000016709 nutrition Nutrition 0.000 claims abstract description 54
- 230000011218 segmentation Effects 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 30
- 230000035764 nutrition Effects 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000007812 deficiency Effects 0.000 claims abstract description 9
- 235000000891 standard diet Nutrition 0.000 claims abstract description 4
- 239000004615 ingredient Substances 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 26
- 235000012054 meals Nutrition 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 16
- 235000021049 nutrient content Nutrition 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 5
- 230000000295 complement effect Effects 0.000 claims description 4
- 235000018343 nutrient deficiency Nutrition 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 4
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000003709 image segmentation Methods 0.000 description 8
- 235000012041 food component Nutrition 0.000 description 7
- ZZZCUOFIHGPKAK-UHFFFAOYSA-N D-erythro-ascorbic acid Natural products OCC1OC(=O)C(O)=C1O ZZZCUOFIHGPKAK-UHFFFAOYSA-N 0.000 description 5
- 229930003268 Vitamin C Natural products 0.000 description 5
- 235000013399 edible fruits Nutrition 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 235000019154 vitamin C Nutrition 0.000 description 5
- 239000011718 vitamin C Substances 0.000 description 5
- FPIPGXGPPPQFEQ-UHFFFAOYSA-N 13-cis retinol Natural products OCC=C(C)C=CC=C(C)C=CC1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-UHFFFAOYSA-N 0.000 description 4
- FPIPGXGPPPQFEQ-BOOMUCAASA-N Vitamin A Natural products OC/C=C(/C)\C=C\C=C(\C)/C=C/C1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-BOOMUCAASA-N 0.000 description 4
- 229930003270 Vitamin B Natural products 0.000 description 4
- FPIPGXGPPPQFEQ-OVSJKPMPSA-N all-trans-retinol Chemical compound OC\C=C(/C)\C=C\C=C(/C)\C=C\C1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-OVSJKPMPSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 235000019155 vitamin A Nutrition 0.000 description 4
- 239000011719 vitamin A Substances 0.000 description 4
- 235000019156 vitamin B Nutrition 0.000 description 4
- 239000011720 vitamin B Substances 0.000 description 4
- 229940045997 vitamin a Drugs 0.000 description 4
- 235000013311 vegetables Nutrition 0.000 description 3
- 235000005911 diet Nutrition 0.000 description 2
- 230000037213 diet Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000002720 Malnutrition Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 235000004280 healthy diet Nutrition 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 229940088594 vitamin Drugs 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及人工智能技术，揭露一种食物营养成分分析方法，包括：对待识别食物图片进行去干扰处理，得到标准食物图片；利用预构建的图片分割模型对标准食物图片进行食物区域分割及分类，得到分割食物图片及对应的食物类别；根据食物类别与识别类别选择对应的食物识别模型对每个分割食物图片进行食物识别，得到对应的食物名称；根据食物名称查询对应的食物的营养成分，得到营养成分子集；根据标准膳食营养成分集及营养成分子集进行缺失营养分析，得到待补充营养成分。本发明还涉及区块链技术，所述营养成分子集可以存储在区块链节点中。本发明还提出一种食物营养成分分析装置、设备以及介质。本发明可以提高食物营养成分分析的准确率。
Description
技术领域
本发明涉及人工智能技术，尤其涉及一种食物营养成分分析方法、装置、电子设备及可读存储介质。
背景技术
当前社会关于饮食健康问题越来越受到人们的关注，为了更好的健康的饮食，更好的从食物摄取身体所需的营养成分，需要准确的分析食物中缺失营养成分，进行更有针对性的膳食搭配，因此，食物的营养成分分析方法也越来越受到人们的关注。
但是，当前利用单一的人工智能模型直接识别人们食用的食物进行营养成分分析，由于食物种类较多，导致模型的识别精度不高，从而食物营养成分分析的准确率较低。
发明内容
本发明提供一种食物营养成分分析方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高食物营养成分分析的准确率。
为实现上述目的，本发明提供的一种食物营养成分分析方法，包括：
获取待识别食物图片，对所述待识别食物图片进行去干扰处理，得到标准食物图片；
利用预构建的图片分割模型对所述标准食物图片进行食物区域分割及分类，得到分割食物图片及对应的食物类别；
获取一个或多个食物识别模型及每个所述食物识别模型对应的识别类别，根据所述食物类别与所述识别类别选择对应的食物识别模型对每个所述分割食物图片进行食物识别，得到对应的食物名称；
根据所述食物名称在预设的食物营养成分数据库中查询对应的食物的营养成分，得到营养成分子集；
将所有所述营养成分子集进行集合运算，得到营养成分集；
获取标准膳食营养成分集，根据所述标准膳食营养成分集及所述营养成分集进行缺失营养分析，得到待补充营养成分。
可选地，所述利用预构建的图片分割模型对所述标准食物图片进行食物区域分割及分类，得到分割食物图片及对应的食物类别，包括：
利用所述图片分割模型对所述将所述待识别图片进行食物区域划分及识别，得到不同划分区域的食物类别及对应的划分区域分析坐标；
将所述待识别图片中每个所述划分区域分析坐标中所有坐标点连接组成的闭合区域内的图片进行切分，得到对应的所述分割食物图片；
可选地，所述利用所述图片分割模型对所述将所述待识别图片进行食物区域划分及识别，得到不同划分区域的食物类别及对应的划分区域分析坐标，包括：
利用所述图片分割模型中的区域提取网络标记所述待识别图片中的感兴趣区域，得到对应的划分区域；
利用所述图片分割模型中的图片识别网络对所述划分区域进行食物类别识别，得到对应的食物类别；
获取所述划分区域的区域边缘像素的坐标，得到对应的所述划分区域分析坐标。
可选地，所述根据所述食物类别与所述识别类别选择对应的食物识别模型对每个所述分割食物图片进行食物识别，得到对应的食物名称，包括：
选择与每个所述分割食物图片所属的食物类别相同的所述识别类别，得到目标识别类别；
选取所述目标识别类别对应的食物识别模型，得到目标食物识别模型；
利用所述目标食物识别模型对对应的所述分割食物图片进行卷积池化，得到对应的分割特征数据；
利用预设的激活函数对所述分割特征数据进行计算，得到不同预设类型食物的识别概率；
选取最大的所述识别概率对应的预设类型食物的名称，得到所述食物名称。
可选地，所述根据所述食物名称在预设的食物营养成分数据库中查询对应的食物的营养成分，得到营养成分子集，包括：
利用将所述食物名称作为查询条件在预设的所述食物营养数据库中进行查询，得到对应的食物营养成分信息；
提取每个所述食物营养成分信息中的所有营养成分进行汇总，得到所述营养成分子集。
可选地，所述将所有所述营养成分子集进行集合运算，得到营养成分集，包括：
汇总所有所述营养成分子集中的所有营养成分；
将汇总的所有营养成分进行去重处理，得到所述营养成分集。
可选地，所述根据所述标准膳食营养成分集及所述营养成分集进行缺失营养分析，得到待补充营养成分，包括：
对所述标准膳食营养成分集及所述营养成分集进行交集运算，得到分析营养成分集；
计算所述分析营养成分集在所述标准膳食营养成分集中的补集，得到目标营养成分集；
提取所述目标营养成分集中的所有营养成分，得到所述待补充营养成分。
为了解决上述问题，本发明还提供一种食物营养成分分析装置，所述装置包括：
图片处理模块，用于获取待识别食物图片，对所述待识别食物图片进行去干扰处理，得到标准食物图片；
食物识别模块，用于利用预构建的图片分割模型对所述标准食物图片进行食物区域分割及分类，得到分割食物图片及对应的食物类别；获取一个或多个食物识别模型及每个所述食物识别模型对应的识别类别，根据所述食物类别与所述识别类别选择对应的食物识别模型对每个所述分割食物图片进行食物识别，得到对应的食物名称；
营养分析模块，用于根据所述食物名称在预设的食物营养成分数据库中查询对应的食物的营养成分，得到营养成分子集；将所有所述营养成分子集进行集合运算，得到营养成分集；获取标准膳食营养成分集，根据所述标准膳食营养成分集及所述营养成分集进行缺失营养分析，得到待补充营养成分。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现上述所述的食物营养成分分析方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的食物营养成分分析方法。
本发明实施例利用预构建的图片分割模型对所述标准食物图片进行食物区域分割及分类，得到分割食物图片及对应的食物类别，根据所述食物类别与所述识别类别选择对应的食物识别模型对每个所述分割食物图片进行食物识别，得到对应的食物名称，利用两个模型对食物进行递进识别，提高了食物识别的准确率，进而根据识别的食物名称进行营养分析，从而提高了营养分析的准确率，因此本发明实施例提出的食物营养成分分析方法、装置、电子设备及可读存储介质提高了食物营养成分分析的准确率。
附图说明
图1为本发明一实施例提供的食物营养成分分析方法的流程示意图；
图2为本发明一实施例提供的食物营养成分分析装置的模块示意图；
图3为本发明一实施例提供的实现食物营养成分分析方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种食物营养成分分析方法。所述食物营养成分分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述食物营养成分分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示的本发明一实施例提供的食物营养成分分析方法的流程示意图，在本发明实施例中，所述食物营养成分分析方法包括：
本发明实施例中，所述一种食物营养成分分析方法，包括：
S1、获取待识别食物图片，对所述待识别食物图片进行去干扰处理，得到标准食物图片；
详细地，本发明实施例中所述待识别食物图片为拍摄的需要进行营养成分分析的食物图片。
进一步地，详细地，由于所述待识别食物图片可能存在不同的颜色，为了降低数据量、减少存储空间、降低图片处理时间，本发明实施例中所述去干扰处理可以包括对所述待识别食物图片进行灰度化处理；进一步地，由于所述待识别食物图片中存在图片噪声，为了降低图片噪声对后续处理的影响，本发明实施例中所述去干扰处理还可以包括对所述待识别食物图片进行滤波处理，较佳地，本发明实施例利用中值滤波算法对所述待识别食物图片进行滤波处理；此外，由于所述待识别食物图片可能会受到图片拍摄的光照环境影响存在光照不均的现象，为了去除图片光照不均的影响，本发明实施例中所述去干扰处理还可以包括对所述待识别食物图片进行二值化处理，较佳地，本发明实施例利用自适应光照均衡算法与大津算法对去噪待识别食物图片进行二值化处理。
因此，综上所述，本发明实施例中，所述对所述待识别食物图片进行去干扰处理，包括：对所述待识别食物图片进行灰度化处理，得到灰度化待识别食物图片；对所述灰度化待识别食物图片进行滤波处理，得到去噪待识别食物图片；对所述去噪待识别食物图片进行二值化处理，得到标准食物图片。
S2、利用预构建的图片分割模型对所述标准食物图片进行食物区域分割及分类，得到分割食物图片及对应的食物类别；
本发明实施例实施例中所述图片分割模型为训练完成的卷积神经网络模型，可选地，所述图片分割模型可以为全卷积模型。
本发明实施例中所述标准食物图片中包含不同类别的食物，如：熟食及果蔬。
由于不同类别的食物需要进一步地精确识别，需要分割识别所述待识别实物图片中不同类别的食物区域。
详细地，本发明实施例中利用预构建的图片分割模型对所述标准食物图片进行食物区域分割及分类，得到分割食物图片及对应的食物类别，可选地，所述图片分割模型为Mask-RCNN模型，所述图像分割模型包含区域提取网络及图像识别网络，所述区域提取网络用来标记对应的感兴趣区域，所述图像识别网络是用来对标记的感兴趣区域进行食物类别识别。。
进一步地，本发明实施例利用预构建的图片分割模型对所述标准食物图片进行食物区域分割及分类之前，所述方法还包括：
获取历史食物图片集，其中，所述历史食物图片集中每个历史食物图片包含划分区域坐标及食物类别；
可选地，本发明实施例中所述食物类别包括但不限于：肉、蔬菜、水果等。
选取所述历史食物图片集中的历史食物图片输入预设初始图片分割模型，得到划分区域预测坐标及食物类别预测值；
可选地，本发明实施例中所述初始图片分割模型包括：区域提取网络及图像识别网络；
进一步地，本发明实施例利用所述初始图片分割模型中的区域提取网络对所述历史食物图片进行感兴趣区域标记，并提取感兴趣区域边缘像素的坐标，得到所述划分区域预测坐标，利用所述图像识别网络对标记的感兴趣区域进行食物类别识别，得到对应的食物类别预测值。
可选地，本发明实施例中所述区域提取网络为RPN(Region Proposal Network，区域建议网络)，所述图像识别网络为卷积神经网络。
根据所述食物类别确定食物类别真实值；
例如：食物类别为“蔬菜”，那么对应的食物类别真实值为：蔬菜：1。
根据所述食物类别真实值及所述食物类别预测值利用预设的第一损失函数进行计算，得到分类损失值；
根据所述划分区域坐标及所述预测区域坐标利用预设的第二损失函数进行计算，得到区域划分损失值；
可选地，本发明实施例中所述第一损失函数及所述第二损失函数可以为：对数损失函数、平方损失函数、交叉熵损失函数等。
根据所述注释损失值与所述区域划分损失值进行计算得到目标损失值；
当所述目标损失值大于预设损失阈值，调整所述初始图片分割模型的模型参数，并返回选取所述历史食物图片集中的历史食物图片输入预设初始图片分割模型步骤；当所述目标损失值不大于预设损失阈值，输出所述初始图片分割模型，得到所述图片分割模型。
进一步地，本发明实施例用利用所述图片分割模型对所述将所述待识别图片进行食物区域划分及识别，得到不同划分区域的食物类别及对应的划分区域分析坐标，将所述待识别图片中每个所述划分区域分析坐标中所有坐标点连接组成的闭合区域内的图片进行切分，得到所述分割食物图片，并将所述食物类别与对应的所述分割食物图片进行关联，如：利用所述食物类别对所述分割食物图片进行标记。
详细地，本发明实施例中利用所述图片分割模型对所述将所述待识别图片进行食物区域划分及识别，得到不同划分区域的食物类别及对应的划分区域分析坐标，包括：
利用所述图片分割模型中的区域提取网络标记所述待识别图片中的感兴趣区域，得到对应的划分区域；
利用所述图片分割模型中的图片识别网络对所述划分区域进行食物类别识别，得到对应的食物类别；
获取所述划分区域的区域边缘像素的坐标，得到对应的所述划分区域分析坐标。
S3、获取一个或多个食物识别模型及每个所述食物识别模型对应的识别类别，根据所述食物类别与所述识别类别选择对应的食物识别模型对每个所述分割食物图片进行食物识别，得到对应的食物名称；
具体地，本发明实施例中所述食物识别模型为训练完成的对不同类别食物进行识别分类的人工智能模型，每个所述食物识别模型可以识别不同类别的食物，如：食物识别模型A对应的识别类别为水果，那么所述食物识别模型A可以识别各种水果，可选地，本发明实施例中所述食物识别模型为卷积神经网络模型。
进一步地，本发明实施例中根据所述食物类别与所述识别类别选择对应的食物识别模型对每个所述分割食物图片进行食物识别，得到对应的食物名称，包括：
选择与每个所述分割食物图片所属的食物类别相同的所述识别类别，得到目标识别类别；
选取所述目标识别类别对应的食物识别模型，得到目标食物识别模型；
利用所述目标食物识别模型对对应的所述分割食物图片进行识别，得到所述分割食物图片对应的食物名称。
例如：所述分割食物图片A对应的食物类别为“水果”，那么就在所有所述食物识别模型中选择识别类别为“水果”的食物识别模型作为分割食物图片A的目标食物识别模型，利用目标食物识别模型识别分割食物图片A中的食物，得到对应的食物名称。
进一步地，本发明实施例中获取预设识别类别的历史识别食物图片集，其中，所述历史识别图片集包含不同的历史识别图片，所述历史识别图片均为预设的识别类别对应的食物的图片，所述历史识别图片与所述分割食物图片图片的参数相同内容不同，每个所述历史识别图片都有对应的历史食物名称的标签标记，利用所述历史识别食物图片集对预构建的卷积神经网络模型进行迭代训练，得到所述食物识别模型，包括：
步骤A：利用所述卷积神经网络模型对所述历史识别食物图片集进行预设次数的卷积池化操作，得到特征集；
详细地，本发明实施例中，将所述历史识别食物图片集输入所述卷积神经网络模型的输入层，进一步地，由所述卷积神经网络模型隐含层的卷积层对所述历史识别食物图片集每个历史食物图片进行卷积，得到卷积数据集，再由所述卷积神经网络模型的池化层对所述卷积数据进行池化，得到特征数据，汇总所有所述特征数据得到所述特征集。
步骤B：利用预设的激活函数对所述特征集中的每个特征数据进行计算，得到每个特征数据的食物名称预测值；
可选地，本发明实施例中所述激活函数为Softmax函数
步骤C：计算所述历史食物名称确认食物名称真实值，利用预构建的损失函数计算所述食物名称真实值及所述食物名称预测值之间的损失值；
例如：所述历史食物名称为“苹果”，那么“苹果”对应的食物名称真实值为1。
步骤D：若所述损失值大于或等于预设阈值，更新所述卷积神经网络模型的参数，返回上述的步骤A；
步骤E：若所述损失值小于预设阈值，得到并输出所述食物识别模型。
详细地，所述卷积池化操作包括：卷积操作和池化操作。
较佳地，本发明实施例中所述池化操作为对所述卷积数据集进行平均池化操作得到所述特征集。
可选地，本发明实施例中所述损失函数包括：绝对值损失函数、平方损失函数、交叉熵损失函数等。
详细地，本发明实施例中利用所述目标食物识别模型对对应的所述分割食物图片进行识别，得到所述分割食物图片对应的食物名称，包括：
利用所述目标食物识别模型对对应的所述分割食物图片进行卷积池化，得到对应的分割特征数据；
利用预设的激活函数对所述分割特征数据进行计算，得到不同预设类型食物的识别概率；
选取最大的所述识别概率对应的预设类型食物的名称，得到所述食物名称。S4、根据所述食物名称在预设的食物营养成分数据库中查询对应的食物的营养成分，得到营养成分子集；
本发明实施例中，所述食物营养成分数据库为包含不同食物营养成分数据的数据库。所述营养成分数据可以是食物的所有营养成分的数据也可以是某种特定类别的营养成分的数据，如所述营养成分数可以是食物包含的维生素的数据。
进一步地，本发明实施例利用将所述食物名称作为查询条件在预设的所述食物营养数据库中进行查询，得到对应的食物营养成分信息，提取每个所述食物营养成分信息中的所有营养成分进行汇总，得到所述营养成分子集。
本发明另一实施例中，所述营养成分子集可以存储在区块链节点中，利用区块链节点高吞吐的特性，提高数据的取用效率。
S5、将所有所述营养成分子集进行集合运算，得到营养成分集；
详细地，本发明实施例中汇总所有所述营养成分子集中的所有营养成分，并将汇总的所有营养成分进行去重处理，得到所述营养成分集。
本发明另一实施例中将所有所述营养成分子集进行并集运算，得到所述营养成分集。
例如：共有营养成分子集A和B，营养成分子集A为{维生素A，维生B}，营养成分子集B为{维生素B，维生素C}，那么营养成分子集A和营养成分子集B进行并集运算后，得到的营养成分集为{维生素A，维生素B，维生素C}。
S6、获取标准膳食营养成分集，根据所述标准膳食营养成分集及所述营养成分集进行缺失营养分析，得到待补充营养成分。
本发明实施例中对所述标准膳食营养成分集及所述营养成分集进行交集运算，得到分析营养成分集，计算所述分析营养成分集在所述标准膳食营养成分集中的补集，得到对应的目标营养成分集，例如：分析营养成分集为{维生素A，维生素C}，所述标准膳食营养成分集为营养成分集为{维生素A，维生素B，维生素C}，那么所述分析营养成分集在所述标准膳食营养成分集中的补集为{维生素C}，提取所述目标营养成分集中的所有营养成分，得到所述待补充营养成分，将所述缺失营养成分推送给用户，用户可以根据缺失的营养成分更有针对性的对饮食进行调整，本发明另一实施例中还可以选取包含所述目标营养成分集中所有营养成分的食物或食物组合推荐给用户。
如图2所示，是本发明食物营养成分分析装置的功能模块图。
本发明所述食物营养成分分析装置100可以安装于电子设备中。根据实现的功能，所述食物营养成分分析装置可以包括图片处理模块101、食物识别模块102、营养分析模块103，本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述图片处理模块，用于获取待识别食物图片，对所述待识别食物图片进行去干扰处理，得到标准食物图片；
所述食物识别模块，用于利用预构建的图片分割模型对所述标准食物图片进行食物区域分割及分类，得到分割食物图片及对应的食物类别；获取一个或多个食物识别模型及每个所述食物识别模型对应的识别类别，根据所述食物类别与所述识别类别选择对应的食物识别模型对每个所述分割食物图片进行食物识别，得到对应的食物名称；
所述营养分析模块，用于根据所述食物名称在预设的食物营养成分数据库中查询对应的食物的营养成分，得到营养成分子集；将所有所述营养成分子集进行集合运算，得到营养成分集；获取标准膳食营养成分集，根据所述标准膳食营养成分集及所述营养成分集进行缺失营养分析，得到待补充营养成分。
详细地，本发明实施例中所述食物营养成分分析装置100中所述的各模块在使用时采用与上述图1中所述的食物营养成分分析方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图2所示，是本发明实现食物营养成分分析方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如食物营养成分分析程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如食物营养成分分析程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如食物营养成分分析程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准(perIPheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
图2仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图2示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障分类电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地，所述通信接口13还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的食物营养成分分析程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
获取待识别食物图片，对所述待识别食物图片进行去干扰处理，得到标准食物图片；
利用预构建的图片分割模型对所述标准食物图片进行食物区域分割及分类，得到分割食物图片及对应的食物类别；
获取一个或多个食物识别模型及每个所述食物识别模型对应的识别类别，根据所述食物类别与所述识别类别选择对应的食物识别模型对每个所述分割食物图片进行食物识别，得到对应的食物名称；
根据所述食物名称在预设的食物营养成分数据库中查询对应的食物的营养成分，得到营养成分子集；
将所有所述营养成分子集进行集合运算，得到营养成分集；
获取标准膳食营养成分集，根据所述标准膳食营养成分集及所述营养成分集进行缺失营养分析，得到待补充营养成分。
具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/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。所述计算机可读介质可以是非易失性的，也可以是易失性的。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明实施例还可以提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取待识别食物图片，对所述待识别食物图片进行去干扰处理，得到标准食物图片；
利用预构建的图片分割模型对所述标准食物图片进行食物区域分割及分类，得到分割食物图片及对应的食物类别；
获取一个或多个食物识别模型及每个所述食物识别模型对应的识别类别，根据所述食物类别与所述识别类别选择对应的食物识别模型对每个所述分割食物图片进行食物识别，得到对应的食物名称；
根据所述食物名称在预设的食物营养成分数据库中查询对应的食物的营养成分，得到营养成分子集；
将所有所述营养成分子集进行集合运算，得到营养成分集；
获取标准膳食营养成分集，根据所述标准膳食营养成分集及所述营养成分集进行缺失营养分析，得到待补充营养成分。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种食物营养成分分析方法，其特征在于，所述方法包括：
获取待识别食物图片，对所述待识别食物图片进行去干扰处理，得到标准食物图片；
利用预构建的图片分割模型对所述标准食物图片进行食物区域分割及分类，得到分割食物图片及对应的食物类别；
获取一个或多个食物识别模型及每个所述食物识别模型对应的识别类别，根据所述食物类别与所述识别类别选择对应的食物识别模型对每个所述分割食物图片进行食物识别，得到对应的食物名称；
根据所述食物名称在预设的食物营养成分数据库中查询对应的食物的营养成分，得到营养成分子集；
将所有所述营养成分子集进行集合运算，得到营养成分集；
获取标准膳食营养成分集，根据所述标准膳食营养成分集及所述营养成分集进行缺失营养分析，得到待补充营养成分。
2.如权利要求1所述的食物营养成分分析方法，其特征在于，所述利用预构建的图片分割模型对所述标准食物图片进行食物区域分割及分类，得到分割食物图片及对应的食物类别，包括：
利用所述图片分割模型对所述将所述待识别图片进行食物区域划分及识别，得到不同划分区域的食物类别及对应的划分区域分析坐标；
将所述待识别图片中每个所述划分区域分析坐标中所有坐标点连接组成的闭合区域内的图片进行切分，得到对应的所述分割食物图片。
3.如权利要求2所述的食物营养成分分析方法，其特征在于，所述利用所述图片分割模型对所述将所述待识别图片进行食物区域划分及识别，得到不同划分区域的食物类别及对应的划分区域分析坐标，包括：
利用所述图片分割模型中的区域提取网络标记所述待识别图片中的感兴趣区域，得到对应的划分区域；
利用所述图片分割模型中的图片识别网络对所述划分区域进行食物类别识别，得到对应的食物类别；
获取所述划分区域的区域边缘像素的坐标，得到对应的所述划分区域分析坐标。
4.如权利要求1所述的食物营养成分分析方法，其特征在于，所述根据所述食物类别与所述识别类别选择对应的食物识别模型对每个所述分割食物图片进行食物识别，得到对应的食物名称，包括：
选择与每个所述分割食物图片所属的食物类别相同的所述识别类别，得到目标识别类别；
选取所述目标识别类别对应的食物识别模型，得到目标食物识别模型；
利用所述目标食物识别模型对对应的所述分割食物图片进行卷积池化，得到对应的分割特征数据；
利用预设的激活函数对所述分割特征数据进行计算，得到不同预设类型食物的识别概率；
选取最大的所述识别概率对应的预设类型食物的名称，得到所述食物名称。
5.如权利要求1所述的食物营养成分分析方法，其特征在于，所述根据所述食物名称在预设的食物营养成分数据库中查询对应的食物的营养成分，得到营养成分子集，包括：
利用将所述食物名称作为查询条件在预设的所述食物营养数据库中进行查询，得到对应的食物营养成分信息；
提取每个所述食物营养成分信息中的所有营养成分进行汇总，得到所述营养成分子集。
6.如权利要求1所述的食物营养成分分析方法，其特征在于，所述将所有所述营养成分子集进行集合运算，得到营养成分集，包括：
汇总所有所述营养成分子集中的所有营养成分；
将汇总的所有营养成分进行去重处理，得到所述营养成分集。
7.如权利要求1至6中任意一项所述的食物营养成分分析方法，其特征在于，所述根据所述标准膳食营养成分集及所述营养成分集进行缺失营养分析，得到待补充营养成分，包括：
对所述标准膳食营养成分集及所述营养成分集进行交集运算，得到分析营养成分集；
计算所述分析营养成分集在所述标准膳食营养成分集中的补集，得到目标营养成分集；
提取所述目标营养成分集中的所有营养成分，得到所述待补充营养成分。
8.一种食物营养成分分析装置，其特征在于，包括：
图片处理模块，用于获取待识别食物图片，对所述待识别食物图片进行去干扰处理，得到标准食物图片；
食物识别模块，用于利用预构建的图片分割模型对所述标准食物图片进行食物区域分割及分类，得到分割食物图片及对应的食物类别；获取一个或多个食物识别模型及每个所述食物识别模型对应的识别类别，根据所述食物类别与所述识别类别选择对应的食物识别模型对每个所述分割食物图片进行食物识别，得到对应的食物名称；
营养分析模块，用于根据所述食物名称在预设的食物营养成分数据库中查询对应的食物的营养成分，得到营养成分子集；将所有所述营养成分子集进行集合运算，得到营养成分集；获取标准膳食营养成分集，根据所述标准膳食营养成分集及所述营养成分集进行缺失营养分析，得到待补充营养成分。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的食物营养成分分析方法。
10.一种计算机可读存储介质，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如权利要求1至7中任一项所述的食物营养成分分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111217587.8A CN113936274B (zh) | 2021-10-19 | 2021-10-19 | 食物营养成分分析方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111217587.8A CN113936274B (zh) | 2021-10-19 | 2021-10-19 | 食物营养成分分析方法、装置、电子设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113936274A true CN113936274A (zh) | 2022-01-14 |
| CN113936274B CN113936274B (zh) | 2024-09-13 |
Family
ID=79280424
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111217587.8A Active CN113936274B (zh) | 2021-10-19 | 2021-10-19 | 食物营养成分分析方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113936274B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114360690A (zh) * | 2022-03-18 | 2022-04-15 | 天津九安医疗电子股份有限公司 | 一种慢病患者的饮食营养管理方法和系统 |
| CN114898842A (zh) * | 2022-04-13 | 2022-08-12 | 珠海格力电器股份有限公司 | 一种食物营养成分的处理方法、装置以及存储介质 |
| CN116452881A (zh) * | 2023-04-12 | 2023-07-18 | 深圳中检联检测有限公司 | 食品营养价值检测方法、装置、设备及存储介质 |
| CN116864023A (zh) * | 2023-07-14 | 2023-10-10 | 上海福贝宠物用品股份有限公司 | 一种基于大数据分析的宠食配方分析方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764306A (zh) * | 2018-05-15 | 2018-11-06 | 深圳大学 | 图像分类方法、装置、计算机设备和存储介质 |
| CN110298405A (zh) * | 2019-07-03 | 2019-10-01 | 北京字节跳动网络技术有限公司 | 类别识别方法及装置、存储介质与终端 |
| CN111046944A (zh) * | 2019-12-10 | 2020-04-21 | 北京奇艺世纪科技有限公司 | 一种确定对象类别的方法、装置、电子设备及存储介质 |
| CN112017755A (zh) * | 2020-08-30 | 2020-12-01 | 上海崛帆智能科技有限公司 | 一种智能营养搭配推荐的方法、系统及机器人 |
| CN112950658A (zh) * | 2021-03-31 | 2021-06-11 | 中国建设银行股份有限公司 | 一种光盘评定方法、装置、设备及存储介质 |
-
2021
- 2021-10-19 CN CN202111217587.8A patent/CN113936274B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764306A (zh) * | 2018-05-15 | 2018-11-06 | 深圳大学 | 图像分类方法、装置、计算机设备和存储介质 |
| CN110298405A (zh) * | 2019-07-03 | 2019-10-01 | 北京字节跳动网络技术有限公司 | 类别识别方法及装置、存储介质与终端 |
| CN111046944A (zh) * | 2019-12-10 | 2020-04-21 | 北京奇艺世纪科技有限公司 | 一种确定对象类别的方法、装置、电子设备及存储介质 |
| CN112017755A (zh) * | 2020-08-30 | 2020-12-01 | 上海崛帆智能科技有限公司 | 一种智能营养搭配推荐的方法、系统及机器人 |
| CN112950658A (zh) * | 2021-03-31 | 2021-06-11 | 中国建设银行股份有限公司 | 一种光盘评定方法、装置、设备及存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114360690A (zh) * | 2022-03-18 | 2022-04-15 | 天津九安医疗电子股份有限公司 | 一种慢病患者的饮食营养管理方法和系统 |
| CN114898842A (zh) * | 2022-04-13 | 2022-08-12 | 珠海格力电器股份有限公司 | 一种食物营养成分的处理方法、装置以及存储介质 |
| CN116452881A (zh) * | 2023-04-12 | 2023-07-18 | 深圳中检联检测有限公司 | 食品营养价值检测方法、装置、设备及存储介质 |
| CN116452881B (zh) * | 2023-04-12 | 2023-11-07 | 深圳中检联检测有限公司 | 食品营养价值检测方法、装置、设备及存储介质 |
| CN116864023A (zh) * | 2023-07-14 | 2023-10-10 | 上海福贝宠物用品股份有限公司 | 一种基于大数据分析的宠食配方分析方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113936274B (zh) | 2024-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113936274B (zh) | 食物营养成分分析方法、装置、电子设备及可读存储介质 | |
| CN112465071A (zh) | 图像多标签分类方法、装置、电子设备及介质 | |
| CN108734184B (zh) | 一种对敏感图像进行分析的方法及装置 | |
| CN113159147A (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
| CN107545271B (zh) | 图像识别方法、装置和系统 | |
| CN112036292A (zh) | 基于神经网络的文字识别方法、装置及可读存储介质 | |
| CN111639704A (zh) | 目标识别方法、装置及计算机可读存储介质 | |
| CN112581227A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
| CN112860905A (zh) | 文本信息抽取方法、装置、设备及可读存储介质 | |
| CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
| CN113487621A (zh) | 医学图像分级方法、装置、电子设备及可读存储介质 | |
| CN113268665A (zh) | 基于随机森林的信息推荐方法、装置、设备及存储介质 | |
| CN114723636A (zh) | 基于多特征融合的模型生成方法、装置、设备及存储介质 | |
| CN114708461A (zh) | 基于多模态学习模型的分类方法、装置、设备及存储介质 | |
| CN112784822A (zh) | 对象识别方法、装置、电子设备、存储介质及程序产品 | |
| CN113821602A (zh) | 基于图文聊天记录的自动答疑方法、装置、设备及介质 | |
| CN113435308A (zh) | 文本多标签分类方法、装置、设备及存储介质 | |
| CN112101481A (zh) | 目标物的影响因子筛选方法、装置、设备及存储介质 | |
| CN115525761A (zh) | 一种文章关键词筛选类别的方法、装置、设备及存储介质 | |
| CN115098644A (zh) | 图像与文本匹配方法、装置、电子设备及存储介质 | |
| CN114943306A (zh) | 意图分类方法、装置、设备及存储介质 | |
| CN115082736A (zh) | 垃圾识别分类方法、装置、电子设备及存储介质 | |
| CN115099339A (zh) | 欺诈行为识别方法、装置、电子设备及存储介质 | |
| CN115203364A (zh) | 软件故障反馈处理方法、装置、设备及可读存储介质 | |
| CN113284047A (zh) | 基于多重特征的目标物分割方法、装置、设备及存储介质 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220916 Address after: Room 2601 (Unit 07), Qianhai Free Trade Building, No. 3048, Xinghai Avenue, Nanshan Street, Qianhai Shenzhen-Hong Kong Cooperation Zone, Shenzhen, Guangdong 518000 Applicant after: Shenzhen Ping An Smart Healthcare Technology Co.,Ltd. Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000 Applicant before: Ping An International Smart City Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant |