CN114036335A - 一种食物质量等级判断方法、系统、智能终端及存储介质 - Google Patents

一种食物质量等级判断方法、系统、智能终端及存储介质 Download PDF

Info

Publication number
CN114036335A
CN114036335A CN202111333272.XA CN202111333272A CN114036335A CN 114036335 A CN114036335 A CN 114036335A CN 202111333272 A CN202111333272 A CN 202111333272A CN 114036335 A CN114036335 A CN 114036335A
Authority
CN
China
Prior art keywords
food
image
grade
target
acquiring
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
CN202111333272.XA
Other languages
English (en)
Inventor
仇勇军
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.)
Shenzhen Unique Scales Co ltd
Original Assignee
Shenzhen Unique Scales 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 Shenzhen Unique Scales Co ltd filed Critical Shenzhen Unique Scales Co ltd
Priority to CN202111333272.XA priority Critical patent/CN114036335A/zh
Publication of CN114036335A publication Critical patent/CN114036335A/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
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5862—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • 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
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Library & Information Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种食物质量等级判断方法、系统、智能终端及存储介质。食物质量等级判断方法包括：获取当前图像，当前图像包括目标食物的食物图像；根据食物图像获取目标食物的外部参数，根据外部参数获取目标食物的第一等级值，外部参数包括体积、形状、轮廓、表面颜色、表面纹理中的至少一项；将食物图像与至少一个预设等级图像进行对比，获取与食物图像匹配的预设等级图像，将与食物图像匹配的预设等级图像的图像等级作为目标食物的第二等级值；根据第一等级值和第二等级值获取目标食物的目标等级值。本发明可以有效提升对食物评价的结果的准确度和精确度。

Description

一种食物质量等级判断方法、系统、智能终端及存储介质
技术领域
本发明涉及图像处理领域，具体涉及一种食物质量判断方法、系统、智能终端及存储介质。
背景技术
随着科技的发展，计算机视觉系统正越来越多地被应用于食品工业的质量保障中。在人们的日常生活中也有对食品的质量评价的需求，然而食品工业中的食品质量评判方法过于粗糙，仅仅判断质量是否合格，评价不够准确和精确，不能满足普通用户日常生活中的需求。
发明内容
本发明要解决的技术问题在于食品质量的评判方法粗糙，评价不够准确和精确，针对现有技术的上述缺陷，提供一种食物质量等级判断方法、系统、智能终端及存储介质，能够精准评价食物质量。
本发明解决其技术问题所采用的技术方案是：提供一种食物质量等级判断方法，包括：获取当前图像，所述当前图像包括目标食物的食物图像；根据所述食物图像获取所述目标食物的外部参数，根据所述外部参数获取所述目标食物的第一等级值，所述外部参数包括体积、形状、轮廓、表面颜色、表面纹理中的至少一项；将所述食物图像与至少一个预设等级图像进行对比，获取与所述食物图像匹配的预设等级图像，将所述与所述食物图像匹配的预设等级图像的图像等级作为所述目标食物的第二等级值；根据所述第一等级值和所述第二等级值获取所述目标食物的目标等级值。
其中，所述当前图像包括所述目标食物的光谱图像；所述食物质量等级判断方法还包括：根据所述光谱图像获取所述目标食物的芬芳分子状态，根据所述芬芳分子状态修正所述第一等级值。
其中，所述根据所述食物图像获取所述目标食物的外部参数的步骤包括：根据所述食物图像获取所述目标食物的食物种类；所述将所述食物图像与至少一个预设等级图像进行对比的步骤包括：获取所述食物种类对应的关键识别点，将所述食物图像的所述关键识别点和所述预设等级图像的所述关键识别点进行对比，获取与所述食物图像匹配的预设等级图像。
其中，所述将所述食物图像与至少一个预设等级图像进行对比的步骤包括：根据所述至少一个预设等级图像及其对应的图像等级训练神经网络，将所述食物图像输入所述神经网络，获取所述目标食物的所述第二等级值。
其中，较佳方案是：所述食物质量等级判断方法还包括：根据所述目标等级值生成预设提醒信息，预设提醒信息包括所述目标食物的存储方式、食用方式、食用期限中的至少一个。
其中，所述食物质量等级判断方法还包括：获取所述目标食物的生产日期和/或购买日期，根据所述生产日期和/或所述购买日期调整所述目标等级值或所述第一等级值。
其中，所述食物质量等级判断方法还包括：获取常见食物，以及所述常见食物的常见异常情况，根据所述食物图像判断所述目标食物是否属于所述常见食物，若所述目标食物属于所述常见食物，则判断所述目标食物是否出现所述常见异常情况，若所述目标食物未出现所述常见异常情况，则向用户发出无异常提示。
本发明解决其技术问题所采用的技术方案是：提供一种食物质量等级判断系统，包括：图像模块，用于获取当前图像，所述当前图像包括目标食物的食物图像；第一等级模块，用于根据所述食物图像获取所述目标食物的外部参数，根据所述外部参数获取所述目标食物的第一等级值，所述外部参数包括形状、轮廓、表面颜色、表面纹理中的至少一项；第二等级模块，用于将所述食物图像与至少一个预设等级图像进行对比，获取与所述食物图像匹配的预设等级图像，将所述与所述食物图像匹配的预设等级图像的图像等级作为所述目标食物的第二等级值；目标模块，用于根据所述第一等级值和所述第二等级值获取所述目标食物的目标等级值。
本发明解决其技术问题所采用的技术方案是：提供一种智能终端，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上所述方法的步骤。
本发明解决其技术问题所采用的技术方案是：提供一种存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上所述方法的步骤。
本发明的有益效果在于，与现有技术相比，本发明根据食物图像获取所述目标食物的外部参数，根据所述外部参数获取所述目标食物的第一等级值，将所述食物图像与至少一个预设等级图像进行对比，将所述与所述食物图像匹配的预设等级图像的图像等级作为所述目标食物的第二等级值，根据所述第一等级值和所述第二等级值获取所述目标食物的目标等级值，能够综合图像细节和图像整体对目标食物的质量进行评价，有效提升评价的准确性。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明提供的食物质量等级判断方法的一实施例的流程示意图；
图2是本发明提供的食物质量等级判断系统的一实施例的结构示意图；
图3是本发明提供的智能终端的一实施例的结构示意图；
图4是本发明提供的存储介质的一实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，图1是本发明提供的食物质量等级判断方法的一实施例的流程示意图。本发明提供的食物质量等级判断方法包括如下步骤：
S101：获取当前图像，所述当前图像包括目标食物的食物图像。
在一个具体的实施场景中，获取当前图像，当前图像可以是用户通过智能终端对目标食物拍照获取的，也可以是接收由其他终端(例如，相机、监控摄像装置)针对目标食物获取并发送的。当前图像包括目标食物的食物图像，可以包括目标食物的部分区域，或者目标食物的全部，可以理解的，当前图像中目标食物的内容越多，判定结果越准确。
进一步地，可以对当前图像进行图像处理，截取当前图像中目标食物的食物图像，避免后续对目标食物进行评判时由于当前图像的背景出现干扰导致判断不准确。
S102：根据所述食物图像获取所述目标食物的外部参数，根据所述外部参数获取所述目标食物的第一等级值。
在一个具体的实施场景中，对食物图像进行图像识别与处理，获取目标食物的外部参数，外部参数包括形状、轮廓、表面颜色、表面纹理中的至少一项。具体地说，先根据食物图像获取目标食物的食物种类，不同的食物种类评价的标准和参数不同，例如苹果的表面光滑、橘子的表面粗糙，因此在苹果的表面出现凹凸的坑点时，可以判定苹果的质量较低，但是并不能因为橘子的表面出现坑点判定橘子的质量较低。
在一个实施场景中，根据食物图像获取目标食物的体积大小，当食物图像是用户通过智能终端拍摄获取时，可以获取智能终端到目标食物的距离，根据距离和食物图像中目标食物的像素信息获取目标食物的体积。
在一个实施场景中，获取目标食物的表面颜色包括获取食物图像表面是否存在暗色或者深色的斑点。例如，芒果表面如果是均匀的黄色，则质量较高，出现深色斑点表示该芒果的质量较低，已经不新鲜了。
在一个实施场景中，获取目标食物的表面纹理包括获取食物图像表面的纹理是否按照目标食物本身的纹理走向，例如，哈密瓜本身表面具有一定的纹理，但是当哈密瓜由于时间过久表面出现干燥的纹理时，需要将干燥的纹理与哈密瓜本身的纹理进行区分，从而仅仅根据干燥的纹理判定哈密瓜的质量。
在一个实施场景中，可以针对外部参数设置不同的评分值和权重，例如，针对苹果而言，表面出现纹理表示苹果已经存放了很久，则评分为负分，且表面颜色如果出现了褐色的区域表示苹果已经腐坏，评分也为负分。进一步地，当外部参数中有一个的评分为负分时，第一等级值不得高于预设的低等级值，例如，当苹果已经腐坏时，即使苹果的体积大、表面光滑、形状饱满，其第一等级值不得高于3。再例如，当苹果表面出现纹理时，即使苹果的体积大、颜色红亮、形状饱满，第一等级值不得高于4。
在其他实施场景中，为了提升判断的准确度和精确度，还可以获取目标食物的光谱图像，根据光谱图像获取目标食物的光谱信息，根据光谱信息中的特征谱峰、谱带以及特征波长获取目标食物的芬芳分子状态，芬芳分子的状态表示了目标食物的成熟度，若芬芳分子的状态较为密集，则表示目标食物的已经成熟可以食用，若芬芳分子的状态过于密集，则表示目标食物可能即将腐坏，需要尽快食用，若芬芳分子的状态较为稀疏，则表示食物尚未成熟，暂时不可食用。进一步地，目标食物的成熟状态也会影响目标食物的口感，因此根据芬芳分子状态修正所述第一等级值。
具体的，可以根据用户的个人口味偏好以及目标食物的种类确定修正的幅度。例如，用户口味偏酸，目标食物为苹果，则当芬芳分子状态较为稀疏时，更加符合用户的口味，将第一等级值调高，调高的值可以由用户定义，或者根据用户的口味习惯自学习后进行定义。
在其他实施场景中，在获取目标食物表面颜色时候，需要根据预设调节模板进行色彩调节。由于拍摄时拍摄设备的参数、采光条件、滤镜等不同，会导致拍摄的食物图像的色彩与目标食物真实的表面颜色有所偏差，为了提升评判的准确性，根据预设调节模板对食物图像进行色彩调节。
在其他实施场景中，在获取目标食物的形状和轮廓的时候，执行去色、反色、取关键点等操作，以提升评价的准确率。进一步地，当用户获得的第一等级值与用户目测的食物质量相差较大时，可以执行去色、反色、取关键点等操作进行重复评价，以提升评价的准确率。
S103：将所述食物图像与至少一个预设等级图像进行对比，获取与所述食物图像匹配的预设等级图像，将所述与所述食物图像匹配的预设等级图像的图像等级作为所述目标食物的第二等级值。
在一个具体的实施场景中，仅仅根据图像识别对目标食物的等级进行评判可能不够全面和准确，因此，预先针对各种食物的各种等级设置有至少一个预设等级图像，每个预设等级图像的图像等级已知。图像等级可以是用户标注或者由开发者等其他人提供。可以理解的是，可以存在多个预设等级图像对应同一个图像等级。
在本实施场景中，获取目标食物的食物种类对应的预设等级图像，将食物图像与预设等级图像进行对比，将与食物图像相似度最高的预设等级图像作为食物图像匹配的等级图像，将与所述食物图像匹配的预设等级图像的图像等级作为所述目标食物的第二等级值。
在其他实施场景中，为了提升对比的效率和准确度和精确度，获取目标食物的食物种类对应的关键识别点，关键识别点可以是由用户设置或者由开发人员设置，还可以通过自学习后设置。获取目标食物的食物种类对应的预设等级图像后，将所述食物图像的所述关键识别点和所述预设等级图像的所述关键识别点进行对比，从而获取与所述食物图像匹配的预设等级图像。例如，目标食物为黄瓜，则关键识别点包括黄瓜的底端和顶端以及黄瓜的中间段中的任意若干点，这些关键识别点能够很好的反应黄瓜的新鲜程度。
在一个实施场景中，为了提升评判的效率和速度，根据至少一个预设等级图像及其对应的图像等级训练神经网络，将所述食物图像输入所述神经网络，神经网络的输出作为所述目标食物的所述第二等级值。进一步地，用户可以根据输出的第二等级值和自身判断的等级值对神经网络进行修正以及进一步训练，以使得神经网络的输出更加准确。
S104：根据所述第一等级值和所述第二等级值获取所述目标食物的目标等级值。
在一个具体的实施场景中，根据第一等级值和第二等级值获取目标食物的目标等级值，例如，可以计算第一等级值和第二等级值的平均值。进一步地，当第一等级值和第二等级值的差值小于预设差值时，将第一等级值和第二等级值的平均值作为目标等级值。
在其他实施场景中，可以获取第一等级值和第二等级值各自的权重，计算第一等级值和第二等级值的加权平均值，将加权平均值作为目标等级值。第一等级值和第二等级值各自的权重可以是由用户赋值，也可以根据实际情况灵活调整。例如，获取食物图像的图像质量，包括清晰度、对比度、色彩明艳度、聚焦情况等等，若图像质量较差，则第二等级值的权重较大。
在其他实施场景中，根据如下公式计算目标等级值：
目标等级值＝max(ln(log4(第一等级值)*log2(第二等级值)))
在其他实施场景中，目标食物的质量跟目标食物的新鲜程度有很大的关系，在某些情况下，可能从食物图像上无法直观察觉出目标食物的新鲜程度，因此可以获取目标食物的生产日期和/或购买日期。生产日期和/或购买日期可以是用户输入，或者是从食物图像中进行文字和数字的识别获取。获取当前日期，获取生产日期和/或购买日期与当前日期之间的时间差长度，目标食物的不同种类的可存放时长也不同，根据目标食物的种类和时间差长度对目标等级值或者第一等级值进行调整，以使得目标等级值更加准确。
例如，目标食物为苹果，时间差长度为1天，苹果在日常情况下可以存放1天，则对第一等级值或者目标等级值降低很小的幅度或者不降低。目标食物为面包，时间长度为3天，面包日常情况下不能存放太久，则对第一等级值或者目标等级值进行降级。
进一步地，还可以结合第一等级值或者目标等级值设置调整的数值大小。第一等级值或目标等级值越高的用户受到新鲜度影响的程度越低。例如，目标食物为苹果，时间差长度为10天，苹果在日常情况下存放10天对新鲜程度已经存在影响，若第一等级值或者目标等级值较高，表示苹果的表像呈现出较高的质量，则对第一等级值或者目标等级值降低较小的幅度，若第一等级值或者目标等级值较低，表示苹果的表像呈现出较低的质量，则对第一等级值或者目标等级值降低较大的幅度。
在其他实施场景中，目标食物的存储条件也会影响目标食物的新鲜程度。例如，苹果在常温下存放和在冰箱冷鲜中存放相同的天数，但是将具有不同的新鲜程度。存储条件可以是由用户输入，或者是由获取当前图像时，对图像背景进行识别获取。目标食物的存储条件还会影响口感，例如，面包放在冰箱中存储将会变干变硬，导致口感变差，因此，可以根据食物种类和存储条件修正第一等级值或者目标等级值。
在其他实施场景中，根据所述目标等级值生成预设提醒信息，预设提醒信息包括所述目标食物的存储方式、食用方式、食用期限中的至少一个。具体地说，若目标等级值较高，可以提示用户当前食用口感最佳，还可以根据目标食物的食物种类提供食用方式，若用户暂时不想食用，则向用户提示存储方式，例如面包需要常温保存，水果可以放在冰箱中保存。进一步地，可以记录下当前时间，并根据目标等级值计算目标食物的可存储期限，在到达可存储期限时，向用户发出提醒，提示用户食用目标食物。
在一个实施场景中，可以根据目标等级值生成对应的食用方式，例如，新鲜度较高的水果可以直接清洗食用，新鲜度较低的水果，建议不食用或者去皮食用等。或者某些瓜果蔬菜，成熟度较低时适合生吃，成熟度较高时适合炒菜或者煲汤。
在一个实施场景中，获取常见食物，以及所述常见食物的常见异常情况。可以由用户设置常见食物和常见异常情况，还可以根据评价食物质量的历史获取常见食物和常见异常情况。根据所述食物图像判断所述目标食物是否属于所述常见食物，若所述目标食物属于所述常见食物，则判断所述目标食物是否出现所述常见异常情况，若所述目标食物未出现所述常见异常情况，则向用户发出无异常提示，可以有效缩短对食物质量的评价时间。
通过上述描述可知，在本实施例中，根据食物图像获取所述目标食物的外部参数，根据所述外部参数获取所述目标食物的第一等级值，将所述食物图像与至少一个预设等级图像进行对比，将所述与所述食物图像匹配的预设等级图像的图像等级作为所述目标食物的第二等级值，根据所述第一等级值和所述第二等级值获取所述目标食物的目标等级值，能够综合图像细节和图像整体对目标食物的质量进行评价，有效提升评价的准确性。
请参阅图2，图2是本发明提供的食物质量等级判断系统的一实施例的结构示意图。食物质量等级判断系统10包括图像模块11、第一等级模块12、第二等级模块13和目标模块14。
图像模块11用于获取当前图像，所述当前图像包括目标食物的食物图像。第一等级模块12用于根据所述食物图像获取所述目标食物的外部参数，根据所述外部参数获取所述目标食物的第一等级值，所述外部参数包括形状、轮廓、表面颜色、表面纹理中的至少一项。第二等级模块13用于将所述食物图像与至少一个预设等级图像进行对比，获取与所述食物图像匹配的预设等级图像，将所述与所述食物图像匹配的预设等级图像的图像等级作为所述目标食物的第二等级值。目标模块14用于根据所述第一等级值和所述第二等级值获取所述目标食物的目标等级值。
所述当前图像包括所述目标食物的光谱图像。第一等级模块12还用于根据所述光谱图像获取所述目标食物的芬芳分子状态，根据所述芬芳分子状态修正所述第一等级值。
图像模块11还用于根据所述食物图像获取所述目标食物的食物种类。第二等级模块13还用于获取所述食物种类对应的关键识别点，将所述食物图像的所述关键识别点和所述预设等级图像的所述关键识别点进行对比，获取与所述食物图像匹配的预设等级图像。
第二等级模块13还用于根据所述至少一个预设等级图像及其对应的图像等级训练神经网络，将所述食物图像输入所述神经网络，获取所述目标食物的所述第二等级值。
目标模块14还用于获取所述目标食物的生产日期和/或购买日期，根据所述生产日期和/或所述购买日期调整所述目标等级值或所述第一等级值。
食物质量等级判断系统10还包括常见食物模块15，常见食物模块15获取常见食物，以及所述常见食物的常见异常情况，根据所述食物图像判断所述目标食物是否属于所述常见食物，若所述目标食物属于所述常见食物，则判断所述目标食物是否出现所述常见异常情况，若所述目标食物未出现所述常见异常情况，则向用户发出无异常提示。
通过上述描述可知，在本实施例中，食物质量等级判断系统根据食物图像获取所述目标食物的外部参数，根据所述外部参数获取所述目标食物的第一等级值，将所述食物图像与至少一个预设等级图像进行对比，将所述与所述食物图像匹配的预设等级图像的图像等级作为所述目标食物的第二等级值，根据所述第一等级值和所述第二等级值获取所述目标食物的目标等级值，能够综合图像细节和图像整体对目标食物的质量进行评价，有效提升评价的准确性。
请参阅图3，图3是本发明提供的智能终端的一实施例的结构示意图。智能终端20包括处理器21、存储器22。处理器21耦接存储器22。存储器22中存储有计算机程序，处理器21在工作时执行该计算机程序以实现如图1所示的方法。详细的方法可参见上述，在此不再赘述。
请参阅图4，图4是本发明提供的存储介质的一实施例的结构示意图。存储介质30中存储有至少一个计算机程序31，计算机程序31用于被处理器执行以实现如图1所示的方法，详细的方法可参见上述，在此不再赘述。在一个实施例中，计算机可读存储介质30可以是终端中的存储芯片、硬盘或者是移动硬盘或者优盘、光盘等其他可读写存储的工具，还可以是服务器等等。
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，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。
以上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本申请专利范围的限制。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)

1.一种食物质量等级判断方法，其特征在于，包括：
获取当前图像，所述当前图像包括目标食物的食物图像；
根据所述食物图像获取所述目标食物的外部参数，根据所述外部参数获取所述目标食物的第一等级值，所述外部参数包括体积、形状、轮廓、表面颜色、表面纹理中的至少一项；
将所述食物图像与至少一个预设等级图像进行对比，获取与所述食物图像匹配的预设等级图像，将所述与所述食物图像匹配的预设等级图像的图像等级作为所述目标食物的第二等级值；
根据所述第一等级值和所述第二等级值获取所述目标食物的目标等级值。
2.根据权利要求1所述的食物质量等级判断方法，其特征在于，所述当前图像包括所述目标食物的光谱图像；
所述食物质量等级判断方法还包括：
根据所述光谱图像获取所述目标食物的芬芳分子状态，根据所述芬芳分子状态修正所述第一等级值。
3.根据权利要求1所述的食物质量等级判断方法，其特征在于，所述根据所述食物图像获取所述目标食物的外部参数的步骤包括：
根据所述食物图像获取所述目标食物的食物种类；
所述将所述食物图像与至少一个预设等级图像进行对比的步骤包括：
获取所述食物种类对应的关键识别点，将所述食物图像的所述关键识别点和所述预设等级图像的所述关键识别点进行对比，获取与所述食物图像匹配的预设等级图像。
4.根据权利要求1所述的食物质量等级判断方法，其特征在于，所述将所述食物图像与至少一个预设等级图像进行对比的步骤包括：
根据所述至少一个预设等级图像及其对应的图像等级训练神经网络，将所述食物图像输入所述神经网络，获取所述目标食物的所述第二等级值。
5.根据权利要求1所述的食物质量等级判断方法，其特征在于，所述食物质量等级判断方法还包括：
根据所述目标等级值生成预设提醒信息，预设提醒信息包括所述目标食物的存储方式、食用方式、食用期限中的至少一个。
6.根据权利要求1所述的食物质量等级判断方法，其特征在于，所述食物质量等级判断方法还包括：
获取所述目标食物的生产日期和/或购买日期，根据所述生产日期和/或所述购买日期调整所述目标等级值或所述第一等级值。
7.根据权利要求1所述的食物质量等级判断方法，其特征在于，所述食物质量等级判断方法还包括：
获取常见食物，以及所述常见食物的常见异常情况，根据所述食物图像判断所述目标食物是否属于所述常见食物，若所述目标食物属于所述常见食物，则判断所述目标食物是否出现所述常见异常情况，若所述目标食物未出现所述常见异常情况，则向用户发出无异常提示。
8.一种食物质量等级判断系统，其特征在于，包括：
图像模块，用于获取当前图像，所述当前图像包括目标食物的食物图像；
第一等级模块，用于根据所述食物图像获取所述目标食物的外部参数，根据所述外部参数获取所述目标食物的第一等级值，所述外部参数包括形状、轮廓、表面颜色、表面纹理中的至少一项；
第二等级模块，用于将所述食物图像与至少一个预设等级图像进行对比，获取与所述食物图像匹配的预设等级图像，将所述与所述食物图像匹配的预设等级图像的图像等级作为所述目标食物的第二等级值；
目标模块，用于根据所述第一等级值和所述第二等级值获取所述目标食物的目标等级值。
9.一种智能终端，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
CN202111333272.XA 2021-11-11 2021-11-11 一种食物质量等级判断方法、系统、智能终端及存储介质 Pending CN114036335A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111333272.XA CN114036335A (zh) 2021-11-11 2021-11-11 一种食物质量等级判断方法、系统、智能终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111333272.XA CN114036335A (zh) 2021-11-11 2021-11-11 一种食物质量等级判断方法、系统、智能终端及存储介质

Publications (1)

Publication Number Publication Date
CN114036335A true CN114036335A (zh) 2022-02-11

Family

ID=80137267

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111333272.XA Pending CN114036335A (zh) 2021-11-11 2021-11-11 一种食物质量等级判断方法、系统、智能终端及存储介质

Country Status (1)

Country Link
CN (1) CN114036335A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116934348A (zh) * 2023-09-14 2023-10-24 广州淘通科技股份有限公司 一种交易售后数据的分析方法、装置、设备以及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116934348A (zh) * 2023-09-14 2023-10-24 广州淘通科技股份有限公司 一种交易售后数据的分析方法、装置、设备以及存储介质
CN116934348B (zh) * 2023-09-14 2023-12-26 广州淘通科技股份有限公司 一种交易售后数据的分析方法、装置、设备以及存储介质

Similar Documents

Publication Publication Date Title
Mery et al. Quality classification of corn tortillas using computer vision
CN110857831A (zh) 控制冰箱温度的方法及装置
CN114036335A (zh) 一种食物质量等级判断方法、系统、智能终端及存储介质
Sharma et al. Rapid ripening stage classification and dry matter prediction of durian pulp using a pushbroom near infrared hyperspectral imaging system
Angel et al. Assessing the state of maturation of the pineapple in its perolera variety using computer vision techniques
JPWO2018003506A1 (ja) 食べ頃算出方法、食べ頃算出システム、食べ頃算出プログラム及び記録媒体
Kareem The European Union sanitary and phytosanitary measures and Africa’s exports
CN109493335A (zh) 片烟的片型系数表征方法、系统、计算机存储介质及设备
Castro et al. Using machine learning techniques and different color spaces for the classification of Cape gooseberry (Physalis peruviana L.) fruits according to ripeness level
Santoso et al. Methods for quality coffee roasting degree evaluation: A literature review on risk perspective
CN114241221B (zh) 一种基于神经网络预测算法的控制系统
CN112100499A (zh) 一种基于数据模型的共享平台食材分配方法、系统及可读存储介质
Singh et al. Rice Type Classification using Proposed CNN Model
CN114066208A (zh) 一种食物质量的评价方法、系统、智能终端和存储介质
CN112052910A (zh) 食品安全分类方法、装置、计算机设备及存储介质
CN113951734A (zh) 一种基于大数据的加热控制方法、系统和存储介质
KR20180112136A (ko) 식품 신선도 분석방법 및 이를 이용한 식품 신선도 분석시스템
Savchenko et al. Construction of a linear food quality classifier based on their color analysis
Nemati et al. Dynamics of Price adjustment in qualitatively differentiated markets in the US: The case of organic and conventional Apples
CN113218880B (zh) 冰箱的食材检测方法、冰箱及存储介质
CN113218141B (zh) 冰箱的食材检测方法、冰箱及存储介质
Katoch et al. Price dynamics and market integration of wheat markets in Uttar Pradesh
CN113220658B (zh) 冰箱的食材检测方法、冰箱及存储介质
Pratama et al. Cassava quality classification for tapioca flour ingredients by using ID3 algorithm
Krongkarb et al. Control of Roasting Coffee Bean Degrees by Image Processing with Histogram Matching Technique and Bean Weight Normalization

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