CN116452881A - 食品营养价值检测方法、装置、设备及存储介质 - Google Patents
食品营养价值检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116452881A CN116452881A CN202310427265.9A CN202310427265A CN116452881A CN 116452881 A CN116452881 A CN 116452881A CN 202310427265 A CN202310427265 A CN 202310427265A CN 116452881 A CN116452881 A CN 116452881A
- Authority
- CN
- China
- Prior art keywords
- food
- data
- supplemented
- nutrition
- value
- 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 839
- 230000000050 nutritive effect Effects 0.000 title claims abstract description 85
- 238000001514 detection method Methods 0.000 title claims abstract description 74
- 235000016709 nutrition Nutrition 0.000 claims abstract description 278
- 230000035764 nutrition Effects 0.000 claims abstract description 230
- 235000015219 food category Nutrition 0.000 claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims description 32
- 235000012054 meals Nutrition 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 description 14
- 238000003062 neural network model Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 10
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000002372 labelling Methods 0.000 description 6
- 235000015097 nutrients Nutrition 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 235000015872 dietary supplement Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种食品营养价值检测方法、装置、设备及存储介质，包括：从影像应用软件导入当前食品影像数据；利用预先训练完成的卷积神经网络模型，确定当前食品影像数据中每个食品对象对应的食品类别和食品比例；对于每个食品对象，从预先建立的食品营养价值知识图谱中，计算得到该食品对象对应的食品营养价值真实数据；根据各个食品对象的食品营养价值真实数据、以及当前食品影像数据对应的用餐类别，确定待补充食品营养数据；调用点餐应用软件，从点餐应用软件中确定与待补充食品营养数据相匹配的待补充食品；控制在食品营养价值检测界面上显示食品营养价值检测相关信息。本发明能够提高食品营养价值检测的智能化程度。
Description
技术领域
本发明涉及计算机技术领域，具体而言，涉及一种食品营养价值检测方法、装置、设备及存储介质。
背景技术
目前，随着人们生活水平的不断提高，人们对于食品营养价值的问题越来越关注。但是，关于食品营养价值的相关知识很多，人们需要从海量信息中筛选出自己生活中用到的知识，存在着便利性差的问题。
在实践中发现，现在存在一些专门针对食品营养价值的信息网站，对不同类别的食品的营养价值知识进行分类归纳，用户可以按照自己想要检测的食品分类，获取相应食品的营养价值。但是，这种食品营养价值的获取方式仍然是针对单一食品类别的，难以满足人们日常饮食中同时获取多种食品类别的营养价值的使用需求。可见，现在的食品营养价值检测方法仍然存在着智能化程度较低的问题。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种食品营养价值检测方法、装置、设备及存储介质，以至少提高食品营养价值检测的智能化程度。
根据本发明实施例的一个方面，提供了一种食品营养价值检测方法，所述方法包括：从影像应用软件导入当前食品影像数据；利用预先训练完成的卷积神经网络模型，确定所述当前食品影像数据中每个食品对象对应的食品类别和食品比例；其中，每个食品对象对应的食品比例为该食品对象的体积占所有食品对象的体积和之比；对于每个食品对象，从预先建立的食品营养价值知识图谱中，确定与该食品对象对应的食品类别、相匹配的食品营养价值标准数据，根据所述食品营养价值标准数据和该食品对象的食品比例，计算得到该食品对象对应的食品营养价值真实数据；根据各个食品对象的食品营养价值真实数据、以及所述当前食品影像数据对应的用餐类别，确定待补充食品营养数据；调用点餐应用软件，从所述点餐应用软件中确定与所述待补充食品营养数据相匹配的待补充食品；控制在食品营养价值检测界面上显示所述各个食品对象的食品营养价值真实数据、所述待补充食品营养数据、所述待补充食品以及目标食品营养价值。
进一步的，根据各个食品对象的食品营养价值真实数据、以及所述当前食品影像数据对应的用餐类别，确定待补充食品营养数据，包括：根据各个食品对象的食品营养价值真实数据，确定真实食品营养价值；获取所述当前食品影像数据对应的用餐类别；确定与所述用餐类别关联的所述目标食品营养价值；根据所述目标食品营养价值与所述真实食品营养价值之间的差值，确定待补充的食品营养类别以及待补充的食品营养数量；将所述待补充的食品营养类别以及所述待补充的食品营养数量，确定为所述待补充食品营养数据。
进一步的，所述方法还包括：确定所述待补充食品对应的数量信息；控制在所述点餐应用软件中将与所述数量信息相匹配的所述待补充食品加入待购页面；响应于在所述待购页面检测到购买触发指令，生成针对所述待补充食品的订单数据。
进一步的，在控制在食品营养价值检测界面上显示所述各个食品对象的食品营养价值真实数据、所述待补充食品营养数据、所述待补充食品以及目标食品营养价值之后，所述方法还包括：响应于检测到所述订单数据指示针对所述待补充食品的订单已完成，在所述食品营养价值检测界面上更新所述待补充食品营养数据以及所述待补充食品。
进一步的，所述方法还包括：获取各个候选食品以及每个候选食品对应的食品资讯；基于各个候选食品对应的食品资讯，生成各个候选食品对应的食品属性、以及各个候选食品之间的食品关联关系；基于各个候选食品、各个候选食品对应的食品属性以及各个候选食品之间的食品关联关系，生成所述食品营养价值知识图谱。
根据本发明实施例的另一方面，还提供了一种食品营养价值检测装置，所述装置包括：数据导入单元，用于从影像应用软件导入当前食品影像数据；信息确定单元，用于利用预先训练完成的卷积神经网络模型，确定所述当前食品影像数据中每个食品对象对应的食品类别和食品比例；其中，每个食品对象对应的食品比例为该食品对象的体积占所有食品对象的体积和之比；数据计算单元，用于对于每个食品对象，从预先建立的食品营养价值知识图谱中，确定与该食品对象对应的食品类别、相匹配的食品营养价值标准数据，根据所述食品营养价值标准数据和该食品对象的食品比例，计算得到该食品对象对应的食品营养价值真实数据；所述数据计算单元，还用于根据各个食品对象的食品营养价值真实数据、以及所述当前食品影像数据对应的用餐类别，确定待补充食品营养数据；食品确定单元，用于调用点餐应用软件，从所述点餐应用软件中确定与所述待补充食品营养数据相匹配的待补充食品；显示控制单元，用于控制在食品营养价值检测界面上显示所述各个食品对象的食品营养价值真实数据、所述待补充食品营养数据、所述待补充食品以及目标食品营养价值。
进一步的，所述食品确定单元具体用于：根据各个食品对象的食品营养价值真实数据，确定真实食品营养价值；获取所述当前食品影像数据对应的用餐类别；确定与所述用餐类别关联的所述目标食品营养价值；根据所述目标食品营养价值与所述真实食品营养价值之间的差值，确定待补充的食品营养类别以及待补充的食品营养数量；将所述待补充的食品营养类别以及所述待补充的食品营养数量，确定为所述待补充食品营养数据。
进一步的，所述装置还包括：订单生成单元，用于确定所述待补充食品对应的数量信息；控制在所述点餐应用软件中将与所述数量信息相匹配的所述待补充食品加入待购页面；响应于在所述待购页面检测到购买触发指令，生成针对所述待补充食品的订单数据。
进一步的，所述装置还包括：数据更新单元，用于在控制在食品营养价值检测界面上显示所述各个食品对象的食品营养价值真实数据、所述待补充食品营养数据、所述待补充食品以及目标食品营养价值之后，响应于检测到所述订单数据指示针对所述待补充食品的订单已完成，在所述食品营养价值检测界面上更新所述待补充食品营养数据以及所述待补充食品。
进一步的，所述装置还包括：图谱构建单元，用于获取各个候选食品以及每个候选食品对应的食品资讯；基于各个候选食品对应的食品资讯，生成各个候选食品对应的食品属性、以及各个候选食品之间的食品关联关系；基于各个候选食品、各个候选食品对应的食品属性以及各个候选食品之间的食品关联关系，生成所述食品营养价值知识图谱。
根据本发明实施例的又一方面，还提供了一种计算机可读的存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述食品营养价值检测方法。
根据本发明实施例的又一方面，还提供了一种电子装置，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，上述处理器通过计算机程序执行上述的食品营养价值检测方法。
在本发明实施例中，通过预先训练完成的卷积神经网络模型，能够识别当前食品影像数据中的食品类别和食品比例，从而结合食品营养价值知识图谱，计算当前食品影像数据中的食品营养价值真实数据，从而实现对食品营养价值的智能化检测。并且，在得到对当前食品影像数据的食品营养价值真实数据之后，还可以进一步结合用餐类别，确定需要进行补充的食品影像数据，从而实现对当前食品营养价值以及对需要补充的食品营养价值的双重检测，进一步提高对食品营养价值的智能化检测。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的食品营养价值检测方法的流程图；
图2是根据本发明实施例的另一种可选的食品营养价值检测方法的流程图；
图3是根据本发明实施例的一种可选的食品营养价值检测装置的结构示意图；
图4是根据本发明实施例的一种可选的电子装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例提供了一种可选的食品营养价值检测方法，如图1所示，该食品营养价值检测方法包括：
S101，从影像应用软件导入当前食品影像数据。
在本实施例中，执行主体可以为终端设备、服务器等电子设备。
其中，影像应用软件可以为预先安装在执行主体或者执行主体为之提供服务的终端设备中的应用软件，能够进行拍摄操作或者相册读取操作。
其中，执行主体可以接收用户通过影像应用软件拍摄得到的食品影像数据，或者用户通过影像应用软件选取的相册中的食品影像数据。
其中，食品影像数据为包含多种品类的食品对象的图像、视频等多媒体数据。
S102，利用预先训练完成的卷积神经网络模型，确定所述当前食品影像数据中每个食品对象对应的食品类别和食品比例；其中，每个食品对象对应的食品比例为该食品对象的体积占所有食品对象的体积和之比。
在本实施例中，执行主体可以预先训练卷积神经网络模型，训练完成的卷积神经网络模型能够对食品影像数据进行图像识别，得到相应的食品类别和食品比例。
其中，卷积神经网络模型可以基于以下步骤训练得到：获取样本食品对象以及样本食品对象的标注类别，对初始的神经网络模型进行预训练，得到预训练完成的神经网络模型。这里的预训练方式为有标注的监督训练方式，结合初始的神经网络模型输出的食品类别以及标注类别，构建损失函数计算损失值，重复迭代训练，直至初始的神经网络模型收敛，得到预训练完成的神经网络模型。
之后，对于预训练完成的神经网络模型，可以对其使用包含多种品类的食品对象的图像以及图像标注信息，进行迭代训练。其中，图像标注信息可以包括在包含多种品类的食品对象的图像上的每个品类的食品对象的位置标注，例如可以用检测框的形式进行位置标注。通过迭代训练，可以得到预先训练完成的卷积神经网络模型，这里的卷积神经网络模型可以识别同张图像中的多种品类的食品对象、以及每个食品对象在图像中的位置信息(检测框)。
之后，通过预先训练完成的卷积神经网络模型，可以确定出当前食品影像数据中各个食品对象的食品类别以及各个食品对象的检测框大小，对于每个食品对象，计算该食品对象的检测框与整个图像的大小之比，即得到该食品对象对应的食品比例，即为该食品对象的体积占所有食品对象的体积和之比。
可以理解，当前食品影像数据为去除干扰物品后的图像，只包含食品对象。
S103，对于每个食品对象，从预先建立的食品营养价值知识图谱中，确定与该食品对象对应的食品类别、相匹配的食品营养价值标准数据，根据所述食品营养价值标准数据和该食品对象的食品比例，计算得到该食品对象对应的食品营养价值真实数据。
在本实施例中，执行主体可以预先通过搜集网络上的各类食品数据，构建食品营养价值知识图谱。可选的，对于食品营养价值知识图谱的构建，还可以结合用餐类别进行构建，例如，对于用餐类别为减脂类别，可以构建减脂主题的食品营养价值知识图谱。对于用餐类别为增肌类别，可以构建增肌主题的食品营养价值知识图谱。之后，对于当前食品影像数据，执行主体可以先确定当前食品影像数据对应的用餐类别，再按照用餐类别确定对应的食品营养价值知识图谱。之后，对于每个食品对象，再从预先建立的食品营养价值知识图谱中确定与该食品对象对应的食品类别、相匹配的食品营养价值标准数据。
其中，食品营养价值标准数据可以为单位数量的该食品对象所对应的食品营养价值，食品营养价值可以包括热能和营养素。之后，根据该食品对象的食品营养价值标准数据和该食品对象的食品比例，计算该食品对象对应的食品营养价值真实数据。可以理解，由于食品营养价值标准数据是针对单位数量的该食品对象而言的，而在当前食品影像数据中的该食品对象的数量通常并非单位数量，对此，需要先根据该食品对象的食品比例，乘以预设的折算系数，得到该食品对象的预估数量，再计算预估数量与食品营养价值标准数据的乘积，得到食品营养价值真实数据。其中，可以基于解析当前食品影像数据的影像参数，进行图像坐标系与现实坐标系之间的坐标转换关系，再基于坐标转换关系将食品对象的影像体积转换为真实体积，得到与真实体积对应的预估数量。
S104，根据各个食品对象的食品营养价值真实数据、以及所述当前食品影像数据对应的用餐类别，确定待补充食品营养数据。
在本实施例中，执行主体可以根据当前食品影像数据对应的用餐类别，先确定目标食品营养价值，再根据目标食品营养价值以及各个食品对象的食品营养价值真实数据，确定待补充食品营养数据。
其中，待补充食品营养数据可以包括待补充的食品品类、待补充的热能、待补充的营养素等数据。
S105，调用点餐应用软件，从所述点餐应用软件中确定与所述待补充食品营养数据相匹配的待补充食品。
在本实施例中，点餐应用软件可以为预先安装在执行主体或者执行主体为之提供服务的终端设备中的应用软件，能够进行点餐操作，这里的点餐操作包括对熟食的点餐操作以及买菜的点餐操作。
其中，执行主体在得到上述待补充食品营养数据之后，可以调用点餐应用软件，从点餐应用软件中确定与待补充食品营养数据相匹配的待补充食品。这里的待补充食品可以包括熟食食品、也可以包括菜品，本实施例对此不做限定。
S106，控制在食品营养价值检测界面上显示所述各个食品对象的食品营养价值真实数据、所述待补充食品营养数据、所述待补充食品以及目标食品营养价值。
在本实施例中，食品营养价值检测界面可以显示针对当前食品影像数据的食品营养价值检测结果。这里的食品营养价值检测结果可以包括当前食品影像数据中包含的各个食品对象、各个食品对象的食品营养价值真实数据，以及包含针对当前食品影像数据中的食品对象、所确定的需要进行补充的待补充食品营养数据、待补充食品以及目标食品营养价值。
在本发明实施例中，通过预先训练完成的卷积神经网络模型，能够识别当前食品影像数据中的食品类别和食品比例，从而结合食品营养价值知识图谱，计算当前食品影像数据中的食品营养价值真实数据，从而实现对食品营养价值的智能化检测。并且，在得到对当前食品影像数据的食品营养价值真实数据之后，还可以进一步结合用餐类别，确定需要进行补充的食品影像数据，从而实现对当前食品营养价值以及对需要补充的食品营养价值的双重检测，进一步提高对食品营养价值的智能化检测。
进一步的，本发明实施例提供了另一种可选的食品营养价值检测方法，如图2所示，该食品营养价值检测方法包括：
S201，从影像应用软件导入当前食品影像数据。
在本实施例中，执行主体可以为终端设备、服务器等电子设备。
其中，影像应用软件可以为预先安装在执行主体或者执行主体为之提供服务的终端设备中的应用软件，能够进行拍摄操作或者相册读取操作。
其中，执行主体可以接收用户通过影像应用软件拍摄得到的食品影像数据，或者用户通过影像应用软件选取的相册中的食品影像数据。
其中，食品影像数据为包含多种品类的食品对象的图像、视频等多媒体数据。
S202，利用预先训练完成的卷积神经网络模型，确定所述当前食品影像数据中每个食品对象对应的食品类别和食品比例；其中，每个食品对象对应的食品比例为该食品对象的体积占所有食品对象的体积和之比。
在本实施例中，执行主体可以预先训练卷积神经网络模型，训练完成的卷积神经网络模型能够对食品影像数据进行图像识别，得到相应的食品类别和食品比例。
其中，卷积神经网络模型可以基于以下步骤训练得到：获取样本食品对象以及样本食品对象的标注类别，对初始的神经网络模型进行预训练，得到预训练完成的神经网络模型。这里的预训练方式为有标注的监督训练方式，结合初始的神经网络模型输出的食品类别以及标注类别，构建损失函数计算损失值，重复迭代训练，直至初始的神经网络模型收敛，得到预训练完成的神经网络模型。
之后，对于预训练完成的神经网络模型，可以对其使用包含多种品类的食品对象的图像以及图像标注信息，进行迭代训练。其中，图像标注信息可以包括在包含多种品类的食品对象的图像上的每个品类的食品对象的位置标注，例如可以用检测框的形式进行位置标注。通过迭代训练，可以得到预先训练完成的卷积神经网络模型，这里的卷积神经网络模型可以识别同张图像中的多种品类的食品对象、以及每个食品对象在图像中的位置信息(检测框)。
之后，通过预先训练完成的卷积神经网络模型，可以确定出当前食品影像数据中各个食品对象的食品类别以及各个食品对象的检测框大小，对于每个食品对象，计算该食品对象的检测框与整个图像的大小之比，即得到该食品对象对应的食品比例，即为该食品对象的体积占所有食品对象的体积和之比。
可以理解，当前食品影像数据为去除干扰物品后的图像，只包含食品对象。
S203，对于每个食品对象，从预先建立的食品营养价值知识图谱中，确定与该食品对象对应的食品类别、相匹配的食品营养价值标准数据，根据所述食品营养价值标准数据和该食品对象的食品比例，计算得到该食品对象对应的食品营养价值真实数据。
在本实施例中，执行主体可以预先通过搜集网络上的各类食品数据，构建食品营养价值知识图谱。可选的，对于食品营养价值知识图谱的构建，还可以结合用餐类别进行构建，例如，对于用餐类别为减脂类别，可以构建减脂主题的食品营养价值知识图谱。对于用餐类别为增肌类别，可以构建增肌主题的食品营养价值知识图谱。之后，对于当前食品影像数据，执行主体可以先确定当前食品影像数据对应的用餐类别，再按照用餐类别确定对应的食品营养价值知识图谱。之后，对于每个食品对象，再从预先建立的食品营养价值知识图谱中确定与该食品对象对应的食品类别、相匹配的食品营养价值标准数据。
其中，食品营养价值标准数据可以为单位数量的该食品对象所对应的食品营养价值，食品营养价值可以包括热能和营养素。之后，根据该食品对象的食品营养价值标准数据和该食品对象的食品比例，计算该食品对象对应的食品营养价值真实数据。可以理解，由于食品营养价值标准数据是针对单位数量的该食品对象而言的，而在当前食品影像数据中的该食品对象的数量通常并非单位数量，对此，需要先根据该食品对象的食品比例，乘以预设的折算系数，得到该食品对象的预估数量，再计算预估数量与食品营养价值标准数据的乘积，得到食品营养价值真实数据。其中，可以基于解析当前食品影像数据的影像参数，进行图像坐标系与现实坐标系之间的坐标转换关系，再基于坐标转换关系将食品对象的影像体积转换为真实体积，得到与真实体积对应的预估数量。
S204，根据各个食品对象的食品营养价值真实数据，确定真实食品营养价值。
在本实施例中，执行主体可以根据当前食品影像数据对应的用餐类别，先确定目标食品营养价值，再根据目标食品营养价值以及各个食品对象的食品营养价值真实数据，确定待补充食品营养数据。
其中，待补充食品营养数据可以包括待补充的食品品类、待补充的热能、待补充的营养素等数据。
具体的，执行主体可以将每个食品对象的食品营养价值真实数据进行统计计算，得到真实食品营养价值。其中，真实食品营养价值包含所有食品对象对应的热能、营养素。
S205，获取所述当前食品影像数据对应的用餐类别。
在本实施例中，执行主体在得到当前食品影像数据之后，可以进一步确认当前食品影像数据对应的用餐类别。这里的用餐类别可以和当前食品影像数据预先关联，具体可以根据用户为当前食品影像数据选择关联的类别生成。其中，用餐类别可以包括减脂类别、增肌类别、病后恢复类别等等，本实施例对此不做限定。
S206，确定与所述用餐类别关联的所述目标食品营养价值。
在本实施例中，执行主体在得到用餐类别之后，可以进一步确定与用餐类别预先关联的目标食品营养价值。其中，目标食品营养价值可以为与用餐类别相匹配的、用户所需要获取到的食品营养价值。
S207，根据所述目标食品营养价值与所述真实食品营养价值之间的差值，确定待补充的食品营养类别以及待补充的食品营养数量。
在本实施例中，执行主体可以计算目标食品营养价值与真实食品营养价值之间的差值，根据差值，确定待补充的食品营养类别以及待补充的食品营养数量。
其中，目标食品营养价值具体可以包括多种食品大类、以及每种食品大类对应的热量、营养值等营养参数，真实食品营养价值包括当前食品影像数据中的多种食品对象、每种食品对象的热量、营养值等营养参数、将食品对象归类于食品大类后、统计的与食品大类相匹配的热量、营养值等营养参数。通过比对目标食品营养价值和真实食品营养价值，可以得到食品大类差值、以及营养参数差值。基于食品大类差值指示还需要补充的食品大类，可以确定得到待补充食品。以及，基于营养参数差值指示还需要在食品大类下补充的营养参数值，可以确定出在该食品大类下还需要补充的食品的数量。
S208，将所述待补充的食品营养类别以及所述待补充的食品营养数量，确定为所述待补充食品营养数据。
在本实施例中，执行主体可以将需要进行补充的食品营养类别和需要补充的食品营养数量，确定为需要进行补充的待补充食品营养数据。
S209，调用点餐应用软件，从所述点餐应用软件中确定与所述待补充食品营养数据相匹配的待补充食品。
在本实施例中，点餐应用软件可以为预先安装在执行主体或者执行主体为之提供服务的终端设备中的应用软件，能够进行点餐操作，这里的点餐操作包括对熟食的点餐操作以及买菜的点餐操作。
其中，执行主体在得到上述待补充食品营养数据之后，可以调用点餐应用软件，从点餐应用软件中确定与待补充食品营养数据相匹配的待补充食品。这里的待补充食品可以包括熟食食品、也可以包括菜品，本实施例对此不做限定。
作为一种可选的实施方式，还可以执行以下步骤：确定所述待补充食品对应的数量信息；控制在所述点餐应用软件中将与所述数量信息相匹配的所述待补充食品加入待购页面；响应于在所述待购页面检测到购买触发指令，生成针对所述待补充食品的订单数据。
在本实施方式中，执行主体可以确定出待补充食品、与待补充食品对应的数量信息，这里的数量信息用于指示需要购买的待补充食品的数量，具体可以根据上述要补充的食品营养数量进行换算得到。并且，执行主体可以调用点餐应用软件，控制在点餐应用软件中将与数量信息相匹配的待补充食品加入待购页面，实现基于食品营养价值检测的自动化加购。
S210，控制在食品营养价值检测界面上显示所述各个食品对象的食品营养价值真实数据、所述待补充食品营养数据、所述待补充食品以及目标食品营养价值。
在本实施例中，食品营养价值检测界面可以显示针对当前食品影像数据的食品营养价值检测结果。这里的食品营养价值检测结果可以包括当前食品影像数据中包含的各个食品对象、各个食品对象的食品营养价值真实数据，以及包含针对当前食品影像数据中的食品对象、所确定的需要进行补充的待补充食品营养数据、待补充食品以及目标食品营养价值。
作为一种可选的实施方式，在控制在食品营养价值检测界面上显示所述各个食品对象的食品营养价值真实数据、所述待补充食品营养数据、所述待补充食品以及目标食品营养价值之后，还可以执行以下步骤：响应于检测到所述订单数据指示针对所述待补充食品的订单已完成，在所述食品营养价值检测界面上更新所述待补充食品营养数据以及所述待补充食品。
在本实施方式中，如果订单数据指示针对待补充食品的订单已完成，则说明已购买待补充食品，此时可以在食品营养价值检测界面上更新待补充食品营养数据以及待补充食品。具体可以将待补充食品营养数据以及待补充食品的数据清空，并显示备注信息，备注信息用于指示已完成食品补充。
作为一种可选的实施方式，还可以执行以下步骤：获取各个候选食品以及每个候选食品对应的食品资讯；基于各个候选食品对应的食品资讯，生成各个候选食品对应的食品属性、以及各个候选食品之间的食品关联关系；基于各个候选食品、各个候选食品对应的食品属性以及各个候选食品之间的食品关联关系，生成所述食品营养价值知识图谱。
在本实施方式中，在建立食品营养价值知识图谱时，可以先确定候选食品，以及候选食品对应的食品资讯，这里的食品资讯可以来自网络、教科书等。通过对食品资讯进行资讯解析，可以生成每个候选食品对应的食品属性，这里的食品属性至少包括食品营养价值标准数据，还可以包括食品介绍信息、食品的食用方式信息等，本实施例对此不做限定。并且，执行主体还可以通过对食品资讯进行解析，建立候选食品之间的食品关联关系。这里的食品关联关系包括同类目、下属类目、上级类目等。之后，可以基于各个候选食品、各个候选食品对应的食品属性以及各个候选食品之间的食品关联关系，生成食品营养价值知识图谱。
举例而言，用户可以通过影像应用软件拍摄冰箱图像，执行主体对冰箱图像进行初步图像提取处理，得到冰箱图像中对应的当前食品影像数据。之后，通过卷积神经网络模型，确定冰箱中包含的各个食品对象的食品类别和食品比例。之后，对于每个食品对象，可以计算其食品营养价值真实数据，再结合用餐类别，如减脂类别，确定需要补充的食品营养数据。再根据需要补充的食品营养数据，调用点餐应用软件，确定需要进行补充的待补充食品，在食品营养价值检测的应用软件中控制显示针对冰箱图像的食品营养价值真实数据、需要补充的待补充食品营养数据、待补充食品以及目标食品营养价值。
在本发明实施例中，通过预先训练完成的卷积神经网络模型，能够识别当前食品影像数据中的食品类别和食品比例，从而结合食品营养价值知识图谱，计算当前食品影像数据中的食品营养价值真实数据，从而实现对食品营养价值的智能化检测。并且，在得到对当前食品影像数据的食品营养价值真实数据之后，还可以进一步结合用餐类别，确定需要进行补充的食品影像数据，从而实现对当前食品营养价值以及对需要补充的食品营养价值的双重检测，进一步提高对食品营养价值的智能化检测。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
进一步的，本发明实施例提供了一种可选的食品营养价值检测装置，如图3所示，该食品营养价值检测装置包括：
数据导入单元301，用于从影像应用软件导入当前食品影像数据；
信息确定单元302，用于利用预先训练完成的卷积神经网络模型，确定所述当前食品影像数据中每个食品对象对应的食品类别和食品比例；其中，每个食品对象对应的食品比例为该食品对象的体积占所有食品对象的体积和之比；
数据计算单元303，用于对于每个食品对象，从预先建立的食品营养价值知识图谱中，确定与该食品对象对应的食品类别、相匹配的食品营养价值标准数据，根据所述食品营养价值标准数据和该食品对象的食品比例，计算得到该食品对象对应的食品营养价值真实数据；
所述数据计算单元303，还用于根据各个食品对象的食品营养价值真实数据、以及所述当前食品影像数据对应的用餐类别，确定待补充食品营养数据；
食品确定单元304，用于调用点餐应用软件，从所述点餐应用软件中确定与所述待补充食品营养数据相匹配的待补充食品；
显示控制单元305，用于控制在食品营养价值检测界面上显示所述各个食品对象的食品营养价值真实数据、所述待补充食品营养数据、所述待补充食品以及目标食品营养价值。
进一步的，所述食品确定单元304具体用于：根据各个食品对象的食品营养价值真实数据，确定真实食品营养价值；获取所述当前食品影像数据对应的用餐类别；确定与所述用餐类别关联的所述目标食品营养价值；根据所述目标食品营养价值与所述真实食品营养价值之间的差值，确定待补充的食品营养类别以及待补充的食品营养数量；将所述待补充的食品营养类别以及所述待补充的食品营养数量，确定为所述待补充食品营养数据。
进一步的，所述装置还包括：订单生成单元，用于确定所述待补充食品对应的数量信息；控制在所述点餐应用软件中将与所述数量信息相匹配的所述待补充食品加入待购页面；响应于在所述待购页面检测到购买触发指令，生成针对所述待补充食品的订单数据。
进一步的，所述装置还包括：数据更新单元，用于在控制在食品营养价值检测界面上显示所述各个食品对象的食品营养价值真实数据、所述待补充食品营养数据、所述待补充食品以及目标食品营养价值之后，响应于检测到所述订单数据指示针对所述待补充食品的订单已完成，在所述食品营养价值检测界面上更新所述待补充食品营养数据以及所述待补充食品。
进一步的，所述装置还包括：图谱构建单元，用于获取各个候选食品以及每个候选食品对应的食品资讯；基于各个候选食品对应的食品资讯，生成各个候选食品对应的食品属性、以及各个候选食品之间的食品关联关系；基于各个候选食品、各个候选食品对应的食品属性以及各个候选食品之间的食品关联关系，生成所述食品营养价值知识图谱。
在本发明实施例中，通过预先训练完成的卷积神经网络模型，能够识别当前食品影像数据中的食品类别和食品比例，从而结合食品营养价值知识图谱，计算当前食品影像数据中的食品营养价值真实数据，从而实现对食品营养价值的智能化检测。并且，在得到对当前食品影像数据的食品营养价值真实数据之后，还可以进一步结合用餐类别，确定需要进行补充的食品影像数据，从而实现对当前食品营养价值以及对需要补充的食品营养价值的双重检测，进一步提高对食品营养价值的智能化检测。
进一步的，根据本发明实施例的又一个方面，还提供了一种用于实施上述食品营养价值检测方法的电子设备，如图4所示，该电子设备包括存储器402和处理器404，该存储器402中存储有计算机程序，该处理器404被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，从影像应用软件导入当前食品影像数据；
S2，利用预先训练完成的卷积神经网络模型，确定所述当前食品影像数据中每个食品对象对应的食品类别和食品比例；其中，每个食品对象对应的食品比例为该食品对象的体积占所有食品对象的体积和之比；
S3，对于每个食品对象，从预先建立的食品营养价值知识图谱中，确定与该食品对象对应的食品类别、相匹配的食品营养价值标准数据，根据所述食品营养价值标准数据和该食品对象的食品比例，计算得到该食品对象对应的食品营养价值真实数据；
S4，根据各个食品对象的食品营养价值真实数据、以及所述当前食品影像数据对应的用餐类别，确定待补充食品营养数据；
S5，调用点餐应用软件，从所述点餐应用软件中确定与所述待补充食品营养数据相匹配的待补充食品；
S6，控制在食品营养价值检测界面上显示所述各个食品对象的食品营养价值真实数据、所述待补充食品营养数据、所述待补充食品以及目标食品营养价值。
可选地，本领域普通技术人员可以理解，图4所示的结构仅为示意，电子设备也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices，MID)、PAD等终端设备。图4其并不对上述电子设备的结构造成限定。例如，电子设备还可包括比图4中所示更多或者更少的组件(如网络接口等)，或者具有与图4所示不同的配置。
其中，存储器402可用于存储软件程序以及模块，如本发明实施例中的食品营养价值检测方法对应的程序指令/模块，处理器404通过运行存储在存储器402内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的食品营养价值检测方法。存储器402可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器402可进一步包括相对于处理器404远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中，存储器402具体可以但不限于用于存储操作指令等信息。作为一种示例，如图4所示，上述存储器402中可以但不限于包括上述装置中的各个模块。
可选地，上述的传输装置406用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置406包括一个网络适配器(Network Interface Controller，NIC)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置406为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
此外，上述电子设备还包括：显示器408和连接总线410。
根据本发明的实施例的又一方面，还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，从影像应用软件导入当前食品影像数据；
S2，利用预先训练完成的卷积神经网络模型，确定所述当前食品影像数据中每个食品对象对应的食品类别和食品比例；其中，每个食品对象对应的食品比例为该食品对象的体积占所有食品对象的体积和之比；
S3，对于每个食品对象，从预先建立的食品营养价值知识图谱中，确定与该食品对象对应的食品类别、相匹配的食品营养价值标准数据，根据所述食品营养价值标准数据和该食品对象的食品比例，计算得到该食品对象对应的食品营养价值真实数据；
S4，根据各个食品对象的食品营养价值真实数据、以及所述当前食品影像数据对应的用餐类别，确定待补充食品营养数据；
S5，调用点餐应用软件，从所述点餐应用软件中确定与所述待补充食品营养数据相匹配的待补充食品；
S6，控制在食品营养价值检测界面上显示所述各个食品对象的食品营养价值真实数据、所述待补充食品营养数据、所述待补充食品以及目标食品营养价值。
可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random Access Memory，RAM)、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的集成的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，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元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，也可以采用软件功能单元的形式实现。
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种食品营养价值检测方法，其特征在于，所述方法包括：
从影像应用软件导入当前食品影像数据；
利用预先训练完成的卷积神经网络模型，确定所述当前食品影像数据中每个食品对象对应的食品类别和食品比例；其中，每个食品对象对应的食品比例为该食品对象的体积占所有食品对象的体积和之比；
对于每个食品对象，从预先建立的食品营养价值知识图谱中，确定与该食品对象对应的食品类别、相匹配的食品营养价值标准数据，根据所述食品营养价值标准数据和该食品对象的食品比例，计算得到该食品对象对应的食品营养价值真实数据；
根据各个食品对象的食品营养价值真实数据、以及所述当前食品影像数据对应的用餐类别，确定待补充食品营养数据；
调用点餐应用软件，从所述点餐应用软件中确定与所述待补充食品营养数据相匹配的待补充食品；
控制在食品营养价值检测界面上显示所述各个食品对象的食品营养价值真实数据、所述待补充食品营养数据、所述待补充食品以及目标食品营养价值。
2.根据权利要求1所述的方法，其特征在于，根据各个食品对象的食品营养价值真实数据、以及所述当前食品影像数据对应的用餐类别，确定待补充食品营养数据，包括：
根据各个食品对象的食品营养价值真实数据，确定真实食品营养价值；
获取所述当前食品影像数据对应的用餐类别；
确定与所述用餐类别关联的所述目标食品营养价值；
根据所述目标食品营养价值与所述真实食品营养价值之间的差值，确定待补充的食品营养类别以及待补充的食品营养数量；
将所述待补充的食品营养类别以及所述待补充的食品营养数量，确定为所述待补充食品营养数据。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
确定所述待补充食品对应的数量信息；
控制在所述点餐应用软件中将与所述数量信息相匹配的所述待补充食品加入待购页面；
响应于在所述待购页面检测到购买触发指令，生成针对所述待补充食品的订单数据。
4.根据权利要求3所述的方法，其特征在于，在控制在食品营养价值检测界面上显示所述各个食品对象的食品营养价值真实数据、所述待补充食品营养数据、所述待补充食品以及目标食品营养价值之后，所述方法还包括：
响应于检测到所述订单数据指示针对所述待补充食品的订单已完成，在所述食品营养价值检测界面上更新所述待补充食品营养数据以及所述待补充食品。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取各个候选食品以及每个候选食品对应的食品资讯；
基于各个候选食品对应的食品资讯，生成各个候选食品对应的食品属性、以及各个候选食品之间的食品关联关系；
基于各个候选食品、各个候选食品对应的食品属性以及各个候选食品之间的食品关联关系，生成所述食品营养价值知识图谱。
6.一种食品营养价值检测装置，其特征在于，所述装置包括：
数据导入单元，用于从影像应用软件导入当前食品影像数据；
信息确定单元，用于利用预先训练完成的卷积神经网络模型，确定所述当前食品影像数据中每个食品对象对应的食品类别和食品比例；其中，每个食品对象对应的食品比例为该食品对象的体积占所有食品对象的体积和之比；
数据计算单元，用于对于每个食品对象，从预先建立的食品营养价值知识图谱中，确定与该食品对象对应的食品类别、相匹配的食品营养价值标准数据，根据所述食品营养价值标准数据和该食品对象的食品比例，计算得到该食品对象对应的食品营养价值真实数据；
所述数据计算单元，还用于根据各个食品对象的食品营养价值真实数据、以及所述当前食品影像数据对应的用餐类别，确定待补充食品营养数据；
食品确定单元，用于调用点餐应用软件，从所述点餐应用软件中确定与所述待补充食品营养数据相匹配的待补充食品；
显示控制单元，用于控制在食品营养价值检测界面上显示所述各个食品对象的食品营养价值真实数据、所述待补充食品营养数据、所述待补充食品以及目标食品营养价值。
7.根据权利要求6所述的装置，其特征在于，所述食品确定单元具体用于：
根据各个食品对象的食品营养价值真实数据，确定真实食品营养价值；
获取所述当前食品影像数据对应的用餐类别；
确定与所述用餐类别关联的所述目标食品营养价值；
根据所述目标食品营养价值与所述真实食品营养价值之间的差值，确定待补充的食品营养类别以及待补充的食品营养数量；
将所述待补充的食品营养类别以及所述待补充的食品营养数量，确定为所述待补充食品营养数据。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括：
订单生成单元，用于确定所述待补充食品对应的数量信息；控制在所述点餐应用软件中将与所述数量信息相匹配的所述待补充食品加入待购页面；响应于在所述待购页面检测到购买触发指令，生成针对所述待补充食品的订单数据。
9.一种电子设备，其特征在于，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指令，所述指令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权利要求1-5中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310427265.9A CN116452881B (zh) | 2023-04-12 | 2023-04-12 | 食品营养价值检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310427265.9A CN116452881B (zh) | 2023-04-12 | 2023-04-12 | 食品营养价值检测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116452881A true CN116452881A (zh) | 2023-07-18 |
| CN116452881B CN116452881B (zh) | 2023-11-07 |
Family
ID=87119939
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310427265.9A Active CN116452881B (zh) | 2023-04-12 | 2023-04-12 | 食品营养价值检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116452881B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006201893A (ja) * | 2005-01-19 | 2006-08-03 | Takasaki Univ Of Health & Welfare | 栄養素算出方法およびそのシステム |
| US20100196896A1 (en) * | 2007-04-27 | 2010-08-05 | Jaanus Harro | Method and a kit for identifying a human who has the predisposition for increased consumption of carbohydrates and method for managing the named human's dietary intake of nutritional energy |
| US20120083669A1 (en) * | 2010-10-04 | 2012-04-05 | Abujbara Nabil M | Personal Nutrition and Wellness Advisor |
| JP3177199U (ja) * | 2012-04-27 | 2012-07-26 | 修 北 | 食事バランス表示システム |
| CN103678874A (zh) * | 2013-10-14 | 2014-03-26 | 冯力新 | 一种个人健康膳食与运动能量平衡管理方法 |
| US20170099867A1 (en) * | 2014-05-21 | 2017-04-13 | Nestec S.A. | Personalized supplementation of nutrients |
| CN108576551A (zh) * | 2018-03-19 | 2018-09-28 | 安徽水联水务科技有限公司 | 一种食品消毒方法 |
| CN108932265A (zh) * | 2017-05-26 | 2018-12-04 | 浩鑫股份有限公司 | 饮食信息建议系统及其饮食信息建议方法 |
| CN110544521A (zh) * | 2019-09-09 | 2019-12-06 | 吉林大学中日联谊医院 | 一种饮食健康管理系统 |
| CN110797107A (zh) * | 2019-10-30 | 2020-02-14 | 武汉绿安健膳方科技有限公司 | 一种居家膳食营养评价方法 |
| CN113936274A (zh) * | 2021-10-19 | 2022-01-14 | 平安国际智慧城市科技股份有限公司 | 食物营养成分分析方法、装置、电子设备及可读存储介质 |
| CN114550018A (zh) * | 2022-02-25 | 2022-05-27 | 重庆邮电大学 | 一种基于深度学习食物图像识别模型的营养管理方法及系统 |
-
2023
- 2023-04-12 CN CN202310427265.9A patent/CN116452881B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006201893A (ja) * | 2005-01-19 | 2006-08-03 | Takasaki Univ Of Health & Welfare | 栄養素算出方法およびそのシステム |
| US20100196896A1 (en) * | 2007-04-27 | 2010-08-05 | Jaanus Harro | Method and a kit for identifying a human who has the predisposition for increased consumption of carbohydrates and method for managing the named human's dietary intake of nutritional energy |
| US20120083669A1 (en) * | 2010-10-04 | 2012-04-05 | Abujbara Nabil M | Personal Nutrition and Wellness Advisor |
| JP3177199U (ja) * | 2012-04-27 | 2012-07-26 | 修 北 | 食事バランス表示システム |
| CN103678874A (zh) * | 2013-10-14 | 2014-03-26 | 冯力新 | 一种个人健康膳食与运动能量平衡管理方法 |
| US20170099867A1 (en) * | 2014-05-21 | 2017-04-13 | Nestec S.A. | Personalized supplementation of nutrients |
| CN108932265A (zh) * | 2017-05-26 | 2018-12-04 | 浩鑫股份有限公司 | 饮食信息建议系统及其饮食信息建议方法 |
| CN108576551A (zh) * | 2018-03-19 | 2018-09-28 | 安徽水联水务科技有限公司 | 一种食品消毒方法 |
| CN110544521A (zh) * | 2019-09-09 | 2019-12-06 | 吉林大学中日联谊医院 | 一种饮食健康管理系统 |
| CN110797107A (zh) * | 2019-10-30 | 2020-02-14 | 武汉绿安健膳方科技有限公司 | 一种居家膳食营养评价方法 |
| CN113936274A (zh) * | 2021-10-19 | 2022-01-14 | 平安国际智慧城市科技股份有限公司 | 食物营养成分分析方法、装置、电子设备及可读存储介质 |
| CN114550018A (zh) * | 2022-02-25 | 2022-05-27 | 重庆邮电大学 | 一种基于深度学习食物图像识别模型的营养管理方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| EN-YU LIN 等: "System Design of an Intelligent Nutrition Consultation and Recommendation Model", 《2012 9TH INTERNATIONAL CONFERENCE ON UBIQUITOUS INTELLIGENCE AND COMPUTING AND 9TH INTERNATIONAL CONFERENCE ON AUTONOMIC AND TRUSTED COMPUTING》 * |
| 夏剑秋 等: "大豆高蛋白质粉研发", 《中国油脂》 * |
| 王翔宇 等: "基于机器学习的运动营养个性化推荐研究展望", 《中国营养学会营养与保健食品分会第十五次学术会议暨南京营养学会第三次学术会议》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116452881B (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107404656B (zh) | 直播视频推荐方法、装置及服务器 | |
| US9424495B1 (en) | Digital food imaging analysis: system and method to analyze food consumption | |
| CN108665134A (zh) | 用于监控食品制备的装置和方法 | |
| US10733479B2 (en) | System and method for providing a recipe | |
| CN109670106B (zh) | 基于场景的事物推荐方法和装置 | |
| US10210627B1 (en) | Image processing system for determining metrics of objects represented therein | |
| CN106446508A (zh) | 智能筷子预测系统及利用该系统进行预测的方法 | |
| CN112464013A (zh) | 信息的推送方法和装置、电子设备和存储介质 | |
| CN111895720A (zh) | 智能冰箱的信息交互方法、系统及智能冰箱 | |
| CN109829364A (zh) | 一种表情识别方法、装置和推荐方法、装置 | |
| CN110852299A (zh) | 顾客饮食习惯确定方法及装置 | |
| CN112902406A (zh) | 参数设置方法、设备及计算机可读存储介质 | |
| CN111683280B (zh) | 视频处理方法、装置及电子设备 | |
| CN116452881B (zh) | 食品营养价值检测方法、装置、设备及存储介质 | |
| CN112419432A (zh) | 冰箱内食物的控制方法和装置、电子设备和存储介质 | |
| CN110875090A (zh) | 智能冰箱及其信息交互方法、系统和计算机可存储介质 | |
| CN112163006A (zh) | 一种信息处理方法、装置、电子设备及存储介质 | |
| CN110673737A (zh) | 基于智能家居操作系统的显示内容的调整方法及装置 | |
| WO2021082285A1 (zh) | 食材体积检测的方法及装置、厨电设备 | |
| CN109214548A (zh) | 一种订单准备时间的预测方法及装置 | |
| CN112183914B (zh) | 一种菜项的评价方法及装置 | |
| CN111860211B (zh) | 餐具和参照物识别方法、装置及存储介质 | |
| CN104867026B (zh) | 提供商品图像的方法和系统以及输出商品图像的终端装置 | |
| CN111178274A (zh) | 信息提示方法和装置、计算机可读的存储介质及电子装置 | |
| CN110762943B (zh) | 物品的展示方法、装置以及家电设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |