CN116561433A - 基于python识别的营养菜品推荐方法、装置、设备及存储介质 - Google Patents
基于python识别的营养菜品推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116561433A CN116561433A CN202310769697.8A CN202310769697A CN116561433A CN 116561433 A CN116561433 A CN 116561433A CN 202310769697 A CN202310769697 A CN 202310769697A CN 116561433 A CN116561433 A CN 116561433A
- Authority
- CN
- China
- Prior art keywords
- image
- nutrition
- nutritional
- dish
- python
- 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
- 235000016709 nutrition Nutrition 0.000 title claims abstract description 223
- 238000000034 method Methods 0.000 title claims abstract description 61
- 235000013305 food Nutrition 0.000 claims abstract description 133
- 230000035764 nutrition Effects 0.000 claims abstract description 121
- 239000000463 material Substances 0.000 claims abstract description 118
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 238000010845 search algorithm Methods 0.000 claims abstract description 13
- 230000009193 crawling Effects 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 51
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000003708 edge detection Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000009194 climbing Effects 0.000 claims description 7
- 239000004615 ingredient Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 15
- 235000018102 proteins Nutrition 0.000 description 12
- 102000004169 proteins and genes Human genes 0.000 description 12
- 108090000623 proteins and genes Proteins 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 235000005911 diet Nutrition 0.000 description 4
- 230000037213 diet Effects 0.000 description 4
- 235000015097 nutrients Nutrition 0.000 description 4
- 241000227653 Lycopersicon Species 0.000 description 3
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 235000014633 carbohydrates Nutrition 0.000 description 3
- 150000001720 carbohydrates Chemical class 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 3
- 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 2
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 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 2
- 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 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 235000013601 eggs Nutrition 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 235000019155 vitamin A Nutrition 0.000 description 2
- 239000011719 vitamin A Substances 0.000 description 2
- 229940045997 vitamin a Drugs 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- AUNGANRZJHBGPY-UHFFFAOYSA-N D-Lyxoflavin Natural products OCC(O)C(O)C(O)CN1C=2C=C(C)C(C)=CC=2N=C2C1=NC(=O)NC2=O AUNGANRZJHBGPY-UHFFFAOYSA-N 0.000 description 1
- ZZZCUOFIHGPKAK-UHFFFAOYSA-N D-erythro-ascorbic acid Natural products OCC1OC(=O)C(O)=C1O ZZZCUOFIHGPKAK-UHFFFAOYSA-N 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- AUNGANRZJHBGPY-SCRDCRAPSA-N Riboflavin Chemical compound OC[C@@H](O)[C@@H](O)[C@@H](O)CN1C=2C=C(C)C(C)=CC=2N=C2C1=NC(=O)NC2=O AUNGANRZJHBGPY-SCRDCRAPSA-N 0.000 description 1
- BUGBHKTXTAQXES-UHFFFAOYSA-N Selenium Chemical compound [Se] BUGBHKTXTAQXES-UHFFFAOYSA-N 0.000 description 1
- 229930003471 Vitamin B2 Natural products 0.000 description 1
- 229930003268 Vitamin C Natural products 0.000 description 1
- 229930003448 Vitamin K Natural products 0.000 description 1
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 235000020940 control diet Nutrition 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000003925 fat Substances 0.000 description 1
- 235000019197 fats Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000019688 fish Nutrition 0.000 description 1
- 235000012041 food component Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 235000004280 healthy diet Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052742 iron Inorganic materials 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
- 235000021049 nutrient content Nutrition 0.000 description 1
- 235000003170 nutritional factors Nutrition 0.000 description 1
- 235000014571 nuts Nutrition 0.000 description 1
- SHUZOJHMOBOZST-UHFFFAOYSA-N phylloquinone Natural products CC(C)CCCCC(C)CCC(C)CCCC(=CCC1=C(C)C(=O)c2ccccc2C1=O)C SHUZOJHMOBOZST-UHFFFAOYSA-N 0.000 description 1
- 229960002477 riboflavin Drugs 0.000 description 1
- 239000011669 selenium Substances 0.000 description 1
- 229910052711 selenium Inorganic materials 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 235000013311 vegetables Nutrition 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
- 235000019164 vitamin B2 Nutrition 0.000 description 1
- 239000011716 vitamin B2 Substances 0.000 description 1
- 235000019154 vitamin C Nutrition 0.000 description 1
- 239000011718 vitamin C Substances 0.000 description 1
- 235000019168 vitamin K Nutrition 0.000 description 1
- 239000011712 vitamin K Substances 0.000 description 1
- 150000003721 vitamin K derivatives Chemical class 0.000 description 1
- 229940046010 vitamin k Drugs 0.000 description 1
- 235000020985 whole grains Nutrition 0.000 description 1
- 239000011701 zinc Substances 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Nutrition Science (AREA)
- Epidemiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及人工智能技术，揭露了一种基于python识别的营养菜品推荐方法，包括：获取目标菜品的菜品图像，利用卷积神经网络提取出菜品图像的图像特征；根据图像特征利用搜索算法进行特征匹配，得到目标菜品的食材名称；根据每个食材名称与预设的数据库进行数据匹配得到目标菜品的营养信息，并根据营养信息构建出目标菜品的营养画像；根据营养画像与预设的营养标准画像进行对比，得到营养价值差异结果；根据营养价值差异结果利用python手段爬取出推荐食材，根据推荐食材生成推荐菜谱。本发明还提出一种基于python识别的营养菜品推荐装置、电子设备以及存储介质用于解决个性化定制营养菜品的问题。
Description
技术领域
本发明涉及菜品推荐领域，尤其涉及一种基于python识别的营养菜品推荐方法、装置、电子设备及计算机可读存储介质。
背景技术
随着人们生活水平的提高，越来越多的人开始注重健康饮食，菜品的营养成分也成为了人们日常饮食考虑中不可或缺的一部分。在医疗场景中，对于一些患有疾病的患者来说，由于他们需要遵守医生的建议和治疗方案，因此选择合适的食物和搭配方案可能对他们来说更加困难，因此急切需要一些方法来根据他们的特定情况定制出合理的菜品。例如，医生可能会建议糖尿病患者控制自己每日摄入的糖分和碳水化合物，同时增加蔬菜、水果、全谷类、豆类、坚果和鱼类等富含纤维、蛋白质和健康脂肪的食物。而现有的食谱软件或菜品分析程序只能推荐出某菜品的制作过程，无法根据用户需求分析出所需的营养菜品，因此用户对个性化定制营养菜品的需求也越来越迫切。
发明内容
本发明提供一种基于python识别的营养菜品推荐方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决个性化定制营养菜品的问题。
为实现上述目的，本发明提供的一种基于python识别的营养菜品推荐方法，包括：
获获取目标菜品的菜品图像，利用卷积神经网络提取出所述菜品图像的图像特征；
根据所述图像特征利用搜索算法进行特征匹配，得到所述目标菜品的食材名称；
根据每个所述食材名称与预先设定的数据库进行数据匹配得到所述目标菜品的营养信息，并根据所述营养信息构建出所述目标菜品的营养画像；
根据所述营养画像与预设的营养标准画像进行对比，得到营养价值差异结果；
根据所述营养价值差异结果利用python手段爬取出推荐食材，根据所述推荐食材生成推荐菜谱。
可选地，所述利用卷积神经网络提取出所述菜品图像的图像特征，包括：
对所述菜品图像进行切分处理得到待提取图像；
逐个对所述待提取图像利用预设的卷积神经网络中的卷积核进行卷积操作，得到卷积特征图；
对所述卷积特征图进行预设次数的下采样操作，得到特征表示图；
利用所述卷积神经网络中的全连接层对所述特征表示图执行全连接任务，得到所述图像特征。
可选地，所述对所述菜品图像进行切分处理得到待提取图像，包括：
对所述菜品图像进行灰度变换处理，得到预处理图像；
利用基于梯度的边缘检测对所述预处理图像进行边缘检测，得到边缘二值图像；
对所述边缘二值图像进行边缘增强，得到待处理图像；
对所述待处理图像进行边缘分割，得到多组待提取图像。
可选地，所述根据所述图像特征利用搜索算法进行特征匹配，得到所述目标菜品的食材名称，包括：
逐个从预先获取的食材数据库中选取其中一个食材作为待处理食材；
对所述待处理食材以及所述图像特征进行向量转化分别得到目标特征向量和图像特征向量；
将所述目标特征向量与所述图像特征向量进行相似度计算得到相似度结果；
选取相似度结果大于或者等于预设常数的所述目标特征向量对应的食材名称。
可选地，所述根据每个所述食材名称与预先设定的数据库进行数据匹配得到所述目标菜品的营养信息，并根据所述营养信息构建出所述目标菜品的营养画像，包括：
依次从预先设定的数据库中检索所述食材名称得到食材信息；
利用数据库语句从所述食材信息中筛选出预先设定的列名对应的内容得到食材的营养信息；
根据所述食材的营养信息进行相同成分含量对应相加计算出所述菜品的营养信息；
将所述菜品的营养信息进行归一化处理，得到归一化营养成分；
将所述归一化营养成分构建成向量，得到菜品的营养画像。
可选地，所述根据所述营养画像与预设的营养标准画像进行对比，得到营养价值差异结果，包括：
获取预设的营养标准画像，并对所述预设的营养标准画像进行归一化处理得到营养标准；
根据所述营养标准与所述营养画像进行差异对比，得到营养成分的营养价值差异结果。
可选地，所述根据所述营养价值差异结果利用python手段爬取出推荐食材，根据所述推荐食材生成推荐菜谱，包括：
利用Python爬虫程序根据所述营养价值差异结果从互联网中爬取食材信息；
对所述食材信息进行去除重复数据以及筛除无用信息得到推荐食材；
将所述推荐食材进行向量编号得到推荐向量；
将预先获取到的菜谱利用词袋模型进行向量组转化得到菜谱向量组；
将所述推荐向量以及所述菜谱向量组进行点积运算得到每个食材之间的共线矩阵；
根据共现矩阵计算出推荐食材之间的余弦相似度得到相关性结果；
对所述相关性结果进行降序排序，根据排序结果依次选取预设个数的相关性结果对应的食材作为预备食材；
利用Python爬虫程序根据所述预备食材从互联网中爬取出推荐菜谱。
为了解决上述问题，本发明还提供一种基于python识别的营养菜品推荐装置，所述装置包括：
特征提取模块，用于获取目标菜品的菜品图像，利用卷积神经网络提取出所述菜品图像的图像特征；
特征匹配模块，用于根据所述图像特征利用搜索算法进行特征匹配，得到所述目标菜品的食材名称；
画像构建模块，用于根据每个所述食材名称与预先设定的数据库进行数据匹配得到所述目标菜品的营养信息，并根据所述营养信息构建出所述目标菜品的营养画像；
画像对比模块，用于根据所述营养画像与预设的营养标准画像进行对比，得到营养价值差异结果；
菜谱生成模块，用于根据所述营养价值差异结果利用python手段爬取出推荐食材，根据所述推荐食材生成推荐菜谱。
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：
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上述所述的基于python识别的营养菜品推荐方法。
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基于python识别的营养菜品推荐方法。
本发明实施例通过根据每个所述食材名称与预先设定的数据库进行数据匹配得到所述目标菜品的营养信息，并根据所述营养信息构建出所述目标菜品的营养画像，可以根据用户自己定制的菜品匹配出营养信息成分，可以更精准的根据用户饮食分析出用户吸收了哪些营养成分，进而可以实现精准化分析用户需求效果；根据所述营养画像与预设的营养标准画像进行对比，得到营养价值差异结果，可以根据医生的营养设定提供精准的营养菜谱建议，满足患者的营养需求进而实现用户的个性化定制的要求，达到营养均衡的效果；因此本发明提出的基于python识别的营养菜品推荐方法、装置、电子设备及计算机可读存储介质，可以实现进行菜品推荐时的个性化定制效果。
附图说明
图1为本发明一实施例提供的基于python识别的营养菜品推荐方法的流程示意图；
图2为本发明一实施例提供的对菜品图像进行切分处理的流程示意图；
图3为本发明一实施例提供的构建菜品营养画像的流程示意图；
图4为本发明一实施例提供的基于python识别的营养菜品推荐装置的功能模块图；
图5为本发明一实施例提供的实现所述基于python识别的营养菜品推荐方法的电子设备的结构示意图。
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。
本申请实施例提供一种基于python识别的营养菜品推荐方法。所述基于python识别的营养菜品推荐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，所述基于python识别的营养菜品推荐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。所述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(ContentDelivery 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，为本发明一实施例提供的基于python识别的营养菜品推荐方法的流程示意图。在本实施例中，所述基于python识别的营养菜品推荐方法包括：
S1、获取目标菜品的菜品图像，利用卷积神经网络提取出所述菜品图像的图像特征。
本发明实施例中，所述目标菜品可以为用户日常烹饪或根据医疗疗养需求制作出的菜品。
本发明实例中，所述利用卷积神经网络提取出所述菜品图像的图像特征可以根据这些提取到的图像特征进而使得图像的识别更为精准。
详细的，可以利用基于阈值的边缘检测或是基于梯度的边缘检测对图像进行边缘检测。
具体的，当利用基于阈值的边缘检测进对图像进行边缘检测的时候，由于基于阈值的边缘检测的计算速度快，因此得到结果的效率更高。
具体的，当利用基于梯度的边缘检测方法对图像进行边缘检测的时候，由于可以检测出图像中的明显边缘，检测效果好，因此得到结果的精准度更高。
本发明实例中，所述利用卷积神经网络提取出所述菜品图像的图像特征，包括：
对所述菜品图像进行切分处理得到待提取图像；
逐个对所述待提取图像利用预设的卷积神经网络中的卷积核进行卷积操作，得到卷积特征图；
对所述卷积特征图进行预设次数的下采样操作，得到特征表示图；
利用所述卷积神经网络中的全连接层对所述特征表示图执行全连接任务，得到所述图像特征。
详细的，可以利用矩阵乘法或是快速傅里叶变换法来进行卷积操作。
具体的，当利用矩阵乘法进行卷积操作的时候，是将图像和卷积核转化为矩阵并相乘在转化为特征图的，因此得到的卷积特征图的精准度更高。
具体的，当利用快速傅里叶变换法来进行卷积操作的时候，由于利用了傅里叶变换的性质，将卷积运算转换为点乘运算进而加快了运算速度，因此得到的卷积特征图的效率更高。
详细的，可以利用最大池化或这平均池化的方法进行下采样。
具体的，当利用最大池化进行下采样的时候，由于最大池化是根据每个下采样区域中选择最大的值来输出，进而减少了计算量，因此得到的特征表示图的效率更高。
具体的，当利用平均池化的方法进行下采样的时候，由于平均池化是计算出每个下采样区域中平均值作为输出的，进而平滑图像减少过拟合，因此得到的特征表示图的可靠性更高。
详细的，所述对所述菜品图像进行切分处理得到待提取图像，包括：
对所述菜品图像进行灰度变换处理，得到预处理图像；
利用基于梯度的边缘检测对所述预处理图像进行边缘检测，得到边缘二值图像；
对所述边缘二值图像进行边缘增强，得到待处理图像；
对所述待处理图像进行边缘分割，得到多组待提取图像。
详细的，可以利用分量法或者平均值法对图像进行灰度变换处理。
具体的，当利用分量法进行灰度变换处理时，由于分量法可以根据不同的图片调整不同的分量系数，因此得到的结果精准度更高。
具体的，当利用平均值法进行灰度变换处理时，由于平均值法是将彩色图像的每个像素的RGB值取平均值，得到灰度值因此得到的效率更高。
详细的，可以利用基于直方图均衡化的边缘增强方法以及基于算法的边缘增强方法来对图像进行边缘增强。
具体的，当利用基于直方图均衡化的边缘增强方法来对图像进行边缘增强时，由于是构建边缘图像的直方图然后直接进行直方图均衡化，进而增强边缘的对比度与清晰度，因此得到边缘增强结果的效率更高。
具体的，当利用基于算法的边缘增强方法来对图像进行边缘增强时，由于是通过调节阈值和非极大值抑制等参数来实现边缘增强，得到的边缘增强效果更好，因此得到的边缘增强结果的精准度更高。
详细的，所述利用卷积神经网络提取出所述菜品图像的图像特征的目的在于根据食物图像提取出食物的特征信息，从而使得后续可以根据食物的特征信息匹配出食物的基本信息。
S2、根据所述图像特征利用搜索算法进行特征匹配，得到所述目标菜品的食材名称。
本发明实例中，可利用所述图像特征利用搜索算法在预先建立的存储医学疗养食材的数据表或知识库内进行搜索，所述根据所述图像特征利用搜索算法进行特征匹配出所用食材名称的目的在于可以逐个搜索出所有的食材，使得到的食材更加完整并且与所得到的菜品信息更符合，从而使得计算出菜品的营养信息更加的精准。
本发明实例中，所述根据所述图像特征利用搜索算法进行特征匹配，得到所述目标菜品的食材名称，包括：
逐个从预先获取的食材数据库中选取其中一个食材作为待处理食材；
对所述待处理食材以及所述图像特征进行向量转化分别得到目标特征向量和图像特征向量；
将所述目标特征向量与所述图像特征向量进行相似度计算得到相似度结果；
选取相似度结果大于或者等于预设常数的所述目标特征向量对应的食材名称。
详细的，可以利用主成分分析法或者编码器进行向量转化。
具体的，当利用主成分分析法进行向量转化时，由于主成分分析法可以有效的将图像特征进行压缩并转化为特征向量，因此得到的结果效率更高。
具体的，当利用编码器进行向量转化时候，由于自编码器可以根据不同的图像设定不同的编码，因此得到的图像向量的精准度会更高。
详细的，可以利用欧氏距离或余弦相似度的方法来进行相似度计算。
具体的，当利用欧氏距离进行相似度计算时，由于欧氏距离考虑了数据所有特征之间的差异，因此得到的数据可靠性更高。
具体的，当利用余弦相似度进行相似度计算时候，由于余弦相似度的计算公式简单，因此得到的效率更高。
详细的，所述根据所述图像特征利用搜索算法进行特征匹配，得到所述目标菜品的食材名称的目的在于可以大大提高食材识别的效率和准确性，避免了人工识别和分类的繁琐过程，也可以运用在各种如食品安全以及餐饮管理的领域。
S3、根据每个所述食材名称与预先设定的数据库进行数据匹配得到所述目标菜品的营养信息，并根据所述营养信息构建出所述目标菜品的营养画像。
本发明实例中，所述营养信息指的是所述食材中的脂肪含量、蛋白质含量、包含的营养元素如钙、铁、锌、硒、维生素的含量。
本发明实例中，所述根据每个所述食材名称与预先设定的数据库进行数据匹配得到所述菜品的营养信息，可以精准的匹配出菜品的所有营养信息，其中，所述数据库可以为存储有多种不同食材的医疗营养信息的数据库。
详细的，可以利用数据库中的语句或者表格处理软件的方法来进行食材的营养信息检索和筛选功能。
具体的，当利用数据库中的语句方法来进行食材的营养信息检索和筛选功能的好处在于全自动化的查找，获得结果的时间更短效率更高。
具体的，当利用表格处理软件方法来进行食材的营养信息检索和筛选功能的好处在于以可视化的形式将结果显示出来，获得结果的可靠性更高。
本发明实例中，所述根据每个所述食材名称与预先设定的数据库进行数据匹配得到所述目标菜品的营养信息，并根据所述营养信息构建出所述目标菜品的营养画像，包括：
依次从预先设定的数据库中检索所述食材名称得到食材信息；
利用数据库语句从所述食材信息中筛选出预先设定的列名对应的内容得到食材的营养信息；
根据所述食材的营养信息进行相同成分含量对应相加计算出所述菜品的营养信息；
将所述菜品的营养信息进行归一化处理，得到归一化营养成分；
将所述归一化营养成分构建成向量，得到菜品的营养画像。
具体的，可以采用小数定标归一化或者分位数归一化的方法进行归一化处理。
详细的，当利用小数定标归一化时，由于将每种营养成分的含量除以一个固定的基数，对原始数据改动较小，因此得到的数据更精准。
详细的，当利用分位数归一化时，由于时将营养成分的含量映射到指定的分位数上，因此得到的数据更加统一，进而方便了后续计算，因此得到的数据效率也会快。
例如，例如，对于一道炒鸡蛋番茄的菜品，可以根据其中的鸡蛋和番茄两种食材获取它们的营养成分信息，如鸡蛋中含有蛋白质、脂肪、维生素A、维生素B2等，番茄中含有碳水化合物、维生素C、维生素K等。然后根据这些营养成分信息计算出菜品中每种营养成分的含量，如蛋白质含量为10g，碳水化合物含量为15g，维生素A含量为1000IU等。接着将这些营养成分含量进行归一化处理，得到归一化含量，在将所述归一化含量进行向量构建如[0.2,0.3,0.5,0.1,0.2,0.6,0.8]，其中每个元素表示菜品中对应营养成分的含量占比。
详细的，所述根据每个所述食材名称与预先设定的数据库进行数据匹配得到所述菜品的营养信息，并根据所述菜品的营养信息构建出菜品的营养画像的目的在于可以根据用户自己定制的菜品匹配出营养信息成分，可以更好的根据用户饮食分析吸收了哪些营养成分。
S4、根据所述营养画像与预设的营养标准画像进行对比，得到营养价值差异结果。
本发明实例中，所述根据所述营养画像与预设的营养标准画像进行对比，得到营养价值差异结果的好处在于根据个人的营养画像和营养标准画像的差异，可以提供个性化的营养建议，帮助人们更好地控制饮食，保持营养健康，其中预设的营养标准画像可以为医疗场景中医生或营养师为病人设定的每日需摄入哪些营养成分的画像。
本发明实例中，所述根据所述营养画像与预设的营养标准画像进行对比，得到营养价值差异结果，包括：
获取预设的营养标准画像，并对所述预设的营养标准画像进行归一化处理得到营养标准；
根据所述营养标准与所述营养画像进行差异对比，得到营养成分的营养价值差异结果。
例如，预设的营养标准画像进行归一化处理，假设蛋白质的建议摄入量为100克，则蛋白质的归一化值为0.8/100＝0.008，菜品中每100克含有10克蛋白质，相当于每100克含有0.1克蛋白质；预设建议每天摄入100克蛋白质，相当于每100克需要摄入0.8克蛋白质；菜品中每100克蛋白质的归一化值为0.1/100＝0.001，因此，菜品中蛋白质的归一化值为0.001，低于预设的建议摄入量，因此还需摄入蛋白质。
详细的，所述根据所述营养画像与预设的营养标准画像进行对比，得到营养价值差异结果的目的在于比较营养画像与营养标准画像的差异可以帮助人们了解自己的饮食习惯还缺少的一些营养因素，得到还需要补充的营养成分。
S5、根据所述营养价值差异结果利用python手段爬取出推荐食材，根据所述推荐食材生成推荐菜谱。
本发明实例中，所述根据所述营养价值差异结果利用python手段爬取出推荐食材，根据所述推荐食材生成推荐菜谱的好处在于网络爬虫可以自动化地获取互联网上的数据，避免了手动搜索和整理数据的繁琐过程，同时也可以提供更加精准的数据信息。
详细的，可以利用独热编码或者词袋模型将菜谱进行向量组转化。
具体的，当利用独热编码进行向量组转化时，由于都是由1和0表示的，因此得到的菜谱向量组的效率更高。
具体的，利用词袋模型进行向量组转化时，由于是将菜谱表示为一个个数字，向量为所有食材组合，进而得到的向量的精准度更高。
本发明实例中，所述根据所述营养价值差异结果利用python手段爬取出推荐食材，根据所述推荐食材生成推荐菜谱，包括：
利用Python爬虫程序根据所述营养价值差异结果从互联网中爬取食材信息；
对所述食材信息进行去除重复数据以及筛除无用信息得到推荐食材；
将所述推荐食材进行向量编号得到推荐向量；
将预先获取到的菜谱利用词袋模型进行向量组转化得到菜谱向量组；
将所述推荐向量以及所述菜谱向量组进行点积运算得到每个食材之间的共线矩阵；
根据共现矩阵计算出推荐食材之间的余弦相似度得到相关性结果；
对所述相关性结果进行降序排序，根据排序结果依次选取预设个数的相关性结果对应的食材作为预备食材；
利用Python爬虫程序根据所述预备食材从互联网中爬取出推荐菜谱。
详细的，可以利用python的库函数或是数据清洗工具来去除重复数据以及筛除无用信息。
具体的，当利用python的库函数来去除重复数据以及筛除无用信息时，由于python的库函数可以直接编写在爬虫技术后面实现全程自动化获取数据以及清洗数据，因此得到的结果效率更高。
具体的，当利用数据清洗工具来去除重复数据以及筛除无用信息时，由于数据清洗工具可以更准确的保留数据，因此得到的结果的精准度更高。
详细的，根据所述营养价值差异结果利用python手段爬取出推荐食材，根据所述推荐食材生成推荐菜谱的目的在于得到仍未获得营养物质的食材，并根据用户的饮食，推荐出适合的菜谱，帮助用户达到用户设定的或是医生嘱咐的营养标准。
如图4所示，是本发明一实施例提供的基于python识别的营养菜品推荐装置的功能模块图。
本发明所述基于python识别的营养菜品推荐装置100可以安装于电子设备中。根据实现的功能，所述基于python识别的营养菜品推荐装置100可以包括特征提取模块101、特征匹配模块102、画像构建模块103、画像对比模块104及菜谱生成模块105。本发明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：
所述特征提取模块101，用于获取目标菜品的菜品图像，利用卷积神经网络提取出所述菜品图像的图像特征；
所述特征匹配模块102，用于根据所述图像特征利用搜索算法进行特征匹配，得到所述目标菜品的食材名称；
所述画像构建模块103，用于根据每个所述食材名称与预先设定的数据库进行数据匹配得到所述目标菜品的营养信息，并根据所述营养信息构建出所述目标菜品的营养画像；
所述画像对比模块104，用于根据所述营养画像与预设的营养标准画像进行对比，得到营养价值差异结果；
所述菜谱生成模块105，用于根据所述营养价值差异结果利用python手段爬取出推荐食材，根据所述推荐食材生成推荐菜谱。
详细地，本发明实施例中所述基于python识别的营养菜品推荐装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于python识别的营养菜品推荐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5所示，是本发明一实施例提供的实现基于python识别的营养菜品推荐方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口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，如基于python识别的营养菜品推荐程序。
其中，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(ControlUnit)，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(例如执行基于python识别的营养菜品推荐程序等)，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(Secure Digital，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，例如基于python识别的营养菜品推荐程序的代码等，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。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口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。所述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。
图中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，图中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、电源故障检测电路、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。
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1中的所述存储器11存储的基于python识别的营养菜品推荐程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取目标菜品的菜品图像，利用卷积神经网络提取出所述菜品图像的图像特征；
根据所述图像特征利用搜索算法进行特征匹配，得到所述目标菜品的食材名称；
根据每个所述食材名称与预先设定的数据库进行数据匹配得到所述目标菜品的营养信息，并根据所述营养信息构建出所述目标菜品的营养画像；
根据所述营养画像与预设的营养标准画像进行对比，得到营养价值差异结果；
根据所述营养价值差异结果利用python手段爬取出推荐食材，根据所述推荐食材生成推荐菜谱。
具体地，所述处理器10对上述指令的具体实现方法可参考附图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1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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，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)。
本发明还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：
获取目标菜品的菜品图像，利用卷积神经网络提取出所述菜品图像的图像特征；
根据所述图像特征利用搜索算法进行特征匹配，得到所述目标菜品的食材名称；
根据每个所述食材名称与预先设定的数据库进行数据匹配得到所述目标菜品的营养信息，并根据所述营养信息构建出所述目标菜品的营养画像；
根据所述营养画像与预设的营养标准画像进行对比，得到营养价值差异结果；
根据所述营养价值差异结果利用python手段爬取出推荐食材，根据所述推荐食材生成推荐菜谱。
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。
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。
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。
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。第一、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)
1.一种基于python识别的营养菜品推荐方法，其特征在于，所述方法包括：
获取目标菜品的菜品图像，利用卷积神经网络提取出所述菜品图像的图像特征；
根据所述图像特征利用搜索算法进行特征匹配，得到所述目标菜品的食材名称；
根据每个所述食材名称与预先设定的数据库进行数据匹配得到所述目标菜品的营养信息，并根据所述营养信息构建出所述目标菜品的营养画像；
根据所述营养画像与预设的营养标准画像进行对比，得到营养价值差异结果；
根据所述营养价值差异结果利用python手段爬取出推荐食材，根据所述推荐食材生成推荐菜谱。
2.如权利要求1所述的基于python识别的营养菜品推荐方法，其特征在于，所述利用卷积神经网络提取出所述菜品图像的图像特征，包括：
对所述菜品图像进行切分处理得到待提取图像；
逐个对所述待提取图像利用预设的卷积神经网络中的卷积核进行卷积操作，得到卷积特征图；
对所述卷积特征图进行预设次数的下采样操作，得到特征表示图；
利用所述卷积神经网络中的全连接层对所述特征表示图执行全连接任务，得到所述图像特征。
3.如权利要求2所述的基于python识别的营养菜品推荐方法，其特征在于，所述对所述菜品图像进行切分处理得到待提取图像，包括：
对所述菜品图像进行灰度变换处理，得到预处理图像；
利用基于梯度的边缘检测对所述预处理图像进行边缘检测，得到边缘二值图像；
对所述边缘二值图像进行边缘增强，得到待处理图像；
对所述待处理图像进行边缘分割，得到多组待提取图像。
4.如权利要求1所述的基于python识别的营养菜品推荐方法，其特征在于，所述根据所述图像特征利用搜索算法进行特征匹配，得到所述目标菜品的食材名称，包括：
逐个从预先获取的食材数据库中选取其中一个食材作为待处理食材；
对所述待处理食材以及所述图像特征进行向量转化分别得到目标特征向量和图像特征向量；
将所述目标特征向量与所述图像特征向量进行相似度计算得到相似度结果；
选取相似度结果大于或者等于预设常数的所述目标特征向量对应的食材名称。
5.如权利要求1所述的基于python识别的营养菜品推荐方法，其特征在于，所述根据每个所述食材名称与预先设定的数据库进行数据匹配得到所述目标菜品的营养信息，并根据所述营养信息构建出所述目标菜品的营养画像，包括：
依次从预先设定的数据库中检索所述食材名称得到食材信息；
利用数据库语句从所述食材信息中筛选出预先设定的列名对应的内容得到食材的营养信息；
根据所述食材的营养信息进行相同成分含量对应相加计算出所述菜品的营养信息；
将所述菜品的营养信息进行归一化处理，得到归一化营养成分；
将所述归一化营养成分构建成向量，得到菜品的营养画像。
6.如权利要求1至5中任一项所述的基于python识别的营养菜品推荐方法，其特征在于，所述根据所述营养画像与预设的营养标准画像进行对比，得到营养价值差异结果，包括：
获取预设的营养标准画像，并对所述预设的营养标准画像进行归一化处理得到营养标准；
根据所述营养标准与所述营养画像进行差异对比，得到营养成分的营养价值差异结果。
7.如权利要求6所述的基于python识别的营养菜品推荐方法，其特征在于，所述根据所述营养价值差异结果利用python手段爬取出推荐食材，根据所述推荐食材生成推荐菜谱，包括：
利用python爬虫程序根据所述营养价值差异结果从互联网中爬取食材信息；
对所述食材信息进行去除重复数据以及筛除无用信息得到推荐食材；
将所述推荐食材进行向量编号得到推荐向量；
将预先获取到的菜谱利用词袋模型进行向量组转化得到菜谱向量组；
将所述推荐向量以及所述菜谱向量组进行点积运算得到每个食材之间的共线矩阵；
根据共现矩阵计算出推荐食材之间的余弦相似度得到相关性结果；
对所述相关性结果进行降序排序，根据排序结果依次选取预设个数的相关性结果对应的食材作为预备食材；
利用Python爬虫程序根据所述预备食材从互联网中爬取出推荐菜谱。
8.一种基于python识别的营养菜品推荐装置，其特征在于，所述装置包括：
特征提取模块，用于获取目标菜品的菜品图像，利用卷积神经网络提取出所述菜品图像的图像特征；
特征匹配模块，用于根据所述图像特征利用搜索算法进行特征匹配，得到所述目标菜品的食材名称；
画像构建模块，用于根据每个所述食材名称与预先设定的数据库进行数据匹配得到所述目标菜品的营养信息，并根据所述营养信息构建出所述目标菜品的营养画像；
画像对比模块，用于根据所述营养画像与预设的营养标准画像进行对比，得到营养价值差异结果；
菜谱生成模块，用于根据所述营养价值差异结果利用python手段爬取出推荐食材，根据所述推荐食材生成推荐菜谱。
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中任意一项所述的基于python识别的营养菜品推荐方法。
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中任意一项所述的基于python识别的营养菜品推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310769697.8A CN116561433A (zh) | 2023-06-27 | 2023-06-27 | 基于python识别的营养菜品推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310769697.8A CN116561433A (zh) | 2023-06-27 | 2023-06-27 | 基于python识别的营养菜品推荐方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116561433A true CN116561433A (zh) | 2023-08-08 |
Family
ID=87502083
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310769697.8A Pending CN116561433A (zh) | 2023-06-27 | 2023-06-27 | 基于python识别的营养菜品推荐方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116561433A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117373619A (zh) * | 2023-12-08 | 2024-01-09 | 四川省肿瘤医院 | 基于肠造口袋排泄物监测结果的食谱生成方法和生成系统 |
-
2023
- 2023-06-27 CN CN202310769697.8A patent/CN116561433A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117373619A (zh) * | 2023-12-08 | 2024-01-09 | 四川省肿瘤医院 | 基于肠造口袋排泄物监测结果的食谱生成方法和生成系统 |
| CN117373619B (zh) * | 2023-12-08 | 2024-03-05 | 四川省肿瘤医院 | 基于肠造口袋排泄物监测结果的食谱生成方法和生成系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lu et al. | An artificial intelligence-based system to assess nutrient intake for hospitalised patients | |
| Kaur et al. | Deep neural network for food image classification and nutrient identification: A systematic review | |
| US20240055101A1 (en) | Food and nutrient estimation, dietary assessment, evaluation, prediction and management | |
| WO2012094569A2 (en) | Health monitoring system | |
| Jiang et al. | Food nutrition visualization on Google glass: Design tradeoff and field evaluation | |
| 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 | |
| Pouladzadeh et al. | You are what you eat: So measure what you eat! | |
| Waltner et al. | Personalized dietary self-management using mobile vision-based assistance | |
| Kaur et al. | Food Image-based diet recommendation framework to overcome PCOS problem in women using deep convolutional neural network | |
| CN116561433A (zh) | 基于python识别的营养菜品推荐方法、装置、设备及存储介质 | |
| KR20180093141A (ko) | 색상 기반 음식 이미지 분석을 통한 식사일기 시스템 | |
| Pouladzadeh et al. | Intelligent SVM based food intake measurement system | |
| Azzimani et al. | An AI based approach for personalized nutrition and food menu planning | |
| CN104765980A (zh) | 一种基于云计算的智能膳食评估方法 | |
| CN117393109B (zh) | 场景自适应的饮食监控方法、装置、设备及存储介质 | |
| Suddul et al. | A comparative study of deep learning methods for food classification with images | |
| CN115315752A (zh) | 用于为健康微生物组提供个体化推荐的系统和方法 | |
| CN116403678A (zh) | 基于人工智能的健康饮食推荐方法、装置及相关设备 | |
| CN112037888A (zh) | 生理健康特征数据的监控方法、装置、设备及存储介质 | |
| Shermila et al. | Estimation of protein from the images of health drink powders | |
| Konstantakopoulos et al. | Automatic estimation of the nutritional composition of foods as part of the GlucoseML type 1 diabetes self-management system | |
| CN116580815A (zh) | 一种慢病患者的饮食营养管理方法和系统 | |
| CN114882973A (zh) | 一种基于标准食品识别的每日营养摄取分析方法及系统 | |
| CN114388102A (zh) | 饮食推荐方法及装置和电子设备 | |
| JP2008052459A (ja) | 情報処理システム装置、バーチャル装置、携帯型の情報処理端末及び記録メディア |
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 |