CN116579968A - 用于食材图像的识别方法及装置、蒸烤设备、存储介质 - Google Patents

用于食材图像的识别方法及装置、蒸烤设备、存储介质 Download PDF

Info

Publication number
CN116579968A
CN116579968A CN202210105019.7A CN202210105019A CN116579968A CN 116579968 A CN116579968 A CN 116579968A CN 202210105019 A CN202210105019 A CN 202210105019A CN 116579968 A CN116579968 A CN 116579968A
Authority
CN
China
Prior art keywords
oil stain
images
sub
image
target
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
CN202210105019.7A
Other languages
English (en)
Inventor
李玉强
吕守鹏
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.)
Qingdao Haier Smart Technology R&D Co Ltd
Haier Smart Home Co Ltd
Original Assignee
Qingdao Haier Smart Technology R&D Co Ltd
Haier Smart Home 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 Qingdao Haier Smart Technology R&D Co Ltd, Haier Smart Home Co Ltd filed Critical Qingdao Haier Smart Technology R&D Co Ltd
Priority to CN202210105019.7A priority Critical patent/CN116579968A/zh
Publication of CN116579968A publication Critical patent/CN116579968A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30128—Food products

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及智能家电技术领域，公开一种用于食材图像的识别方法，应用于蒸烤设备，所述方法包括：获取所述蒸烤设备配置的摄像头采集的图像信息；对所述图像信息进行图像分割，获得多个子图像；对所述多个子图像进行油污特征提取，确定各子图像各自对应的油污特征图；对所述各子图像各自对应的油污特征图进行特征融合后拼接处理，生成目标油污区域。该方法能够提升油污检测的准确率。本申请还公开一种用于食材图像的识别装置及蒸烤设备、存储介质。

Description

用于食材图像的识别方法及装置、蒸烤设备、存储介质
技术领域
本申请涉及智能家电技术领域，例如涉及一种用于食材图像的识别方法及装置、蒸烤设备、存储介质。
背景技术
目前，随着科学技术的快速发展，用户对智能家电的使用频率日益变高。以智能厨电为例，烤箱长时间使用过后，用于采集烤箱内的食材图像的摄像头的镜头上会产生油渍等污垢，前述污垢会影响对食材图像的识别或者判断，进而对烤箱内食物的蒸烤情况产生干扰。
现有的识别摄像头的镜头油渍的方式为对油污进行分类，通过暗通道先验对食材图像进行油污去除处理。具体地，通过纹理识别判断原始食材图像中是否存在油污，并在存在油污时确定油污对应位置。再获取前述位置处的图像像素分量中的最小值后存储至与原始食材图像大小且面积相同的灰度图像中。最后，对该灰度图像进行滤波处理，以根据原始食材图像和经滤波处理后的灰度图像进行油污的恢复。
在实现本公开实施例的过程中，发现相关技术中至少存在如下问题：
上述方式，无法对具有分布分散且局部图像较模糊的油污进行检测，因此，通过暗通道先验对食材图像进行油污去除处理的方式，对摄像头的镜头的油污的检测准确率较低。
发明内容
为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。
本公开实施例提供了一种用于食材图像的识别方法、装置、蒸烤设备和存储介质，以提升油污检测的准确率。
在一些实施例中，所述方法应用于蒸烤设备，该方法包括：获取所述蒸烤设备配置的摄像头采集的图像信息；对所述图像信息进行图像分割，获得多个子图像；对所述多个子图像进行油污特征提取，确定各子图像各自对应的油污特征图；对所述各子图像各自对应的油污特征图进行特征融合后拼接处理，生成目标油污区域。
在一些实施例中，所述装置包括：包括处理器和存储有程序指令的存储器，所述处理器被配置为在运行所述程序指令时，执行如前述的用于食材图像的识别方法。
在一些实施例中，所述蒸烤设备，包括如前述的用于食材图像的识别装置。
在一些实施例中，所述存储介质，存储有程序指令，所述程序指令在运行时，执行如前述的用于食材图像的识别方法。
本公开实施例提供的用于食材图像的识别方法、装置、蒸烤设备和存储介质，可以实现以下技术效果：
该方法对摄像头采集的图像信息进行分割处理形成多个子图像，再对多个子图像分别进行油污特征提取以确定出油污的大致分布并初步确定油污大小。再对油污特征图进行特征融合以准确地获知油污分布以及油污大小，进而进行拼接处理以生成目标油污区域。由此，在油污分布分散且局部油污较为模糊的情况下，也能通过对各子图像的特征提取、对各油污特征图进行特征融合后拼接处理，从而确定出目标油污区域，提升油污检测的准确率。
以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。
附图说明
一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：
图1是本公开实施例提供的一个用于食材图像的识别方法的示意图；
图2是本公开实施例提供的另一个用于食材图像的识别方法的示意图；
图3是本公开实施例提供的另一个用于食材图像的识别方法的示意图；
图4是本公开实施例提供的另一个用于食材图像的识别方法的示意图；
图5是本公开实施例提供的另一个用于食材图像的识别方法的示意图；
图6是本公开实施例提供的另一个用于食材图像的识别方法的示意图；
图7是本公开实施例提供的另一个用于食材图像的识别方法的示意图；
图8是本公开实施例提供的一个应用示意图；
图9是本公开实施例提供的一个用于食材图像的识别装置的示意图。
具体实施方式
为了能够更加详尽地了解本公开实施例的特点与技术内容，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。
本公开实施例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，以便这里描述的本公开实施例的实施例。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。
除非另有说明，术语“多个”表示两个或两个以上。
本公开实施例中，字符“/”表示前后对象是一种“或”的关系。例如，A/B表示：A或B。
术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。
术语“对应”可以指的是一种关联关系或绑定关系，A与B相对应指的是A与B之间是一种关联关系或绑定关系。
本公开实施例中，智能家电设备是指将微处理器、传感器技术、网络通信技术引入家电设备后形成的家电产品，具有智能控制、智能感知及智能应用的特征，智能家电设备的运作过程往往依赖于物联网、互联网以及电子芯片等现代技术的应用和处理，例如智能家电设备可以通过连接电子设备，实现用户对智能家电设备的远程控制和管理。在一些实施例中，智能家电设备为具备蒸烤功能的厨电设备，例如，烤箱、蒸箱或蒸烤一体机等。
公开实施例中，终端设备是指具有无线连接功能的电子设备，终端设备可以通过连接互联网，与如上的智能家电设备进行通信连接，也可以直接通过蓝牙、wifi等方式与如上的智能家电设备进行通信连接。在一些实施例中，终端设备例如为移动设备、电脑、或悬浮车中内置的车载设备等，或其任意组合。移动设备例如可以包括手机、智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备等，或其任意组合，其中，可穿戴设备例如包括：智能手表、智能手环、计步器等。
结合图1所示，本公开实施例提供一种用于食材图像的识别方法，应用于蒸烤设备。该方法包括：
S01，蒸烤设备获取蒸烤设备配置的摄像头采集的图像信息。
S02，蒸烤设备对图像信息进行图像分割，获得多个子图像。
该步骤中，蒸烤设备对图像信息进行分割处理，可以对图像信息平均分割处理。分割处理后生成的子图像的数量可以根据图像信息对应的图像中油污面积大小以及油污分散程度确定。作为一种示例，在油污面积较大且油污分布较为分散时，对图像信息进行4×4平均分割处理，生成16个大小相同的子图像信息。
S03，蒸烤设备对多个子图像进行油污特征提取，确定各子图像各自对应的油污特征图。
该步骤中，通过对各子图像进行油污特征提取，能够从各子图像中确定出油污的大致分布以及初步确定油污的大小。
S04，蒸烤设备对各子图像各自对应的油污特征图进行特征融合后拼接处理，生成目标油污区域。
该步骤中，通过对各子图像各自对应的油污特征图进行融合，能够获得各子图像各自对应的目标融合特征图，从而准确地确定出油污的分布以及油污的大小。在进行特征融合后进行拼接处理能够将各子图像对应的目标融合特征图组合形成与图像信息对应的目标油污区域。
采用本公开实施例提供的用于食材图像的识别方法，该方法对摄像头采集的图像信息进行分割处理形成多个子图像，再对多个子图像分别进行油污特征提取以确定出油污的大致分布并初步确定油污大小。再对油污特征图进行特征融合以准确地获知油污分布以及油污大小，进而进行拼接处理以生成目标油污区域。由此，在油污分布分散且局部油污较为模糊的情况下，也能通过对各子图像的特征提取、对各油污特征图进行特征融合后拼接处理，从而确定出目标油污区域，提升油污检测的准确率。
可选的，结合图2所示，蒸烤设备对各子图像各自对应的油污特征图进行特征融合，包括：
S11，蒸烤设备将油污特征图输入至N层第一卷积层进行网络训练，提取各油污特征图相关联的油污像素值。
S12，蒸烤设备在确定油污像素值与预设油污像素相匹配的情况下，确定油污像素值为第一预设像素值。
该步骤中，具备第一预设像素值对应的油污特征图的区域为油污区域。
S13，蒸烤设备在确定油污像素值与预设油污像素不匹配的情况下，确定油污像素值为第二预设像素值，第二预设像素值与第一预设像素值不相等。
该步骤中，具备第二预设像素值对应的油污特征图的区域为非油污区域。作为一种示例，通过二进制掩码的方式确定第一预设像素值和第二预设像素值。例如，第二预设像素值可以为0，第一预设像素值可以为1。作为另一种示例，第二预设像素值可以为-1，第一预设像素值为可以为1。
S14，蒸烤设备根据各油污特征图对应的油污像素值，生成各油污特征图对应的目标融合特征图。
这样，能够明确区分开油污区域与非油污区域，避免非油污区域对油污区域的检测产生干扰，从而提升油污检测的准确性。
可选的，结合图3所示，蒸烤设备对多个子图像进行油污特征提取，确定各子图像各自对应的油污特征图，包括：
S21，蒸烤设备将多个子图像输入至N层第二卷积层进行网络训练，并从多个子图像中提取各子图像对应的油污特征值。其中，N≥3。
该步骤中，采用N层第二卷积层提取油污特征值的方式所获得的油污特征值能够间接反映出油污像素的分布位置以及油污像素大小，从而更为准确地获知各子图像信息对应的目标子油污特征图像。第二卷积层的层数表征卷积核大小，卷积核大小可根据图像面积确定。图像面积与卷积核大小呈正相关。作为一种示例，图像面积较大时，卷积核大小为4×4。
S22，蒸烤设备根据各子图像对应的油污特征值，建立各子图像各自对应的油污特征图。
这样，能够从各子图像中确定出油污的大致分布以及初步确定油污的大小，并通过油污特征图的形式显示，提升油污检测的可靠性。
可选的，结合图4所示，蒸烤设备将多个子图像输入至N层第二卷积层进行网络训练，包括：
S31，蒸烤设备获得各子图像对应的类型信息，类型信息包括正样本和负样本。
S32，蒸烤设备根据各子图像信息对应的类型信息，确定Focus Loss函数FL(pt)相关联的第一系数αt以及第二系数γ，以根据Focus Loss函数FL(pt)对N层第二卷积层进行网络训练。其中，
FL(pt)＝-αt(1-pt)γlog(pt)，0.5＜α＜1，γ∈N+且γ≥2。
当类型信息为负样本时，αt＝α且pt＝p；
当类型信息为正样本时，αt＝1-α且pt＝1-p。
这样，由于摄像头所采集的图像面积较小，在将该图像进行分割后所获得的样本量较小，所以，存在正负样本失衡的问题。为解决正负样本失衡，蒸烤设备利用Focus Loss函数对N层第二卷积层进行网络训练。具体地，采用上述公式，通过将0.5＜α＜1，γ∈N+且γ≥2，能够减小负样本在目标样本中所占的比例，从而加快N层第二卷积层对应的神经网络的收敛速度。
其中，第一系数αt可以为0.75，第二系数γ可以为2。以此减小负样本在目标样本中所占比例，有效地提高N层第二卷积层对应的神经网络的收敛速度。
可选的，结合图5所示，对特征融合后的各子图像各自对应的油污特征图进行拼接处理，包括：
S41，蒸烤设备根据图像分割相关联的分割策略，确定目标拼接策略。
该步骤中，图像分割时，蒸烤设备预设有分割策略。分割策略包括图像分割的数量以及根据各子图像的位置对各子图像进行编号。该蒸烤设备根据分割策略确定目标拼接策略，可以为根据分割策略，确定出拼接的数量以及根据各子图像的编号确定出各目标融合特征图所对应的各子图像的位置，以根据拼接的数量以及目标融合特征图所对应的各子图像的位置对各目标融合特征图进行拼接处理生成目标油污区域。其中，拼接的数量等于图像分割的数量。
S42，蒸烤设备根据目标拼接策略，将目标融合特征图进行拼接处理以生成目标油污区域。
这样，避免拼接错位等情况的出现，提升目标融合特征图拼接的可靠性，从而提升油污检测的准确性。
结合图6所示，本公开实施例提供一种用于食材图像的识别方法，应用于蒸烤设备。该方法包括：
S51，蒸烤设备获取蒸烤设备配置的摄像头采集的图像信息。
S52，蒸烤设备对图像信息进行图像分割，获得多个子图像。
S53，蒸烤设备对多个子图像进行油污特征提取，确定各子图像各自对应的油污特征图。
S54，蒸烤设备对各子图像各自对应的油污特征图进行特征融合后拼接处理，生成目标油污区域。
S55，蒸烤设备在目标油污区域表示需要进行图像修正的情况下，获得图像信息的目标修正系数。
S56，蒸烤设备根据目标修正系数对图像信息对应的区域进行修正。
采用本公开实施例提供的用于食材图像的识别方法，蒸烤设备准确地确定出目标油污区域后，在目标油污区域表示需要进行图像修正时，根据确定的目标修正系数对图像信息对应的区域进行修正，从而从图像中去除油污图像，提升食材图像识别的可靠性。
可选的，获得图像信息的目标修正系数，包括：
将图像信息输入至卷积神经网络进行网络训练，获得图像信息对应的目标修正系数，卷积神经网络配置有M层第三卷积层，各第三卷积层配置有RELU线性整流函数。其中，M≥3。
这样，能够通过卷积神经网络准确地确定出该图像信息对应的目标修正系数，从而对图像进行有效地修正。
可选的，卷积神经网络还配置有多个跳层连接。这样，使得该卷积神经网络在进行网络训练时，具有较好的稳定性和实时性，从而准确地确定出目标修正系数。
结合图7所示，按照以下方式确定需要进行图像修正：
S61，蒸烤设备获得目标油污区域的面积。
S62，蒸烤设备确定目标油污区域的面积在图像信息对应的图像区域的面积占比。
S63，蒸烤设备在面积占比小于或者等于预设占比的情况下，确定进行图像修正。
这样，在面积占比小于或者等于预设占比时，表明目标油污区域不会导致图像失真或者图像信息的丢失。此时，蒸烤设备对图像进行修正。
可选的，蒸烤设备根据目标修正系数对图像信息对应的区域进行修正，包括：
J(x)＝K(x)I(x)-K(x)+1；
其中，I(x)为图像信息，K(x)为目标修正系数，J(x)为修正后的图像信息。
在实际应用中，如图8所示，卷积神经网络包括3层第三卷积层且步长为2。该卷积神经网络配置有RELU线性整流函数。具体地，表示利用RELU线性整流函数对F进行卷积处理，目标修正系数的获取方式如下：
步骤一：F0表示图像信息。
步骤二：
步骤三：
步骤四：
步骤五：
步骤六：
步骤七：
步骤八：
F8即为目标修正系数K(x)。
结合图9所示，本公开实施例提供一种用于食材图像的识别装置，包括处理器(processor)100和存储器(memory)101。可选地，该装置还可以包括通信接口(Communication Interface)102和总线103。其中，处理器100、通信接口102、存储器101可以通过总线103完成相互间的通信。通信接口102可以用于信息传输。处理器100可以调用存储器101中的逻辑指令，以执行上述实施例的用于食材图像的识别方法。
此外，上述的存储器101中的逻辑指令可以通过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。
存储器101作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令/模块。处理器100通过运行存储在存储器101中的程序指令/模块，从而执行功能应用以及数据处理，即实现上述实施例中用于食材图像的识别方法。
存储器101可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；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器101可以包括高速随机存取存储器，还可以包括非易失性存储器。
本公开实施例提供了一种蒸烤设备，包含上述的用于食材图像的识别装置。
本公开实施例提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为执行上述用于食材图像的识别方法。
本公开实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述用于食材图像的识别方法。
上述的计算机可读存储介质可以是暂态计算机可读存储介质，也可以是非暂态计算机可读存储介质。
本公开实施例的技术方案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一个存储介质中，包括一个或多个指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质，包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
以上描述和附图充分地示出了本公开的实施例，以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。而且，本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的，除非上下文清楚地表明，否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。类似地，如在本申请中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外，当用于本申请中时，术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素，和/或组件的存在，但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。本文中，每个实施例重点说明的可以是与其他实施例的不同之处，各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言，如果其与实施例公开的方法部分相对应，那么相关之处可以参见方法部分的描述。
本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，可以取决于技术方案的特定应用和设计约束条件。所述技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能，但是这种实现不应认为超出本公开实施例的范围。所述技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本文所披露的实施例中，所揭露的方法、产品(包括但不限于装置、设备等)，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，所述单元的划分，可以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。另外，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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。所述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。另外，在本公开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。
附图中的流程图和框图显示了根据本公开实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中，不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生，有时不同的操作或步骤之间不存在特定的顺序。例如，两个连续的操作或步骤实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

Claims (11)

1.一种用于食材图像的识别方法，其特征在于，应用于蒸烤设备，所述方法包括：
获取所述蒸烤设备配置的摄像头采集的图像信息；
对所述图像信息进行图像分割，获得多个子图像；
对所述多个子图像进行油污特征提取，确定各子图像各自对应的油污特征图；
对所述各子图像各自对应的油污特征图进行特征融合后拼接处理，生成目标油污区域。
2.根据权利要求1所述的方法，其特征在于，所述对所述所述各子图像各自对应的油污特征图进行特征融合，包括：
将所述油污特征图输入至N层第一卷积层进行网络训练，提取所述各油污特征图相关联的油污像素值；
在确定所述油污像素值与预设油污像素相匹配的情况下，确定所述油污像素值为第一预设像素值；
在确定所述油污像素值与所述预设油污像素不匹配的情况下，确定所述油污像素值为第二预设像素值，所述第二预设像素值与所述第一预设像素值不相等；
根据所述各油污特征图对应的油污像素值，生成所述各油污特征图对应的目标融合特征图。
3.根据权利要求1所述的方法，其特征在于，所述对所述多个子图像进行油污特征提取，确定各子图像各自对应的油污特征图，包括：
将所述多个子图像输入至N层第二卷积层进行网络训练，并从所述多个子图像中提取各子图像对应的油污特征值；
根据所述各子图像对应的油污特征值，建立所述各子图像各自对应的油污特征图。
4.根据权利要求3所述的方法，其特征在于，所述将所述多个子图像输入至N层第二卷积层进行网络训练，包括：
获得各子图像对应的类型信息，所述类型信息包括正样本和负样本；
根据所述各子图像信息对应的类型信息，确定Focus Loss函数FL(pt)相关联的第一系数αt以及第二系数γ，以根据所述Focus Loss函数FL(pt)对所述N层第二卷积层进行网络训练；其中，
FL(pt)＝-αt(1-pt)γlog(pt)，0.5＜α＜1，γ∈N+且γ≥2；
当所述类型信息为所述负样本时，αt＝α且pt＝p；
当所述类型信息为所述正样本时，αt＝1-α且pt＝1-p。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述对特征融合后的所述各子图像各自对应的油污特征图进行拼接处理，包括：
根据图像分割相关联的分割策略，确定目标拼接策略；
根据所述目标拼接策略，将所述目标融合特征图进行拼接处理以生成所述目标油污区域。
6.根据权利要求1至4任一项所述的方法，其特征在于，所述对所述各子图像各自对应的油污特征图进行特征融合后拼接处理，生成目标油污区域之后，还包括：
在所述目标油污区域表示需要进行图像修正的情况下，获得所述图像信息的目标修正系数；
根据所述目标修正系数对所述图像信息对应的区域进行修正。
7.根据权利要求6所述的方法，其特征在于，所述获得所述图像信息的目标修正系数，包括：
将所述图像信息输入至卷积神经网络进行网络训练，获得所述图像信息对应的目标修正系数，所述卷积神经网络配置有M层第三卷积层，各第三卷积层配置有RELU线性整流函数。
8.根据权利要求6所述的方法，其特征在于，按照以下方式确定需要进行图像修正：
获得所述目标油污区域的面积；
确定所述目标油污区域的面积在所述图像信息对应的图像区域的面积占比：
在所述面积占比小于或者等于预设占比的情况下，确定进行图像修正。
9.一种用于食材图像的识别装置，包括处理器和存储有程序指令的存储器，其特征在于，所述处理器被配置为在运行所述程序指令时，执行如权利要求1至8任一项所述的用于食材图像的识别方法。
10.一种蒸烤设备，其特征在于，包括如权利要求8所述的用于食材图像的识别装置。
11.一种存储介质，存储有程序指令，其特征在于，所述程序指令在运行时，执行如权利要求1至8任一项所述的用于食材图像的识别方法。
CN202210105019.7A 2022-01-28 2022-01-28 用于食材图像的识别方法及装置、蒸烤设备、存储介质 Pending CN116579968A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210105019.7A CN116579968A (zh) 2022-01-28 2022-01-28 用于食材图像的识别方法及装置、蒸烤设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210105019.7A CN116579968A (zh) 2022-01-28 2022-01-28 用于食材图像的识别方法及装置、蒸烤设备、存储介质

Publications (1)

Publication Number Publication Date
CN116579968A true CN116579968A (zh) 2023-08-11

Family

ID=87538277

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210105019.7A Pending CN116579968A (zh) 2022-01-28 2022-01-28 用于食材图像的识别方法及装置、蒸烤设备、存储介质

Country Status (1)

Country Link
CN (1) CN116579968A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117315264A (zh) * 2023-11-30 2023-12-29 深圳市普拉托科技有限公司 基于图像识别的托盘检测方法及相关装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117315264A (zh) * 2023-11-30 2023-12-29 深圳市普拉托科技有限公司 基于图像识别的托盘检测方法及相关装置
CN117315264B (zh) * 2023-11-30 2024-03-08 深圳市普拉托科技有限公司 基于图像识别的托盘检测方法及相关装置

Similar Documents

Publication Publication Date Title
CN110795976B (zh) 一种训练物体检测模型的方法、装置以及设备
CN110569721A (zh) 识别模型训练方法、图像识别方法、装置、设备及介质
CN112348765A (zh) 数据增强方法、装置、计算机可读存储介质及终端设备
WO2012074361A1 (en) Method of image segmentation using intensity and depth information
CN105243371A (zh) 一种人脸美颜程度的检测方法、系统及拍摄终端
WO2014123584A1 (en) Image processor with edge-preserving noise suppression functionality
CN111144215B (zh) 图像处理方法、装置、电子设备及存储介质
CN109190617B (zh) 一种图像的矩形检测方法、装置及存储介质
CN105761256B (zh) 图像的亚像素边缘直线获取方法及装置
CN113052754B (zh) 一种图片背景虚化的方法及装置
CN112785572A (zh) 图像质量评估方法、装置以及计算机可读存储介质
CN113505702A (zh) 基于双神经网络优化的路面病害识别方法及系统
CN116579968A (zh) 用于食材图像的识别方法及装置、蒸烤设备、存储介质
CN113763449A (zh) 深度恢复方法、装置、电子设备及存储介质
CN111340722B (zh) 图像处理方法、处理装置、终端设备及可读存储介质
US6751345B2 (en) Method and apparatus for improving object boundaries extracted from stereoscopic images
WO2024016632A1 (zh) 亮点定位方法、亮点定位装置、电子设备及存储介质
CN112529773A (zh) Qpd图像后处理方法及qpd相机
CN107274456A (zh) 一种图像格式的识别方法及装置
CN109871779B (zh) 掌纹识别的方法及电子设备
JP2005332382A (ja) 画像処理方法および装置並びにプログラム
JP4967045B2 (ja) 背景判別装置、方法及びプログラム
CN111951254B (zh) 基于边缘引导加权平均的源相机识别方法及系统
CN110310235B (zh) 眼底图像处理方法、装置及设备和存储介质
CN106682627A (zh) 一种掌纹数据的识别方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication