CN117912638A - 一种菜谱的营养素分析方法与装置 - Google Patents
一种菜谱的营养素分析方法与装置 Download PDFInfo
- Publication number
- CN117912638A CN117912638A CN202311820539.7A CN202311820539A CN117912638A CN 117912638 A CN117912638 A CN 117912638A CN 202311820539 A CN202311820539 A CN 202311820539A CN 117912638 A CN117912638 A CN 117912638A
- Authority
- CN
- China
- Prior art keywords
- nutrient
- menu
- bearing tool
- preset
- nutrient content
- 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
- 235000015097 nutrients Nutrition 0.000 title claims abstract description 114
- 238000004458 analytical method Methods 0.000 title claims abstract description 89
- 235000021049 nutrient content Nutrition 0.000 claims abstract description 137
- 235000013305 food Nutrition 0.000 claims abstract description 73
- 239000000463 material Substances 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 47
- 230000004044 response Effects 0.000 claims description 14
- 150000001720 carbohydrates Chemical class 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 239000003925 fat Substances 0.000 claims description 12
- 102000004169 proteins and genes Human genes 0.000 claims description 12
- 108090000623 proteins and genes Proteins 0.000 claims description 12
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 10
- 239000011707 mineral Substances 0.000 claims description 10
- 235000010755 mineral Nutrition 0.000 claims description 10
- 229930003231 vitamin Natural products 0.000 claims description 10
- 235000013343 vitamin Nutrition 0.000 claims description 10
- 239000011782 vitamin Substances 0.000 claims description 10
- 229940088594 vitamin Drugs 0.000 claims description 10
- 239000000203 mixture Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 14
- 238000010411 cooking Methods 0.000 abstract description 13
- 235000013601 eggs Nutrition 0.000 description 15
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 13
- 240000003768 Solanum lycopersicum Species 0.000 description 13
- 235000014633 carbohydrates Nutrition 0.000 description 12
- 235000018102 proteins Nutrition 0.000 description 11
- 206010034203 Pectus Carinatum Diseases 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 235000019197 fats Nutrition 0.000 description 8
- 235000016709 nutrition Nutrition 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 210000005069 ears Anatomy 0.000 description 5
- ZZZCUOFIHGPKAK-UHFFFAOYSA-N D-erythro-ascorbic acid Natural products OCC1OC(=O)C(O)=C1O ZZZCUOFIHGPKAK-UHFFFAOYSA-N 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 229930003268 Vitamin C Natural products 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 235000013372 meat Nutrition 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 235000019154 vitamin C Nutrition 0.000 description 4
- 239000011718 vitamin C Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 235000005911 diet Nutrition 0.000 description 3
- 230000037213 diet Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000035764 nutrition Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 2
- 240000004160 Capsicum annuum Species 0.000 description 2
- 241000467686 Eschscholzia lobbii Species 0.000 description 2
- 239000011575 calcium Substances 0.000 description 2
- 229910052791 calcium Inorganic materials 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 229940045997 vitamin a Drugs 0.000 description 2
- 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 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 240000005856 Lyophyllum decastes Species 0.000 description 1
- 235000013194 Lyophyllum decastes Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 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 1
- 230000006978 adaptation Effects 0.000 description 1
- 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 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 235000019155 vitamin A Nutrition 0.000 description 1
- 239000011719 vitamin A Substances 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
一种菜谱的营养素分析方法，其中，该方法应用于服务器，该方法包括：响应于用户的菜谱输入操作；将菜谱输入预设营养素分析库中，得到菜谱的第一营养素含量；对菜谱的承载工具类型进行识别，得到菜谱对应的第一承载工具；将第一承载工具输入预设营养素分析库中，得到第一承载工具对应的第二营养素含量；输出菜谱的第三营养素含量，其中，第三营养素含量为第一营养素含量与第二营养素含量之差；将菜谱的营养素含量展示给用户，其中，所述营养素含量包括所述第一营养素含量、所述第二营养素含量以及所述第三营养素含量。该方法解决了传统菜谱的营养素含量分析没有考虑到食材在烹饪过程中发生的营养素损失的问题。
Description
技术领域
本申请涉及智能菜谱领域，具体涉及一种菜谱的营养素分析方法与装置。
背景技术
随着科技的发展，人们对生活品质的要求的越来越高，为了更好的进行健康管理，对于每天摄入的食物需要有一个明确的营养素含量。
目前，计算菜谱的营养素的方法是通过对菜谱中每个食材的营养素含量进行累加，从而计算得出菜谱的营养素含量。然而这种方法没有考虑食材在烹饪过程中可能发生的营养素变化，例如青菜在煮锅中焯水后可能会导致营养素的损失或改变，这种方法无法准确反映菜谱中最终食物的实际营养含量。
因此，亟需一种菜谱的营养素分析方法与装置。
发明内容
本申请提供了一种菜谱的营养素分析方法，解决了传统菜谱的营养素含量分析没有考虑到食材在烹饪过程中发生的营养素损失的问题。
本申请第一方面提供一种菜谱的营养素分析方法，应用于服务器，该方法包括：
响应于用户的菜谱输入操作；将菜谱输入预设营养素分析库中，得到菜谱的第一营养素含量；其中，预设营养素分析库中包括菜谱和第一营养素含量的对应关系；对菜谱的承载工具类型进行识别，得到菜谱对应的第一承载工具；其中，第一承载工具包括炒锅、蒸锅、砂锅以及煎锅中的任意一种；将第一承载工具输入预设营养素分析库中，得到第一承载工具对应的第二营养素含量；其中，预设营养素分析库中包括承载工具和第二营养素含量的对应关系；输出菜谱的第三营养素含量，其中，第三营养素含量为第一营养素含量与第二营养素含量之差；将菜谱的营养素含量展示给用户，其中，营养素含量包括第一营养素含量、第二营养素含量以及第三营养素含量。
通过采用上述技术方案，用户可以得到菜谱经烹饪后损失的营养素分析结果，有助于用户根据自身需求和健康目标合理安排饮食，并选择合适的承载工具来烹饪食物。
可选地，预设营养素分析库中还包含预设菜谱食材用量库，预设菜谱食材用量库中包含菜谱与菜谱食材用量的对应关系。
通过采用上述技术方案，将预设菜谱食材用量库与预设营养素分析库相结合，更方便地进行了营养素分析。
可选地，响应于用户的菜谱输入操作具体包括以下任意一种：
响应于用户的文本输入操作；其中，文本输入操作用于表示文字输入菜谱的名称和所述菜谱对应的承载工具；响应于用户的图像输入操作；其中，图像输入操作用于表示图片输入菜谱的名称和所述菜谱对应的承载工具。
通过采用上述技术方案，系统可以响应于用户的菜谱输入操作，包括文本输入操作和图像输入操作。
可选地，预设营养素分析库中的营养素种类包括蛋白质、碳水化合物、脂肪、维生素以及矿物质中的一种或多种。
通过采用上述技术方案，用户可以获得准确、全面和个性化的菜谱营养素分析结果。这有助于用户了解菜谱的营养价值，进行科学的饮食规划。
可选地，对菜谱的承载工具类型进行识别，得到菜谱对应的第一承载工具，具体包括：
提取出菜谱对应第一承载工具的第一特征；将第一特征与预设特征库中的第二特征进行比对；其中，预设特征库中包含第二承载工具和第二特征的对应关系，第二特征为预设特征库中的任意一个特征；若第一特征和第二特征相同，则确定菜谱对应的第二承载工具，第二承载工具为第一承载工具。
通过采用上述技术方案，系统可以准确地识别菜谱中的承载工具类型。
可选地，对菜谱的承载工具类型进行识别，得到菜谱对应的第一承载工具，具体包括以下任意一种：对文本进行特征提取，得到第一承载工具；对图像进行特征提取，得到第一承载工具。
通过采用上述技术方案，可以根据菜谱中的文本或图像信息，准确地提取出承载工具类型。
可选地，预设营养素分析库根据预设食品营养成分表构建，预设食品营养成分表包括食材用量以及食材用量所对应的营养素含量。
通过采用上述技术方案，根据预设食品营养成分表构建了预设营养素分析库。
在本申请的第二方面提供了一种菜谱的营养素分析装置，该装置包括响应单元、处理单元以及展示单元；其中，
响应单元，用于响应于用户的菜谱输入操作；
处理单元，用于将菜谱输入预设营养素分析库中，得到菜谱的第一营养素含量；其中，预设营养素分析库中包括菜谱和第一营养素含量的对应关系；菜谱的承载工具类型进行识别；其中，承载工具类型包括炒锅、蒸锅、砂锅以及煎锅中的任意一种；将承载工具类型输入预设营养素分析库中，得到承载工具类型对应的第二营养素含量；其中，预设营养素分析库中包括承载工具类型和第二营养素含量的对应关系；输出菜谱的第三营养素含量，其中，第三营养素含量为第一营养素含量与第二营养素含量之差；
展示单元，用于将菜谱的最终营养素含量展示给用户，营养素含量包括第一营养素含量、第二营养素含量以及第三营养素含量。
可选地，预设营养素分析库中还包含预设菜谱食材用量库，预设菜谱食材用量库中包含菜谱与菜谱食材用量的对应关系。
可选地，响应于用户的菜谱输入操作具体包括以下任意一种：响应于用户的文本输入操作；其中，文本输入操作用于表示文字输入菜谱的名称和菜谱的承载工具；响应于用户的图像输入操作；其中，图像输入操作用于表示图片输入菜谱的名称和菜谱的承载工具。
可选地，预设营养素分析库中的营养素种类包括蛋白质、碳水化合物、脂肪、维生素以及矿物质中的一种或多种。
可选地，对菜谱的承载工具类型进行识别，得到菜谱对应的第一承载工具，具体包括：提取出菜谱对应第一承载工具的第一特征；将第一特征与预设特征库中的第二特征进行比对；其中，预设特征库中包含第二承载工具和第二特征的对应关系，第二特征为预设特征库中的任意一个特征；若第一特征和第二特征相同，则确定菜谱对应的第二承载工具，第二承载工具为第一承载工具。
可选地，对菜谱的承载工具类型进行识别，得到菜谱对应的第一承载工具，具体包括以下任意一种：对文本进行特征提取，得到第一承载工具；对图像进行特征提取，得到第一承载工具。
可选地，预设营养素分析库根据预设食品营养成分表构建，预设食品营养成分表包括食材用量以及食材用量所对应的营养素含量。
在本申请的第三方面提供了一种电子设备，包括处理器、存储器、用户接口及网络接口，存储器用于存储指令，用户接口和网络接口用于给其他设备通信，处理器用于执行存储器中存储的指令，以使电子设备执行上述任意一项的方法。
在本申请的第四方面提供了一种计算机可读存储介质，在本申请的第四方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令。当指令被执行时，执行上面所示的方法步骤。
综上，本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
1.用户可以得到菜谱经烹饪后损失的营养素分析结果。
2、系统可以准确地识别菜谱中的承载工具类型。
3、有助于用户根据自身需求和健康目标合理安排饮食。
附图说明
图1是本申请实施例提供的一种菜谱的营养素分析的流程示意图。
图2是本申请实施例公开的一种菜谱的营养素分析的场景示意图。
图3是本申请实施例公开的一种菜谱的营养素分析的装置图。
图4是本申请实施例的公开的一种电子设备的结构示意图。
附图标记说明：400、电子设备；401、处理器；402、通信总线；403、用户接口；404、网络接口；405、存储器。
具体实施方式
为了使本领域的技术人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。
在本申请实施例的描述中，“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中，术语“多个”的含义是指两个或两个以上。例如，多个系统是指两个或两个以上的系统，多个屏幕终端是指两个或两个以上的屏幕终端。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请提供一种菜谱的营养素分析方法与装置，参照图1，图1是本申请实施例公开的一种菜谱的食材用量调节方法的流程示意图。该方法可以包括步骤S101至步骤S106，上述步骤如下：
步骤S101：响应于用户的菜谱输入操作。
在上述步骤中，用户登录用户设备上安装的菜谱搜索应用，通过在搜索框内输入文字或者图片以表达自己的搜索需求，例如，可以输入菜谱名称或者输入一个包含菜品以及菜品承载工具的一个图片或者视频。用户设备包括但不限于手机、平板电脑、台式电脑以及智能家居等，用户输入搜索需求采用文字输入或者图像输入，在此不做限定。
步骤S102：将菜谱输入预设营养素分析库中，得到菜谱的第一营养素含量。
在上述步骤中，菜谱营养素分析库基于卷积神经网络模型和循环神经网络模型进行建立，其存储有多个菜谱的食材用量以及食材用量类型对应的营养素含量。通过匹配，系统可以确定与用户需求相符的菜谱，并计算出菜谱的第一营养素含量。第一营养素含量即为菜谱的基础营养素含量，这个营养素含量包括蛋白质、脂肪、碳水化合物、维生素、矿物质等。
步骤S103：对菜谱的承载工具类型进行识别，得到第一承载工具。
在上述步骤中，使用目标检测算法，基于卷积神经网络的目标检测模型（FasterR-CNN），对菜谱的承载工具进行检测。目标检测模型可以识别出图像中的各种物体，包括锅、炉灶、食材等。在目标检测的基础上，进一步进行动作分类，判断物体的动作行为。使用动作识别模型，基于卷积神经网络的动作分类模型，使用光流法（optical flow methods）对图像序列进行分析，光流算法可以估计相邻帧之间的像素位移，从而捕捉到物体的运动轨迹，从连续的图像帧中提取出动作的运动信息。
下面以炒锅为例，举例说明识别的过程：
(1)数据准备：收集一些包含炒锅的图像，包括不同品牌、不同形状和颜色的炒锅。同时还收集一些不包含炒锅的图像，如用餐具盛放的菜肴等。将1000张炒锅图像和1000张非炒锅图像作为数据集。
(2)数据预处理：首先将所有图像调整为统一的大小，如将宽度和高度都调整为256像素。然后，我们将所有图像转换为RGB格式，并将像素值归一化到0-1的范围。接着将数据集分为训练集和验证集，通常可以按照80%的比例划分，即800张炒锅图像和800张非炒锅图像用于训练，200张炒锅图像和200张非炒锅图像用于验证。
(3)构建CNN(卷积神经网络)模型：构建一个卷积神经网络模型。模型包括多个卷积层、池化层和全连接层。可以使用两个卷积层和池化层来提取图像的特征，然后将特征输入到全连接层进行分类。模型的结构可以根据实际情况进行调整，此处不进行限定。
(4)特征提取和训练：我们将预处理后的图像数据作为训练集输入模型。通过前向传播，计算模型的损失函数，并通过反向传播来更新模型的权重参数。在训练过程中，模型将学习到炒锅的特征，如圆形、顶部开口大、圆底、手柄或者双耳等。
(5)模型优化和验证：根据训练过程中的损失和准确率，可以调整模型的超参数来提高模型的性能和泛化能力。举例来说，可以尝试不同的学习率、卷积核大小、池化大小等。接着使用验证集对训练好的模型进行评估和验证。计算模型在验证集上的准确率、精确率、召回率等指标，并评估模型的性能。
(6)预测和识别：当我们输入一张新的图像到训练好的模型中，模型将输出一个概率值，表示该图像中包含炒锅的可能性。假设模型输出的概率值为0.9，表示该图像中有90%的可能性是炒锅。可以预先设定一个阈值0.8，当模型输出概率大于该阈值时，则判断图像中存在炒锅。
通过以上步骤，可以构建一个CNN模型来识别图像中是否存在炒锅，并根据设定的阈值进行预测。这个模型可以应用于本申请中对菜谱的承载工具进行识别的场景中。
步骤S104：将第一承载工具输入预设营养素分析库中，得到第一承载工具对应的第二营养素含量。
在上述步骤中，系统将菜谱的承载工具类型输入预设的营养素分析库中。这个库中记录了不同承载工具类型和对应的损失的营养素含量。这个营养素含量可以帮助用户了解不同的承载工具对菜谱营养素含量的影响。
步骤S105：输出菜谱的第一营养素含量，第二营养素含量以及第三营养素含量，其中第三营养素含量为第一营养素含量与第二营养素含量之差。
在上述步骤中，系统根据菜谱的第一营养素含量和第二营养素含量，计算出菜谱的第三营养素含量。第一营养素含量为菜谱的食材用量对应的初始营养素含量，第二营养素含量为菜谱在经过承载工具烹饪时损失的营养素含量，第三营养素含量为菜谱经过烹饪后的最终营养素含量。第三营养素含量为第一营养素含量与第二营养素含量之差。
举例来说，对于炒菜过程中的营养素损失，可以以以下估计为参考：
蛋白质：炒菜过程中蛋白质的损失一般较小，大约在10%左右。
碳水化合物：炒菜过程中碳水化合物的损失较小，大约在5%左右。
脂肪：炒菜过程中脂肪的损失一般较小，大约在5%左右。
维生素：炒菜过程中维生素C的损失较大，可能会达到30%以上。其他维生素的损失一般在10%左右。
矿物质：炒菜过程中矿物质的损失较小，大约在10%左右。
步骤S106：将菜谱的营养素含量展示给用户。
在上述步骤中，菜谱的营养素含量包括第一营养素含量，第二营养素含量以及第三营养素含量，展示三种营养素含量，不仅显示了菜肴在考虑到烹饪损失后的第三营养素含量，还帮助用户了解了不同承载工具对菜谱营养素含量的影响，以便于用户选择合适的烹饪方式去制作食物。
在一种可能的实施方式中，预设营养素分析库中还包含预设菜谱食材用量库，预设菜谱食材用量库中包含菜谱与菜谱食材用量的对应关系。
在预设营养素分析库中，除了包含不同食材的营养素含量信息之外，还包含预设菜谱食材用量库。预设菜谱食材用量库同样基于卷积神经网络和循环神经网络建立。预设菜谱食材用量库中存储了各个菜谱中所使用的食材及其用量信息。在进行营养素分析时，通过预设菜谱食材用量库可以更方便地获取菜谱中所使用的食材和用量，进而更准确得到菜谱的营养素含量。
举例来说，假设预设菜谱食材用量库中的记录为：菜谱为西红柿炒鸡蛋，食材为西红柿、鸡蛋，用量为500g西红柿，两个鸡蛋。要对西红柿炒蛋这个菜谱进行营养素分析，可以先从预设菜谱食材用量库中获取到番茄、鸡蛋的用量信息。再根据食材用量信息，结合预设营养素分析库中的西红柿、鸡蛋的营养素含量信息，得到西红柿炒鸡蛋这道菜谱的营养素含量，此时可以得到的西红柿炒鸡蛋的营养素含量为蛋白质18g、碳水化合物15g、脂肪10g、维生素C30mg、钾250mg等。通过菜谱与菜谱食材用量的对应关系，可以快速获取到所需的食材和用量信息，从而提高营养素分析的效率和准确性。预设菜谱食材用量库与预设营养素分析库相结合更方便地进行了营养素分析。
在一种可能的实施方式中，响应于用户的菜谱输入操作具体包括以下任意一种：
响应于用户的文本输入操作；其中，文本输入操作用于表示文字输入菜谱的名称和菜谱的承载工具类型；
响应于用户的图像输入操作；其中，图像输入操作用于表示图片输入菜谱的名称和菜谱的承载工具类型。
举例来说，响应于用户的文本输入操作：用户可以通过文本输入方式告诉系统他们想要制作的菜谱，并提供所需的食材名称。例如，用户可以输入文本"西红柿炒蛋"，系统可以根据预设的菜谱食材用量库获取到番茄和鸡蛋的用量信息，并根据提取到的“炒”字判断出此时菜谱的承载工具为炒锅，然后结合预设的营养素分析库计算出西红柿炒鸡蛋的营养素含量，该营养素含量包括第一营养素含量，第二营养素含量以及第三营养素含量。其中第一营养素含量为基础营养素含量，第二营养素含量为损失的营养素含量，第三营养素含量为最终的营养素含量。具体场景示意图可以参考图二。如图2所示，为本申请例公开的一种菜谱的营养素分析的场景示意图。用户在搜索框输入“西红柿炒鸡蛋”，系统识别判断后会给出“西红柿炒鸡蛋”的初始营养素含量，损失营养素含量，最终营养素含量；其中，初始营养素含量即为第一营养素含量，损失营养素含量即为第二营养素含量，最终营养素含量即为第三营养素含量。
响应于用户的图像输入操作：用户可以通过拍摄一张包含承载工具以及食材的图片或录制一个包含承载工具以及食材的视频来输入菜谱。例如，用户可以拍摄一张炒菜锅中放有西红柿和鸡蛋的照片，或者录制一个炒菜过程的视频。系统可以通过图像识别和动作识别技术来分析图像或视频，识别出西红柿炒鸡蛋和炒锅，然后结合预设的菜谱食材用量库和预设菜谱营养素分析库，计算出菜谱的营养素含量。
综上所述，系统可以响应于用户的菜谱输入操作，包括文本输入操作和图像输入操作。通过分析用户提供的菜谱信息和食材信息，系统可以进行营养素分析，并提供准确的营养素分析结果。
在一种可能的实施方式中，预设营养素分析库中的营养素种类包括蛋白质、碳水化合物、脂肪、维生素以及矿物质中的一种或多种。
举例来说，预设营养素分析库可以包含多种营养素种类，如蛋白质、碳水化合物、脂肪、维生素和矿物质等。这些营养素种类可以根据食物中的成分和营养价值进行分类和记录，以便在进行营养素分析时进行计算。例如，假设预设营养素分析库中的一条记录如下：食材为鸡胸肉300g，该食材的蛋白质含量为30克，碳水化合物含量为0克，脂肪含量为3克，维生素A含量为0.1毫克，维生素C含量为0毫克，钙含量为5毫克，铁含量为0.5毫克。在这个例子中，鸡胸肉是要进行营养素分析的食材，预设营养素分析库中记录了鸡胸肉的蛋白质、碳水化合物、脂肪、维生素A、维生素C、钙和铁的含量信息。当我们在菜谱中使用了鸡胸肉，并且要计算这道菜的营养含量时，可以根据预设营养素分析库中的记录，获取鸡胸肉中各个营养素的含量，并进行相应的计算。通过预设营养素分析库中的多种营养素种类记录，可以获得更全面和准确的营养素分析结果。不同的营养素对于人体健康有着不同的重要性，因此通过记录和计算多种营养素的含量，我们可以更好地了解食物的营养价值，为用户提供更全面和专业的营养分析服务。
综上所述，预设营养素分析库可以包含多种营养素种类，如蛋白质、碳水化合物、脂肪、维生素和矿物质等。通过记录和计算多种营养素的含量，我们可以提供更全面和准确的营养分析结果，帮助用户了解食物的营养价值。
在一种可能的实施方式中，对菜谱的承载工具类型进行识别，得到菜谱对应的第一承载工具，具体包括：
提取出菜谱对应第一承载工具的第一特征；将第一特征与预设特征库中的第二特征进行比对；其中，预设特征库中包含第二承载工具和第二特征的对应关系，第二特征为预设特征库中的任意一个特征；
若第一特征和第二特征相同，则确定菜谱对应的第二承载工具，第二承载工具为第一承载工具。
举例来说，提取出菜谱的承载工具类型的特征：对于每个菜谱，我们可以分析其中所涉及的烹饪工具，例如炒锅、煎锅、蒸锅等。通过文本分析或者图像识别等技术，我们可以提取出与承载工具类型相关的特征，例如锅的形状、开口大小、底部形状、手柄和耳等。
将特征与预设特征库中的基础特征进行比对：在预设特征库中，可以建立承载工具类型与基础特征的对应关系。以炒锅为例，可以设定炒锅的基础特征包括圆形、顶部开口大、圆底、手柄以及双耳等。在进行菜谱承载工具类型识别时，将提取出的特征与预设特征库中的基础特征进行比对。
若提取出的特征与炒锅的基础特征相匹配，即圆形、顶部开口大、圆底、手柄和双耳等都符合，那么可以确认承载工具类型为炒锅。
举例来说，假设有一道菜谱中涉及到使用了一个圆形、顶部开口大、底部为圆底、有手柄和双耳的锅进行烹饪。将提取出这个锅的特征，例如圆形、顶部开口大、圆底、手柄和双耳等。然后，将这些特征与预设特征库中炒锅的第二特征进行比对，发现它们完全匹配。因此，可以确认这个承载工具的类型为炒锅。通过以上的识别操作，可以根据菜谱中的特征，对承载工具类型进行自动识别，从而更好地判断出损失的营养素的含量。
在一种可能的实施方式中，提取出菜谱的承载工具类型具体包括以下任意一种：
对文本进行特征提取；得到第一承载工具。
对图像进行特征提取；得到第一承载工具。
具体来说，对于菜谱文本输入，可以通过自然语言处理技术来提取特征。首先将菜谱文本进行分词，提取出其中的关键词和短语。然后，我们可以根据预设的特征库，匹配菜谱中的关键词和短语与承载工具的特征关联。例如，菜谱中提到使用炒锅烹饪，那么我们可以将"炒"作为承载工具类型的特征。通过这种方式，我们可以提取出菜谱中承载工具类型的特征。可以从菜谱的食材信息中提取关键词和短语，并根据预设的特征库来匹配承载工具的特征。例如，假设有一个菜谱的食材信息如下：辣椒炒鸡胸肉，可以通过对这些食材信息进行文本特征提取，提取出关键词和短语，如“鸡胸肉”、“辣椒”、“炒”。然后，可以将这些关键词和短语与预设的承载工具类型的特征进行比对。在比对过程中，发现菜谱中包含有“炒”这个关键词，因此可以判断该菜谱的承载工具类型为炒锅。
除了对文本进行特征提取外，还可以通过对图像进行特征提取来提取菜谱的承载工具类型。例如，假设有一张包含炒锅、鸡胸肉和辣椒的图片。我们可以使用步骤S103中方法，将提取出的特征与预设特征库中的承载工具类型的特征进行比对。如果特征库中包含了炒锅的特征，那么可以识别该图片中的承载工具为炒锅。通过对文本和图像进行特征提取，可以从菜谱中提取出承载工具类型的信息。这种方式准确识别出承载工具类型后在预设菜谱营养素分析库中对比找到承载工具类型对应的第二营养素含量，进而得到了菜谱的第三营养素含量。
参照图3，本申请还提供了一种菜谱的营养素分析装置，该装置包括响应单元301、处理单元302以及展示单元303；其中，
响应单元301，用于响应于用户的菜谱输入操作；
处理单元302，用于将菜谱输入预设营养素分析库中，得到菜谱的第一营养素含量；其中，预设营养素分析库中包括菜谱和第一营养素含量的对应关系；
对菜谱的承载工具类型进行识别；其中，承载工具类型包括炒锅、蒸锅、砂锅以及煎锅中的任意一种；
将承载工具类型输入预设营养素分析库中，得到承载工具类型对应的第二营养素含量；其中，预设营养素分析库中包括承载工具类型和第二营养素含量的对应关系；
输出菜谱的第三营养素含量，其中，第三营养素含量为第一营养素含量与第二营养素含量之差；
展示单元303，用于将菜谱的最终营养素含量展示给用户。
在一种可能的实施方式中，预设营养素分析库中还包含预设菜谱食材用量库，预设菜谱食材用量库中包含菜谱与菜谱食材用量的对应关系。
在一种可能的实施方式中，响应于用户的菜谱输入操作具体包括以下任意一种：响应于用户的文本输入操作；其中，文本输入为食材名称；响应于用户的图像输入操作；其中，图像输入为包含承载工具以及食材的一个图片或视频。
在一种可能的实施方式中，预设营养素分析库中的营养素种类包括蛋白质、碳水化合物、脂肪、维生素以及矿物质中的一种或多种。
在一种可能的实施方式中，对菜谱的承载工具类型进行识别的操作具体包括：提取出菜谱的承载工具类型的特征；将特征与预设特征库中的基础特征进行比对；其中，预设特征库中包含承载工具类型和基础特征的对应关系，炒锅的基础特征为圆形、顶部开口大、圆底、手柄以及双耳；若特征包括炒锅的基础特征，则确认承载工具类型为炒锅。
在一种可能的实施方式中，提取出菜谱的承载工具类型具体包括以下任意一种：对文本进行特征提取；其中，文本输入为食材信息；对图像进行特征提取；其中，图像为包含承载工具以及食材的一个图片或视频。
需要说明的是：上述实施例提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置和方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本申请还公开一种电子设备。参照图4，图4是本申请实施例的公开的一种电子设备的结构示意图。该电子设备400可以包括：至少一个处理器401，至少一个网络接口404，用户接口403，存储器405，至少一个通信总线402。
其中，通信总线406用于实现这些组件之间的连接通信。
其中，用户接口403可以包括显示屏（Display）、摄像头（Camera），可选用户接口403还可以包括标准的有线接口、无线接口。
其中，网络接口404可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。
其中，处理器401可以包括一个或者多个处理核心。处理器401利用各种接口和线路连接整个服务器内的各个部分，通过运行或执行存储在存储器405内的指令、程序、代码集或指令集，以及调用存储在存储器405内的数据，执行服务器的各种功能和处理数据。可选的，处理器401可以采用数字信号处理（Digital Signal Processing，DSP）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程逻辑阵列（Programmable LogicArray，PLA）中的至少一种硬件形式来实现。处理器401可集成中央处理器（CentralProcessing Unit，CPU）、图像处理器（Graphics Processing Unit，GPU）和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器401中，单独通过一块芯片进行实现。
其中，存储器405可以包括随机存储器（Random Access Memory，RAM），也可以包括只读存储器（Read-Only Memory）。可选的，该存储器405包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器405可用于存储指令、程序、代码、代码集或指令集。存储器405可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及的数据等。存储器405可选的还可以是至少一个位于远离前述处理器401的存储装置。参照图4，作为一种计算机存储介质的存储器405中可以包括操作系统、网络通信模块、用户接口模块以及一种菜谱的营养素含量分析的应用程序。
在图4所示的电子设备400中，用户接口403主要用于为用户提供输入的接口，获取用户输入的数据；而处理器401可以用于调用存储器405中存储一种菜谱的营养素含量分析的应用程序，当由一个或多个处理器401执行时，使得电子设备400执行如上述实施例中一个或多个的方法。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，本申请并不受所描述的动作顺序的限制，因为依据本申请，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申请所必需的。
在上述实施例中，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种实施方式中，应该理解到，所披露的装置，可通过其他的方式实现。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服务接口，装置或单元的间接耦合或通信连接，可以是电性或其他的形式。
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，在本申请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。
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，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请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一个存储器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括：U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践真理的公开后，将容易想到本公开的其他实施方案。
本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。
Claims (10)
1.一种菜谱的营养素分析方法，其特征在于，应用于服务器，所述方法包括：
响应于用户的菜谱输入操作；
将所述菜谱输入预设营养素分析库中，得到所述菜谱的第一营养素含量；其中，所述预设营养素分析库中包括所述菜谱和所述第一营养素含量的对应关系；
对所述菜谱的承载工具类型进行识别，得到所述菜谱对应的第一承载工具；其中，所述第一承载工具包括炒锅、蒸锅、砂锅以及煎锅中的任意一种；
将所述第一承载工具输入预设营养素分析库中，得到所述第一承载工具对应的第二营养素含量；其中，预设营养素分析库中包括所述第一承载工具和所述第二营养素含量的对应关系；
输出所述菜谱的所述第一营养素含量、所述第二营养素含量以及第三营养素含量，其中，所述第三营养素含量为所述第一营养素含量与所述第二营养素含量之差；
将所述菜谱的营养素含量展示给用户，其中，所述营养素含量包括所述第一营养素含量、所述第二营养素含量以及所述第三营养素含量。
2.根据权利要求1的方法，其特征在于，所述预设营养素分析库中还包含预设菜谱食材用量库，预设菜谱食材用量库中包含菜谱与菜谱食材用量的对应关系。
3.根据权利要求1的方法，其特征在于，所述响应于用户的菜谱输入操作具体包括以下任意一种：
响应于用户的文本输入操作；其中，所述文本输入操作用于表示文字输入所述菜谱的名称和所述菜谱的承载工具类型；
响应于用户的图像输入操作；其中，所述图像输入操作用于表示图片输入所述菜谱的名称和所述菜谱的承载工具类型。
4.根据权利要求1的方法，其特征在于，所述预设营养素分析库中的营养素种类包括蛋白质、碳水化合物、脂肪、维生素以及矿物质中的一种或多种。
5.根据权利要求1的方法，其特征在于，所述对所述菜谱的承载工具类型进行识别，得到所述菜谱对应的第一承载工具，具体包括：
提取出所述菜谱对应第一承载工具的第一特征；
将所述第一特征与预设特征库中的第二特征进行比对；其中，所述预设特征库中包含所述第二承载工具和所述第二特征的对应关系，所述第二特征为所述预设特征库中的任意一个特征；
若所述第一特征和所述第二特征相同，则确定所述菜谱对应的第二承载工具，所述第二承载工具为所述第一承载工具。
6.根据权利要求1的方法，其特征在于，所述对所述菜谱的承载工具类型进行识别，得到所述菜谱对应的第一承载工具，具体包括以下任意一种：
对文本进行特征提取，得到所述第一承载工具；
对图像进行特征提取，得到所述第一承载工具。
7.根据权利要求1的方法，其特征在于，所述预设营养素分析库根据预设食品营养成分表构建，所述预设食品营养成分表包括食材用量以及食材用量所对应的营养素含量。
8.一种菜谱的营养素分析装置，其特征在于，所述装置包括响应单元（301）、处理单元（302）以及展示单元（303）；其中，
所述响应单元（301），用于响应于用户的菜谱输入操作；
所述处理单元（302），用于将所述菜谱输入预设营养素分析库中，得到所述菜谱的第一营养素含量；其中，所述预设营养素分析库中包括所述菜谱和所述第一营养素含量的对应关系；对所述菜谱的承载工具类型进行识别，得到所述菜谱对应的第一承载工具；其中，所述第一承载工具包括炒锅、蒸锅、砂锅以及煎锅中的任意一种；将所述第一承载工具输入预设营养素分析库中，得到所述第一承载工具对应的第二营养素含量；其中，预设营养素分析库中包括所述第一承载工具和所述第二营养素含量的对应关系；输出所述菜谱的所述第一营养素含量、所述第二营养素含量以及第三营养素含量，其中，所述第三营养素含量为所述第一营养素含量与所述第二营养素含量之差；
所述展示单元（303），用于将菜谱的最终营养素含量展示给用户。
9.一种电子设备，其特征在于，包括处理器(401)、存储器(405)、用户接口(403)及网络接口(404)，存储器(405)用于存储指令，用户接口(403)和网络接口(404)用于给其他设备通信，处理器(401)用于执行存储器(405)中存储的指令，以使电子设备(400)执行如权利要求1-7任意一项的方法。
10.一种计算机可读存储介质，其特征在于，计算机可读存储介质存储有指令，当指令被执行时，执行如权利要求1-7任意一项的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311820539.7A CN117912638A (zh) | 2023-12-27 | 2023-12-27 | 一种菜谱的营养素分析方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311820539.7A CN117912638A (zh) | 2023-12-27 | 2023-12-27 | 一种菜谱的营养素分析方法与装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117912638A true CN117912638A (zh) | 2024-04-19 |
Family
ID=90683195
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311820539.7A Pending CN117912638A (zh) | 2023-12-27 | 2023-12-27 | 一种菜谱的营养素分析方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117912638A (zh) |
-
2023
- 2023-12-27 CN CN202311820539.7A patent/CN117912638A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mezgec et al. | Mixed deep learning and natural language processing method for fake-food image recognition and standardization to help automated dietary assessment | |
| US20160063692A1 (en) | Automated Food Recognition and Nutritional Estimation With a Personal Mobile Electronic Device | |
| US10803315B2 (en) | Electronic device and method for processing information associated with food | |
| US20120179665A1 (en) | Health monitoring system | |
| US20140095479A1 (en) | Device, method, and system for recipe recommendation and recipe ingredient management | |
| Kitamura et al. | Food log by analyzing food images | |
| CN104809164A (zh) | 一种基于移动终端的健康饮食推荐方法及移动终端 | |
| US11823042B2 (en) | System for measuring food weight | |
| CN112053428A (zh) | 一种识别食物所含营养信息的方法及装置 | |
| US20210313039A1 (en) | Systems and Methods for Diet Quality Photo Navigation Utilizing Dietary Fingerprints for Diet Assessment | |
| CN107851183A (zh) | 用于提供食谱的系统和方法 | |
| Sudo et al. | Estimating nutritional value from food images based on semantic segmentation | |
| CN110444271A (zh) | 饮食建议生成方法、装置、计算机设备及存储介质 | |
| JP2011028382A (ja) | 利用者毎に食事の栄養成分を管理する栄養管理サーバ及び栄養管理方法 | |
| CN111522848A (zh) | 处理菜品数据的方法、装置、计算机设备和存储介质 | |
| CN112951373A (zh) | 一种食材推荐方法、设备、智能冰箱和智能终端 | |
| Liang et al. | CEP: calories estimation from food photos | |
| Konstantakopoulos et al. | A review of image-based food recognition and volume estimation artificial intelligence systems | |
| CN111863194A (zh) | 一种饮食信息的展示方法、装置、设备及存储介质 | |
| CN117912638A (zh) | 一种菜谱的营养素分析方法与装置 | |
| CN112966617B (zh) | 摆盘图像的生成方法、图像生成模型的训练方法及装置 | |
| Li et al. | Picture-to-amount (pita): Predicting relative ingredient amounts from food images | |
| CN114388102A (zh) | 饮食推荐方法及装置和电子设备 | |
| EP3929931A1 (en) | Dish nutritional value estimation | |
| Qiu | Food recognition and nutrition analysis using deep CNNs |
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 |