CN117992623A - 基于食品信息的多媒体资料制作方法、设备、介质及产品 - Google Patents
基于食品信息的多媒体资料制作方法、设备、介质及产品 Download PDFInfo
- Publication number
- CN117992623A CN117992623A CN202410404258.1A CN202410404258A CN117992623A CN 117992623 A CN117992623 A CN 117992623A CN 202410404258 A CN202410404258 A CN 202410404258A CN 117992623 A CN117992623 A CN 117992623A
- Authority
- CN
- China
- Prior art keywords
- food
- scene
- raw material
- database
- taste
- 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 90
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000004519 manufacturing process Methods 0.000 claims abstract description 66
- 239000002994 raw material Substances 0.000 claims abstract description 50
- 230000008569 process Effects 0.000 claims abstract description 34
- 238000009877 rendering Methods 0.000 claims abstract description 9
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 238000004590 computer program Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 18
- 235000016709 nutrition Nutrition 0.000 claims description 13
- 239000004615 ingredient Substances 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 235000013376 functional food Nutrition 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 238000009792 diffusion process Methods 0.000 claims description 3
- 239000000470 constituent Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 9
- 230000033764 rhythmic process Effects 0.000 abstract description 6
- 238000003379 elimination reaction Methods 0.000 abstract description 4
- 239000000047 product Substances 0.000 description 21
- 238000004891 communication Methods 0.000 description 5
- 239000000796 flavoring agent Substances 0.000 description 4
- 235000019634 flavors Nutrition 0.000 description 4
- 235000012631 food intake Nutrition 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000011020 pilot scale process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010013911 Dysgeusia Diseases 0.000 description 1
- 240000002989 Euphorbia neriifolia Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000015872 dietary supplement Nutrition 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于食品信息的多媒体资料制作方法、设备、介质及产品,涉及数字化智能制造领域。所述方法包括:获取食品的制作流程和原料数据,并进一步的获取成分组成特征和工艺特征;根据成分组成特征和工艺特征,利用训练后的深度神经网络模型,确定食品的口感和功能;根据食品的口感和功能,采用文本转图像模型,生成场景图片;在种子场景数据库中选取与场景图片相似度最高的种子场景,作为目标种子场景;对目标种子场景进行渲染,获得摄像机拍摄视角内的三维虚拟场景,并进行实景拍摄,获得虚实结合的多媒体资料。本发明基于AI智能绘图技术和虚拟制片技术实现多媒体资料的快速高效的制作,可适应食品类快消产品的快节奏。
Description
技术领域
本发明涉及数字化智能制造领域,特别是涉及一种基于食品信息的多媒体资料制作方法、设备、介质及产品。
背景技术
数字化智能制造是一个多学科融合的领域,传统制造系统随着与信息通信技术的融合,逐步实现了数字化并开始向智能化转变。人工智能、大数据、数字孪生、信息物理系统等技术不仅仅从根本上转变了制造系统的生产模式,数字化工具也使得研发、市场和销售能与生产进一步紧密结合,从而形成新的产品理念,乃至新的公司运营方式。
数字营销主要是指通过数字媒体渠道来创建和传播公司产品信息,数字媒体渠道主要包含电子邮件、视频平台、社交媒体、网站等。而随着智能手机处理能力的提升与通信技术的迅猛发展,特别是5G技术的迅速普及,人们已经开始逐渐脱离传统由网站、电子邮件、社交媒体构成的“静态”数字渠道,开始转向视频平台。目前,视频平台是最强大的数字营销渠道之一。美国某主流视频平台数据显示,该平台每月登录用户数高达20亿以上,并且无论是个人用户还是企业用户,都更倾向通过视频做出采购决策。
虽然视频平台是目前影响力最大的数字营销渠道之一,但是优良视频内容的创造还是需投入大量的人力物力,特别是食品这类的快消品广告视频的制作与传播,其创作流程还停留在传统电视广告的创作框架内,无法适应食品类快消产品的快节奏。
发明内容
本发明的目的是提供一种基于食品信息的多媒体资料制作方法、设备、介质及产品,可实现多媒体资料的快速高效的制作,适应食品类快消产品的快节奏。
为实现上述目的,本发明提供了如下方案。
一种基于食品信息的多媒体资料制作方法,所述方法包括:获取食品的制作流程和原料数据;根据所述原料数据采用查找原料数据库的方式,获取食品原料的成分组成特征;根据所述制作流程采用查找工艺数据库的方式,获取食品的工艺特征;根据所述成分组成特征和工艺特征,利用训练后的深度神经网络模型,确定食品的口感和功能;根据食品的口感和功能,采用文本转图像模型,生成场景图片;在种子场景数据库中选取与所述场景图片相似度最高的种子场景,作为目标种子场景;对所述目标种子场景进行渲染,获得摄像机拍摄视角内的三维虚拟场景;在所述三维虚拟场景下,进行实景拍摄,获得虚实结合的多媒体资料。
可选的,所述原料数据库内存储有不同原料的组成分子和每种分子的含量;所述工艺数据库内存储有不同制作流程包含的工序及每种工序的工艺参数。
可选的,所述原料数据库和所述工艺数据库均为关系型数据库,所述关系型数据库的存储形式为输入输出系统、结构数据、数据树、Sybyl线符号和mol2中的一种或多种,其中,Sybyl线符号(SLN)是一种化学线符号。它基于SMILES(Simplified molecular inputline entry system,简化分子线性输入规范),它包含了指定相对立体化学的完整语法。SLN具有丰富的查询语法,允许指定Markush(马库西)结构查询,该语法还支持CD的组合库的规范。mol2是Sybyl的分子结构记录格式。
可选的,根据所述原料数据采用查找原料数据库的方式,获取食品原料的成分组成特征,之前还包括:基于食品的生产线数字孪生系统,对所述制作流程和所述原料数据进行验证;当验证不通过时,输出验证不通过的提示信息;当验证通过时,执行根据所述原料数据采用查找原料数据库的方式,获取食品原料的成分组成特征的步骤。
可选的,根据食品的口感和功能,采用文本转图像模型,生成场景图片,具体包括:当食品为非功能性食品时,根据食品的口感设置突出食品的口感和营养成分的第一关键词,将所述第一关键词输入至文本转图像模型,生成场景图片;当食品为功能性食品时,设置缺乏食品的营养成分的第二关键词,及突出食品的口感和营养成分的第三关键词,将第二关键词输入至文本转图像模型,生成负面的场景图片,将第三关键词输入至文本转图像模型,生成正面的场景图片。
可选的,所述文本转图像模型为Stable diffusion 2.1。
一种计算机设备,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序以实现上述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
根据本发明提供的具体实施例,本发明公开了以下技术效果。
本发明实施例提供一种基于食品信息的多媒体资料制作方法、设备、介质及产品,所述方法包括:获取食品的制作流程和原料数据;根据所述原料数据采用查找原料数据库的方式,获取食品原料的成分组成特征;根据所述制作流程采用查找工艺数据库的方式,获取食品的工艺特征;根据所述成分组成特征和工艺特征,利用训练后的深度神经网络模型,确定食品的口感和功能;根据食品的口感和功能,采用文本转图像模型,生成场景图片;在种子场景数据库中选取与所述场景图片相似度最高的种子场景,作为目标种子场景;对所述目标种子场景进行渲染,获得摄像机拍摄视角内的三维虚拟场景;在所述三维虚拟场景下,进行实景拍摄,获得虚实结合的多媒体资料。本发明基于AI智能绘图技术和虚拟制片技术实现多媒体资料的快速高效的制作,可适应食品类快消产品的快节奏。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于食品信息的多媒体资料制作方法的流程图。
图2为本发明实施例提供的验证过程的流程图。
图3为本发明实施例提供的口感和功能推理过程的流程图。
图4为本发明实施例提供的场景图片生成过程的流程图。
图5为本发明实施例提供的计算机设备的内部结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于食品信息的多媒体资料制作方法、设备、介质及产品,可实现多媒体资料的快速高效的制作,适应食品类快消产品的快节奏。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示,本实施例1提供一种基于食品信息的多媒体资料制作方法,所述方法包括如下步骤。
步骤101,获取食品的制作流程和原料数据。
首先,将外部订单数据转化为制作流程,并在外部订单数据中获取原料数据,通过网页或API(Application Program Interface,应用程序接口)接口的方式提交到智能柔性食品生产线数字化平台,该平台内存储有生产线数字孪生系统,该生产线数字孪生系统基于实际生产线建立,可以基于黑盒子模型建立,例如,确定实际生产线上涉及的工艺过程、工艺参数、原料特征参数及产品参数等,对黑盒子模型进行训练获得,在一些情况下,可将整个生产线划分为不同的工艺阶段分别进行训练,然后将训练得到的模型级联获得。如图2所示,该平台根据制作流程与原料数据,基于生产线数字孪生系统,验证原料与工艺合理性,验证通过则进行多媒体资料制作流程(同时也可进入试产流程),验证不通过则返回给用户修改。本发明实施例可以在食品生产前完成多媒体资料的制作,适应食品类快消产品的快节奏。
示例性的,外部数据订单获取通过基于Nodejs开发的网页服务端程序实现,用户可以通过网页端APP(Application,应用程序)输入原料、期望的工艺结构和其他中试相关参数内容,该服务端程序可以部署在共有云虚拟服务器上。服务端获取到中试实验订单后,会结合生产所需的农产品原材料数据并使用基于专家系统的私有云服务器程序推理产线流程。如果产线流程无法实现,则退回订单。如果产线流程可实现,则通过MES(Manufacturing Execution System,制造企业生产过程执行系统)系统API下发排产流程。
步骤102,根据所述原料数据采用查找原料数据库的方式,获取食品原料的成分组成特征。
步骤103,根据所述制作流程采用查找工艺数据库的方式,获取食品的工艺特征。
如图3所示,步骤102和步骤103中,食品试产流程中,可根据食品原料和所采取的制作流程,从原料数据库中获取原料营养成分数据(成分及含量等),如果是功能性食品,则增加获取相关功能的特点数据。然后从工艺数据库中获取相关工艺的特点,以此推理食品最终形态、口感等数据。
其中,原料数据库为预制的关系型数据库,是以食品原料分子结构为核心的数据库。不同食品原料的分子式在数据库以简化分子输入输出系统(SMILES/SMARTS)、结构数据(例如,Standard Delay Format,SDF,标准延时格式文件)、Thor数据树(例如,TopicDetection and Tracking,TDT,话题监测与跟踪)、Sybyl线符号(SLN),mol2等格式存储,并于成分提取方法、环境分布等多种其他数据库内容相关联,同时也会关联风味、气味、分类、营养价值、功能性特点等多种不同信息。相关数据的获取采用SQL语句查询数据库并将查询结果通过服务器的标准API发布为JSON格式。
工艺数据库是基于特定柔性食品生产线制作的关系型数据库,主要以柔性生产线中的核心设备为核心。
步骤104,根据所述成分组成特征和工艺特征,利用训练后的深度神经网络模型,确定食品的口感和功能。
如图3所示,基于python语言开发的产品口感与推理程序,会从基于MySQL的原料数据库和工艺数据库获取对应的原料和工艺特征,并以此为输入,导入到基于Tensorflow的深度神经网络,推理口感和功能。
其中深度神经网络推理所需的计算机是一台Intel i9 处理器和双RTX4090显卡加速服务器。
步骤105,根据食品的口感和功能,采用文本转图像模型,生成场景图片。
完成口感和功能推理后会将结果存储到基于MySQL的中试数据库内,由运行在工业私有云上基于Nodejs开发的服务推断产品定位并生成场景关键字,然后倒入基于本地部署的Stable diffusion 2.1(AICG大模型)生成场景图片。
如图4所示,本发明步骤104首先判断食品是否属于功能性食品分类,如果食品属于功能性食品,虚拟场景生成主要参考食品所具备的功能。不属于功能性食品的产品,需要突出该食品的风味与食品本身的营养成分。软件根据缺乏该食品主要营养成分的特点生成负面场景,之后根据该食品的风味特点生成风味相关的正面场景。
其中,生成负面场景是指按照食品主要提供的营养价值,生成缺少该营养价值会遇到的情况,从而直观展示缺少该营养会导致的后果。之后生成正面场景是指生成获得该营养补充后,一些由于缺少该营养成分的负面效果,被正面效果所取代的情况。向用户直观展示产品的定位与功效。
在本发明实施例中,步骤104中利用训练后的深度神经网络模型获得的食品的功能,当食品为非功能性食品时,该功能为非功能性食品,当食品为功能性食品时,该功能为功能类型。
食品的功能(是否为功能性食品或者功能类型)还可根据生产线数字孪生系统的模拟运行的结果判断。
步骤106,在种子场景数据库中选取与所述场景图片相似度最高的种子场景,作为目标种子场景。
本发明实施例中的步骤106基于虚拟制片技术实现,虚拟制片由场景渲染、显示大屏和高精度定位摄像机三个模块组成。其中场景渲染模块负责根据自动生成的场景图片和高精度定位摄像机的参数生成对应的画面,显示大屏负责显示渲染的内容。最后将高精度定位摄像机拍摄的视频文件,步骤105中生成的场景图片等多媒体数据,以步骤104中推理的口感与功能为纲要,整理成产品信息多媒体资料。
将生成的场景图片作为和unreal engine 5.3预设值场景渲染图作为输入,通过相似度神经网络(Siamese)推理两者相似度,选取相似度最高的场景作为种子场景,然后通过unreal engine PCG功能,基于现有风格随机改变预设场景的配置。
步骤107,对所述目标种子场景进行渲染,获得摄像机拍摄视角内的三维虚拟场景。
步骤108,在所述三维虚拟场景下,进行实景拍摄,获得虚实结合的多媒体资料。
生成的三维虚拟场景通过unreal engine htc vive mars套件获取高精度定位摄像机和LED大屏空间位置信息,在大屏上渲染出该摄像机拍摄视角内的三维场景画面,最后正常拍摄实际演员、道具(包括产品)和虚拟场景的视频,完成宣传视频的制作。
摄像机高精度定位则通过htc vive mars套件实现。
本发明针对现状,通过优化宣传视频的制作流程、自动化生成视频创作内容的技术手段,极大降低了农产品品牌化的难度和成本。
实施例2
一种计算机设备,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序以实现实施例1中的方法的步骤。
该计算机设备的内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储待处理事务。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现实施例1中的方法。
实施例3
一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现实施例1中的方法的步骤。
实施例4
一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现实施例1中的方法的步骤。
需要说明的是,本发明所涉及的对象信息(包括但不限于对象设备信息、对象个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经对象授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random AccessMemory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本发明所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本发明所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种基于食品信息的多媒体资料制作方法,其特征在于,所述方法包括:
获取食品的制作流程和原料数据;
根据所述原料数据采用查找原料数据库的方式,获取食品原料的成分组成特征;
根据所述制作流程采用查找工艺数据库的方式,获取食品的工艺特征;
根据所述成分组成特征和工艺特征,利用训练后的深度神经网络模型,确定食品的口感和功能;
根据食品的口感和功能,采用文本转图像模型,生成场景图片;
在种子场景数据库中选取与所述场景图片相似度最高的种子场景,作为目标种子场景;
对所述目标种子场景进行渲染,获得摄像机拍摄视角内的三维虚拟场景;
在所述三维虚拟场景下,进行实景拍摄,获得虚实结合的多媒体资料。
2.根据权利要求1所述的基于食品信息的多媒体资料制作方法,其特征在于,所述原料数据库内存储有不同原料的组成分子和每种分子的含量;
所述工艺数据库内存储有不同制作流程包含的工序及每种工序的工艺参数。
3.根据权利要求1或2所述的基于食品信息的多媒体资料制作方法,其特征在于,所述原料数据库和所述工艺数据库均为关系型数据库,所述关系型数据库的存储形式为输入输出系统、结构数据、数据树、Sybyl线符号和mol2中的一种或多种。
4.根据权利要求1所述的基于食品信息的多媒体资料制作方法,其特征在于,根据所述原料数据采用查找原料数据库的方式,获取食品原料的成分组成特征,之前还包括:
基于食品的生产线数字孪生系统,对所述制作流程和所述原料数据进行验证;
当验证不通过时,输出验证不通过的提示信息;
当验证通过时,执行根据所述原料数据采用查找原料数据库的方式,获取食品原料的成分组成特征的步骤。
5.根据权利要求1所述的基于食品信息的多媒体资料制作方法,其特征在于,根据食品的口感和功能,采用文本转图像模型,生成场景图片,具体包括:
当食品为非功能性食品时,根据食品的口感设置突出食品的口感和营养成分的第一关键词,将所述第一关键词输入至文本转图像模型,生成场景图片;
当食品为功能性食品时,设置缺乏食品的营养成分的第二关键词,及突出食品的口感和营养成分的第三关键词,将第二关键词输入至文本转图像模型,生成负面的场景图片,将第三关键词输入至文本转图像模型,生成正面的场景图片。
6.根据权利要求1或5所述的基于食品信息的多媒体资料制作方法,其特征在于,所述文本转图像模型为Stable diffusion 2.1。
7.一种计算机设备,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1-6中任一项所述方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-6中任一项所述方法的步骤。
9.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410404258.1A CN117992623B (zh) | 2024-04-07 | 基于食品信息的多媒体资料制作方法、设备、介质及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410404258.1A CN117992623B (zh) | 2024-04-07 | 基于食品信息的多媒体资料制作方法、设备、介质及产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117992623A true CN117992623A (zh) | 2024-05-07 |
CN117992623B CN117992623B (zh) | 2024-06-04 |
Family
ID=
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113747138A (zh) * | 2021-07-30 | 2021-12-03 | 杭州群核信息技术有限公司 | 虚拟场景的视频生成方法和装置、存储介质及电子设备 |
CN114154038A (zh) * | 2021-11-02 | 2022-03-08 | 绘见科技(深圳)有限公司 | 虚拟内容信息批量推送方法、装置、计算机设备及存储介质 |
US20220139027A1 (en) * | 2020-10-30 | 2022-05-05 | Ubtech Robotics Corp Ltd | Scene data obtaining method and model training method, apparatus and computer readable storage medium using the same |
CN117095135A (zh) * | 2023-10-19 | 2023-11-21 | 云南三耳科技有限公司 | 可在线编辑的工业三维场景建模布置方法、装置 |
WO2024043874A1 (en) * | 2022-08-23 | 2024-02-29 | Siemens Corporation | Automated model based guided digital twin synchronization |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220139027A1 (en) * | 2020-10-30 | 2022-05-05 | Ubtech Robotics Corp Ltd | Scene data obtaining method and model training method, apparatus and computer readable storage medium using the same |
CN113747138A (zh) * | 2021-07-30 | 2021-12-03 | 杭州群核信息技术有限公司 | 虚拟场景的视频生成方法和装置、存储介质及电子设备 |
CN114154038A (zh) * | 2021-11-02 | 2022-03-08 | 绘见科技(深圳)有限公司 | 虚拟内容信息批量推送方法、装置、计算机设备及存储介质 |
WO2024043874A1 (en) * | 2022-08-23 | 2024-02-29 | Siemens Corporation | Automated model based guided digital twin synchronization |
CN117095135A (zh) * | 2023-10-19 | 2023-11-21 | 云南三耳科技有限公司 | 可在线编辑的工业三维场景建模布置方法、装置 |
Non-Patent Citations (3)
Title |
---|
包永华;王璐璐;: "基于SketchUp的农产品食品实训基地三维虚拟构建", 食品安全质量检测学报, no. 09, 25 September 2015 (2015-09-25) * |
曹惠龙;: "三维虚拟与实景视频的融合平台研究及设计", 电脑知识与技术, no. 11, 15 April 2009 (2009-04-15) * |
江加和, 宋子善, 沈为群, 赵玉侠: "虚拟现实中基于图像绘制虚拟场景技术综述", 系统工程与电子技术, no. 10, 20 October 2000 (2000-10-20) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11341263B2 (en) | Efficient data query and utilization through a semantic storage model | |
Averkiou et al. | Shapesynth: Parameterizing model collections for coupled shape exploration and synthesis | |
US20180157391A1 (en) | Page Information Personalization Method, Apparatus and System | |
US20150134401A1 (en) | In-memory end-to-end process of predictive analytics | |
US11017175B2 (en) | Method, device and system for analyzing comment data about target | |
KR101949881B1 (ko) | 이미지 및 영상의 등록, 검색, 재생을 모바일 디바이스 및 서버에서 분할하여 수행하는 컨벌루션 인공신경망 기반 인식 시스템 | |
CN109885772A (zh) | 基于知识图谱的教育内容个性化推荐系统 | |
CN111291191B (zh) | 一种广电知识图谱构建方法及装置 | |
Zhang et al. | A comprehensive survey on computational aesthetic evaluation of visual art images: Metrics and challenges | |
Christophe et al. | Neural map style transfer exploration with GANs | |
CN116975615A (zh) | 基于视频多模态信息的任务预测方法和装置 | |
CN116958320A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN117746143A (zh) | 基于aigc的图像描述文本的生成方法及装置、存储介质 | |
US20240037133A1 (en) | Method and apparatus for recommending cold start object, computer device, and storage medium | |
Qi et al. | Generative sketch healing | |
CN117992623B (zh) | 基于食品信息的多媒体资料制作方法、设备、介质及产品 | |
CN109612465A (zh) | 一种创建个人场景多维度特征图谱的方法、装置及其应用 | |
Hu et al. | Query-based video summarization with multi-label classification network | |
US11269898B1 (en) | Machine learning based database query retrieval | |
CN117115404A (zh) | 三维虚拟场景调整的方法、装置、计算机设备和存储介质 | |
Bian et al. | Construction and design of food traceability based on blockchain technology applying in the metaverse | |
CN117992623A (zh) | 基于食品信息的多媒体资料制作方法、设备、介质及产品 | |
US20210110164A1 (en) | Contextualized Video Segment Selection For Video-Filled Text | |
Togo et al. | Text-guided style transfer-based image manipulation using multimodal generative models | |
Argudo et al. | Image‐Based Tree Variations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |