一种基于深度学习的智能菜品匹配识别方法专利检索-算法电脑编程专利检索查询-专利查询网

一种基于 深度学习的智能菜品匹配识别方法

阅读：464发布：2021-06-04

专利汇可以提供一种基于深度学习的智能菜品匹配识别方法专利检索，专利查询，专利分析的服务。并且本发明公开了一种基于深度学习的智能菜品匹配识别方法，包括菜品识别策略、菜品比对策略以及菜品训练策略，菜品识别策略，获取菜品图像信息作为待识别的图像信息，菜品识别算法根据菜品识别参数从待识别的图像信息中提取得到待识别的菜品特征信息；菜品比对策略，比对算法将待识别的菜品特征信息与数据库中的标准菜品特征信息进行对比得到待识别菜品的菜品信息；菜品训练策略包括基准菜品特征信息获取步骤、同类菜品特征信息获取步骤、同类菜品相似度获取步骤、异类特征信息获取步骤、异类菜品相似度获取步骤、菜品误差信息获取步骤以及菜品识别参数修正步骤，菜品训练策略对菜品识别参数进行修正，从而提高菜品识别策略的识别准确度。，下面是一种基于深度学习的智能菜品匹配识别方法专利的具体信息内容。

权利要求

1.一种基于深度学习的智能菜品匹配识别方法，其特征在于包括菜品识别策略、菜品比对策略以及菜品训练策略，
菜品识别策略，获取菜品图像信息作为待识别的图像信息，菜品识别算法根据菜品识别参数从待识别的图像信息中提取得到待识别的菜品特征信息；
菜品比对策略，比对算法将待识别的菜品特征信息与数据库中的标准菜品特征信息进行对比得到待识别菜品的菜品信息；
菜品训练策略包括基准菜品特征信息获取步骤、同类菜品特征信息获取步骤、同类菜品相似度获取步骤、异类特征信息获取步骤、异类菜品相似度获取步骤、菜品误差信息获取步骤以及菜品识别参数修正步骤，
基准菜品特征信息获取步骤，获取菜品一的图像信息作为第一图像信息，所述菜品识别算法根据菜品识别参数从第一图像信息中提取得到基准菜品特征信息；
同类菜品特征信息获取步骤，获取和菜品一同类的菜品二的图像信息作为第二图像信息，所述菜品识别算法根据菜品识别参数从第二图像信息中提取得到同类菜品特征信息；
同类菜品相似度获取步骤，相似度识别算法根据提取得到的所述基准菜品特征信息和所述同类菜品特征信息，计算得到菜品一与菜品二的第一相似度值；
异类特征信息获取步骤，获取和菜品一异类的菜品三的图像信息作为第三图像信息，所述菜品识别算法根据菜品识别参数从第三图像信息中提取得到异类菜品特征信息；
异类菜品相似度获取步骤，相似度识别算法根据提取得到的所述基准菜品特征信息和所述异类菜品特征信息，计算得到菜品一与菜品三的第二相似度值；
菜品误差信息获取步骤，菜品误差算法根据第一相似度值和第二相似度值生成综合误差信息；
菜品识别参数修正步骤，根据所述综合误差信息修正所述菜品识别参数。
2.根据权利要求1所述的一种基于深度学习的智能菜品匹配识别方法，其特征在于，所述数据库的构建方法为：获取菜品图像信息作为待入库的图像信息，所述菜品识别算法根据所述菜品识别参数从待入库的图像信息中提取得到待入库的菜品特征信息，将待入库的菜品特征信息输入数据库得到标准菜品特征信息。
3.根据权利要求1所述的一种基于深度学习的智能菜品匹配识别方法，其特征在于，所述相似度识别算法具体为计算基准菜品特征信息与同类菜品特征信息或基准菜品特征信息与异类菜品特征信息之间的欧氏距离。
4.根据权利要求1所述的一种基于深度学习的智能菜品匹配识别方法，其特征在于，所述菜品误差算法具体为第一相似度减去第二相似度加上一个大于零的常数a，若计算结果小于0，则菜品误差默认取0。

说明书全文

一种基于深度学习的智能菜品匹配识别方法

技术领域

[0001] 本发明涉及食物智能识别技术领域，尤其是涉及一种基于深度学习的智能菜品匹配识别方法。

背景技术

[0002] 随着深度学习的快速发展，使用深度卷积神经网络提取物品特征值，并且对物品进行分类的方法已经被广泛的应用在实际生活中。但是将该方法具体应用在菜品分类时还存在以下几个缺点：

[0003] (1)传统的基于深度卷积网络的菜品分类方法，需要将所有要分类的菜品全部放入网络模型中进行预训练，然后再使用训练后的模型进行菜品分类。但是在实际操作过程中，因为菜品的种类繁多，当有新的菜品加入后，就需要对网络进行重新训练，操作复杂，不利于实际应用。

[0004] (2)目前的食物识别方法大多数都是针对未经加工过的食物进行展开的，但是对于经过烹饪后的菜品，再进行识别，识别结果就难以达到人们的预期。主要原因是由于，食物原材料经过加工处理后，相较于食材本身，会具有更多的特征。即使是同一道菜品，也有可能会在形状和颜色上有着很大的差异，这就在很大程度上影响了菜品识别的准确率。因此人们就需要一种更好的提取菜品特征的方法。

发明内容

[0005] 本发明的目的在于提供了通过深度学习实现快速提取菜品图片中丰富的关键特征值的一种基于深度学习的智能菜品匹配识别方法。

[0006] 为实现上述目的，本发明采取的技术方案为：一种基于深度学习的智能菜品匹配识别方法，包括菜品识别策略、菜品比对策略以及菜品训练策略，

[0007] 菜品识别策略，获取菜品图像信息作为待识别的图像信息，菜品识别算法根据菜品识别参数从待识别的图像信息中提取得到待识别的菜品特征信息；

[0008] 菜品比对策略，比对算法将待识别的菜品特征信息与数据库中的标准菜品特征信息进行对比得到待识别菜品的菜品信息；

[0009] 菜品训练策略包括基准菜品特征信息获取步骤、同类菜品特征信息获取步骤、同类菜品相似度获取步骤、异类特征信息获取步骤、异类菜品相似度获取步骤、菜品误差信息获取步骤以及菜品误差信息获取步骤，

[0010] 基准菜品特征信息获取步骤，获取菜品一的图像信息作为第一图像信息，所述菜品识别算法根据菜品识别参数从第一图像信息中提取得到基准菜品特征信息；

[0011] 同类菜品特征信息获取步骤，获取和菜品一同类的菜品二的图像信息作为第二图像信息，所述菜品识别算法根据菜品识别参数从第二图像信息中提取得到同类菜品特征信息；

[0012] 同类菜品相似度获取步骤，相似度识别算法根据提取得到的所述基准菜品特征信息和所述同类菜品特征信息，计算得到菜品一与菜品二的第一相似度值；

[0013] 异类特征信息获取步骤，获取和菜品一异类的菜品三的图像信息作为第三图像信息，所述菜品识别算法根据菜品识别参数从第三图像信息中提取得到异类菜品特征信息；

[0014] 异类菜品相似度获取步骤，相似度识别算法根据提取得到的所述基准菜品特征信息和所述异类菜品特征信息，计算得到菜品一与菜品三的第二相似度值；

[0015] 菜品误差信息获取步骤，菜品误差算法根据第一相似度值和第二相似度值生成综合误差信息；

[0016] 菜品识别参数修正步骤，根据所述综合误差信息修正所述菜品识别参数。

[0017] 作为本发明的进一步限定，所述数据库的构建方法为：获取菜品图像信息作为待入库的图像信息，所述菜品识别算法根据所述菜品识别参数从待入库的图像信息中提取得到待入库的菜品特征信息，将待入库的菜品特征信息输入数据库得到标准菜品特征信息。

[0018] 作为本发明的进一步限定，所述相似度识别算法具体为计算基准菜品特征信息与同类菜品特征信息或基准菜品特征信息与异类菜品特征信息之间的欧氏距离。

[0019] 作为本发明的进一步限定，所述菜品误差算法具体为第一相似度减去第二相似度加上一个大于零的常数a，若计算结果小于0，则菜品误差默认取0。

[0020] 与现有技术相比，本发明的有益效果为：本发明包括了用于学习的菜品训练策略，利用庞大丰富的数据令其进行深度学习，提高算法的健壮性和泛化能力，能快速、准确地识别得到菜品图像信息中丰富的菜品特征信息。并且采用比对算法将所述待识别的菜品特征信息与数据库中的标准菜品特征信息进行比对，得到待识别菜品的菜品信息。附图说明

[0021] 图1为本发明的流程图。

具体实施方式

[0022] 下面结合附图和实施例，对本发明进一步详细说明。

[0023] 实施例1：

[0024] 如图1所示，一种基于深度学习的智能菜品匹配识别方法，包括菜品识别策略、菜品比对策略以及菜品训练策略，

[0025] 菜品识别策略，获取菜品图像信息作为待识别的图像信息，菜品识别算法根据菜品识别参数从待识别的图像信息中提取得到待识别的菜品特征信息；

[0026] 菜品比对策略，比对算法将待识别的菜品特征信息与数据库中的标准菜品特征信息进行对比得到待识别菜品的菜品信息。

[0027] 数据库的构建方法为：获取菜品图像信息作为待入库的图像信息，菜品识别算法根据菜品识别参数从待入库的图像信息中提取得到待入库的菜品特征信息，将待入库的菜品特征信息输入数据库得到标准菜品特征信息。

[0028] 以以下内容，对对菜品识别策略以及菜品比对策略进行说明，

[0029] 获取菜品图像信息作为待识别的图像信息(如装有油麦菜的餐盘)，菜品识别算法根据菜品识别参数从待识别的图像信息中提取得到待识别的菜品特征信息(如菜叶和菜杆)；

[0030] 比对算法将待识别的菜品特征信息与数据库中的标准菜品特征信息进行对比得到待识别菜品的菜品信息(菜品为油麦菜)。

[0031] 如图1所示，菜品训练策略包括基准菜品特征信息获取步骤、同类菜品特征信息获取步骤、同类菜品相似度获取步骤、异类特征信息获取步骤、异类菜品相似度获取步骤、菜品误差信息获取步骤以及菜品识别参数修正步骤，

[0032] 基准菜品特征信息获取步骤，获取菜品一的图像信息作为第一图像信息，菜品识别算法根据菜品识别参数从第一图像信息中提取得到基准菜品特征信息；

[0033] 同类菜品特征信息获取步骤，获取和菜品一同类的菜品二的图像信息作为第二图像信息，菜品识别算法根据菜品识别参数从第二图像信息中提取得到同类菜品特征信息；

[0034] 同类菜品相似度获取步骤，相似度识别算法根据提取得到的基准菜品特征信息和同类菜品特征信息，计算得到菜品一与菜品二的第一相似度值；

[0035] 异类特征信息获取步骤，获取和菜品一异类的菜品三的图像信息作为第三图像信息，菜品识别算法根据菜品识别参数从第三图像信息中提取得到异类菜品特征信息；

[0036] 异类菜品相似度获取步骤，相似度识别算法根据提取得到的基准菜品特征信息和异类菜品特征信息，计算得到菜品一与菜品三的第二相似度值；

[0037] 菜品误差信息获取步骤，第一相似度减去第二相似度加上一个大于零的常数a生成综合误差信息；

[0038] 菜品识别参数修正步骤，根据综合误差信息修正菜品识别参数。以以下内容，对菜品训练策略进行说明，

[0039] 获取菜品一的图像信息作为第一图像信息(如装有油麦菜的餐盘)，菜品识别算法根据菜品识别参数从第一图像信息中提取得到基准菜品特征信息(如菜叶和菜杆)；

[0040] 获取和菜品一同类的菜品二的图像信息作为第二图像信息(如装有油麦菜的另一个餐盘)，菜品识别算法根据菜品识别参数从第二图像信息中提取得到同类菜品特征信息(如菜叶和菜杆)；

[0041] 相似度识别算法计算提取得到的基准菜品特征信息和同类菜品特征信息之间的欧氏距离，计算得到菜品一与菜品二的第一相似度值；

[0042] 获取和菜品一异类的菜品三的图像信息作为第三图像信息(如装有红烧肉的餐盘)，菜品识别算法根据菜品识别参数从第三图像信息中提取得到异类菜品特征信息(如肉皮和肥肉)；

[0043] 相似度识别算法计算提取得到的基准菜品特征信息和异类菜品特征信息之间的欧氏距离，计算得到菜品一与菜品三的第二相似度值；

[0044] 菜品误差信息获取步骤，第一相似度减去第二相似度加上一个大于零的常数a，若计算结果小于0，则菜品误差默认取0生成综合误差信息。

[0045] 具体计算公式为：

[0046] Value＝S1+a-S2

[0047] 菜品误差＝max{value，0}

[0048] S1:第一相似度

[0049] S2:第二相似度

[0050] a：大于0的常数；

[0051] 菜品识别参数修正步骤，根据综合误差信息修正菜品识别参数。

[0052] 以上对本发明的一个实施例进行了详细说明，但内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

标题	发布/更新时间	阅读量
一种用于视频压缩的预测方法	2020-05-08	126
以时序和加密为基础的分布链式数据共享授权方法	2020-05-11	909
用于确定数字资产交易所的偿付能力的方法、系统和计算机程序产品	2020-05-08	778
带宽压缩中的后选择预测方法	2020-05-08	722
一种视频会议加密方法	2020-05-08	912
一种通讯模组网络运营商自动切换的方法	2020-05-08	956
用于智能客服的外呼预测方法及装置	2020-05-08	228
直播间弹幕显示方法、存储介质、设备及系统	2020-05-08	690
一种联网设备边缘计算节点改造方法和系统	2020-05-11	600
一种VNF实例化方法、装置、设备及存储介质	2020-05-11	461

一种基于深度学习的智能菜品匹配识别方法

一种基于深度学习的智能菜品匹配识别方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：