食材识别系统和方法、食材模型训练方法、冰箱和服务器技术方案

本发明专利技术公开了一种食材识别系统，该食材识别系统包括：冰箱和服务器，其中，冰箱包括图像采集装置，图像采集装置用于采集冰箱内食材的图像；服务器获得冰箱内食材的图像，并根据食材模型对该图像进行识别以获得食材信息，食材模型为通过深度学习算法训练而获得的神经网络。该食材识别系统，具有较高的识别能力和模型泛化能力。本发明专利技术还公开了食材识别方法、食材模型训练方法和冰箱、服务器。

【技术实现步骤摘要】
食材识别系统和方法、食材模型训练方法、冰箱和服务器
本专利技术属于电器制造
，尤其涉及一种食材识别系统，以及食材识别方法、食材模型训练方法以及冰箱和服务器。
技术介绍
随着集成电路、人工智能、互联网技术的发展，传统的白家电业出现了新的定位，例如，冰箱不仅仅承载了保存食物的功能，也成为家庭网络的一部分，可为家庭成员提供更多的智能化服务。其中，食物识别作为前端信息采集的模块，为后续的食物库的建立提供依据。传统的图像识别技术在复杂场景下识别率较低，实时性不高，不能够很好地应用于冰箱内的大量食材识别。在就是传统的识别算法计算复杂度，不易用于嵌入式系统。
技术实现思路
本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的一个目的在于提出一种食材识别系统，该食材识别系统，识别率高，模型泛化能力强。本专利技术还提出一种食材识别方法、食材模型训练方法以及冰箱和服务器。为了解决上述问题，本专利技术一方面提出的食材识别系统，包括：冰箱，所述冰箱包括图像采集装置，所述图像采集装置用于采集冰箱内食材的图像；服务器，所述服务器获得所述冰箱内食材的图像，并根据食材模型对所述图像进行识别以获得食材信息，所述食材模型为通过深度学习算法训练而获得的神经网络。本专利技术实施例的食材识别系统，将本地拍照和远程识别结合，利用服务器的运算能力，将深度学习算法应用于图像识别，识别率提高，可以更好地应用于对冰箱内数量较多的食材的识别。进一步地，所述图像采集装置包括：摄像模块，用于采集所述冰箱内食材的图像；通信模块，用于将所述冰箱内食材的图像发送至所述服务器；和控制模块，用于分别对所述摄像模块和所述通信模块进行控制。所述图像采集装置还包括：照明模块，用于对冰箱内食材所处环境进行照明，更加方便摄像模块采集食材图像。具体地，所述控制模块，在接收到所述冰箱的控制器发出的关门信号之后，控制所述摄像模块采集所述冰箱内食材的图像，并控制所述通信模块将所述图像发送至所述服务器。进一步地，所述食材模型通过以下方式训练来获得：以预先采集和标定的冰箱内食材的图像作为训练图像，基于所述训练图像根据所述深度学习算法确定模型参数以获得所述食材模型。具体地，所述食材模型包括卷积神经网络、递归神经网络和循环神经网络。本专利技术另一方面提出的食材识别方法，包括以下步骤：获得冰箱内食材的图像；根据食材模型对所述图像进行识别以获得食材信息，其中，所述食材模型为通过深度学习算法训练而获得的神经网络。本专利技术实施例的食材识别方法，通过采用深度学习方法来识别食材信息，识别率提高，可以更好地应对冰箱内比较复杂的食材识别。其中，所述食材模型通过以下方式训练来获得：以预先采集和标定的冰箱内食材的图像作为训练图像，基于所述训练图像根据所述深度学习算法来确定模型参数以获得所述食材模型。具体地，所述食材模型包括卷积神经网络、递归神经网络和循环神经网络中的一种。为了解决上述问题，本专利技术又一方面实施例提出的食材模型训练方法，包括以下步骤：获得预先采集和标定的冰箱内食材的图像作为训练图像；根据深度学习算法对所述训练图像进行处理来确定模型参数以获得食材模型。本专利技术实施例的食材模型训练方法，通过采用深度学习算法，以冰箱内食材图像作为输入数据，获得食材模型可以应用于冰箱内食材的识别，提高识别率。具体地，所述食材模型包括卷积神经网络、递归神经网络和循环神经网络中的一种。其中，所述卷积神经网络包括卷积层、池化层、激励层和全连接层，第一层的输入特征为所述训练图像，每层的输出特征作为下一层的输入特征，根据深度学习算法对所述训练图像进行处理进一步包括：卷积层对于输入特征通过卷积运算进行特征压缩；池化层对输入特征进行池化处理；激励层将输入特征通过激励函数得到输出特征，并对所述输出特征进行归一化处理；全连接层的输入特征和输出特征所有结点之间有权重连接。其中，将输入数据进行池化(降采样)，可以减少参数的冗余度。输入经过激励函数之后的数据进行归一化处理，可以提高反向传播的有效性，提高模型泛化能力。通常地，所述卷积神经网络包括多个的卷积层、池化层和激励层，以及所述卷积神经网络尾部的全连接层，其中，卷积层的不同卷积核获取不同的输出特征。对输入参数通过不同的卷积核进行多次卷积运算，参数更加全局化。另外，该食材模型训练方法还包括：根据实际食材信息对所述食材模型的模型参数进行调整，可以保证模型的泛化能力和学习能力。为了解决上述问题，本专利技术再一方面提出的冰箱，包括：图像采集装置，所述图像采集装置用于采用冰箱内食材的图像，并将所述图像传输至服务器，以使所述服务器根据食材模型对所述图像进行识别以获得食材信息，其中，所述食材模型为通过深度学习算法训练而获得的神经网络。本专利技术实施例的冰箱，通过图像采集装置将采集的食材的图像发送至服务器，为服务器采用深度学习算法对冰箱内食材的识别提供数据基础。进一步地，所述图像采集装置包括：摄像模块，用于采集所述冰箱内食材的图像；通信模块，用于将所述冰箱内食材的图像发送至所述服务器；和控制模块，用于分别对所述摄像模块和所述通信模块进行控制。所述图像采集装置还包括：照明模块，用于对冰箱内食材所处环境进行照明，更加方便采集食材图像。具体地，所述控制模块，在接收到所述冰箱的控制器发出的关门信号之后，控制所述摄像模块采集所述冰箱内食材的图像，并控制所述通信模块将所述图像发送至所述服务器。为了解决上述问题，本专利技术又一方面提出的服务器，所述服务器，获得所述冰箱内食材的图像，并根据食材模型对所述图像进行识别以获得食材信息，其中，所述食材模型为通过深度学习算法训练而获得的神经网络。本专利技术实施例的服务器，基于其强大的运算能力，将深度学习算法应用于图像识别，方法简单，识别率提高，可以更好地应用于对冰箱内数量较多的食材的识别。其中，所述食材模型通过以下方式训练来获得：以预先采集和标定的冰箱内食材的图像作为训练图像，基于所述训练图像根据所述深度学习算法来确定模型参数以获得所述食材模型。具体地，所述食材模型包括卷积神经网络、递归神经网络和循环神经网络中的一种。附图说明图1是根据本专利技术实施例的食材识别系统的框图；图2是根据本专利技术的一个实施例的食材识别系统的框图；图3是根据本专利技术的另一个实施例的冰箱的框图；图4是根据本专利技术实施例的食材识别方法的流程图；图5是根据本专利技术实施例的食材模型训练方法的流程图；图6是根据本专利技术的一个具体实施例的基于卷积神经网络算法的处理流程图；图7是根据本专利技术的另一个具体实施例的对训练图像进行特征提取的流程图；图8是根据本专利技术的又一个具体实施例的食材模型训练过程的流程图；图9是根据本专利技术的一个实施例的冰箱的框图；以及图10是根据本专利技术的另一个实施例的冰箱的框图。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。下面参照附图描述根据本专利技术实施例提出的食材识别系统、食材识别方法、食材模型训练方法和冰箱和服务器。图1是根据本专利技术的一个实施例的食材识别系统的框图，如图1所示，该食材识别系统1000包括冰箱100和服务器200。冰箱100包括本文档来自技高网...

【技术保护点】
一种食材识别系统，其特征在于，包括：冰箱，所述冰箱包括图像采集装置，所述图像采集装置用于采集冰箱内食材的图像；服务器，所述服务器获得所述冰箱内食材的图像，并根据食材模型对所述图像进行识别以获得食材信息，所述食材模型为通过深度学习算法训练而获得的神经网络。

【技术特征摘要】
1.一种食材识别系统，其特征在于，包括：冰箱，所述冰箱包括图像采集装置，所述图像采集装置用于采集冰箱内食材的图像；服务器，所述服务器获得所述冰箱内食材的图像，并根据食材模型对所述图像进行识别以获得食材信息，所述食材模型为通过深度学习算法训练而获得的神经网络。2.如权利要求1所述的食材识别系统，其特征在于，所述图像采集装置包括：摄像模块，用于采集所述冰箱内食材的图像；通信模块，用于将所述冰箱内食材的图像发送至所述服务器；和控制模块，用于分别对所述摄像模块和所述通信模块进行控制。3.如权利要求2所述的食材识别系统，其特征在于，所述图像采集装置还包括：照明模块，用于对冰箱内食材所处环境进行照明。4.如权利要求2所述的食材识别系统，其特征在于，所述控制模块，在接收到所述冰箱的控制器发出的关门信号之后，控制所述摄像模块采集所述冰箱内食材的图像，并控制所述通信模块将所述图像发送至所述服务器。5.如权利要求1所述的食材识别系统，其特征在于，所述食材模型通过以下方式训练来获得：以预先采集和标定的所述冰箱内食材的图像作为训练图像，基于所述训练图像根据所述深度学习算法确定模型参数以获得所述食材模型。6.如权利要求5所述的食材识别系统，其特征在于，所述食材模型包括卷积神经网络、递归神经网络和循环神经网络中的一种。7.一种食材识别方法，其特征在于，包括以下步骤：获得冰箱内食材的图像；根据食材模型对所述图像进行识别以获得食材信息，其中，所述食材模型为通过深度学习算法训练而获得的神经网络。8.如权利要求7所述的食材识别方法，其特征在于，所述食材模型通过以下方式训练来获得：以预先采集和标定的所述冰箱内食材的图像作为训练图像，基于所述训练图像根据所述深度学习算法确定模型参数以获得所述食材模型。9.如权利要求8所述的食材识别方法，其特征在于，所述食材模型包括卷积神经网络、递归神经网络和循环神经网络中的一种。10.一种食材模型训练方法，其特征在于，包括以下步骤：获得预先采集和标定的冰箱内食材的图像作为训练图像；根据深度学习算法对所述训练图像进行处理来确定模型参数以获得食材模型。11.如权利要求10所述的食材模型训练方法，其特征在于，所述食材模型包括卷积神经网络、递归神经网络和循环神经网络中的一种。12.如权利要求11所述的食材模型训练...

【专利技术属性】
技术研发人员：杨世清，石周，唐红强，
申请(专利权)人：合肥美的智能科技有限公司，
类型：发明
国别省市：安徽,34