基于深度学习的食材新鲜度识别方法、装置、冰箱和介质制造方法及图纸

本发明专利技术提供了一种基于深度学习的食材新鲜度识别方法、装置、冰箱和介质，其中，方法包括：采集食材图像信息；根据食材图像信息和预先训练好的食材新鲜度识别模型，确定食材新鲜度识别结果信息；基于深度学习，按照预设周期以食材新鲜度识别过程中采集的食材图像信息为样本，训练更新食材新鲜度识别模型。通过本发明专利技术的技术方案，识别准确率较高，能够实现实时识别，而且在食材新鲜度识别模型的应用中进行优化提升，提升了食材新鲜度识别的适用范围，能够适用于复杂场景。

【技术实现步骤摘要】
基于深度学习的食材新鲜度识别方法、装置、冰箱和介质
本专利技术涉及智能冰箱
，具体而言，涉及一种基于深度学习的食材新鲜度识别方法、一种基于深度学习的食材新鲜度识别装置、一种冰箱和一种计算机可读存储介质。
技术介绍
随着信息化技术的发展，冰箱不仅仅承载了储存食材的功能，也逐渐朝着智能家居，为用户提供更多智能化服务的方向发展，而食材新鲜度识别是智能化服务的重要信息提供途径。相关技术中，一般通过图像匹配识别来进行食材新鲜度识别，存在以下技术缺陷：(1)识别率较低，难以应对复杂场景下的食材新鲜度识别。(2)计算复杂度较高，难以满足食材新鲜度识别的实时要求。(3)食材新鲜度识别结果没有得到有效的监督，难以对现有的模型进行优化更新。
技术实现思路
本专利技术旨在至少解决现有技术或相关技术中存在的技术问题之一。为此，本专利技术的一个目的在于提供一种基于深度学习的食材新鲜度识别方法。本专利技术的另一个目的在于提供一种基于深度学习的食材新鲜度识别装置。本专利技术的再一个目的在于提供一种冰箱。本专利技术的又一个目的在于提供一种计算机可读存储介质。为了实现上述目的，本专利技术的第一方面的技术方案提供了一种基于深度学习的食材新鲜度识别方法，包括：采集食材图像信息；根据食材图像信息和预先训练好的食材新鲜度识别模型，确定食材新鲜度识别结果信息；基于深度学习，按照预设周期以食材新鲜度识别过程中采集的食材图像信息为样本，训练更新食材新鲜度识别模型。在该技术方案中，通过采集食材图像信息，根据食材图像信息和预先训练好的食材新鲜度识别模型，确定食材新鲜度识别结果信息，实现了食材新鲜度的实时识别，而且识别准确率较高，适用于复杂场景，通过基于深度学习，按照预设周期以食材新鲜度识别过程中采集的食材图像信息为样本，训练更新食材新鲜度识别模型，实现了对食材新鲜度识别模型的训练更新，在食材新鲜度识别模型的应用中进行优化提升，有利于提升食材新鲜度识别的适用范围，进一步提升了食材新鲜度识别的准确率。需要说明的是，深度学习可以是卷积神经网络深度学习，也可以是递归神经网络深度学习，还可以是循环神经网络深度学习。在上述技术方案中，优选地，食材新鲜度识别结果信息包括识别新鲜度和识别结果置信度，基于深度学习，按照预设周期以食材新鲜度识别过程中采集的食材图像信息为样本，训练更新食材新鲜度识别模型，包括：判断识别结果置信度是否小于第一预设阈值；当判定识别结果置信度小于第一预设阈值时，记录识别结果置信度对应的食材图像信息；标记预设周期内记录的食材图像信息的实际新鲜度；判断实际新鲜度和对应的识别新鲜度是否相同；当判定实际新鲜度和识别新鲜度不同时，确定对应的食材图像信息为样本；基于深度学习，根据预设周期内确定的所有样本，训练更新食材新鲜度识别模型。在该技术方案中，通过判断识别结果置信度是否小于第一预设阈值，当判定识别结果置信度小于第一预设阈值时，记录识别结果置信度对应的食材图像信息，有利于实现对识别结果置信度较低的食材图像信息进行标记确认，通过标记预设周期内记录的食材图像信息的实际新鲜度，判断实际新鲜度和对应的识别新鲜度是否相同，有利于筛选出识别错误的食材图像信息，通过当判定实际新鲜度和识别新鲜度不同时，确定对应的食材图像信息为样本，基于深度学习，根据预设周期内确定的所有样本，训练更新食材新鲜度识别模型，实现了食材新鲜度识别模型的监督学习优化，以识别错误的食材图像信息作为样本来训练更新食材新鲜度识别模型，在提升食材新鲜度识别模型的识别准确率的同时，也减少了训练量。需要说明的是，第一预设阈值为80％。在上述任一项技术方案中，优选地，食材新鲜度识别结果信息包括识别失败信息，基于深度学习，按照预设周期以食材新鲜度识别过程中采集的食材图像信息为样本，训练更新食材新鲜度识别模型，包括：记录识别失败信息对应的食材图像信息；确定预设周期内记录的食材图像信息的食材种类，并对应标记实际新鲜度；增加食材种类对应的不同实际新鲜度的其他食材图像信息，并对应标记实际新鲜度；基于深度学习，以预设周期内记录的食材图像信息和增加的其他食材图像信息为样本，训练更新食材新鲜度识别模型。在该技术方案中，通过记录识别失败信息对应的食材图像信息，为食材新鲜度识别模型的训练更新提供了数据依据，通过确定预设周期内记录的食材图像信息的食材种类，并对应标记实际新鲜度，有利于在食材新鲜度识别模型的应用过程中确定出食材新鲜度识别模型中未包含的新的食材种类，有利于增加新的食材种类不同实际新鲜度的其他食材图像信息，进行训练更新食材新鲜度识别模型，通过增加食材种类对应的不同实际新鲜度的其他食材图像信息，并对应标记实际新鲜度，然后基于深度学习，以预设周期内记录的食材图像信息和增加的其他食材图像信息为样本，训练更新食材新鲜度识别模型，有利于提升食材新鲜度识别模型适应新的食材种类的能力，进一步提升了食材新鲜度识别模型的适用范围。在上述任一项技术方案中，优选地，还包括：预先采集构建食材图像信息集；对应标记食材图像信息集中每一食材图像信息的食材种类和实际新鲜度；基于深度学习，以食材图像信息集中每一食材图像信息为输入样本，训练构建食材新鲜度识别模型。在该技术方案中，通过预先采集构建食材图像信息集，之后对应标记食材图像信息集中每一食材图像信息的食材种类和实际新鲜度，为训练构建食材新鲜度识别模型提供了数据依据，通过基于深度学习，以食材图像信息集中每一食材图像信息为输入样本，训练构建食材新鲜度识别模型，实现了食材新鲜度识别模型的预先训练构建，有利于实现根据食材新鲜度识别模型，确定食材新鲜度识别结果信息。需要说明的是，食材新鲜度识别模型的训练构建是预先进行的，之后将训练好的食材新鲜度识别模型进行存储，进行实时的食材新鲜度识别，食材新鲜度识别模型可以存储在服务器，由终端采集食材图像信息后上传至服务器进行食材新鲜度识别，食材新鲜度识别模型还可以存储在终端，由终端采集食材图像信息后直接进行食材新鲜度识别。在上述任一项技术方案中，优选地，基于深度学习，以食材图像信息集中每一食材图像信息为输入样本，训练构建食材新鲜度识别模型，包括：基于深度学习，以食材图像信息集中每一食材图像信息为输入样本，依次经卷积层操作、池化层操作、归一化操作以及全连接层操作，输出结果信息；根据结果信息和输入样本的标记信息，计算损失函数值；根据损失函数值，更新卷积层操作、池化层操作、归一化操作以及全连接层操作的对应参数，以训练构建食材新鲜度识别模型；判断损失函数值的绝对值是否小于第二预设阈值；若判定损失函数值的绝对值大于或等于第二预设阈值，则继续以食材图像信息集中每一食材图像信息为输入样本，训练构建食材新鲜度识别模型；若判定损失函数值小于第二预设阈值，则存储训练好的食材新鲜度识别模型。在该技术方案中，通过基于深度学习，以食材图像信息集中每一食材图像信息为输入样本，依次经卷积层操作、池化层操作、归一化操作以及全连接层操作，输出结果信息，之后根据结果信息和输入样本的标记信息，计算损失函数值，为是否需要继续训练构建食材新鲜度识别模型和食材新鲜度识别模型中参数的更新提供了数据依据，通过根据损失函数值，更新卷积层操作、池化层操作、归一化操作以及全连接层操作的对应参数，以训练构建食材新鲜度识别模型，实现了食材新鲜度本文档来自技高网...

【技术保护点】
1.一种基于深度学习的食材新鲜度识别方法，其特征在于，包括：采集食材图像信息；根据所述食材图像信息和预先训练好的食材新鲜度识别模型，确定食材新鲜度识别结果信息；基于深度学习，按照预设周期以食材新鲜度识别过程中采集的所述食材图像信息为样本，训练更新所述食材新鲜度识别模型。

【技术特征摘要】
1.一种基于深度学习的食材新鲜度识别方法，其特征在于，包括：采集食材图像信息；根据所述食材图像信息和预先训练好的食材新鲜度识别模型，确定食材新鲜度识别结果信息；基于深度学习，按照预设周期以食材新鲜度识别过程中采集的所述食材图像信息为样本，训练更新所述食材新鲜度识别模型。2.根据权利要求1所述的基于深度学习的食材新鲜度识别方法，其特征在于，所述食材新鲜度识别结果信息包括识别新鲜度和识别结果置信度，所述基于深度学习，按照预设周期以食材新鲜度识别过程中采集的所述食材图像信息为样本，训练更新所述食材新鲜度识别模型，包括：判断所述识别结果置信度是否小于第一预设阈值；当判定所述识别结果置信度小于所述第一预设阈值时，记录所述识别结果置信度对应的所述食材图像信息；标记所述预设周期内记录的所述食材图像信息的实际新鲜度；判断所述实际新鲜度和对应的所述识别新鲜度是否相同；当判定所述实际新鲜度和所述识别新鲜度不同时，确定对应的所述食材图像信息为所述样本；基于深度学习，根据所述预设周期内确定的所有所述样本，训练更新所述食材新鲜度识别模型。3.根据权利要求1所述的基于深度学习的食材新鲜度识别方法，其特征在于，所述食材新鲜度识别结果信息包括识别失败信息，所述基于深度学习，按照预设周期以食材新鲜度识别过程中采集的所述食材图像信息为样本，训练更新所述食材新鲜度识别模型，包括：记录所述识别失败信息对应的所述食材图像信息；确定所述预设周期内记录的所述食材图像信息的食材种类，并对应标记实际新鲜度；增加所述食材种类对应的不同所述实际新鲜度的其他食材图像信息，并对应标记所述实际新鲜度；基于深度学习，以所述预设周期内记录的所述食材图像信息和增加的所述其他食材图像信息为所述样本，训练更新所述食材新鲜度识别模型。4.根据权利要求1至3中任一项所述的基于深度学习的食材新鲜度识别方法，其特征在于，还包括：预先采集构建食材图像信息集；对应标记所述食材图像信息集中每一所述食材图像信息的所述食材种类和所述实际新鲜度；基于深度学习，以所述食材图像信息集中每一所述食材图像信息为输入样本，训练构建所述食材新鲜度识别模型。5.根据权利要求4所述的基于深度学习的食材新鲜度识别方法，其特征在于，所述基于深度学习，以所述食材图像信息集中每一所述食材图像信息为输入样本，训练构建所述食材新鲜度识别模型，包括：基于深度学习，以所述食材图像信息集中每一所述食材图像信息为所述输入样本，依次经卷积层操作、池化层操作、归一化操作以及全连接层操作，输出结果信息；根据所述结果信息和所述输入样本的标记信息，计算损失函数值；根据所述损失函数值，更新所述卷积层操作、所述池化层操作、所述归一化操作以及所述全连接层操作的对应参数，以训练构建所述食材新鲜度识别模型；判断所述损失函数值的绝对值是否小于第二预设阈值；若判定所述损失函数值的绝对值大于或等于所述第二预设阈值，则继续以所述食材图像信息集中每一所述食材图像信息为所述输入样本，训练构建所述食材新鲜度识别模型；若判定所述损失函数值小于所述第二预设阈值，则存储训练好的所述食材新鲜度识别模型。6.一种基于深度学习的食材新鲜度识别装置，其特征在于，包括：采集单元，用于采集食材图像信息；确定单元，用于根据所述食材图像信息和预先训练好的食材新鲜度识别模型，确定食材新鲜度识别结果信息；训练更新单元，用于基于深度学习，按照预设周期以食材新鲜度识别过程中采集的所述食材图像信息为样本，训练更新...

【专利技术属性】
技术研发人员：唐红强，戴江，
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