【技术实现步骤摘要】
用于识别果蔬的方法和装置
本申请实施例涉及计算机
，具体涉及互联网
，尤其涉及用于识别果蔬的方法和装置。
技术介绍
果蔬是对水果和蔬菜的简称。随着果蔬品种的不断增多，人们通过肉眼通常只能辨别出少数品种的果蔬。因此，帮助用户进行果蔬识别成为了一种需求。而且，果蔬识别还可以应用到多种不同的应用场景，例如果蔬店的结账流程、果蔬生长状态监控等等。
技术实现思路
本申请实施例提出了用于识别果蔬的方法和装置。第一方面，本申请实施例提供了一种用于识别果蔬的方法，该方法包括：获取待识别图像；将上述待识别图像输入预先训练的果蔬识别模型，得到第一识别结果，其中，上述第一识别结果包括上述待识别图像中存在指定的果蔬类别集合中的果蔬类别下的水果或蔬菜的概率和不存在果蔬的概率，上述果蔬识别模型用于表征图像与第一识别结果之间的对应关系；基于所得的第一识别结果生成第二识别结果，并输出上述第二识别结果。在一些实施例中，上述果蔬识别模型是通过对预设的卷积神经网络进行训练得到的，其中，上述卷积神经网络包括卷积层、池化层、全连接层和损失层，卷积层用于进行分组卷积。在一些实施例中，上述果蔬识别模型...
【技术保护点】
1.一种用于识别果蔬的方法，包括：获取待识别图像；将所述待识别图像输入预先训练的果蔬识别模型，得到第一识别结果，其中，所述第一识别结果包括所述待识别图像中存在指定的果蔬类别集合中的果蔬类别下的水果或蔬菜的概率和不存在果蔬的概率，所述果蔬识别模型用于表征图像与第一识别结果之间的对应关系；基于所得的第一识别结果生成第二识别结果，并输出所述第二识别结果。
【技术特征摘要】
1.一种用于识别果蔬的方法，包括：获取待识别图像；将所述待识别图像输入预先训练的果蔬识别模型，得到第一识别结果，其中，所述第一识别结果包括所述待识别图像中存在指定的果蔬类别集合中的果蔬类别下的水果或蔬菜的概率和不存在果蔬的概率，所述果蔬识别模型用于表征图像与第一识别结果之间的对应关系；基于所得的第一识别结果生成第二识别结果，并输出所述第二识别结果。2.根据权利要求1所述的方法，其中，所述果蔬识别模型是通过对预设的卷积神经网络进行训练得到的，其中，所述卷积神经网络包括卷积层、池化层、全连接层和损失层，所述卷积层用于进行分组卷积。3.根据权利要求2所述的方法，其中，所述果蔬识别模型是通过以下训练步骤训练得到的：获取预置的样本图像集合和与所述样本图像集合中的每个样本图像对应的标签，其中，所述样本图像集合中存在显示有水果或蔬菜的样本图像；利用机器学习方法，基于所述样本图像集合、所述样本图像集合中的每个样本图像所对应的标签、预设的分类损失函数和反向传播算法对所述卷积神经网络进行训练，得到果蔬识别模型。4.根据权利要求1所述的方法，其中，所述基于所得的第一识别结果生成第二识别结果，包括：确定所述待识别图像中不存在果蔬的概率是否为所得的第一识别结果中的最大概率；若不是最大概率，则按照数值大小，从所述待识别图像中存在所述果蔬类别集合中的果蔬类别下的水果或蔬菜的概率中选取概率，并将选取出的概率和该概率所对应的果蔬类别的名称生成第二识别结果。5.根据权利要求4所述的方法，其中，所述按照数值大小，从所述待识别图像中存在所述果蔬类别集合中的果蔬类别下的水果或蔬菜的概率中选取概率，包括：按照数值由大到小的顺序，对所述待识别图像中存在所述果蔬类别集合中的果蔬类别下的水果或蔬菜的概率进行排序，得到概率序列；从所述概率序列的首部开始选取预置数目个概率。6.根据权利要求4所述的方法，其中，所述按照数值大小，从所述待识别图像中存在所述果蔬类别集合中的果蔬类别下的水果或蔬菜的概率中选取概率，还包括：从所述待识别图像中存在所述果蔬类别集合中的果蔬类别下的水果或蔬菜的概率中选取不小于概率阈值的概率。7.根据权利要求4所述的方法，其中，所述基于所得的第一识别结果生成第二识别结果，还包括：若是最大概率，则生成用于指示所述待识别图像中不存在果蔬的文本信息，将所述文本信息和所述待识别图像中不存在果蔬的概率生成第二识别结果。8.根据权利要求1所述的方法，其中，所述方法还包括：将所述待识别图像作为新的样本图像进行存储。9.一种用于识别果蔬的装置，包括：获取单元，配置用于获取待识别图像；识别单元，配置用于将所述待识别图像输入预先训练的果蔬识别模型，...
【专利技术属性】
技术研发人员：孙明，周峰，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。