基于复杂网络和深度学习的可交互智能冰箱健康服务终端制造技术

本发明专利技术提供一种基于复杂网络和深度学习的可交互智能冰箱健康服务终端，还提供一种基于复杂网络和深度学习的可交互智能冰箱的健康服务方法，其中，所述方法包括：建立可视化用户界面；采集冰箱内所储存的食材的图像；根据所采集的冰箱内所储存的食材的图像识别冰箱内所储存的食材种类、数量和/或食材在冰箱内的位置，并呈现于可视化用户界面；和根据用户的身体状况信息、饮食记录及时令信息向用户推荐菜品或饮食方案，并呈现于可视化用户界面。

【技术实现步骤摘要】
基于复杂网络和深度学习的可交互智能冰箱健康服务终端
本专利技术大致涉及可交互智能终端及服务方法，尤其涉及一种基于复杂网络和深度学习的可交互智能冰箱健康服务终端及服务方法。
技术介绍
时代的进步、科技的发展，使得人们的生活水平日益提高，智能化逐渐走进了我们的生活，带来了全新的生活方式。智能家居的诞生，适应现代社会的发展需要，丰富人们的物质和生活需求。随着智能手机、智能电视的普及，智能型的家电对消费者来说，已不再陌生。智能家电提高了人们的生活质量、工作效率，体现了科技性和人性化。作为智能家居系统中不可或缺的一部分，智能冰箱与人们的生活息息相关，在传统功能基础上，急需结合当代热点技术向智能化方向转型。“互联网+”的提出，推动传统行业的发展，推动了知识社会以用户创新、开放创新、大众创新、协同创新为特点的创新2.0。每一个传统行业都孕育着“互联网+”的机会，以信息经济为主流经济模式，体现了知识社会创新2.0与新一代信息技术的发展与重塑。制定“互联网+”行动计划，推动移动互联网、云计算、大数据、物联网等与现代制造业结合，促进电子商务、工业互联网和互联网金融健康发展，引导互联网企业拓展国际市场。物本文档来自技高网...

【技术保护点】
1.一种食材准确辨识方法，包括：获取食材的图像，并依据食材名称设定标签，形成带标签的食材图像数据库；在云平台上构建深度卷积神经网络模型；优化处理模型结构和参数；和将采集到的食材信息输入优化后的深度卷积神经网络模型，确定食材种类、数目和/或食材在容纳空间中的位置；优选地，所述带标签的食材图像数据库中的每一张图像均为256*256大小的图像。

【技术特征摘要】
1.一种食材准确辨识方法，包括：获取食材的图像，并依据食材名称设定标签，形成带标签的食材图像数据库；在云平台上构建深度卷积神经网络模型；优化处理模型结构和参数；和将采集到的食材信息输入优化后的深度卷积神经网络模型，确定食材种类、数目和/或食材在容纳空间中的位置；优选地，所述带标签的食材图像数据库中的每一张图像均为256*256大小的图像。2.根据权利要求1所述的食材准确辨识方法，其特征在于：所述在云平台上构建深度卷积神经网络模型步骤中，所述网络模型的结构为：INPUT->[[CONV->AF]*N->POOL？]*M->[FC->AF]*L->FC式中：INPUT表示输入数据，CONV表示卷积层，AF表示激活函数，POOL表示池化层，？表示该层是可选的，FC表示全连接层；其中，N,M,L表示特定结构重复的次数，均为正整数，且满足N≥0，优选N≤3；M≥0；L≥0，优选L<3；激活函数优选采用ReLU函数，其计算公式为fReLU(x)＝max(0,x)；所述卷积层CONV用来提取输入图像的特征，通过卷积层能够得到特征图，卷积过程满足如下公式：式中，表示第l层中第j个特征图，表示第l-1层中第i个特征图，表示第l层中第j个特征图与第l-1层中第i个特征图之间的卷积核，表示第l层中第j个特征图对应的偏置，H表示第l-1层中特征图的集合，f为激活函数；当输入图像尺寸为W，卷积层中神经元的感受野尺寸为F，步长为S，零填充的数量为P时，所述卷积层输出的图像尺寸为所述池化层POOL通过池化来降低卷积层输出特征图的维度，池化过程满足如下公式：Z'nm＝f1(Znp,Zn(p+1))其中，Znp为池化层中第n个输入特征图第p个神经元的输出值，Z'nm为第n个输出特征图第m个神经元的输出值，f1表示池化函数。3.根据权利要求1所述的食材准确辨识方法，其特征在于：所述优化处理模型结构和参数的具体方法为：将获取的食材图像数据库中的食材图像分为两部分，分别作为训练样本和测试样本，经多层卷积、池化操作后完成特征提取，后经输出层完成分类辨识；通过目标函数确定分类误差，通过误差反向传播算法优化更新模型参数，反复训练直至到达指定次数或分类误差足够小，从而确定可用于食材图像准确分类辨识的模型结构以及相应参数；其中训练样本用于对模型结构和参数进行训练，测试样本用于测试训练后的模型的食材辨识效果。4.根据权利要求3所述的食材准确辨识方法，其特征在于：所述多层卷积、池化操作包括：在连续的卷积层之间周期性的插入一个池化层，不改变图像深度的前提下减小中间过程产生的特征图尺寸；优选地，池化层采用最大池化形式，即在一个局部区域内取最大值代表该区域；信息从输入层经过逐级变化传送到输出层，网络执行的计算公式为：OUTPUT＝Fh(…(F2(F1(INPUT·W(1))W(2))…)W(h))式中，INPUT表示输入数据，W(h)表示第h层的权值点阵，Fh表示第h层的激活函数，OUTPUT表示实际输出值；在通过误差反向传播算法优化更新模型参数过程中，当第l层为卷积层、第l+1层为池化层时，将第l+1层的特征图上采样，使得与第l层特征图大小一致，然后进行敏感度计算，公式如下：其中，q表示序数，为第l层上第q个特征图内所有像素对应的敏感度组成的敏感度图，为第l+1层上第q个像素对应的敏感度，“·”为两式对应相乘，up(·)表示上采样函数，为第l+1层上第q个像素对应的权值，f'(·)为当前层激活函数的导数，为第l层上第q个特征图激活之前的数据；在权值更新过程中，该层每个特征图的偏置项的导数都为该特征图的所有像素的敏感度之和，公式如下：式中E为参数集在训练集上的整体误差，bq为该层第q个特征图的偏置项；对于卷积核，其偏导数等于相邻两层对应之积，公式如下：式中表示第l-1层第s个特征图，代表第l层与对应的第q个的卷积核，为第l层上第q个特征图内所有像素对应的敏感度组成的敏感度图，ro...

【专利技术属性】
技术研发人员：高忠科，党伟东，常传泉，
申请(专利权)人：天津大学，天津科源科技有限公司，
类型：发明
国别省市：天津,12