The invention discloses a multi-model recognition method for finished vegetable based on convolution neural network, which includes: collecting the images of finished vegetable, labeling according to the variety of vegetable; processing the images with white balance and equalization to obtain training data sets; constructing at least two different convolution neural network models, and iterating training with training data sets to get the training results. The final convolution neural network model; input the image to be tested into the convolution neural network model after training to identify, each convolution neural network model outputs the probability values corresponding to each category of vegetable varieties; use voting algorithm to calculate the average value of the probability values corresponding to the same category of different convolution neural network models output, and select the highest value corresponding to the average value. Categories are used as recognition results. This recognition method avoids the shortcomings of manual feature selection and traditional feature measurement methods, and eliminates redundant information in features, which is conducive to improving the accuracy of recognition.
【技术实现步骤摘要】
一种基于卷积神经网络的多模型对成品菜的识别方法
本专利技术属于数据识别
,特别涉及一种基于卷积神经网络的多模型对成品菜的识别方法。
技术介绍
基于卷积神经网络技术的人脸识别、行人识别、车牌识别等产品,可应用与安检系统、门禁系统、安防系统、自动停车场等,但由于其应用场合的特殊性,在普通日常生活中推广应用难道较高。S.Ysngetal.提出的一种识别快餐食物的系统,Yoshiyukietal.针对日餐提出的具有现有类别适应性的系统。但这些系统对品种繁复多样的中餐来说并不适用,且对图像中目标位置、图像亮度等有特殊要求,操作相对复杂。公开号为CN106845527A的中国专利文献公开了一种菜品识别方法,包括以下步骤:1)获得web请求,服务器相应web请求,获取相应图像;2)保存图像,获取输入数据流,生成图像文件名并保存至磁盘;3)图像预处理,对输入的图像进行尺寸调整和归一化;4)使用预先训练的卷积神经网络进行处理,对图像上的物体进行检测及分类,如果没有检测到菜品则结束,如果检测到菜品,则结合分类结果,输出相应菜品信息。公开号为CN106096932A的中国专利文献公开了基于餐具形状的菜品自动识别系统的计价方法,通过容器作为媒介进行菜品识别。通过筛选拍摄的餐盘图像中菜品区域的形状和面积特征,分割餐盘中各个菜品;然后通过训练卷积神经网络得到分类器,直接识别菜品图像来实现菜品识别。上述方法中使用传统的常规图像识别方法和卷积神经网络方法,如SURF、HOG、颜色特征等,而中餐成品菜颜色多样,形态复杂,常规方法有一定的局限性,某些过程仍然需要人工选择与矫正;浅层神经 ...
【技术保护点】
1.一种基于卷积神经网络的多模型对成品菜的识别方法,包括以下步骤:(1)收集成品菜的图像,根据菜品种类进行标签标注;(2)对图像进行白平衡和均衡化处理,得到训练数据集;(3)构建至少两个不同的卷积神经网络模型,用步骤(2)得到的训练数据集分别进行迭代训练,得到训练完成后的卷积神经网络模型;所述的卷积神经网络模型包括:特征提取模块,提取待测图像的特征,输出特征图至PCA处理模块和融合分类模块;PCA处理模块,对输入的特征图进行特征信息提取,输出特征信息至融合分类模块;融合分类模块,包括全连接层和分类器,全连接层对输入的特征图和特征信息进行全连接计算,分类器对全连接层的输出进行每个类别对应的概率值的预测计算;(4)将待测图像分别输入训练完成后的卷积神经网络模型进行识别,每个卷积神经网络模型输出菜品种类中每个类别对应的概率值;(5)用投票算法计算不同卷积神经网络模型输出的同一类别对应的概率值的平均值,选取平均值中的最高值所对应的类别作为识别结果。
【技术特征摘要】
1.一种基于卷积神经网络的多模型对成品菜的识别方法,包括以下步骤:(1)收集成品菜的图像,根据菜品种类进行标签标注;(2)对图像进行白平衡和均衡化处理,得到训练数据集;(3)构建至少两个不同的卷积神经网络模型,用步骤(2)得到的训练数据集分别进行迭代训练,得到训练完成后的卷积神经网络模型;所述的卷积神经网络模型包括:特征提取模块,提取待测图像的特征,输出特征图至PCA处理模块和融合分类模块;PCA处理模块,对输入的特征图进行特征信息提取,输出特征信息至融合分类模块;融合分类模块,包括全连接层和分类器,全连接层对输入的特征图和特征信息进行全连接计算,分类器对全连接层的输出进行每个类别对应的概率值的预测计算;(4)将待测图像分别输入训练完成后的卷积神经网络模型进行识别,每个卷积神经网络模型输出菜品种类中每个类别对应的概率值;(5)用投票算法计算不同卷积神经网络模型输出的同一类别对应的概率值的平均值,选取平均值中的最高值所对应的类别作为识别结果。2.根据权利要求1所述的基于卷积神经网络的多模型对成品菜的识别方法,其特征在于,在步骤(2)中,所述的白平衡处理包括以下步骤:(2-1)计算输入图像的三个颜色通道的亮度平均值;(2-2)计算步骤(2-1)得到的三个亮度平均值的平均值K;(2-3)使用平均值K分别除以三个颜色通道的亮度平均值,得到三个颜色通道的增益系数;(2-4)三个颜色通道的亮度值乘以对应的增益系数得到更新的亮度值,得到白平衡处理后的图像。3.根据权利要求1或2所述的基于卷积神经网...
【专利技术属性】
技术研发人员:吴健,张久成,王文哲,陆逸飞,吴福理,
申请(专利权)人:浙江大学山东工业技术研究院,
类型:发明
国别省市:山东,37
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。