膳食图像识别方法、装置以及存储介质制造方法及图纸

本申请公开了一种膳食图像识别方法、装置以及存储介质。其中，该方法包括：获取待识别的膳食图像；利用预设的基于膳食属性训练的图像识别模型对膳食图像进行计算，确定膳食图像对应于多个膳食属性的概率值，其中多个膳食属性分为多个膳食属性集合，并且多个膳食属性集合分别用于描述膳食的不同特征；以及根据多个膳食属性确定多个与膳食图像相关的属性组合，其中属性组合由每个膳食属性集合中的一个膳食属性组成；以及根据概率值和属性组合，确定膳食图像中的膳食所属的类别。

【技术实现步骤摘要】
膳食图像识别方法、装置以及存储介质
本申请涉及图像识别
，特别是涉及一种膳食图像识别方法、装置以及存储介质。
技术介绍
在图像处理技术快速发展的背景下，如何从膳食图像中识别出膳食名称是管理营养健康重要的一个环节，尤其当各类膳食之间存在形态相近但营养素不同时，需要准确识别出其膳食名字，例如：榴莲和菠萝蜜形态相近，在识别过程中需要准确识别每种膳食的名字。当前在图像识别领域中对多类别任务进行分类时，使用深度卷积网络直接对各类别图像进行特征提取，然后使用分类器直接分类。然而，然而在上述分类过程中，并没有对类别之间的差异进行分析处理，当膳食类别之间差异大的情况下识别效果良好，但对于膳食类别之间差异小的情况下识别精准度很低。针对上述的现有技术中存在的多类别分类方法对于类别差异较小的膳食图像识别精度低的技术问题，目前尚未提出有效的解决方案。
技术实现思路
本公开的实施例提供了一种膳食图像识别方法、装置以及存储介质，以至少解决现有技术中存在的多类别分类方法对于类别差异较小的膳食图像识别精度低的技术问题。根据本公开实施例的一个方面，提供了一种膳食图像识别方法，包括：获取待识别的膳食图像；利用预设的基于膳食属性训练的图像识别模型对膳食图像进行计算，确定膳食图像对应于多个膳食属性的概率值，其中多个膳食属性分为多个膳食属性集合，并且多个膳食属性集合分别用于描述膳食的不同特征；以及根据多个膳食属性确定多个与膳食图像相关的属性组合，其中属性组合由每个膳食属性集合中的一个膳食属性组成；以及根据概率值和属性组合，确定膳食图像中的膳食所属的类别。根据本公开实施例的另一个方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时由处理器执行以上任意一项所述的方法。根据本公开实施例的另一个方面，还提供了一种膳食图像识别装置，包括：图像获取模块，用于获取待识别的膳食图像；计算模块，用于利用预设的基于膳食属性训练的图像识别模型对膳食图像进行计算，确定膳食图像对应于多个膳食属性的概率值，其中多个膳食属性分为多个膳食属性集合，并且多个膳食属性集合分别用于描述膳食的不同特征；以及组合确定模块，用于根据多个膳食属性确定多个与膳食图像相关的属性组合，其中属性组合由每个膳食属性集合中的一个膳食属性组成；以及类别确定模块，用于根据概率值和属性组合，确定膳食图像中的膳食所属的类别。根据本公开实施例的另一个方面，还提供了一种膳食图像识别装置，包括：处理器；以及存储器，与处理器连接，用于为处理器提供处理以下处理步骤的指令：获取待识别的膳食图像；利用预设的基于膳食属性训练的图像识别模型对膳食图像进行计算，确定膳食图像对应于多个膳食属性的概率值，其中多个膳食属性分为多个膳食属性集合，并且多个膳食属性集合分别用于描述膳食的不同特征；以及根据多个膳食属性确定多个与膳食图像相关的属性组合，其中属性组合由每个膳食属性集合中的一个膳食属性组成；以及根据概率值和属性组合，确定膳食图像中的膳食所属的类别。在本公开实施例中，在对膳食进行识别分类过程中，可以利用模型计算与膳食相关的多个膳食属性的概率值，最终结合多个膳食属性的概率值确定膳食所属的类别。因此与现有技术相比，本方案可以根据更细粒度的膳食属性对膳食进行分类，因此出现差别较小的膳食，可以结合多个膳食属性共同判断膳食的类别，因此达到了对差异较小的膳食做到精准分类的技术效果。进而解决了现有技术中存在的多类别分类方法对于类别差异较小的膳食图像识别精度低的技术问题。附图说明此处所说明的附图用来提供对本公开的进一步理解，构成本申请的一部分，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。在附图中：图1是用于实现根据本公开实施例1所述的方法的计算设备的硬件结构框图；图2是根据本公开实施例1所述的膳食图像识别方法的流程示意图；图3是根据本公开实施例1模型计算过程的示意图；图4是根据本公开实施例2所述的膳食图像识别装置的示意图；以及图5是根据本公开实施例3所述的膳食图像识别装置的示意图。具体实施方式为了使本
的人员更好地理解本公开的技术方案，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本公开一部分的实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本公开保护的范围。需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。实施例1根据本实施例，提供了一种膳食图像识别方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。本实施例所提供的方法实施例可以在服务器或者类似的计算设备中执行。图1示出了一种用于实现膳食图像识别方法的计算设备的硬件结构框图。如图1所示，计算设备可以包括一个或多个处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器、以及用于通信功能的传输装置。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算设备还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算设备中的其他元件中的任意一个内。如本公开实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。存储器可用于存储应用软件的软件程序以及模块，如本公开实施例中的膳食图像识别方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的膳食图像识别方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非本文档来自技高网...

【技术保护点】
1.一种膳食图像识别方法，其特征在于，包括：/n获取待识别的膳食图像；/n利用预设的基于膳食属性训练的图像识别模型对所述膳食图像进行计算，确定所述膳食图像对应于多个膳食属性的概率值，其中所述多个膳食属性分为多个膳食属性集合，并且所述多个膳食属性集合分别用于描述膳食的不同特征；以及/n根据所述多个膳食属性确定多个与所述膳食图像相关的属性组合，其中所述属性组合由每个膳食属性集合中的一个膳食属性组成；以及/n根据所述概率值和所述属性组合，确定所述膳食图像中的膳食所属的类别。/n

【技术特征摘要】
1.一种膳食图像识别方法，其特征在于，包括：
获取待识别的膳食图像；
利用预设的基于膳食属性训练的图像识别模型对所述膳食图像进行计算，确定所述膳食图像对应于多个膳食属性的概率值，其中所述多个膳食属性分为多个膳食属性集合，并且所述多个膳食属性集合分别用于描述膳食的不同特征；以及
根据所述多个膳食属性确定多个与所述膳食图像相关的属性组合，其中所述属性组合由每个膳食属性集合中的一个膳食属性组成；以及
根据所述概率值和所述属性组合，确定所述膳食图像中的膳食所属的类别。


2.根据权利要求1所述的方法，其特征在于，利用预设的基于膳食属性训练的图像识别模型对所述膳食图像进行计算，确定所述膳食图像对应于多个膳食属性的概率值，包括：
提取所述膳食图像的原始图像特征；
对所述原始图像特征进行卷积得到第一图像特征，根据所述第一图像特征和预设的分类器，确定所述多个膳食属性集合中的第一膳食属性集合的膳食属性对应的概率值；
根据所述原始图像特征和所述第一图像特征，生成第二图像特征，并根据所述第二图像特征和所述分类器，确定所述多个膳食属性集合中的第二膳食属性集合的膳食属性对应的概率值；以及
根据所述第一膳食属性集合的膳食属性对应的概率值和所述第二膳食属性集合的膳食属性对应的概率值，确定所述膳食图像对应于多个膳食属性的概率值。


3.根据权利要求2所述的方法，其特征在于，根据所述第一图像特征和预设的分类器，确定所述多个膳食属性集合中的第一膳食属性集合的膳食属性对应的概率值的操作，包括：
对所述第一图像特征进行卷积操作得到第三图像特征，利用所述分类器对所述第三图像特征进行计算，确定所述多个膳食属性集合中的第一膳食属性集合的膳食属性对应的概率值。


4.根据权利要求2所述的方法，其特征在于，根据所述原始图像特征和所述第一图像特征，生成第二图像特征的操作，包括：
将所述原始图像特征和所述第一图像特征进行特征融合；以及
对融合后的所述原始图像特征和所述第一图像特征进行卷积操作得到所述第二图像特征。


5.根据权利要求2所述的方法，其特征在于，根据所述第二图像特征...

【专利技术属性】
技术研发人员：李利明，何伟，石磊，贺志晶，刘涛，
申请(专利权)人：李利明，
类型：发明
国别省市：北京;11