一种食材图像识别的方法及装置、家电设备制造方法及图纸

本申请涉及一种食材图像识别的方法及装置、家电设备，属于家电设备技术领域。所述方法包括：建立用于检测食材类型的卷积神经网络模型，并利用原始食材图像数据集，对卷积神经网络模型进行训练，生成稠密模型；对稠密模型进行稀疏化处理，生成稀疏模型；获取家电设备中的食材图像；根据稀疏模型对食材图像进行识别，确定食材类型。还提供了一种食材图像识别的装置、家电设备。本公开的有益效果：利用经过稀疏化处理的卷积神经网络模型进行家电设备中食材的识别，降低了对数字信号处理器的性能的要求。

【技术实现步骤摘要】
一种食材图像识别的方法及装置、家电设备
本申请涉及家电设备
，例如涉及一种食材图像识别的方法及装置、家电设备。
技术介绍
目前，对于家电设备(比如，烤箱、微波炉和冰箱)，通常利用云端的强大算力来识别家电设备中食材的类型，在网络环境不理想的情况下，就会存在网络延迟，在没有网络的情况下，家电设备食材图像识别的功能就不可用。随着人工智能技术的发展，尤其是深度学习方法的出现，在图像识别方面有了实际的应用，比如利用卷积神经网络模型实现图像识别。此种图像识别的方式无需利用网络，但是，由于利用卷积神经网络模型进行图像识别的计算复杂度较大，对数字信号处理器的性能的要求较高。
技术实现思路
本公开实施例提供了一种食材图像识别的方法及装置、家电设备，旨在解决利用现有卷积神经网络模型进行图像识别对数字信号处理器的要求较高的技术问题。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的本文档来自技高网...

【技术保护点】
1.一种食材图像识别的方法，其特征在于，包括：/n建立用于检测食材类型的卷积神经网络模型，并利用原始食材图像数据集，对所述卷积神经网络模型进行训练，生成稠密模型；/n对所述稠密模型进行稀疏化处理，生成稀疏模型；/n获取家电设备中的食材图像；和/n根据所述稀疏模型对所述食材图像进行识别，确定食材类型。/n

【技术特征摘要】
1.一种食材图像识别的方法，其特征在于，包括：
建立用于检测食材类型的卷积神经网络模型，并利用原始食材图像数据集，对所述卷积神经网络模型进行训练，生成稠密模型；
对所述稠密模型进行稀疏化处理，生成稀疏模型；
获取家电设备中的食材图像；和
根据所述稀疏模型对所述食材图像进行识别，确定食材类型。


2.根据权利要求1所述的方法，其特征在于，所述对所述稠密模型进行稀疏化处理，生成稀疏模型，包括：
按照所述稠密模型的神经元和连接的敏感度由低到高的顺序，对所述稠密模型的神经元中的参数量进行排序；
根据预设的稀疏化比值，确定排序后的所述神经元中的待删除参数量；
删除所有所述待删除参数量的连接，生成所述稀疏模型。


3.根据权利要求1所述的方法，其特征在于，还包括：
利用所述原始食材图像数据集，修正所述稀疏模型的权重。


4.根据权利要求1所述的方法，其特征在于，还包括：
利用所述原始食材图像数据集，对所述稀疏模型的权重进行量化。


5.根据权利要求4所述的方法，其特征在于，所述利用所述原始食材图像数据集，对所述稀疏模型的权重进行量化，包括：
利用所述原始食材图像数据集做概率分布和校准，获得所述稀疏模型的权重值的动态范围；
对所述动态范围以预设定点数进行非线性量化，获得共享权重值；
将所有所述权重值替换为所述共享权重值。


6.根据权利要求1所述的方法，其特征在于，所述原始食材图像数据集包括训练集和测试集，所述训练集中的原始食材图像的缩放尺寸大于所述测试集中的原始食材图像的缩放尺寸。


7.根据权利要求1所述的方法，其特征在于，所述原始食材图像数据集中的原始食材图像是通过对初始食材图像进行泛化处理获得的。


8.根据权利要求7所述的方法，其特征在于，所述泛化处理包括翻转、旋转、缩放、裁剪、平移、添加噪声中的一种或一种以上。


9.根据权利要求1所述的方法，其特征在于，还包括：
获取与所述食材类型相对应的所述家电设备的运行参数；
根据所述运行参数控制所述家电设备运行；
其中，所述运行参数与所述家电设备的设备功能相对应。


10.一种食材图像识别的装置，其特征在于，包括：
模型训练单元，被配置为建立用于检测食材类型的卷积神经...

【专利技术属性】
技术研发人员：高洪波，刘兵，刘彦甲，俞国新，
申请(专利权)人：青岛海尔智能技术研发有限公司，青岛海尔股份有限公司，
类型：发明
国别省市：山东;37