本公开的实施例公开了食物信息识别方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：获取目标食物图像；将该目标食物图像输入至第一食物识别模型以生成第一目标食物信息；基于该第一目标食物信息，生成修改信息；基于该修改信息，生成第二食物识别模型；将该目标食物图像输入至该第二食物识别模型以生成第二目标食物信息；将该第二目标食物信息发送至目标终端的显示设备上进行显示。该实施方式增加了食物信息生成的准确性，减少了用户排队等待的时间以及提高了食物的结算效率。结算效率。结算效率。
【技术实现步骤摘要】
食物信息识别方法、装置、电子设备和计算机可读介质
[0001]本公开的实施例涉及计算机
，具体涉及食物信息识别方法、装置、电子设备和计算机可读介质。
技术介绍
[0002]在智慧食堂领域，对食物信息识别技术的研究已经成为该领域研究的核心问题。目前，常用的食物信息识别技术往往采用固定不变的训练样本集对初始食物识别模型进行训练以生成食物识别模型，以此对食物信息进行识别。
[0003]然而，当采用上述方法进行食物信息识别时，经常会存在以下技术问题：
[0004]第一，由于食堂的菜品会经常发生变化，采用固定不变的训练样本集对初始食物识别模型进行训练以生成食物识别模型的方式，对于新的食物的识别准确度不高，从而，提高了用户排队等待的时间，进而，降低了食物的结算效率；
[0005]第二，由于传统的食物识别模型在进行食物识别时，往往未考虑食物信息中多个标签的关联程度，进而，使得生成的食物识别模型对于食物信息的识别准确度较低，从而，使得食物的流转效率低下。
技术实现思路
[0006]本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
[0007]本公开的一些实施例提出了食物信息识别方法、装置、电子设备和计算机可读介质，来解决以上
技术介绍
部分提到的技术问题中的一项或多项。
[0008]第一方面，本公开的一些实施例提供了一种食物信息识别方法，该方法包括：获取目标食物图像。将上述目标食物图像输入至第一食物识别模型以生成第一目标食物信息。基于上述第一目标食物信息，生成修改信息。基于上述修改信息，生成第二食物识别模型。将上述目标食物图像输入至上述第二食物识别模型以生成第二目标食物信息。将上述第二目标食物信息发送至目标终端的显示设备上进行显示。
[0009]第二方面，本公开的一些实施例提供了一种食物信息识别装置，装置包括：获取单元，被配置成获取目标食物图像。第一生成单元，被配置成将上述目标食物图像输入至第一食物识别模型以生成第一目标食物信息。第二生成单元，被配置成基于上述第一目标食物信息，生成修改信息。第三生成单元，被配置成基于上述修改信息，生成第二食物识别模型。第四生成单元，被配置成将上述目标食物图像输入至上述第二食物识别模型以生成第二目标食物信息。显示单元，被配置成将上述第二目标食物信息发送至目标终端的显示设备上进行显示。
[0010]第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得
一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
[0011]第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
[0012]本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的食物信息识别方法得到的食物信息，使得生成的食物信息的准确度有所提高，从而减少了用户排队等待的时间，进而，提高了食物的结算效率。具体来说，专利技术人发现，造成相关的食物识别方法的结果不够精确的原因在于：由于菜品是动态变化的，而采用固定不变的训练样本集对初始食物识别模型进行训练以生成的食物识别模型，对于新菜品的识别准确度不高。基于此，本公开的一些实施例的食物信息识别方法将训练样本设置为动态变化的。在菜品识别过程中，若出现菜品信息与菜品图像不匹配的情况，则将菜品图像与对应的正确的菜品信息加入训练样本数据集，对模型进行重新训练。通过此种方式，使得生成的食物识别模型能够适应菜品的变化。通过不断的学习，从而，提高了食物识别模型的表征能力。进而，提高了食物识别的准确度、减少了用户排队等待的时间以及提高了食物的结算效率。
附图说明
[0013]结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
[0014]图1是本公开的一些实施例的食物信息识别方法的一个应用场景的示意图；
[0015]图2是根据本公开的食物信息识别方法的一些实施例的流程图；
[0016]图3是根据本公开的用食物信息识别装置的一些实施例的流程图；
[0017]图4是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
[0018]下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
[0019]另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
[0020]需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
[0021]需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0022]本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
[0023]下面将参考附图并结合实施例来详细说明本公开。
[0024]图1是根据本公开一些实施例的食物信息识别方法的一个应用场景的示意图。
[0025]在图1的应用场景图中，首先，计算设备101可以获取目标食物图像102。然后，计算
设备101可以将上述目标食物图像102输入至第一食物识别模型103以生成第一目标食物信息104。其次，计算设备101可以基于上述第一目标食物信息104，生成修改信息105。进而，计算设备101可以基于上述修改信息105，生成第二食物识别模型106。除此之外，计算设备101可以将上述目标食物图像102输入至上述第二食物识别模型106以生成第二目标食物信息107。最后，计算设备101可以将上述第二目标食物信息107发送至目标终端的显示设备上108进行显示。
[0026]需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种食物信息识别方法，包括：获取目标食物图像；将所述目标食物图像输入至第一食物识别模型以生成第一目标食物信息；基于所述第一目标食物信息，生成修改信息；基于所述修改信息，生成第二食物识别模型；将所述目标食物图像输入至所述第二食物识别模型以生成第二目标食物信息；将所述第二目标食物信息发送至目标终端的显示设备上进行显示。2.根据权利要求1所述的方法，其中，所述第一食物识别模型通过以下步骤训练生成：从训练样本集中选取至少一个训练样本组成训练样本组，其中，所述训练样本包括：训练样本图像和训练样本标签，所述训练样本标签包括：训练样本名称，训练样本类别和训练样本属性值；将所述训练样本组中的各个训练样本包括的训练样本图像输入至初始食物识别模型以生成第一食物信息组，其中，所述第一食物信息包括：第一食物名称，第一食物类别和第一食物属性值。3.根据权利要求2所述的方法，其中，所述方法还包括：确定所述第一食物信息组的总损失值；响应于确定所述总损失值收敛于预定阈值，将所述初始食物识别模型确定为第一食物识别模型；响应于确定所述总损失值不收敛于预定阈值，生成候选食物识别模型；将所述候选食物识别模型确定为初始食物识别模型。4.根据权利要求3所述的方法，其中，所述确定所述第一食物信息组的总损失值，包括：基于所述第一食物信息组中的每个第一食物信息包括的第一食物名称和所述训练样本组中的每个训练样本包括的训练样本名称，生成第一名称得分和第二名称得分，得到第一名称得分组和第二名称得分组；基于所述第一食物信息组中的每个第一食物信息包括的第一食物类别和所述训练样本组中的每个训练样本包括的训练样本类别，生成第一类别得分，得到第一类别得分组；基于所述第一食物信息组，所述训练样本组，所述第一名称得分组，所述第二名称得分组和所述第一类别得分组，确定所述总损失值。5.根据权利要求4所述的方法，其中，所述基于所述第一食物信息组，所述训练样本组，所述第一名称得分组，所述第二名称得分组和所述第一类别得分组，确定所述总损失值，包括：基于所述第一食物信息组，所述训练样本组，所述第一名称得分组，所述第二名称得分组和所述第一类别得分组，通过以下公式，生成总损失值：其中，Loss表示总损失值，J1表示第一损失值，J2表示第二损失值，J3表示第三损失值，N
所述训练样本组中训练样本的数量，i表示序号，v表示所述第一食物...
【专利技术属性】
技术研发人员：刘柳，黄龚，韩志林，
申请(专利权)人：杭州食方科技有限公司，
类型：发明
国别省市：
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。