本公开的实施例公开了食品信息生成方法、装置、电子设备和介质。该方法的一具体实施方式包括：响应于检测到食品图像中存在目标物品，将食品图像输入至食品分类模型；对于候选食品信息组集中的每个候选食品信息组，从候选食品信息组中选择目标候选食品信息包括的候选食品名称作为目标食品信息；对于目标食品信息集中的每个目标食品信息，响应于接收到目标食品信息对应的食品更改信息和子食品图像，将目标食品信息对应的食品更改信息和子食品图像作为训练样本添加至食品分类模型对应的训练样本集中；对食品分类模型进行训练；将目标食品图像输入至所述训练后的食品分类模型中，以生成食品分类信息。该实施方式提高了食品结算的效率。算的效率。算的效率。
【技术实现步骤摘要】
食品信息生成方法、装置、电子设备和介质
[0001]本公开的实施例涉及计算机
，具体涉及食品信息生成方法、装置、电子设备和介质。
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，对于新菜品的识别准确度不高，从而，降低了菜品结算的效率，以及，增加了用户排队等待的时间；
[0005]第二，在实际情况中，传统的食品分类模型在对模型的训练结果进行评价时，往往仅以预测结果准确的比例作为评价指标，但当样本类别分布不均等时，易造成食品分类模型的评价结果的准确率较低。
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。本公开的一些实施例提出了食品信息生成方法、装置、电子设备和介质，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。
[0007]第一方面，本公开的一些实施例提供了一种食品信息生成方法，该方法包括：响应于检测到食品图像中存在目标物品，将上述食品图像输入至食品分类模型，得到候选食品信息组集，其中，上述候选食品信息组集中的候选食品信息包括：候选食品名称和置信度数值；对于上述候选食品信息组集中的每个候选食品信息组，从上述候选食品信息组中选择目标候选食品信息包括的候选食品名称作为目标食品信息，得到目标食品信息集，其中，上述目标候选食品信息为包括的置信度数值满足预定条件的候选食品信息；对于上述目标食品信息集中的每个目标食品信息，响应于接收到上述目标食品信息对应的食品更改信息和子食品图像，将上述目标食品信息对应的食品更改信息和子食品图像作为训练样本添加至上述食品分类模型对应的训练样本集中；基于添加完至少一个训练样本的训练样本集，对上述食品分类模型进行训练，以生成训练后的食品分类模型；将目标食品图像输入至上述训练后的食品分类模型中，以生成食品分类信息。
[0008]第二方面，本公开的一些实施例提供了一种食品信息生成装置，装置包括：第一输入装置，被配置成响应于检测到食品图像中存在目标物品，将上述食品图像输入至食品分类模型，得到候选食品信息组集，其中，上述候选食品信息组集中的候选食品信息包括：候
选食品名称和置信度数值；选择单元，被配置成对于上述候选食品信息组集中的每个候选食品信息组，从上述候选食品信息组中选择目标候选食品信息包括的候选食品名称作为目标食品信息，得到目标食品信息集，其中，上述目标候选食品信息为包括的置信度数值满足预定条件的候选食品信息；添加单元，被配置成对于上述目标食品信息集中的每个目标食品信息，响应于接收到上述目标食品信息对应的食品更改信息和子食品图像，将上述目标食品信息对应的食品更改信息和子食品图像作为训练样本添加至上述食品分类模型对应的训练样本集中；训练单元，被配置成基于添加完至少一个训练样本的训练样本集，对上述食品分类模型进行训练，以生成训练后的食品分类模型；第二输入单元，被配置成将目标食品图像输入至上述训练后的食品分类模型中，以生成食品分类信息。
[0009]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。
[0010]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。
[0011]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品信息生成方法，使得生成的食物信息的准确度有所提高，从而提高了食品结算的效率。以及，减少了用户排队等待的时间。具体来说，造成相关的食物信息生成的准确度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品信息生成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。进而，提高了生成的食物信息的准确度、提高了食物的结算效率以及减少了用户排队等待的时间。
附图说明
[0012]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。
[0013]图1是本公开的一些实施例的食品信息生成方法的一个应用场景的示意图；
[0014]图2是根据本公开的食品信息生成方法的一些实施例的流程图；
[0015]图3是根据本公开的食品信息生成装置的一些实施例的结构示意图；
[0016]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
[0017]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。
[0018]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。
[0019]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。
[0020]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”。
[0021]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。
[0022]下面将参考附图并结合实施例来详细说明本公开。
[0023]图1是本公开的一些实施例的食品信息生成方法的一个应用场景的示意图。
[0024]在图1的应用场景中，首先，计算设备101可以响应于检测到食品图像102中存在目标物品，将上本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种食品信息生成方法，包括：响应于检测到食品图像中存在目标物品，将所述食品图像输入至食品分类模型，得到候选食品信息组集，其中，所述候选食品信息组集中的候选食品信息包括：候选食品名称和置信度数值；对于所述候选食品信息组集中的每个候选食品信息组，从所述候选食品信息组中选择目标候选食品信息包括的候选食品名称作为目标食品信息，得到目标食品信息集，其中，所述目标候选食品信息为包括的置信度数值满足预定条件的候选食品信息；对于所述目标食品信息集中的每个目标食品信息，响应于接收到所述目标食品信息对应的食品更改信息和子食品图像，将所述目标食品信息对应的食品更改信息和子食品图像作为训练样本添加至所述食品分类模型对应的训练样本集中；基于添加完至少一个训练样本的训练样本集，对所述食品分类模型进行训练，以生成训练后的食品分类模型；将目标食品图像输入至所述训练后的食品分类模型中，以生成食品分类信息。2.根据权利要求1所述的方法，其中，所述方法还包括：将所述食品分类信息发送至目标显示终端以供显示。3.根据权利要求2所述的方法，其中，在所述响应于检测到食品图像中存在目标物品，将所述食品图像输入至食品分类模型，得到候选食品信息组集之前，所述方法还包括：将食品图像输入至预训练的餐盘检测模型中以检测所述食品图像中是否存在目标物品。4.根据权利要求3所述的方法，其中，所述基于添加完至少一个训练样本的训练样本集，对所述食品分类模型进行训练，以生成训练后的食品分类模型，包括：从所述添加完至少一个训练样本的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，所述训练样本组中的训练样本包括：样本食品图像和样本食品名称；将所述训练样本组中的各个训练样本包括的样本食品图像输入至所述食品分类模型以生成食品预测名称组。5.根据权利要求4所述的方法，其中，所述方法还包括：基于所述训练样本组中的各个训练样本包括的样本食品名称和所述食品预测名称组，生成得分值；响应于确定所述得分值大于等于预设阈值，将所述食品分类模型确定为所述训练后的食品分类模型。6.根据权利要求5所述的方法，其中，所述基于所述训练样本组中的各个训练样本包括的样本食品名称和所述食品预测名称组，生成得分值，包括：基于所述训练样本组中的各个训练样本包括的样本食品名称和所述食品预测名称组，生成第一对比值集、第二对比值集和第三对比值集；基于所述第一对比值集、第二对比值集和第三对比值集，通过以下公式，生成所述得分值：
其中，i表示序号，T表示所述第一对比...
【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。