一种基于小样本数据的团餐图像检测方法技术

本发明专利技术公开了一种基于小样本数据的团餐图像检测方法，该方法利用已有的基础数据库构建基本检测模型，并构建元模型，通过比对基础类的特征和元模型学习基础特征，调整基础特征的重要程度，并在新数据小样本上进行目标检测。该方法采用“端到端”训练方法，将训练和分类融入到同一套框架，且准确率方面相比于传统算法更高，平均识别准确率98%左右，识别速度0.02s一张，完全能满足实用所需；同时，通过度量学习的方法，解决了现有方法在训练阶段样本不充分情况下导致模型过拟合或性能恶化的问题。题。题。

【技术实现步骤摘要】
一种基于小样本数据的团餐图像检测方法


[0001]本专利技术涉及图像检测应用
，尤其是一种基于深度学习的小样本数据团餐图像检测方法。

技术介绍

[0002]随着信息化智能化的发展，传统食堂面临着“信息化、智能化”的转型升级需求。而当前需求通过大数据、云计算、人工智能和移动互联网技术，对传统团餐从库存管理、移动端管理、智能化结算及用户端饮食健康管理等方面进行全方面升级，助力信息团餐新动态。
[0003]现有基于常规图像处理的团餐图像检测主要通过sift等传统特征工程，通过svm等分类器进行分类、归集目标检测结果；或者基于深度学习的目标检测、目标分割方法，通过标注、训练、推力进行瑕疵检测。
[0004]但是实用环境下客观存在两大难点，第一、实际应用过程中商家每日菜品不断更新，且每日做菜的方式不完全相同；第二、单纯传统的识别算法所需要的数据集形式标注成本较高。综上所述，传统的目标识别方案不能满足实际使用的需求。体现在具体团餐行业，对团餐数据需求量大，但实际餐厅中无法提前将所有菜品提供采样，存在样本不足的现象；而且团餐数据分布不均衡，导致检测过程有结果偏向，新增菜品往往需要重新训练模型，带来了成本增加。

技术实现思路

[0005]本专利技术的目的就是为了解决上述问题，提供一种基于小样本数据的团餐图像检测方法，解决现有同类方法在训练阶段样本不充分情况下导致模型过拟合或性能恶化的问题。
[0006]本专利技术的技术解决方案是：一种基于小样本数据的团餐图像检测方法，其特征在于：基于已有的基础数据库构建基本检测模型，并通过平衡数据比例调整数据训练权重参数构建元模型，将图像通过基本检测模型和元模型分别提取图像基础特征，通过比对基础特征，调整基础特征的权重并在新数据小样本上进行目标检测。
[0007]进一步地，包括步骤：S1、采集基础数据库并对基本检测模型进行初始化训练，其中所述基础数据库中包含若干类别的充足团餐图像基础数据，所述初始化训练为通过卷积层、目标检测层和NMS筛选层捕捉跨数据集的颜色、纹理及相关分布的总体特征信息；S2、对小样本食品图像的数据集x提取特征，并采用度量学习方法训练元模型，其中所述元模型为由keams聚类获取的模型，训练过程为先判断数据集x所提取调优特征与中各数据的距离，而后按比例将中数据的标签整合为数据集x的标签输出；S3、采集新的团餐测试图像数据，通过基本检测模型进行特征提取，并通过度量学习方法获取到对应各种类型的权重系数，对测试图像实施团餐识别检测。
[0008]采用本专利技术技术方案，相比于传统算法特征工程、分类器过于繁琐的构建方法，该方法采用“端到端”训练方法，将训练和分类融入到同一套框架，且准确率方面相比于传统
算法更高，平均识别准确率98%左右，识别速度0.02s一张，完全能满足实用所需。由此可见，采用本专利技术技术方案应用实施之后，减少了对标签数据的需求，节约了人力成本；并且泛化能力强，团餐图像识别精度更高。
附图说明
[0009]图1为本专利技术团餐图像检测方法的训练架构示意图。
[0010]图2为本专利技术团餐图像检测方法中所涉及模型的结构示意图。
具体实施方式
[0011]为能清楚说明本专利技术的技术特点和效果，下面结合附图进一步详细阐述本专利技术技术方案，以使其更易于理解和掌握。以下描述用于揭露本专利技术以使本领域技术人员能够实现本专利技术。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。
[0012]本专利技术公开了一种基于小样本数据的团餐图像检测方法，主要是针对一个特定的，一般是有大量菜品数据的数据集，学习出一个检测模型，使得模型对于测试集上的数据的预测有最小的误差。该种方法通过分阶段度量学习的元学习方法，实现小样本团餐图像识别。
[0013]该团餐图像检测方法的概述特征为：基于已有的基础数据库构建基本检测模型，并通过平衡数据比例调整数据训练权重参数构建元模型，将图像通过基本检测模型和元模型分别提取图像基础特征，通过比对基础特征，调整基础特征的权重并在新数据小样本上进行目标检测。
[0014]如图1和图2所示，从具体操作的具体顺序上，首先采集基础数据库Dish，该基础数据库中包含一定类别的团餐图像基础数据，通过基础数据库对基本检测模型进行初始化训练(SSD模型)，通过卷积层，目标检测层和NMS筛选层多个给定的、数据丰富的数据集捕捉跨数据集包含颜色、纹理及相关分布的总体特征信息。
[0015]然后对小样本食品图像的数据集x提取特征，并采用度量学习方法训练元模型，其中所述元模型为由keams聚类获取的模型，训练过程为先判断新种类数据集x所提取特征与原数据种类特征中各数据的距离，而后按比例将中数据的标签整合为数据集x的标签输出。该学习过程中学习新旧模型的距离（度量学习方法），即通过计算不同样本之间的距离，不同的距离度量可以产生不同的模型。
[0016]最后采集新的团餐测试图像数据，通过基本检测模型及基础数据库进行特征提取，通过度量学习学习到不同类的权重系数，进而调整基础特征的重要程度，通过改进后的元学习模型进行测试图像的团餐检测。
[0017]上述所谓分阶段度量学习的元学习方法，以下从更具体的实施步骤详细说明。
[0018]第一阶段：采集基础数据库T，该数据库中包含正样本f1，数据量充足的负样本f2和小样本负样本f3。然后定义分类模型为，该模型中是所包含的标签信息，先验知识被编码到参数w当中，可以根据x所属的数据集的特征来确定如何
分类当前样本x。
[0019]第二阶段：通过基础数据库对基本检测模型(即SSD模型)进行初始化训练，通过卷积层、目标检测层和NMS筛选层对目标函数进行优化。其中，c表示置信度，l代表预测框，g代表真框，代表置信损失，代表定位损失，从而在给定的数据丰富的数据集中捕捉跨数据集的总体定位和分类信息。
[0020]第三阶段：当新数据有一个新的、数据较少的数据集x时，可以根据被提取的特征，利用从其它数据集学到的先验知识来做出判断。
[0021]（1）先假设现有数据提取的特征，并对特征进行聚类得到新类别数据分布模型；（2）判断小样本的数据集x的数据特征与中各数据的距离，然后按比例将中数据的标签整合作为数据集x的标签输出。该学习过程中学习新旧模型的距离即采用度量方法，通过计算不同样本之间的距离()，不同的距离度量可以产生不同的模型。具体优化元模型的对比损失函数。其中a，b为数据集x中随机选取的两组采样图像，d
Ia
和d
Ib
为检测图像提取的高维特征信息，y为标签信息，若a，b为同一类则y为1，若a，b不为同一类则y为0。
[0022]不同的小样本食品图像通过基础训练网络进行特征提取，对提取后的特征通过度量学习学习到不同菜品种类的权重系数，通过权重系数调整基础特征的重要程度。
[0023]第四阶段：最后将不同的瑕疵图像通过基础数据库进行特征提取，通过度量学习学习到不同类的权重系数，进而本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小样本数据的团餐图像检测方法，其特征在于：基于已有的基础数据库构建基本检测模型，并通过平衡数据比例调整数据训练权重参数构建元模型，将图像通过基本检测模型和元模型分别提取图像基础特征，通过比对基础特征，调整基础特征的权重并在新数据小样本上进行目标检测。2.根据权利要求1所述基于小样本数据的团餐图像检测方法，其特征在于包括步骤：S1、采集基础数据库并对基本检测模型进行初始化训练，其中所述基础数据库中包含若干类别的充足团餐图像基础数据，所述初始化训练为通过卷积层、目标检测层和NMS筛选层捕捉跨数据集的颜色、纹理及相关分布的总体特征信息；S2、对小样本食品图像的数据集x提取特征，并采用度量学习方法训练元模型，其中所述元模型为由keams聚类获取的模型，训练过程为先判断数据集x所提取调优特征与中各数据的距离，而后按比例将中数据的标签整合为数据集x的标签输出；S3、采集新的...

【专利技术属性】
技术研发人员：蒋树强，闵巍庆，梅舒，
申请(专利权)人：中科苏州智能计算技术研究院，
类型：发明
国别省市：