一种熟食自动识别方法技术

本发明专利技术公开了一种熟食自动识别方法，属于图像识别技术领域，其特征在于，包括以下步骤：S1、调用摄像头，判断摄像头是否具有图像输入；S2、若摄像头没有图像输入，则返回步骤S1直至有图像输入；S3、构建带过拟合的MoblieNet V3网络模型，若摄像头存在图像输入，则调用带过拟合的MoblieNet V3网络模型进行熟食识别任务，得到识别结果；S4、将识别结果传输至服务器；S5、通过服务器对识别结果进行处理。本发明专利技术轻量级神经网络参数量少、推理速度快，在熟食数据集的体量不足或种类不全面的情况下，能够极大的提高识别效率和识别准确率。极大的提高识别效率和识别准确率。极大的提高识别效率和识别准确率。

【技术实现步骤摘要】
一种熟食自动识别方法


[0001]本专利技术涉及到图像识别
，尤其涉及一种熟食自动识别方法。

技术介绍

[0002]随着消费观念的升级，人们对饮食健康越来越重视，因此，食品图像识别成为众多领域研究的热点。针对现有的传统食品分类模型实时性能差和分类精度低的问题，大部分网络难以兼并体量和精确度，难以灵活得部署在其他有限内存的硬件上。
[0003]基于MobileNet v3的食品图像分类方法达到了较好的识别效果,MobileNet是指轻量化网络，但食品只能针对原材料果蔬，而无法对经过烹饪的熟食进行准确自动的识别。
[0004]公告号为CN111222546B，公告日为2023年04月07日的中国专利文献公开了一种训练食品图像分类模型的方法，其特征在于，所述方法包括：步骤(1)、对带有类别标签的食品图像分别进行多尺度切割，形成包含原图像的多个尺度的食品图像；步骤(2)、分别构建多个尺度的卷积神经网络模型，每个卷积神经网络模型对应一个尺度的食品图像；步骤(3)、利用所述带有类别标签的食品图像及其多个尺度的食品图像作为训练数据，分别代入多个尺度的卷积神经网络模型进行特征提取；以及步骤(4)、将所提取的多个尺度的食品图像的特征进行融合，基于融合特征对所述食品图像的类别进行预测并与相应标签进行比对，基于比对结果对所述多个尺度的卷积神经网络模型进行训练。
[0005]该专利文献公开的训练食品图像分类模型的方法，考虑食物图像的全局特征，同时从食物图像数据非刚性的特点出发，考虑多尺度图像信息对识别性能的影响，通过采用在原图像基础上进行多尺度切割形成多尺度切片的方式，在多个公共数据集都达到较好的识别性能。但是，在熟食数据集的体量不足或种类不全面的情况下，识别准确率较低；由于采用多尺度切割形成多尺度切片的方式，致使整个参数量增多，影响了识别效率。

技术实现思路

[0006]本专利技术为了克服上述现有技术的缺陷，提供一种熟食自动识别方法，本专利技术轻量级神经网络参数量少、推理速度快，在熟食数据集的体量不足或种类不全面的情况下，能够极大的提高识别效率和识别准确率。
[0007]本专利技术通过下述技术方案实现：
[0008]一种熟食自动识别方法，其特征在于，包括以下步骤：
[0009]S1、调用摄像头，判断摄像头是否具有图像输入；
[0010]S2、若摄像头没有图像输入，则返回步骤S1直至有图像输入；
[0011]S3、构建带过拟合的MoblieNet V3网络模型，若摄像头存在图像输入，则调用带过拟合的MoblieNet V3网络模型进行熟食识别任务，得到识别结果；
[0012]S4、将识别结果传输至服务器；
[0013]S5、通过服务器对识别结果进行处理。
[0014]所述步骤S3中，构建带过拟合的MoblieNet V3网络模型具体包括：
[0015]S31、将MoblieNet V3的卷积网络作为主干网络，保留深度可分离卷积的卷积层，移除之后的平均池化层和全连接层；
[0016]S32、在卷积层之后添加全局平均池化层和批量归一化层，并引入h
‑
swish函数；
[0017]S33、在批量归一化层后使用h
‑
swish函数，并接入dropout层。
[0018]所述步骤S32中，h
‑
swish函数通过式1计算；
[0019][0020]其中，ReLU6为激活函数。
[0021]所述步骤S3中，调用带过拟合的MoblieNet V3网络模型进行熟食识别任务具体包括：
[0022]a、从熟食训练集中随机抽取C类中每一个具有K个标记图像的唯一类作为熟食支持集，使用所选C类的剩余样本构造熟食查询集，将熟食支持集和熟食查询集共同构建成熟食数据集；
[0023]b、使用带有熟食类别标签的训练集对深度网络进行微调，提取最后一个卷积层的熟食特征图f
μ
(x
i
)；
[0024]c、使用步骤a中构建的熟食数据集及相关的多标签微调用于学习多标签成分的深度网络，提取熟食特征图f
v
(x
i
)；
[0025]d、通过算子ζ(
·
)结合熟食特征图进行特征增强，对组合后的熟食特征图ζ(f
μ
(x
i
)，f
v
(x
i
))进行卷积；
[0026]e、串联熟食支持集和熟食查询集的熟食特征图，再生成关系分数；
[0027]f、使用均方误差训练关系分数γ
i，j
。
[0028]所述熟食支持集是指：
[0029][0030]其中，S为熟食支持集。
[0031]所述熟食查询集是指：
[0032][0033]其中，Q为熟食查询集。
[0034]所述步骤e中，关系分数通过式4计算；
[0035][0036]其中，γ
i，j
为关系分数，ζ(f
μ
(x
i
)，f
v
(x
i
))为组合后的特征图。
[0037]所述步骤S5中，通过服务器对识别结果进行处理具体是指将识别结果从服务器呈现到前端屏幕显示。
[0038]本专利技术所述h
‑
swish是指非线性激活函数。
[0039]本专利技术所述dropout是指随机失活。
[0040]本专利技术的有益效果主要表现在以下方面：
[0041]1、本专利技术，S1、调用摄像头，判断摄像头是否具有图像输入；S2、若摄像头没有图像
输入，则返回步骤S1直至有图像输入；S3、构建带过拟合的MoblieNet V3网络模型，若摄像头存在图像输入，则调用带过拟合的MoblieNet V3网络模型进行熟食识别任务，得到识别结果；S4、将识别结果传输至服务器；S5、通过服务器对识别结果进行处理，通过构建带过拟合的MoblieNet V3网络模型，带过拟合的MoblieNet V3网络模型的数据集均为熟食图像，通过提取熟食特征来识别熟食类别，移除了原网络中的平均池化层及全连接层，并添加了全局平均池化层和批量归一化层，进一步减少了网络的训练参数，提高网络模型的准确性，并通过h
‑
swish函数和dropout层来防止过拟合，最后对特征进行分类识别，通过多特征小样本学习只有少量样本的食品种类，极大的提高了网络模型的识别准确率；较现有技术而言，轻量级神经网络参数量少、推理速度快，在熟食数据集的体量不足或种类不全面的情况下，能够极大的提高识别效率和识别准确率。
[0042]2、本专利技术，构建的带过拟合的MoblieNet V3网络模型，参数量少，能够有效降低对设备的内存和计算能力的要求，利于在边缘设备和移动端的应用。
[0043]3、本专利技术，提出带过拟合的MoblieNe本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种熟食自动识别方法，其特征在于，包括以下步骤：S1、调用摄像头，判断摄像头是否具有图像输入；S2、若摄像头没有图像输入，则返回步骤S1直至有图像输入；S3、构建带过拟合的MoblieNet V3网络模型，若摄像头存在图像输入，则调用带过拟合的MoblieNet V3网络模型进行熟食识别任务，得到识别结果；S4、将识别结果传输至服务器；S5、通过服务器对识别结果进行处理。2.根据权利要求1所述的一种熟食自动识别方法，其特征在于：所述步骤S3中，构建带过拟合的MoblieNet V3网络模型具体包括：S31、将MoblieNet V3的卷积网络作为主干网络，保留深度可分离卷积的卷积层，移除之后的平均池化层和全连接层；S32、在卷积层之后添加全局平均池化层和批量归一化层，并引入h
‑
swish函数；S33、在批量归一化层后使用h
‑
swish函数，并接入dropout层。3.根据权利要求2所述的一种熟食自动识别方法，其特征在于：所述步骤S32中，h
‑
swish函数通过式1计算；其中，ReLU6为激活函数。4.根据权利要求1所述的一种熟食自动识别方法，其特征在于：所述步骤S3中，调用带过拟合的MoblieNet V3网络模型进行熟食识别任务具体包括：a、从熟食训练集中随机抽取C类中每一个具有K个标记图像的唯一类作为熟食支持集，使用所选C类的剩余样本构造熟食查询集，将熟食支持集和熟食查询集共同构建成熟食数据集；b、使用带有熟食类别标签的训练集对深...

【专利技术属性】
技术研发人员：杨晓宇，李志强，常益凡，田晓杰，刘学婷，
申请(专利权)人：新疆中科跃维科技有限公司，
类型：发明
国别省市：