【技术实现步骤摘要】
本申请的实施例涉及计算机，具体涉及食品图像识别方法、装置、电子设备和计算机可读介质。
技术介绍
1、随着深度学习算法的快速发展，食品菜肴识别已经成为计算机视觉的重要研究方向。由于食品菜肴的烹饪方法的多样性和食材的不同组合方法，造成食品菜肴识别的难度较大。对于食品图像的识别，通常采用的方式为：将待识别食品图像输入至仅提取局部特征向量的食品图像分类模型，得到食品类别信息集。然后，通过食品类别信息集包括的食品类别概率数值集，确定待识别食品图像是否为新增类别的食品图像。最后，响应于确定待识别食品图像为新增类别的食品图像，将待识别食品图像的食品特征向量输入至食品特征库。
2、然而，实践中发现，当采用上述方式对食品图像进行识别时，经常会存在如下技术问题一：由于食品图像分类模型仅提取局部特征信息，忽略了图像全局信息对食品特征向量的影响，造成食品图像识别的准确率较低和提取的食品特征向量的质量较低，以及造成新增类别图像的判断结果的准确率较低，使得食品特征库中存在大量冗余和错误的食品特征向量，导致食品特征库的存储资源的浪费。
3、在采用技术方案来解决上述技术问题一的过程中，往往又会伴随着如下技术问题二：由于飞鼠搜索算法采用随机初始化，易造成飞鼠的初始位置分布不均匀和一些无效飞鼠个体，增加算法运算时间，以及飞鼠搜索算法中捕食者的存在概率为固定数值和位置更新中的随机更新，易造成降低算法的收敛速度和易陷入局部最优解，从而导致得到的增强后食品图像的颜色、纹理和边缘信息的清晰度较低，图像质量较低。针对上述技术问题二，常规的解决方案一般
4、在采用技术方案来解决上述技术问题一的过程中，往往又会伴随着如下技术问题三：由于使用渐进式训练策略提取的多尺度的特征信息可能会集中在待识别食品图像中相似的区域，使得提取的特征向量存在冗余和提取的特征向量的质量较低，从而使得新增类别图像的判断的准确率较低，食品特征库中存在大量冗余和质量较低的食品类别平均特征向量，导致食品特征库的存储资源的浪费。针对上述技术问题三，常规的解决方案一般是食品分类网络通过使用渐进式训练策略提取多尺度的特征信息。
5、该
技术介绍
部分中所公开的以上信息仅用于增强对本申请构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本申请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。本申请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。
2、本申请的一些实施例提出了食品图像识别方法、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。
3、第一方面，本申请的一些实施例提供了一种食品图像识别方法，包括：获取待识别食品图像和食品特征库，其中，上述食品特征库包括食品类别平均特征向量集；将上述待识别食品图像输入至食品特征提取网络，得到食品特征向量；对上述食品特征向量与上述食品类别平均特征向量集中的每个食品类别平均特征向量进行相似度对比处理，得到特征相似度数值集；将上述待识别食品图像输入至食品分类网络，得到食品类别识别信息集；对上述特征相似度数值集和上述食品类别识别信息集包括的食品类别概率数值集进行类别对齐处理，得到类别对齐相似度数值集；对上述类别对齐相似度数值集进行加权求和处理，得到食品类别识别数值集；根据上述食品类别识别数值集，确定上述待识别食品图像是否为新增食品类别对应的食品图像；响应于确定上述待识别食品图像为新增食品类别对应的食品图像，将上述待识别食品图像对应的新增类别平均特征向量存储至上述食品特征库，得到更新后食品特征库。
4、第二方面，本申请的一些实施例提供了一种食品图像识别装置，包括：获取单元，被配置成获取待识别食品图像和食品特征库，其中，上述食品特征库包括食品类别平均特征向量集；第一输入单元，被配置成将上述待识别食品图像输入至食品特征提取网络，得到食品特征向量；相似度对比单元，被配置成对上述食品特征向量与上述食品类别平均特征向量集中的每个食品类别平均特征向量进行相似度对比处理，得到特征相似度数值集；第二输入单元，被配置成将上述待识别食品图像输入至食品分类网络，得到食品类别识别信息集；类别对齐单元，被配置成对上述特征相似度数值集和上述食品类别识别信息集包括的食品类别概率数值集进行类别对齐处理，得到类别对齐相似度数值集；加权求和处理单元，被配置成对上述类别对齐相似度数值集进行加权求和处理，得到食品类别识别数值集；确定单元，被配置成根据上述食品类别识别数值集，确定上述待识别食品图像是否为新增食品类别对应的食品图像；存储单元，被配置成响应于确定上述待识别食品图像为新增食品类别对应的食品图像，将上述待识别食品图像对应的新增类别平均特征向量存储至上述食品特征库，得到更新后食品特征库。
5、第三方面，本申请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如第一方面中任一实现方式描述的方法。
6、第四方面，本申请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，计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
7、本申请的上述各个实施例中具有如下有益效果：本申请的一些实施例的食品图像识别方法可以提高食品图像分类的准确性和及时性，减少食品特征库存储资源的浪费，以及便于后续及时快速识别食品新增类别的识别。具体来说，造成相关的食品特征库的存储资源的浪费的原因在于：由于食品图像分类模型仅提取局部特征信息，忽略了图像全局信息对食品特征向量的影响，造成食品图像识别的准确率较低和提取的食品特征向量的质量较低，以及造成新增类别图像的判断结果的准确率较低，使得食品特征库中存在大量冗余和错误的食品特征向量，导致食品特征库的存储资源的浪费。基于此，本申请的一些实施例的食品图像识别方法可以首先，获取待识别食品图像和食品特征库，其中，上述食品特征库包括食品类别平均特征向量集。在这里，待识别食品图像和食品特征库用于后续食品类别的识别。其次，将上述待识别食品图像输入至食品特征提取网络，得到食品特征向量。在这里，通过食品特征提取网络提取食品特征向量可以提高提取的特征向量的准确性，以及便于后续特征相似度的对比。再次，对上述食品特征向量与上述食品类别平均特征向量集中的每个食品类别平均特征向量进行相似度对比处理，得到特征相似度数值集。在这里，特征相似度数值集可以确定待识别图像的类别信息集。接着，将上述待识别食品图像输入至食品分类网络，得到食品类别识别信息集。在这里，通过食品分类网络进行食品类别识别可以提高待识别食品图像识别的准确度。随后，对上述特征相似度数值集和上述食品类别识别信息集包括的食品类别概率数值集进行类别对齐处理，得到类别对齐相似度数值集。在这里本文档来自技高网...
【技术保护点】
1.一种食品图像识别方法，包括：
2.根据权利要求1所述的方法，其中，所述方法还包括：
3.根据权利要求1所述的方法，其中，所述响应于确定所述待识别食品图像为新增食品类别对应的食品图像，将所述待识别食品图像对应的新增类别平均特征向量存储至所述食品特征库，得到更新后食品特征库，包括：
4.根据权利要求1所述的方法，其中，所述食品特征提取网络包括：多个阶段特征提取网络、多个像素相关性提取网络、多个局部注意力机制层和多个多尺度特征融合网络；以及所述将所述待识别食品图像输入至食品特征提取网络，得到食品特征向量，包括：
5.根据权利要求1所述的方法，其中，所述食品分类网络包括：食品类别特征提取网络、全连接层和全局平均池化层，以及所述将所述待识别食品图像输入至食品分类网络，得到食品类别识别信息集，包括：
6.一种食品图像识别装置，包括：
7.一种电子设备，包括：
8.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的方法。
【技术特征摘要】
1.一种食品图像识别方法，包括：
2.根据权利要求1所述的方法，其中，所述方法还包括：
3.根据权利要求1所述的方法，其中，所述响应于确定所述待识别食品图像为新增食品类别对应的食品图像，将所述待识别食品图像对应的新增类别平均特征向量存储至所述食品特征库，得到更新后食品特征库，包括：
4.根据权利要求1所述的方法，其中，所述食品特征提取网络包括：多个阶段特征提取网络、多个像素相关性提取网络、多个局部注意力机制层和多个多尺度特征融合网络；以及所述...
【专利技术属性】
技术研发人员：黄龚，徐振博，孟阿瑾，
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。