[發明專利]基于度量學習的菜品識別方法及裝置

有效

• 申請號: 202010070065.9
• 申請日: 2020-01-21
• 公開（公告）號: CN111274972B
• 公開（公告）日: 2023-08-29
• 發明（設計）人: 常德杰;孔飛;劉邦長;李榮華;姜鵬;劉朝振;劉紅霞;張航飛;季科
• 申請（專利權）人: 北京妙醫佳健康科技集團有限公司
• 主分類號: G06V20/68
• 分類號: G06V20/68;G06V10/764;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 安衛靜

1.一種基于度量學習的菜品識別方法，其特征在于，包括：

獲取待檢測圖像；

若所述待檢測圖像為菜品圖像，則對所述待檢測圖像進行裁剪，得到包含菜品信息的目標圖像；

將所述目標圖像輸入至目標卷積神經網絡中，得到所述目標圖像的特征信息；所述目標卷積神經網絡為基于度量學習訓練的網絡；

利用最近鄰方法從預設數據庫中選擇與所述目標圖像的特征信息相似的圖像特征信息；

將所述圖像特征信息對應的菜品信息作為待檢測圖像的菜品信息；

通過以下方式判斷所述待檢測圖像是否為菜品圖像，具體包括：

利用訓練好的二分類模型對所述待檢測圖像進行二分類判斷，得到類別判斷結果；

基于所述類別判斷結果判斷所述待檢測圖像是否為菜品圖像；

在利用訓練好的二分類模型對所述待檢測圖像進行二分類判斷之前，包括：

訓練初始二分類模型，得到所述訓練好的二分類模型；

訓練初始二分類模型，得到所述訓練好的二分類模型包括：

獲取二分類訓練樣本；

基于所述二分類訓練樣本，利用交叉熵損失函數優化所述初始二分類模型的參數，確定最優參數；

將最優參數的初始二分類模型確定為所述訓練好的二分類模型。

2.根據權利要求1所述的基于度量學習的菜品識別方法，其特征在于，在將所述目標圖像輸入至目標卷積神經網絡中，得到所述目標圖像的特征信息之前，包括：

利用度量學習中的損失函數Triplet?Loss訓練初始卷積神經網絡，得到所述目標卷積神經網絡。

3.根據權利要求2所述的基于度量學習的菜品識別方法，其特征在于，利用度量學習中的損失函數Triplet?Loss訓練初始卷積神經網絡，得到所述目標卷積神經網絡包括：

獲取菜品圖像訓練樣本，其中，所述菜品圖像訓練樣本滿足預設尺寸規格；

將所述菜品圖像訓練樣本輸入至初始卷積神經網絡中，以根據所述卷積神經網絡提取菜品圖像的特征信息；

基于所述菜品圖像的特征信息和度量學習的損失函數Triplet?Loss，計算所述損失函數的函數值；

將所述函數值最小時對應的初始卷積神經網絡確定為所述目標卷積神經網絡。

4.一種基于度量學習的菜品識別裝置，其特征在于，包括：

獲取模塊，用于獲取待檢測圖像；

裁剪模塊，用于若所述待檢測圖像為菜品圖像，則對所述待檢測圖像進行裁剪，得到包含菜品信息的目標圖像；

輸入模塊，用于將所述目標圖像輸入至目標卷積神經網絡中，得到所述目標圖像的特征信息；所述目標卷積神經網絡為基于度量學習訓練的網絡；

選擇模塊，用于利用最近鄰方法從預設數據庫中選擇與所述目標圖像的特征信息相似的圖像特征信息；

確定模塊，用于將所述圖像特征信息對應的菜品信息作為待檢測圖像的菜品信息；

還包括判斷模塊，其中，所述判斷模塊用于通過以下方式判斷所述待檢測圖像是否為菜品圖像，具體包括：

二分類判斷單元，用于利用訓練好的二分類模型對所述待檢測圖像進行二分類判斷，得到類別判斷結果；

判斷單元，用于基于所述類別判斷結果判斷所述待檢測圖像是否為菜品圖像；

所述判斷模塊還包括：

二分類模型獲取單元，用訓練初始二分類模型，得到所述訓練好的二分類模型；

所述二分類模型獲取單元包括：

二分類訓練樣本獲取單元，用于獲取二分類訓練樣本；

最優參數確定單元，用于基于所述二分類訓練樣本，利用交叉熵損失函數優化所述初始二分類模型的參數，確定最優參數；

二分類模型確定單元，用于將最優參數的初始二分類模型確定為所述訓練好的二分類模型。

5.一種電子設備，包括存儲器、處理器，所述存儲器中存儲有可在所述處理器上運行的計算機程序，其特征在于，處理器執行計算機程序時實現如權利要求1至3任一項所述的方法。

6.一種具有處理器可執行的非易失的程序代碼的計算機可讀介質，其特征在于，所述程序代碼使所述處理器執行如權利要求1至3任一項所述的方法。