[發明專利]一種適用于嵌入式設備的食材識別方法

在審

• 申請號: 202011556474.6
• 申請日: 2020-12-24
• 公開（公告）號: CN112699762A
• 公開（公告）日: 2021-04-23
• 發明（設計）人: 曾碧;黃穎康
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 張金福

本發明提供的一種適用于嵌入式設備的食材識別方法，通過將YOLOv3的主干網絡Darknet?53替換為輕量級網絡MobileNet和采用DIoU?NMS算法代替傳統NMS算法，滿足食材多類別檢測同時，極大提高檢測速度，滿足食材的實時性檢測需求；且在滿足實時性檢測需求的同時，提高了檢測的精確度，滿足了檢測的精確度要求。通過實現檢測模型在服務器與嵌入式平臺之間的快速移植，能夠有效確保檢測模型在基于嵌入式系統的小型化設備(尤其是移動設備)上的檢測性能，具有更加廣闊的應用前景。

本發明涉及計算機和深度學習技術領域，更具體的，涉及一種適用于嵌入式設備的食材識別方法。

背景技術

隨著社會發展使得生活水平不斷提高，人們對衣食住行的要求逐漸增高。吃，是體現生活質量的一個重要方面，所謂民以食為天，人們不再滿足于自己日常所食的菜式，開始注重飲食的多元化，而物流領域的快速發展為此提供了物質基礎，人們能夠接觸更廣泛多樣的食材，食材的種類，這是什么食材，這個食材能烹飪什么菜式，基本通過人的經驗來認知。因此，人們能夠通過對食材的識別來使生活更加便利，并且美食應用通過互聯網搭建起有關美食的生活社區，優化食譜的內容，提高了用戶的體驗從而提升了用戶的粘性，為嵌入式設備相關的美食應用帶來了廣闊的前景。

目前主流的深度學習目標檢測方法主要分為以候選框和以回歸方法為基礎的兩大類方法。基于候選框的方法主要有R-CNN[2]、Fast RCNN[3]等，這類方法參數多，計算量多，檢測速度慢，無法實時檢測目標；基于回歸的目標檢測方法，主要有SSD[4]和YOLO[5]兩大系列，其中YOLOv3采用FPN結構，利用多尺寸特征融合進行預測，可同時預測檢測對象的類別和位置，但YOLOv3對小目標檢測準確率不高，且訓練參數較大，耗費計算資源，在移動端和嵌入式端無法直接使用。

CNN已經普遍應用在計算機視覺領域，并且已經取得了不錯的效果。隨著CNN的發展，其模型深度越來越深，模型復雜度也越來越高。公開號為CN109425190A的中國發明專利申請于2019年3月5日公開了一種冰箱食材管理方法，其中公開了一種深度卷積神經網絡的分類算法模型，采用GoogleNet模型、VGG16模型、ResNet模型或者其他卷積網絡模型對圖像區域進行分類識別。然而，在某些真實的應用場景如移動或者嵌入式設備，如此大而復雜的模型是難以被應用的。首先是模型過于龐大，面臨著內存不足的問題，其次這些場景要求低延遲，或者說響應速度要快，

發明內容

本發明為克服現有的基于深度卷積神經網絡的食材識別模型在應用過程中，存在復雜度高、識別效率低的技術缺陷，提供一種適用于嵌入式設備的食材識別方法。

為解決上述技術問題，本發明的技術方案如下：

一種適用于嵌入式設備的食材識別方法，包括以下步驟：

S1：在不同環境下采集各種類的食材圖片，制作初始樣本數據集；

S2：對初始樣本數據集進行預處理和數據增強，得到最終樣本數據集；

S3：對最終樣本數據集進行標注，并劃分為訓練集和測試集；

S4：用MobileNet網絡代替Darknet-53網絡，對YOLOv3的主干網絡進行改進，得到YOLOv3-MobileNet目標檢測模型；

S5：用DIoU-NMS算法代替NMS算法，對YOLOv3-MobileNet目標檢測模型進行改進，得到改進YOLOv3-MobileNet目標檢測模型；

S6：在訓練集上對改進YOLOv3-MobileNet目標檢測模型進行訓練，并在測試集上測試改進YOLOv3-MobileNet目標檢測模型的算法性能，得到最終目標檢測模型；

S7：將最終目標檢測模型移植到嵌入式平臺上；

S8：在嵌入式平臺中獲取待檢測的食材圖片，并把圖片作為最終目標檢測模型的輸入參數，對食材圖片進行識別檢測。