【技术实现步骤摘要】
一种基于图像分析的菜品识别分类方法
本专利技术涉及一种菜品识别分类方法，特别涉及一种基于图像分析的菜品识别分类方法。
技术介绍
随着人工智能和大数据时代的到来，传统食堂或者自助餐厅中人工结算不可避免的会造成结算错误、排队等候、工作效率低等多种问题，亟待一些先进技术应用在生活中并更好的用于服务行业。而市场上存在的菜品识别大多数采用特定的用餐工具，如圆形或者方形等餐具、或采用专门标记的餐具来区分菜品来达到识别菜品的目的，智能化程度低，且菜品识别的依赖性强，泛性差。
技术实现思路
为解决上述技术问题，本专利技术提供了一种基于图像分析的菜品识别分类方法，以达到更加智能、准确、高效地进行菜品识别分类的目的。为达到上述目的，本专利技术的技术方案如下：一种基于图像分析的菜品识别分类方法，包括如下步骤：(1)利用摄像机对盛有不同菜品的餐盘进行图像拍摄；(2)对图像中的不同菜品进行检测分割，得到不同菜品的分割框；(3)对菜品的分割框进行边界定位；(4)菜品特征识别模型的训练与推断，得到菜品特征图像；(5)建立菜品特征分类网络，将菜品特征图像输入菜品特征分类网络进行菜品的分类，并将新菜品添加到数据库中。上述方案中，所述步骤(2)具体如下：设餐盘中的菜品数量为a，对给定的菜品目标o，用φ(υo)∈R2×d×1×1来表示菜品目标特征集合，其中，υo表示菜品目标的特征，d代表维度，2代表图像的背景和前景；将整幅图像的像素特征集合表示为ψ(U)∈...
【技术保护点】
1.一种基于图像分析的菜品识别分类方法，其特征在于，包括如下步骤：/n(1)利用摄像机对盛有不同菜品的餐盘进行图像拍摄；/n(2)对图像中的不同菜品进行检测分割，得到不同菜品的分割框；/n(3)对菜品的分割框进行边界定位；/n(4)菜品特征识别模型的训练与推断，得到菜品特征图像；/n(5)建立菜品特征分类网络，将菜品特征图像输入菜品特征分类网络进行菜品的分类，并将新菜品添加到数据库中。/n
【技术特征摘要】 【专利技术属性】
1.一种基于图像分析的菜品识别分类方法，其特征在于，包括如下步骤：
(1)利用摄像机对盛有不同菜品的餐盘进行图像拍摄；
(2)对图像中的不同菜品进行检测分割，得到不同菜品的分割框；
(3)对菜品的分割框进行边界定位；
(4)菜品特征识别模型的训练与推断，得到菜品特征图像；
(5)建立菜品特征分类网络，将菜品特征图像输入菜品特征分类网络进行菜品的分类，并将新菜品添加到数据库中。
2.根据权利要求1所述的一种基于图像分析的菜品识别分类方法，其特征在于，所述步骤(2)具体如下：
设餐盘中的菜品数量为a，对给定的菜品目标o，用φ(υo)∈R2×d×1×1来表示菜品目标特征集合，其中，υo表示菜品目标的特征，d代表维度，2代表图像的背景和前景；
将整幅图像的像素特征集合表示为ψ(U)∈R1×d×h×w，其中，U表示像素的特征，d代表维度，h和w代表图像ψ(U)的高度和宽度；
将图像中表示前景的像素拉向特征空间中对应表示的某一菜品的类别，实现菜品的分割，相关操作定义如下：
Mo＝softmax(Ψ(U)*φ(υo))(1)
其中，*表示卷积操作，相似映射图Mo∈R2×1×h×w，Mo中包含两个通道概率，分别代表菜品目标o中每个像素的前景概率和背景概率。
3.根据权利要求2所述的一种基于图像分析的菜品识别分类方法，其特征在于，所述步骤(3)具体如下：
将检测到的菜品分割框坐标看作一个离散的随机变量，菜品边界位置是边界所在坐标概率的自变量点集argmax，即：
其中，X是分割框边界水平坐标的离散随机变量，M′∈Rh×w代表公式(1)中Mo的前景通道概率，i表示边界上的点，P(X＝i|M′)表示M′的后验概率；
以左边界的推导为例；
根据贝叶斯定理，可以得到：
其中，P(X＝i)和P(M′|X＝i)分别代表先验概率和似然概率；
假设某一菜品的分割框仅与M′中每一行的最大值有关，仅影响它的邻域像素，似然概率定义为：
其中，s是超参数，描述菜品边界对其相邻像素的影响范围，理想情况下，边界上的像素只影响其最近的两个像素，边界框外的像素概率为0，边界内的像素概率为1；
对P(X＝i)采用离散高斯分布：
其中，α代表归一化系数，μ表示高斯分布的均值，σx表示分布的方差，边界位置的分布与对象分割实例尺寸有关，设置为：
μ＝xr，σx＝γ·wb，其中，wb表示边界框的宽度，xr表示左边界的横坐标，γ表示回归边界的权重；
将公式(4)和公式(5)代入公式(3)中，得到P(X＝i|M′)，再将其代入公式(2)得到菜品的左边界，然后用同样的方法得到菜品的其它边界。
技术研发人员：纪刚，周粉粉，周萌萌，
申请(专利权)人：青岛联合创智科技有限公司，
类型：发明
国别省市：山东;37
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。