本发明专利技术公开了一种基于标准食品识别的每日营养摄取分析方法，首先获取用户的个人信息，根据所述个人信息构建人工智能用户营养成分摄入模型；再获取食品信息数据库并构建标准食品识别模型；用户使用电子设备对食品进行拍摄得到拍摄图像，将所述拍摄图像输入到所述标准食品识别模型中进行识别，得到食品类别名；通过人工智能用户营养成分摄入模型给用户提供食用建议；根据用户是否确认食用所述食品进行更新优化；本发明专利技术能够准确定位用户所拍摄的食品，对定位区域内的食品图像再做分类和识别，识别效果好，可以适用于日常生活，同时，本专利可以根据用户的不同需求提供不同的食用建议，适用于用户每日营养摄入监控和管理，自动化程度高。动化程度高。动化程度高。
【技术实现步骤摘要】
一种基于标准食品识别的每日营养摄取分析方法及系统
[0001]本专利技术涉及计算机视觉自动识别食品种类领域，特别是涉及一种基于标准食品识别的每日营养摄取分析方法及系统。
技术介绍
[0002]目前，随着经济的发展和社会的进步及生活水平的不断提高，人们对食物营养与健康倍加关注，合理的营养是人类的智力、身体潜能和社会活动能力充分发挥的先决条件。
[0003]与此同时，人们对生活质量也愈来愈重视。人本身的身体状况会直接影响到生活质量的好坏，而人体每天摄入的食物量及食物营养的配比直接影响到身体状况。
[0004]因此对食物的选择和摄取也被作为一项控制人体健康的研究课题,受到人们的重视。
[0005]人们意识到日常饮食中营养成分的重要性，但是对于标准食品的营养成分认识还不够充分。
[0006]现有技术使用方式复杂，识别效果不够好，无法根据用户需求给出饮食建议。
[0007]公告号为CN 113077869 A，名称为AI营养摄入管理方法、计算机存储介质及电子设备的专利文献，提出了能根据不同的场景及使用者每餐的营养摄入及时调整下一餐的营养摄入量及运动量，但是只能获取智能冰箱内的食物，对其他标准食品识别效果不理想，无法根据用户需求给出食用建议。
[0008]公告号为CN 110648331 A，名称为用于医学图像分割的检测方法、医学图像分割方法及装置的专利文献，使用YOLO网络前端设有的SPP网络结合bounding box对图像进行分割，但分割得到的图像准确度低导致识别效果不好。<br/>
技术实现思路
[0009]针对上述问题，本专利技术提供一种基于标准食品识别的每日营养摄取分析方法及系统。
[0010]本专利技术是这样实现的，一种基于标准食品识别的每日营养摄取分析方法，包括：S10：获取用户的个人信息，根据所述个人信息构建人工智能用户营养成分摄入模型；S20：获取食品信息数据库并构建标准食品识别模型；S30：用户使用电子设备对食品进行拍摄得到拍摄图像，将所述拍摄图像输入到所述标准食品识别模型中进行识别，得到食品类别名；S40：在所述食品信息数据库中获取所述食品类别名对应的营养成分信息，并通过人工智能用户营养成分摄入模型给用户提供食用建议；S50：人工智能用户营养成分摄入模型根据用户是否确认食用所述食品进行更新优化；所述食品信息库包括食品类别、食品图像、营养成分信息表、食品标签和专家指导
意见。
[0011]进一步地，所述个人信息包括：身高、体重、疾病史、过敏原和目标摄入量，所述目标摄入量指用户设定的每日摄入的营养成分总值。
[0012]进一步地，所述构建人工智能用户营养成分摄入模型，包括：S11：获取用户的个人信息，使用决策树和知识图谱生成用户标签，所述用户标签代表用户的饮食情况；S12：根据每日用户的目标摄入量和已摄入量计算剩余摄入量：Z=W
‑
X；其中，Z表示剩余摄入量，W表示目标摄入量，X表示已摄入量；所述已摄入量是根据每日用户所食用的所有食品对应营养成分的累加和。
[0013]进一步地，所述构建标准食品识别模型，包括：S21：获取公司自采标准食品数据集，所述公司自采标准数据集由公司官方获取的标准食品数据；S22：使用所述标准食品数据集构建标准食品识别模型；所述公司自采标准数据集包括：标准食品图像和所述标准食品图像对应的食品标签。
[0014]进一步地，所述将拍摄图像输入到所述标准食品识别模型中进行识别，得到食品类别名包括：S31：读取用户拍摄的食品图像输入到CNN网络中，生成N张特征图，其中，N为大于0的正整数；S32：将所述特征图经过多尺度变换，生成M张子图像，其中，M为大于0的正整数；S33：对所述子图像使用bounding box分割得到所述食品的目标区域；S34：使用YOLO模型的SPP框架对所述目标区域进行处理得到每个目标区域中包含的食品的特征坐标；S35：根据所述特征坐标获取目标图像，将所述目标图像与最高食品类别概率对应，返回识别的食品类别名；所述最高食品类别概率是特征图经CNN卷积生成更复杂的特征图，将所述更复杂的特征图中的信息经CNN中全连接层判定汇总，生成食品类别概率，选取最高的食品类别概率作为最高食品类别概率。
[0015]进一步地，所述子图像是使用拉普拉斯算子将特征图经过多尺度变换的正变换得到。
[0016]进一步地，所述食用建议包括：将所述食品类别名对应食品的营养成分信息与用户标签进行分析得到分析结果，根据所述分析结果结合专家指导意见给出用户是否适合食用所述食品的食用建议。
[0017]进一步地，所述人工智能用户营养成分摄入模型根据用户是否确认食用所述食品进行更新优化包括：人工智能用户营养成分摄入模型根据每日用户是否摄入所述食品计算得到剩余摄入量，根据所述剩余摄入量在食品信息数据库中找到对应的食品，将所述食品推荐给用户并更新食用建议；不同食品图像识别得到的食品类别名经人工智能用户营养成分摄入模型中得到不同的分析结果，根据所述不同的分析结果，可以给出不同的食用建议，用户根据所述食用
建议决定是否食用所述食品，人工智能用户营养成分摄入模型根据用户选择更新优化。
[0018]进一步地，一种基于标准食品识别的每日营养摄取分析系统包括：用户登录模块：用于用户根据账号和密码登录系统，登录成功后可以读取用户个人信息及所述用户的历史饮食记录；用户模型构建模块：用于根据用户录入的个人信息，构建人工智能用户营养成分摄入模型；智能食品识别模块: 用于用户使用电子设备对食品进行拍摄得到拍摄图像，将所述拍摄图像输入到所述标准食品识别模型中进行识别，得到食品类别名；食品摄入建议模块：用于在所述食品信息数据库中获取所述食品类别名对应的营养成分信息，并通过人工智能用户营养成分摄入模型确定给用户的食用建议；模型更新模块：人工智能用户营养成分摄入模型根据用户是否确认食用所述食品进行更新优化；其中，新用户则先进行注册登录，登陆后新建用户个人信息。
[0019]本专利能准确定位用户所拍摄的食品，对定位区域内的食品图像再做分类和识别，识别效果好，可以适用于日常生活。
[0020]更进一步的，本专利可以根据用户的不同需求提供不同的食用建议，适用于用户每日营养摄入监控和管理，自动化程度高，同时，本专利可以搭载在移动电子设备上，实用性更强，结构更轻量化。
附图说明
[0021]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
[0022]为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0023]图1是本公开实施例提供的一种基于标准食品识别的每日营养摄取分析方法流程图。
[0024]图2是本公开实施例提供的一种基于标准食品识别的每日营养摄取分析本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于标准食品识别的每日营养摄取分析方法，其特征在于，包括：S10：获取用户的个人信息，根据所述个人信息构建人工智能用户营养成分摄入模型；S20：获取食品信息数据库并构建标准食品识别模型；S30：用户使用电子设备对食品进行拍摄得到拍摄图像，将所述拍摄图像输入到所述标准食品识别模型中进行识别，得到食品类别名；S40：在所述食品信息数据库中获取所述食品类别名对应的营养成分信息，并通过人工智能用户营养成分摄入模型给用户提供食用建议；S50：人工智能用户营养成分摄入模型根据用户是否确认食用所述食品进行更新优化；所述食品信息库包括食品类别、食品图像、营养成分信息表、食品标签和专家指导意见。2.如权利要求1所述的一种基于标准食品识别的每日营养摄取分析方法，其特征在于，所述个人信息包括：身高、体重、疾病史、过敏原和目标摄入量，所述目标摄入量指用户设定的每日摄入的营养成分总值。3.如权利要求1所述的一种基于标准食品识别的每日营养摄取分析方法，其特征在于，所述构建人工智能用户营养成分摄入模型，包括：S11：获取用户的个人信息，使用决策树和知识图谱生成用户标签，所述用户标签代表用户的饮食情况；S12：根据每日用户的目标摄入量和已摄入量计算剩余摄入量：Z=W
‑
X；其中，Z表示剩余摄入量，W表示目标摄入量，X表示已摄入量；所述已摄入量是根据每日用户所食用的所有食品对应营养成分的累加和。4.如权利要求1所述的一种基于标准食品识别的每日营养摄取分析方法，其特征在于，所述构建标准食品识别模型，包括：S21：获取公司自采标准食品数据集，所述公司自采标准数据集由公司官方获取的标准食品数据；S22：使用所述标准食品数据集构建标准食品识别模型；所述公司自采标准数据集包括：标准食品图像和所述标准食品图像对应的食品标签。5.如权利要求1所述的一种基于标准食品识别的每日营养摄取分析方法，其特征在于，所述将拍摄图像输入到所述标准食品识别模型中进行识别，得到食品类别名包括：S31：读取用户拍摄的食品图像输入到CNN网络中，生成N张特征图，其中，N为大于0的正整数；S32：将所述特征图经过多尺度变换，生成M张子图像，其中，M为大于0的正整数；S33：对所述子图像使用bounding box分割得到所述食品的目标区域；S34：使用YOLO模型的...
【专利技术属性】
技术研发人员：唐泳，周祎楠，王唯佳，
申请(专利权)人：北京富通智康科技有限公司，
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。