【技术实现步骤摘要】
本专利技术提出了一种基于图像驱动的食物识别及营养分析方法和系统，属于图像识别。
技术介绍
1、随着人们生活水平的提高和健康意识的增强，对食物摄入的营养管理需求日益增加。然而，传统的食物营养分析方法往往需要人工对食物进行称重、分类和营养计算，这种方法不仅耗时耗力，而且容易受到人为因素的影响，导致分析结果的准确性不高。
2、近年来，随着计算机视觉和图像处理技术的快速发展，基于图像的食物识别技术逐渐崭露头角。该技术通过拍摄食物图片，利用计算机对图像进行处理和分析，从而实现对食物种类和营养价值的快速识别和分析。然而，现有的基于图像的食物识别技术仍然存在一些挑战和限制。首先，食物种类繁多，形态各异，这给图像识别带来了很大的难度。传统的图像识别方法的待处理图像数据的图像处理方式只能满足对每种食物进行单独的训练和识别，这不仅需要大量的数据和时间，而且难以实现全面的覆盖，同时，也会对图像识别的准确性产生影响。
技术实现思路
1、本专利技术提供了一种基于图像驱动的食物识别及营养分析方法和系统，用以解决上述现有技术中存在的问题，所采取的技术方案如下：
2、一种基于图像驱动的食物识别及营养分析方法，所述基于图像驱动的食物识别及营养分析方法包括：
3、控制图像采集设备对目标食物进行采集，并获取所述目标食物对应的食物图像数据；
4、对所述目标食物对应的食物图像数据进行图像处理，获取图像处理后的目标食物对应的食物图像数据；其中，所述图像处理包括图像分割和像素值调
5、通过卷积神经网络模型对所述目标食物对应的食物图像数据中的食物信息进行识别，获取食物识别结果；
6、根据所述食物识别结果对所述食物识别结果所包含的食物信息进行营养分析，获取营养分析结果。
7、进一步地，对所述目标食物对应的食物图像数据进行图像处理，获取图像处理后的目标食物对应的食物图像数据，包括：
8、对所述目标食物对应的食物图像数据进行降噪处理，获得降噪处理后的食物图像数据；
9、对所述降噪处理后的食物图像数据进行图像块分割和图像块像素值调整，并通过图像块拼合方式获取像素值调整后的图像块。
10、进一步地，对所述降噪处理后的食物图像数据进行图像块分割和图像块像素值调整，并通过图像块拼合方式获取像素值调整后的图像块，包括：
11、对所述降噪处理后的食物图像数据进行图像块分割，获得多个图像块；
12、对所述降噪处理后的食物图像数据对应的每个图像块进行像素值调整，获取像素值调整后的图像块；
13、将所述像素值调整后的图像块进行拼合，获取像素值调整后的目标食物对应的食物图像数据。
14、进一步地，对所述降噪处理后的食物图像数据进行图像块分割，获得多个图像块，包括：
15、对所述降噪处理后的食物图像数据进行复制，获取复制食物图像数据；
16、将所述降噪处理后的复制食物图像数据进行灰度处理，获得灰度处理后的复制食物图像数据；
17、按照预设的初始图像块的尺寸对所述灰度处理后的复制食物图像数据进行图像分割，获取多个灰度图像块；其中，所述初始图像块图像块的尺寸为a×a，并且，a为奇数；
18、提取所述灰度图像块中的每个像素块对应的灰度值；
19、根据所述灰度图像块中的每个像素块对应的灰度值获取每个灰度图像块的灰度评价系数；其中，所述灰度评价系数通过如下公式获取：
20、
21、其中，k表示每个灰度图像块的灰度评价系数；n表示每个灰度图像块除了中心像素块之外所包含的像素块的个数；xwi表示第i个除了中心像素块之外的像素块的灰度值；xz表示灰度图像块的中心像素块的灰度值；k01和k02分别表示第一系数和第二系数；其中，所述第一系数获取方式如下：
22、当中心像素块的灰度值是所述灰度图像块所包含像素块的灰度最大值时，则所述第一系数通过如下公式获取：
23、
24、其中，xp表示灰度图像块的灰度平均值；xmin表示所述灰度图像块所包含像素块的灰度最小值；
25、当中心像素块的灰度值不是所述灰度图像块所包含像素块的灰度最大值时，则所述第一系数通过如下公式获取：
26、
27、其中，xp表示灰度图像块的灰度平均值；xmin表示所述灰度图像块所包含像素块的灰度最小值；xmax表示所述灰度图像块所包含像素块的灰度最大值；
28、并且，所述第二系数通过如下公式获取：
29、
30、其中，k02表示第二系数；xi表示灰度图像块中的第i个像素块对应的灰度值；xz表示灰度图像块的中心像素块的灰度值；xp表示灰度图像块的灰度平均值；
31、根据所述每个灰度图像块的灰度评价系数确定灰度评价系数的约束条件；
32、将每相邻的两个灰度图像块的灰度评价系数进行比较，并将灰度评价系数满足所述约束条件的相邻的两个灰度图像块合并为一个图像块，获得灰度处理后的复制食物图像数据对应的多个图像块；
33、按照所述灰度处理后的复制食物图像数据对应的多个图像块的分布对原始的所述降噪处理后的食物图像数据进行图像块分割，获得所述降噪处理后的食物图像数据对应的多个图像块。
34、进一步地，根据所述每个灰度图像块的灰度评价系数确定灰度评价系数的约束条件，包括：
35、提取所述灰度图像块的灰度评价系数；
36、根据所述灰度图像块的灰度评价系数获取灰度评价系数最大值和灰度评价系数最小值；
37、提取所述灰度评价系数最大值和灰度评价系数最小值所对应的灰度图像块的中心像素块；
38、利用所述灰度评价系数最大值和灰度评价系数最小值所对应的灰度图像块的中心像素块之间的距离，作为第一距离数据；
39、根据所有所述灰度图像块的灰度评价系数，获取所有所述灰度图像块的灰度评价系数对应的中值参数；
40、提取预设的中值参数偏移量h，其中，所述中值参数偏移量h的取值范围为中值参数h的3％-10％；
41、利用所述预设的中值参数偏移量h结合中值参数h获取系数参数范围；其中，所述系数参数范围为h±h；
42、将所述灰度评价系数符合系数参数的灰度图像块作为目标灰度图像块，并获得多个目标灰度图像块；
43、提取所述灰度评价系数最小值所对应的灰度图像块的中心像素块与每个目标灰度图像块的中心像素块之间的距离，作为第二距离数据；
44、利用所述第一距离数据和多个第二距离数据获取第一约束条件补偿量；其中，所述第一约束条件补偿量通过如下公式获取：
45、
46、其中，ξ01表示第一约束条件补偿量；sm表示第一距离数据对应的距离值；m表示第二距离数据的个数；si表示第i个第二距离数据对应的距离值；max(si)和min(si)表示m个第二距离数据中所包本文档来自技高网...
【技术保护点】
1.一种基于图像驱动的食物识别及营养分析方法，其特征在于，所述基于图像驱动的食物识别及营养分析方法包括：
2.根据权利要求1所述基于图像驱动的食物识别及营养分析方法，其特征在于，对所述目标食物对应的食物图像数据进行图像处理，获取图像处理后的目标食物对应的食物图像数据，包括：
3.根据权利要求2所述基于图像驱动的食物识别及营养分析方法，其特征在于，对所述降噪处理后的食物图像数据进行图像块分割和图像块像素值调整，并通过图像块拼合方式获取像素值调整后的图像块，包括：
4.根据权利要求3所述基于图像驱动的食物识别及营养分析方法，其特征在于，对所述降噪处理后的食物图像数据进行图像块分割，获得多个图像块，包括：
5.根据权利要求4所述基于图像驱动的食物识别及营养分析方法，其特征在于，根据所述每个灰度图像块的灰度评价系数确定灰度评价系数的约束条件，包括：
6.根据权利要求3所述基于图像驱动的食物识别及营养分析方法，其特征在于，对所述降噪处理后的食物图像数据对应的每个图像块进行像素值调整，获取像素值调整后的图像块，包括：
7
8.根据权利要求1所述基于图像驱动的食物识别及营养分析方法，其特征在于，通过卷积神经网络模型对所述目标食物对应的食物图像数据中的食物信息进行识别，获取食物识别结果，包括：
9.根据权利要求1所述基于图像驱动的食物识别及营养分析方法，其特征在于，根据所述食物识别结果对所述食物识别结果所包含的食物信息进行营养分析，获取营养分析结果，包括：
10.一种基于图像驱动的食物识别及营养分析系统，其特征在于，所述基于图像驱动的食物识别及营养分析系统包括：
...【技术特征摘要】
1.一种基于图像驱动的食物识别及营养分析方法，其特征在于，所述基于图像驱动的食物识别及营养分析方法包括：
2.根据权利要求1所述基于图像驱动的食物识别及营养分析方法，其特征在于，对所述目标食物对应的食物图像数据进行图像处理，获取图像处理后的目标食物对应的食物图像数据，包括：
3.根据权利要求2所述基于图像驱动的食物识别及营养分析方法，其特征在于，对所述降噪处理后的食物图像数据进行图像块分割和图像块像素值调整，并通过图像块拼合方式获取像素值调整后的图像块，包括：
4.根据权利要求3所述基于图像驱动的食物识别及营养分析方法，其特征在于，对所述降噪处理后的食物图像数据进行图像块分割，获得多个图像块，包括：
5.根据权利要求4所述基于图像驱动的食物识别及营养分析方法，其特征在于，根据所述每个灰度图像块的灰度评价系数确定灰度评价系数的约束条件，包括：...
【专利技术属性】
技术研发人员：李利明，贺志晶，孙中兴，
申请(专利权)人：北京四海汇智科技有限公司，
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。