一种基于深度卷积神经网络的菜谱识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108537177A(43)申请公布日2018.09.14(21)申请号201810324775.2(22)申请日2018.04.12(71)申请人徐州乐健天合健康科技有限公司地址221341江苏省徐州市邳州市岔河镇工业园区(72)发明人陈钊民潘飞韩旭徐春蕾张可心顾旭东郭延文(74)专利代理机构江苏圣典律师事务所32237代理人胡建华于瀚文(51)Int.Cl.G06K9/00(2006.01)G06N3/04(2006.01)权利要求书2页说明书7页附图4页(54)发明名称一种基于深度卷积神经网络的菜谱识别方法(57)摘要本发明公开了一种基于深度卷积神经网络的菜谱识别方法，包括以下步骤：步骤1：采集N类菜谱的图像并按类进行筛选；步骤2：对筛选后的图像进行预处理；步骤3：用经过预处理后的菜谱图像训练模型；步骤4：采集待检测菜谱图像并进行预处理；步骤5：根据步骤3得到的训练好的模型用步骤4得到的预处理后的图像作为输入进行菜谱检测；步骤6：根据步骤5的检测结果就可以得到待识别菜谱图像的3-5种相似度最高的选择菜谱。CN108537177ACN108537177A权利要求书1/2页1.一种基于深度卷积神经网络的菜谱识别方法，其特征在于，包括以下步骤：步骤1：采集N类菜谱的图像并按类进行筛选；步骤2：对筛选后菜谱的图像进行预处理；步骤3：用经过预处理后的菜谱图像训练模型；步骤4：采集待检测菜谱图像并进行预处理；步骤5：根据步骤3得到的训练好的模型用步骤4得到的预处理后的待检测菜谱图像作为输入进行菜谱检测；步骤6：根据步骤5的检测结果得到待识别菜谱图像的3～5种相似度最高的选择菜谱。2.如权利要求1所述的方法，其特征在于，步骤1包括：在网络上爬取N类菜谱图像，并对爬取到的图像进行筛选，去除其中与菜肴不对应的图像。3.根据权利要求2所述的方法，其特征在于，步骤2包括如下步骤：步骤2-1，对长方形的图像进行裁剪，裁剪成菜品居中的正方形图像；步骤2-2，将裁剪后的正方形图像缩放成250*250；步骤2-3，对缩放后的正方形图像进行随机的翻转和裁剪，得到224*224的图像；步骤2-4，对224*224图像做归一化处理。4.根据权利要求3所述的方法，其特征在于，步骤2-4包括如下步骤：步骤2-4-1，计算所有224*224图像的均值mean和标准差std；步骤2-4-2，将224*224图像的原始值x标准化到z，具体公式如下：其中x为图像的像素值。5.根据权利要求4所述的方法，其特征在于，步骤3包括如下步骤：步骤3-1，构造神经网络模型；步骤3-2，初始化神经网络模型的参数，使每一层输出的方差相等；步骤3-3，用步骤2-4-2得到的z对神经网络模型进行训练，得到训练好的模型。6.根据权利要求5所述的方法，其特征在于，步骤3-1包括：构造神经网络模型，该模型包含4种共33个构造块，卷积层1层，池化层2层以及softmax分类层1层，具体结构为：输入是大小为224*224*3的图像；第1层为卷积层，卷积核的大小是7*7，卷积核的数量是64；第2层为最大值池化层；接下来是3个输入为64维输出为256维的构造块；4个输入为128维输出为512维的构造块；23个输入为256维输出为1024维的构造块；3个输入为512维输出为2048维的构造块；然后为池化层，采用的池化操作是平均池化，最后一层为softmax分类层。7.根据权利要求6所述方法，其特征在于，步骤3-1还包括：构建构造块，对于每一个构造块，使用了三个叠加层，分别是卷积核大小为1*1、3*3和1*1的卷积层。8.根据权利要求7所述方法，其特征在于，步骤3-2包括：使每一层的权重Wi满足以下条件：2CN108537177A权利要求书2/2页i其中i表示网络的层数，Var表示方差，W表示第i层的权重，ni表示第i层输入的个数；由概率统计[a,b]间的均匀分布的方差为：权重W满足下式：其中j表示网络的层数，U表示均匀分布，nj表示第j层输入的个数。9.根据权利要求8所述方法，其特征在于，步骤4包括：在网络上爬取待检测菜谱图像，并采用步骤2-1～步骤2-4的方法对待检测菜谱图像进行预处理。10.根据权利要求9所述方法，其特征在于，步骤5中，将步骤4中得到的预处理后的待检测菜谱图像作为输入，使用步骤3中训练好的模型对输入进行检测，判断输入的菜谱图像所属的类别。3CN108537177A说明书1/7页一种基于深度卷积神经网络的菜谱识别方法技术领域[0001]本发明属于视觉识别技术领域，涉及一种基于深度卷积神经网络的菜谱识别方法。背景技术[0002]随着通信技术的发展和移动设备的普及，信息的传递更加的便捷。人们活跃于各式各样的社交媒