[发明专利]一种基于卷积神经网络的多模型对成品菜的识别方法

说明书

本发明公开了一种基于卷积神经网络的多模型对成品菜的识别方法，包括：收集成品菜的图像，根据菜品种类进行标签标注；对图像进行白平衡和均衡化处理，得到训练数据集；构建至少两个不同的卷积神经网络模型，用训练数据集分别进行迭代训练，得到训练完成后的卷积神经网络模型；将待测图像分别输入训练完成后的卷积神经网络模型进行识别，每个卷积神经网络模型输出菜品种类中每个类别对应的概率值；用投票算法计算不同卷积神经网络模型输出的同一类别对应的概率值的平均值，选取平均值中的最高值所对应的类别作为识别结果。该识别方法避免了人工选取特征和传统特征度量方法适应性不强的缺点，剔除特征中的冗余信息，利于提升识别的准确性。

技术领域

本发明属于数据识别技术领域，特别涉及一种基于卷积神经网络的多模型对成品菜的识别方法。

背景技术

基于卷积神经网络技术的人脸识别、行人识别、车牌识别等产品，可应用与安检系统、门禁系统、安防系统、自动停车场等，但由于其应用场合的特殊性，在普通日常生活中推广应用难道较高。

S.Ysng et al.提出的一种识别快餐食物的系统，Yoshiyuki et al.针对日餐提出的具有现有类别适应性的系统。但这些系统对品种繁复多样的中餐来说并不适用，且对图像中目标位置、图像亮度等有特殊要求，操作相对复杂。

公开号为CN106845527A的中国专利文献公开了一种菜品识别方法，包括以下步骤：1)获得web请求，服务器相应web请求，获取相应图像；2)保存图像，获取输入数据流，生成图像文件名并保存至磁盘；3)图像预处理，对输入的图像进行尺寸调整和归一化；4)使用预先训练的卷积神经网络进行处理，对图像上的物体进行检测及分类，如果没有检测到菜品则结束，如果检测到菜品，则结合分类结果，输出相应菜品信息。公开号为CN106096932A的中国专利文献公开了基于餐具形状的菜品自动识别系统的计价方法，通过容器作为媒介进行菜品识别。通过筛选拍摄的餐盘图像中菜品区域的形状和面积特征，分割餐盘中各个菜品；然后通过训练卷积神经网络得到分类器，直接识别菜品图像来实现菜品识别。

上述方法中使用传统的常规图像识别方法和卷积神经网络方法，如SURF、HOG、颜色特征等，而中餐成品菜颜色多样，形态复杂，常规方法有一定的局限性，某些过程仍然需要人工选择与矫正；浅层神经网络因模型容量较小等原因容易欠拟合，而深层神经网络比以上方法效果更优，一般可以取得较好的识别效果，但是可能因单一模型的性能和容量而限制其识别效果。因此，需要对图像既有很好的适应性又有较好的识别效果的方法。

发明内容

本发明的目的在于提供一种基于卷积神经网络的多模型对成品菜的识别方法，避免了人工选取特征和传统特征度量方法适应性不强的缺点，剔除特征中的冗余信息，利于提升识别的准确性。

一种基于卷积神经网络的多模型对成品菜的识别方法，包括以下步骤：

(1)收集成品菜的图像，根据菜品种类进行标签标注；

(2)对图像进行白平衡和均衡化处理，得到训练数据集；

(3)构建至少两个不同的卷积神经网络模型，用步骤(2)得到的训练数据集分别进行迭代训练，得到训练完成后的卷积神经网络模型；

所述的卷积神经网络模型包括：

特征提取模块，提取待测图像的特征，输出特征图至PCA处理模块和融合分类模块；

PCA处理模块，对输入的特征图进行特征信息提取，输出特征信息至融合分类模块；

融合分类模块，包括全连接层和分类器，全连接层对输入的特征图和特征信息进行全连接计算，分类器对全连接层的输出进行每个类别对应的概率值的预测计算；

(4)将待测图像分别输入训练完成后的卷积神经网络模型进行识别，每个卷积神经网络模型输出菜品种类中每个类别对应的概率值；