[发明专利]一种食品检测系统、模型训练方法和食品检测方法

说明书

本发明提供了一种食品检测系统、模型训练方法和食品检测方法，该系统包括基于神经网络构建的特征提取器和检测头，其中，特征提取器，用于根据多个处理层对输入的图像进行特征提取以得到图像特征，其中至少部分处理层为动态可变形卷积层，动态可变形卷积层包括多个可变形共享块，每个可变形共享块包括用于确定与输入的图像适配的变形参数的变形单元和多个用于根据该变形单元的变形参数调整卷积形态的动态卷积分支；检测头，用于根据图像特征对输入的图像进行检测，确定输入的图像中食品的位置区域和各位置区域对应的食品类别；本发明可提高食品检测模型的检测性能。

技术领域

本发明涉及神经网络技术领域，具体来说涉及食品图像处理领域，更具体地说，涉及一种食品检测系统、模型训练方法和食品检测方法。

背景技术

食品是支持人们生活的物质基础，饮食也是日常生活中与营养健康关联最大的因素之一，良好的饮食习惯可以帮助人们预防如糖尿病等各种慢性疾病。食品检测是食品计算领域的一种典型检测应用和一项基本任务，基于食品检测的结果，可用于实现自动记录与结算、膳食评估及可持续饮食监测等上游任务，对于个人建立良好的饮食习惯及兼顾营养和环境的可持续饮食有重要意义。

现有的食品检测技术主要有两个发展路线：

(1)利用通用检测模型实现食品检测。例如，此前有研究人员在一个混合了UECFood-100和UECFood-256的数据集上开发了一个基于YOLOv2的食品检测模型，该模型在测试集中可以达到平均接近80％的检测性能。

(2)从实例分割方法出发。此前的研究人员在1620张食品图像上训练一个实例分割模型，从而实现了食品检测。也有研究从网络上收集的食品图像训练一个全卷积神经网络，用于实现基于食品建议分割的网络监督方法。

但是，相比普通的目标检测，食品检测存在一定难点：

(1)食品通常具有细粒度特性，这会导致同一类别的食品在不同场景下的外观出现差异，而使用类似食材和调味料的不同食品的外观则可能相似的特点；在利用通用检测模型进行食品检测时，容易出现错分和漏分的现象。这可能是因为通用的检测模型没有针对食品细粒度的特性进行模型结构设计，从而影响食品检测的准确性。

(2)在现实生活中，检测场景中的影响因素(如盛放食品的容器、图像采集设备的视角和检测场景的照明)往往丰富而多变，这会引发外观变形和光照不均匀等现象，进而导致检测性能的不理想。这仍可能是因为通用的检测模型没有针对食品细粒度的特性进行模型结构设计，从而影响检测性能。

(3)若利用像素级的精细标注训练分割模型，因为像素级的精细标注能够带来较好的训练，但实际标注成本相对较高，因此一般仅利用相对小的数据量进行完成训练。其也因此可能无法适应丰富多变的场景影响要素，进而在实际应用中无法达到理想的性能。

可见，在采用现有的目标检测模型时，由于没有针对食品细粒度的特性进行模型结构设计，影响食品检测的准确性。因此，需要对现有技术进行改进。

发明内容

因此，本发明的目的在于克服上述现有技术的缺陷，提供一种食品检测系统、模型训练方法和食品检测方法。

本发明的目的是通过以下技术方案实现的：

根据本发明的第一方面，提供一种食品检测系统，其包括基于神经网络构建的特征提取器和检测头，其中，特征提取器，用于根据多个处理层对输入的图像进行特征提取以得到图像特征，其中至少部分处理层为动态可变形卷积层，动态可变形卷积层包括多个可变形共享块，每个可变形共享块包括用于确定与输入的图像适配的变形参数的变形单元和多个用于根据该变形单元的变形参数调整卷积形态的动态卷积分支；检测头，用于根据图像特征对输入的图像进行检测，确定输入的图像中食品的位置区域和各位置区域对应的食品类别。