[发明专利]一种快速美食图片识别方法及系统

说明书

本发明公开了一种快速美食图片识别方法及系统，其中方法包括如下步骤：采集训练集，将训练集包括美食图片集和非美食图片集两个类别；对美食图片集、非美食图片集分别进行小类划分；构建Inception‑BN网络模型，并利用分类后的美食图片集、非美食图片集对Inception‑BN网络模型进行训练；将待识别图片输入至训练好的Inception‑BN网络模型，计算待识别图片属于美食类图片或非美食类图片的概率，将概率与阈值进行比较，并根据比较结果判断待识别图片所属的类别。本发明大幅提高计算速度，且提高了识别的准确率。

技术领域

本发明涉及图片识别技术领域，具体涉及一种快速美食图片识别方法及系统。

背景技术

现今的图片识别大多由通用的大型卷积神经网络获得，速度都比较慢，并且没有专门针对美食的分类。同时，现有的模型主要的目的为识别大量常见的场景，且训练使用的数据的范围较为广泛。这些方式一般取概率最高的类别作为最终的结果输出，而在面对美食图片时，由于图片内容本身较为复杂，可能包含大量其它场景、物体，并且多种类别的美食很可能出现在同一张图片中，所以取概率最高的类别的方法的准确率不高。另外，由于这些模型的计算量较大，所以速度很慢。

发明内容

本发明的目的是使用卷积神经网络快速、准确地识别出内容是美食的图片。

为了实现上述目的，本发明提供了一种快速美食图片识别方法，包括如下步骤：

采集训练集，将训练集包括美食图片集和非美食图片集两个类别；

对美食图片集、非美食图片集分别进行小类划分；

构建Inception-BN网络模型，并利用分类后的美食图片集、非美食图片集对Inception-BN网络模型进行训练；

将待识别图片输入至训练好的Inception-BN网络模型，计算待识别图片属于美食类图片或非美食类图片的概率，将概率与阈值进行比较，并根据比较结果判断待识别图片所属的类别。

进一步，所述对美食图片集、非美食图片集分别进行分类包括

对美食图片集和非美食图片集进行清洗；

按照美食图片集中相同的美食进行小类划分，非美食图片集中相同的场景进行小类分类，分别得到美食类别、场景类别。

进一步，所述计算待识别图片属于美食类图片或非美食类图片的概率，将概率与阈值进行比较，并根据比较结果判断待识别图片所属的类别包括

计算待识别图片在美食图片中每个小类的概率、以及非美食图片中每个小类的概率；

统计美食图片中所有小类的概率之和S1，非美食图片中所有小类的概率之和S2；

判断S1是否不小于S2，是则确定待识别图片为美食图片，否则为非美食图片。

进一步，所述判断S1是否不小于S2，是则确定待识别图片为美食图片，否则为非美食图片还包括

如果确定待识别图片为美食图片，则标记美食图片的区域，计算该区域占美食图片的比例，将该比例与区域阈值比较，若比例不小于区域阈值，则确定待识别图片美食图片。

进一步，所述Inception-BN网络模型依次包括第一卷积层、第一池化层、第二卷积层、第二池化层、第一inception结构和第二inception结构，其中，第一inception结构包括多个卷积核和至少一个池化层，第二inception结构包括多个卷积核。

本发明还提供了一种快速美食图片识别系统，包括

一种快速美食图片识别系统，其特征在于，包括

采集模块，用于采集训练集，将训练集包括美食图片集和非美食图片集两个类别；