[发明专利]一种食材图像的智能化识别方法、系统和家用电器

权利要求书

1.一种食材图像的智能化识别方法，其特征在于，包括以下步骤：

步骤1，建立用于检测食材类型和食材位置的卷积神经网络，并采用Map/Reduce并行方式对所述卷积神经网络进行训练；

步骤2，获取智能电器中的食材图像；

步骤3，采用步骤1训练结束的卷积神经网络对所述食材图像进行识别，获取食材类型和食材在家用电器中的位置；

所述步骤1具体为：

S1，采集智能电器中的食材图像样本；

S2，构建卷积神经网络，所述卷积神经网络包括区域网络和分类网络，所述区域网络包括至少一个卷积层、至少一个池化层和两个全连接层；

S3，形成多个输入文件，每个输入文件包括食材图像样本、区域网络中池化层的模型参数、全连接层的模型参数和卷积层中的至少一个卷积核；

S4，在hadoop平台各个节点的Mapper端启动Map任务，每个Mapper端分别获取所述输入文件，并输出所述食材图像样本上的至少一个目标候选区域；

S5，在hadoop平台各个节点的Reducer端启动Reduce任务，每个Reducer端获取至少一个所述目标候选区域，并采用至少一个所述目标候选区域和反向传播算法对所述分类网络进行一次训练，以优化所述分类网络的参数；

S6，采用训练后的所述分类网络对所述区域网络进行初始化，以使所述区域网络与所述分类网络共享卷积层，并调整所述区域网络中池化层和全连接层的参数；

S7，重复步骤S3～S6，直到所述区域网络的预设损失函数的函数值达到预设值。

2.根据权利要求1所述的食材图像的智能化识别方法，其特征在于，还包括步骤4，具体为：根据食材类型和食材在家用电器中的位置，采用对应的控制方法对家用电器进行控制。

3.根据权利要求1所述的食材图像的智能化识别方法，其特征在于，所述步骤S4中，每个Mapper端输出所述食材图像样本上的至少一个目标候选区域的具体步骤包括：

根据所述输入文件采用所述区域网络中的卷积层和池化层对所述食材图像样本进行处理，生成特征图像，将所述特征图像输入到所述区域网络的两个全连接层，一个全连接层输出至少一个候选区域，所述候选区域为所述食材图像样本中目标食材所处的区域；另一个全连接层输出每个候选区域为目标候选区域的得分；

对所述得分进行排序，并按照排序结果对所述候选区域进行筛选，生成至少一个目标候选区域。

4.一种食材图像的智能化识别系统，其特征在于，包括模型训练模块、图像获取模块和识别模块，

所述模型训练模块用于建立用于检测食材类型和食材位置的卷积神经网络，并采用Map/Reduce并行方式对所述卷积神经网络进行训练；

所述图像获取模块用于获取智能电器中的食材图像；

所述识别模块用于采用训练结束的卷积神经网络对所述食材图像进行识别，获取食材类型和食材在家用电器中的位置；

所述模型训练模块包括：

采集单元，用于采集智能电器中的食材图像样本；

构建单元，构建卷积神经网络，所述卷积神经网络包括区域网络和分类网络，所述区域网络包括至少一个卷积层、至少一个池化层和两个全连接层；

切片单元，用于形成多个输入文件，每个输入文件包括食材图像样本、区域网络中池化层的模型参数、全连接层的模型参数和卷积层中的至少一个卷积核；

Map单元，用于在hadoop平台各个节点的Mapper端启动Map任务，每个Mapper端分别获取所述输入文件，并输出所述食材图像样本上的至少一个目标候选区域；

Reduce单元，用于在hadoop平台各个节点的Reducer端启动Reduce任务，每个Reducer端获取至少一个所述目标候选区域，并采用至少一个所述目标候选区域和反向传播算法对所述分类网络进行一次训练，以优化所述分类网络的参数；

参数调整单元，用于采用训练后的所述分类网络对所述区域网络进行初始化，以使所述区域网络与所述分类网络共享卷积层，并调整所述区域网络中池化层和全连接层的参数；

控制单元，用于驱动切片单元根据调整后的所述区域神经网络的参数形成新的输入文件，并依次驱动Map单元、Reduce单元和参数调整单元，直到所述区域神经网络的预设损失函数的函数值达到预设值。