[发明专利]一种识别清洗食材图片的模型及识别食材类别的方法

权利要求书

1.一种快速识别食材类别的方法，其特征在于，所述快速识别食材类别的方法，利用基于卷积神经网络的图像分类模型，首先将图像输入到神经网络中，再利用深度学习的前向传播和反向传播误差算法来最小化损失函数，更新权值后，得到一个识别模型，最后利用识别模型对新的图像进行识别分类。

2.如权利要求1所述的快速识别食材类别的方法，其特征在于，所述快速识别食材类别的方法，分别采用AlexNet，VGG-16及CaffeNet这三个卷积神经网络来对实验数据集进行实验，寻找最适合食材图像分类的卷积神经网络架构；并对卷积神经网络架构进行参数调优；具体包括：

步骤一、将图片转换成lmdb格式并计算均值文件：在caffe-master根目录下examples文件夹下面创建一个demo的文件夹，来用存放配置文件和脚本文件；然后编写一个脚本create_filelist.sh，用来生成train.txt和test.txt清单文件，调用convert_imageset命令来转换数据格式，统一转换成640*480大小；运行成功后，在examples/demo下面生成两个文件夹img_train_lmdb和img_test_lmdb，分别用于保存图片转换后的lmdb文件；

步骤二、构建用于训练的模型：图片减去均值再训练，使用计算均值的文件compute_image_mean.cpp，会在examples/myfile/下面生成一个mean.binaryproto的均值文件，再调用models/bvlc_reference_caffenet/文件夹下的模型用于训练；

步骤三、配置train.prototxt及solver.prototxt文件中的参数，用于模型进行训练，修改train.prototxt文件的data层，以及solver.prototxt文件的batch_size以及test_iter；

步骤四、从训练的卷积网络的所有模型中，选出最低损失率和最高精确度的模型，然后用测试数据集对选定的模型进行训练。

3.如权利要求2所述的快速识别食材类别的方法，其特征在于，所述步骤一中，lmdb为容易被Caffe框架所处理的图像格式；

所述步骤三的train.prototxt和solver.prototxt文件中，设置多个超级参数用于使卷积网络获得识别率，同时，对参数进行调优。

4.一种如权利要求1所述快速识别食材类别的方法的识别清洗食材图片的模型，其特征在于，所述识别清洗食材图片的模型为多任务Auto-Clean卷积神经网络模型；所述多任务Auto-Clean卷积神经网络模型包括：

给定一个K类的词库和Yes/No clean标签，多任务Auto-Clean卷积神经网络模型中两个CNN模型将分别对类标签和clean标签进行卷积运算，经过两个CNN模型前向传播后，从最后一个卷积层和第一个全连接层生成的联合特征将会被输入到两个损失层中；从两个损失层学习到的权重参数矩阵将会分解成共享层；同时，从底层的组合矩阵到第一个全连接层具有两个CNN模型的不同信息。