[发明专利]用于识别菜品的方法和装置

说明书

本申请实施例公开了用于识别菜品的方法和装置。该方法的一具体实施方式包括:获取待识别图像；将待识别图像输入预先训练的第一菜品识别模型，得到第一识别结果；基于所得的第一识别结果，确定待识别图像中是否存在菜品；若存在菜品，则将待识别图像输入预先训练的第二菜品识别模型，得到第二识别结果，基于第二识别结果生成第三识别结果，并输出第三识别结果。该实施方式实现了对菜品的识别。

技术领域

本申请实施例涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及用于识别菜品的方法和装置。

背景技术

菜品，是指各类品种的菜，例如剁椒鱼头、小炒肉等等。随着菜品品种的不断增多，人们通过肉眼通常只能辨别出少数品种的菜品。因此，帮助用户进行菜品识别成为了一种需求。而且，菜品识别还可以应用到多种不同的应用场景，例如餐饮店铺的结账流程、智能餐盘对菜品的语音介绍、智能冰箱针对存放的不同菜品的监控等等。

发明内容

本申请实施例提出了用于识别菜品的方法和装置。

第一方面，本申请实施例提供了一种用于识别菜品的方法，该方法包括：获取待识别图像；将上述待识别图像输入预先训练的第一菜品识别模型，得到第一识别结果，其中，上述第一识别结果包括上述待识别图像中存在菜品的概率和不存在菜品的概率，上述第一菜品识别模型用于表征图像与第一识别结果之间的对应关系；基于所得的第一识别结果，确定上述待识别图像中是否存在菜品；若存在菜品，则将上述待识别图像输入预先训练的第二菜品识别模型，得到第二识别结果，基于上述第二识别结果生成第三识别结果，并输出上述第三识别结果，其中，上述第二识别结果包括上述待识别图像中存在指定的菜品类别集合中的每个菜品类别下的菜品的概率，上述第二菜品识别模型用于表征图像与第二识别结果之间的对应关系。

在一些实施例中，上述第二菜品识别模型是通过对预设的卷积神经网络进行训练得到的，上述卷积神经网络包括卷积层、池化层、全连接层和损失层，其中，上述卷积层包括用于提取与菜品中的食材相关的图像特征的卷积层和用于提取与菜品相关的图像特征的卷积层，上述损失层用于基于接收到的与菜品中的食材相关的图像特征和与菜品相关的图像特征计算损失。

在一些实施例中，上述卷积神经网络是通过以下训练步骤训练得到的：获取预置的样本图像集合和与上述样本图像集合中的每个样本图像对应的标签信息，其中，该样本图像是显示有菜品的图像，上述标签信息包括用于指示该样本图像显示的菜品所归属的菜品类别的第一标签和用于指示该菜品包含的食材所归属的食材类别的第二标签；利用机器学习方法，基于上述样本图像集合、上述样本图像集合中的每个样本图像所对应的标签信息、预设的分类损失函数和反向传播算法对上述卷积神经网络进行训练，得到第二菜品识别模型。

在一些实施例中，上述基于上述第二识别结果生成第三识别结果，包括：按照数值大小，从上述待识别图像中存在上述菜品类别集合中的菜品类别下的菜品的概率中选取概率，并将选取出的概率和该概率所对应的菜品类别的名称生成第三识别结果。

在一些实施例中，上述按照数值大小，从上述待识别图像中存在上述菜品类别集合中的菜品类别下的菜品的概率中选取概率，包括：按照数值由大到小的顺序，对上述待识别图像中存在上述菜品类别集合中的菜品类别下的菜品的概率进行排序，得到概率序列；从上述概率序列的首部开始选取预置数目个概率。

在一些实施例中，上述按照数值大小，从上述待识别图像中存在上述菜品类别集合中的菜品类别下的菜品的概率中选取概率，还包括：从上述待识别图像中存在上述菜品类别集合中的菜品类别下的菜品的概率中选取不小于概率阈值的概率。

在一些实施例中，上述方法还包括：若上述待识别图像中不存在菜品，则生成用于指示上述待识别图像中不存在菜品的文本信息，将上述文件信息和上述待识别图像中不存在菜品的概率生成第四识别结果，并输出上述第四识别结果。

在一些实施例中，上述方法还包括：将上述待识别图像作为新的样本图像进行存储。