[发明专利]识别食物种类的方法、系统及装置、冰箱

权利要求书

1.一种识别食物种类的方法，其特征在于，包括：

获取食物的图像信息；

基于深度神经网络的分类器分析所述食物的图像信息，确定所述图像信息的预测类别；

在所述预测类别满足预定条件的情况下，基于深度神经网络模型分析所述信息，识别出所述食物的种类。

2.根据权利要求1所述的方法，其特征在于，在基于深度神经网络的分类器分析所述食物的图像信息，确定所述图像信息的预测类别之前，所述方法还包括：

利用预设的反交叉熵训练方法训练所述深度神经网络模型，获得所述深度神经网络的分类器。

3.根据权利要求2所述的方法，其特征在于，利用预设的反交叉熵训练方法训练所述深度神经网络模型，获得所述深度神经网络的分类器，包括：

将样本训练集合输入到所述深度神经网络中，将反交叉熵作为网络参数的目标函数，并通过最小化平均反交叉熵对所述深度神经网络进行训练；

将训练后的深度神经网络中的输出层的输入取反，将取反后所述输出层的输出作为所述深度神经网络的分类器。

4.根据权利要求1至3中任意一项所述的方法，其特征在于，基于深度神经网络的分类器分析所述食物的图像信息，确定所述图像信息的预测类别，包括：

将所述食物的图像信息输入所述深度神经网络的分类器，利用预设的联合分数阈值输出方法，计算所述图像信息的预测类别。

5.根据权利要求4所述的方法，其特征在于，将所述食物的图像信息输入所述深度神经网络的分类器，利用预设的联合分数阈值输出方法，计算所述图像信息的预测类别，包括：

将所述食物的图像信息输入所述深度神经网络的分类器；

计算得到所述深度神经网络的分类器在所述图像信息上的预测类别。

6.根据权利要求5所述的方法，其特征在于，在计算得到所述深度神经网络的分类器在所述图像信息上的预测类别之后，所述方法还包括：

计算得到所述预测类别的联合分数，该步骤包括：

获取所述深度神经网络的分类器在所述图像信息上的非最大元素熵、预测类别和所述预测类别的置信度；

根据所述非最大元素熵，获取所述深度神经网络的分类器在所述图像信息上的高斯核非最大元素熵；

根据所述高斯核非最大元素熵和所述预测类别的置信度，获取所述预测类别的联合分数。

7.根据权利要求6所述的方法，其特征在于，在根据所述高斯核非最大元素熵和所述预测类别的置信度，获取所述预测类别的联合分数之后，所述方法还包括：

判断所述预测类型的联合分数是否小于等于预设阈值；

如果所述联合分数大于所述预设阈值，确定所述图像信息为正常样本，其中，如果所述图像信息为所述正常样本，则确定所述预测类型满足所述预定条件，输出并返回所述预测类别。

8.根据权利要求7所述的方法，其特征在于，如果所述联合分数小于等于所述预设阈值，则确定所述图像信息为对抗样本，其中，如果所述图像信息为对抗样本，则确定所述预测类别不满足所述预定条件，禁止返回所述预测类别。

9.根据权利要求1所述的方法，其特征在于，在获取食物的图像信息之后，所述方法还包括：

识别采集到的所述图像信息；

如果所述图像信息中包含有文字信息，识别所述文字信息，并基于识别到的所述文字信息确定所述食品的种类；

如果所述图像信息中不包含文字信息，或者识别所述文字信息失败，则执行基于深度神经网络的分类器分析所述食物的图像信息，确定所述图像信息的预测类别的步骤。

10.一种识别食物种类的系统，其特征在于，包括：

内置摄像头的冰箱，用于存储食物，并拍摄得到所述食物的图像信息；

服务器，与所述冰箱通信，用于基于深度神经网络的分类器分析所述食物的图像信息，确定所述图像信息的预测类别，并在所述预测类别满足预定条件的情况下，基于深度神经网络模型学习所述信息，识别出所述食物的种类。