[发明专利]基于深度残差神经网络的食谱生成方法

权利要求书

1.一种基于深度残差神经网络的食谱生成方法，其特征在于，包括：

获取待识别食材的目标图像；

将所述目标图像导入训练完成的深度残差神经网络以识别食材的种类，所述深度残差神经网络引入了注意力机制；

根据所述待识别食材的种类从预设数据库检索与所述食材的相关联的所有菜品的食谱组成一级食谱；

获取用户的口味偏好及饮食预算；

从所述一级食谱中筛选出符合用户口味偏好及饮食预算的菜品组成二级食谱；

基于所述二级食谱生成所述待识别食材的目标食谱。

2.如权利要求1所述的基于深度残差神经网络的食谱生成方法，其特征在于，在将所述目标图像导入训练完成的深度残差神经网络之前，所述方法还包括：

构建深度残差网络，并向深度残差网络中引入注意力模块，所述注意力模块对目标图像执行以下操作：

卷积：对目标图像进行卷积操作得到多个通道特征；

压缩：在保留通道数的基础上压缩通道特征中所有通道的空间维度；

激励：通过通道权重参数为每个压缩后的通道生成重要性权重，以显式地建模通道之间的相关性；

重标定：基于重要性权重对所有通道特征进行重要性重标定。

3.如权利要求2所述的基于深度残差神经网络的食谱生成方法，其特征在于，

卷积操作的函数如下：

其中，卷积核V＝[v₁,v₂,…,v_c]，该卷积核的数量与通道特征的数量一致，v_c为第c个卷积核，*代表卷积操作，v_c*X表示用第C个卷积核对目标图像进行卷积操作其输出U＝[u₁,u₂,…,u_c]，代表一个s通道的2-D卷积核；

压缩操作的函数式如下：

其中，z_c为第C个通道压缩后的值；F_sq(u_c)为压缩函数，其本质是一个全局平均池化操作，目的是将W×H×C的输入转换成1×1×C的输出；W为第C个通道的宽度，H为第C个通道的高度；

激励操作的函数式如下：

s＝F_ex(z，W)＝σ(g(z，W))＝σ(W₂ReLU(W₁z))，

其中，s为通道的重要性权重值；F_ex为激励函数；z为压缩后的通道特征的值；W为权重参数，参数w用以显式地建模通道间的相关性；σ是sigmoid激活函数，ReLU是激活函数；C是通道特征数量；r是缩放参数，作用是减少通道个数从而降低计算量；w₁z表示一个全连接层操作；w₂ReLU(w₁z)表示另一个全连接层操作；

重标定操作的函数式如下：

其中，是重标定的第一通道特征的权重值。

4.如权利要求1至3中任一项所述的基于深度残差神经网络的食谱生成方法，其特征在于，获取用户的口味偏好及饮食预算，包括：

获取用户的历史购物数据及历史饮食数据；

根据所述历史购物数据和所述历史饮食数据确认用户的口味偏好及饮食预算。