[发明专利]基于深度残差神经网络的食谱生成方法

说明书

本发明公开了一种基于深度残差神经网络的食谱生成方法、设备及计算机可读存储介质，该方法包括：获取待识别食材的目标图像；将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，深度残差神经网络引入了注意力机制；根据待识别食材的种类从预设数据库检索与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；基于二级食谱生成待识别食材的目标食谱。本方法具有提升用户购物体验的优点。

技术领域

本发明涉及食谱生成技术领域，尤其涉及一种基于深度残差神经网络的食谱生成方法、设备及计算机可读存储介质。

背景技术

消费者在日常购买烹饪用食材时，难免会遇到不认识的食材，在相对发达的地区，能够通过食材的指导名称得知食材的名称，而在一些相对欠发达的地区，却缺少这些食材的相关名称，只能依靠商贩说明。此外，对于许多消费者而言，即使知道了食材的名称，也不知道食材的烹饪方式、及其相关料理/菜品，这就导致了用户想烹饪这些未知名的食材时，难以购买相适配的搭配食材与调料，用户的购物体验不佳。

发明内容

本申请实施例通过提供一种基于深度残差神经网络的食谱生成方法，旨在提升用户的购物体验。

为实现上述目的，本申请实施例提供了一种基于深度残差神经网络的食谱生成方法，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。

在一实施例中，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(Squeeze andExcitation block)，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。

在一实施例中，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：