[发明专利]一种训练食品图像分类模型的方法及图像分类方法

权利要求书

1.一种训练食品图像分类模型的方法，其特征在于，所述方法包括：

步骤(1)、分别构建多尺度的食品原材料神经网络以及多尺度的食品类别神经网络，所述食品类别神经网络包含基于融合特征的分类器；

步骤(2)、以带有标签的训练图像作为目标图像，对所述食品原材料神经网络以及食品类别神经网络进行训练，其中对目标图像进行多尺度划分，对于每个尺度利用所述食品原材料神经网络获得预测的原材料概率分布作为第一类特征，利用所述食品类别神经网络获取目标图像的类别概率分布特征和深度视觉特征，分别作为第二和第三类特征；

步骤(3)、对于所述目标图像的每种类型特征，分别进行多尺度融合，对于融合后的三种类型特征进行融合；

步骤(4)、将融合后的特征输入到基于融合特征的分类器进行分类。

2.根据权利要求1所述的方法，其特征在于，所述深度视觉特征包括：所述类别神经网络输出层下层预定层数内的视觉特征。

3.根据权利要求1所述的方法，其特征在于，所述食品原材料神经网络和所述食品类别神经网络采用卷积神经网络，对所述食品原材料神经网络以及食品类别神经网络进行训练包括每一个尺度的图像，分别训练一个食品原材料神经网络模型以及食品类别神经网络模型。

4.根据权利要求1所述的方法，其特征在于，包括利用食品类别的预测概率与真实类别的交叉熵来优化所述食品类别神经网络：

以使得该交叉熵最小。

5.根据权利要求1所述的方法，其特征在于，包括训练时使用交叉熵损失函数来优化所述食品原材料神经网络，直至使优化目标最小

6.根据权利要求1所述的方法，其特征在于，所述多尺度划分包括：

对于每一张图像，将图像的横向和纵向分别进行2^N等分，N为大于等于0的整数。

7.根据权利要求1所述的方法，其特征在于，所述步骤(3)中采用下述方式进行三种类型特征的融合：

其中，Norm()是归一化操作，Agg()是特征融合操作，分别为三种类型特征的多尺度融合。

8.根据权利要求1所述的方法，其特征在于，所述步骤(2)包括在进行类别概率分布特征提取时，所述食品类别神经网络输出层之下预定层数的视觉特征当作深度视觉特征。

9.一种利用权利要求1-8之一的方法训练的模型进行食品图像分类的方法，包括：

将待分类图像作为目标图像代入所述训练好的模型进行分类。

10.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现根据权利要求1至8中任一项所述的方法。

11.一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至8中任一项所述的方法。