[发明专利]一种基于多层次学习模型的菜品识别与计价系统及方法

权利要求书

1.一种基于多层次学习模型的菜品识别与计价方法，采用基于多层次学习模型的菜品识别与计价系统进行运作，所述基于多层次学习模型的菜品识别与计价系统由自下而上的多个层次组成，包括终端交互层、餐厅识别层和云端优化层，多个层次间存在信息流闭环迭代更新机制，协同完成上层模型优化融合以及下层识别模型迭代更新，其特征在于，所述基于多层次学习模型的菜品识别与计价方法操作程序包括：

1)所述的多层次间的迭代更新机制，在多层次学习模型的运转过程中，整体系统中菜品识别云端基础模型、餐厅基础模型的初始化构建与获取；

2)菜品识别云端优化模型和餐厅特色模型，根据需要按照不同的周期更新；菜品识别与计价系统中餐厅识别层包含K家餐厅，餐厅K在第N-1天的菜品特色模型为云端优化层在第W周的菜品优化模型为餐厅K第N天菜品识别餐厅特色模型以及云端第W+1周菜品识别云端优化模型的更新与优化；

3)菜品识别与计价系统运行逻辑流程；

4)餐厅识别层中餐厅的动态加入与退出程序；

所述多层次间的迭代更新机制中，所述操作程序2)的具体步骤如下：

步骤2-1.餐厅K第N天菜品识别餐厅特色模型的迭代训练更新；

步骤2-1-1.如果餐厅K当前接收到云端优化层发布的云端第W周菜品识别模型则优先选择将进行网络剪枝，得到模型否则，选择将餐厅K第N-1天的识别模型进行网络剪枝，得到模型

步骤2-1-2.通过餐厅K终端交互层中的每个终端T_{K_i}，采集标注第N天收集的原有菜品图像样本，构建样本数据集其中i＝1,2，......n，i表示终端标识；同时，采集标注第N天收集的新加菜品图像样本，构建样本数据集

步骤2-1-3.添加菜品图像样本集并对其进行增量学习训练，得到模型添加菜品图像样本集并对其进行增量学习训练，得到模型

步骤2-1-4.将模型或者与模型采用增量学习的方法进行模型融合，得到菜品识别餐厅特色模型

步骤2-1-5.将当前获得的最新模型用于更新原有模型，作为餐厅K第N天的菜品识别模型，进而将其用于后续菜品识别；

步骤2-1-6.将餐厅K第N天的菜品识别餐厅特色模型上报至云端优化层；

步骤2-2.云端第W+1周菜品识别云端优化模型的融合训练更新；

步骤2-2-1.将云端优化层第W周的云端优化模型进行网络剪枝，得到模型

步骤2-2-2.云端优化层接收餐厅识别层中K家餐厅上报的特色模型集其中表示餐厅K第W周七天的特色模型集合；

步骤2-2-3.采用增量学习的方法，将模型与进行融合，得到云端优化层第W+1周的菜品识别云端优化模型

步骤2-2-4.云端优化层将更新后第W+1周的模型发布至餐厅识别层中的每家餐厅。

2.根据权利要求1所述的基于多层次学习模型的菜品识别与计价方法，其特征在于，所述多层次间的信息流传递机制，餐厅识别层是其功能核心，其与下层终端交互层和上层云端优化层都具有动态双向闭环信息通路；其中与下层的双向通路，从下层获取菜品图像与交互信息，进行菜品识别模型的迭代训练、识别与计价，并将识别与计价结果反馈至下层；与上层的双向通路：向其上层定期发送本层训练后的最新模型，并接收上层优化后的系统菜品识别模型，而后在此模型上进行下一轮的增量学习训练。

3.根据权利要求1所述的基于多层次学习模型的菜品识别与计价方法，其特征在于，所述终端交互层处于最下层，负责菜品图像采集以及顾客人机交互与计价；所述餐厅识别层处于中间层，由系统内所有餐厅识别系统组成，餐厅识别层从云端优化层，定期获得全局融合优化后的菜品模型，形成云端优化模型，并从终端交互层定期获取菜品样本图像，生成餐厅特色模型，同时定期将其模型发送至云端优化层；所述云端优化层处于最上层，负责后续餐厅识别层中多个餐厅不同菜品识别模型的收集与模型融合，进而生成云端优化模型；云端优化层中维护着统一的云端菜品识别模型，并定期向餐厅识别层发布云端优化模型，用于支撑其构建适应自身餐厅的餐厅特色模型。