[发明专利]一种实时的披萨成熟度估计算法

说明书

披萨在烤箱烤制的过程中的成熟时间会因为面饼的厚度，馅料的数量以及披萨的大小不同而有所差异，这就给披萨的成熟度估计带来极大的困难。本发明提出一种实时的披萨成熟度估计算法，通过一个安装在烤箱内部的摄像机采集披萨图像，通过深度学习和统计学算法来估计披萨的成熟度。可以做到披萨的成熟度的实时估计和糊化报警。实验结果表明，该方法准确度达到90％以上。

技术领域

本发明属于计算机视觉领域，是深度学习在计算机视觉中的一项重要应用，尤其是涉及到披萨成熟度估计算法

技术背景

披萨是一种由特殊的酱汁和馅料，做成的具有意大利风味的食品，但其实这种食品已经超越语言与文化的障碍，成为全球通行的小吃，受到各国消费者的喜爱。而且制作相对简单，尤其是在烤箱出现以后。但是由于面饼的厚度，馅料的数量以及披萨的大小不同，导致不同的披萨的烘焙时间不尽相同，而且烤箱在加热后不便观察。这就给烹饪者判断披萨的成熟度带来了极大的困扰

针对这一问题，我们提出了一种基于深度学习的披萨成熟度估计算法，通过安装在烤箱内部的耐高温摄像头捕获烤箱内披萨的状态，然后使用深度学习算法对图像进行处理，将图里后的图像通过统计学的方法计算其“糊度”，从而可以实时估算出披萨的成熟度。

相比其他成熟度估计算法，本算法需要更少训练数据，实现实时的披萨成熟度估计。

发明内容

本发明提出了一种一种实时的披萨成熟度估计算法。该方法结合深度学习算法和统计学方法，用尽可能少的训练数据达到对披萨成熟度估计的目的。

其技术解决方案是：

步骤1)，采集披萨从进烤箱到成熟整个过程的图像，每个披萨会得到一组照片，定义每组的第一张图像为该组的基准图像；

步骤2)，标注采集到的图像中披萨的位置。并将标注好的数据按照3：1的比例分成训练集和测试集。

步骤3)，构建并训练基于PoolNet的显著性检测网络。

步骤4)，将显著性检测网络检测的结果作为前景掩码与原图融合，去除背景；

步骤5)，将步骤4)中融合后的图像以每组的基准图像为基准进行归一化；

步骤6)，将图像使用SLIC算法进行超像素分割；并将该分割应用到整组图像中；

步骤7)，将步骤6)基准超像素图像分别与得到的超像素图像做欧氏距离度量。

步骤8)，欧氏距离小于阈值u的表示该点已经糊化。统计糊化的点的数量。

步骤9)，将每组糊化点进行曲线拟合得到成熟度曲线。

步骤10)，将测试集中图像先经过显著性检测网络和超像素分割后与当前组的基准图片进行距离度量，计算像素点与阈值u、v的关系，就可以得到该图像中披萨的成熟度。

所述步骤1)中根据披萨成熟时间设置采样频率30s每次，使得每个披萨拍摄的照片数量适中，便于后期的曲线拟合；将第一张图像定义为基准图像，之后的归一化以及糊化判断都是基于基准图像，能够有效排除披萨自身差异以及背景变换对披萨成熟度判断的影响。

所述步骤2)中通过手工标注的方式标定披萨所在位置，为之后的显著性检测做准备。

所述步骤3)中数据通过线性变换方法进行增强和显著性检测网络的梯度下降训练方法。

所述步骤4)中用训练好的显著性检测网络来检测训练集中的披萨位置，将检测的结果作为前景掩码与原图融合，去除背景。

所述步骤5)中以基准图像为基准进行图像的归一化处理，排除披萨之间的差异对实验结果的影响。

所述步骤6)中用超像素分割算法SLIC对披萨进行超像素分割。