[发明专利]一种适用于嵌入式设备的食材识别方法

权利要求书

1.一种适用于嵌入式设备的食材识别方法，其特征在于，包括以下步骤：

S1：在不同环境下采集各种类的食材图片，制作初始样本数据集；

S2：对初始样本数据集进行预处理和数据增强，得到最终样本数据集；

S3：对最终样本数据集进行标注，并划分为训练集和测试集；

S4：用MobileNet网络代替Darknet-53网络，对YOLOv3的主干网络进行改进，得到YOLOv3-MobileNet目标检测模型；

S5：用DIoU-NMS算法代替NMS算法，对YOLOv3-MobileNet目标检测模型进行改进，得到改进YOLOv3-MobileNet目标检测模型；

S6：在训练集上对改进YOLOv3-MobileNet目标检测模型进行训练，并在测试集上测试改进YOLOv3-MobileNet目标检测模型的算法性能，得到最终目标检测模型；

S7：将最终目标检测模型移植到嵌入式平台上；

S8：在嵌入式平台中获取待检测的食材图片，并把图片作为最终目标检测模型的输入参数，对食材图片进行识别检测。

2.根据权利要求1所述的一种适用于嵌入式设备的食材识别方法，其特征在于，所述步骤S1包括以下步骤：

S11：通过爬虫技术在互联网上或者现场拍照获取各种食材图片；

S12：筛选出各种食材图片中不同环境、不同种类适合作为样本的食材图片，得到初始样本数据集。

3.根据权利要求1所述的一种适用于嵌入式设备的食材识别方法，其特征在于，在所述步骤S2中，所述预处理和数据增强具体为：对初始样本数据集进行处理操作，扩充数据集，得到最终样本数据集；所述处理操作包括平移处理、旋转处理、调整饱和度处理和增加噪声处理。

4.根据权利要求1所述的一种适用于嵌入式设备的食材识别方法，其特征在于，在所述步骤S3中，通过Labelimg标注软件对最终样本数据集进行标注，根据情况设定种类数及种类名，并制成VOC2007标准数据集的格式，然后利用voc_annotation.py文件程序划分训练集和测试集。

5.根据权利要求1所述的一种适用于嵌入式设备的食材识别方法，其特征在于，在所述步骤S4中，运用pycharm集成环境中的keras/tensorflow深度学习框架构建YOLOv3-mobilenet目标检测模型，用轻量化mobilenet网络代替原Darknet-53进行特征提取，得到YOLOv3-MobileNet目标检测模型。

6.根据权利要求1所述的一种适用于嵌入式设备的食材识别方法，其特征在于，所述步骤S6具体包括以下步骤：

S61：调取MobileNet网络的初始权重并设置超参数；

S62：将训练集输入到改进YOLOv3-MobileNet目标检测模型中进行训练，直到损失值达到预设条件或达到最大预设迭代次数后，停止训练，保存最终训练权重；

S63：将测试集输入到训练完毕的改进YOLOv3-MobileNet目标检测模型中，经过卷积层、池化层、MobileNet网络及上采样层，得到多尺度特征图；

S64：将多尺度特征图中的预测结果使用DIoU-NMS算法进行处理，挑选出IoU阈值最大的预测框作为最终的识别结果；

S65：验证识别结果的准确性，若符合要求，则完成步骤S6，得到最终目标检测模型；否则，重新执行步骤S61。

7.根据权利要求6所述的一种适用于嵌入式设备的食材识别方法，其特征在于，在所述步骤S61中，所述超参数包括学习率、步长、迭代次数。

8.根据权利要求6所述的一种适用于嵌入式设备的食材识别方法，其特征在于，所述步骤S64具体为：将多尺度特征图分别与真实框计算IoU值，并与IoU阈值进行对比，筛选出大于IoU阈值的预测框，将IoU阈值最大的预测框作为最终的识别结果。