[发明专利]一种适用于嵌入式设备的食材识别方法

说明书

本发明提供的一种适用于嵌入式设备的食材识别方法，通过将YOLOv3的主干网络Darknet‑53替换为轻量级网络MobileNet和采用DIoU‑NMS算法代替传统NMS算法，满足食材多类别检测同时，极大提高检测速度，满足食材的实时性检测需求；且在满足实时性检测需求的同时，提高了检测的精确度，满足了检测的精确度要求。通过实现检测模型在服务器与嵌入式平台之间的快速移植，能够有效确保检测模型在基于嵌入式系统的小型化设备(尤其是移动设备)上的检测性能，具有更加广阔的应用前景。

本发明涉及计算机和深度学习技术领域，更具体的，涉及一种适用于嵌入式设备的食材识别方法。

背景技术

随着社会发展使得生活水平不断提高，人们对衣食住行的要求逐渐增高。吃，是体现生活质量的一个重要方面，所谓民以食为天，人们不再满足于自己日常所食的菜式，开始注重饮食的多元化，而物流领域的快速发展为此提供了物质基础，人们能够接触更广泛多样的食材，食材的种类，这是什么食材，这个食材能烹饪什么菜式，基本通过人的经验来认知。因此，人们能够通过对食材的识别来使生活更加便利，并且美食应用通过互联网搭建起有关美食的生活社区，优化食谱的内容，提高了用户的体验从而提升了用户的粘性，为嵌入式设备相关的美食应用带来了广阔的前景。

目前主流的深度学习目标检测方法主要分为以候选框和以回归方法为基础的两大类方法。基于候选框的方法主要有R-CNN[2]、Fast RCNN[3]等，这类方法参数多，计算量多，检测速度慢，无法实时检测目标；基于回归的目标检测方法，主要有SSD[4]和YOLO[5]两大系列，其中YOLOv3采用FPN结构，利用多尺寸特征融合进行预测，可同时预测检测对象的类别和位置，但YOLOv3对小目标检测准确率不高，且训练参数较大，耗费计算资源，在移动端和嵌入式端无法直接使用。

CNN已经普遍应用在计算机视觉领域，并且已经取得了不错的效果。随着CNN的发展，其模型深度越来越深，模型复杂度也越来越高。公开号为CN109425190A的中国发明专利申请于2019年3月5日公开了一种冰箱食材管理方法，其中公开了一种深度卷积神经网络的分类算法模型，采用GoogleNet模型、VGG16模型、ResNet模型或者其他卷积网络模型对图像区域进行分类识别。然而，在某些真实的应用场景如移动或者嵌入式设备，如此大而复杂的模型是难以被应用的。首先是模型过于庞大，面临着内存不足的问题，其次这些场景要求低延迟，或者说响应速度要快，

发明内容

本发明为克服现有的基于深度卷积神经网络的食材识别模型在应用过程中，存在复杂度高、识别效率低的技术缺陷，提供一种适用于嵌入式设备的食材识别方法。

为解决上述技术问题，本发明的技术方案如下：

一种适用于嵌入式设备的食材识别方法，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。