[发明专利]一种基于深度学习的多类别食材识别系统及方法

说明书

本发明公开了一种基于深度学习的多类别食材识别系统及方法，系统包括：初始化层、密集连接层、过渡层、注意力模块和分类层；方法包括：S1，食材进行图片采样，S2，食材图片编号，构建多类别食材数据集；S3，将食材数据集，按比例划分为训练集、验证集和测试集；S4，通过预处理和图片增强，丰富样本；S5，构建基于深度学习的多类别食材识别系统；S6，根据不同单位、不同时间的食材，通过修改包括类别标签、载入权重训练的方式对模型进行调整；S7，获取食材图片后，传到本地和/或云端服务器，使用S5构建好的系统，对食材图片进行分析，得出识别结果并展示。

技术领域

本发明涉及图像识别技术领域，尤其是涉及一种基于深度学习的多类别食材识别系统及方法。

背景技术

近年来随着人工智能及深度学习的迅速发展，餐饮行业的许多环节都有了或多或少的升级，自动化渗入到许多环节之中。但在食材进行加工之前的检测过程中，针对各种食材类别的自动分类识别技术并不成熟，例如在许多餐厅和企业食堂，对供应商提供的初始食材的质检还是通过人工分拣判断完成，不仅增加了人力成本，还可能出现管理不利及相关人员权力滥用的问题。随着计算机视觉技术广泛应用于各种图像的分类任务，使用相关技术完成各种不同食材的分类识别成为可能。

目前虽然已有关于食材的识别分类研究和应用，但都是针对一些常见的蔬菜和水果，且多为交易场景下，同时种类比较少。针对本项目计划解决的多类别(600类以上)食材检测识别问题的研究基本还处于尚未起步的阶段，甚至都还没有一个可用的数据集。同时，当类别数达到一定数量级别时，分类识别的难度也会大大增加，直接使用现有算法很难达到理想的准确度。

综合以上考虑，很有必要设计搭建一种基于深度学习的多类别食材识别方法，部署在后厨设备上，对供应商运送进来的食材进行快速准确的识别。

发明内容

为解决现有技术的不足，实现多类别食材识别的目的，本发明采用如下的技术方案：

一种基于深度学习的多类别食材识别系统，包括：初始化层、密集连接层、过渡层、分类层，密集连接层融合其之前所有层的特征信息，使得特征资源利用率有很大提升，分别与初始化层和分类层连接，过渡层为相邻密集连接层之间的过渡区域，该卷积神经网络结构简洁，它可综合利用多层复杂度较低的浅层特征来扩增信息量，得到一个具有较好泛化性能的决策函数，提高模型的抗过拟合性，最后一个特征提取的卷积层后，加入注意力模块，使系统能有侧重地学习输入图片中的各种特征，兼顾整体特征与局部特征，以实现更有效的特征提取，从而提高识别准确率；

所述初始化层，对输入图片进行初始化，得到初始化后的特征图；

所述密集连接层，使用多个特征图大小相同的卷积模块，对输入的特征图进行深层特征提取，将前面所有卷积模块与后面的卷积模块建立连接，保留不同层次的特征并一起向后传播，卷积模块包括批量归一化层、线性整流层、卷积层，批量归一化层，对数据进行规范化，使其满足标准正态分布，同时也减少了整个训练集梯度的计算时间，线性整流层，采用ReLU激活函数取代Sigmoid、Tanh等激活函数，使梯度下降和误差反向传播的过程更加高效，同时也较好地避免了梯度消失的问题，ReLU函数是一个分段线性函数，把所有的负值都变为0，而正值不变，即一种单侧抑制。当输入是负值的情况下，神经元不会被激活，即同一时间只有部分神经元会被激活，使得神经网络中的神经元具有了稀疏激活性，从而加快运算效率，所述卷积层，用于对经过批量归一化层和线性整流层的数据进行特征提取；

所述过渡层，对之前密集连接层得到的特征图进行降维处理；

所述分类层，对特征进行分类，并映射到分类标签所在的空间；

所述注意力模块，从通道和空间两个维度，强化重要的特征，弱化不必要的特征，以提升网络的特征提取效率。

进一步地，所述注意力模块，提取特征公式如下：