CN112001430A - 冰箱食材检测方法、装置、存储介质及电子装置 - Google Patents

冰箱食材检测方法、装置、存储介质及电子装置 Download PDF

Info

Publication number
CN112001430A
CN112001430A CN202010790806.0A CN202010790806A CN112001430A CN 112001430 A CN112001430 A CN 112001430A CN 202010790806 A CN202010790806 A CN 202010790806A CN 112001430 A CN112001430 A CN 112001430A
Authority
CN
China
Prior art keywords
image
blocks
food material
similarity
block
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010790806.0A
Other languages
English (en)
Inventor
刘彦甲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Haier Uplus Intelligent Technology Beijing Co Ltd
Original Assignee
Haier Uplus Intelligent Technology Beijing Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Haier Uplus Intelligent Technology Beijing Co Ltd filed Critical Haier Uplus Intelligent Technology Beijing Co Ltd
Priority to CN202010790806.0A priority Critical patent/CN112001430A/zh
Publication of CN112001430A publication Critical patent/CN112001430A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30128—Food products

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Cold Air Circulating Systems And Constructional Details In Refrigerators (AREA)

Abstract

本发明提供了一种冰箱食材检测方法、装置、存储介质及电子装置，该方法包括：获取在不同时间对冰箱中同一食材存储区域所采集的第一图像和第二图像；分别对所述第一图像和第二图像进行图像分块和哈希编码，获得第一图像的分块与所述第二图像的对应分块的相似度；根据所述相似度确定所述冰箱的食材存储区域的食材变化信息。在本发明中，通过采用统计学图像处理方式对冰箱食材的图像进行检测，因此，不需要采集大量数据和标注，从而达到了快速食材检测效果。并且不需使用专用的GPU服务器，节省资源。

Description

冰箱食材检测方法、装置、存储介质及电子装置
技术领域
本发明实施例涉及图像处理领域，具体而言，涉及一种冰箱食材检测方法、装置、存储介质及电子装置。
背景技术
由于用户经常对冰箱中的食材进行放入和取出操作，经常由于操作时间长或其它问题而忘记放入或取出的是什么食材，用户希望查看新放入或取出的食材，用户希望知道冰箱中最新变动的食材。
相关技术采用深度学习算法实现食材检测，根据两张图片检测结果，对比两张图片中减少或增加的食材，从而确定哪个食材有变动。深度学习算法需要采集大量的样本训练，并需要对样本进行标注，需要采用专用GPU算法服务器部署，需用云端计算方案。
针对相关技术中深度学习算法需要采集大量的数据，需要数据标定，耗时耗力的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种冰箱食材检测方法、装置、存储介质及电子装置，以至少解决相关技术中冰箱食材放入或取出时无法快速灵活指示食材变动的问题。
根据本发明的一个实施例，提供了一种冰箱食材检测方法，包括：获取在不同时间对冰箱中同一食材存储区域所采集的第一图像和第二图像；分别对所述第一图像和第二图像进行图像分块和哈希编码，获得第一图像的分块与所述第二图像的对应分块的相似度；根据所述相似度确定所述冰箱的食材存储区域的食材变化信息。
在一个示例性实施例中，分别对所述第一图像和第二图像进行图像分块和哈希编码可以包括：分别将所述第一图像和第二图像划分为相同的m×n分块，其中每个分块包括S个像素点，其中，m、n和s为正整数；将每个分块转化为灰度图，并计算每个分块的像素点的灰度平均值；将每个分块中灰度值大于或等于该分块的灰度平均值的像素点标记为1，灰度值小于该分块的灰度平均值的像素点标记为0；将每个分块中所有像素点的标记值进行组合得到该分块的具有s位的哈希编码。
进一步地，获得第一图像的分块与所述第二图像的对应分块的相似度可以包括：将所述第一图像的分块的哈希编码与第二图像的对应分块的哈希编码进行比较，获得第一图像的分块与所述第二图像的对应分块的相似度。
在一个示例性实施例中，将所述第一图像的分块的哈希编码与第二图像的对应分块的哈希编码进行比较，获得第一图像的分块与所述第二图像的对应分块的相似度，可以包括：将所述第一图像的分块的哈希编码中每一位的值与第二图像的对应分块的哈希编码中对应位的值进行比较，如果相同则标记为1，不相同则标记为0；将所述第一图像的分块的哈希编码的所有位的标记值累加后除以该分块的哈希编码的长度，以获得该分块与第二图像的对应分块的相似度。
在一个示例性实施例中，根据所述相似度确定所述冰箱的食材存储区域的食材变化信息可以包括：分别将所述第一图像和第二图像的每个分块的相似度与预设阈值进行比较，根据比较结果对每个分块进行二值化标记；将二值化标记后的分块按照分块划分的顺序组合分别形成第一图像的对比特征图和第二图像的对比特征图；分别在所述第一图像的对比特征图和第二图像的对比特征图中标记出食材发生变化的位置信息。
在一个示例性实施例中，分别将所述第一图像和第二图像的每个分块的相似度与预设阈值进行比较，根据比较结果对分块进行二值化标记可以包括：当分块的相似度大于所述预设阈值时，将该分块的每个像素点的值都标记为第一像素值，当分块的相似度小于或等于所述预设阈值时，将该分块的每个像素点的值都标记为第二像素值。
在一个示例性实施例中，分别在所述第一图像的对比特征图和第二图像的对比特征图中标记出食材发生变化的位置信息可以包括：分别对所述第一图像的对比特征图和第二图像的对比特征图上标记为第二像素值的分块进行连通域合并，并将每个连通域的外接矩形框标记为食材发生变化的位置。
根据本发明的另一个实施例，提供了一种冰箱食材检测装置，包括：获取模块，用于获取在不同时间对冰箱中同一食材存储区域所采集的第一图像和第二图像；哈希编码模块，用于分别对所述第一图像和第二图像进行图像分块和哈希编码，获得第一图像的分块与所述第二图像的对应分块的相似度；确定模块，用于根据所述相似度确定所述冰箱的食材存储区域的食材变化信息。
根据本发明的又一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
在本发明上述实施例，通过采用统计学图像处理方式对冰箱食材的图像进行检测，因此，不需要采集大量数据和标注，从而达到了快速食材检测效果。并且不需使用专用的图形处理器(Graphics Processing Unit,GPU)，从而节省资源。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种冰箱食材检测方法的计算机终端的硬件结构框图；
图2是根据本发明实施例的冰箱食材检测方法的流程图；
图3是根据本发明实施例的冰箱食材检测装置的结构框图；
图4是根据本发明可选实施例的基于图像哈希的冰箱食材放取检测方法的流程图；
图5是根据本发明可选实施例的基于图像哈希的冰箱食材放取具体检测方法的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了更好的理解本发明实施例以及可选实施例的技术方案，以下对本发明实施例以及可选实施例中可能出现的应用场景进行说明，但不用于限定以下场景的应用。
本申请实施例一所提供的方法实施例可以在计算机终端、计算机终端或者类似的运算装置中执行。以运行在计算机终端上为例，图1是根据本发明实施例的一种冰箱食材检测方法的计算机终端的硬件结构框图。如图1所示，计算机终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，在一个示例性实施例中，上述计算机终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的冰箱食材检测方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的有线或无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过宽带网络与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(RadioFrequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运行于上述计算机终端的冰箱食材检测方法，图2是根据本发明实施例的冰箱食材检测方法的流程图，如图2所示，该流程包括如下步骤：
步骤S201，获取在不同时间对冰箱中同一食材存储区域所采集的第一图像和第二图像；
步骤S202，分别对所述第一图像和第二图像进行图像分块和哈希编码，获得第一图像的分块与所述第二图像的对应分块的相似度；
步骤S203，根据所述相似度确定所述冰箱的食材存储区域的食材变化信息。
在本实施例中，步骤S202可以包括：分别将所述第一图像和第二图像划分为相同的m×n分块，其中每个分块包括S个像素点，其中，m、n和s为正整数；将每个分块转化为灰度图，并计算每个分块的像素点的灰度平均值；将每个分块中灰度值大于或等于该分块的灰度平均值的像素点标记为1，灰度值小于该分块的灰度平均值的像素点标记为0；将每个分块中所有像素点的标记值进行组合得到该分块的具有s位的哈希编码。
在本实施例中，步骤S202还可以包括：将所述第一图像的分块的哈希编码与第二图像的对应分块的哈希编码进行比较，获得第一图像的分块与所述第二图像的对应分块的相似度。
在本实施例中，将所述第一图像的分块的哈希编码与第二图像的对应分块的哈希编码进行比较，获得第一图像的分块与所述第二图像的对应分块的相似度，可以包括：将所述第一图像的分块的哈希编码中每一位的值与第二图像的对应分块的哈希编码中对应位的值进行比较，如果相同则标记为1，不相同则标记为0；将所述第一图像的分块的哈希编码的所有位的标记值累加后除以该分块的哈希编码的长度，以获得该分块与第二图像的对应分块的相似度。
在本实施例中，步骤S203可以包括：分别将所述第一图像和第二图像的每个分块的相似度与预设阈值进行比较，根据比较结果对每个分块进行二值化标记；将二值化标记后的分块按照分块划分的顺序组合分别形成第一图像的对比特征图和第二图像的对比特征图；分别在所述第一图像的对比特征图和第二图像的对比特征图中标记出食材发生变化的位置信息。
在本实施例中，分别将所述第一图像和第二图像的每个分块的相似度与预设阈值进行比较，根据比较结果对分块进行二值化标记可以包括：当分块的相似度大于所述预设阈值时，将该分块的每个像素点的值都标记为第一像素值，当分块的相似度小于或等于所述预设阈值时，将该分块的每个像素点的值都标记为第二像素值。
在本实施例中，分别在所述第一图像的对比特征图和第二图像的对比特征图中标记出食材发生变化的位置信息包括：分别对所述第一图像的对比特征图和第二图像的对比特征图上标记为第二像素值的分块进行连通域合并，并将每个连通域的外接矩形框标记为食材发生变化的位置。
通过上述步骤，由于获得在不同时间冰箱中同一食材存储区域所采集的图像的对应分块的相似度，并因此得出冰箱的食材存储区域的食材变化信息，解决了相关技术中冰箱食材放入或取出时无法快速灵活指示食材变动的问题。由于深度学习算法需要采集大量的数据，需要数据标定，耗时耗力，本发明实施例采用统计学图像处理算法不需要采集大量数据和标注，即可完成食材检测，达到了快速检测、可在前端灵活部署、不需使用专用的GPU服务器、对网络依赖小的效果。
在一个示例性实施例中，上述步骤的执行主体可以为终端等，但不限于此。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种冰箱食材检测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图3是根据本发明实施例的冰箱食材检测装置的结构框图，如图3所示，该装置包括获取模块10、哈希编码模块20和确定模块30。
所述获取模块10，用于获取在不同时间对冰箱中同一食材存储区域所采集的第一图像和第二图像。
所述哈希编码模块20，用于分别对所述第一图像和第二图像进行图像分块和哈希编码，获得第一图像的分块与所述第二图像的对应分块的相似度。
所述确定模块30，用于根据所述相似度确定所述冰箱的食材存储区域的食材变化信息。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在一个示例性实施例中，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，获取在不同时间对冰箱中同一食材存储区域所采集的第一图像和第二图像；
S2，分别对所述第一图像和第二图像进行图像分块和哈希编码，获得第一图像的分块与所述第二图像的对应分块的相似度；
S3，根据所述相似度确定所述冰箱的食材存储区域的食材变化信息。
在一个示例性实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
在一个示例性实施例中，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，获取在不同时间对冰箱中同一食材存储区域所采集的第一图像和第二图像；
S2，分别对所述第一图像和第二图像进行图像分块和哈希编码，获得第一图像的分块与所述第二图像的对应分块的相似度；
S3，根据所述相似度确定所述冰箱的食材存储区域的食材变化信息。
在一个示例性实施例中，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
为了便于对本发明所提供的技术方案的理解，下面将结合具体场景的实施例进行详细阐述。
本实施例提出了一种基于图像的冰箱食材放取检测的方法以及该方案的详细解决方法。
具体而言，本实施例提出基于冰箱中内置摄像头拍摄的放入前和放入后(取出前和取出后)的两张食材图像，通过图像算法对放入前后(取出前后)两张图像的计算，得到图像中放入(取出)的物体，检测到图像变动的区域，从而提醒用户在哪个位置有新放入(取出)的食材。
本实施例可以解决冰箱食材放入或取出时提醒用户食材变动的问题。由于深度学习算法需要采集大量的数据，需要数据标定，耗时耗力，本方案采用传统图像处理算法不需要采集大量数据和标注，即可完成食材检测，检测速度快，可灵活部署前端，不需要专用GPU算法服务器，对网络依赖小。
图4是根据本发明可选实施例的基于图像哈希的冰箱食材放取检测方法的流程图，如图4所示，该流程包括如下步骤：
步骤S401，对拍摄到的食材放入冰箱前后两张图片首先进行分块处理，每块大小为8x8像素，并对分块后的图片分别进行哈希编码。
在本实施例中，步骤S401可以包括步骤S4011：将RGB图像转化为灰度图，并将图像转换为64级灰度，其中，所有像素点总共只有64种颜色。
在本实施例中，步骤S401还可以包括步骤S4012：计算所有64个像素的灰度平均值。
在本实施例中，步骤S401还可以包括步骤S4013：将每个像素的灰度，与平均值进行比较；大于或等于平均值，记为1；小于平均值，记为0。
在本实施例中，步骤S401还可以包括步骤S4014：将步骤S4013的比较结果，组合在一起，就构成了一个64位的整数，这就是这张图片的指纹，其中，组合的次序并不重要，只要保证所有图片都采用同样次序就可以得到图片的哈希编码。
步骤S402，比较拍摄前后分块后的两个小块图像的哈希编码，计算汉明距离。
在本实施例中，步骤S402可以包括步骤S4021：如果哈希编码相同则加1，把得到的结果除以哈希编码长度；当得到的汉明距离大于设定的阈值时该小块所有像素值设置为255，小于设定阈值时该小块所有像素值设置为0，把所有小块按照分块顺序重新组合成图像，即得到对比特征图。
在本实施例中，步骤S402还可以包括步骤S4022：将特征图像进行连通域合并，并查找外接矩形框，即可得到图像对比区域框。
图5是根据本发明可选实施例的基于图像哈希的冰箱食材放取具体检测方法的流程图，如图5所示，该流程包括如下步骤：
步骤S501，拍摄冰箱放入食材前的图像Imn和放入食材后的图片I′mn，对两张图像分别进行分块处理，分成m×n块，每一块的像素大小为8x8，每一块分别记为Smn,S′mn；
步骤S502，计算每一块图像Smn,S′mn的哈希编码Hmn，H′mn，其中，哈希编码Hmn的计算方法为：
Figure BDA0002623684520000111
x是像素值，ux是Smn的平均值；计算Hmn，H′mn的相似度，即Hmn，H′mn中相同的值记为1，累加之后除以哈希编码长度，即得到两小块图像的相似度Fmn；
步骤S503，当Fmn大于阈值T时，取S′mn块中每个像素标记为0，即，将第一图像与第二图像中相似度小的分块标记为黑块。当Fmn小于等于阈值T时，取S′mn块中每个像素标记为255，即，将两张图片中相似度大的分块标记为白块。其中，T为相似度人工阈值，根据经验或实际场景选取，范围为0-1。
步骤S504，计算完所有小块的Fmn，并标记完后，将标记后的小块记为S″mn，将S″mn重新按照分块的顺序组合成新的图像I″mn，I″mn即为检测特征图；
步骤S505，将I″mn进行连通域合并，并标记出所有连通域的外接矩形框，即为检测到的食材变动位置。在本实施例中，白色分块即表示两张图片中不相同的部分，因此，将图片中的白色分块进行连通域合并，将各个连通域的外接矩形框进行标记作为食材变动位置标识。
通过本发明实施例，解决了冰箱食材放入或取出时无提醒用户食材变动的问题。由于深度学习算法需要采集大量的数据，需要数据标定，耗时耗力，本实施例采用统计学图像处理算法不需要采集大量数据和标注，即可完成食材检测，检测速度快，可在前端灵活部署，不需用专用GPU服务器，对网络依赖小。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，在一个示例性实施例中，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种冰箱食材检测方法，其特征在于，包括：
获取在不同时间对冰箱中同一食材存储区域所采集的第一图像和第二图像；
分别对所述第一图像和第二图像进行图像分块和哈希编码，获得第一图像的分块与所述第二图像的对应分块的相似度；
根据所述相似度确定所述冰箱的食材存储区域的食材变化信息。
2.根据权利要求1所述的方法，其特征在于，分别对所述第一图像和第二图像进行图像分块和哈希编码包括：
分别将所述第一图像和第二图像划分为相同的m×n分块，其中每个分块包括S个像素点，其中，m、n和s为正整数；
将每个分块转化为灰度图，并计算每个分块的像素点的灰度平均值；
将每个分块中灰度值大于或等于该分块的灰度平均值的像素点标记为1，灰度值小于该分块的灰度平均值的像素点标记为0；
将每个分块中所有像素点的标记值进行组合得到该分块的具有s位的哈希编码。
3.根据权利要求2所述的方法，其特征在于，获得第一图像的分块与所述第二图像的对应分块的相似度包括：
将所述第一图像的分块的哈希编码与第二图像的对应分块的哈希编码进行比较，获得第一图像的分块与所述第二图像的对应分块的相似度。
4.根据权利要求3所述的方法，其特征在于，将所述第一图像的分块的哈希编码与第二图像的对应分块的哈希编码进行比较，获得第一图像的分块与所述第二图像的对应分块的相似度，包括：
将所述第一图像的分块的哈希编码中每一位的值与第二图像的对应分块的哈希编码中对应位的值进行比较，如果相同则标记为1，不相同则标记为0；
将所述第一图像的分块的哈希编码的所有位的标记值累加后除以该分块的哈希编码的长度，以获得该分块与第二图像的对应分块的相似度。
5.根据权利要求3所述的方法，其特征在于，根据所述相似度确定所述冰箱的食材存储区域的食材变化信息包括：
分别将所述第一图像和第二图像的每个分块的相似度与预设阈值进行比较，根据比较结果对每个分块进行二值化标记；
将二值化标记后的分块按照分块划分的顺序组合分别形成第一图像的对比特征图和第二图像的对比特征图；
分别在所述第一图像的对比特征图和第二图像的对比特征图中标记出食材发生变化的位置信息。
6.根据权利要求5所述的方法，其特征在于，分别将所述第一图像和第二图像的每个分块的相似度与预设阈值进行比较，根据比较结果对分块进行二值化标记包括：
当分块的相似度大于所述预设阈值时，将该分块的每个像素点的值都标记为第一像素值，当分块的相似度小于或等于所述预设阈值时，将该分块的每个像素点的值都标记为第二像素值。
7.根据权利要求5所述的方法，其特征在于，分别在所述第一图像的对比特征图和第二图像的对比特征图中标记出食材发生变化的位置信息包括：
分别对所述第一图像的对比特征图和第二图像的对比特征图上标记为第二像素值的分块进行连通域合并，并将每个连通域的外接矩形框标记为食材发生变化的位置。
8.一种冰箱食材检测装置，其特征在于，包括：
获取模块，用于获取在不同时间对冰箱中同一食材存储区域所采集的第一图像和第二图像；
哈希编码模块，用于分别对所述第一图像和第二图像进行图像分块和哈希编码，获得第一图像的分块与所述第二图像的对应分块的相似度；
确定模块，用于根据所述相似度确定所述冰箱的食材存储区域的食材变化信息。
9.一种计算机可读存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的方法，或者执行权利要求6-10任一项中所述的方法。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至7任一项中所述的方法。
CN202010790806.0A 2020-08-07 2020-08-07 冰箱食材检测方法、装置、存储介质及电子装置 Pending CN112001430A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010790806.0A CN112001430A (zh) 2020-08-07 2020-08-07 冰箱食材检测方法、装置、存储介质及电子装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010790806.0A CN112001430A (zh) 2020-08-07 2020-08-07 冰箱食材检测方法、装置、存储介质及电子装置

Publications (1)

Publication Number Publication Date
CN112001430A true CN112001430A (zh) 2020-11-27

Family

ID=73463882

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010790806.0A Pending CN112001430A (zh) 2020-08-07 2020-08-07 冰箱食材检测方法、装置、存储介质及电子装置

Country Status (1)

Country Link
CN (1) CN112001430A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112584152A (zh) * 2020-12-14 2021-03-30 上海贝锐信息科技股份有限公司 远程桌面中的差异检测与分区域动态编码方法、电子设备、计算机可读存储介质
CN112712021A (zh) * 2020-12-29 2021-04-27 华信咨询设计研究院有限公司 基于感知哈希与连通域分析算法的粮面异常状态识别方法
TWI748788B (zh) * 2020-12-08 2021-12-01 台灣松下電器股份有限公司 存取物品的判斷方法及智慧冰箱

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108615253A (zh) * 2018-04-12 2018-10-02 广东数相智能科技有限公司 图像生成方法、装置与计算机可读存储介质
CN110149553A (zh) * 2019-05-10 2019-08-20 腾讯科技（深圳）有限公司 图像的处理方法和装置、存储介质及电子装置
CN110516100A (zh) * 2019-08-29 2019-11-29 武汉纺织大学 一种图像相似度的计算方法、***、存储介质及电子设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108615253A (zh) * 2018-04-12 2018-10-02 广东数相智能科技有限公司 图像生成方法、装置与计算机可读存储介质
CN110149553A (zh) * 2019-05-10 2019-08-20 腾讯科技（深圳）有限公司 图像的处理方法和装置、存储介质及电子装置
CN110516100A (zh) * 2019-08-29 2019-11-29 武汉纺织大学 一种图像相似度的计算方法、***、存储介质及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KALAFINAIAN: "图像相似度中的Hash算法", 《URL:HTTPS://WWW.CNBLOGS.COM/KALAFINAIAN/P/11260808.HTML》, pages 1 - 11 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI748788B (zh) * 2020-12-08 2021-12-01 台灣松下電器股份有限公司 存取物品的判斷方法及智慧冰箱
CN112584152A (zh) * 2020-12-14 2021-03-30 上海贝锐信息科技股份有限公司 远程桌面中的差异检测与分区域动态编码方法、电子设备、计算机可读存储介质
CN112712021A (zh) * 2020-12-29 2021-04-27 华信咨询设计研究院有限公司 基于感知哈希与连通域分析算法的粮面异常状态识别方法
CN112712021B (zh) * 2020-12-29 2022-06-17 华信咨询设计研究院有限公司 基于感知哈希与连通域分析算法的粮面异常状态识别方法

Similar Documents

Publication Publication Date Title
CN112001430A (zh) 冰箱食材检测方法、装置、存储介质及电子装置
US9628805B2 (en) Tunable multi-part perceptual image hashing
CN108647245B (zh) 多媒体资源的匹配方法、装置、存储介质及电子装置
CN111080526B (zh) 航拍图像的农田面积的测算方法、装置、设备及介质
WO2020024744A1 (zh) 一种图像特征点检测方法、终端设备及存储介质
JP6866095B2 (ja) 学習装置、画像識別装置、学習方法、画像識別方法及びプログラム
CN112434715B (zh) 基于人工智能的目标识别方法、装置及存储介质
CN112115292A (zh) 图片搜索方法及装置、存储介质、电子装置
CN108647264A (zh) 一种基于支持向量机的图像自动标注方法及装置
CN110472499B (zh) 一种行人重识别的方法及装置
CN110991298A (zh) 图像的处理方法和装置、存储介质及电子装置
JP6347155B2 (ja) 画像処理装置、画像判断方法、及びプログラム
WO2019198634A1 (ja) 学習データ生成装置、変化領域検出方法及びコンピュータプログラム
CN111598176A (zh) 一种图像匹配处理方法及装置
CN112084939A (zh) 图像特征数据管理方法、装置、计算机设备及存储介质
US10026010B2 (en) Image quality estimation using a reference image portion
CN115205736A (zh) 视频数据的识别方法和装置、电子设备和存储介质
CN110503600A (zh) 特征点检测方法、装置、电子设备和可读存储介质
CN112001289A (zh) 物品的检测方法和装置、存储介质及电子装置
CN111127529B (zh) 图像配准方法及装置、存储介质、电子装置
CN113490009B (zh) 内容信息植入方法、装置、服务器和存储介质
CN112598074B (zh) 图像处理方法及装置、计算机可读存储介质和电子设备
CN109583453B (zh) 图像的识别方法和装置、数据的识别方法、终端
CN111340114A (zh) 图像的匹配方法及装置、存储介质和电子装置
CN111680563A (zh) 一种活体检测方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination