CN113378882A - 一种融合图谱快速检测菜肴食品中营养含量的方法和*** - Google Patents
一种融合图谱快速检测菜肴食品中营养含量的方法和*** Download PDFInfo
- Publication number
- CN113378882A CN113378882A CN202110512979.0A CN202110512979A CN113378882A CN 113378882 A CN113378882 A CN 113378882A CN 202110512979 A CN202110512979 A CN 202110512979A CN 113378882 A CN113378882 A CN 113378882A
- Authority
- CN
- China
- Prior art keywords
- sample
- target
- nutrient content
- detected
- spectral
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种融合图谱快速检测菜肴食品中营养含量的方法和***,方法包括:将菜肴食品搅碎并过滤液体后形成待测目标,将待测目标放置于第一容器内;获取待测目标的图像信息,并根据图像信息获取待测目标的估算体积;获取待测目标的光谱信息,将光谱信息输入至光谱密度模型得到待测目标的估算密度;根据估算体积和估算密度计算得到待测目标的估算质量,并将待测目标的估算质量和光谱信息输入至待测目标的光谱营养含量模型中得到待测目标的营养含量。本发明通过利用光学图谱技术、机器学习与数据建模算法,实现菜肴食品类型识别、图像与菜肴食品体积和密度模型建立,光谱与菜肴食品营养含量模型建立,进而根据体积估算菜肴食品的质量和营养含量。
Description
技术领域
本发明涉及食品检测技术领域,尤其涉及一种融合图谱快速检测菜肴食品中营养含量的方法和***。
背景技术
饮食是人类健康、生存及长寿的物质基础。随着人们生活水平的提高,精准营养食品已经成为人民对食品新的需求增长点。菜肴是人们日常菜肴食品中不可或缺的食品,日常菜肴食品营养摄入不足或过剩对人体健康产生重要影响,尤其糖尿病人、高血压患者、肥胖及特殊人群等需要对所摄取菜肴食品的营养含量实时进行检测,菜肴形态与成分组成复杂,常规菜肴食品中营养含量的测定方法多采用理化试验,费事费力,成本昂贵,不便于使用与推广,这也成为影响人们实现精准饮食的一大阻碍。图谱技术在食品快速检测领域得到了广阔的应用。国内外学者利用图像技术结合机器学习算法获得一餐菜肴食品的图像、体积等信息,再结合菜肴食品数据库推测出菜肴食品的营养含量,进而推测出卡路里含量值。该方法未考虑菜肴食品之间的不同比例、不同烹饪条件等因素,所得的菜肴食品营养含量并不准确。光谱技术可以测量样品内部的含量,有学者利用近红外光谱技术对搅碎的菜肴食品进行检测,得到了固定容器内菜肴食品的单位重量卡路里值,但该方法并不能直接得出一餐菜肴食品中的营养含量总含量,检测之前,也必须先选择菜肴食品类型,才可完成模型匹配,并不能在实际中得到广泛应用。
发明内容
本发明提供一种融合图谱快速检测菜肴食品中营养含量的方法,用以解决现有技术中无法准确对菜肴食品的营养含量进行检测的缺陷,通过利用光学图谱技术、机器学习与数据建模算法,实现菜肴食品类型的识别、图像与菜肴食品体积模型的建立,光谱与菜肴食品密度模型的建立、光谱与菜肴食品营养含量模型的建立,进而根据菜肴体积综合估算菜肴食品的质量和营养含量。
本发明还提供一种智能化测定菜肴食品营养含量的***,用以解决现有技术中无法准确对菜肴食品的营养含量进行检测的缺陷,通过利用光学图谱技术、机器学习与数据建模算法,实现菜肴食品类型的识别、图像与菜肴食品体积模型的建立,光谱与菜肴食品密度模型的建立、光谱与菜肴食品营养含量模型的建立,进而根据菜肴食品体积综合估算菜肴食品的质量和营养含量。
根据本发明第一方面提供的一种融合图谱快速检测菜肴食品中营养含量的方法,包括:
将菜肴食品搅碎并过滤液体后形成待测目标,将所述待测目标放置于第一容器内;
获取所述待测目标的图像信息,并根据所述图像信息获取所述待测目标的估算体积;
获取所述待测目标的光谱信息,将所述光谱信息输入至光谱密度模型得到所述待测目标的估算密度,其中,所述光谱密度模型是基于样本的样本光谱信息以及与所述样本光谱信息对应的样本密度训练得到的;
根据估算体积和估算密度计算得到所述待测目标的估算质量,并将所述待测目标的估算质量和光谱信息输入至所述待测目标的光谱营养含量模型中得到所述待测目标的营养含量,其中,所述光谱营养含量模型是基于样本的样本光谱信息以及与所述样本光谱信息对应的样本营养含量训练得到的。
根据本发明的一种实施方式,所述获取所述待测目标的图像信息,并根据所述图像信息获取所述待测目标的估算体积的步骤中,具体包括:
采集在所述第一容器内静置后的所述待测目标的图像信息;
获取图像信息中的图像边缘一点作为第一像素点,根据所述第一像素点至所述第一容器边缘的距离、所述第一像素点至图像中心的距离、所述第一容器的深度和所述第一容器的底部半径计算得到所述待测目标的第一预估体积,其中,所述第一预估体积为基于所述第一像素点的所述待测目标体积;
重复上述步骤直至获得N个像素点的N个预估体积,其中,N大于等于二;
根据N个预估体积计算得到第一平均值,并将第一平均值作为估算体积。
具体来说,本实施例提供了一种根据图像信息估算待测目标的估算体积的实施方式,通过对待测目标图像的采集,获取待测目标的图像,提取图像内待测目标上的一个像素点,并根据该像素点进行待测目标体积的估算,在选择多个像素点测量得到多个估算体积后,取平均值,得到近似待测目标的估算体积。
根据本发明的一种实施方式,所述根据N个预估体积计算得到第一平均值,并将所述第一平均值作为所述估算体积的步骤中,具体包括:
获取预设偏差并以所述预设偏差作为梯度区间,建立N个预估体积的正态分布函数;
获取处于正态分布置信区间内的M个预估体积,并根据M个预估体积计算得到所述第一平均值,其中,M小于N。
具体来说,本实施例提供了另一种根据图像信息估算待测目标的估算体积的实施方式,为了得到与实际待测目标的体积更为接近的估算体积,建立图像中每个像素点与对应的待测目标体积值的函数关系图,将体积值比较接近的像素点的个数归为一类,各个类按照体积值大小区别,以预设偏差为一个梯度。以近似正态分布函数拟合像素个数和体积值分类数据趋势,并以正态分布置信区间内的像素个数为总的有效点,将有效点中的所有体积值计算后求平均值,进而获得与实际的待测目标体积更为接近的估算体积。
在一个应用场景中,预设偏差介于3至6%之间。
根据本发明的一种实施方式,所述获取所述待测目标的光谱信息,将所述光谱信息输入至光谱密度模型得到所述待测目标的估算密度的步骤中,具体包括:
根据所述待测目标的光谱信息遍历所述光谱密度模型的样本池,获得与所述待测目标的光谱信息对应的样本光谱信息;
获取与所述样本光谱信息对应的样本密度,并将所述样本密度作为估算密度。
具体来说,本实施例提供了一种根据光谱密度模型得到所述待测目标的估算密度的实施方式,通过提前训练好的光谱密度模型,输入待测目标的光谱信息,在光谱密度模型内进行匹配,得到与待测目标光谱对应的样本光谱,并调取该样本的样本密度。
根据本发明的一种实施方式,所述光谱密度模型是基于样本的样本光谱信息以及与所述样本光谱信息对应的样本密度训练得到的步骤中,具体包括:
将已知样本质量的所述样本放入第二容器内,并向所述第二容器内充入惰性气体;
获取所述样本与所述惰性气体混合后的第一体积,以及在所述第一体积下所述第二容器内的第一压强;
保持所述第二容器内的温度恒定,改变所述第二容器的体积并获取所述第二容器的第二体积,以及在所述第二体积下所述第二容器内的第二压强;
基于波马定律,根据所述第一体积、所述第二体积、所述第一压强和所述第二压强计算得到所述样本的样本体积;
根据样本质量和样本体积得到样本密度;
获取所述样本的样本光谱信息,并根据样本光谱信息和样本密度训练得到一个光谱密度样本;
重复上述步骤X次,得到X个光谱密度样本,并根据X个光谱密度样本得到所述光谱密度模型。
具体来说,本实施例提供了一种训练光谱密度模型的实施方式,根据已知样本质量的样本,采用波马定律获得样本体积,进而求得了该样本的样本密度,同时对样本的光谱进行采集,建立与样本光谱和样本密度对应的一个光谱密度样本,多次重复上述步骤进行训练,进而得到所述光谱密度模型。
需要说明的是,样本质量可以提前通过天平称取。
根据本发明的一种实施方式,所述将所述待测目标的估算质量和光谱信息输入至所述待测目标的光谱营养含量模型中得到所述待测目标的营养含量的步骤中,具体包括:
根据所述待测目标的光谱信息遍历所述光谱营养含量模型的样本池,获得与所述待测目标的光谱信息对应的样本光谱信息;
获取与所述样本光谱信息对应的单位质量的样本营养含量,以及所述估算质量包含的单位质量份额;
根据所述估算质量包含的单位质量份额和每单位质量包含的样本营养含量得到所述待测目标的营养含量。
具体来说,本实施例提供了一种根据光谱营养含量模型得到所述待测目标的营养含量的实施方式,通过待测目标的光谱信息在光谱营养含量模型中得到样本光谱信息,并调取样本光谱信息的单位质量的样本营养含量,同时根据样本光谱信息的单位质量获取得到估算质量包含的单位质量份额,进而得到了所述待测目标的营养含量。
根据本发明的一种实施方式,所述光谱营养含量模型是基于样本的样本光谱信息以及与所述样本光谱信息对应的样本营养含量训练得到的步骤中,具体包括:
获取单位质量内所述样本的样本营养含量;
获取所述样本的样本光谱信息;
根据所述样本的样本光谱信息和单位质量内的样本营养含量训练得到一个光谱营养含量样本;
重复上述步骤Y次,得到Y个光谱营养含量样本,并根据Y个光谱营养含量样本得到所述光谱营养含量模型。
具体来说,本实施例提供了一种训练光谱营养含量模型的实施方式,根据获取得到的单位质量内样本包含的营养含量,以及样本对应的样本光谱信息,建立一个光谱营养含量样本,多次重复上述步骤进行训练,进而得到所述光谱营养含量模型。
根据本发明第二方面提供的一种基于上述的智能化测定菜肴食品营养含量检测方法的***,包括:第一壳体、第二壳体、图像检测模块和光谱检测模块;
所述第一壳体设置于所述第二壳体的上方,并能够与第二壳体扣合形成容纳待测目标的容纳腔室;
所述图像检测模块与所述第一壳体连接,用于采集所述待测目标的图像信息;
所述光谱检测模块与所述第二壳体连接,用于采集所述待测目标的光谱信息;
其中,所述第一容器处于所述第二壳体内。
根据本发明的一种实施方式,至少所述第二壳体为圆柱形结构。
具体来说,本实施例提供了一种第二壳体的实施方式,通过第二壳体设置为圆柱形结构,便于获得第二壳体的底部半径,进而实现通过待测目标的图像对待测目标进行体积的估算。
根据本发明的一种实施方式,所述第二壳体为倒置的锥形柱体结构。
本发明中的上述一个或多个技术方案,至少具有如下技术效果之一:本发明提供的一种融合图谱快速检测菜肴食品中营养含量的方法及***,通过利用光学图谱技术、机器学习与数据建模算法,实现菜肴食品类型的识别、图像与菜肴食品体积模型的建立,光谱与菜肴食品密度模型的建立、光谱与菜肴食品营养含量模型的建立,进而根据菜肴体积综合估算菜肴食品的质量和营养含量。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的融合图谱快速检测菜肴食品中营养含量的方法流程示意图;
图2是本发明提供的智能化测定菜肴食品营养含量的检测装置的装配关系示意图之一;
图3是本发明提供的智能化测定菜肴食品营养含量的检测装置的装配关系示意图之二;
图4是本发明提供的融合图谱快速检测菜肴食品中营养含量的方法中,采集待测目标图像信息的布置关系示意图之一;
图5是本发明提供的融合图谱快速检测菜肴食品中营养含量的方 法中,采集待测目标图像信息的布置关系示意图之二;
图6是本发明提供的电子设备的结构示意图。
附图标记:
10、第一壳体; 20、第二壳体; 30、第一容器;
40、图像检测模块; 50、底部光谱检测模块; 60、侧部光谱检测模块;
70、待测目标; 810:处理器; 820:通信接口;
830:存储器; 840:通信总线。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明的一部分实施例,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的前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合说明书附图对本申请进行具体说明,方法实施例中的具体操作方法也可以应用于装置实施例或***实施例中。在本申请的描述中,除非另有说明,“至少一个”包括一个或多个。“多个”是指两个或两个以上。例如,A、B和C中的至少一个,包括:单独存在A、单独存在B、同时存在A和B、同时存在A和C、同时存在B和C,以及同时存在A、B和C。在本申请中,“/”表示或的意思,例如,A/B可以表示A或B;本文中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
图1是本发明提供的融合图谱快速检测菜肴食品中营养含量的方法流程示意图。图1展示了本发明提供的融合图谱快速检测菜肴食品中营养含量的方法的流程,本发明通过获取待测目标70的图像信息,并根据图像信息获取待测目标70的估算体积。
进一步地,获取待测目标70的光谱信息,将光谱信息输入至光谱密度模型得到待测目标70的估算密度。
进一步地,根据估算体积和估算密度计算得到待测目标70的估算质量,并将待测目标70的估算质量和光谱信息输入至待测目标70的光谱营养含量模型中得到待测目标70的营养含量。
需要说明的是,本发明提到的待测目标70为菜肴食品搅碎之后的状态,待测目标70内部的内部状态均匀且稳定。
图2和图3是本发明提供的智能化测定菜肴食品营养含量的检测装置的装配关系示意图之一和二。通过图和2和图3对智能化测定菜肴食品营养含量的检测装置进行了展示,第二壳体20内设置有第一容器 30,第一容器30的内部设置有光谱检测模块,光谱检测模块包括底部光谱检测模块50和侧部光谱检测模块60。
需要说明的是,本发明没有展示第二容器,第二容器可以理解为第二容器是对样本的样本体积进行计算的器皿,通过对样本体积的计算,以及对样本质量的提前获取,直接获得了该样本的样本密度。
进一步地,通过对该样本的样本光谱信息的采集,与样本密度相结合,建立了基于该样本的光谱密度样本。
图4和图5是本发明提供的融合图谱快速检测菜肴食品中营养含量的方法中,采集待测目标70图像信息的布置关系示意图之一和二。通过图4和图5展示了对待测目标70图像信息采集的过程。
在一个应用场景中,以西红柿鸡蛋菜肴为待测目标,以菜肴中蛋白质含量为待测营养参数,如图4和图5所示,待测目标70静置一段时间后,搅碎菜肴食品的状态稳定后,图像检测模块40的光源照射待测目标70,摄像头完成对待测目标70的图像识别、待测目标70和第一容器30开口边界的图像采集,图像识别利用机器学***方向上的待测目标 70开口边界与待测目标70盛放区域水平投影之间水平距离为J(i)F(i),J(i)为待测目标70轮廓边界上的某一像素点、F(i)为第一容器30开口边界的投影点。第一容器30是圆台形,高度为AE,上底较大圆形底面半径为R,下底较小圆形底面半径为r,待测目标70边界上某一像素点 (i)在竖直方向的投影为J(i)D(i)、也即是F(i)E,边界点(i)在第一容器30 上表面的半径为S(i),下表面底部半径为r,待测目标70在第一容器30 中的估算体积V计算公式为式子(1):
其中r是已知,S(i)值可通过对待测目标70的图像处理得到, BJ(i)D(i)利用投影尺寸关系式(2)得到,
利用公式(1)、(2)、(3)可计算出以待测目标70的像素点(i)为基准情况下,待测目标70的估算体积Vsample(i)。
图6是本发明提供的电子设备的结构示意图。
在本发明的一些具体实施方案中,如图1所示,本方案提供一种融合图谱快速检测菜肴食品中营养含量的方法,包括:
将菜肴食品搅碎并过滤液体后形成待测目标70,将待测目标70 放置于第一容器30内;
获取待测目标70的图像信息,并根据图像信息获取待测目标70 的估算体积;
获取待测目标70的光谱信息,将光谱信息输入至光谱密度模型得到待测目标70的估算密度,其中,光谱密度模型是基于样本的样本光谱信息以及与样本光谱信息对应的样本密度训练得到的;
根据估算体积和估算密度计算得到待测目标70的估算质量,并将待测目标70的估算质量和光谱信息输入至待测目标70的光谱营养含量模型中得到待测目标70的营养含量,其中,光谱营养含量模型是基于样本的样本光谱信息以及与样本光谱信息对应的样本营养含量训练得到的。
详细来说,本发明提供一种融合图谱快速检测菜肴食品中营养含量的方法,用以解决现有技术中无法准确对菜肴食品的营养含量进行检测的缺陷,通过利用光学图谱技术、机器学习与数据建模算法,实现菜肴食品类型的识别、图像与菜肴食品体积模型的建立,光谱与菜肴食品密度模型的建立、光谱与菜肴食品营养含量模型的建立,进而根据菜肴体积综合估算菜肴食品的质量和营养含量。
在本发明一些可能的实施例中,如图4和图5所示,获取待测目标 70的图像信息,并根据图像信息获取待测目标70的估算体积的步骤中,具体包括:
采集在第一容器30内静置后的待测目标70的图像信息;
获取图像信息中的图像边缘一点作为第一像素点,根据第一像素点至第一容器30边缘的距离、第一像素点至图像中心的距离、第一容器30的深度和第一容器30的底部半径计算得到待测目标70的第一预估体积,其中,第一预估体积为基于第一像素点的待测目标70体积;
重复上述步骤直至获得N个像素点的N个预估体积,其中,N大于等于二;
根据N个预估体积计算得到第一平均值,并将第一平均值作为估算体积。
具体来说,本实施例提供了一种根据图像信息估算待测目标70 的估算体积的实施方式,通过对待测目标70图像的采集,获取待测目标70的图像,提取图像内待测目标70上的一个像素点,并根据该像素点进行待测目标70体积的估算,在选择多个像素点测量得到多个估算体积后,取平均值,得到近似待测目标70的估算体积。
在本发明一些可能的实施例中,根据N个预估体积计算得到第一平均值,并将第一平均值作为估算体积的步骤中,具体包括:
获取预设偏差并以预设偏差作为梯度区间,建立N个预估体积的正态分布函数;
获取处于正态分布置信区间内的M个预估体积,并根据M个预估体积计算得到第一平均值,其中,M小于N。
具体来说,本实施例提供了另一种根据图像信息估算待测目标70 的估算体积的实施方式,为了得到与实际待测目标70的体积更为接近的估算体积,建立图像中每个像素点与对应的待测目标70体积值的函数关系图,将体积值比较接近的像素点的个数归为一类,各个类按照体积值大小区别,以预设偏差为一个梯度。以近似正态分布函数拟合像素个数和体积值分类数据趋势,并以正态分布置信区间内的像素个数为总的有效点,将有效点中的所有体积值计算后求平均值,进而获得与实际的待测目标70体积更为接近的估算体积。
在一个应用场景中,预设偏差介于3至6%之间。
在本发明一些可能的实施例中,获取待测目标70的光谱信息,将光谱信息输入至光谱密度模型得到待测目标70的估算密度的步骤中,具体包括:
根据待测目标70的光谱信息遍历光谱密度模型的样本池,获得与待测目标70的光谱信息对应的样本光谱信息;
获取与样本光谱信息对应的样本密度,并将样本密度作为估算密度。
具体来说,本实施例提供了一种根据光谱密度模型得到待测目标 70的估算密度的实施方式,通过提前训练好的光谱密度模型,输入待测目标70的光谱信息,在光谱密度模型内进行匹配,得到与待测目标 70光谱对应的样本光谱,并调取该样本的样本密度。
在本发明一些可能的实施例中,光谱密度模型是基于样本的样本光谱信息以及与样本光谱信息对应的样本密度训练得到的步骤中,具体包括:
将已知样本质量的样本放入第二容器内,并向第二容器内充入惰性气体;
获取样本与惰性气体混合后的第一体积,以及在第一体积下第二容器内的第一压强;
保持第二容器内的温度恒定,改变第二容器的体积并获取第二容器的第二体积,以及在第二体积下第二容器内的第二压强;
基于波马定律,根据第一体积、第二体积、第一压强和第二压强计算得到样本的样本体积;
根据样本质量和样本体积得到样本密度;
获取样本的样本光谱信息,并根据样本光谱信息和样本密度训练得到一个光谱密度样本;
重复上述步骤X次,得到X个光谱密度样本,并根据X个光谱密度样本得到光谱密度模型。
具体来说,本实施例提供了一种训练光谱密度模型的实施方式,根据已知样本质量的样本,采用波马定律获得样本体积,进而求得了该样本的样本密度,同时对样本的光谱进行采集,建立与样本光谱和样本密度对应的一个光谱密度样本,多次重复上述步骤进行训练,进而得到光谱密度模型。
需要说明的是,样本质量可以提前通过天平称取。
在本发明一些可能的实施例中,将待测目标70的估算质量和光谱信息输入至待测目标70的光谱营养含量模型中得到待测目标70的营养含量的步骤中,具体包括:
根据待测目标70的光谱信息遍历光谱营养含量模型的样本池,获得与待测目标70的光谱信息对应的样本光谱信息;
获取与样本光谱信息对应的单位质量的样本营养含量,以及估算质量包含的单位质量份额;
根据估算质量包含的单位质量份额和每单位质量包含的样本营养含量得到待测目标70的营养含量。
具体来说,本实施例提供了一种根据光谱营养含量模型得到待测目标70的营养含量的实施方式,通过待测目标70的光谱信息在光谱营养含量模型中得到样本光谱信息,并调取样本光谱信息的单位质量的样本营养含量,同时根据样本光谱信息的单位质量获取得到估算质量包含的单位质量份额,进而得到了待测目标70的营养含量。
在本发明一些可能的实施例中,光谱营养含量模型是基于样本的样本光谱信息以及与样本光谱信息对应的样本营养含量训练得到的步骤中,具体包括:
获取单位质量内样本的样本营养含量;
获取样本的样本光谱信息;
根据样本的样本光谱信息和单位质量内的样本营养含量训练得到一个光谱营养含量样本;
重复上述步骤Y次,得到Y个光谱营养含量样本,并根据Y个光谱营养含量样本得到光谱营养含量模型。
具体来说,本实施例提供了一种训练光谱营养含量模型的实施方式,根据获取得到的单位质量内样本包含的营养含量,以及样本对应的样本光谱信息,建立一个光谱营养含量样本,多次重复上述步骤进行训练,进而得到光谱营养含量模型。
在本发明的一些具体实施方案中,如图2和图3所示,本方案提供一种基于上述的智能化测定菜肴食品营养含量检测方法的***,包括:第一壳体10、第二壳体20、图像检测模块40和光谱检测模块;第一壳体10设置于第二壳体20的上方,并能够与第二壳体20扣合形成容纳待测目标70的容纳腔室;图像检测模块40与第一壳体10连接,用于采集待测目标70的图像信息;光谱检测模块与第二壳体20连接,用于采集待测目标70的光谱信息;其中,第一容器30处于第二壳体20内。
详细来说,本发明还提供一种智能化测定菜肴食品营养含量的检测***,用以解决现有技术中无法准确对菜肴食品的营养含量进行检测的缺陷,通过利用光学图谱技术、机器学习与数据建模算法,实现菜肴食品类型的识别、图像与菜肴食品体积模型的建立,光谱与菜肴食品密度模型的建立、光谱与菜肴食品营养含量模型的建立,进而根据菜肴体积综合估算菜肴食品的质量和营养含量。
在本发明一些可能的实施例中,至少第二壳体20为圆柱形结构。
具体来说,本实施例提供了一种第二壳体20的实施方式,通过第二壳体20设置为圆柱形结构,便于获得第二壳体20的底部半径,进而实现通过待测目标70的图像对待测目标70进行体积的估算。
在本发明一些可能的实施例中,第二壳体20为倒置的锥形柱体结构。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行上述的融合图谱快速检测菜肴食品中营养含量的方法。
需要说明的是,本实施例中的电子设备在具体实现时可以为服务器,也可以为PC机,还可以为其他设备,只要其结构中包括如图6 所示的处理器810、通信接口820、存储器830和通信总线840,其中处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信,且处理器810可以调用存储器830中的逻辑指令以执行上述方法即可。本实施例不对电子设备的具体实现形式进行限定。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种融合图谱快速检测菜肴食品中营养含量的方法,其特征在于,包括:
将菜肴食品搅碎并过滤液体后形成待测目标,将所述待测目标放置于第一容器内;
获取所述待测目标的图像信息,并根据所述图像信息获取所述待测目标的估算体积;
获取所述待测目标的光谱信息,将所述光谱信息输入至光谱密度模型得到所述待测目标的估算密度,其中,所述光谱密度模型是基于样本的样本光谱信息以及与所述样本光谱信息对应的样本密度训练得到的;
根据估算体积和估算密度计算得到所述待测目标的估算质量,并将所述待测目标的估算质量和光谱信息输入至所述待测目标的光谱营养含量模型中得到所述待测目标的营养含量,其中,所述光谱营养含量模型是基于样本的样本光谱信息以及与所述样本光谱信息对应的样本营养含量训练得到的。
2.根据权利要求1所述的一种融合图谱快速检测菜肴食品中营养含量的方法,其特征在于,所述获取所述待测目标的图像信息,并根据所述图像信息获取所述待测目标的估算体积的步骤中,具体包括:
采集在所述第一容器内静置后的所述待测目标的图像信息;
获取图像信息中的图像边缘一点作为第一像素点,根据所述第一像素点至所述第一容器边缘的距离、所述第一像素点至图像中心的距离、所述第一容器的深度和所述第一容器的底部半径计算得到所述待测目标的第一预估体积,其中,所述第一预估体积为基于所述第一像素点的所述待测目标体积;
重复上述步骤直至获得N个像素点的N个预估体积,其中,N大于等于二;
根据N个预估体积计算得到第一平均值,并将第一平均值作为估算体积。
3.根据权利要求2所述的一种融合图谱快速检测菜肴食品中营养含量的方法,其特征在于,所述根据N个预估体积计算得到第一平均值,并将所述第一平均值作为所述估算体积的步骤中,具体包括:
获取预设偏差并以所述预设偏差作为梯度区间,建立N个预估体积的正态分布函数;
获取处于正态分布置信区间内的M个预估体积,并根据M个预估体积计算得到所述第一平均值,其中,M小于N。
4.根据权利要求1所述的一种融合图谱快速检测菜肴食品中营养含量的方法,其特征在于,所述获取所述待测目标的光谱信息,将所述光谱信息输入至光谱密度模型得到所述待测目标的估算密度的步骤中,具体包括:
根据所述待测目标的光谱信息遍历所述光谱密度模型的样本池,获得与所述待测目标的光谱信息对应的样本光谱信息;
获取与所述样本光谱信息对应的样本密度,并将所述样本密度作为估算密度。
5.根据权利要求4所述的一种融合图谱快速检测菜肴食品中营养含量的方法,其特征在于,所述光谱密度模型是基于样本的样本光谱信息以及与所述样本光谱信息对应的样本密度训练得到的步骤中,具体包括:
将已知样本质量的所述样本放入第二容器内,并向所述第二容器内充入惰性气体;
获取所述样本与所述惰性气体混合后的第一体积,以及在所述第一体积下所述第二容器内的第一压强;
保持所述第二容器内的温度恒定,改变所述第二容器的体积并获取所述第二容器的第二体积,以及在所述第二体积下所述第二容器内的第二压强;
基于波马定律,根据所述第一体积、所述第二体积、所述第一压强和所述第二压强计算得到所述样本的样本体积;
根据样本质量和样本体积得到样本密度;
获取所述样本的样本光谱信息,并根据样本光谱信息和样本密度训练得到一个光谱密度样本;
重复上述步骤X次,得到X个光谱密度样本,并根据X个光谱密度样本得到所述光谱密度模型。
6.根据权利要求1所述的一种融合图谱快速检测菜肴食品中营养含量的方法,其特征在于,所述将所述待测目标的估算质量和光谱信息输入至所述待测目标的光谱营养含量模型中得到所述待测目标的营养含量的步骤中,具体包括:
根据所述待测目标的光谱信息遍历所述光谱营养含量模型的样本池,获得与所述待测目标的光谱信息对应的样本光谱信息;
获取与所述样本光谱信息对应的单位质量的样本营养含量,以及所述估算质量包含的单位质量份额;
根据所述估算质量包含的单位质量份额和每单位质量包含的样本营养含量得到所述待测目标的营养含量。
7.根据权利要求6所述的一种融合图谱快速检测菜肴食品中营养含量的方法,其特征在于,所述光谱营养含量模型是基于样本的样本光谱信息以及与所述样本光谱信息对应的样本营养含量训练得到的步骤中,具体包括:
获取单位质量内所述样本的样本营养含量;
获取所述样本的样本光谱信息;
根据所述样本的样本光谱信息和单位质量内的样本营养含量训练得到一个光谱营养含量样本;
重复上述步骤Y次,得到Y个光谱营养含量样本,并根据Y个光谱营养含量样本得到所述光谱营养含量模型。
8.一种基于上述权利要求1至7任一所述的智能化测定菜肴食品营养含量检测方法的***,其特征在于,包括:第一壳体、第二壳体、图像检测模块和光谱检测模块;
所述第一壳体设置于所述第二壳体的上方,并能够与第二壳体扣合形成容纳待测目标的容纳腔室;
所述图像检测模块与所述第一壳体连接,用于采集所述待测目标的图像信息;
所述光谱检测模块与所述第二壳体连接,用于采集所述待测目标的光谱信息;
其中,所述第一容器处于所述第二壳体内。
9.根据权利要求8所述的一种智能化测定菜肴食品营养含量的检测装置,其特征在于,所述第二壳体为圆柱形结构。
10.根据权利要求8所述的一种智能化测定菜肴食品营养含量的检测装置,其特征在于,所述第二壳体为倒置的锥形柱体结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110512979.0A CN113378882A (zh) | 2021-05-11 | 2021-05-11 | 一种融合图谱快速检测菜肴食品中营养含量的方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110512979.0A CN113378882A (zh) | 2021-05-11 | 2021-05-11 | 一种融合图谱快速检测菜肴食品中营养含量的方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113378882A true CN113378882A (zh) | 2021-09-10 |
Family
ID=77572673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110512979.0A Pending CN113378882A (zh) | 2021-05-11 | 2021-05-11 | 一种融合图谱快速检测菜肴食品中营养含量的方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378882A (zh) |
-
2021
- 2021-05-11 CN CN202110512979.0A patent/CN113378882A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pouladzadeh et al. | Measuring calorie and nutrition from food image | |
CN105181912B (zh) | 一种大米储藏过程中的新鲜度检测方法 | |
CN109064509B (zh) | 食物体积和食物热量的识别方法、装置和*** | |
CN107658001B (zh) | 一种家庭用油健康管理方法和*** | |
CN104778374A (zh) | 一种基于图像处理识别方法的自动膳食评估装置 | |
CN104198695B (zh) | 一种对胶体金试纸条显色结果分析的方法 | |
WO2012094569A2 (en) | Health monitoring system | |
CN109959765B (zh) | 三文鱼新鲜度检测***及方法 | |
Akpro Hippocrate et al. | Food weight estimation using smartphone and cutlery | |
US10928325B1 (en) | Urine test system with nutritional recommendations | |
JP2008204105A (ja) | 自動食事摂取量計測システム及び自動食事摂取量計測方法 | |
CN108663367A (zh) | 一种基于鸡蛋容重的鸡蛋品质无损检测方法 | |
CN109431288A (zh) | 一种电饭煲控制方法、装置、存储介质及电饭煲 | |
US11132571B2 (en) | System, method and computer program for guided image capturing of a meal | |
CN109781730A (zh) | 一种快速识别垩白米的方法 | |
CN113324928B (zh) | 一种基于图谱数据智能化无损检测菜肴食品营养含量方法 | |
CN114566254A (zh) | 非接触式计算机视觉智能膳食营养评估方法和***及设备 | |
CN113378882A (zh) | 一种融合图谱快速检测菜肴食品中营养含量的方法和*** | |
WO2021255945A1 (ja) | 情報提供方法 | |
CN109239058A (zh) | 一种可视化时间温度传感器的制备方法及应用 | |
CN113874678A (zh) | 食物测量方法、装置及程序 | |
An et al. | Viscocam: Smartphone-based drink viscosity control assistant for dysphagia patients | |
CN114359299B (zh) | 一种饮食分割方法及慢病患者的饮食营养管理方法 | |
JP2022068265A (ja) | 情報処理方法 | |
CN110118735A (zh) | 一种检测香梨公母的高光谱成像检测方法及装置 |
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 |