CN114882973A - 一种基于标准食品识别的每日营养摄取分析方法及*** - Google Patents
一种基于标准食品识别的每日营养摄取分析方法及*** Download PDFInfo
- Publication number
- CN114882973A CN114882973A CN202210633281.9A CN202210633281A CN114882973A CN 114882973 A CN114882973 A CN 114882973A CN 202210633281 A CN202210633281 A CN 202210633281A CN 114882973 A CN114882973 A CN 114882973A
- Authority
- CN
- China
- Prior art keywords
- food
- user
- intake
- model
- standard
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Library & Information Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Nutrition Science (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于标准食品识别的每日营养摄取分析方法,首先获取用户的个人信息,根据所述个人信息构建人工智能用户营养成分摄入模型;再获取食品信息数据库并构建标准食品识别模型;用户使用电子设备对食品进行拍摄得到拍摄图像,将所述拍摄图像输入到所述标准食品识别模型中进行识别,得到食品类别名;通过人工智能用户营养成分摄入模型给用户提供食用建议;根据用户是否确认食用所述食品进行更新优化;本发明能够准确定位用户所拍摄的食品,对定位区域内的食品图像再做分类和识别,识别效果好,可以适用于日常生活,同时,本专利可以根据用户的不同需求提供不同的食用建议,适用于用户每日营养摄入监控和管理,自动化程度高。
Description
技术领域
本发明涉及计算机视觉自动识别食品种类领域,特别是涉及一种基于标准食品识别的每日营养摄取分析方法及***。
背景技术
目前,随着经济的发展和社会的进步及生活水平的不断提高,人们对食物营养与健康倍加关注,合理的营养是人类的智力、身体潜能和社会活动能力充分发挥的先决条件。
与此同时,人们对生活质量也愈来愈重视。人本身的身体状况会直接影响到生活质量的好坏,而人体每天摄入的食物量及食物营养的配比直接影响到身体状况。
因此对食物的选择和摄取也被作为一项控制人体健康的研究课题,受到人们的重视。
人们意识到日常饮食中营养成分的重要性,但是对于标准食品的营养成分认识还不够充分。
现有技术使用方式复杂,识别效果不够好,无法根据用户需求给出饮食建议。
公告号为CN 113077869 A,名称为AI营养摄入管理方法、计算机存储介质及电子设备的专利文献,提出了能根据不同的场景及使用者每餐的营养摄入及时调整下一餐的营养摄入量及运动量,但是只能获取智能冰箱内的食物,对其他标准食品识别效果不理想,无法根据用户需求给出食用建议。
公告号为CN 110648331 A,名称为用于医学图像分割的检测方法、医学图像分割方法及装置的专利文献,使用YOLO网络前端设有的SPP网络结合bounding box对图像进行分割,但分割得到的图像准确度低导致识别效果不好。
发明内容
针对上述问题,本发明提供一种基于标准食品识别的每日营养摄取分析方法及***。
本发明是这样实现的,一种基于标准食品识别的每日营养摄取分析方法,包括:
S10:获取用户的个人信息,根据所述个人信息构建人工智能用户营养成分摄入模型;
S20:获取食品信息数据库并构建标准食品识别模型;
S30:用户使用电子设备对食品进行拍摄得到拍摄图像,将所述拍摄图像输入到所述标准食品识别模型中进行识别,得到食品类别名;
S40:在所述食品信息数据库中获取所述食品类别名对应的营养成分信息,并通过人工智能用户营养成分摄入模型给用户提供食用建议;
S50:人工智能用户营养成分摄入模型根据用户是否确认食用所述食品进行更新优化;
所述食品信息库包括食品类别、食品图像、营养成分信息表、食品标签和专家指导意见。
进一步地,所述个人信息包括:身高、体重、疾病史、过敏原和目标摄入量,所述目标摄入量指用户设定的每日摄入的营养成分总值。
进一步地,所述构建人工智能用户营养成分摄入模型,包括:
S11:获取用户的个人信息,使用决策树和知识图谱生成用户标签,所述用户标签代表用户的饮食情况;
S12:根据每日用户的目标摄入量和已摄入量计算剩余摄入量:Z=W-X;
其中,Z表示剩余摄入量,W表示目标摄入量,X表示已摄入量;
所述已摄入量是根据每日用户所食用的所有食品对应营养成分的累加和。
进一步地,所述构建标准食品识别模型,包括:
S21:获取公司自采标准食品数据集,所述公司自采标准数据集由公司官方获取的标准食品数据;
S22:使用所述标准食品数据集构建标准食品识别模型;
所述公司自采标准数据集包括:标准食品图像和所述标准食品图像对应的食品标签。
进一步地,所述将拍摄图像输入到所述标准食品识别模型中进行识别,得到食品类别名包括:
S31:读取用户拍摄的食品图像输入到CNN网络中,生成N张特征图,其中,N为大于0的正整数;
S32:将所述特征图经过多尺度变换,生成M张子图像,其中,M为大于0的正整数;
S33:对所述子图像使用bounding box分割得到所述食品的目标区域;
S34:使用YOLO模型的SPP框架对所述目标区域进行处理得到每个目标区域中包含的食品的特征坐标;
S35:根据所述特征坐标获取目标图像,将所述目标图像与最高食品类别概率对应,返回识别的食品类别名;
所述最高食品类别概率是特征图经CNN卷积生成更复杂的特征图,将所述更复杂的特征图中的信息经CNN中全连接层判定汇总,生成食品类别概率,选取最高的食品类别概率作为最高食品类别概率。
进一步地,所述子图像是使用拉普拉斯算子将特征图经过多尺度变换的正变换得到。
进一步地,所述食用建议包括:将所述食品类别名对应食品的营养成分信息与用户标签进行分析得到分析结果,根据所述分析结果结合专家指导意见给出用户是否适合食用所述食品的食用建议。
进一步地,所述人工智能用户营养成分摄入模型根据用户是否确认食用所述食品进行更新优化包括:人工智能用户营养成分摄入模型根据每日用户是否摄入所述食品计算得到剩余摄入量,根据所述剩余摄入量在食品信息数据库中找到对应的食品,将所述食品推荐给用户并更新食用建议;
不同食品图像识别得到的食品类别名经人工智能用户营养成分摄入模型中得到不同的分析结果,根据所述不同的分析结果,可以给出不同的食用建议,用户根据所述食用建议决定是否食用所述食品,人工智能用户营养成分摄入模型根据用户选择更新优化。
进一步地,一种基于标准食品识别的每日营养摄取分析***包括:
用户登录模块:用于用户根据账号和密码登录***,登录成功后可以读取用户个人信息及所述用户的历史饮食记录;
用户模型构建模块:用于根据用户录入的个人信息,构建人工智能用户营养成分摄入模型;
智能食品识别模块: 用于用户使用电子设备对食品进行拍摄得到拍摄图像,将所述拍摄图像输入到所述标准食品识别模型中进行识别,得到食品类别名;
食品摄入建议模块:用于在所述食品信息数据库中获取所述食品类别名对应的营养成分信息,并通过人工智能用户营养成分摄入模型确定给用户的食用建议;
模型更新模块:人工智能用户营养成分摄入模型根据用户是否确认食用所述食品进行更新优化;
其中,新用户则先进行注册登录,登陆后新建用户个人信息。
本专利能准确定位用户所拍摄的食品,对定位区域内的食品图像再做分类和识别,识别效果好,可以适用于日常生活。
更进一步的,本专利可以根据用户的不同需求提供不同的食用建议,适用于用户每日营养摄入监控和管理,自动化程度高,同时,本专利可以搭载在移动电子设备上,实用性更强,结构更轻量化。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例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简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本公开实施例提供的一种基于标准食品识别的每日营养摄取分析方法流程图。
图2是本公开实施例提供的一种基于标准食品识别的每日营养摄取分析***的结构示意图。
具体实施方式
为了使本发明要解决的技术问题、技术方案和优点更加清楚,下面结合附图对本发明的较佳实施例进行详细阐述, 更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚的界定。
参见图1所示,本发明提供一种基于标准食品识别的每日营养摄取分析方法可以搭载在电子设备上使用。
该电子设备可以示例性地理解为手机、平板电脑以及小型计算机等具有计算功能的设备。
该方法可以根据用户拍摄的食品图像,识别出食品种类,再根据用户的需求给出食用建议。如图1所示,本实施例提供的方法包括如下步骤:
S10:获取用户的个人信息,根据所述个人信息构建人工智能用户营养成分摄入模型;
具体的,所述个人信息包括:身高、体重、疾病史、过敏原和目标摄入量,所述目标摄入量指用户设定的每日摄入的营养成分总值。
个人信息的输入方式包括键盘输入、手写输入、语音识别和OCR文字识别,也可以通过外部应用导入用户数据。
进一步地,所述构建人工智能用户营养成分摄入模型,包括:
S11:获取用户的个人信息,使用决策树和知识图谱生成用户标签,所述用户标签代表用户的饮食情况;
具体地,根据用户的个人信息生成用户标签,如体重100kg生成肥胖标签,糖尿病用户生成糖尿病标签,一个用户可以拥有多个标签。
S12:根据每日用户的目标摄入量和已摄入量计算剩余摄入量:Z=W-X;
其中,Z表示剩余摄入量,W表示目标摄入量,X表示已摄入量;
所述已摄入量是根据每日用户所食用的所有食品对应营养成分的累加和。
具体地,例如李明每日的目标摄入量为1800KJ,早饭吃了两个馒头400KJ,午饭吃了牛肉100KJ、猪肉320KJ、草鱼120KJ,米饭150KJ,因此,李明的已摄入量为1090KJ,可得到李明的剩余摄入量为710KJ。
S20:获取食品信息数据库并构建标准食品识别模型;
所述食品信息库包括食品类别、食品图像、营养成分信息表、食品标签和专家指导意见。
食品类别由人工审核与筛选,食品图像与营养成分信息表来自于该食品的包装信息与互联网,食品标签由具有资质的专家根据此食品的特性手动设置,如火龙果的标签会被专家设置为寒性、不适合糖尿病。专家指导意见是专家根据食品标签和用户标签给出的食用意见。
进一步地,所述构建标准食品识别模型,包括:
S21:获取公司自采标准食品数据集,所述公司自采标准数据集由公司官方获取的标准食品数据;
所述公司自采标准数据集包括:标准食品图像和所述标准食品图像对应的食品标签。
S22:使用所述标准食品数据集构建标准食品识别模型;
S30:用户使用电子设备对食品进行拍摄得到拍摄图像,将所述拍摄图像输入到所述标准食品识别模型中进行识别,得到食品类别名;
进一步地,所述将拍摄图像输入到所述标准食品识别模型中进行识别,得到食品类别名包括:
S31:读取用户拍摄的食品图像输入到CNN网络中,生成N张特征图,其中,N为大于0的正整数;
具体地,读取用户拍摄的图像的关键帧作为RGB三通道图像输入,经过不同大小的卷积核(S*S,S=3,5,7)生成多张特征图。
S32:将所述特征图经过多尺度变换,生成M张子图像,其中,M为大于0的正整数;
进一步地,所述子图像是使用拉普拉斯算子将特征图经过多尺度变换的正变换得到。
每张子图像的分辨率大小不同,包含原始图像中的不同特定信息。
S33:对所述子图像使用bounding box分割得到所述食品的目标区域;
由于标准食品识别模型是基于深度学习模型的,深度学习模型对不同分辨率的图像敏感程度不同,使用bounding box分割子图像能更加精准定位,分割效果更好,将bounding box的结果进行汇总得到所述食品的目标区域。
S34:使用YOLO模型的SPP框架对所述目标区域进行处理得到每个目标区域中包含的食品的特征坐标;
所述特征坐标表示为(x,y,w,h),对应食品在图像中的位置信息;
S35:根据所述特征坐标获取目标图像,将所述目标图像与最高食品类别概率对应,返回识别的食品类别名;
所述最高食品类别概率是特征图经CNN卷积生成更复杂的特征图,将所述更复杂的特征图中的信息经CNN中全连接层判定汇总,生成食品类别概率,选取最高的食品类别概率作为最高食品类别概率。
S40:在所述食品信息数据库中获取所述食品类别名对应的营养成分信息,并通过人工智能用户营养成分摄入模型给用户提供食用建议;
进一步地,所述食用建议包括:将所述食品类别名对应食品的营养成分信息与用户标签进行分析得到分析结果,根据所述分析结果结合专家指导意见给出用户是否适合食用所述食品的食用建议。
具体地,根据用户标签构建决策树,每个树形结构上由一个标签构成决策点。
获取食品信息数据库中的食物标签,遍历用户标签进行匹配,再根据营养成分信息表给出食用建议。
例如,奶茶标签为不适合肥胖和糖尿病,那么在决策树中遇到肥胖或者糖尿病的用户标签时,就会生成不推荐食用的建议。
本方法还能根据时令、季节、用户群体性反馈等实时更改推荐食品的优先级,如推荐一些时令食品,四月推荐荠菜,七月和八月的时候推荐空心菜。
根据专家指导意见,会根据不同食品在不同季节的优先性推荐,例如:专家推荐冬天吃萝卜,那么冬天吃萝卜的排序会高于夏天吃萝卜的优先级。
若遇到群体性用户反馈,如某一时段某一特定区域发生食物中毒,那么人工智能用户营养成分摄入模型会提供此食品的警示并降低优先级。
S50:人工智能用户营养成分摄入模型根据用户是否确认食用所述食品进行更新优化;
进一步地,所述人工智能用户营养成分摄入模型根据用户是否确认食用所述食品进行更新优化包括:人工智能用户营养成分摄入模型根据每日用户是否摄入所述食品计算得到剩余摄入量,根据所述剩余摄入量在食品信息数据库中找到对应的食品,将所述食品推荐给用户并更新食用建议;
具体的,用户张三的剩余摄入量为710KJ,人工智能用户营养成分摄入模型可以获取食品信息数据库中营养成分表,可以推荐鸡翅200KJ、鸡爪250KJ、土豆80KJ、豆角30KJ和米饭150KJ,推荐的组合有很多种,只需保证摄入量不超过剩余摄入量即可,每次推荐的食品不一样,给用户的食用建议也不一样。
不同食品图像识别得到的食品类别名经人工智能用户营养成分摄入模型中得到不同的分析结果,根据所述不同的分析结果,可以给出不同的食用建议,用户根据所述食用建议决定是否食用所述食品,人工智能用户营养成分摄入模型根据用户选择更新优化。
具体地,例如张三天天吃两个馒头,那么人工智能用户营养成分摄入模型会将馒头设置为张三的饮食喜好,更新用户标签,再根据目标摄入量去修改其他食品的推荐优先级。
下面对本发明实施例提供的一种基于标准食品识别的每日营养摄取分析***进行介绍,下文描述的一种基于标准食品识别的每日营养摄取分析***与上文描述的一种基于标准食品识别的每日营养摄取分析方法可互相对应参照。
请参考图2,图2为一种基于标准食品识别的每日营养摄取分析***包括:
用户登录模块:用于用户根据账号和密码登录***,登录成功后可以读取用户个人信息及所述用户的历史饮食记录;
用户模型构建模块:用于根据用户录入的个人信息,构建人工智能用户营养成分摄入模型;
智能食品识别模块: 用于用户使用电子设备对食品进行拍摄得到拍摄图像,将所述拍摄图像输入到所述标准食品识别模型中进行识别,得到食品类别名;
食品摄入建议模块:用于在所述食品信息数据库中获取所述食品类别名对应的营养成分信息,并通过人工智能用户营养成分摄入模型确定给用户的食用建议;
模型更新模块:人工智能用户营养成分摄入模型根据用户是否确认食用所述食品进行更新优化;
其中,新用户则先进行注册登录,登陆后新建用户个人信息。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。
因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种基于标准食品识别的每日营养摄取分析方法,其特征在于,包括:
S10:获取用户的个人信息,根据所述个人信息构建人工智能用户营养成分摄入模型;
S20:获取食品信息数据库并构建标准食品识别模型;
S30:用户使用电子设备对食品进行拍摄得到拍摄图像,将所述拍摄图像输入到所述标准食品识别模型中进行识别,得到食品类别名;
S40:在所述食品信息数据库中获取所述食品类别名对应的营养成分信息,并通过人工智能用户营养成分摄入模型给用户提供食用建议;
S50:人工智能用户营养成分摄入模型根据用户是否确认食用所述食品进行更新优化;
所述食品信息库包括食品类别、食品图像、营养成分信息表、食品标签和专家指导意见。
2.如权利要求1所述的一种基于标准食品识别的每日营养摄取分析方法,其特征在于,
所述个人信息包括:身高、体重、疾病史、过敏原和目标摄入量,所述目标摄入量指用户设定的每日摄入的营养成分总值。
3.如权利要求1所述的一种基于标准食品识别的每日营养摄取分析方法,其特征在于,
所述构建人工智能用户营养成分摄入模型,包括:
S11:获取用户的个人信息,使用决策树和知识图谱生成用户标签,所述用户标签代表用户的饮食情况;
S12:根据每日用户的目标摄入量和已摄入量计算剩余摄入量:Z=W-X;
其中,Z表示剩余摄入量,W表示目标摄入量,X表示已摄入量;
所述已摄入量是根据每日用户所食用的所有食品对应营养成分的累加和。
4.如权利要求1所述的一种基于标准食品识别的每日营养摄取分析方法,其特征在于,
所述构建标准食品识别模型,包括:
S21:获取公司自采标准食品数据集,所述公司自采标准数据集由公司官方获取的标准食品数据;
S22:使用所述标准食品数据集构建标准食品识别模型;
所述公司自采标准数据集包括:标准食品图像和所述标准食品图像对应的食品标签。
5.如权利要求1所述的一种基于标准食品识别的每日营养摄取分析方法,其特征在于,
所述将拍摄图像输入到所述标准食品识别模型中进行识别,得到食品类别名包括:
S31:读取用户拍摄的食品图像输入到CNN网络中,生成N张特征图,其中,N为大于0的正整数;
S32:将所述特征图经过多尺度变换,生成M张子图像,其中,M为大于0的正整数;
S33:对所述子图像使用bounding box分割得到所述食品的目标区域;
S34:使用YOLO模型的SPP框架对所述目标区域进行处理得到每个目标区域中包含的食品的特征坐标;
S35:根据所述特征坐标获取目标图像,将所述目标图像与最高食品类别概率对应,返回识别的食品类别名;
所述最高食品类别概率是特征图经CNN卷积生成更复杂的特征图,将所述更复杂的特征图中的信息经CNN中全连接层判定汇总,生成食品类别概率,选取最高的食品类别概率作为最高食品类别概率。
6.如权利要求5所述的一种基于标准食品识别的每日营养摄取分析方法,其特征在于,
所述子图像是使用拉普拉斯算子将特征图经过多尺度变换的正变换得到。
7.如权利要求1所述的一种基于标准食品识别的每日营养摄取分析方法,其特征在于,
所述食用建议包括:将所述食品类别名对应食品的营养成分信息与用户标签进行分析得到分析结果,根据所述分析结果结合专家指导意见给出用户是否适合食用所述食品的食用建议。
8.如权利要求1所述的一种基于标准食品识别的每日营养摄取分析方法,其特征在于,
所述人工智能用户营养成分摄入模型根据用户是否确认食用所述食品进行更新优化包括:人工智能用户营养成分摄入模型根据每日用户是否摄入所述食品计算得到剩余摄入量,根据所述剩余摄入量在食品信息数据库中找到对应的食品,将所述食品推荐给用户并更新食用建议;
不同食品图像识别得到的食品类别名经人工智能用户营养成分摄入模型中得到不同的分析结果,根据所述不同的分析结果,可以给出不同的食用建议,用户根据所述食用建议决定是否食用所述食品,人工智能用户营养成分摄入模型根据用户选择更新优化。
9.一种基于标准食品识别的每日营养摄取分析***,其特征在于,包括:
用户登录模块:用于用户根据账号和密码登录***,登录成功后可以读取用户个人信息及所述用户的历史饮食记录;
用户模型构建模块:用于根据用户录入的个人信息,构建人工智能用户营养成分摄入模型;
智能食品识别模块: 用于用户使用电子设备对食品进行拍摄得到拍摄图像,将所述拍摄图像输入到所述标准食品识别模型中进行识别,得到食品类别名;
食品摄入建议模块:用于在所述食品信息数据库中获取所述食品类别名对应的营养成分信息,并通过人工智能用户营养成分摄入模型确定给用户的食用建议;
模型更新模块:人工智能用户营养成分摄入模型根据用户是否确认食用所述食品进行更新优化;
其中,新用户则先进行注册登录,登陆后新建用户个人信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210633281.9A CN114882973A (zh) | 2022-06-07 | 2022-06-07 | 一种基于标准食品识别的每日营养摄取分析方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210633281.9A CN114882973A (zh) | 2022-06-07 | 2022-06-07 | 一种基于标准食品识别的每日营养摄取分析方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114882973A true CN114882973A (zh) | 2022-08-09 |
Family
ID=82679742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210633281.9A Pending CN114882973A (zh) | 2022-06-07 | 2022-06-07 | 一种基于标准食品识别的每日营养摄取分析方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114882973A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116434911A (zh) * | 2023-02-23 | 2023-07-14 | 中国人民解放军空军军医大学 | 一种基于智能识别的个性化饮食监测方法及*** |
-
2022
- 2022-06-07 CN CN202210633281.9A patent/CN114882973A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116434911A (zh) * | 2023-02-23 | 2023-07-14 | 中国人民解放军空军军医大学 | 一种基于智能识别的个性化饮食监测方法及*** |
CN116434911B (zh) * | 2023-02-23 | 2023-12-01 | 中国人民解放军空军军医大学 | 一种基于智能识别的个性化饮食监测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Deep learning in food category recognition | |
US9916520B2 (en) | Automated food recognition and nutritional estimation with a personal mobile electronic device | |
JP6412429B2 (ja) | 栄養摂取量のユーザ特異的な調整のためのシステムおよび方法 | |
US20120179665A1 (en) | Health monitoring system | |
US10832094B2 (en) | Generating hyperspectral image database by machine learning and mapping of color images to hyperspectral domain | |
CN110059654A (zh) | 一种基于细粒度识别的菜品自动结算及饮食健康管理方法 | |
Kaur et al. | Deep neural network for food image classification and nutrient identification: A systematic review | |
US20210313039A1 (en) | Systems and Methods for Diet Quality Photo Navigation Utilizing Dietary Fingerprints for Diet Assessment | |
CN108228844A (zh) | 一种图片筛选方法及装置、存储介质、计算机设备 | |
CN112419326B (zh) | 图像分割数据处理方法、装置、设备及存储介质 | |
CN112597394A (zh) | 菜谱的推荐方法和装置、存储介质、电子装置 | |
CN112329866A (zh) | 一种餐厅智能健康点餐***及方法 | |
CN110119479A (zh) | 一种餐馆推荐方法、装置、设备及可读存储介质 | |
Situju et al. | Food constituent estimation for lifestyle disease prevention by multi-task CNN | |
CN114882973A (zh) | 一种基于标准食品识别的每日营养摄取分析方法及*** | |
Sarker et al. | MACNet: Multi-scale atrous convolution networks for food places classification in egocentric photo-streams | |
CN110310737A (zh) | 一种中医体质养生的智能移动终端 | |
CN113361494B (zh) | 基于人脸识别的自助服务方法及自助服务*** | |
CN115187972A (zh) | 基于特征对比的菜品识别方法 | |
Ahsani et al. | Food Image Retrieval with Gray Level Co-Occurrence Matrix Texture Feature and CIE L* a* b* Color Moments Feature | |
CN114360690A (zh) | 一种慢病患者的饮食营养管理方法和*** | |
WO2021176432A1 (en) | Intelligent food image recognition and recommendation method | |
Agarwal et al. | Hybrid Deep Learning Algorithm‐Based Food Recognition and Calorie Estimation | |
CN110689944A (zh) | 一种饮食打卡***对用户健康饮食与康复的智能指导方法 | |
KR102656629B1 (ko) | 개인의 식이 패턴 설정 시스템과 그 방법 |
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 |