科技的快速發(fā)展極大提升人們的日常生活水平,食品自動識別作為計算機視覺領域在真實場景下的重要應用之一是當前的研究熱點。食品自動識別不僅能夠用于自動計價,增加結算窗口,降低人力資源損耗,有效減少顧客排隊等候時間,還可以用于顧客的飲食偏好分析。后續(xù)能夠通過大數(shù)據(jù)分析此區(qū)域的飲食習慣,對庫存管理起指導作用,同時也能夠進行顧客自身的攝食營養(yǎng)分析,幫助顧客合理膳食,避免代謝性疾病的產(chǎn)生。在食品自動識別算法中,傳統(tǒng)的圖像處理和機器學習方法存在許多不足。大部分研究基于食品分類任務,在實際場景中此類方法容易受到光照強度、噪聲干擾、位置方向等因素的影響。隨著深度學習的發(fā)展,卷積神經(jīng)網(wǎng)絡在圖像識別、目標檢測、語義分割等領域獲得巨大的成功,食品識別技術也逐漸圍繞卷積神經(jīng)網(wǎng)絡展開研究。但在食品識別實際落地的過程中,發(fā)現(xiàn)存在樣本標記獲取成本高,食品類別增加模型更新周期長,識別速度較慢等問題。本文致力于解決以上問題,研究實際食堂應用計費場景中的碗碟檢測以及菜品識別,主要工作包括以下幾個方面:(1)構建并開源國內(nèi)外首個真實場景下的碗碟數(shù)據(jù)集Bowl-10和Bowl-95,數(shù)據(jù)集用于碗碟目標檢測研究。Bowl-10數(shù)據(jù)...

【文章頁數(shù)】：82 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
主要英文縮寫詞表
1 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 食品識別傳統(tǒng)方法研究現(xiàn)狀
        1.2.2 食品識別深度學習方法研究現(xiàn)狀
        1.2.3 食品識別難點
    1.3 論文主要研究內(nèi)容
    1.4 論文結構安排
2 相關技術及理論
    2.1 深度學習概述
    2.2 卷積神經(jīng)網(wǎng)絡結構
        2.2.1 卷積層
        2.2.2 池化層
        2.2.3 全連接層
        2.2.4 激活函數(shù)
        2.2.5 反向傳播和梯度下降算法
    2.3 目標檢測
        2.3.1 傳統(tǒng)目標檢測方法
        2.3.2 基于深度學習的目標檢測方法
    2.4 CNN在食品識別中的應用
    2.5 本章小結
3 基于跨連Faster R-CNN的碗碟檢測
    3.1 引言
    3.2 碗碟檢測數(shù)據(jù)集
        3.2.1 Bowl-10數(shù)據(jù)集
        3.2.2 Bowl-95數(shù)據(jù)集
    3.3 可視化Faster R-CNN
        3.3.1 特征圖可視化
        3.3.2 卷積核可視化
        3.3.3 梯度加權類激活映射
    3.4 跨連Faster R-CNN模型
    3.5 實驗結果與分析
        3.5.1 實驗環(huán)境
        3.5.2 評價指標
        3.5.3 實驗分析
    3.6 本章小結
4 基于深度卷積神經(jīng)網(wǎng)絡的食品識別
    4.1 引言
    4.2 食品識別數(shù)據(jù)集
        4.2.1 CNFood-252 數(shù)據(jù)集
        4.2.2 Few Food-50 數(shù)據(jù)集
    4.3 食品圖像半監(jiān)督標記與粗增強
        4.3.1 食品圖像半監(jiān)督標記
        4.3.2 食品圖像粗增強
    4.4 食品圖像定位和分類
    4.5 食品圖像匹配
        4.5.1 少樣本學習
        4.5.2 度量學習
        4.5.3 模型設計
    4.6 實驗結果與分析
    4.7 本章小結
5 總結與展望
    5.1 論文總結
    5.2 展望
參考文獻
攻讀碩士學位期間取得的研究成果
致謝



本文編號：3797923