CN114202758A - 食品信息生成方法、装置、电子设备和介质 - Google Patents

Abstract

本公开的实施例公开了食品信息生成方法、装置、电子设备和介质。该方法的一具体实施方式包括：响应于检测到食品图像中存在目标物品，将食品图像输入至食品分类模型；对于候选食品信息组集中的每个候选食品信息组，从候选食品信息组中选择目标候选食品信息包括的候选食品名称作为目标食品信息；对于目标食品信息集中的每个目标食品信息，响应于接收到目标食品信息对应的食品更改信息和子食品图像，将目标食品信息对应的食品更改信息和子食品图像作为训练样本添加至食品分类模型对应的训练样本集中；对食品分类模型进行训练；将目标食品图像输入至所述训练后的食品分类模型中，以生成食品分类信息。该实施方式提高了食品结算的效率。

Description

食品信息生成方法、装置、电子设备和介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及食品信息生成方法、装置、电子设备和介质。

背景技术

在智慧食堂领域，对食物信息识别技术的研究已经成为该领域研究的核心问题。目前，常用的食物信息识别技术往往采用固定不变的训练样本集对初始食物识别模型进行训练以生成食物识别模型食物信息进行识别。

然而，当采用上述方法进行食物信息识别时，经常会存在以下技术问题：

第一，由于食堂的菜品会经常发生变化，采用固定不变的训练样本集对初始食物识别模型进行训练以生成食物识别模型的方式，对于新菜品的识别准确度不高，从而，降低了菜品结算的效率，以及，增加了用户排队等待的时间；

第二，在实际情况中，传统的食品分类模型在对模型的训练结果进行评价时，往往仅以预测结果准确的比例作为评价指标，但当样本类别分布不均等时，易造成食品分类模型的评价结果的准确率较低。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。本公开的一些实施例提出了食品信息生成方法、装置、电子设备和介质，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种食品信息生成方法，该方法包括：响应于检测到食品图像中存在目标物品，将上述食品图像输入至食品分类模型，得到候选食品信息组集，其中，上述候选食品信息组集中的候选食品信息包括：候选食品名称和置信度数值；对于上述候选食品信息组集中的每个候选食品信息组，从上述候选食品信息组中选择目标候选食品信息包括的候选食品名称作为目标食品信息，得到目标食品信息集，其中，上述目标候选食品信息为包括的置信度数值满足预定条件的候选食品信息；对于上述目标食品信息集中的每个目标食品信息，响应于接收到上述目标食品信息对应的食品更改信息和子食品图像，将上述目标食品信息对应的食品更改信息和子食品图像作为训练样本添加至上述食品分类模型对应的训练样本集中；基于添加完至少一个训练样本的训练样本集，对上述食品分类模型进行训练，以生成训练后的食品分类模型；将目标食品图像输入至上述训练后的食品分类模型中，以生成食品分类信息。

第二方面，本公开的一些实施例提供了一种食品信息生成装置，装置包括：第一输入装置，被配置成响应于检测到食品图像中存在目标物品，将上述食品图像输入至食品分类模型，得到候选食品信息组集，其中，上述候选食品信息组集中的候选食品信息包括：候选食品名称和置信度数值；选择单元，被配置成对于上述候选食品信息组集中的每个候选食品信息组，从上述候选食品信息组中选择目标候选食品信息包括的候选食品名称作为目标食品信息，得到目标食品信息集，其中，上述目标候选食品信息为包括的置信度数值满足预定条件的候选食品信息；添加单元，被配置成对于上述目标食品信息集中的每个目标食品信息，响应于接收到上述目标食品信息对应的食品更改信息和子食品图像，将上述目标食品信息对应的食品更改信息和子食品图像作为训练样本添加至上述食品分类模型对应的训练样本集中；训练单元，被配置成基于添加完至少一个训练样本的训练样本集，对上述食品分类模型进行训练，以生成训练后的食品分类模型；第二输入单元，被配置成将目标食品图像输入至上述训练后的食品分类模型中，以生成食品分类信息。

第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。

第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。

本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的食品信息生成方法，使得生成的食物信息的准确度有所提高，从而提高了食品结算的效率。以及，减少了用户排队等待的时间。具体来说，造成相关的食物信息生成的准确度不够精确的原因在于：由于菜品是动态变化的，而采用固定不变的训练样本集对初始食物识别模型进行训练以生成的食物识别模型，对于新菜品的识别准确度不高。基于此，本公开的一些实施例的食品信息生成方法将训练样本设置为动态变化的。在菜品识别过程中，若出现菜品信息与菜品图像不匹配的情况，则将菜品图像与对应的正确的菜品信息加入训练样本数据集，对模型进行重新训练。通过此种方式，使得生成的食物识别模型能够适应菜品的变化。进而，提高了生成的食物信息的准确度、提高了食物的结算效率以及减少了用户排队等待的时间。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是本公开的一些实施例的食品信息生成方法的一个应用场景的示意图；

图2是根据本公开的食品信息生成方法的一些实施例的流程图；

图3是根据本公开的食品信息生成装置的一些实施例的结构示意图；

图4是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1是本公开的一些实施例的食品信息生成方法的一个应用场景的示意图。

在图1的应用场景中，首先，计算设备101可以响应于检测到食品图像102中存在目标物品，将上述食品图像102输入至食品分类模型103，得到候选食品信息组集104，其中，上述候选食品信息组集104中的候选食品信息包括：候选食品名称和置信度数值。其次，计算设备101可以对于上述候选食品信息组集104中的每个候选食品信息组，从上述候选食品信息组中选择目标候选食品信息包括的候选食品名称作为目标食品信息，得到目标食品信息集105，其中，上述目标候选食品信息为包括的置信度数值满足预定条件的候选食品信息。之后，计算设备101可以对于上述目标食品信息集105中的每个目标食品信息，响应于接收到上述目标食品信息对应的食品更改信息和子食品图像106，将上述目标食品信息对应的食品更改信息和子食品图像106作为训练样本添加至上述食品分类模型103对应的训练样本集中。然后，计算设备101可以基于添加完至少一个训练样本的训练样本集107，对上述食品分类模型103进行训练，以生成训练后的食品分类模型108。最后，计算设备101可以将目标食品图像109输入至上述训练后的食品分类模型108中，以生成食品分类信息110。

需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。

继续参考图2，示出了根据本公开的食品信息生成方法的一些实施例的流程200。该食品信息生成方法，包括以下步骤：

步骤201，响应于检测到食品图像中存在目标物品，将食品图像输入至食品分类模型，得到候选食品信息组集。

在一些实施例中，食品信息生成方法的执行主体(例如图1所示的计算设备101)可以响应于检测到食品图像中存在目标物品，将上述食品图像输入至食品分类模型，得到候选食品信息组集。其中，上述候选食品信息组集中的候选食品信息可以包括：候选食品名称和置信度数值。上述目标物品可以是餐盘。上述食品图像可以是从目标视频流中截取的图像。上述目标视频流可以是摄像机录制的菜品结算的视频流。上述食品分类模型可以用于对食品进行分类，以生成分类结果的模型。上述食品分类模型可以是邻近算法。

在一些实施例的一些可选的实现方式中，上述执行主体可以在响应于检测到食品图像中存在目标物品，将上述食品图像输入至食品分类模型，得到候选食品信息组集之前，将食品图像输入至预训练的餐盘检测模型中以检测上述食品图像中是否存在目标物品。其中，上述餐盘检测模型可以包括餐盘标注层和餐盘检测层。上述餐盘标注层用于对上述食品图像中的目标物品进行标注。上述餐盘标注层可以是边框回归模型。上述餐盘检测层可以用于检测食品图像中是否存在目标物品。上述餐盘检测层可以是ssd(Single ShotMultiBox Detector，单级多框预测)模型。

作为示例，上述候选食品信息组集可以是[[苹果：0.98，梨：0.76，橘子：0.56]，[番茄炒鸡蛋：0.96，胡萝卜炒鸡蛋：0.56，胡萝卜炒肉：0.69]，[米饭：0.96，馒头：0.23，烩面：0.11]]。

步骤202，对于候选食品信息组集中的每个候选食品信息组，从候选食品信息组中选择目标候选食品信息包括的候选食品名称作为目标食品信息，得到目标食品信息集。

在一些实施例中，上述执行主体可以对于上述候选食品信息组集中的每个候选食品信息组，从上述候选食品信息组中选择目标候选食品信息包括的候选食品名称作为目标食品信息，得到目标食品信息集。其中，上述目标候选食品信息可以为包括的置信度数值满足预定条件的候选食品信息。上述预定条件可以是置信度数值与上述候选食品信息组中各个候选食品信息对应的置信度数值中最大的置信度数值相同。

作为示例，上述候选食品信息组集可以是[[苹果：0.98，梨：0.76，橘子：0.56]，[番茄炒鸡蛋：0.43，胡萝卜炒鸡蛋：0.32，胡萝卜炒肉：0.69]，[米饭：0.96，馒头：0.23，烩面：0.11]]。则上述目标食品信息集可以是[苹果：0.98，番茄炒鸡蛋：0.43，米饭：0.96]]。

步骤203，对于目标食品信息集中的每个目标食品信息，响应于接收到目标食品信息对应的食品更改信息和子食品图像，将目标食品信息对应的食品更改信息和子食品图像作为训练样本添加至食品分类模型对应的训练样本集中。

在一些实施例中，上述执行主体可以对于上述目标食品信息集中的每个目标食品信息，响应于接收到上述目标食品信息对应的食品更改信息和子食品图像，将上述目标食品信息对应的食品更改信息和子食品图像作为训练样本添加至上述食品分类模型对应的训练样本集中。其中，上述食品分类模型对应的训练样本集中的训练样本可以包括：样本食品图像和样本食品名称。上述子食品图像是食品图像进行图像分割所生成的图像。上述目标食品信息对应的食品更改信息可以是根据上述子食品图像重新确认的信息。

步骤204，基于添加完至少一个训练样本的训练样本集，对食品分类模型进行训练，以生成训练后的食品分类模型。

在一些实施例中，上述执行主体可以基于添加完至少一个训练样本的训练样本集，对上述食品分类模型进行训练，以生成训练后的食品分类模型。上述训练后的食品分类模型可以用于对食品进行分类，以生成分类结果的模型。上述训练后的食品分类模型可以是邻近算法。

在一些实施例的一些可选的实现方式中，上述执行主体基于添加完至少一个训练样本的训练样本集，对上述食品分类模型进行训练，以生成训练后的食品分类模型，可以包括以下步骤：

第一步，从上述添加完至少一个训练样本的训练样本集中选取至少一个训练样本组成训练样本组，其中，上述训练样本组中的训练样本可以包括：样本食品图像和样本食品名称。

第二步，将上述训练样本组中的各个训练样本包括的样本食品图像输入至上述食品分类模型以生成食品预测名称组。

第三步，基于上述训练样本组中的各个训练样本包括的样本食品名称和上述食品预测名称组，生成得分值。

其中，基于上述训练样本组中的各个训练样本包括的样本食品名称和上述食品预测名称组，生成得分值，可以包括以下子步骤：

第一子步骤，基于上述训练样本组中的各个训练样本包括的样本食品名称和上述食品预测名称组，生成第一对比值集、第二对比值集和第三对比值集。

其中，上述执行主体可以确定上述训练样本组的食品类别信息集。由此，上述第一对比值集中的第一对比值可以用于表征对于上述食品类别信息集中的每个食品类别信息，上述训练样本组和食品预测名称组中具有相同上述食品类别信息的数量。上述第二对比值集中的第二对比值可以用于表征对于上述食品类别信息集中的每个食品类别信息，上述食品预测名称组中为上述食品类别信息的食品预测名称且与上述食品预测名称对应的样本食品名称不为上述食品类别信息的数量。上述第三对比值集中的第三对比值可以用于表征对于上述食品类别信息集中的每个食品类别信息，上述食品预测名称组中不为上述食品类别信息的食品预测名称且与上述食品预测名称对应的样本食品名称为上述食品类别信息的数量。

作为示例，上述训练样本组中的各个训练样本包括的样本食品名称可以是[“番茄炒蛋”，“番茄炒蛋”，“青椒炒肉”，“番茄炒蛋”“鱼香肉丝”，“青椒炒肉”，“鱼香肉丝”，“鱼香肉丝”]。上述食品预测名称组可以是[“番茄炒蛋”，“青椒炒肉”，“番茄炒蛋”，“鱼香肉丝”，“鱼香肉丝”，“青椒炒肉”，“鱼香肉丝”，“鱼香肉丝”]。确定上述训练样本组的食品类别信息集可以是[“番茄炒蛋”，“青椒炒肉”，“鱼香肉丝”]。则对于上述食品类别信息集中的“番茄炒蛋”，上述第一对比值可以是1，上述第二对比值可以是1，上述第三对比值可以是2。对于上述食品类别信息集中的“青椒炒肉”。上述第一对比值可以是1，上述第二对比值可以是1，上述第三对比值可以是2。对于上述食品类别信息集中的“鱼香肉丝”。上述第一对比值可以是3，上述第二对比值可以是1，上述第三对比值可以是0。

第二子步骤，基于上述第一对比值集、第二对比值集和第三对比值集，通过以下公式，生成上述得分值：

其中，i表示序号。T表示上述第一对比值集中的第一对比值。T_i表示上述第一对比值集中的第i个第一对比值。M表示上述第二对比值集中的第二对比值。M_i表示上述第二对比值集中的第i个第二对比值。N表示上述第三对比值集中的第三对比值。N_i表示上述第三对比值集中的第i个第三对比值。k表示上述第一对比值集中的第一对比值的数量。w₁表示第一权重。取值范围为[0。1]。w₂表示第二权重。取值范围为[0。1]。P表示准确率。R表示召回率。β为系数。取值范围为(0。1]。F表示上述得分值。

上述公式作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“在实际情况中，传统的食品分类模型在对模型的训练结果进行评价时，往往仅以预测准确的比例作为评价指标，但当样本类别分布不均等时，易造成食品分类模型的评价结果的准确率较低”。导致食品分类模型的评价结果的准确率较低的因素往往如下：当训练样本的类别的数目呈现不均等现象时，若以预测准确的比例作为评价指标，会造成整体预测的准确率较高，但个别样本的类别预测的准确率较低。从而使食品分类模型的评价结果的准确率较低。如果解决了上述因素，就能达到提高食品分类模型的评价结果的准确率的效果。为了达到这一效果，本公开在对食品分类模型进行评价时，不仅对准确预测比例指标(预测为某类且样本也为某类的数目占预测为某类的数目的比例)进行考虑，即，上述公式中提及的准确率。而且对错误预测比例指标(预测不为某类且样本为某类的数目占样本为某类的数目的比例，或预测为某类且样本不为某类的数目占样本为某类的数目的比例)进行考虑，即上述公式中的召回率。并且将准确预测比例指标和错误预测比例指标分别乘以相应的权重进行综合考虑，进而提高使预测食品分类模型的评价结果的准确率。

步骤205，将目标食品图像输入至训练后的食品分类模型中，以生成食品分类信息。

在一些实施例中，上述执行主体可以将目标食品图像输入至上述训练后的食品分类模型中，以生成食品分类信息。其中，上述目标食品图像可以是通过有线或者无线方式获取的任意一个食品图像。

作为示例，上述食品分类信息可以是[“苹果”，“番茄炒鸡蛋”，“米饭”]。

可选地，上述执行主体可以将上述食品分类信息发送至目标显示终端以供显示。

在一些实施例中，上述执行主体可以通过有限连接或无线连接的方式，将上述食品分类信息发送至目标显示终端以及在上述目标显示终端上显示上述食品分类信息。其中，上述目标终端可以是计算机显示器。

本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的食品信息生成方法得到的食物信息，使得生成的食物信息的准确度有所提高，从而减少了用户排队等待的时间，进而，提高了食品结算的效率。具体来说，发明人发现，造成相关的食物信息生成的准确度不够精确的原因在于：由于菜品是动态变化的，而采用固定不变的训练样本集对初始食物识别模型进行训练以生成的食物识别模型，对于新菜品的识别准确度不高。基于此，本公开的一些实施例的食品信息生成方法将训练样本设置为动态变化的。在菜品识别过程中，若出现菜品信息与菜品图像不匹配的情况，则将菜品图像与对应的正确的菜品信息加入训练样本数据集，对模型进行重新训练。通过此种方式，使得生成的食物识别模型能够适应菜品的变化。通过不断的学习，从而，提高了食物分类模型的表征能力。进而，提高了生成的食物信息的准确度、减少了用户排队等待的时间以及提高了食物的结算效率。

进一步参考图3，作为对上述各图所示方法的实现，本公开提供了一种食品信息生成装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。如图3所示，一些实施例的食品信息生成装置300包括：第一输入装置301、选择单元302、添加单元303、训练单元304和第二输入单元305。其中，第一输入装置301，被配置成响应于检测到食品图像中存在目标物品，将上述食品图像输入至食品分类模型，得到候选食品信息组集，其中，上述候选食品信息组集中的候选食品信息包括：候选食品名称和置信度数值；选择单元302，被配置成对于上述候选食品信息组集中的每个候选食品信息组，从上述候选食品信息组中选择目标候选食品信息包括的候选食品名称作为目标食品信息，得到目标食品信息集，其中，上述目标候选食品信息为包括的置信度数值满足预定条件的候选食品信息；添加单元303，被配置成对于上述目标食品信息集中的每个目标食品信息，响应于接收到上述目标食品信息对应的食品更改信息和子食品图像，将上述目标食品信息对应的食品更改信息和子食品图像作为训练样本添加至上述食品分类模型对应的训练样本集中；训练单元304，被配置成基于添加完至少一个训练样本的训练样本集，对上述食品分类模型进行训练，以生成训练后的食品分类模型；第二输入单元305，被配置成将目标食品图像输入至上述训练后的食品分类模型中，以生成食品分类信息。

可以理解的是，该装置300中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元，在此不再赘述。

下面参考图4，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备101)400的结构示意图。图4示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置404；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述装置中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：响应于检测到食品图像中存在目标物品，将上述食品图像输入至食品分类模型，得到候选食品信息组集，其中，上述候选食品信息组集中的候选食品信息包括：候选食品名称和置信度数值；对于上述候选食品信息组集中的每个候选食品信息组，从上述候选食品信息组中选择目标候选食品信息包括的候选食品名称作为目标食品信息，得到目标食品信息集，其中，上述目标候选食品信息为包括的置信度数值满足预定条件的候选食品信息；对于上述目标食品信息集中的每个目标食品信息，响应于接收到上述目标食品信息对应的食品更改信息和子食品图像，将上述目标食品信息对应的食品更改信息和子食品图像作为训练样本添加至上述食品分类模型对应的训练样本集中；基于添加完至少一个训练样本的训练样本集，对上述食品分类模型进行训练，以生成训练后的食品分类模型；将目标食品图像输入至上述训练后的食品分类模型中，以生成食品分类信息。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一输入装置、选择单元、添加单元、训练单元和第二输入单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第二输入单元还可以被描述为“将目标食品图像输入至上述训练后的食品分类模型中，以生成食品分类信息的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种食品信息生成方法，包括：

响应于检测到食品图像中存在目标物品，将所述食品图像输入至食品分类模型，得到候选食品信息组集，其中，所述候选食品信息组集中的候选食品信息包括：候选食品名称和置信度数值；

对于所述候选食品信息组集中的每个候选食品信息组，从所述候选食品信息组中选择目标候选食品信息包括的候选食品名称作为目标食品信息，得到目标食品信息集，其中，所述目标候选食品信息为包括的置信度数值满足预定条件的候选食品信息；

对于所述目标食品信息集中的每个目标食品信息，响应于接收到所述目标食品信息对应的食品更改信息和子食品图像，将所述目标食品信息对应的食品更改信息和子食品图像作为训练样本添加至所述食品分类模型对应的训练样本集中；

基于添加完至少一个训练样本的训练样本集，对所述食品分类模型进行训练，以生成训练后的食品分类模型；

将目标食品图像输入至所述训练后的食品分类模型中，以生成食品分类信息。

2.根据权利要求1所述的方法，其中，所述方法还包括：

将所述食品分类信息发送至目标显示终端以供显示。

3.根据权利要求2所述的方法，其中，在所述响应于检测到食品图像中存在目标物品，将所述食品图像输入至食品分类模型，得到候选食品信息组集之前，所述方法还包括：

将食品图像输入至预训练的餐盘检测模型中以检测所述食品图像中是否存在目标物品。

4.根据权利要求3所述的方法，其中，所述基于添加完至少一个训练样本的训练样本集，对所述食品分类模型进行训练，以生成训练后的食品分类模型，包括：

从所述添加完至少一个训练样本的训练样本集中选取至少一个训练样本组成训练样本组，其中，所述训练样本组中的训练样本包括：样本食品图像和样本食品名称；

将所述训练样本组中的各个训练样本包括的样本食品图像输入至所述食品分类模型以生成食品预测名称组。

5.根据权利要求4所述的方法，其中，所述方法还包括：

基于所述训练样本组中的各个训练样本包括的样本食品名称和所述食品预测名称组，生成得分值；

响应于确定所述得分值大于等于预设阈值，将所述食品分类模型确定为所述训练后的食品分类模型。

6.根据权利要求5所述的方法，其中，所述基于所述训练样本组中的各个训练样本包括的样本食品名称和所述食品预测名称组，生成得分值，包括：

基于所述训练样本组中的各个训练样本包括的样本食品名称和所述食品预测名称组，生成第一对比值集、第二对比值集和第三对比值集；

基于所述第一对比值集、第二对比值集和第三对比值集，通过以下公式，生成所述得分值：

其中，i表示序号，T表示所述第一对比值集中的第一对比值，T_i表示所述第一对比值集中的第i个第一对比值，M表示所述第二对比值集中的第二对比值，M_i表示所述第二对比值集中的第i个第二对比值，N表示所述第三对比值集中的第三对比值，N_i表示所述第三对比值集中的第i个第三对比值，k表示所述第一对比值集中的第一对比值的数量，w₁表示第一权重，取值范围为[0，1]，w₂表示第二权重，取值范围为[0，1]，P表示准确率，R表示召回率，β为系数，取值范围为(0，1]，F表示所述得分值。

7.一种食品信息生成装置，包括：

第一输入装置，被配置成响应于检测到食品图像中存在目标物品，将所述食品图像输入至食品分类模型，得到候选食品信息组集，其中，所述候选食品信息组集中的候选食品信息包括：候选食品名称和置信度数值；

选择单元，被配置成对于所述候选食品信息组集中的每个候选食品信息组，从所述候选食品信息组中选择目标候选食品信息包括的候选食品名称作为目标食品信息，得到目标食品信息集，其中，所述目标候选食品信息为包括的置信度数值满足预定条件的候选食品信息；

添加单元，被配置成对于所述目标食品信息集中的每个目标食品信息，响应于接收到所述目标食品信息对应的食品更改信息和子食品图像，将所述目标食品信息对应的食品更改信息和子食品图像作为训练样本添加至所述食品分类模型对应的训练样本集中；

训练单元，被配置成基于添加完至少一个训练样本的训练样本集，对所述食品分类模型进行训练，以生成训练后的食品分类模型；

第二输入单元，被配置成将目标食品图像输入至所述训练后的食品分类模型中，以生成食品分类信息。

8.根据权利要求7所述的食品信息生成装置，其中，所述训练单元进一步被配置成：

从所述添加完至少一个训练样本的训练样本集中选取至少一个训练样本组成训练样本组，其中，所述训练样本组中的训练样本包括：样本食品图像和样本食品名称；

将所述训练样本组中的各个训练样本包括的样本食品图像输入至所述食品分类模型以生成食品预测名称组。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-6任一所述的方法。

Images