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(dòng)識(shí)別作為計(jì)算機(jī)視覺(jué)領(lǐng)域在真實(shí)場(chǎng)景下的重要應(yīng)用之一是當(dāng)前的研究熱點(diǎn)。食品自動(dòng)識(shí)別不僅能夠用于自動(dòng)計(jì)價(jià),增加結(jié)算窗口,降低人力資源損耗,有效減少顧客排隊(duì)等候時(shí)間,還可以用于顧客的飲食偏好分析。后續(xù)能夠通過(guò)大數(shù)據(jù)分析此區(qū)域的飲食習(xí)慣,對(duì)庫(kù)存管理起指導(dǎo)作用,同時(shí)也能夠進(jìn)行顧客自身的攝食營(yíng)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(dòng)識(shí)別算法中,傳統(tǒng)的圖像處理和機(jī)器學(xué)習(xí)方法存在許多不足。大部分研究基于食品分類(lèi)任務(wù),在實(shí)際場(chǎng)景中此類(lèi)方法容易受到光照強(qiáng)度、噪聲干擾、位置方向等因素的影響。隨著深度學(xué)習(xí)的發(fā)展,卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別、目標(biāo)檢測(cè)、語(yǔ)義分割等領(lǐng)域獲得巨大的成功,食品識(shí)別技術(shù)也逐漸圍繞卷積神經(jīng)網(wǎng)絡(luò)展開(kāi)研究。但在食品識(shí)別實(shí)際落地的過(guò)程中,發(fā)現(xiàn)存在樣本標(biāo)記獲取成本高,食品類(lèi)別增加模型更新周期長(zhǎng),識(shí)別速度較慢等問(wèn)題。本文致力于解決以上問(wèn)題,研究實(shí)際食堂應(yīng)用計(jì)費(fèi)場(chǎng)景中的碗碟檢測(cè)以及菜品識(shí)別,主要工作包括以下幾個(gè)方面:(1)構(gòu)建并開(kāi)源國(guó)內(nèi)外首個(gè)真實(shí)場(chǎng)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(biāo)檢測(cè)研究。Bowl-10數(shù)據(jù)...

【文章頁(yè)數(shù)】：82 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
主要英文縮寫(xiě)詞表
1 緒論
    1.1 研究背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 食品識(shí)別傳統(tǒng)方法研究現(xiàn)狀
        1.2.2 食品識(shí)別深度學(xué)習(xí)方法研究現(xiàn)狀
        1.2.3 食品識(shí)別難點(diǎn)
    1.3 論文主要研究?jī)?nèi)容
    1.4 論文結(jié)構(gòu)安排
2 相關(guān)技術(shù)及理論
    2.1 深度學(xué)習(xí)概述
    2.2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        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(biāo)檢測(cè)
        2.3.1 傳統(tǒng)目標(biāo)檢測(cè)方法
        2.3.2 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法
    2.4 CNN在食品識(shí)別中的應(yīng)用
    2.5 本章小結(jié)
3 基于跨連Faster R-CNN的碗碟檢測(cè)
    3.1 引言
    3.2 碗碟檢測(cè)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(quán)類(lèi)激活映射
    3.4 跨連Faster R-CNN模型
    3.5 實(shí)驗(yàn)結(jié)果與分析
        3.5.1 實(shí)驗(yàn)環(huán)境
        3.5.2 評(píng)價(jià)指標(biāo)
        3.5.3 實(shí)驗(yàn)分析
    3.6 本章小結(jié)
4 基于深度卷積神經(jīng)網(wǎng)絡(luò)的食品識(shí)別
    4.1 引言
    4.2 食品識(shí)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(biāo)記與粗增強(qiáng)
        4.3.1 食品圖像半監(jiān)督標(biāo)記
        4.3.2 食品圖像粗增強(qiáng)
    4.4 食品圖像定位和分類(lèi)
    4.5 食品圖像匹配
        4.5.1 少樣本學(xué)習(xí)
        4.5.2 度量學(xué)習(xí)
        4.5.3 模型設(shè)計(jì)
    4.6 實(shí)驗(yàn)結(jié)果與分析
    4.7 本章小結(jié)
5 總結(jié)與展望
    5.1 論文總結(jié)
    5.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的研究成果
致謝



本文編號(hào)：3797923