一种基于卷积神经网络目标检测的膳食营养分析方法与流程

本发明创造属于营养分析领域，尤其是涉及一种基于卷积神经网络目标检测的膳食营养分析方法。
背景技术：
：虽然生活条件的逐渐提高，人们的饮食水平提升了很多，随之而来的问题就是人们会摄入过多的营养成分，对身体造成负担。目前的市场上的软件大部分只能记录用户每日摄入的营养成分，摄入的营养成分由用户手动输入，无法对用户摄入的菜品自动进行营养成分计算。目标检测即计算机模拟人眼在图像中检索获取感兴趣的目标对象。基于深度学习的目标检测方法能从大量的数据中学习特征，目前应用于图像识别和分析研究的深度学习模型主要包括卷积神经网络cnn、深度信念网络dbn和堆叠自动编码器sae。经过卷积神经网络得到的特征信息，包括浅层信息和深度信息，浅层信息指的是：前级的卷积层得到的特征图，感受野更加关注的是图像细节纹理等特征。深度信息包括：后级的卷积层卷积得到的特征图信息。发明创造内容有鉴于此，本发明创造旨在提出一种基于卷积神经网络目标检测的膳食营养分析方法，以识别烹饪菜品的菜品图片或实物，并获知其营养成分。为达到上述目的，本发明创造的技术方案是这样实现的：一种基于卷积神经网络目标检测的膳食营养分析方法，包括以下步骤，步骤一、采集数据并人工标注：对烹饪菜品的菜品图片或实物进行拍摄并存储为菜品图片数据，人工对菜品图片标注菜品名称数据，并根据烹饪菜品的原料、质量计算菜品营养成分数据，将所述菜品图片数据、菜品名称数据、菜品营养成分数据存储于数据库；步骤二、对数据进行数据增强：通过数据增强技术对所述菜品图片数据进行扩充；步骤三、训练神经网络：通过所述所述菜品图片数据、菜品名称数据、菜品营养成分数据对卷积神经网络目标检测系统进行训练，使得卷积神经网络目标检测系统可以通过输入菜品名称数据和或菜品图片数据输出菜品营养成分数据；步骤四、计算食物营养成分：通过汇总统计所述菜品营养成分数据计算出烹饪菜品的营养成分。进一步的，步骤四根据每100克各类食物原料所含的营养成分，计算该菜品的碳水化合物、脂肪、蛋白质含量，根据碳水化合物、脂肪、蛋白质含量计算热卡。进一步的，在所述步骤三、步骤四之间还包括以下步骤，使用神经网络识别食物的种类及获取菜品位置坐标：使用基于卷积神经网络目标检测技术识别食物的种类及获取菜品位置坐标；使用神经网络预测食物的深度信息并估算体积：使用基于卷积神经网络目标检测技术预测食物的深度信息并估算体积。进一步的，所述菜品图片数据、菜品名称数据、菜品营养成分数据、卷积神经网络目标检测系统存储于手机移动终端。进一步的，所述菜品图片数据、菜品名称数据、菜品营养成分数据通过移动终端上安装的膳食营养分析软件获取。进一步的，所述膳食营养分析软件包括数据输入程序、识别程序和数据显示程序，所述数据输入程序用于读取用户输入的菜品图片数据、菜品名称数据；所述识别程序用于识别菜品并计算所述菜品营养成分数据；所述数据显示程序用于显示所述菜品营养成分数据。进一步的，所述膳食营养分析软件还包括根据用户输入的身高、体重数据，计算出相应的营养成分建议量，该营养成分建议量通过所述数据显示程序读取。相对于现有技术，本发明创造所述的基于卷积神经网络目标检测的膳食营养分析方法具有以下优势：本发明创造通过所述的卷积神经网络目标检测系统可以通过输入菜品名称数据和或菜品图片数据输出菜品营养成分数据，菜品图片数据、菜品名称数据、菜品营养成分数据通过移动终端上安装的膳食营养分析软件获取，在进食时，用户输入菜品名称数据和或菜品图片数据，优选的，用户可通过对进食的菜品进行拍照形成菜品图片数据，通过使用膳食营养分析软件，将会自动识别菜品名称数据，并输出菜品营养成分数据；整个过程无需用户动手测量菜品重量或者自己输入营养成分，使用户更加轻松、方便。附图说明构成本发明创造的一部分的附图用来提供对本发明创造的进一步理解，本发明创造的示意性实施例及其说明用于解释本发明创造，并不构成对本发明创造的不当限定。在附图中：图1为本发明基于卷积神经网络目标检测的膳食营养分析方法原理图；图2为本发明所述膳食营养分析软件流程图。具体实施方式需要说明的是，在不冲突的情况下，本发明创造中的实施例及实施例中的特征可以相互组合。在本发明创造的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明创造和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明创造的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明创造的描述中，除非另有说明，“多个”的含义是两个或两个以上。在本发明创造的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明创造中的具体含义。下面将参考附图并结合实施例来详细说明本发明创造。如图1所示，一种基于卷积神经网络目标检测的膳食营养分析方法，包括以下步骤，步骤一、采集数据并人工标注：对烹饪菜品的菜品图片或实物进行拍摄并存储为菜品图片数据，人工对菜品图片标注菜品名称数据，并根据烹饪菜品的原料、质量计算菜品营养成分数据，将所述菜品图片数据、菜品名称数据、菜品营养成分数据存储于数据库；步骤二、对数据进行数据增强：通过数据增强技术对菜品图片数据进行扩充；步骤三、训练神经网络：通过所述所述菜品图片数据、菜品名称数据、菜品营养成分数据对卷积神经网络目标检测系统进行训练，使得卷积神经网络目标检测系统可以通过输入菜品名称数据和或菜品图片数据输出菜品营养成分数据。步骤四、计算食物营养成分：通过汇总统计所述菜品营养成分数据计算出烹饪菜品的营养成分。需要进一步说明的是，所述数据增强技术是对数据进行增强，即利用已有的数据进行翻转、平移或旋转，创造出更多的数据，来是得神经网络具有更好得范化效果。常用的数据增强技术包括翻转、旋转、缩放、剪裁、平移。进一步的，步骤四根据每100克各类食物原料所含的营养成分，计算该菜品的碳水化合物、脂肪、蛋白质含量，根据碳水化合物、脂肪、蛋白质含量计算热卡。步骤四中所述计算食物营养成分，举例说明如下：例如：一大碗土豆炖牛肉菜品，拍照后通过前面三项步骤得到：根据食物成分表查找到相应食物的营养成分：根据各营养素生成的热卡公式：1克碳水化合物产生4kcal能量1克脂肪产生9kcal能量1克蛋白质产生4kcal能量1克酒精产生7kcal能量综合上述计算得到拍摄的一大碗土豆炖牛肉的热卡为：60*4+56.6*9+87.4*4+17.6＝1116.6kcal一种基于卷积神经网络目标检测的膳食营养分析方法，还包括以下步骤，使用神经网络识别食物的种类及获取菜品位置坐标：使用基于卷积神经网络目标检测技术识别食物的种类及获取菜品位置坐标；卷积神经网络目标检测技术可以通过输出图片上特征点的坐标(x,y)，来实现对目标特征的识别和定位标记。使用神经网络预测食物的深度信息并估算体积：使用基于卷积神经网络目标检测技术预测食物的深度信息并估算体积。经过卷积神经网络得到的特征信息，包括浅层信息和深度信息，浅层信息指的是：前级的卷积层得到的特征图，感受野更加关注的是图像细节纹理等特征。深度信息包括：后级的卷积层卷积得到的特征图信息。进一步的，所述菜品图片数据、菜品名称数据、菜品营养成分数据、卷积神经网络目标检测系统存储于手机移动终端。如图2所示，进一步的，所述菜品图片数据、菜品名称数据、菜品营养成分数据通过移动终端上安装的膳食营养分析软件获取。进一步的，所述膳食营养分析软件包括数据输入程序、识别程序和数据显示程序，所述数据输入程序用于读取用户输入的菜品图片数据、菜品名称数据；所述识别程序用于识别菜品并计算所述菜品营养成分数据；所述数据显示程序用于显示所述菜品营养成分数据。使用时，所述膳食营养分析软件通过让用户利用移动终端对进食的菜品3进行拍照，获取菜品图片数据，通过卷积神经网络目标检测系统对菜品3进行识别和或体积估算，从而完成对菜品营养成分的自动计算及录入，使得用户更加方便地控制自己的每日摄入量。进一步的，所述膳食营养分析软件还包括根据用户输入的身高、体重数据，计算出相应的营养成分建议量，该营养成分建议量通过所述数据显示程序读取。所述营养成分建议量可根据理想体重(ibw)进行计算，理想体重(ibw)在不同的年龄阶段参照不同的国家标准，具体说明如下：1)成年阶段：体质指数(bmi)＝体重(单位为kg)/身高2(单位为m2)，bmi<18.5kg/m2为体重过低，18.5～24.0为正常体重，24.0～28.0为超重，≥28.0为肥胖。每日营养素的配比为：碳水化合物占总热卡50％～60％，脂肪25％～30％，蛋白质：10％～15％。营养成分计算方法为：成年用户从下表中选择自己当前的劳动强度，本申请程序依据用户输入的身高和体重自动判别体重状态所对应的热卡需求，每日营养成分建议量＝体重×单位体重的热量需求。如某30岁男性，电脑软件工程师，目前身高1.68m，体重80kg，身体活动水平为低，输入程序后，程序自动计算出bmi＝80/1.682＝28.34(kg/m2),依据内设标准自动判别为肥胖，并推荐每日热量需求范围为：80×(20～25)即1600～2000千卡之间；成年阶段身体活动水平标准成年阶段单位体重的热量需求2)儿童青少年阶段：三大营养素分配根据年龄制定：考虑到早期儿童营养的重要性，根据国际通行共识，儿童2岁以内不考虑肥胖超重之类的诊断，因此2岁以内儿童的营养需求本申请软件不涉及。本申请中正常体重的孩子特指除消瘦*及超重肥胖*外皆为正常体重，2岁以上各年龄组的营养素需求为：2岁-4岁：碳水化合物占总热卡50％，脂肪占35％，蛋白质占：15％；4岁-18岁：碳水化合物占总热卡55％，脂肪占30％，蛋白质占：15％。儿童青少年理想体重的判别及热量和营养素计算：根据我国公开发表的儿童青少年各年龄对应的生长曲线，判别相应的身高别体重，并按下表儿童营养成分建议表，生成热量需求和营养素分配。如男童，9岁，身高为1.354m，体重45kg，对照生长曲线理想体重中间值30.46kg计算，超出理想体重ibw＝45-30.46＝14.54kg，儿童营养成分建议量为，10＜ibw≤20kg，热卡(kcal)＝900+50(ibw-10kg)＝900+50(30.46-10)＝1923千卡。儿童营养成分建议表如下：理想体重(ibw)营养成分建议量ibw≤10kg热卡(kcal)＝90*ibw10＜ibw≤20kg热卡(kcal)＝900+50(ibw-10kg)ibw＞20kg热卡(kcal)＝1500+20*(ibw-20)用户输入自己的身高体重等信息，通过所述膳食营养分析软件计算出用户的营养成分建议量。在进食时，用户只需要对进食的菜品进行拍照，软件将会自动识别菜品种类，并计算菜品的体积，从而计算菜品的营养成分，用户也可手动调整结果。整个过程无需用户动手测量菜品重量或者自己输入营养成分，使用户更加轻松、方便。以上所述仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明创造的保护范围之内。当前第1页12