基于web的食品图像识别系统的设计与实现

发布时间：2020-05-25 01:43

【摘要】：近年来由于人们生活节奏的加快,很多人都没有均衡饮食的习惯,这就导致了一些诸如肥胖、糖尿病等疾病的发生,如果能够记录一天当中摄入的所有食物,人们就能更加方便的管理自己的饮食习惯,帮助减少热量的摄入,进而管理自身健康,减少疾病。但目前大多都是采用饮食日志的方式来进行记录,这种方法既繁琐也不够准确,为了更好地帮助这些患者记录日常的饮食生活,本文对食品图像自动识别分类的方法进行了研究,主要工作如下:(1)构建食品图像数据集。主要从食品图像数据网站中进行爬取以及视频中提取食品图像,然后在此基础上构建了本实验所需的图像数据集,同时还对部分图片数据进行了标注,用于之后的图像关键区域提取实验。(2)图像关键区域提取。由于采集的食品图片大多包含了一些其他的复杂背景内容,对模型的训练结果会产生较大的影响,如果能够只针对图像关键区域进行训练,会很大程度提高模型识别准确率,所以本文提出了基于Yolov3的图像关键区域提取方法,并进行了相关实验验证了这一方法的有效性。(3)模型训练。将提取出的图像关键区域进行整理成新的数据集,并对VGG16、ResNet50、InceptionV3这三个卷积神经网络模型进行了对比实验,研究分析了不同训练模式以及网络深度对食品图像识别效果的影响。(4)设计并实现了基于web的食品图像识别系统。使用Tensorflow serving将已经训练好的神经网络模型进行上线并发布服务,然后系统调用这一服务,对用户输入的图片进行识别,接下来根据识别的结果去查询食品数据库,最后将查询到的食品信息展示给用户。
【图文】：

简单网络

武汉轻工大学硕士专业学位论文所以科研人员对图像特征提取算法的研究和改进从未间断过索，目前在这一研究领域已经取得了相当显著的成果。反向传播算法传播算法是在 1988 年由 Paul Werbos 等人提出来的[35]，但该引起太大的重视。然后直到 Geoffrey Hinto 等人发现这一算更新上更优于其他的算法，这才使得这一算法被广泛使用。个不断对参数进行迭代更新的过程，直到实际输出值接近期新并得到最终的参数。来看一下一个简单的神经网络结构如图 2.1，以此来详细介绍。

网络架构,卷积

在介绍 VGG16 模型之前，有必要先了解一下 VGGNet 架构，它是由ogle 公司的一个研究员和牛津大学计算机视觉组合一起进行研发的，他们在入的研究了卷积神经网络的模型后，通过不断地堆积卷积核和最大池化层，建出了基于 CNN 的 16 和 19 层神经网络，但 VGG 模型从原理上来讲跟传统神经网络模型并没有太大的差异。VGGNet 主要是靠大量堆积卷积层和池化层来加深网络来提高性能，尽管为增加了神经网络的层数而导致训练参数量变得很大，但这个参数量是在可范围内的，最后把训练的参数都汇集到了全连接层。在模型中使用了 1*1 的积核让输入通道进行线性变换，提炼特征把多通道的特征进行组合，这一架相较于以往的神经网络模型做了很大的改进。在了解 VGGNet 的基本架构之后，，接下来将具体讲解 VGG16 模型，这其是 VGGNet 模型的一个变种，当然也是目前比较受欢迎的一个模型，图 2.2示了其网络结构。
【学位授予单位】：武汉轻工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TS971;TP391.41;TP393.09

【相似文献】