检测模型训练及肉类营养成分检测的方法和装置
技术领域
本发明涉及食品检测技术领域，尤其涉及一种检测模型训练及肉类营养成分检测的方法和装置。
背景技术
肉类的营养成分鉴定通常需要采用理化鉴定的方式。理化鉴定主要是通过对肉类进行取样并利用检测仪器进行检测，从而测定出肉中各种营养物质的含量，以进一步对肉类进行鉴定。但是这种方式不仅需要花费的时间较长，且需要有专门的检测设备才能够实现肉类营养成分的检测。然而对于一般消费者而言，在日常肉类购买过程中无法采用上述方式实现快速的肉类营养成分检测。进而导致消费者无法实现根据个人对肉类营养成分的含量需求，进行肉类食物的挑选购买。
发明内容
本发明实施例提供一种检测模型训练及肉类营养成分检测的方法和装置，以解决现有技术中的一个或多个技术问题。
第一方面，本发明实施例提供了一种检测模型训练方法，包括：
获取多个肉类样本的营养成分信息和肉类样本图像；
将每个肉类样本图像与对应的营养成分信息关联，构建训练样本；
利用多个所述训练样本对初始模型进行训练，得到肉类营养成分检测模型，所述肉类营养成分检测模型用于从待检测肉类图像中检测出肉类的营养成分。
在一种实施方式中，所述营养成分信息包括蛋白质含量、脂肪含量、含糖量、维生素含量以及稀有元素含量中的至少一种信息。
在一种实施方式中，所述肉类样本图像为包括肉质纹理的图像。
在一种实施方式中，所述初始模型包括输入层、隐含层和输出层，利用多个所述训练样本对初始模型进行训练，得到肉类营养成分检测模型，包括：
通过所述输入层对所述训练样本进行归一化处理；
通过所述隐含层从归一化处理后的训练样本的肉类样本图像中提取肉质纹理特征和肉质颜色特征，并对提取的肉质纹理特征和肉质颜色特征进行处理；
基于处理结果，通过所述输出层得到所述训练样本的肉类样本图像的营养成分预测结果；
利用损失函数，对营养成分预测结果和营养成分信息中的营养成分真值进行损失值计算；
根据损失值，调整优化所述初始模型，得到所述肉类营养成分检测模型。
第二方面，本发明实施例提供了一种肉类营养成分检测方法，包括：
获取待检测肉类图像；
利用第一方面的各实施方式所述方法得到的肉类营养成分检测模型对所述待检测肉类图像进行检测，以得到所述待检测肉类图像中的肉类的营养成分。
在一种实施方式中，获取肉类图像之前，还包括：
接收移动终端发送的初始肉类图像；
对所述初始肉类图像进行预处理，得到所述待检测肉类图像。
第三方面，本发明实施例提供了一种检测模型训练装置，包括：
获取模块，用于获取多个肉类样本的营养成分信息和肉类样本图像；
构建模块，用于将每个肉类样本图像与对应的营养成分信息关联，构建训练样本；
训练模块，用于利用多个所述训练样本对初始模型进行训练，得到肉类营养成分检测模型，所述肉类营养成分检测模型用于从待检测肉类图像中检测出肉类的营养成分。
在一种实施方式中，所述初始模型包括输入层、隐含层和输出层，所述训练模块包括：
处理子模块，用于通过所述输入层对所述训练样本进行归一化处理；
提取子模块，用于通过所述隐含层从归一化处理后的训练样本的肉类样本图像中提取肉质纹理特征和肉质颜色特征，并对提取的肉质纹理特征和肉质颜色特征进行处理：
预测子模块，用于基于处理结果，通过所述输出层得到所述训练样本的肉类样本图像的营养成分预测结果；
计算子模块，用于利用损失函数，对营养成分预测结果和营养成分信息中的营养成分真值进行损失值计算；
优化子模块，用于根据损失值，调整优化所述初始模型，得到所述肉类营养成分检测模型。
第四方面，本发明实施例提供了一种肉类营养成分检测装置，包括：
获取模块，用于获取待检测肉类图像；
检测模块，用于利用如权利要求7-8任一项所述装置得到的肉类营养成分检测模型对所述待检测肉类图像进行检测，以得到所述待检测肉类图像中的肉类的营养成分。
在一种实施方式中，还包括：
接收模块，用于接收移动终端发送的初始肉类图像；
预处理模块，用于对所述初始肉类图像进行预处理，得到所述待检测肉类图像。
第五方面，本发明实施例提供了一种检测模型训练终端，所述检测模型训练终端的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。
在一个可能的设计中，所述检测模型训练终端的结构中包括处理器和存储器，所述存储器用于存储支持所述检测模型训练终端执行上述检测模型训练方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。所述检测模型训练终端还可以包括通信接口，用于与其他设备或通信网络通信。
第六方面，本发明实施例提供了一种肉类营养成分检测终端，所述肉类营养成分检测终端的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。
在一个可能的设计中，所述肉类营养成分检测终端的结构中包括处理器和存储器，所述存储器用于存储支持所述肉类营养成分检测终端执行上述肉类营养成分检测方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。所述肉类营养成分检测终端还可以包括通信接口，用于与其他设备或通信网络通信。
第七方面，本发明实施例提供了一种计算机可读存储介质，用于存储检测模型训练终端及肉类营养成分检测终端所用的计算机软件指令，其包括用于执行上述检测模型训练方法及肉类营养成分检测方法所涉及的程序。
上述技术方案中的一个技术方案具有如下优点或有益效果：本发明实施例由于利用具有营养成分信息和肉类样本图像的训练样本训练模型，因此能够实现不利用专业检测工具，基于图片即可快速检测出肉类的营养成分含量。
上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。
图1示出根据本发明实施例的检测模型训练方法的流程图。
图2示出根据本发明实施例的检测模型训练方法的步骤S300的具体流程图。
图3示出根据本发明实施例的肉类营养成分检测方法的流程图。
图4示出根据本发明另一实施例的肉类营养成分检测方法的流程图。
图5示出根据本发明实施例的检测模型训练装置的结构框图。
图6示出根据本发明实施例的检测模型训练装置的训练模块的结构框图。
图7示出根据本发明实施例的肉类营养成分检测装置的结构框图。
图8示出根据本发明另一实施例的肉类营养成分检测装置的结构框图。
图9示出根据本发明实施例的检测模型训练终端的结构示意图。
图10示出根据本发明实施例的肉类营养成分检测终端的结构示意图。
具体实施方式
在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。
图1示出根据本发明实施例的检测模型训练方法的流程图。如图1所示，该检测模型训练方法包括：
S100：获取多个肉类样本的营养成分信息和肉类样本图像。
多个肉类样本可以包括同种肉类的多个样本。例如，多个肉类样本为多块不同的猪肉样本。多个肉类样本也可以包括不同种肉类的多个样本。例如，多个肉类样本包括牛肉样本、猪肉样本、羊肉样本等。且每种肉类样本的数量可以为一个或多个。
获取肉类样本图像的方式可采用已有的图像采集方式，在此不做具体限定。在一个示例中，为了加快后续模型的训练过程，获取的图像可以为彩色且肉质纹理清晰的肉类样本图像。
获取的营养成分信息是被采集图像的肉类样本的营养成分信息。营养成分信息中包含有该肉类样本中一部分或全部的营养成分种类和对应的含量。具体需要获取的营养成分信息可以根据构建的模型需求进行选择和调整。营养成分信息的获取方式可以包括专家感官鉴定的方式或理化鉴定的方式。感官鉴定的方式可以通过有相应经验的专家通过观察肉的颜色、纹理以及气味等，判断出肉的营养成分。也可以利用检测仪器通过物理及化学检测的方式，测定出肉中各种营养成分的含量。
在一个示例中，当肉类样本图像是通过拍摄采集的时，可以通过感官鉴定和/或理化鉴定的方式对该肉类样本进行检测，从而获取营养成分信息。肉类样本图像和营养成分信息还可以从网络中获取。例如，从网络中获取已有的携带有营养成分信息的肉类图像，从而快速得到肉类样本图像和营养成分信息。
S200：将每个肉类样本图像与对应的营养成分信息关联，构建训练样本。构建的训练样本的数量可以根据需要进行选择。
在一个示例中，可以将肉类样本的营养成分信息作为肉类样本图像的标注内容，使得该肉类样本图像和对应的营养成分信息进行关联。
S300：利用多个训练样本对初始模型进行训练，得到肉类营养成分检测模型，肉类营养成分检测模型用于从待检测肉类图像中检测出肉类的营养成分。
在一个示例中，为了保证最终训练出的模型的性能，可以将各训练样本分为两部分，一部分作为训练集在模型训练过程中使用。另一部分作为评测集在模型训练完成后进行性能检测使用。其中，训练样本中的营养成分信息可以作为肉类样本的营养成分真值。
在一种实施方式中，肉类样本的营养成分信息包括蛋白质含量、脂肪含量、含糖量、维生素含量以及稀有元素含量中的至少一种信息。需要说明的是，营养成分信息并不限于上述举例中提及的，具体需要从肉类样本中获取的营养成分信息可以根据需要进行适应性选择和调整。
在一种实施方式中，肉类样本图像为包括肉质纹理的图像。包括肉质纹理的图像可以为能够看到肉类样本表面的纤维纹路以及瘦肉与脂肪之间的分布情况的图像。
在一种实施方式中，一个肉类样本可以从多个不同的角度进行肉类样本图像的获取，并且将该肉类样本的营养成分信息分别与从不同角度获取的肉类样本图像进行关联作为训练样本。从而提高模型基于训练样本的学习准确度。
例如，把一块猪肉作为肉类样本时，可以从猪肉的不同侧面分别拍摄以获取该猪肉的多张图像。然后将该猪肉检测出的营养成分信息与各张猪肉图像均进行关联，以得到该猪肉的多个训练样本。
在一种实施方式中，如图2所示，初始模型包括输入层、隐含层和输出层，利用多个训练样本对初始模型进行训练，得到肉类营养成分检测模型，包括：
S310：通过输入层对训练样本进行归一化处理。
S320：通过隐含层从归一化处理后的训练样本的肉类样本图像中提取肉质纹理特征和肉质颜色特征，并对提取的肉质纹理特征和肉质颜色特征进行处理。
在一个示例中，隐含层可以包括卷积层、池化层和全连接层。卷积层的功能是对输入数据进行特征提取，其内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量，类似于一个前馈神经网络的神经元。卷积层内每个神经元都与前一层中位置接近的区域的多个神经元相连。池化层的功能是在卷积层进行特征提取后，输出的特征图会被传递至池化层进行特征选择和信息过滤。
S330：基于处理结果，通过输出层得到训练样本的肉类样本图像的营养成分预测结果。
S340：利用损失函数，对营养成分预测结果和营养成分信息中的营养成分真值进行损失值计算。
S350：根据损失值，调整优化初始模型，得到肉类营养成分检测模型。
在一个示例中，根据损失值，调整优化初始模型，得到肉类营养成分检测模型，包括：
根据损失值，通过反向传播和梯度下降的方式，调整初始模型中每一层网络的权重。
利用调整后的模型重复步骤S320-S340，直至损失值达到阈值要求时，则认为肉类营养成分检测模型训练完成。
在一个示例中，当肉类样本为猪肉时，检测模型训练方法包括：首先，需要采集大量猪肉的照片，随后邀请专家对猪肉的照片进行标注。猪肉照片采集和标注的方法为：首先对一块猪肉拍摄5张照片，然后请专家按照理化鉴定的方法，对这块猪肉的营养成分进行鉴定，确定这块猪肉的热量、蛋白质含量、脂肪含量、糖类含量、维生素含量、稀有元素含量等指标，并将这些信息，作为此猪肉照片的标注内容。当大量猪肉的照片采集和标注完成后，取其中的70％作为训练集，剩余的作为评测集。利用这些照片和标注信息，对初始模型进行训练，求解模型的损失函数。通过调整参数，使得损失函数逐步减小。当损失函数小于某个值后，利用评测集，对模型的ROC(receiver operating characteristic，接受者操作特性)曲线进行评测。当模型的ROC曲线达到某个固定的标准后，即认为模型效果已经满足需求，即完成肉类营养成分检测模型的训练。
图3示出根据本发明实施例的肉类营养成分检测方法的流程图。如图3所示，该肉类营养成分检测方法包括：
S10：获取待检测肉类图像。
S20：利用上述各实施方式得到的肉类营养成分检测模型对待检测肉类图像进行检测，以检测出待检测肉类图像中的肉类的营养成分。
在一种实施方式中，如图4所示，获取肉类图像之前，还包括：
S30：接收移动终端发送的初始肉类图像。移动终端发送的初始肉类图像可以包括：用户利用移动终端实时拍摄的肉类图像。该图像中包括待识别的肉类以及该肉类周围的环境信息。由于环境信息可能会对肉类检测造成一定的影响，因此可以利用下述步骤进行图像预处理。
S40：对初始肉类图像进行预处理，得到待检测肉类图像。
在一个示例中，肉类营养成分检测模型可以部署在移动终端的应用程序中，也可以部署在云端服务器中。将移动终端拍摄的图像上传至云端服务器或加载至应用程序中，即可实现对肉类图像的营养成分检测。
在一个应用示例中，将肉类营养成分检测模型到服务器上，并提供对应的API(Application Programming Interface，应用程序编程接口)接口，供程序调用。当用户在挑选猪肉时，只需要利用手机等具有拍摄功能的设备，拍摄待挑选的猪肉的一张照片，上传到服务器。服务器即可利用肉类营养成分检测模型，对图片中猪肉的热量、蛋白质含量、脂肪含量、糖类含量、维生素含量、稀有元素含量进行检测，并且基于检测结果对猪肉进行打分。并将营养成分信息和分数返回给手机端，帮助用户快速挑选猪肉。即，用户可以根据猪肉分数以及不同营养成分的含量决定是否选择购买该猪肉。例如，蛋白质含量或脂肪含量是否满足用户的饮食要求。使用本方案后，用户在挑选猪肉的过程中，可以仅仅依据手机拍摄一张图，就获取到比较准确的，猪肉的各项营养成分，从而帮助用户快速挑选猪肉。哪怕用户不具备感官鉴定和理化鉴定的基础，也能买到符合自己需求的猪肉。
图5示出根据本发明实施例的检测模型训练装置的结构框图。如图5所示，该检测模型训练装置包括：
获取模块10，用于获取多个肉类样本的营养成分信息和肉类样本图像。
构建模块20，用于将每个肉类样本图像与对应的营养成分信息关联，构建训练样本。
训练模块30，用于利用多个训练样本对初始模型进行训练，得到肉类营养成分检测模型，肉类营养成分检测模型用于从待检测肉类图像中检测出肉类的营养成分。
在一种实施方式中，如图6所示，初始模型包括输入层、隐含层和输出层，训练模块30包括：
处理子模块31，用于通过输入层对训练样本进行归一化处理。
提取子模块32，用于通过隐含层从归一化处理后的训练样本的肉类样本图像中提取肉质纹理特征和肉质颜色特征，并对提取的肉质纹理特征和肉质颜色特征进行处理。
预测子模块33，用于基于处理结果，通过输出层得到训练样本的肉类样本图像的营养成分预测结果。
计算子模块34，用于利用损失函数，对营养成分预测结果和营养成分信息中的营养成分真值进行损失值计算。
优化子模块35，用于根据损失值，调整优化初始模型，得到肉类营养成分检测模型。
在一个示例中，营养成分信息包括蛋白质含量、脂肪含量、含糖量、维生素含量以及稀有元素含量中的至少一种信息。肉类样本图像为包括肉质纹理的图像。
图7示出根据本发明实施例的肉类营养成分检测装置的结构框图。如图7所示，该肉类营养成分检测装置包括：
获取模块100，用于获取待检测肉类图像。
检测模块200，用于利用上述各实施例的检测模型训练装置得到的肉类营养成分检测模型对待检测肉类图像进行检测，以检测出待检测肉类图像中的肉类的营养成分。
在一种实施方式中，如图8所示，肉类营养成分检测装置还包括：
接收模块300，用于接收移动终端发送的初始肉类图像。
预处理模块400，用于对初始肉类图像进行预处理，得到待检测肉类图像。
本发明实施例各装置中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。
图9示出根据本发明实施例的检测模型训练终端的结构框图。如图9所示，该终端包括：存储器910和处理器920，存储器910内存储有可在处理器920上运行的计算机程序。所述处理器920执行所述计算机程序时实现上述实施例中的检测模型训练方法。所述存储器910和处理器920的数量可以为一个或多个。
该终端还包括：
通信接口930，用于与外界设备进行通信，进行检测模型训练数据的传输。
存储器910可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
如果存储器910、处理器920和通信接口930独立实现，则存储器910、处理器920和通信接口930可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(ISA，Industry Standard Architecture)总线、外部设备互连(PCI，PeripheralComponent Interconnect)总线或扩展工业标准体系结构(EISA，Extended IndustryStandard Architecture)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器910、处理器920及通信接口930集成在一块芯片上，则存储器910、处理器920及通信接口930可以通过内部接口完成相互间的通信。
图10示出根据本发明实施例的肉类营养成分检测终端的结构框图。如图10所示，该终端包括：存储器810和处理器820，存储器810内存储有可在处理器820上运行的计算机程序。所述处理器820执行所述计算机程序时实现上述实施例中的肉类营养成分检测方法。所述存储器810和处理器820的数量可以为一个或多个。
该终端还包括：
通信接口830，用于与外界设备进行通信，进行肉类营养成分检测数据的传输。
存储器810可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
如果存储器810、处理器820和通信接口830独立实现，则存储器810、处理器820和通信接口830可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(ISA，Industry Standard Architecture)总线、外部设备互连(PCI，PeripheralComponent Interconnect)总线或扩展工业标准体系结构(EISA，Extended IndustryStandard Architecture)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图10中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器810、处理器820及通信接口830集成在一块芯片上，则存储器810、处理器820及通信接口830可以通过内部接口完成相互间的通信。
本发明实施例提供了一种计算机可读存储介质，其存储有计算机程序，该程序被处理器执行时实现上述实施例中任一所述方法。
本发明实施例由于利用具有营养成分信息和肉类样本图像的训练样本训练模型，因此能够实现不利用专业检测工具，基于图片即可快速检测出肉类的营养成分含量。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”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”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器，磁盘或光盘等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
