(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221093195 5.3 (22)申请日 2022.08.04 (71)申请人 中科苏州智能计算 技术研究院 地址 215123 江苏省苏州市苏州工业园区 金鸡湖大道88号人工智能产业园D1单 元 (72)发明人 蒋树强　闵巍庆　梅舒　 (74)专利代理 机构 南京苏科专利代理有限责任 公司 32102 专利代理师 陈忠辉 (51)Int.Cl. G06V 20/68(2022.01) G06V 10/764(2022.01) G06V 10/762(2022.01) G06V 10/42(2022.01)G06V 10/774(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于小样本数据的团餐图像 检测方法 (57)摘要 本发明公开了一种基于小样本数据的团餐 图像检测方法， 该方法利用已有的基础数据库构 建基本检测模型， 并构建元模型， 通过比对基础 类的特征和元模 型学习基础特征， 调整基础特征 的重要程度， 并在新数据小样本上进行目标检 测。 该方法采用 “端到端”训练方法， 将训练和分 类融入到同一套框架， 且准确率方面相比于传统 算法更高， 平均识别准确率98%左右， 识别速度 0.02s一张， 完全能满足实用所需； 同时， 通过度 量学习的方法， 解决了 现有方法在训练阶段样本 不充分情况下导致模型过拟合或性能恶化的问 题。 权利要求书1页 说明书3页 附图1页 CN 115359479 A 2022.11.18 CN 115359479 A 1.一种基于小样本数据的团餐图像检测方法， 其特征在于： 基于已有的基础数据库构 建基本检测模型， 并通过平衡数据比例调整数据训练权重参数构建元模型， 将图像通过基 本检测模型和元模型分别提取图像基础特征， 通过比对基础特征， 调整基础特征 的权重并 在新数据小样本上进行目标检测。 2.根据权利要求1所述基于小样本数据的团餐图像检测方法， 其特征在于包括步骤： S1、 采集基础数据库并对基本检测模型进行初始化训练， 其中所述基础数据库中包含若干 类别的充足团餐图像基础数据， 所述初始 化训练为通过卷积层、 目标检测层和NMS 筛选层捕 捉跨数据集的颜色、 纹 理及相关 分布的总体特 征信息； S2、 对小样本食品图像的数据集x提取特征， 并采用 度量学习方法训练元模型， 其中所 述元模型为由keams聚类获取的模型， 训练过程为先判断数据集x所提取调优特征与 中 各数据的距离， 而后按比例将 中数据的标签整合 为数据集x的标签输出； S3、 采集新的团餐测试图像数据， 通过基本检测模型进行特征提取， 并通过度量学习方 法获取到对应各种类型的权 重系数， 对测试图像实施团餐识别检测。 3.根据权利要求2所述基于小样本数据的团餐图像检测方法， 其特征在于： 所述基础数 据库中包 含正样本f1,数据量充足的负 样本f2和小样本负 样本f3。 4.根据权利要求2所述基于小样本数据的团餐图像检测方法， 其特征在于： S1中初始化 训练对目标函数 进行优化， 其中c表示置信度， l代表 预 测框， g代 表真框， 代表置信损失， 代表定位损失。 5.根据权利要求2所述基于小样本数据的团餐图像检测方法， 其特征在于： S2中判断距 离作用于优化元模型的对比损失函数 ， 其中a， b为数据 集x中随机选取的两组采样图像， dIa和dIb为检测图像提取的高维特征信息， y为标签信息， 若a， b为同一类则y为1， 若a， b不 为同一类则y为0 。权　利　要　求　书 1/1 页 2 CN 115359479 A 2一种基于小样本数据的团餐图像检测方 法 技术领域 [0001]本发明涉及图像检测应用技术领域， 尤其是一种基于深度学习的小样本数据团餐 图像检测方法。 背景技术 [0002]随着信息化智能化的发展， 传统食堂面临着 “信息化、 智能化 ”的转型升级需求。 而 当前需求通过大数据、 云计算、 人工智能和移动互联网技术， 对传统团餐从库存管理、 移动 端管理、 智能化结算及用户端饮食健康管理等方面进行全方面升级， 助力 信息团餐新动态。 [0003]现有基于常规图像处理的团餐 图像检测主要通过sift等传统特征工程， 通过svm 等分类器进行分类、 归集目标检测结果； 或者基于深度学习的目标检测、 目标分割 方法， 通 过标注、 训练、 推力进行瑕疵检测。 [0004]但是实用环境下客观存在两大难点， 第一、 实际应用过程中商家每日菜品不断更 新， 且每日做菜的方式不完全相同； 第二、 单纯传统的识别算法所需要的数据集形式标注成 本较高。 综上所述， 传统的目标识别方案不能满足实际使用的需求。 体现在具体团餐行业， 对团餐数据需求量大， 但实际餐厅中无法提前将所有菜品提供采样， 存在样 本不足的现象； 而且团餐数据分布 不均衡， 导致检测过程有 结果偏向， 新增菜品往往需要重新训练模型， 带 来了成本增 加。 发明内容 [0005]本发明的目的就是为了解决上述问题， 提供一种基于小样本数据的团餐图像检测 方法， 解决现有同类方法在训练阶段样本不充分情况下导致模型过拟合或性能恶化的问 题。 [0006]本发明的技术解决方案是： 一种基于小样本数据的团餐图像检测方法， 其特征在 于： 基于已有的基础数据库构建基本检测模型， 并通过平衡数据比例调整数据训练权重参 数构建元模型， 将图像通过基本检测模型和元模型分别提取图像基础特征， 通过比对基础 特征， 调整基础特 征的权重并在新数据小样本上进行目标检测。 [0007]进一步地， 包括步骤： S1、 采集基础数据库 并对基本检测模型进行初始化训练， 其 中所述基础数据库中包含若干类别的充足团餐图像基础数据， 所述初始 化训练为通过卷积 层、 目标检测层和NMS筛 选层捕捉 跨数据集的颜色、 纹 理及相关 分布的总体特 征信息； S2、 对小样本食品图像的数据集x提取特征， 并采用度量学习方法训练元模型， 其 中所述元模型为由keams聚类获取的模型， 训练过程为先判断数据集x所提取调优特征与 中各数据的距离， 而后按比例将 中数据的标签整合 为数据集x的标签输出； S3、 采集新的团餐测试图像数据， 通过基本检测模型进行特征提取， 并通过度量学 习方法获取到对应各种类型的权 重系数， 对测试图像实施团餐识别检测。 [0008]采用本发明技术方案， 相比于传统算法特征工程、 分类器过于繁琐的构建方法， 该 方法采用“端到端”训练方法， 将训练和分类融入到同一套框架， 且准确率方面相比于传统说　明　书 1/3 页 3 CN 115359479 A 3