CN119495094A 一种基于自适应融合与特征增强的食品营养评估方法 （江南大学）

一种基于自适应融合与特征增强的食品营基于自适应融合与特征增强的食品营养评估方目标图像包括RGB图像和深度图像；根据多尺度特征中目标尺度特征与尺度大于目标尺度特征中的基于图像进行食品营养评估的方法准确率2对待评估的目标对象的目标图像进行多尺度特征提取，获取目标图像的多尺度特征，根据多尺度特征中目标尺度特征与尺度大于所述目标尺度特征根据目标尺度的所述融合特征与小一尺度的融合特征，确定所根据所述融合权重，对所述RGB图像的细节增强特征和所述深度图像的细节增强特征;对尺度大于所述目标尺度特征的多个尺度特征进行下采样，得到对所述目标尺度特征和所述多个下采样特征进行求和，得到所述;3对所述目标尺度的所述融合特征和所述目标上采样特征进行求和，得;;的上采样特征；up()为双线性插值操作进行上采样；w()为卷积层；ReLU为非线性激活函6.根据权利要求1至5中任一项所述的方法，其特;;通过所述训练数据进行训练，直至所述损失函数的损失值达到预设损45[0005]针对相关技术中的基于图像进行食品营养评估的方法，[0006]本发明创造实施例提供的一种基于自适应融合与特征增至少解决相关技术中的基于图像进行食品营养评估的[0007]本发明创造实施例提供的一种基于自适应融合与特征增;6[0009]本发明创造实施例提供的一种基于自适应融合与特征增[0010]本发明创造实施例提供的一种基于自适应融合与特征增;[0011]本发明创造实施例提供的一种基于自适应融合与特征增;[0012]本发明创造实施例提供的一种基于自适应融合与特征增[0013]本发明创造实施例提供的一种基于自适应融合与特征增7;;[0014]本发明创造实施例提供的一种基于自适应融合与特征增对待评估的目标对象的目标图像进行多尺度特征提取，获取目标图像的多尺度特征之前，[0017]本发明创造实施例提供的一种基于自适应融合与特征增强的食品营养评估方法、[0019]图1是本发明创造实施例中一种基于自适应融合与特征增强的食品营养评估方法[0020]图2是本发明创造实施例中将食品营养评估方法和深度学习模型结合使用的示意8且深度学习技术可以对食物图片快速且无损地进行分析，深度学习营养评估技术大量涌[0029]步骤S102，根据多尺度特征中目标尺度特征与尺度大于目标尺度特征的尺度特9[0039]多尺度的融合特征可以提供营养素与图像特征之间更加;;个维度为Hixwxci的实数张量空间；H和W分别表示;;;;式中，为第i尺度的融合特征；wi,rgb为RGB图像的细节增强特征的融合权重，素级相加。[0060]步骤S1042，对上采样特征进行卷积操作和残差连接，得到对应的目标上采样特[0062]li,=Relu(up($BW:(up(1))；;;[0069]上述优化器可以优化的对象包括但不限于：进行多尺度特征提取所设置的参数、参见图2所示，在使用深度学习模型基于图像特征进行营养素预测以评估食品营养的过程热量(PMAE%)质量(PMAE%)脂肪(PMAE%)碳水(PMAE%)蛋白质(PMAE%)平均(PMAE%)14.411.722.521.019.417.8实施例所提供的一种基于自适应融合与特征增强的食品营养评估方法，具有较高的准确[0081]参考图6，现将描述可以作为本发明创造的实施例的服务器或客户端的电子设备执行各种适当的动作和处理。在RAM603中，还可存储电子设备操作所需的各种程序和数储单元608以及通信单元609。输入单元606可以是能向电子设备输入信息的任何类型的设[0086]用于实施本发明创造实施例的方法的计算机程序可以采用一个或多个编程语言据处理装置的处理器或控制器，使得计算机程序当由处理器或控制器执行时使流程图和/的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、[0091]本发明创造的实施例所提供的方法实施方式中记载的各个步骤可以按照不同的[0093]以上所述实施例仅表达了本发明创造的几种实施方式，