产学研创新服务平台(全国)
专利申请类型:发明专利;基于数据分析和深度学习的智能营养膳食管理方法和系统
摘要:本申请揭示一种基于数据分析和深度学习的智能营养膳食管理方法,获取食材数据,构建食材成分数据库;获取菜肴数据,构建为菜肴成分数据库;进行训练处理,以得到营养素数值预测模型;获取第一自然人的生理特征数据,得到第一营养素数值序列;获取第二菜肴图片、第三菜肴图片、…、和第n菜肴图片;获取选取的至少一个不需要食材;生成第二营养素数值序列;从所述菜肴成分数据库中选出第一菜肴;得到第三营养素数值序列;若相似,则进行第一菜肴制作处理,以得到第一实体菜肴;进行菜肴食材交换处理,实现了在满足摄入的营养素含量的目的的基础上,还满足了对于口味及食材的要求,并且减少了食材的浪费。
专利类型:发明专利
专利申请号:CN202111181620.6
专利申请(专利权)人:医膳通(广东)信息技术有限公司
权利人地址:广东省广州市番禺区大石街石北工业路644号18栋307
专利发明(设计)人:李屹,刘瑾
主权利要求:基于数据分析和深度学习的智能营养膳食管理方法和系统
技术领域
[0001] 本申请涉及到计算机领域,特别是涉及到一种基于数据分析和深度学习的智能营养膳食管理方法和系统。
背景技术
[0002] 随着医疗技术及营养学的发展,饮食安全与健康膳食越来越被人们重视。但是,在具体的菜肴选择的过程中,难以存在完美符合某个特定自然人应当摄入的营养素含量的单个或数个菜肴,更重要的是,由于自然人一般存在口味偏好及食材偏好的问题,例如某些人喜欢吃辣、有些人偏爱于甜味料理、有些人喜好吃素、有些人无肉不欢,而单一口味的膳食尤其容易出现某些营养素缺乏的情况出现。而现有技术,无法提供合适的既满足特定自然人应当摄入的营养素含量,又满足对于口味及食材的要求,并且尽量减少食材浪费的方案。
发明内容
[0003] 本申请提出一种基于数据分析和深度学习的智能营养膳食管理方法,应用于第一自然人终端,包括:
[0004] S1、获取预先收集的食材数据,并构建为食材成分数据库;其中,所述食材成分数据库记录有食材图片和对应的营养素含量序列;
[0005] S2、获取预先收集的菜肴数据,再结合所述食材成分数据库,构建为菜肴成分数据库;其中,所述菜肴成分数据库记录有菜肴图片和对应的营养素含量序列,每个菜肴均包括两种以上食材;
[0006] S3、调取预设的样本数据,并采用样本数据对预设的深度神经网络模型进行训练处理,以得到营养素数值预测模型;其中,样本数据为对样本人群进行数据采集得到的生理数据;
[0007] S4、获取待分析的第一自然人的生理特征数据,并输入所述营养素数值预测模型中进行处理,以得到所述营养素数值预测模型输出的第一营养素数值序列;其中,所述第一营养素数值序列中的不同成员分别对应不同种类的营养素;
[0008] S5、获取第二自然人终端、第三自然人终端、…、和第n自然人终端分别发送的第二菜肴图片、第三菜肴图片、…、和第n菜肴图片;其中,所述第二菜肴图片、第三菜肴图片、…、和第n菜肴图片中的每一个均标记了不需要食材;n为大于2的整数;
[0009] S6、向第一自然人展示所述第二菜肴图片、第三菜肴图片、…、和第n菜肴图片,并获取第一自然人从所述第二菜肴图片、第三菜肴图片、…、和第n菜肴图片中,选取的至少一个不需要食材;
[0010] S7、根据所述第一营养素数值序列、所述食材成分数据库和被选取的不需要食材,生成第二营养素数值序列;其中,所述第二营养素数值序列,是采用所述第一营养素数值序列减去被选取的不需要食材对应的营养素含量序列得到的;
[0011] S8、根据第一菜肴的营养素数值序列与所述第一营养素数值序列的差异不大于预设的差异范围的选取规则,从所述菜肴成分数据库中选出第一菜肴;其中,所述第一菜肴被第一自然人标记出不需要食材;
[0012] S9、根据所述食材成分数据库和所述菜肴成分数据库,将第一菜肴的营养素含量序列减去第一菜肴中的不需要食材的营养素含量序列,从而得到第三营养素数值序列,并判断所述第三营养素数值序列是否与所述第二营养素数值序列相似;
[0013] S10、若所述第三营养素数值序列与所述第二营养素数值序列相似,则进行第一菜肴制作处理,以得到第一实体菜肴;
[0014] S11、进行菜肴食材交换处理,以使得第一实体菜肴中的不需要食材被取走,并且将第二实体菜肴、第三实体菜肴、…、和第n实体菜肴中被第一自然人选取的所有不需要食材,加入第一实体菜肴中;其中,第二实体菜肴、第三实体菜肴、…、和第n实体菜肴,分别对应于第二菜肴图片、第三菜肴图片、…、和第n菜肴图片。
[0015] 进一步地,所述调取预设的样本数据,并采用样本数据对预设的深度神经网络模型进行训练处理,以得到营养素数值预测模型的步骤S3,包括:
[0016] S301、对样本人群在第一时间点进行数据采集处理,以得到多个第一生理数据;
[0017] S302、对多个第一生理数据分别进行人工标记处理,以使每个第一生理数据均标记上营养素数值序列;
[0018] S303、在预设时间窗口内,对样本人群进行持续数据采集处理,以得到多个第二生理数据序列;其中,在所述时间窗口内,样本人群分别食用的菜肴均对应满足被标记上的营养素数值序列;
[0019] S304、判断所述第二生理数据序列分别相对于所述多个第一生理数据,是否出现劣化现象;其中,劣化现象指至少一个生理数据的数值朝劣化方向的变化值,大于预设的变化阈值;
[0020] S305、若所述第二生理数据序列分别相对于所述多个第一生理数据,均未出现劣化现象,则将标记上营养素数值序列的多个第一生理数据记为多个样本数据;
[0021] S306、根据预设比例,对多个样本数据进行划分处理,以得到多个训练数据和多个验证数据;
[0022] 将所述多个训练数据输入预设的深度神经网络模型中进行训练,以得到中间预测模型;
[0023] S307、采用所述多个验证数据对所述中间预测模型进行验证,以得到验证结果,并判断验证结果是否为验证通过;
[0024] S308、若验证结果为验证通过,则将中间预测模型记为营养素数值预测模型。
[0025] 进一步地,所述食材成分数据库包括食材的原始营养素含量序列和经过不同烹饪方式后得到的最终营养素含量序列,所述第二菜肴图片、第三菜肴图片、…、和第n菜肴图片分别标记了烹饪方式和各种食材的比重;所述根据所述第一营养素数值序列、所述食材成分数据库和被选取的不需要食材,生成第二营养素数值序列的步骤S7,包括:
[0026] S701、获取所述第二菜肴图片、第三菜肴图片、…、和第n菜肴图片中被选取的不需要食材分别对应的多种烹饪方式;
[0027] S702、根据所述多种烹饪方式,通过查询所述食材成分数据库,以得到与所述第二菜肴图片、第三菜肴图片、…、和第n菜肴图片中被选取的不需要食材对应的最终营养素含量序列;
[0028] S703、获取所述第二菜肴图片、第三菜肴图片、…、和第n菜肴图片中被选取的不需要食材对应的比重,并乘以最终营养素含量序列,以得到修正用营养素含量序列;
[0029] S704、采用所述第一营养素数值序列减去所述修正用营养素含量序列,从而得到第二营养素数值序列。
[0030] 进一步地,所述第一实体菜肴、第二实体菜肴、第三实体菜肴、…、和第n实体菜肴,均是采用相同类型的自动菜肴制作机器制作得到的。
[0031] 进一步地,所述进行菜肴食材交换处理,以使得第一实体菜肴中的不需要食材被取走,并且将第二实体菜肴、第三实体菜肴、…、和第n实体菜肴中被第一自然人选取的所有不需要食材,加入第一实体菜肴中的步骤S11之后,包括:
[0032] S111、对第一自然人在进食第一实体菜肴时进行图像采集处理,以得到多幅行为图像;
[0033] S112、将所述多幅行为图像存入预设的行为数据库;其中,所述行为数据库用于存储自然人对进行菜肴食材交换处理后的实体菜肴的反馈数据。
[0034] 本申请提供一种基于数据分析和深度学习的智能营养膳食管理系统,应用于第一自然人终端,包括:
[0035] 食材成分数据库构建单元,用于获取预先收集的食材数据,并构建为食材成分数据库;其中,所述食材成分数据库记录有食材图片和对应的营养素含量序列;
[0036] 菜肴成分数据库构建单元,用于获取预先收集的菜肴数据,再结合所述食材成分数据库,构建为菜肴成分数据库;其中,所述菜肴成分数据库记录有菜肴图片和对应的营养素含量序列,每个菜肴均包括两种以上食材;
[0037] 营养素数值预测模型训练单元,用于调取预设的样本数据,并采用样本数据对预设的深度神经网络模型进行训练处理,以得到营养素数值预测模型;其中,样本数据为对样本人群进行数据采集得到的生理数据;
[0038] 第一营养素数值序列获取单元,用于获取待分析的第一自然人的生理特征数据,并输入所述营养素数值预测模型中进行处理,以得到所述营养素数值预测模型输出的第一营养素数值序列;其中,所述第一营养素数值序列中的不同成员分别对应不同种类的营养素;
[0039] 菜肴图片获取单元,用于获取第二自然人终端、第三自然人终端、…、和第n自然人终端分别发送的第二菜肴图片、第三菜肴图片、…、和第n菜肴图片;其中,所述第二菜肴图片、第三菜肴图片、…、和第n菜肴图片中的每一个均标记了不需要食材;n为大于2的整数;
[0040] 不需要食材选取单元,用于向第一自然人展示所述第二菜肴图片、第三菜肴图片、…、和第n菜肴图片,并获取第一自然人从所述第二菜肴图片、第三菜肴图片、…、和第n菜肴图片中,选取的至少一个不需要食材;
[0041] 第二营养素数值序列生成单元,用于根据所述第一营养素数值序列、所述食材成分数据库和被选取的不需要食材,生成第二营养素数值序列;其中,所述第二营养素数值序列,是采用所述第一营养素数值序列减去被选取的不需要食材对应的营养素含量序列得到的;
[0042] 第一菜肴选取单元,用于根据第一菜肴的营养素数值序列与所述第一营养素数值序列的差异不大于预设的差异范围的选取规则,从所述菜肴成分数据库中选出第一菜肴;其中,所述第一菜肴被第一自然人标记出不需要食材;
[0043] 第三营养素数值序列生成单元,用于根据所述食材成分数据库和所述菜肴成分数据库,将第一菜肴的营养素含量序列减去第一菜肴中的不需要食材的营养素含量序列,从而得到第三营养素数值序列,并判断所述第三营养素数值序列是否与所述第二营养素数值序列相似;
[0044] 第一实体菜肴制作单元,用于若所述第三营养素数值序列与所述第二营养素数值序列相似,则进行第一菜肴制作处理,以得到第一实体菜肴;
[0045] 菜肴食材交换处理单元,用于进行菜肴食材交换处理,以使得第一实体菜肴中的不需要食材被取走,并且将第二实体菜肴、第三实体菜肴、…、和第n实体菜肴中被第一自然人选取的所有不需要食材,加入第一实体菜肴中;其中,第二实体菜肴、第三实体菜肴、…、和第n实体菜肴,分别对应于第二菜肴图片、第三菜肴图片、…、和第n菜肴图片。
[0046] 本申请提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
[0047] 本申请提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
[0048] 本申请的基于数据分析和深度学习的智能营养膳食管理方法、系统、计算机设备和存储介质,获取预先收集的食材数据,并构建为食材成分数据库;获取预先收集的菜肴数据,再结合食材成分数据库,构建为菜肴成分数据库;对预设的深度神经网络模型进行训练处理,以得到营养素数值预测模型;获取待分析的第一自然人的生理特征数据,并输入营养素数值预测模型中进行处理,以得到第一营养素数值序列;获取第二菜肴图片、第三菜肴图片、…、和第n菜肴图片;获取选取的至少一个不需要食材;生成第二营养素数值序列;从所述菜肴成分数据库中选出第一菜肴;得到第三营养素数值序列;若所述第三营养素数值序列与所述第二营养素数值序列相似,则进行第一菜肴制作处理,以得到第一实体菜肴;进行菜肴食材交换处理,实现了在满足特定自然人应当摄入的营养素含量的目的的基础上,还满足了对于口味及食材的要求,并且减少了食材的浪费。
附图说明
[0049] 图1为本申请一实施例的基于数据分析和深度学习的智能营养膳食管理方法的流程示意图;
[0050] 图2为本申请一实施例的基于数据分析和深度学习的智能营养膳食管理系统的结构示意框图;
[0051] 图3为本申请一实施例的计算机设备的结构示意框图。
[0052] 本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
[0053] 为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
[0054] 参照图1,本申请实施例提供一种基于数据分析和深度学习的智能营养膳食管理方法,应用于第一自然人终端,包括:
[0055] S1、获取预先收集的食材数据,并构建为食材成分数据库;其中,所述食材成分数据库记录有食材图片和对应的营养素含量序列;
[0056] S2、获取预先收集的菜肴数据,再结合所述食材成分数据库,构建为菜肴成分数据库;其中,所述菜肴成分数据库记录有菜肴图片和对应的营养素含量序列,每个菜肴均包括两种以上食材;
[0057] S3、调取预设的样本数据,并采用样本数据对预设的深度神经网络模型进行训练处理,以得到营养素数值预测模型;其中,样本数据为对样本人群进行数据采集得到的生理数据;
[0058] S4、获取待分析的第一自然人的生理特征数据,并输入所述营养素数值预测模型中进行处理,以得到所述营养素数值预测模型输出的第一营养素数值序列;其中,所述第一营养素数值序列中的不同成员分别对应不同种类的营养素;
[0059] S5、获取第二自然人终端、第三自然人终端、…、和第n自然人终端分别发送的第二菜肴图片、第三菜肴图片、…、和第n菜肴图片;其中,所述第二菜肴图片、第三菜肴图片、…、和第n菜肴图片中的每一个均标记了不需要食材;n为大于2的整数;
[0060] S6、向第一自然人展示所述第二菜肴图片、第三菜肴图片、…、和第n菜肴图片,并获取第一自然人从所述第二菜肴图片、第三菜肴图片、…、和第n菜肴图片中,选取的至少一个不需要食材;
[0061] S7、根据所述第一营养素数值序列、所述食材成分数据库和被选取的不需要食材,生成第二营养素数值序列;其中,所述第二营养素数值序列,是采用所述第一营养素数值序列减去被选取的不需要食材对应的营养素含量序列得到的;
[0062] S8、根据第一菜肴的营养素数值序列与所述第一营养素数值序列的差异不大于预设的差异范围的选取规则,从所述菜肴成分数据库中选出第一菜肴;其中,所述第一菜肴被第一自然人标记出不需要食材;
[0063] S9、根据所述食材成分数据库和所述菜肴成分数据库,将第一菜肴的营养素含量序列减去第一菜肴中的不需要食材的营养素含量序列,从而得到第三营养素数值序列,并判断所述第三营养素数值序列是否与所述第二营养素数值序列相似;
[0064] S10、若所述第三营养素数值序列与所述第二营养素数值序列相似,则进行第一菜肴制作处理,以得到第一实体菜肴;
[0065] S11、进行菜肴食材交换处理,以使得第一实体菜肴中的不需要食材被取走,并且将第二实体菜肴、第三实体菜肴、…、和第n实体菜肴中被第一自然人选取的所有不需要食材,加入第一实体菜肴中;其中,第二实体菜肴、第三实体菜肴、…、和第n实体菜肴,分别对应于第二菜肴图片、第三菜肴图片、…、和第n菜肴图片。
[0066] 其中,本申请需要进行多个实体菜肴之间的菜肴食材交换,因此第一自然人终端、第二自然人终端、第三自然人终端、…、和第n自然人终端彼此之间的距离不能太远,其距离必须保证,在预设的时间长度内,能够将多个实体菜肴(即第一实体菜肴、第二实体菜肴、第三实体菜肴、…、和第n实体菜肴)聚在一处。因此,本申请优选应用于处于同一小区内的住户,因此本申请还有助于提高邻里间的感情。
[0067] 如上述步骤S1‑S4所述,获取预先收集的食材数据,并构建为食材成分数据库;其中,所述食材成分数据库记录有食材图片和对应的营养素含量序列;获取预先收集的菜肴数据,再结合所述食材成分数据库,构建为菜肴成分数据库;其中,所述菜肴成分数据库记录有菜肴图片和对应的营养素含量序列,每个菜肴均包括两种以上食材;调取预设的样本数据,并采用样本数据对预设的深度神经网络模型进行训练处理,以得到营养素数值预测模型;其中,样本数据为对样本人群进行数据采集得到的生理数据;获取待分析的第一自然人的生理特征数据,并输入所述营养素数值预测模型中进行处理,以得到所述营养素数值预测模型输出的第一营养素数值序列;其中,所述第一营养素数值序列中的不同成员分别对应不同种类的营养素。
[0068] 营养素是指为维持机体繁殖、生长发育和生存等一切生命活动和过程,需要从外界环境中摄取的物质。大致可将其划分为七类,分别为矿物质、脂类、碳水化合物、蛋白质、膳食纤维、维生素和水。很明显,不同的食材具有不同的营养素含量。并且,经过不同的烹饪方式后,相同食材的营养素含量也会发生一定的变化,这就是常说的营养流失。
[0069] 本申请先将食材数据汇总为食材成分数据库,而该食材成分数据库中,至少包含了食材的原始营养素含量序列。本申请中的营养素含量序列,可根据涉及的营养素类型的数量而发生适应性变化,例如涉及的营养素类型为七类,则本申请中所有的营养素含量序列均为七个成员的序列,而该七个成员分别对应于七种营养素。进一步地,食材成分数据库中还包括了在不同烹饪方式后的营养素含量序列,这能够使得后续的分析更加准确。并且,食材成分数据库记录有食材图片。而之所以需要记录食材图片,是为了后续的菜肴成分数据库的构建、第一菜肴中的实际营养素含量的修正做准备,因为存在食材图片后,通过现有技术中的图像对比技术,就能够找出菜肴图片中的食材,进而能够准确确定菜肴的实际营养素含量。因此,本申请中的菜肴图片应当是对预先准备的实体菜肴进行图片采集得到的,而不应当是艺术化的菜肴图片。
[0070] 菜肴是在各种食材的基础上,采用一定的烹饪方式处理得到的。因此,一个菜肴所具有的营养素含量序列,首先与食材直接相关,其次与烹饪方式相关,但在本申请中,若为了提高计算速度,可以采用忽视烹饪方式的形式,来计算菜肴的营养素含量序列,当然,也可以将烹饪方式考虑在内。从而能够生成菜肴成分数据库。而菜肴成分数据库中的营养素含量序列,粗略上看可以为各种食材的原始营养素含量序列的加权平均值,也可以为考虑了烹饪方式后的各种食材的营养素含量序列的加权平均值。
[0071] 由于一个自然人,为了保持健康状态,其应当摄入的营养素的量是一定的,这在营养学领域是已确认的事实。而对于不同的自然人,其应当摄入的营养素是有一定差别的,而应当摄入的营养素的量,与自然人的生理数据是直接相关的,因此可以采用以自然人的生理数据为依据,利用对预设的深度神经网络模型进行训练处理得到的营养素数值预测模型,来预测出第一自然人应当摄入的第一营养素数值序列。其中的生理数据,例如包括心跳、血压、呼吸、身高、年龄、性别等等,其数据越充分越准确,其预测结果的可靠性与准确性越高。采用的深度神经网络模型可为任意可行模型,例如为深度残差神经网络、深度卷积神经网络、对抗神经网络等。并且由于采用的是深度神经网络模型,因此在训练时优选采用有监督学习的方式进行训练,并采用反向传播算法来更新各层神经网络的参数。第一自然人的生理特征数据,其类型与数量应当与样本数据相匹配。例如样本数据包括心跳、呼吸等方面的数值,则生理特征数据也应当包括相同类型的数据。
[0072] 进一步地,所述调取预设的样本数据,并采用样本数据对预设的深度神经网络模型进行训练处理,以得到营养素数值预测模型的步骤S3,包括:
[0073] S301、对样本人群在第一时间点进行数据采集处理,以得到多个第一生理数据;
[0074] S302、对多个第一生理数据分别进行人工标记处理,以使每个第一生理数据均标记上营养素数值序列;
[0075] S303、在预设时间窗口内,对样本人群进行持续数据采集处理,以得到多个第二生理数据序列;其中,在所述时间窗口内,样本人群分别食用的菜肴均对应满足被标记上的营养素数值序列;
[0076] S304、判断所述第二生理数据序列分别相对于所述多个第一生理数据,是否出现劣化现象;其中,劣化现象指至少一个生理数据的数值朝劣化方向的变化值,大于预设的变化阈值;
[0077] S305、若所述第二生理数据序列分别相对于所述多个第一生理数据,均未出现劣化现象,则将标记上营养素数值序列的多个第一生理数据记为多个样本数据;
[0078] S306、根据预设比例,对多个样本数据进行划分处理,以得到多个训练数据和多个验证数据;
[0079] 将所述多个训练数据输入预设的深度神经网络模型中进行训练,以得到中间预测模型;
[0080] S307、采用所述多个验证数据对所述中间预测模型进行验证,以得到验证结果,并判断验证结果是否为验证通过;
[0081] S308、若验证结果为验证通过,则将中间预测模型记为营养素数值预测模型。
[0082] 从而获取足以胜任营养素数值序列预测的模型。本申请对多个第一生理数据分别进行人工标记处理,优选通过资深营养师进行人工标记,以使得标记结果更加准确。并且为了防止人工标记的可能误差,本申请还对样本人群进行持续数据采集处理,以得到多个第二生理数据序列,并在确定第二生理数据序列满足预期时,才确定人工标记无误,从而将标记后的多个第一生理数据记为多个样本数据,从而提高最终获取的营养素数值预测模型的可靠性。同时,由于训练数据与验证数据均是由相同的样本数据中划分出来的,且训练得到的中间预测模型能够通过验证数据的验证,从而能够保证营养素数值预测模型的一致性。
[0083] 如上述步骤S5‑S8所述,获取第二自然人终端、第三自然人终端、…、和第n自然人终端分别发送的第二菜肴图片、第三菜肴图片、…、和第n菜肴图片;其中,所述第二菜肴图片、第三菜肴图片、…、和第n菜肴图片中的每一个均标记了不需要食材;n为大于2的整数;向第一自然人展示所述第二菜肴图片、第三菜肴图片、…、和第n菜肴图片,并获取第一自然人从所述第二菜肴图片、第三菜肴图片、…、和第n菜肴图片中,选取的至少一个不需要食材;根据所述第一营养素数值序列、所述食材成分数据库和被选取的不需要食材,生成第二营养素数值序列;其中,所述第二营养素数值序列,是采用所述第一营养素数值序列减去被选取的不需要食材对应的营养素含量序列得到的;根据第一菜肴的营养素数值序列与所述第一营养素数值序列的差异不大于预设的差异范围的选取规则,从所述菜肴成分数据库中选出第一菜肴;其中,所述第一菜肴被第一自然人标记出不需要食材。
[0084] 本申请的一个特点在于,其能够兼容多个菜肴,第一自然人能够从第二菜肴图片、第三菜肴图片、…、和第n菜肴图片中选择自己喜欢的食材,再结合属于自己的第一菜肴(需要排除一部分),即可得到混杂有其他食材的第一菜肴。此时的第一菜肴,其色较差(传统膳食讲究的色香味中的色),但其营养价值不变,其味道对于第一自然人而言得到了提高。注意,此处的味道不是指食品鉴赏师涉及的味道,而只是单纯对于第一自然人而言,其喜欢的口味。另外,第一菜肴必须将其中的一部分标记为不需要食材,这是因为若所有的自然人均不标记出不需要食材,则本申请的方案无法实施。通过这种方式,很容易将食素者与食肉者相互匹配起来,在保证味道的前提下,不会造成食物的浪费,这是因为许多菜是荤素混炒的(若单独炒素菜,其味道不佳),而偏好吃素菜的自然人,不喜其中的肉类,而肉食者反之,因此将食素者作为第一自然人,将食肉者作为第二自然人,则第一自然人可以将第一菜肴中的肉类记为不需要食材,而第二自然人可将第二菜肴中的菜类记为不需要食材,从而实现匹配。当然,由于还需要考虑到营养素的全面满足,因此食肉者仍应当补充其他在肉类上无法补充的营养素,例如膳食纤维等,因此其标注的菜类不应为全部的菜类,或者,其可以在其他菜肴中选取带有肉味的蔬菜。
[0085] 因此,本申请的第一自然人终端应当先获取第二自然人终端、第三自然人终端、…、和第n自然人终端分别发送的第二菜肴图片、第三菜肴图片、…、和第n菜肴图片。而后,第一自然人从所述第二菜肴图片、第三菜肴图片、…、和第n菜肴图片中,选取至少一个不需要食材。这意味着,某些自然人在某些菜肴中不喜欢的食材,将被第一自然人所接收。由于第一自然人确定了部分喜欢的食材,因此第一自然人已经补充了部分营养素,而还缺少的营养素即为第二营养素数值序列,其获取过程为采用所述第一营养素数值序列减去被选取的不需要食材对应的营养素含量序列。而不需要食材对应的营养素含量序列是通过查询食材成分数据库,再乘以相应的比重即可得到的。
[0086] 本申请选出第一菜肴本质上没有特别限制,主要是要求第一菜肴能够满足第一自然人的营养需求与口味需求。由于前述步骤中已经获取了一部分的食材,因此第一菜肴的营养素的数值不能过大,这会造成浪费,也不能过小,这会导致营养不足。因此,先以第一菜肴的营养素数值序列与所述第一营养素数值序列的差异不大于预设的差异范围的选取规则,暂时选定一个第一菜肴。进一步地,本申请中的菜肴成分数据库中,第一自然人可以预先进行预选菜肴的步骤,以将至少一个菜肴标记为备选菜肴。这些备选菜肴是满足第一自然人口味的。因此,选出第一菜肴的步骤,除了根据第一菜肴的营养素数值序列与所述第一营养素数值序列的差异不大于预设的差异范围的选取规则之外,还包括从至少一个备选菜肴中进行选取,以得到一个第一菜肴。并且由于本申请涉及多个菜肴之间的交互,因此第一菜肴中必须有一部分菜肴是第一自然人所不需要的,因此所述第一菜肴被第一自然人标记出不需要食材。
[0087] 其中,第一菜肴的营养素数值序列与所述第一营养素数值序列的差异不大于预设的差异范围,若第一菜肴的营养素数值序列的大部分数值大于第一营养素数值序列,则应当选中较多的食材作为不需要食材;若第一菜肴的营养素数值序列的大部分数值小于第一营养素数值序列,则需要保证小于的量能够通过其他菜肴中的不需要食材进行弥补。
[0088] 如上述步骤S9‑S11所述,根据所述食材成分数据库和所述菜肴成分数据库,将第一菜肴的营养素含量序列减去第一菜肴中的不需要食材的营养素含量序列,从而得到第三营养素数值序列,并判断所述第三营养素数值序列是否与所述第二营养素数值序列相似;若所述第三营养素数值序列与所述第二营养素数值序列相似,则进行第一菜肴制作处理,以得到第一实体菜肴;进行菜肴食材交换处理,以使得第一实体菜肴中的不需要食材被取走,并且将第二实体菜肴、第三实体菜肴、…、和第n实体菜肴中被第一自然人选取的所有不需要食材,加入第一实体菜肴中;其中,第二实体菜肴、第三实体菜肴、…、和第n实体菜肴,分别对应于第二菜肴图片、第三菜肴图片、…、和第n菜肴图片。
[0089] 根据所述食材成分数据库和所述菜肴成分数据库,指的是,将第一菜肴中的不需要食材的营养素含量序列确定出来。之后得到的第三营养素数值序列,就是剩下的第一菜肴实际上具有的营养素数值序列。而第二营养素数值序列是为了满足第一自然人的营养需要,必须摄入的营养,因此若能使得第二营养素数值序列与第三营养素数值序列相同则为最好。但由于实际上难以完全相同,因此若所述第三营养素数值序列与所述第二营养素数值序列相似,则认为是能够满足第一自然人的营养需要的。而判断所述第三营养素数值序列是否与所述第二营养素数值序列相似,可以采用任意可行方法,例如采用余弦相似度计算方法,或者采用欧氏距离算法等等。
[0090] 再进行第一菜肴制作处理,以得到第一实体菜肴。所述第一实体菜肴可以采用人工烹饪而得到,或者也可以采用自动烹饪机器进行烹饪得到,优选采用自动烹饪机器进行烹饪。其中,自动烹饪机器,例如自动炒菜机等已在市面上流通,在此不再赘述。并且为了保证各个实体菜肴与菜肴图片之间的一致性,所有的实体菜肴优选均采用相同类型的自动烹饪机器制作而成。
[0091] 最后进行菜肴食材交换,即可得到最终的第一实体菜肴。而最终的第一实体菜肴,是由原始的第一实体菜肴(指未进行菜肴食材交换处理之前的第一实体菜肴)的大部分,与其他实体菜肴中被第一自然人选取的所有不需要食材所构成的。此时得到的最终第一实体菜肴,能够满足营养需要,又能避免第一自然人因为口味原因而拒绝或者减少对第一实体菜肴的进食量,而大部分食材均会被食用,因此还能避免食材浪费。对于其他的实体菜肴,实际上也会进行与第一实体菜肴相似的处理,在此不再赘述。
[0092] 在一个实施方式中,所述食材成分数据库包括食材的原始营养素含量序列和经过不同烹饪方式后得到的最终营养素含量序列,所述第二菜肴图片、第三菜肴图片、…、和第n菜肴图片分别标记了烹饪方式和各种食材的比重;所述根据所述第一营养素数值序列、所述食材成分数据库和被选取的不需要食材,生成第二营养素数值序列的步骤S7,包括:
[0093] S701、获取所述第二菜肴图片、第三菜肴图片、…、和第n菜肴图片中被选取的不需要食材分别对应的多种烹饪方式;
[0094] S702、根据所述多种烹饪方式,通过查询所述食材成分数据库,以得到与所述第二菜肴图片、第三菜肴图片、…、和第n菜肴图片中被选取的不需要食材对应的最终营养素含量序列;
[0095] S703、获取所述第二菜肴图片、第三菜肴图片、…、和第n菜肴图片中被选取的不需要食材对应的比重,并乘以最终营养素含量序列,以得到修正用营养素含量序列;
[0096] S704、采用所述第一营养素数值序列减去所述修正用营养素含量序列,从而得到第二营养素数值序列。
[0097] 一些烹饪方式会使食材的营养素含量发生变化,因此原始食材的营养素含量与菜肴图片中的食材的营养素含量是存在一定的区别的。因此,为了更准确地确定营养素含量,本申请将烹饪方式引入,以得到最终营养素含量序列,再结合食材比重,并乘以最终营养素含量序列,以得到修正用营养素含量序列。再以所述第一营养素数值序列减去所述修正用营养素含量序列,从而得到第二营养素数值序列。其中,食材比重可以采用任意可行方式得到,例如在菜肴图片中预先标识出,或者通过预设的基于卷积神经网络模型训练而成的食材比重预测模型对菜肴图片进行识别得到。
[0098] 进一步地,所述第一实体菜肴、第二实体菜肴、第三实体菜肴、…、和第n实体菜肴,均是采用相同类型的自动菜肴制作机器制作得到的。从而保证了实体菜肴之间的一致性。更进一步地,菜肴图片也是对采用相同类型的自动菜肴制作机器制作得到的实体菜肴(当然,这是预先制作的)进行图像采集得到的。
[0099] 进一步地,所述进行菜肴食材交换处理,以使得第一实体菜肴中的不需要食材被取走,并且将第二实体菜肴、第三实体菜肴、…、和第n实体菜肴中被第一自然人选取的所有不需要食材,加入第一实体菜肴中的步骤S11之后,包括:
[0100] S111、对第一自然人在进食第一实体菜肴时进行图像采集处理,以得到多幅行为图像;
[0101] S112、将所述多幅行为图像存入预设的行为数据库;其中,所述行为数据库用于存储自然人对进行菜肴食材交换处理后的实体菜肴的反馈数据。
[0102] 从而获取第一自然人对于进行菜肴食材交换处理后的实体菜肴的反馈数据,以确定自然人在执行膳食计划过程中的反馈和追踪,有利于反向优化膳食方案,形成良好的循环反馈。因此,再新的一轮次智能营养膳食管理方案中,还可以将多幅行为图像作为反馈数据,以进行方案优化。其中,多幅行为图像主要用于对第一自然人对进行菜肴食材交换处理后的第一实体菜肴的喜爱进行反馈。
[0103] 本申请的基于数据分析和深度学习的智能营养膳食管理方法,获取预先收集的食材数据,并构建为食材成分数据库;获取预先收集的菜肴数据,再结合食材成分数据库,构建为菜肴成分数据库;对预设的深度神经网络模型进行训练处理,以得到营养素数值预测模型;获取待分析的第一自然人的生理特征数据,并输入营养素数值预测模型中进行处理,以得到第一营养素数值序列;获取第二菜肴图片、第三菜肴图片、…、和第n菜肴图片;获取选取的至少一个不需要食材;生成第二营养素数值序列;从所述菜肴成分数据库中选出第一菜肴;得到第三营养素数值序列;若所述第三营养素数值序列与所述第二营养素数值序列相似,则进行第一菜肴制作处理,以得到第一实体菜肴;进行菜肴食材交换处理,实现了在满足特定自然人应当摄入的营养素含量的目的的基础上,还满足了对于口味及食材的要求,并且减少了食材的浪费。
[0104] 参照图2,本申请实施例提供一种基于数据分析和深度学习的智能营养膳食管理系统,应用于第一自然人终端,包括:
[0105] 食材成分数据库构建单元10,用于获取预先收集的食材数据,并构建为食材成分数据库;其中,所述食材成分数据库记录有食材图片和对应的营养素含量序列;
[0106] 菜肴成分数据库构建单元20,用于获取预先收集的菜肴数据,再结合所述食材成分数据库,构建为菜肴成分数据库;其中,所述菜肴成分数据库记录有菜肴图片和对应的营养素含量序列,每个菜肴均包括两种以上食材;
[0107] 营养素数值预测模型训练单元30,用于调取预设的样本数据,并采用样本数据对预设的深度神经网络模型进行训练处理,以得到营养素数值预测模型;其中,样本数据为对样本人群进行数据采集得到的生理数据;
[0108] 第一营养素数值序列获取单元40,用于获取待分析的第一自然人的生理特征数据,并输入所述营养素数值预测模型中进行处理,以得到所述营养素数值预测模型输出的第一营养素数值序列;其中,所述第一营养素数值序列中的不同成员分别对应不同种类的营养素;
[0109] 菜肴图片获取单元50,用于获取第二自然人终端、第三自然人终端、…、和第n自然人终端分别发送的第二菜肴图片、第三菜肴图片、…、和第n菜肴图片;其中,所述第二菜肴图片、第三菜肴图片、…、和第n菜肴图片中的每一个均标记了不需要食材;n为大于2的整数;
[0110] 不需要食材选取单元60,用于向第一自然人展示所述第二菜肴图片、第三菜肴图片、…、和第n菜肴图片,并获取第一自然人从所述第二菜肴图片、第三菜肴图片、…、和第n菜肴图片中,选取的至少一个不需要食材;
[0111] 第二营养素数值序列生成单元70,用于根据所述第一营养素数值序列、所述食材成分数据库和被选取的不需要食材,生成第二营养素数值序列;其中,所述第二营养素数值序列,是采用所述第一营养素数值序列减去被选取的不需要食材对应的营养素含量序列得到的;
[0112] 第一菜肴选取单元80,用于根据第一菜肴的营养素数值序列与所述第一营养素数值序列的差异不大于预设的差异范围的选取规则,从所述菜肴成分数据库中选出第一菜肴;其中,所述第一菜肴被第一自然人标记出不需要食材;
[0113] 第三营养素数值序列生成单元90,用于根据所述食材成分数据库和所述菜肴成分数据库,将第一菜肴的营养素含量序列减去第一菜肴中的不需要食材的营养素含量序列,从而得到第三营养素数值序列,并判断所述第三营养素数值序列是否与所述第二营养素数值序列相似;
[0114] 第一实体菜肴制作单元100,用于若所述第三营养素数值序列与所述第二营养素数值序列相似,则进行第一菜肴制作处理,以得到第一实体菜肴;
[0115] 菜肴食材交换处理单元110,用于进行菜肴食材交换处理,以使得第一实体菜肴中的不需要食材被取走,并且将第二实体菜肴、第三实体菜肴、…、和第n实体菜肴中被第一自然人选取的所有不需要食材,加入第一实体菜肴中;其中,第二实体菜肴、第三实体菜肴、…、和第n实体菜肴,分别对应于第二菜肴图片、第三菜肴图片、…、和第n菜肴图片。
[0116] 其中上述单元分别用于执行的操作与前述实施方式的基于数据分析和深度学习的智能营养膳食管理方法的步骤一一对应,在此不再赘述。
[0117] 本申请的基于数据分析和深度学习的智能营养膳食管理系统,获取预先收集的食材数据,并构建为食材成分数据库;获取预先收集的菜肴数据,再结合食材成分数据库,构建为菜肴成分数据库;对预设的深度神经网络模型进行训练处理,以得到营养素数值预测模型;获取待分析的第一自然人的生理特征数据,并输入营养素数值预测模型中进行处理,以得到第一营养素数值序列;获取第二菜肴图片、第三菜肴图片、…、和第n菜肴图片;获取选取的至少一个不需要食材;生成第二营养素数值序列;从所述菜肴成分数据库中选出第一菜肴;得到第三营养素数值序列;若所述第三营养素数值序列与所述第二营养素数值序列相似,则进行第一菜肴制作处理,以得到第一实体菜肴;进行菜肴食材交换处理,实现了在满足特定自然人应当摄入的营养素含量的目的的基础上,还满足了对于口味及食材的要求,并且减少了食材的浪费。
[0118] 参照图3,本发明实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于数据分析和深度学习的智能营养膳食管理方法所用数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于数据分析和深度学习的智能营养膳食管理方法。
[0119] 上述处理器执行上述基于数据分析和深度学习的智能营养膳食管理方法,其中所述方法包括的步骤分别与执行前述实施方式的基于数据分析和深度学习的智能营养膳食管理方法的步骤一一对应,在此不再赘述。
[0120] 本领域技术人员可以理解,图中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
[0121] 本申请一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现基于数据分析和深度学习的智能营养膳食管理方法,其中所述方法包括的步骤分别与执行前述实施方式的基于数据分析和深度学习的智能营养膳食管理方法的步骤一一对应,在此不再赘述。
[0122] 需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、系统、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、系统、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、系统、物品或者方法中还存在另外的相同要素。
[0123] 以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
专利地区:广东
专利申请日期:2021-10-11
专利公开日期:2022-05-06
专利公告号:CN113990444B