食物信息识别方法、装置、电子设备和计算机可读介质与流程

1.本公开的实施例涉及计算机技术领域，具体涉及食物信息识别方法、装置、电子设备和计算机可读介质。


背景技术：

2.在智慧食堂领域，对食物信息识别技术的研究已经成为该领域研究的核心问题。目前，常用的食物信息识别技术往往采用固定不变的训练样本集对初始食物识别模型进行训练以生成食物识别模型，以此对食物信息进行识别。
3.然而，当采用上述方法进行食物信息识别时，经常会存在以下技术问题：
4.第一，由于食堂的菜品会经常发生变化，采用固定不变的训练样本集对初始食物识别模型进行训练以生成食物识别模型的方式，对于新的食物的识别准确度不高，从而，提高了用户排队等待的时间，进而，降低了食物的结算效率；
5.第二，由于传统的食物识别模型在进行食物识别时，往往未考虑食物信息中多个标签的关联程度，进而，使得生成的食物识别模型对于食物信息的识别准确度较低，从而，使得食物的流转效率低下。


技术实现要素：

6.本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
7.本公开的一些实施例提出了食物信息识别方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
8.第一方面，本公开的一些实施例提供了一种食物信息识别方法，该方法包括：获取目标食物图像。将上述目标食物图像输入至第一食物识别模型以生成第一目标食物信息。基于上述第一目标食物信息，生成修改信息。基于上述修改信息，生成第二食物识别模型。将上述目标食物图像输入至上述第二食物识别模型以生成第二目标食物信息。将上述第二目标食物信息发送至目标终端的显示设备上进行显示。
9.第二方面，本公开的一些实施例提供了一种食物信息识别装置，装置包括：获取单元，被配置成获取目标食物图像。第一生成单元，被配置成将上述目标食物图像输入至第一食物识别模型以生成第一目标食物信息。第二生成单元，被配置成基于上述第一目标食物信息，生成修改信息。第三生成单元，被配置成基于上述修改信息，生成第二食物识别模型。第四生成单元，被配置成将上述目标食物图像输入至上述第二食物识别模型以生成第二目标食物信息。显示单元，被配置成将上述第二目标食物信息发送至目标终端的显示设备上进行显示。
10.第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得
一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
11.第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
12.本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的食物信息识别方法得到的食物信息，使得生成的食物信息的准确度有所提高，从而减少了用户排队等待的时间，进而，提高了食物的结算效率。具体来说，发明人发现，造成相关的食物识别方法的结果不够精确的原因在于：由于菜品是动态变化的，而采用固定不变的训练样本集对初始食物识别模型进行训练以生成的食物识别模型，对于新菜品的识别准确度不高。基于此，本公开的一些实施例的食物信息识别方法将训练样本设置为动态变化的。在菜品识别过程中，若出现菜品信息与菜品图像不匹配的情况，则将菜品图像与对应的正确的菜品信息加入训练样本数据集，对模型进行重新训练。通过此种方式，使得生成的食物识别模型能够适应菜品的变化。通过不断的学习，从而，提高了食物识别模型的表征能力。进而，提高了食物识别的准确度、减少了用户排队等待的时间以及提高了食物的结算效率。
附图说明
13.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
14.图1是本公开的一些实施例的食物信息识别方法的一个应用场景的示意图；
15.图2是根据本公开的食物信息识别方法的一些实施例的流程图；
16.图3是根据本公开的用食物信息识别装置的一些实施例的流程图；
17.图4是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
18.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
19.另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
20.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
21.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
22.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
23.下面将参考附图并结合实施例来详细说明本公开。
24.图1是根据本公开一些实施例的食物信息识别方法的一个应用场景的示意图。
25.在图1的应用场景图中，首先，计算设备101可以获取目标食物图像102。然后，计算
设备101可以将上述目标食物图像102输入至第一食物识别模型103以生成第一目标食物信息104。其次，计算设备101可以基于上述第一目标食物信息104，生成修改信息105。进而，计算设备101可以基于上述修改信息105，生成第二食物识别模型106。除此之外，计算设备101可以将上述目标食物图像102输入至上述第二食物识别模型106以生成第二目标食物信息107。最后，计算设备101可以将上述第二目标食物信息107发送至目标终端的显示设备上108进行显示。
26.需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
27.应该理解，图1中用户设备信息数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。
28.继续参考图2，示出了根据本公开的食物信息识别方法的一些实施例的流程200。上述食物信息识别方法，包括以下步骤：
29.步骤201，获取目标食物图像。
30.在一些实施例中，食物信息识别方法的执行主体(如图1所示的计算设备101)可以通过有线连接或无线连接的方式获取上述目标食物图像。其中，上述目标食物图像可以是菜品的图像，也可以是饮品的图像。
31.步骤202，将目标食物图像输入至第一食物识别模型以生成第一目标食物信息。
32.在一些实施例中，上述执行主体可以将目标食物图像输入至第一食物识别模型以生成第一目标食物信息。其中，上述第一食物识别模型可以是多种结构的模型。例如，cnn(convolutional neural networks，卷积神经网络)，rnn(recurrent neural networks，循环神经网络)等等。当然，也可以是根据实际需要进行搭建的模型。
33.在一些实施例的一些可选的实现方式中，上述执行主体可以将上述目标食物图像输入至第一食物识别模型以生成第一目标食物信息，其中，上述第一食物识别模型可以通过以下步骤训练生成：
34.第一步，获取待训练样本。其中，待训练样本可以包括：待训练样本图像和待训练样本标签，上述待训练样本标签可以包括：待训练样本名称，待训练样本类别和待训练样本属性值，上述待训练样本属性值用于表征对应的待训练样本图像对应的菜品的价值转移数值(例如，菜品价格)。
35.作为示例，上述待训练样本可以是[图像0，番茄炒鸡蛋，素菜，5元]。
[0036]
第二步，响应于确定上述待训练样本不在预设的训练样本集中，将上述待训练样本添加至上述预设的训练样本集中，得到上述训练样本集。
[0037]
作为示例，上述预设的训练样本集可以是[[图像1，土豆炖牛腩，荤菜，10元]，[图像2，糖醋排骨，荤菜，12元]，[图像3，鱼香肉丝，荤菜，12元]，[图像4，水煮鱼，荤菜，15元]，[图像5，宫保鸡丁，荤菜，15元]，[图像6，麻婆豆腐，素菜，10元]，[图像7，红烧肉，荤菜，20元]，[图像8，夫妻肺片，荤菜，16元]，[图像9，回锅肉，荤菜，17元]，[图像10，可乐鸡翅，荤菜，15元]]。上述待训练样本可以是[图像0，番茄炒鸡蛋，素菜，5元]。响应于确定上述待训
练样本不在预设的训练样本集中，将上述待训练样本添加至上述预设的训练样本集中，得到的上述训练样本集可以是[[图像1，土豆炖牛腩，荤菜，10元]，[图像2，糖醋排骨，荤菜，12元]，[图像3，鱼香肉丝，荤菜，12元]，[图像4，水煮鱼，荤菜，15元]，[图像5，宫保鸡丁，荤菜，15元]，[图像6，麻婆豆腐，素菜，10元]，[图像7，红烧肉，荤菜，20元]，[图像8，夫妻肺片，荤菜，16元]，[图像9，回锅肉，荤菜，17元]，[图像10，可乐鸡翅，荤菜，15元]，[图像0，番茄炒鸡蛋，素菜，5元]]。
[0038]
第三步，从上述训练样本集中选取至少一个训练样本组成训练样本组。其中，上述训练样本可以包括：训练样本图像和训练样本标签，上述训练样本标签可以包括：训练样本名称，训练样本类别和训练样本属性值。
[0039]
作为示例，从上述训练样本集中选取至少一个训练样本组成训练样本组可以是[[图像1，土豆炖牛腩，荤菜，10元]，[图像2，糖醋排骨，荤菜，12元]，[图像3，鱼香肉丝，荤菜，12元]，[图像4，水煮鱼，荤菜，15元]]。
[0040]
第四步，将上述训练样本组中的各个训练样本包括的训练样本图像输入至初始食物识别模型以生成第一食物信息组。其中，上述第一食物信息可以包括：第一食物名称，第一食物类别和第一食物属性值。上述初始食物识别模型可以是未经过模型训练的cnn(convolutional neural networks，卷积神经网络)。
[0041]
第五步，基于上述第一食物信息组中的每个第一食物信息包括的第一食物名称和上述训练样本组中的每个训练样本包括的训练样本名称，生成第一名称得分和第二名称得分，得到第一名称得分组和第二名称得分组。
[0042]
第六步，基于上述第一食物信息组中的每个第一食物信息包括的第一食物类别和上述训练样本组中的每个训练样本包括的训练样本类别，生成第一类别得分，得到第一类别得分组。
[0043]
第七步，基于上述第一食物信息组，上述训练样本组，上述第一名称得分组，上述第二名称得分组和上述第一类别得分组，确定上述总损失值。
[0044]
可选的，可以基于上述第一食物信息组，上述训练样本组，上述第一名称得分组，上述第二名称得分组和上述第一类别得分组，通过以下公式，生成总损失值：
[0045][0046]
其中，loss表示总损失值。j1表示第一损失值。j2表示第二损失值。j3表示第三损失值。n上述训练样本组中训练样本的数量。i表示序号。v表示上述第一食物信息组中的第一食物信息包括的第一食物属性值。u表示上述训练样本组的训练样本包括的训练样本属性值。t表示上述第一类别得分组中的第一类别得分。e表示上述第二名称得分组中的第二名称得分。c上述第一名称得分组中的第一名称得分。ci表示上述第一名称得分组中的第i个第一名称得分。ei表示上述第二名称得分组中的第i个第二名称得分。ti表示上述第一类别得分组中的第i个第一类别得分。t表示预设输出参数。p表示预设边界值。ui表示上述训练样本组的第i个训练样本包括的训练样本属性值。vi表示上述第一食物信息组中的第i个第
一食物信息包括的第一食物属性值。
[0047]
上述公式作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“由于传统的食物识别模型在进行食物识别时，往往未考虑食物信息中多个标签的关联程度，进而，使得生成的食物识别模型对于食物信息的识别准确度较低，从而，使得食物的流转效率低下”。导致食物的流转效率低下的原因往往如下：传统的食物识别模型在进行识别过程中，往往未能综合考量食物信息中各个标签之间的关系，使得结果生成存在着异步性。如果解决了上述因素，就能够提高食物信息的识别准确度，从而，提升食物的流转效率。为了达到这一效果，本公开在采用了不同的轻量级的损失函数对食物名称，食物类别和食物属性值进行损失估计的基础上，对得到的损失值进行求和。通过对得到的损失值进行求和从而实现了食物信息中各个标签的考虑。从而解决了由于传统的食物识别模型在进行食物识别时，往往未考虑食物信息中多个标签的关联程度，进而，使得生成的食物识别模型对于食物信息的识别准确度较低，从而，使得食物的流转效率低下的问题。
[0048]
第八步，响应于确定上述总损失值收敛于预定阈值，将上述初始食物识别模型确定为第一食物识别模型。其中，上述预定阈值可以是0.001。
[0049]
第九步，响应于确定上述总损失值不收敛于预定阈值，生成候选食物识别模型。
[0050]
第十步，将上述候选食物识别模型确定为初始食物识别模型。
[0051]
步骤203，基于第一目标食物信息，生成修改信息。
[0052]
在一些实施例中，上述执行主体基于第一目标食物信息，可以通过各种方式，生成修改信息。
[0053]
可选地，上述执行主体基于第一目标食物信息，生成修改信息，可以包括以下步骤：
[0054]
第一步，将上述第一目标食物信息发送至目标终端。其中，上述目标终端可以是带有显示功能和发送功能的计算设备。
[0055]
第二步，响应于接收到上述目标终端发送的预修改信息。其中，上述预修改信息可以是上述目标设备对上述第一目标食物信息进行处理后生成的。
[0056]
第三步，将上述预修改信息确定为上述修改信息。
[0057]
作为示例，上述第一目标食物信息可以是[番茄炒鸡蛋，素菜，20元]。上述预修改信息可以是[番茄炒鸡蛋，素菜，5元]。得到的修改信息可以是[番茄炒鸡蛋，素菜，5元]。
[0058]
步骤204，基于修改信息，生成第二食物识别模型
[0059]
在一些实施例中，上述执行主体可以基于上述修改信息，通过各种方式生成第二食物识别模型。其中，上述第二食物识别模型可以是多种结构的模型。例如，cnn(convolutional neural networks，卷积神经网络)，rnn(recurrent neural networks，循环神经网络)等等。当然，也可以是根据实际需要进行搭建的模型。
[0060]
在一些实施例的一些可选的实现方式中，上述执行主体基于上述修改信息，生成第二食物识别模型，可以包括以下步骤：
[0061]
第一步，将上述修改信息和上述目标食物图像确定为修改样本。
[0062]
作为示例，上述修改信息可以是[番茄炒鸡蛋，素菜，5元]。上述目标食物图像可以是[图像0]。将上述修改信息和上述目标食物图像进行组合确定的修改样本可以是[图像0，番茄炒鸡蛋，素菜，5元]。
[0063]
第二步，将上述修改样本添加至上述训练样本集，得到修改训练样本集。
[0064]
作为示例，上述修改样本可以是可以是[图像0，番茄炒鸡蛋，素菜，5元]。上述训练样本集可以是[[图像1，土豆炖牛腩，荤菜，10元]，[图像2，糖醋排骨，荤菜，12元]，[图像3，鱼香肉丝，荤菜，12元]，[图像4，水煮鱼，荤菜，15元]，[图像5，宫保鸡丁，荤菜，15元]，[图像6，麻婆豆腐，素菜，10元]，[图像7，红烧肉，荤菜，20元]，[图像8，夫妻肺片，荤菜，16元]，[图像9，回锅肉，荤菜，17元]，[图像10，可乐鸡翅，荤菜，15元]，[图像0，番茄炒鸡蛋，素菜，5元]]。将上述修改样本添加至上述训练样本集，得到修改训练样本集可以是[[图像1，土豆炖牛腩，荤菜，10元]，[图像2，糖醋排骨，荤菜，12元]，[图像3，鱼香肉丝，荤菜，12元]，[图像4，水煮鱼，荤菜，15元]，[图像5，宫保鸡丁，荤菜，15元]，[图像6，麻婆豆腐，素菜，10元]，[图像7，红烧肉，荤菜，20元]，[图像8，夫妻肺片，荤菜，16元]，[图像9，回锅肉，荤菜，17元]，[图像10，可乐鸡翅，荤菜，15元]，[图像0，番茄炒鸡蛋，素菜，5元]，[图像0，番茄炒鸡蛋，素菜，5元]]。
[0065]
第三步，基于上述修改训练样本集，生成第二食物识别模型。
[0066]
其中，上述第二食物识别模型的训练生成步骤可以参考上述第一食物识别模型训练生成步骤，在此不再赘述。
[0067]
步骤205，将目标食物图像输入至第二食物识别模型以生成第二目标食物信息。
[0068]
在一些实施例中，上述执行主体可以将目标食物图像输入至上述第二食物识别模型，生成第二目标食物信息。
[0069]
步骤206，将第二目标食物信息发送至目标终端的显示设备上进行显示。
[0070]
在一些实施例中，上述执行主体可以将上述第二目标食物信息发送至目标终端的显示设备上以及在上述目标终端的显示设备上显示上述第二目标食物信息。其中，上述目标终端的显示设备可以是计算机显示器。
[0071]
本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的食物信息识别方法得到的食物信息，使得生成的食物信息的准确度有所提高，从而减少了用户排队等待的时间，进而，提高了食物的结算效率。具体来说，发明人发现，造成相关的食物识别方法的结果不够精确的原因在于：由于菜品是动态变化的，而采用固定不变的训练样本集对初始食物识别模型进行训练以生成的食物识别模型，对于新菜品的识别准确度不高。基于此，本公开的一些实施例的食物信息识别方法通过将训练样本设置为动态变化的。在菜品识别过程中，若出现菜品信息与菜品图像不匹配的情况，则将菜品图像与对应的正确的菜品信息加入训练样本数据集，对模型进行重新训练。通过此种方式，使得生成的食物识别模型能够适应菜品的变化。通过不断的学习，从而，提高了食物识别模型的表征能力。进而，提高了食物识别的准确度、减少了用户排队等待的时间以及提高了食物的结算效率。
[0072]
进一步参考图3，作为对上述各图所示方法的实现，本公开提供了一种食物信息识别装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0073]
如图3所示，一些实施例的食物信息识别装置300，装置包括：获取单元301，第一生成单元302，第二生成单元303，第三生成单元304，第四生成单元305，显示单元306。其中，获取单元301，被配置成获取目标食物图像；第一生成单元302，被配置成将上述目标食物图像输入至第一食物识别模型以生成第一目标食物信息；第二生成单元303，被配置成基于上述
第一目标食物信息，生成修改信息；第三生成单元304，被配置成基于上述修改信息，生成第二食物识别模型；第四生成单元305，被配置成将上述目标食物图像输入至上述第二食物识别模型以生成第二目标食物信息；显示单元306，被配置成将上述第二目标食物信息发送至目标终端的显示设备上进行显示。
[0074]
可以理解的是，该装置300中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元，在此不再赘述。
[0075]
下面参考图4，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备101)400的结构示意图。图4示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
[0076]
如图4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(rom)402中的程序或者从存储装置408加载到随机访问存储器(ram)403中的程序而执行各种适当的动作和处理。在ram 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、rom402以及ram403通过总线404彼此相连。输入/输出(i/o)接口404也连接至总线404。
[0077]
通常，以下装置可以连接至i/o接口404：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
[0078]
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从rom 402被安装。在该计算机程序被处理装置401执行时，执行本公开的一些实施例的方法中限定的上述功能。
[0079]
需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读
信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0080]
在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
[0081]
上述计算机可读介质可以是上述装置中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标食物图像；将上述目标食物图像输入至第一食物识别模型以生成第一目标食物信息；基于上述第一目标食物信息，生成修改信息；基于上述修改信息，生成第二食物识别模型；将上述目标食物图像输入至上述第二食物识别模型以生成第二目标食物信息；将上述第二目标食物信息发送至目标终端的显示设备上进行显示。
[0082]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0083]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0084]
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、第一生成单元、第二生成单元、第三生成单元、第四生成单元、显示单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取目标食物图像的单元”。
[0085]
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例
如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等。
[0086]
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方法。