1.本发明涉及食物贮藏技术领域，具体而言，涉及一种食物管理方法、食物管理系统及食物贮藏设备。
背景技术：2.随着生活节奏的加快，往往存在忽略了食物的新鲜程度，购买的食物未及时食用导致食物的新鲜程度大大降低，这不仅造成食物的口感不好，还会对人体健康造成影响。
3.目前，智能冰箱虽然具有对食物进行分类以及对食物的位置进行锁定的功能，但不具备对食物新鲜程度进行判断的功能。
技术实现要素：4.本发明的主要目的在于提供一种食物管理方法、食物管理系统及食物贮藏设备，以解决现有技术中的智能冰箱不具备判断食物新鲜程度功能的问题。
5.为了实现上述目的，根据本发明的一个方面，提供了一种食物管理方法，其包括：获取食物的实时图像信息；通过训练好的卷积神经网络模型对食物的实时图像信息进行识别处理，以获取食物的实时新鲜度；将获取到的食物的实时新鲜度与第一预设值进行比较，并当食物的实时新鲜度低于第一预设值时，向用户发出尽快食用的提示信息。
6.进一步地，食物管理方法还包括：当食物的实时新鲜度低于第一预设值时，向用户显示制定的食物的食用计划。
7.进一步地，食物管理方法还包括：将获取到的食物的实时新鲜度与第二预设值进行比较，并当食物的实时新鲜度低于第二预设值时，降低食物所在环境的环境温度；其中，第二预设值小于第一预设值。
8.进一步地，食物管理方法还包括：将获取到的食物的实时新鲜度与第三预设值进行比较，并当食物的实时新鲜度低于第三预设值时，向用户发出食物已变质的提示信息；其中，第三预设值小于第二预设值。
9.进一步地，得出训练好的卷积神经网络模型的方法包括：搭建初步的卷积神经网络模型；将食物在固定灯光环境下不同温度时所呈现的新鲜度数据作为训练数据集，对搭建的初步的卷积神经网络模型进行训练并对训练后的卷积神经网络模型进行测试，以得到训练好的卷积神经网络模型。
10.进一步地，得出食物在固定灯光环境下不同温度时所呈现的新鲜度数据的方法包括：获取食物在固定灯光环境下不同温度时呈现不同新鲜度的图像信息，图像信息包括颜色图像和深度图像；根据食物在固定灯光环境下不同温度时呈现不同新鲜度的图像信息，以得出食物在固定灯光环境下不同温度时所呈现的新鲜度数据。
11.进一步地，对搭建的初步的卷积神经网络模型进行训练的方法包括：使用梯度下降法对初步的卷积神经网络模型进行训练；和/或对训练后的卷积神经网络模型进行测试的方法包括：当训练后的卷积神经网络模型的识别率达到预期值时，该训练后的卷积神经
网络模型成为训练好的卷积神经网络模型；否则，继续对卷积神经网络模型进行训练。
12.进一步地，食物管理方法还包括：将获取的食物的实时新鲜度与食物的变质过程曲线图进行比较，以预测出食物的变质时间；其中，食物的变质过程曲线图为在固定环境温度下食物的新鲜度随时间变化的曲线图。
13.根据本发明的另一方面，提供了一种食物管理系统，其适用于上述的食物管理方法，食物管理系统包括：图像获取模块，图像获取模块用于获取食物的图像信息；识别模块，识别模块与图像获取模块通讯连接，以根据食物的图像信息识别食物的实时新鲜度，识别模块为训练好的卷积神经网络模型；提示模块，提示模块与识别模块通讯连接，以获取食物的实时新鲜度并在食物的实时新鲜度低于第一预设值时，向用户发出尽快食用的提示信息。
14.根据本发明的又一方面，提供了一种食物贮藏设备，其包括上述的食物管理系统。
15.应用本发明的技术方案，食物管理方法包括：获取食物的实时图像信息；通过训练好的卷积神经网络模型对食物的实时图像信息进行识别处理，以获取食物的实时新鲜度；将获取到的食物的实时新鲜度与第一预设值进行比较，并当食物的实时新鲜度低于第一预设值时，向用户发出尽快食用的提示信息。使智能冰箱采用本技术的食物管理方法，以使智能冰箱具备判断食物新鲜程度的功能，进而解决了现有技术中的智能冰箱不具备判断食物新鲜程度功能的问题。
附图说明
16.构成本技术的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
17.图1示出了根据本发明的食物管理方法的流程示意图。
具体实施方式
18.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
19.应该指出，以下详细说明都是例示性的，旨在对本技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
20.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
21.本发明提供了一种食物管理方法，请参考图1，食物管理方法包括：获取食物的实时图像信息；通过训练好的卷积神经网络模型对食物的实时图像信息进行识别处理，以获取食物的实时新鲜度；将获取到的食物的实时新鲜度与第一预设值进行比较，并当食物的实时新鲜度低于第一预设值时，向用户发出尽快食用的提示信息。使智能冰箱采用本技术的食物管理方法，以使智能冰箱具备判断食物新鲜程度的功能，并向用户提供食物的新鲜度信息，进而解决了现有技术中的智能冰箱不具备判断食物新鲜程度功能的问题。
22.需要说明的是，当食物处于最新鲜的状态时，该食物的新鲜度为100％，当食物处于完全腐烂的状态时，该食物的新鲜度为0％；故当食物的状态介于最新鲜的状态和完全腐烂的状态之间时，该食物的新鲜度为大于0％且小于100％。
23.在本实施例中，食物管理方法还包括：当食物的实时新鲜度低于第一预设值时，向用户显示制定的食物的食用计划；即当食物的实时新鲜度低于第一预设值时，向用户发出尽快食用的提示信息并向用户显示制定的食物的食用计划。
24.在本实施例中，食物管理方法还包括：将获取到的食物的实时新鲜度与第二预设值进行比较，并当食物的实时新鲜度低于第二预设值时，降低食物所在环境的环境温度，以延缓食物的变质速度；其中，第二预设值小于第一预设值。例如，当食物处于冰箱中时，则降低冰箱内的温度。
25.在本实施例中，食物管理方法还包括：将获取到的食物的实时新鲜度与第三预设值进行比较，并当食物的实时新鲜度低于第三预设值时，向用户发出食物已变质的提示信息，以提醒用户尽快丢弃该食物，避免该食物的变质引起其他食物的连锁变质；其中，第三预设值小于第二预设值。
26.可选地，第一预设值为70％，第二预设值为50％，第三预设值为40％。
27.在本实施例中，得出训练好的卷积神经网络模型的方法包括：搭建初步的卷积神经网络模型；将食物在固定灯光环境下不同温度时所呈现的新鲜度数据作为训练数据集，对搭建的初步的卷积神经网络模型进行训练，以得到训练好的卷积神经网络模型。
28.具体地，得出食物在固定灯光环境下不同温度时所呈现的新鲜度数据的方法包括：获取食物在固定灯光环境下不同温度时呈现不同新鲜度的图像信息，图像信息包括颜色图像和深度图像；根据食物在固定灯光环境下不同温度时呈现不同新鲜度的图像信息，以得出食物在固定灯光环境下不同温度时所呈现的新鲜度数据。需要说明的是，一种食物在一个固定温度下随着时间的推移会呈现不同的新鲜度。
29.具体地，通过对该食物在固定灯光环境下不同温度时处于不同新鲜度的食物状态进行拍摄，以获取食物在固定灯光环境下不同温度时呈现不同新鲜度的图像信息。
30.具体地，根据食物在固定灯光环境下不同温度时呈现不同新鲜度的图像信息，得到食物在固定灯光环境下不同温度时所呈现的新鲜度数据的方法包括：对获取的食物在固定灯光环境下不同温度时呈现不同新鲜度的图像信息进行预处理；其中，对图像信息进行预处理的方法包括对图像进行特征抽取、对图像进行分割、对图像进行增强、对图像进行数字化处理等步骤。
31.具体地，卷积神经网络模型包括输入层、5个卷积层、3个全连接层和一个softmax分类器；将训练数据集输入到输入层，输入的数据集首先经过第一个卷积层，对其中的每一个卷积层依次进行卷积、池化、归一化处理，再将上一个卷积层的结果输入下一个卷积层，以获取食物在固定灯光环境下不同温度时处于不同新鲜度的食物图像特征；即对每一个卷积层进行卷积处理以得到卷积特征图像，卷积特征图像再经过池化层进行池化处理以得到池化特征图像，池化的目的是进行降维度，减少冗余特征。其中卷积层和池化层可以有多种不同的组合，具体的层次和网络深度可以根据实际效果进行选取。经过多层卷积和池化操作，得到的图像特征输入全连接层，并进行激活；即将经过5个卷积层后得到的图像特征输入到全连接层中，进行激活。全连接层也可以有多层，最后由softmax分类器输出分类结果；
即将经过3个全连接层后得到的logits值输入到softmax分类器中得到属于某种类别的概率值，由概率值和真实的label计算得到交叉熵损失函数，从而完成卷积神经网络模型的训练。
32.具体地，每个卷积大小为ci×ci
，步长为sci×
sci；其中，1≤ci≤10，1≤sci≤5，1≤i≤5；卷积处理得到ki种特征，1≤ki≤256。
33.优选地，对每一个卷积层进行最大池化处理。
34.具体地，softmax公式为：其中zi是要计算的类别i的网络输出，分母为网络输出所有类别之和，共有k个类别，pi为第i类的概率。
35.具体地，对搭建的初步的卷积神经网络模型进行训练的方法包括：使用梯度下降法对初步的卷积神经网络模型进行训练。
36.具体地，对训练后的卷积神经网络模型进行测试的方法包括：当训练后的卷积神经网络模型的识别率达到预期值时，该训练后的卷积神经网络模型成为训练好的卷积神经网络模型；否则，继续对卷积神经网络模型进行训练。可选地，预期值为85％。
37.在本实施例中，食物管理方法还包括：将获取的食物的实时新鲜度与食物的变质过程曲线图进行比较，以预测出食物的变质时间；其中，食物的变质过程曲线图为在固定环境温度下食物的新鲜度随时间变化的曲线图。通过预测出的食物的变质时间以及食物的实时新鲜度，可以更加及时地、合理地向用户显示制定的食物的食用计划。
38.具体地，记录在固定环境温度下食物的新鲜度随时间变化的数据，并根据在固定环境温度下食物的新鲜度随时间变化的数据来绘制出在固定环境温度下食物的新鲜度随时间变化的曲线图。
39.进一步地，食物的新鲜度随时间变化的曲线图是指食物的新鲜度随着时间的变化从100％变化为0％的曲线图。
40.本发明还提供了一种食物管理系统，该食物管理系统适用于上述的食物管理方法，食物管理系统包括图像获取模块、识别模块和提示模块，图像获取模块用于获取食物的图像信息；识别模块与图像获取模块通讯连接，以根据食物的图像信息识别食物的实时新鲜度，识别模块包括训练好的卷积神经网络模型；提示模块与识别模块通讯连接，以获取食物的实时新鲜度并在食物的实时新鲜度低于第一预设值时，向用户发出尽快食用的提示信息。
41.具体地，提示模块还用于在食物的实时新鲜度低于第三预设值时，向用户发出食物已变质的提示信息。
42.具体地，图像获取模块包括摄像装置，摄像装置用于对食物进行拍摄，以获取食物的图像信息。
43.本发明还提供了一种食物贮藏设备，其包括上述的食物管理系统。
44.具体地，摄像装置设置在食物贮藏设备内。
45.可选地，食物贮藏设备为冰箱、或冰柜、或保温箱。
46.从以上的描述中，可以看出，本发明上述的实施例实现了如下技术效果：
47.在本发明提供的食物管理方法中，食物管理方法包括：获取食物的实时图像信息；通过训练好的卷积神经网络模型对食物的实时图像信息进行识别处理，以获取食物的实时
新鲜度；将获取到的食物的实时新鲜度与第一预设值进行比较，并当食物的实时新鲜度低于第一预设值时，向用户发出尽快食用的提示信息。使智能冰箱采用本技术的食物管理方法，以使智能冰箱具备判断食物新鲜程度的功能，进而解决了现有技术中的智能冰箱不具备判断食物新鲜程度功能的问题。
48.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施方式例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
49.为了便于描述，在这里可以使用空间相对术语，如“在
……
之上”、“在
……
上方”、“在
……
上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在
……
上方”可以包括“在
……
上方”和“在
……
下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
50.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
技术特征：1.一种食物管理方法，其特征在于，包括：获取食物的实时图像信息；通过训练好的卷积神经网络模型对所述食物的实时图像信息进行识别处理，以获取所述食物的实时新鲜度；将获取到的所述食物的实时新鲜度与第一预设值进行比较，并当所述食物的实时新鲜度低于所述第一预设值时，向用户发出尽快食用的提示信息。2.根据权利要求1所述的食物管理方法，其特征在于，所述食物管理方法还包括：当所述食物的实时新鲜度低于所述第一预设值时，向用户显示制定的所述食物的食用计划。3.根据权利要求1所述的食物管理方法，其特征在于，所述食物管理方法还包括：将获取到的所述食物的实时新鲜度与第二预设值进行比较，并当所述食物的实时新鲜度低于所述第二预设值时，降低所述食物所在环境的环境温度；其中，所述第二预设值小于所述第一预设值。4.根据权利要求3所述的食物管理方法，其特征在于，所述食物管理方法还包括：将获取到的所述食物的实时新鲜度与第三预设值进行比较，并当所述食物的实时新鲜度低于所述第三预设值时，向用户发出食物已变质的提示信息；其中，所述第三预设值小于所述第二预设值。5.根据权利要求1所述的食物管理方法，其特征在于，得出所述训练好的卷积神经网络模型的方法包括：搭建初步的卷积神经网络模型；将所述食物在固定灯光环境下不同温度时所呈现的新鲜度数据作为训练数据集，对搭建的初步的所述卷积神经网络模型进行训练并对训练后的卷积神经网络模型进行测试，以得到所述训练好的卷积神经网络模型。6.根据权利要求5所述的食物管理方法，其特征在于，得出所述食物在固定灯光环境下不同温度时所呈现的新鲜度数据的方法包括：获取所述食物在固定灯光环境下不同温度时呈现不同新鲜度的图像信息，所述图像信息包括颜色图像和深度图像；根据所述食物在固定灯光环境下不同温度时呈现不同新鲜度的图像信息，以得出所述食物在固定灯光环境下不同温度时所呈现的新鲜度数据。7.根据权利要求5所述的食物管理方法，其特征在于，对搭建的初步的所述卷积神经网络模型进行训练的方法包括：使用梯度下降法对所述初步的卷积神经网络模型进行训练；和/或对训练后的卷积神经网络模型进行测试的方法包括：当训练后的卷积神经网络模型的识别率达到预期值时，该训练后的卷积神经网络模型成为所述训练好的卷积神经网络模型；否则，继续对所述卷积神经网络模型进行训练。8.根据权利要求1所述的食物管理方法，其特征在于，所述食物管理方法还包括：将获取的所述食物的实时新鲜度与食物的变质过程曲线图进行比较，以预测出所述食物的变质时间；其中，所述食物的变质过程曲线图为在固定环境温度下所述食物的新鲜度随时间变化的曲线图。
9.一种食物管理系统，其特征在于，适用于权利要求1至8中任一项所述的食物管理方法，所述食物管理系统包括：图像获取模块，所述图像获取模块用于获取食物的图像信息；识别模块，所述识别模块与所述图像获取模块通讯连接，以根据所述食物的图像信息识别所述食物的实时新鲜度，所述识别模块包括训练好的卷积神经网络模型；提示模块，所述提示模块与所述识别模块通讯连接，以获取所述食物的实时新鲜度并在所述食物的实时新鲜度低于第一预设值时，向用户发出尽快食用的提示信息。10.一种食物贮藏设备，其特征在于，包括权利要求9所述的食物管理系统。
技术总结本发明提供了一种食物管理方法、食物管理系统及食物贮藏设备，食物管理方法包括：获取食物的实时图像信息；通过训练好的卷积神经网络模型对食物的实时图像信息进行识别处理，以获取食物的实时新鲜度；将获取到的食物的实时新鲜度与第一预设值进行比较，并当食物的实时新鲜度低于第一预设值时，向用户发出尽快食用的提示信息。使智能冰箱采用本申请的食物管理方法，以使智能冰箱具备判断食物新鲜程度的功能。能。能。
技术研发人员：陈洋
受保护的技术使用者：珠海联云科技有限公司
技术研发日：2022.04.22
技术公布日：2022/7/5
