一种基于食材图像生重估计的智能营养跟踪方法

本发明属于健康管理，具体涉及一种基于食材图像生重估计的智能营养跟踪方法。

背景技术：

1、目前急需一种高效、准确的方法，来帮助人们了解自己的饮食状况，并提供一种有效的营养跟踪方法。常用的膳食摄入信息获取工具包括称重法、膳食回顾和食物频率法(food frequency questionnaire，ffq)。称重法要求对每种食物用餐前后都进行称量，从而获得食物种类和份量的信息。这种方法虽然准确，但费时、费力、可操作性不强，仅适用于小样本研究。膳食回顾是依靠受试者回忆过去较短时间内摄入的所有食物名称和份量。很显然回顾时间不可能太长(通常为24或72h)，否则容易遗忘。该方法反映的是短期，而不是长期的膳食摄入。但饮食对健康的影响需要一个长期的过程才能显现，因而对于需要跟踪随访的研究该方法并不适合。ffq可以在大样本中使用，能够反映较长时期内食物种类、摄入量和疾病之间的剂量依赖关系。ffq是大样本流行病学调查特别是随访研究最常使用的膳食摄入评价工具。但ffq的准确性同样依赖于受试者良好的记忆力和受教育程度。然而，传统的饮食调查方法并不十分实用，例如称重法，操作较为繁琐而且在日常生活中使用频率不高。此外，因为食物烹饪过程会使食材混合，熟食难以辨识。为了解决这些问题，急需一种具有高效性和准确性的饮食调查和跟踪方法，用以评估膳食摄入信息，为患者及医护人员提供及时信息并做出营养改善建议。因食物烹饪的技术严重影响营养成分比重，所以本方法选择对食物生材进行图像分割和估重。结合烹饪中的营养流失和个体营养吸收的比重，仍然能够提供较为精确的客观的食物重量估计方法，用以提供智能算法的准确性。

技术实现思路

1、为解决以上现有技术存在的问题，本发明提出了一种基于食材图像生重估计的智能营养跟踪方法，包括：

2、s1：获取食物图像以及用户身体健康指标数据；

3、s2：确定食物图像中各个食物的完整性，若图像中的食物不完整，则重新获取食物图像，若图像中的食物完整，则执行步骤s3；

4、s3：采用训练后的语义分割模型对食物图像进行处理，得到分割后的食物图像；

5、s4：将所有的分割后的食物图像划分为训练集和测试集；

6、s5、将训练集中的食物图像输入食物重量预测模型中，得到摄入食物的体积、重量以及营养元素；

7、s6：设置误差阈值，根据摄入食物的体积、重量以及营养元素计算均方根误差rmse，将计算出的rmse与设置的误差阈值进行对比，若大于设置的误差阈值，则调整食物重量预测模型参数，并返回步骤s5；否则得到训练后的食物重量预测模型参数，将测试即中的食物输入到训练后的食物重量预测模型中，输出最优的摄入食物的体积、重量以及营养元素；

8、s7：根据用户身体健康指标数据获取用户每日营养元素推荐摄入量，根据用户每日营养元素推荐摄入量估计菜品最优摄入量；

9、s8：将最优的摄入食物的体积、最优的摄入食物的重量、最优的摄入食物的营养元素以及菜品最大摄入量输入到多目标规划模型，求解多目标规划模型，获取模型目标函数值最优时的优化解，即输出最优的饮食配餐方案。

10、优选的，采用训练后的语义分割模型对食物图像进行处理包括：获取食物水平一周和俯拍的固定距离的食物图像；将食物图像输入训练好的语义分割模型中进行食物识别、图像分割。

11、本发明的有益效果：

12、本发明首先采用图像识别技术对多视图的食物图像进行分割，将食物从图像中分离出来。在这个过程中，得到了用户摄入的食物种类、重量、营养元素含量。这些获取的数据相较于一般的测定方法更加准确且全面，尽可能的还原了用户的真实摄入量；本发明构建的多目标优化模型对于实际摄入量，结合医嘱、体检等临床医学信息和个性化需求给出了最优的饮食配餐方案，相较于之前的饮食推荐给出了最适合该用户且满意度最高的配餐方案，真正实现了对用户膳食摄入跟踪的精准管理，达到保护健康的目的。

技术特征：

1.一种基于食材图像生重估计的智能营养跟踪方法，其特征在于，包括：

2.根据权利要求1所述的一种基于食材图像生重估计的智能营养跟踪方法，其特征在于，采用训练后的语义分割模型对食物图像进行处理包括：获取食物水平一周四个方向角度的图片和俯拍的固定距离的食物图像；将食物图像输入训练好的语义分割模型中进行食物识别和图像分割。

3.根据权利要求1所述的一种基于食材图像生重估计的智能营养跟踪方法，其特征在于，食物重量预测模型对食物图像进行处理包括：计算食物生重体积v，调取数据库，得到当前食物密度ρ以及当前食物各营养素的占比α；根据食物生重体积v、当前食物密度ρ以及当前食物各营养素的占比α计算当前食物所含营养量β；其中营养量β的计算公式为：

4.根据权利要求3所述的一种基于食材图像生重估计的智能营养跟踪方法，其特征在于，计算食物生重体积v包括：设置参考系，将分割后的食物图像映射到参考系的平面p1上，在平面p1计算比例系数λi；根据比例系数预测当前食物图像高度hi；根据食物图像高度估计食物体积；计算食物生重体积v的公式为：

5.根据权利要求1所述的一种基于食材图像生重估计的智能营养跟踪方法，其特征在于，计算均方根误差的公式为：

6.根据权利要求1所述的一种基于食材图像生重估计的智能营养跟踪方法，其特征在于，采用多目标规划模型对最优的摄入食物的体积、最优的摄入食物的重量、最优的摄入食物的营养元素以及菜品最大摄入量进行处理包括：将用户已经摄入的营养元素含量、当日营养元素推荐摄入量、备选菜品的限制数量、每日菜品最大摄入量输入到多目标优化模型中进行求解，并通过智能营养推荐的平衡约束条件得到最优的配餐方案；将最优配餐方案与用户个性化需求、身体健康信息进行比对，如果符合，则推荐任务完成，如果不符合，则调整优化模型再次给出最优配餐方案，直到符合为止。

7.根据权利要求6所述的一种基于食材图像生重估计的智能营养跟踪方法，其特征在于，计算用户实际摄入的营养素含量与推荐摄入量的差距；用户实际摄入量的计算公式为：

8.根据权利要求7所述的一种基于食材图像生重估计的智能营养跟踪方法，其特征在于，偏差量包括正偏差量和负偏差量，计算的表达式为：

9.根据权利要求6所述的一种基于食材图像生重估计的智能营养跟踪方法，其特征在于，智能营养推荐的平衡约束条件包括：每日摄入营养素的平衡约束、日所食用重量的平衡约束以及食用菜品种类的平衡约束；其表达式为：

10.根据权利要求6所述的一种基于食材图像生重估计的智能营养跟踪方法，其特征在于，目标函数为：

技术总结
本发明属于健康管理技术领域，具体涉及一种基于食材图像生重估计的智能营养跟踪方法，包括：获取食物图像、用户身体健康指标数据；对图像进行验证；将验证后的图像输入到语义分割模型中，得到分割后的食物图像；估计摄入食物的体积、重量以及营养元素；获取用户每日营养元素推荐摄入量，根据用户每日营养元素推荐摄入量估计菜品最大摄入量；将最优的摄入食物的体积、最优的摄入食物的重量、最优的摄入食物的营养元素以及菜品最大摄入量输入到多目标规划模型，得到最优的饮食推荐方案；本发明通过构建的多目标优化模型对实际摄入量，结合医嘱、体检等临床医学信息和个性化需求，得到优化的饮食配餐方案。

技术研发人员：余海燕,王琪琪,黎森林,徐仁应,陈建斌
受保护的技术使用者：重庆邮电大学
技术研发日：
技术公布日：2024/1/15