冰箱中食材体积识别的方法、装置及计算机存储介质与流程

本发明涉及智能终端技术领域，特别涉及冰箱中食材体积识别的方法、装置及计算机存储介质。

背景技术：

随着智能家电技术的发展，空调、冰箱、洗衣机等等家电都可进行智能控制。冰箱作为一种智能家电，不仅可以冷藏及冷冻食材，还可对储藏的食材进行管理。

目前，一些智能冰箱可识别出存储食材的种类，并记录储藏日期等等，这样，用户可根据智能冰箱的这些管理信息，进行膳食搭配，并且，还可优化食材的消耗过程，减少食材因过期或变质带来的资源浪费。但是，对于食材的体积，现在大部分冰箱还不能进行识别，从而，还不能合理地冰箱存储空间的布局，导致食材的智能化管理的水平还有待提高。

技术实现要素：

本发明实施例提供了一种冰箱中食材体积识别的方法、装置及计算机存储介质。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

根据本发明实施例的第一方面，提供了一种冰箱中食材体积识别的方法，包括：

通过图像采集设备，获取冰箱中当前食材的当前食材图像；

通过实例级分割算法，对所述当前食材图像进行分割和识别，生成所述当前食材图像的当前掩膜图像，以及识别出所述当前食材的种类；

根据保存的所述图像采集设备的图像畸变矫正标定公式，得到与所述当前掩膜图像对应的携带长宽信息的当前矫正二维图像；

根据保存的食材种类，二维图像与三维图像信息之间的对应关系，确定与所述当前食材的种类、所述当前矫正二维图像对应的当前三维图像信息；

根据所述当前三维图像信息中携带的长宽信息以及厚度信息，确定所述当前食材的体积。

本发明一实施例中，所述通过实例级分割算法，对所述当前食材图像进行分割和识别，生成所述当前食材图像的当前掩膜图像，以及识别出所述当前食材的种类包括：

将经过预处理操作的所述当前食材图像，输入到已训练的卷积神经网络中，获得对应的特征图像；

确定特征图像中的每个像素点对应的多个第一候选感兴趣区域；

将每个所述第一候选感兴趣区域输入区域提案网络中进行二值分类和图像边界框回归处理，得到与每个像素点对应的第二候选感兴趣区域；

根据所述第二候选感兴趣区域，将所述当前食材图像和所述特征图像进行对齐处理，识别出所述当前食材的种类，并根据所述第二候选感兴趣区域的分类，以及图像边界框回归处理，生成所述当前食材图像的当前掩膜图像。

本发明一实施例中，所述获取冰箱中当前食材的当前食材图像之前，还包括：

获取所述图像采集设备的基准图上至少三个已选基准点的基准位置信息；

获取所述图像采集设备的已知信息拍摄图上与每个已选基准点对应每个第一像素点的像素位置信息；

根据所述基准位置信息和所述像素位置信息，得到所述图像采集设备的图像畸变矫正标定公式中的每个系数，并保存对应的图像畸变矫正标定公式。

本发明一实施例中，所述方法还包括：

根据所述当前食材的体积，进行所述当前食材的管理提示。

根据本发明实施例的第二方面，提供一种冰箱中食材体积识别的装置，包括：

获取单元，用于通过图像采集设备，获取冰箱中当前食材的当前食材图像；

分割识别单元，用于通过实例级分割算法，对所述当前食材图像进行分割和识别，生成所述当前食材图像的当前掩膜图像，以及识别出所述当前食材的种类；

矫正单元，用于根据保存的所述图像采集设备的图像畸变矫正标定公式，得到与所述当前掩膜图像对应的携带长宽信息的当前矫正二维图像；

转换单元，用于根据保存的食材种类，二维图像与三维图像信息之间的对应关系，确定与所述当前食材的种类、所述当前矫正二维图像对应的当前三维图像信息；

体积识别单元，用于根据所述当前三维图像信息中携带的长宽信息以及厚度信息，确定所述当前食材的体积。

本发明一实施例中，所述分割识别单元，具体用于将经过预处理操作的所述当前食材图像，输入到已训练的卷积神经网络中，获得对应的特征图像；确定特征图像中的每个像素点对应的多个第一候选感兴趣区域；将每个所述第一候选感兴趣区域输入区域提案网络中进行二值分类和图像边界框回归处理，得到与每个像素点对应的第二候选感兴趣区域；根据所述第二候选感兴趣区域，将所述当前食材图像和所述特征图像进行对齐处理，识别出所述当前食材的种类，并根据所述第二候选感兴趣区域的分类，以及图像边界框回归处理，生成所述当前食材图像的当前掩膜图像。

本发明一实施例中，所述装置还包括：标定单元，用于获取所述图像采集设备的基准图上至少三个已选基准点的基准位置信息；获取所述图像采集设备的已知信息拍摄图上与每个已选基准点对应每个第一像素点的像素位置信息；根据所述基准位置信息和所述像素位置信息，得到所述图像采集设备的图像畸变矫正标定公式中的每个系数，并保存对应的图像畸变矫正标定公式。

本发明一实施例中，所述装置还包括：

管理提示单元，用于根据所述当前食材的体积，进行所述当前食材的管理提示。

根据本发明实施例的第三方面，提供一种冰箱中食材体积识别的装置，用于冰箱，所述装置包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

通过图像采集设备，获取冰箱中当前食材的当前食材图像；

通过实例级分割算法，对所述当前食材图像进行分割和识别，生成所述当前食材图像的当前掩膜图像，以及识别出所述当前食材的种类；

根据保存的所述图像采集设备的图像畸变矫正标定公式，得到与所述当前掩膜图像对应的携带长宽信息的当前矫正二维图像；

根据保存的食材种类，二维图像与三维图像信息之间的对应关系，确定与所述当前食材的种类、所述当前矫正二维图像对应的当前三维图像信息；

根据所述当前三维图像信息中携带的长宽信息以及厚度信息，确定所述当前食材的体积。

根据本发明实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述方法的步骤。

本发明实施例提供的技术方案可以包括以下有益效果：

本发明实施例中，对食材图像进行图像目标分割和图像识别，可确定食材的种类以及对应的掩膜图像，并进行对应的图像转化，可得到食材的三维图像信息，最后根据三维图像信息中携带的长宽信息以及厚度信息，识别出食材的体积，即进行图像处理即可识别出食材的体积，不需压力传感器或重量测量设备即可得到食材的体积，节省了硬件成本，并且，识别出食材的体积，为冰箱的智能化食材管理提供了数据支持，可进一步提高冰箱的食材智能化管理水平。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种冰箱中食材体积识别方法的流程图；

图2是根据一示例性实施例示出的一种图像采集设备的基准图示意图；

图3是根据一示例性实施例示出的一种冰箱中食材体积识别方法的流程图；

图4是根据一示例性实施例示出的一种冰箱中食材体积识别装置的框图；

图5是根据一示例性实施例示出的一种冰箱中食材体积识别装置的框图。

具体实施方式

以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，各实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。本文中，诸如第一和第二等之类的关系术语仅仅用于将一个实体或者操作与另一个实体或操作区分开来，而不要求或者暗示这些实体或操作之间存在任何实际的关系或者顺序。而且，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、方法或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素。本文中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的结构、产品等而言，由于其与实施例公开的部分相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

冰箱可识别出存储食材的种类，并记录储藏日期等等，这样，用户可根据智能冰箱的这些管理信息，进行膳食搭配。本发明实施例中，冰箱还可根据食材图像进行对应的图像处理，识别出食材的体积，这样，不需压力传感器或重量测量设备即可得到食材的体积，节省了硬件成本，并且，识别出食材的体积，为冰箱的智能化食材管理提供了数据支持，可进一步提高冰箱的食材智能化管理水平。

图1是根据一示例性实施例示出的一种冰箱中食材体积识别方法的流程图。如图1所示，冰箱中食材体积识别的过程包括：

步骤101：通过图像采集设备，获取冰箱中当前食材的当前食材图像。

一般冰箱都配置有图像采集设备，例如：摄像头。这样，通过已配置的图像采集设备，即可获取冰箱中当前食材的当前食材图像，从而，冰箱可根据当前食材图像进行食材的识别。

步骤102：通过实例级分割算法，对当前食材图像进行分割和识别，生成当前食材图像的当前掩膜图像，以及识别出当前食材的种类。

本发明实施例中，具体可采用实例级分割算法，来对食材进行识别。其中，实例级分割是指终端可自动从图像中用目标检测方法框出不同实例，再用语义分割方法在不同实例区域内进行逐像素标记。而语义分割不区分属于相同类别的不同实例。例如，当图像中有多只猫时，语义分割会将两只猫整体的所有像素预测为“猫”这个类别。与此不同的是，实例级分割需要区分出哪些像素属于第一只猫、哪些像素属于第二只猫。可见采用实例级分割可进一步提高图像识别的准确性。

较佳地，具体过程可包括：将经过预处理操作的当前食材图像，输入到已训练的卷积神经网络中，获得对应的特征图像；确定特征图像中的每个像素点对应的多个第一候选感兴趣区域；将每个第一候选感兴趣区域输入区域提案网络中进行二值分类和图像边界框回归处理，得到与每个像素点对应的第二候选感兴趣区域；根据第二候选感兴趣区域，将当前食材图像和特征图像进行对齐处理，识别出当前食材的种类，并根据第二候选感兴趣区域的分类，以及图像边界框回归处理，生成当前食材图像的当前掩膜图像。

步骤103：根据保存的图像采集设备的图像畸变矫正标定公式，得到与当前掩膜图像对应的携带长宽信息的当前矫正二维图像。

一般，冰箱配置的图像采集设备是预先配置的，对于每个图像采集设备对应的图像畸变矫正标定公式都是固定的，因此，可预先保存图像采集设备的图像畸变矫正标定公式。这样，由于已生成了当前掩膜图像，其中可确定每个像素点的位置信息，通过保存的图像畸变矫正标定公式，即可得到与当前掩膜图像对应的携带长宽信息的当前矫正二维图像，即将图像可与实际的长宽大小对应出来。

步骤104：根据保存的食材种类，二维图像与三维图像信息之间的对应关系，确定与当前食材的种类、当前矫正二维图像对应的当前三维图像信息。

已经获得了携带长宽信息的当前矫正二维图像，但是，食材是立体的，二维图像还不足以确定食材的体积。还需进一步确定食材对应的三维图像信息。每种食材基本上都有其比较固定的外形特征，因此，通过大量实验数据，可预先配置食材种类，二维图像与三维图像信息之间的对应关系，并保存，这样，根据保存的食材种类，二维图像与三维图像信息之间的对应关系，确定与当前食材的种类、当前矫正二维图像对应的当前三维图像信息。

表1是根据一示例性实施例示出的一种食材种类，二维图像与三维图像信息之间的对应关系之间的对应关系。

当前矫正二维图像中携带长宽信息，因此，可得到二维图像面积s，并且已识别出了当前食材的种类，从而，可根据表1，确定三维图像信息中厚度h，进一步确定了与当前食材的种类、当前矫正二维图像对应的当前三维图像信息。例如，当前食材为土豆，根据当前矫正二维图像中携带长宽信息，可得到二维图像面积s，其中，a1<s≤a2，则可确定三维图像信息中厚度h为h11，进而，可根据长宽信息，以及h11确定对应的当前三维图像信息。

表1

步骤105：根据当前三维图像信息中携带的长宽信息以及厚度信息，确定当前食材的体积。

三维图像信息中携带了长度信息，宽度信息以及厚度信息，根据这个三个信息，即可确定对应物体的体积了，即可根据当前三维图像信息中携带的长宽信息以及厚度信息，确定当前食材的体积。

可见，本实施例中，不需要增加任何硬件设备，即可根据食材图像进行对应的图像处理，识别出食材的体积，节省了硬件成本。

并且，识别出食材的体积，冰箱可进一步对食材进行智能化管理，包括：可根据当前食材的体积，进行当前食材的管理提示。例如：给出食材较佳摆放位置的建议，或者，给出食材的分割使用建议，或者，给出食材的保鲜存储建议等等，即识别出食材的体积，为冰箱的智能化食材管理提供了数据支持，可进一步提高冰箱的食材智能化管理水平。

本发明实施例中，需预先保存冰箱中图像采集设备的图像畸变矫正标定公式。通过图像畸变矫正标定公式，可图像采集设备获取的图像中每个像素点的位置信息与实际场景中每个点的位置信息对应起来。

图2是根据一示例性实施例示出的一种图像采集设备的基准图示意图。图像采集设备拍摄的一张基准图可如图2所示。从基准图上找三个点(r1,s1)(r2,s2)(r3,s3)，它们在实际场景拍摄图上对应的三个点的坐标为(x1,y1)(x2,y2)(x3,y3),把这三对点的坐标带入公式(1)

x'＝a00+a10x+a01y

y'＝b00+b10x+b01y---------------------------------------(1)

公式(1)为一次方程，其中，x，y分别为拍摄图像上点的坐标，而x'，y'为实际场景中对应点的坐标。而公式(1)对应的矩阵形式为公式(2)和(3)：

通过解联立方程或矩阵求逆，可得到各系数aij,bijj，即矫正参数，i＝0、1、或2，j＝0、1、或2。这样，通过三对像素坐标点，可确定图像畸变矫正标定公式。

当然，还可采用二次方程为图像畸变矫正标定公式，这样，畸变公式可为二元二次多项式，可用来描述拍摄图像坐标点(x，y)和实际场景对应点坐标(x',y')之间的关系，数学表达式为公式(4):

其中，公式(4)中包含12个未知的矫正参数，因此，需要6对像素坐标点，通过解联立方程或矩阵求逆，即可确定12个未知的矫正参数。可通过大量实验，确定6对已知像素点坐标，从而，确定图像畸变矫正标定公式。

因此，图像采集设备的图像畸变矫正标定公式是与硬件相关的，是可预先确定的，包括：获取图像采集设备的基准图上至少三个已选基准点的基准位置信息；获取图像采集设备的已知信息拍摄图上与每个已选基准点对应每个第一像素点的像素位置信息；根据基准位置信息和像素位置信息，得到图像采集设备的图像畸变矫正标定公式中的每个系数，并保存对应的图像畸变矫正标定公式。

本发明实施例中，无论图像畸变矫正标定公式采用公式(1)或公式(4)都可得到与当前掩膜图像对应的携带长宽信息的当前矫正二维图像。较佳地，当前掩膜图像可包括每个像素点的坐标(x，y)；根据公式(4)，确定与每个像素点坐标(x，y)对应的实际场景中点坐标(x',y')；根据每个实际场景中点坐标(x',y')，即可得到与当前掩膜图像对应的携带长宽信息的当前矫正二维图像；

其中，aij,bij为矫正参数，i＝0、1、或2，j＝0、1、或2。

下面将方案的操作流程集合到具体实施例中，举例说明本公开实施例提供的方法。

本实施例中，冰箱中已预先保存了如公式(4)所示的图像畸变矫正标定公式，也预先保存了食材种类，二维图像与三维图像信息之间的对应关系，例如表1所示。

图3是根据一示例性实施例示出的一种冰箱中食材体积识别方法的流程图，如图3所示，冰箱中食材体积识别的过程包括：

步骤301：通过图像采集设备，获取冰箱中当前食材的当前食材图像。

步骤302：将经过预处理操作的当前食材图像，输入到已训练的卷积神经网络中，获得对应的特征图像。

当前食材图像进行对应的预处理操作后，将其输入到一个预训练好的神经网络中，例如：残差网络(residualneuralnetwor，resnet)等，获得对应的特征图像featuremap。

步骤303：确定特征图像中的每个像素点对应的多个第一候选感兴趣区域。

对这个featuremap中的每一像素点设定预定个的感兴趣区域(regionofinterest，roi)，从而获得多个第一候选roi。

步骤304：将每个第一候选感兴趣区域输入区域提案网络中进行二值分类和图像边界框回归处理，得到与每个像素点对应的第二候选感兴趣区域。

将这些第一候选roi送入区域生成网络(regionproposalnetwork，rpn)进行二值分类(前景或背景)和图像边界框bb(boundingbox)回归，过滤掉一部分第一候选roi，即剩下的第一候选roi，即为第二候选roi。

步骤305：根据第二候选感兴趣区域，将当前食材图像和特征图像进行对齐处理，识别出当前食材的种类，并根据第二候选感兴趣区域的分类，以及图像边界框回归处理，生成当前食材图像的当前掩膜图像。

对这些第二候选roi进行roialign操作，即先将原图和featuremap的像素点对应起来，然后将featuremap和固定的特征对应起来；最后，对这些第二候选roi进行分类，即可识别出食材，并通过roi分类、bb回归和在每一个roi里面进行全卷积网络(fullyconvolutionalnetworks，fcn)操作，即可生成当前食材图像的当前掩膜图像mask。

步骤306：根据保存的公式(4)，得到与当前掩膜图像对应的携带长宽信息的当前矫正二维图像。

步骤307：根据保存的食材种类，二维图像与三维图像信息之间的对应关系，确定与当前食材的种类、当前矫正二维图像对应的当前三维图像信息。

步骤308：根据当前三维图像信息中携带的长宽信息以及厚度信息，确定当前食材的体积。

可见，本实施例中，对食材图像进行图像目标分割和图像识别，可确定食材的种类以及对应的掩膜图像，并进行对应的图像转化，可得到食材的三维图像信息，最后根据三维图像信息中携带的长宽信息以及厚度信息，识别出食材的体积，即进行图像处理即可识别出食材的体积，不需压力传感器或重量测量设备即可得到食材的体积，节省了硬件成本，并且，识别出食材的体积，为冰箱的智能化食材管理提供了数据支持，可进一步提高冰箱的食材智能化管理水平。

下述为本公开装置实施例，可以用于执行本公开方法实施例。

根据上述冰箱中食材体积识别的过程，可构建一种冰箱中食材体积识别的装置。

图4是根据一示例性实施例示出的一种冰箱中食材体积识别装置的框图。如图4所示，该装置包括：获取单元100、分割识别单元200、矫正单元300、转换单元400和体积识别单元500，其中，

获取单元100，用于通过图像采集设备，获取冰箱中当前食材的当前食材图像。

分割识别单元200，用于通过实例级分割算法，对当前食材图像进行分割和识别，生成当前食材图像的当前掩膜图像，以及识别出当前食材的种类。

矫正单元300，用于根据保存的图像采集设备的图像畸变矫正标定公式，得到与当前掩膜图像对应的携带长宽信息的当前矫正二维图像。

转换单元400，用于根据保存的食材种类，二维图像与三维图像信息之间的对应关系，确定与当前食材的种类、当前矫正二维图像对应的当前三维图像信息。

体积识别单元500，用于根据当前三维图像信息中携带的长宽信息以及厚度信息，确定当前食材的体积。

本发明一实施例中，分割识别单元200，具体用于将经过预处理操作的当前食材图像，输入到已训练的卷积神经网络中，获得对应的特征图像；确定特征图像中的每个像素点对应的多个第一候选感兴趣区域；将每个第一候选感兴趣区域输入区域提案网络中进行二值分类和图像边界框回归处理，得到与每个像素点对应的第二候选感兴趣区域；根据第二候选感兴趣区域，将当前食材图像和特征图像进行对齐处理，识别出当前食材的种类，并根据第二候选感兴趣区域的分类，以及图像边界框回归处理，生成当前食材图像的当前掩膜图像。

本发明一实施例中，该装置还包括：标定单元，用于获取图像采集设备的基准图上至少三个已选基准点的基准位置信息；获取图像采集设备的已知信息拍摄图上与每个已选基准点对应每个第一像素点的像素位置信息；根据基准位置信息和像素位置信息，得到图像采集设备的图像畸变矫正标定公式中的每个系数，并保存对应的图像畸变矫正标定公式。

本发明一实施例中，装置还包括：管理提示单元，用于根据当前食材的体积，进行当前食材的管理提示。

下面将装置结合到具体实施例中，举例说明本公开实施例提供的装置。

本实施例中，冰箱中已预先保存了如公式(1)所示的图像畸变矫正标定公式，也预先保存了食材种类，二维图像与三维图像信息之间的对应关系。

图5是根据一示例性实施例示出的一种冰箱中食材体积识别装置的框图。如图5所示，该装置包括：获取单元100、分割识别单元200、矫正单元300、转换单元400和体积识别单元500。还可包括：标定单元600和管理提示单元700。

其中，标定单元600已标定并保存了图像采集设备的图像畸变矫正标定公式，具体可用于获取图像采集设备的基准图上至少三个已选基准点的基准位置信息；获取图像采集设备的已知信息拍摄图上与每个已选基准点对应每个第一像素点的像素位置信息；根据基准位置信息和像素位置信息，得到图像采集设备的图像畸变矫正标定公式中的每个系数，并保存对应的图像畸变矫正标定公式。本实施例中，可通过三个已选基准点的基站位置信息，以及三个对应的像素点的像素位置信息，确定如公式(1)所示的图像畸变矫正标定公式。

这样，获取单元100可通过图像采集设备，获取冰箱中当前食材的当前食材图像。然后，分割识别单元200可将经过预处理操作的当前食材图像，输入到已训练的卷积神经网络中，获得对应的特征图像；确定特征图像中的每个像素点对应的多个第一候选感兴趣区域；将每个第一候选感兴趣区域输入区域提案网络中进行二值分类和图像边界框回归处理，得到与每个像素点对应的第二候选感兴趣区域；最后，根据第二候选感兴趣区域，将当前食材图像和特征图像进行对齐处理，识别出当前食材的种类，并根据第二候选感兴趣区域的分类，以及图像边界框回归处理，生成当前食材图像的当前掩膜图像。

而矫正单元300可根据保存的公式(1)，得到与当前掩膜图像对应的携带长宽信息的当前矫正二维图像。从而，转换单元400可根据保存的食材种类，二维图像与三维图像信息之间的对应关系，确定与当前食材的种类、当前矫正二维图像对应的当前三维图像信息。而体积识别单元500可根据当前三维图像信息中携带的长宽信息以及厚度信息，确定当前食材的体积。

本实施例中，管理提示单元700可可根据当前食材的体积，进行当前食材的管理提示。例如：给出食材较佳摆放位置的建议，或者，给出食材的分割使用建议，或者，给出食材的保鲜存储建议等等，即识别出食材的体积，为冰箱的智能化食材管理提供了数据支持，可进一步提高冰箱的食材智能化管理水平。

可见，本实施例中，不需要增加任何硬件设备，即可根据食材图像进行对应的图像处理，识别出食材的体积，节省了硬件成本，并识别出食材的体积，为冰箱的智能化食材管理提供了数据支持，可进一步提高冰箱的食材智能化管理水平。

本发明一实施例中，提供一种冰箱中食材体积识别的装置，用于冰箱，所述装置包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

通过图像采集设备，获取冰箱中当前食材的当前食材图像；

通过实例级分割算法，对所述当前食材图像进行分割和识别，生成所述当前食材图像的当前掩膜图像，以及识别出所述当前食材的种类；

根据保存的所述图像采集设备的图像畸变矫正标定公式，得到与所述当前掩膜图像对应的携带长宽信息的当前矫正二维图像；

根据保存的食材种类，二维图像与三维图像信息之间的对应关系，确定与所述当前食材的种类、所述当前矫正二维图像对应的当前三维图像信息；

根据所述当前三维图像信息中携带的长宽信息以及厚度信息，确定所述当前食材的体积。

本发明一实施例中，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述方法的步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的流程及结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。