餐盘运输方法、装置、电子设备和计算机可读介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及餐盘运输方法、装置、电子设备和计算机可读介质。

背景技术

通过识别出餐盘图像的餐盘属性信息组集，可以向用户终端运输符合用户需求的餐盘。目前，运输餐盘，通过采用的方式为：首先，基于目标检测模型识别出不同的餐盘，然后，通过全量梯度下降算法训练的餐盘属性信息模型识别出餐盘的餐盘属性信息组集，最后，将餐盘属性信息组集中满足用户需求的餐盘属性信息组对应的餐盘通过运输设备运输至用户终端。

然而，采用上述方式通常存在以下技术问题：

第一，通过目标检测模型识别出的餐盘中包括菜品，未考虑到菜品对餐盘属性信息的影响，导致对包括菜品的餐盘进行识别得到的餐盘属性信息组集的准确度较低，从而，导致通过运输设备向用户终端运输的餐盘不符合用户需求，造成浪费了运输设备的运输资源；

第二，通过全量梯度下降算法对餐盘属性信息模型进行调参时，由于每次训练都使用整个训练样本集，需要消耗大量的计算资源，导致浪费了计算资源；

第三，在目标检测模型进行训练时，使用训练样本包括的样本标签需要人为进行标注，导致样本标签的准确度较低，通过准确度较低的训练样本训练出的目标检测模型，识别出的餐盘属性信息组集的准确度较低，从而，导致通过运输设备向用户终端运输的餐盘不符合用户需求，造成浪费了运输设备的运输资源。

该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

发明内容

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。

本公开的一些实施例提出了餐盘运输方法、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。

第一方面，本公开的一些实施例提供了一种餐盘运输方法，该方法包括：获取餐盘图像；将上述餐盘图像输入至预先训练的分割掩码信息生成模型中，得到第一分割掩码信息组和第二分割掩码信息组；对上述第一分割掩码信息组和上述第二分割掩码信息组进行融合处理，以生成餐盘前景掩码集；基于上述餐盘图像和上述餐盘前景掩码集，生成餐盘前景图像集；将上述餐盘前景图像集中的餐盘前景图像输入至预先训练的餐盘属性信息生成模型中，以生成餐盘属性信息组，得到餐盘属性信息组集；响应于接收到用户终端发送的属性请求，控制相关联的运输设备将上述餐盘属性信息组集中、对应上述属性请求的餐盘属性信息组、对应的餐盘运输至上述用户终端。

第二方面，本公开的一些实施例提供了一种餐盘运输装置，装置包括：获取单元，被配置成获取餐盘图像；第一输入单元，被配置成将上述餐盘图像输入至预先训练的分割掩码信息生成模型中，得到第一分割掩码信息组和第二分割掩码信息组；融合单元，被配置成对上述第一分割掩码信息组和上述第二分割掩码信息组进行融合处理，以生成餐盘前景掩码集；生成单元，被配置成基于上述餐盘图像和上述餐盘前景掩码集，生成餐盘前景图像集；第二输入单元，被配置成将上述餐盘前景图像集中的餐盘前景图像输入至预先训练的餐盘属性信息生成模型中，以生成餐盘属性信息组，得到餐盘属性信息组集；控制单元，被配置成响应于接收到用户终端发送的属性请求，控制相关联的运输设备将上述餐盘属性信息组集中、对应上述属性请求的餐盘属性信息组、对应的餐盘运输至上述用户终端。

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。

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。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的餐盘运输方法，可以减少运输资源的浪费。具体来说，造成浪费了运输设备的运输资源的原因在于：通过目标检测模型识别出的餐盘中包括菜品，未考虑到菜品对餐盘属性信息的影响，导致对包括菜品的餐盘进行识别得到的餐盘属性信息组集的准确度较低，从而，导致通过运输设备向用户终端运输的餐盘不符合用户需求。基于此，本公开的一些实施例的餐盘运输方法，首先，获取餐盘图像。其次，将上述餐盘图像输入至预先训练的分割掩码信息生成模型中，得到第一分割掩码信息组和第二分割掩码信息组。由此，可以得到表征餐盘的各个第一分割掩码信息和表征菜品的各个第二分割掩码信息。接着，对上述第一分割掩码信息组和上述第二分割掩码信息组进行融合处理，以生成餐盘前景掩码集。由此，可以得到表征去除了菜品的餐盘的各个餐盘前景掩码。然后，基于上述餐盘图像和上述餐盘前景掩码集，生成餐盘前景图像集。由此，可以得到餐盘前景掩码对应的图像。之后，将上述餐盘前景图像集中的餐盘前景图像输入至预先训练的餐盘属性信息生成模型中，以生成餐盘属性信息组，得到餐盘属性信息组集。由此，可以通过餐盘属性信息生成模型得到餐盘前景图像集对应的餐盘属性信息组集，以便后续通过餐盘属性信息组集得到满足用户需求的餐盘。最后，响应于接收到用户终端发送的属性请求，控制相关联的运输设备将上述餐盘属性信息组集中、对应上述属性请求的餐盘属性信息组、对应的餐盘运输至上述用户终端。由此，可以将满足用户需求的餐盘通过运输设备运输至用户终端。从而，可以减少运输资源的浪费。

附图说明

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，原件和元素不一定按照比例绘制。

图1是根据本公开的餐盘运输方法的一些实施例的流程图；

图2是根据本公开的餐盘运输装置的一些实施例的结构示意图；

图3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

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。

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。

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。

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”。

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。

下面将参考附图并结合实施例来详细说明本公开。

参考图1，示出了根据本公开的餐盘运输方法的一些实施例的流程100。该餐盘运输方法，包括以下步骤：

步骤101，获取餐盘图像。

在一些实施例中，餐盘运输方法的执行主体(例如计算设备)可以通过有线连接或无线连接的方式从终端设备中获取餐盘图像。其中，上述餐盘图像可以是包括餐盘和菜品的图像。这里，菜品放置于餐盘上方。

步骤102，将餐盘图像输入至预先训练的分割掩码信息生成模型中，得到第一分割掩码信息组和第二分割掩码信息组。

在一些实施例中，上述执行主体可以将上述餐盘图像输入至预先训练的分割掩码信息生成模型中，得到第一分割掩码信息组和第二分割掩码信息组。其中，上述预先训练的分割掩码信息生成模型可以是以餐盘图像为输入，以第一分割掩码信息组和第二分割掩码信息组为输出的神经网络模型。第一分割掩码信息组中的第一分割掩码信息可以表征餐盘的二值掩码图。第二分割掩码信息组中的第二分割掩码信息可以表征菜品的二值掩码图。

可选地，预先训练的分割掩码信息生成模型可以是通过以下步骤训练得到的：

第一步，获取训练样本集。

在一些实施例中，上述执行主体可以通过有线连接或无线连接的方式从终端设备中获取训练样本集。其中，上述训练样本集中的训练样本包括：样本餐盘图像。

第二步，对上述训练样本集包括的每个样本餐盘图像进行标注处理，以生成样本分割掩码信息，得到样本分割掩码信息组。

在一些实施例中，上述执行主体可以对上述训练样本集包括的每个样本餐盘图像进行标注处理，以生成样本分割掩码信息，得到样本分割掩码信息组。其中，上述样本分割掩码信息组中的样本分割掩码信息可以包括但不限于以下至少一项：样本第一分割掩码信息组和样本第二分割掩码信息组。

第三步，确定初始分割掩码信息生成模型。

在一些实施例中，上述执行主体可以确定初始分割掩码信息生成模型。其中，上述初始分割掩码信息生成模型可以包括但不限于以下至少一项：初始第一分割掩码信息生成模型和初始第二分割掩码信息生成模型。

上述初始第一分割掩码信息生成模型可以是以样本餐盘图像为输入，以初始第一分割掩码信息组为输出的第一自定义模型。上述初始第一分割掩码信息组中的第一分割掩码信息可以表征通过初始第一分割掩码信息生成模型生成的表征餐盘的第一分割掩码信息。上述第一自定义模型可以包括三层：

第一层，输入层，用于将样本餐盘图像传递给第二层。

第二层，处理层，包括：初始第一餐盘分割模型和初始第二餐盘分割模型。上述初始第一餐盘分割模型可以是以样本餐盘图像为输入，以第一餐盘掩码信息组为输出的实例分割模型，上述初始第二餐盘分割模型可以是以样本餐盘图像为输入，以第二餐盘掩码信息组为输出的实例分割模型。上述第一餐盘掩码信息组中的第一餐盘掩码信息可以表征通过第一餐盘分割模型输出的表征餐盘的掩码图。上述第二餐盘掩码信息组中的第二餐盘掩码信息可以表征通过第二餐盘分割模型输出的表征餐盘的掩码图。例如，第一餐盘分割模型可以是Mask R-CNN(实例分割网络)模型。第二餐盘分割模型可以是Mask2Former(图像分割网络)模型。

第三层，输出层，用于选择初始第一餐盘分割模型或初始第二餐盘分割模型的输出作为整个第一自定义模型的输出。例如，当第一餐盘掩码信息组中的第一餐盘掩码信息的数量大于等于第二餐盘掩码信息组中第二餐盘掩码信息的数量时，将上述第一餐盘掩码信息组作为初始第一分割掩码信息组。当上述第一餐盘掩码信息组中第一餐盘掩码信息的数量小于上述第二餐盘掩码信息组中第二餐盘掩码信息的数量时，将上述第二餐盘掩码信息组作为初始第一分割掩码信息组。

上述初始第二分割掩码信息生成模型可以是以样本餐盘图像为输入，以初始第二分割掩码信息组为输出的第二自定义模型。上述初始第二分割掩码信息组中的第二分割掩码信息可以表征通过初始第二分割掩码信息生成模型生成的表征菜品的第二分割掩码信息。上述第二自定义模型可以包括三层：

第一层，输入层，用于将样本餐盘图像传递给第二层。

第二层，处理层，包括：初始第一菜品分割模型和初始第二菜品分割模型。初始第一菜品分割模型可以是以样本餐盘图像为输入，以第一菜品掩码信息组为输出的语义分割模型。初始第二菜品分割模型可以是以样本餐盘图像为输入，以第二菜品掩码信息组为输出的语义分割模型。第一菜品掩码信息组中的第一菜品掩码信息可以表征通过初始第一菜品分割模型输出的表征菜品的掩码图。第二菜品掩码信息组中的第二菜品掩码信息可以表征通过初始第二菜品分割模型输出的表征菜品的掩码图。例如，初始第一菜品分割模型可以是DeepLabV3(语义分割算法)模型。初始第二菜品分割模型可以是FCN(FullyConvolutional Networks，全卷积网络)模型。

第三层，输出层，用于选择初始第一菜品分割模型或初始第二菜品分割模型的输出作为整个第二自定义模型的输出。例如，当第一菜品掩码信息组中第一菜品掩码信息的数量大于等于第二菜品掩码信息组中第二菜品掩码信息的数量时，将第一菜品掩码信息组确定为初始第二分割掩码信息组。当第一菜品掩码信息组中第一菜品掩码信息的数量小于第二菜品掩码信息组中第二菜品掩码信息的数量时，将第二菜品掩码信息组确定为初始第二分割掩码信息组。

第四步，从上述训练样本集中选取训练样本。

在一些实施例中，上述执行主体可以从上述训练样本集中选取训练样本。实践中，上述执行主体可以随机从上述训练样本集中选取训练样本。

第五步，将上述训练样本包括的样本餐盘图像输入至上述初始第一分割掩码信息生成模型中，得到初始第一分割掩码信息组。

在一些实施例中，上述执行主体可以将上述训练样本包括的样本餐盘图像输入至上述初始第一分割掩码信息生成模型中，得到初始第一分割掩码信息组。

第六步，将上述训练样本包括的样本餐盘图像输入至上述初始第二分割掩码信息生成模型中，得到初始第二分割掩码信息组。

在一些实施例中，上述执行主体可以将上述训练样本包括的样本餐盘图像输入至上述初始第二分割掩码信息生成模型中，得到初始第二分割掩码信息组。

第七步，基于预设的第一分割损失函数，确定上述初始第一分割掩码信息组与上述训练样本对应的样本分割掩码信息包括的样本第一分割掩码信息组之间的第一分割差异值。

在一些实施例中，基于预设的第一分割损失函数，上述执行主体可以确定上述初始第一分割掩码信息组与上述训练样本对应的样本分割掩码信息包括的样本第一分割掩码信息组之间的第一分割差异值。其中，预设的第一损失函数可以是但不限于：均方误差损失函数(MSE)、交叉熵损失函数(CrossEntropy)、0-1损失函数、绝对值损失函数、log对数损失函数、平方损失函数、指数损失函数等。

第八步，基于预设的第二分割损失函数，确定上述初始第二分割掩码信息组与上述训练样本对应的样本分割掩码信息包括的样本第二分割掩码信息组之间的第二分割差异值。

在一些实施例中，基于预设的第二分割损失函数，上述执行主体可以确定上述初始第二分割掩码信息组与上述训练样本对应的样本分割掩码信息包括的样本第二分割掩码信息组之间的第二分割差异值。其中，预设的第二损失函数可以是但不限于：均方误差损失函数(MSE)、交叉熵损失函数(CrossEntropy)、0-1损失函数、绝对值损失函数、log对数损失函数、平方损失函数、指数损失函数等。

第九步，响应于确定上述第一分割差异值和上述第二分割差异值满足预设分割差异条件，调整上述初始分割掩码信息生成模型的网络参数。

在一些实施例中，上述执行主体可以响应于确定上述第一分割差异值和上述第二分割差异值满足预设分割差异条件，调整上述初始分割掩码信息生成模型的网络参数。其中，上述预设分割差异条件可以是上述第一分割差异值大于预设分割差异值以及上述第二分割差异值大于预设分割差异值。例如，可以对上述第一分割差异值和预设分割差异值求差值以及对上述第二分割差异值和预设分割差异值求差值。在此基础上，利用反向传播、随机梯度下降等方法将误差值从模型的最后一层向前传递，以调整每一层的参数。当然根据需要，也可以采用网络冻结(dropout)的方法，对其中的一些层的网络参数保持不变，不进行调整，对此，不做任何限定。其中，对于预设分割差异值的设定，不作限定，例如，预设分割差异值可以是0.1。

实践中，上述执行主体可以通过以下步骤对上述训练样本集包括的每个样本餐盘图像进行标注处理，以生成样本分割掩码信息：

第一步，响应于接收到用户终端发送的第一点击信息，执行以下标注子步骤：

第一子步骤，对第一点击信息和样本餐盘图像进行组合处理，以生成初始餐盘点击信息。其中，第一点击信息可以表征用户终端点击样本餐盘图像的情况。用户终端可以是点击餐盘图像以对餐盘图像进行标注得到分割掩码图的终端。例如，第一点击信息可以是二维稀疏矩阵。

第二子步骤，将初始餐盘点击信息输入至注意力模型中，得到初始餐盘注意力信息。其中，注意力模型可以是预先训练的以初始餐盘点击信息为输入，以初始餐盘注意力信息为输出的注意力模型。例如，注意力模型可以是Transformer(转换)模型。

第三子步骤，将初始餐盘注意力信息输入至分割掩码预测模型中，得到初始分割掩码图。其中，分割掩码预测模型可以是预先训练的以初始餐盘注意力信息为输入，以初始分割掩码图为输出的神经网络模型。例如，分割掩码预测模型可以是segmentation head(分割头)模型。例如，分割掩码预测模型可以包括：卷积层、归一化层、激活层。

第四子步骤，响应于接收到用户终端发送的餐盘完成信息，将初始分割掩码图确定为样本分割掩码信息。其中，餐盘完成信息可以表征用户终端确认初始分割掩码图已标注完成。

可选地，响应于接收到用户终端发送的第二点击信息，上述执行主体可以将第二点击信息确定为第一点击信息，以及可以将初始分割掩码图确定为样本餐盘图像，以供再次执行上述标注步骤。其中，第二点击信息可以表征用户终端点击初始分割掩码图的情况。例如，第二点击信息可以是二维稀疏矩阵。

由此，可以仅通过用户终端点击较少次数的样本餐盘图像，通过注意力模型和分割掩码预测模型得到较为准确的样本分割掩码信息。

步骤102中的可选的技术内容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三“造成浪费了运输设备的运输资源”。造成浪费了运输设备的运输资源的因素往往如下：在目标检测模型进行训练时，使用训练样本包括的样本标签需要人为进行标注，导致样本标签的准确度较低，通过准确度较低的训练样本训练出的目标检测模型，识别出的餐盘属性信息组集的准确度较低，从而，导致通过运输设备向用户终端运输的餐盘不符合用户需求。如果解决了上述因素，就能达到可以减少运输资源的浪费的效果。为了达到这一效果，首先，响应于接收到用户终端发送的第一点击信息，执行以下标注步骤：第一，对第一点击信息和样本餐盘图像进行组合处理，以生成初始餐盘点击信息。由此，可以得到初始餐盘点击信息，以便后续通过模型对样本餐盘图像进行标注。第二，将初始餐盘点击信息输入至注意力模型中，得到初始餐盘注意力信息。由此，可以通过注意力模型，得到较为准确的初始餐盘注意力信息。第三，将初始餐盘注意力信息输入至分割掩码预测模型中，得到初始分割掩码图。由此，可以通过分割掩码预测模型得到较为准确的初始分割掩码图。第四，响应于接收到用户终端发送的餐盘完成信息，将初始分割掩码图确定为样本分割掩码信息。由此，可以得到符合用户要求的较为准确的样本分割掩码信息。因此，可以通过注意力模型和分割掩码预测模型得到较为准确的作为分割掩码信息生成模型的样本标签的样本分割掩码信息。从而，可以训练出较为准确的分割掩码信息生成模型，以便通过较为准确的分割掩码信息生成模型得到较为准确的餐盘属性信息组集。进而，可以将满足用户需求的餐盘通过运输设备运输至用户终端。从而，可以减少运输资源的浪费。

可选地，响应于确定上述第一分割差异值和上述第二分割差异值不满足上述预设分割差异条件，将上述初始分割掩码信息生成模型确定为训练后的分割掩码信息生成模型。

在一些实施例中，上述执行主体可以响应于确定上述第一分割差异值和上述第二分割差异值不满足上述预设分割差异条件，将上述初始分割掩码信息生成模型确定为训练后的分割掩码信息生成模型。

步骤103，对第一分割掩码信息组和第二分割掩码信息组进行融合处理，以生成餐盘前景掩码集。

在一些实施例中，上述执行主体可以对上述第一分割掩码信息组和上述第二分割掩码信息组进行融合处理，以生成餐盘前景掩码集。

实践中，上述执行主体可以通过以下步骤对上述第一分割掩码信息组和上述第二分割掩码信息组进行融合处理，以生成餐盘前景掩码集：

第一步，对于上述第一分割掩码信息组中的每个第一分割掩码信息，对于上述第二分割掩码信息组中的每个第二分割掩码信息，响应于确定上述第一分割掩码信息和上述第二分割掩码信息满足预设对应条件，从上述第一分割掩码信息中去除上述第二分割掩码信息，得到餐盘前景掩码。其中，上述预设对应条件可以是第一分割掩码信息对应的餐盘所在位置与第二分割掩码信息对应的菜品所在位置相同。

第二步，将所得到的各个餐盘前景掩码确定为餐盘前景掩码集。

步骤104，基于餐盘图像和餐盘前景掩码集，生成餐盘前景图像集。

在一些实施例中，上述餐盘图像和上述餐盘前景掩码集，上述执行主体可以基于生成餐盘前景图像集。

实践中，上述餐盘图像和上述餐盘前景掩码集，上述执行主体可以通过以下步骤生成餐盘前景图像集：

第一步，对于上述餐盘前景掩码集中的每个餐盘前景掩码，基于上述餐盘前景掩码，从上述餐盘图像中选取餐盘前景图像。实践中，上述执行主体可以通过以下步骤基于上述餐盘前景掩码，从上述餐盘图像中选取餐盘前景图像：首先，从上述餐盘图像中选取上述餐盘前景掩码对应的图像作为初始餐盘前景图像。然后，将初始餐盘前景图像最外围的预设宽度的图像作为餐盘前景图像。其中，上述餐盘前景掩码对应的图像可以是餐盘图像中与餐盘前景掩码区域相同的图像。例如，上述预设宽度可以是但不限于1厘米。

由此，可以对餐盘前景掩码对应的初始餐盘前景图像进行进一步截取，得到只保留最外围的图像。从而，可以减少餐盘前景图像内侧边缘受菜品的影响，以便后续得到较为准确的餐盘属性信息组集。

第二步，将所选取的各个餐盘前景图像确定为餐盘前景图像集。

步骤105，将餐盘前景图像集中的餐盘前景图像输入至预先训练的餐盘属性信息生成模型中，以生成餐盘属性信息组，得到餐盘属性信息组集。

在一些实施例中，上述执行主体可以将上述餐盘前景图像集中的餐盘前景图像输入至预先训练的餐盘属性信息生成模型中，以生成餐盘属性信息组，得到餐盘属性信息组集。其中，上述预先训练的餐盘属性信息生成模型可以是以餐盘前景图像为输入，以餐盘属性信息组为输出的神经网络模型。这里，餐盘属性信息组集中的一个餐盘属性信息组可以对应一个餐盘。餐盘属性信息组集中的餐盘属性信息可以是但不限于以下至少一项：第一餐盘属性信息、第二餐盘属性信息。第一餐盘属性信息可以表征餐盘颜色。第二餐盘属性信息可以表征餐盘形状。

可选地，预先训练的餐盘属性信息生成模型可以是通过以下步骤训练得到的：

第一步，获取训练样本集。

在一些实施例中，上述执行主体可以通过有线连接或无线连接的方式从终端设备中获取训练样本集。其中，上述训练样本集中的训练样本包括：样本餐盘前景图像和样本餐盘属性信息组。样本餐盘属性信息组中的样本餐盘属性信息可以是但不限于以下至少一项：第一样本餐盘属性信息、第二样本餐盘属性信息。

第二步，确定初始餐盘属性信息生成模型。

在一些实施例中，上述执行主体可以确定初始餐盘属性信息生成模型。其中，上述初始餐盘属性信息生成模型包括：初始第一餐盘属性信息生成模型、初始第二餐盘属性信息生成模型和初始拼接模型。

上述初始第一餐盘属性信息生成模型可以是以样本餐盘前景图像为输入，以初始第一餐盘属性信息为输出的神经网络模型。上述初始第一餐盘属性信息可以是通过初始第一餐盘属性信息生成模型生成的表征餐盘颜色的信息。例如，上述初始第一餐盘属性信息生成模型可以是ResNet18(残差神经网络)模型。

上述初始第二餐盘属性信息生成模型可以是以样本餐盘前景图像为输入，以初始第二餐盘属性信息为输出的神经网络模型。上述初始第二餐盘属性信息可以是通过初始第二餐盘属性信息生成模型生成的表征餐盘形状的信息。例如，上述初始第二餐盘属性信息生成模型可以是MobileNetV2(计算机视觉网络)模型。

上述初始拼接模型可以用于：接收上述初始第一餐盘属性信息和上述初始第二餐盘属性信息，以及将上述初始第一餐盘属性信息和上述初始第二餐盘属性信息添加至初始餐盘属性信息组中。其中，上述初始餐盘属性信息组初始为空。

第三步，从上述训练样本集中选取训练样本。

在一些实施例中，上述执行主体可以从上述训练样本集中选取训练样本。实践中，上述执行主体可以随机从上述训练样本集中选取训练样本。

第四步，将上述训练样本包括的样本餐盘前景图像输入至上述初始第一餐盘属性信息生成模型中，得到初始第一餐盘属性信息。

在一些实施例中，上述执行主体可以将上述训练样本包括的样本餐盘前景图像输入至上述初始第一餐盘属性信息生成模型中，得到初始第一餐盘属性信息。

第五步，将上述训练样本包括的样本餐盘前景图像输入至上述初始第二餐盘属性信息生成模型中，得到初始第二餐盘属性信息。

在一些实施例中，上述执行主体可以将上述训练样本包括的样本餐盘前景图像输入至上述初始第二餐盘属性信息生成模型中，得到初始第二餐盘属性信息。

第六步，将上述初始第一餐盘属性信息和上述初始第二餐盘属性信息输入至上述初始拼接模型中，得到初始餐盘属性信息组。

在一些实施例中，上述执行主体可以将上述初始第一餐盘属性信息和上述初始第二餐盘属性信息输入至上述初始拼接模型中，得到初始餐盘属性信息组。

第七步，基于预设的属性损失函数，确定上述初始餐盘属性信息组与上述训练样本包括的样本餐盘属性信息组之间的属性差异值。

在一些实施例中，基于预设的属性损失函数，上述执行主体可以确定上述初始餐盘属性信息组与上述训练样本包括的样本餐盘属性信息组之间的属性差异值。其中，预设的属性损失函数可以是但不限于：均方误差损失函数(MSE)、交叉熵损失函数(CrossEntropy)、0-1损失函数、绝对值损失函数、log对数损失函数、平方损失函数、指数损失函数等。实践中，首先，上述执行主体可以基于上述属性损失函数，确定上述初始餐盘属性信息组包括的初始第一餐盘属性信息、与上述训练样本包括的样本餐盘属性信息组包括的第一样本餐盘属性信息、之间的第一差异值。然后，上述执行主体可以基于上述属性损失函数，确定上述初始餐盘属性信息组包括的初始第二餐盘属性信息、与上述训练样本包括的样本餐盘属性信息组包括的第二样本餐盘属性信息、之间的第二差异值。最后，上述执行主体可以将上述第一差异值和上述第二差异值的和确定为属性差异值。

第八步，响应于确定上述属性差异值大于预设属性差异值，调整上述初始餐盘属性信息生成模型的网络参数。

在一些实施例中，响应于确定上述属性差异值大于预设属性差异值，上述执行主体可以调整上述初始餐盘属性信息生成模型的网络参数。例如，可以对上述属性差异值和预设属性差异值求差值。在此基础上，利用反向传播、梯度下降等方法对上述初始餐盘属性信息生成模型的参数进行调整。需要说明的是，反向传播算法和梯度下降法是目前广泛研究和应用的公知技术，在此不再赘述。其中，对于预设属性差异值的设定，不作限定，例如，预设属性差异值可以是0.1。

实践中，响应于确定上述属性差异值大于预设属性差异值，对于上述初始餐盘属性信息生成模型包括的每个网络参数，上述执行主体可以执行以下调整子步骤：

第一子步骤，基于上述属性损失函数，生成属性梯度。实践中，上述执行主体可以通过以下公式生成属性梯度：

其中，g

第二子步骤，基于上述属性梯度和预设第一衰减系数，生成第一属性信息。实践中，上述执行主体可以通过以下公式生成第一属性信息：

x

其中，x

第三子步骤，基于上述属性梯度和预设第二衰减系数，生成第二属性信息。实践中，上述执行主体可以通过以下公式生成第二属性信息：

其中，y

第四子步骤，基于上述第一属性信息和上述第二属性信息，对上述网络参数进行调整处理，以生成目标网络参数。实践中，基于上述第一属性信息和上述第二属性信息，上述执行主体可以通过以下公式对上述网络参数进行调整处理，以生成目标网络参数：

其中，

第五子步骤，将上述目标网络参数作为初始餐盘属性信息生成模型包括的网络参数，再次执行上述调整步骤。

可选地，响应于确定上述属性差异值小于等于上述预设属性差异值，将上述初始餐盘属性信息生成模型确定为训练后的餐盘属性信息生成模型。

在一些实施例中，上述执行主体可以响应于确定上述属性差异值小于等于预设属性差异值，将上述初始餐盘属性信息生成模型确定为训练后的餐盘属性信息生成模型。

步骤105中的可选的技术内容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“导致浪费了计算资源”。导致浪费了计算资源的因素往往如下：通过全量梯度下降算法对餐盘属性信息模型进行调参时，由于每次训练都使用整个训练样本集，需要消耗大量的计算资源。如果解决了上述因素，就能达到可以减少计算资源的浪费的效果。为了达到这一效果，首先，基于上述属性损失函数，生成属性梯度。由此，可以得到属性梯度，以便后续生成第一属性信息和第二属性信息。其次，基于上述属性梯度和预设第一衰减系数，生成第一属性信息。接着，基于上述属性梯度和预设第二衰减系数，生成第二属性信息。由此，可以得到第一属性信息和第二属性信息，以便后续调整网络参数。然后，基于上述第一属性信息和上述第二属性信息，对上述网络参数进行调整处理，以生成目标网络参数。由此，可以得到调整后的网络参数。之后，将上述目标网络参数作为初始餐盘属性信息生成模型包括的网络参数，再次执行上述调整步骤。由此，可以将调整后的目标网络参数作为网络参数不断调整网络参数。因此，可以通过上述步骤来代替全量梯度下降算法来调整餐盘属性信息模型的网络参数。进而，在每次训练时可以使用训练样本集中的一个训练样本而非整个训练样本集。从而，可以减少计算资源的浪费。

步骤106，响应于接收到用户终端发送的属性请求，控制相关联的运输设备将餐盘属性信息组集中、对应属性请求的餐盘属性信息组、对应的餐盘运输至用户终端。

在一些实施例中，上述执行主体可以响应于接收到用户终端发送的属性请求，控制相关联的运输设备将上述餐盘属性信息组集中、对应上述属性请求的餐盘属性信息组、对应的餐盘运输至上述用户终端。这里，上述属性请求信息可以表征用户终端想要指定第一餐盘属性信息和指定第二餐盘属性信息的餐盘。例如，上述属性请求信息可以是：用户终端想要颜色为红色、形状为正方形的餐盘。上述相关联的运输设备可以是向用户终端运输餐盘的设备。例如，上述相关联的运输设备可以是但不限于：机械臂、传送带、升降托架。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的餐盘运输方法，可以减少运输资源的浪费。具体来说，造成浪费了运输设备的运输资源的原因在于：通过目标检测模型识别出的餐盘中包括菜品，未考虑到菜品对餐盘属性信息的影响，导致对包括菜品的餐盘进行识别得到的餐盘属性信息组集的准确度较低，从而，导致通过运输设备向用户终端运输的餐盘不符合用户需求。基于此，本公开的一些实施例的餐盘运输方法，首先，获取餐盘图像。其次，将上述餐盘图像输入至预先训练的分割掩码信息生成模型中，得到第一分割掩码信息组和第二分割掩码信息组。由此，可以得到表征餐盘的各个第一分割掩码信息和表征菜品的各个第二分割掩码信息。接着，对上述第一分割掩码信息组和上述第二分割掩码信息组进行融合处理，以生成餐盘前景掩码集。由此，可以得到表征去除了菜品的餐盘的各个餐盘前景掩码。然后，基于上述餐盘图像和上述餐盘前景掩码集，生成餐盘前景图像集。由此，可以得到餐盘前景掩码对应的图像。之后，将上述餐盘前景图像集中的餐盘前景图像输入至预先训练的餐盘属性信息生成模型中，以生成餐盘属性信息组，得到餐盘属性信息组集。由此，可以通过餐盘属性信息生成模型得到餐盘前景图像集对应的餐盘属性信息组集，以便后续通过餐盘属性信息组集得到满足用户需求的餐盘。最后，响应于接收到用户终端发送的属性请求，控制相关联的运输设备将上述餐盘属性信息组集中、对应上述属性请求的餐盘属性信息组、对应的餐盘运输至上述用户终端。由此，可以将满足用户需求的餐盘通过运输设备运输至用户终端。从而，可以减少运输资源的浪费。

进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种餐盘运输装置的一些实施例，这些餐盘运输装置实施例与图1所示的那些方法实施例相对应，该餐盘运输装置具体可以应用于各种电子设备中。

如图2所示，一些实施例的餐盘运输装置200包括：获取单元201、第一输入单元202、融合单元203、生成单元204、第二输入单元205和控制单元206。其中，获取单元201，被配置成获取餐盘图像；第一输入单元202，被配置成将上述餐盘图像输入至预先训练的分割掩码信息生成模型中，得到第一分割掩码信息组和第二分割掩码信息组；融合单元203，被配置成对上述第一分割掩码信息组和上述第二分割掩码信息组进行融合处理，以生成餐盘前景掩码集；生成单元204，被配置成基于上述餐盘图像和上述餐盘前景掩码集，生成餐盘前景图像集；第二输入单元205，被配置成将上述餐盘前景图像集中的餐盘前景图像输入至预先训练的餐盘属性信息生成模型中，以生成餐盘属性信息组，得到餐盘属性信息组集；控制单元206，被配置成响应于接收到用户终端发送的属性请求，控制相关联的运输设备将上述餐盘属性信息组集中、对应上述属性请求的餐盘属性信息组、对应的餐盘运输至上述用户终端。

可以理解的是，该餐盘运输装置200中记载的诸单元与参考图1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餐盘运输装置200及其中包含的单元，在此不再赘述。

下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备(例如计算设备)300的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3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。

如图3所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。

通常，以下装置可以连接至I/O接口305：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306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，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3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。

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309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM302被安装。在该计算机程序被处理装置301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。

需要说明的是，本公开的一些实施例中记载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。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，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。

上述计算机可读介质可以是上述电子设备中所包含的；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：获取餐盘图像；将上述餐盘图像输入至预先训练的分割掩码信息生成模型中，得到第一分割掩码信息组和第二分割掩码信息组；对上述第一分割掩码信息组和上述第二分割掩码信息组进行融合处理，以生成餐盘前景掩码集；基于上述餐盘图像和上述餐盘前景掩码集，生成餐盘前景图像集；将上述餐盘前景图像集中的餐盘前景图像输入至预先训练的餐盘属性信息生成模型中，以生成餐盘属性信息组，得到餐盘属性信息组集；响应于接收到用户终端发送的属性请求，控制相关联的运输设备将上述餐盘属性信息组集中、对应上述属性请求的餐盘属性信息组、对应的餐盘运输至上述用户终端。

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一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)。

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。

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、第一输入单元、融合单元、生成单元、第二输入单元和控制单元。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“获取餐盘图像”。

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)等等。

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案。