疫情下的元宵节怎么过？借助AI给家人做顿团圆饭！

在往年的元宵节，我们会走出家门赏花灯、舞龙灯、猜灯谜，用火树银花的仪式迎接我们对未来的期望。2020年的元宵节，因为疫情，我们庆祝的方式或许要单薄一些，但做一桌美食和父母分享还是极好的。

厨艺精湛的小伙伴完全有能力施展才华，做出如上图般的美味佳肴。但做菜只知道放盐的“厨师”也不要着急，上微博搜索一下卖相比较棒的菜品，用AI软件识别一下，完全能估摸出个大概的配方。在这个不同寻常的“假期”借助AI的力量，磨练一下你的厨艺吧！

本文主要介绍两款菜谱识别软件，分别是：MIT的Pic2Recipe的AI系统、Facebook的菜谱识别AI系统。在最后会介绍相关技术原理，在家尚未返工返学的读者也可以试着编程实现。

MIT先行，Facebook垫后

MIT的这一款名为Pic2Recipe识别软件，开发于2017年，是卡塔尔计算研究所（QCRI，MIT最大的实验室）和加泰罗尼亚理工大学的联合研究的产品，基于一个名为Food-101的数据集，并在2014年瑞士科学家工作的基础上进行了改进。另外，他们还采用的了他们自己收集的Recipe1M的数据库，其内容包含超过一百万张的食物图片、以及它们对应的菜谱。

具操作步骤是：用户提交的照片被收藏到在线食谱中，并训练机器通过分析配料清单、烹饪说明和食品图像，来自动了解食物的制作方法。其中食谱从二十多个流行的烹饪网站上搜集而来，并通过一条流水线进行处理，从原始HTML中提取相关文本，下载图像的链接，并将数据组合成一个紧凑的JSON模式，其中每个被标记的数据具有唯一性。

经AI科技评论测试，目前这个软件的网页版已经下线，不过在当年，此项研究成果入选CVPR 2017，并且相关论文和代码已经开源。

相对于MIT的人工智能系统，Facebook在2019年推出开源AI则比较“先进”。相比之前的检索办法，Facebook换了一种新思路，将图像到配方问题公式化为条件生成问题。即：使用预先训练图像编码器和成分解码器，以图像及其相应的成分列表为条件生成指令序列，以此生产可能的菜谱。此系统是由安德里安·罗梅罗(Adrianna Romero)和其他几名在FAIR蒙特利尔实验室的研究人员一起开发的。并在大规模菜谱数据集上进行了评估，提高了与以前的成分预测方法基线相比的性能。总的来说能够通过输入食物图像来提供准备一顿饭的途径。

另外，该研究成果发表于CVPR 2019大会上，并把代码开源在了GitHub上。

数据集介绍对于机器学习模型训练，首要考虑的是数据集，拥有好的数据集，训练出来的模型往往有着好的表现。在上面提到的两个AI模型中，Pic2Recipe系统采用的是Recipe1M的数据集+ Food-101数据集。而Facebook的AI模型则是在Recipe1M的数据集上进行评估。

其中，Food-101数据集是包含101种食品类别的图像数据集，主要用于图像分类，它共有101,000张图像，平均每个类别拥有250张测试图像和750张训练图像。训练图像未经过数据清洗。所有图像都已经重新进行了尺寸缩放，最大边长达到了512像素。该数据集于2014年由斯坦福大学发布。

Recipe1M数据集体量庞大，内含100万烹饪食谱和1300万张食物图像，其中中国菜也包含在内。值得一提的是，这个数据库的最主要来源是大家在社交网络上晒出的食物图片。也就是说，你在微博、朋友圈的“放毒”推动了人工智能的发展；另外，对食谱数据的收集参考了多个食谱网站，包括All Recipes、Food.com，这一全球最大的食谱和食物网站之一。

图像到食谱背后的AI技术对于AI来说，从图片中推导出菜谱主要需要两方面的知识：一方面识别图片中的食物，具体包括食材和配料；另一方面则是推断出食材和配料的加工过程，是切块还是切丝，是凉拌还是水煮等等。传统方法倾向于将这一过程简化为匹配任务，MIT之前的Pic2Recipe模型就是这样做的。具体过程是：首先判断图片中食物和菜品，然后在数据库中搜索和匹配相应的菜谱。

如果没有准确的对应菜谱，就会匹配一个最相似的。这样的方法依赖大量的菜谱数据，而且缺乏灵活性和多样性。一旦出现数据库中不存在或长相不同的食物，其准确率就会大幅下降，难当大任。所以这次我们介绍一下Facebook的那篇论文所采用的深度学习模型。具体而言Facebook研究人员采用了一种新的思路，把从图片到菜谱的过程视为一个条件生成系统，输入食物图片，输出食物名称、食材配料表和烹饪步骤三种信息。图片和食谱之间更多的是推导、分析关系，而不是匹配关系。

菜谱生成模型的工作流程

从论文中得知，这个菜谱生成模型由四个主要部分构成，分别是提取图像特征的图像编码器，分析食材列表的食材解码器，预测食材加工过程的食材编码器和许多个生成烹饪步骤的解码器，其中用到了注意力机制和ResNet-50卷积神经网络模型等。

为了提高AI的表现，研究人员还对图像编码器和食材解码器进行了预训练。具体而言：给定具有相关成分的输入图像，通过指令Transformer产生指令序列R。

其中，标题被预测为第一条指令，解码器依赖于图像和食材的输入；然后通过ResNet-50提取图像表示，并通过解码器架构获得食材嵌入以预测食材，然后将单个嵌入层映射到固定大小的矢量中。其中指令解码器由Transformer块组成，每个Transformer块包含两个注意力层，后面跟着一个线性层。第一个注意力层对先前生成的输出应用自注意力，而第二层关注模型调节以改进自注意力输出。另外，Transformer模型由多个模块组成后跟线性层和softmax非线性。

Transformer模型

在成分解码中，论文中采用将食材作为列表和集合的方法，提出了一种新的食材预测架构，并利用食材之间的共同依赖性进行预测。

食谱逆推真的准确么？上述两个AI系统准确率都有待商榷，根据之前的报道Pic2Recipe准确率只有65%，而且一旦涉及中国菜就宕机。而Facebook的更加秀，可以接受和分析任何图片，但是能把月亮图片识别成“家常煎饼”，能把iPhone手机识别成“家常冰凝胶”，至于皮卡丘，AI认为应该改名叫“煎蛋”。。。

据相关研究者称，AI菜谱系统当前遇到的最大瓶颈其实还在于图片本身。因为在拍摄食物图像时，食物的呈现往往会受到拍摄状态的影响，比如角度、远近、摆放和灯光等因素，都有可能造成识别结果的不同。

而在模型方面，如果算力能够支持，集成准确率更高的系统完全不是问题，毕竟当前人脸识别系统已经能够达到95%的准确率。所以通过图像逆推菜谱在未来还有很大的进步空间，主要是数据集质量的改善。