健身方案推荐方法、装置及设备与流程

1.本技术涉及信息推荐领域，更具体地说，涉及一种健身方案推荐方法、装置及设备。


背景技术：

2.居家健身已经成为了社会常态。越来越多的用户在家中使用跑步机、瑜伽垫及杠铃等健身器材进行健身，以维护身体健康。
3.为了更好地利用各个健身器材，避免肌肉拉伤，多数用户需要搜寻使用健身器材的视频或者使用健身器材的方案。但市面上的健身器材种类较多，以至于有关使用健身器材的相关视频亦让人眼花缭乱，使得用户难以从大量的健身视频中，选取家中存在的健身器材的相关视频。


技术实现要素：

4.有鉴于此，本技术提供了一种健身方案推荐方法、装置及设备，用于解决用户难以从大量的健身视频中，选取家中存在的健身器材的相关视频的缺点。
5.为了实现上述目的，现提出的方案如下：
6.一种健身方案推荐方法，包括：
7.利用包含有嵌入式神经网络处理器npu的ai摄像头，采集物品图像；
8.利用预训练的卷积神经网络模型r-cnn以及多个svm二分类器，确定表明所述物品图像所包含的健身器材类型的分类结果；
9.根据所述分类结果，调用与所述分类结果匹配的健身器材图像；
10.根据所述健身器材图像，确定所述分类结果是否无误；
11.若所述分类结果无误，则推荐与所述健身器材类型匹配的健身方案。
12.可选的，所述利用包含有嵌入式神经网络处理器npu的ai摄像头，采集物品图像，包括：
13.利用包含有npu的ai摄像头，生成照片；
14.利用包含有npu的ai摄像头，对所述照片进行图像滤波，得到滤波后的照片；
15.利用包含有npu的ai摄像头，对所述滤波后的照片进行识别，得到绘制有多个边界框的目标图像，每个所述边界框用于标记所述目标图像中的感兴趣区域；
16.利用包含有npu的ai摄像头，对所述目标图像进行区域提取，得到多个包含有边界框的物品图像。
17.可选的，利用包含有npu的ai摄像头，对所述目标图像进行区域提取，得到多个包含有边界框的物品图像，包括：
18.利用包含有npu的ai摄像头，根据所述目标图像的边缘、纹理变化、及颜色变化，对所述目标图像进行区域提取，得到多个包含有边界框的物品图像。
19.可选的，所述利用预训练的卷积神经网络模型r-cnn以及多个svm二分类器，确定
表明所述物品图像所包含的健身器材类型的分类结果，包括：
20.利用所述r-cnn提取每个所述物品图像中每个所述感兴趣区域的特征向量；
21.将每个所述感兴趣区域的特征向量输入至各个所述svm二分类器中，得到所述感兴趣区域对应的分类结果，所述分类结果中包含健身器材类型；
22.计算各个所述感兴趣区域中各个边界框的iou分数；
23.选取iou分数最高的边界框作为目标边界框；
24.将所述目标边界框对应的分类结果作为所述物品图像的分类结果。
25.可选的，所述计算各个所述感兴趣区域中各个边界框的iou分数，包括：
26.利用非最大抑制算法，计算各个所述感兴趣区域中的各个边界框的iou分数。
27.可选的，根据所述健身器材图像，确定所述分类结果是否无误，包括：
28.将所述健身器材图像与所述目标边界框的感兴趣区域进行比对，得到图像相似度；
29.在所述图像相似度超过阈值时，确定所述分类结果无误。
30.可选的，推荐与所述健身器材类型匹配的健身方案，包括：
31.推荐与所述健身器材类型匹配的多个健身方案，每个所述健身方案包括健身视频、训练部位及训练功能。
32.可选的，述r-cnn的训练过程包括：
33.确定初始r-cnn、包含有各类型健身器材图像的训练集及验证集；
34.利用所述训练集中的健身器材图像对初始r-cnn进行迭代训练；
35.利用所述验证集对迭代训练后的初始r-cnn的准确性进行验证，选取准确度最高的初始r-cnn作为训练后的r-cnn。
36.一种健身方案推荐装置，包括：
37.获取单元，用于利用包含有嵌入式神经网络处理器npu的ai摄像头，采集物品图像；
38.利用单元，用于利用预训练的卷积神经网络模型r-cnn以及多个svm二分类器，确定表明所述物品图像所包含的健身器材类型的分类结果；
39.调用单元，用于根据所述分类结果，调用与所述分类结果匹配的健身器材图像；
40.确定单元，用于根据所述健身器材图像，确定所述分类结果是否无误；
41.推荐单元，用于若所述分类结果无误，则推荐与所述健身器材类型匹配的健身方案。
42.一种设备，包括存储器和处理器；
43.所述存储器，用于存储程序；
44.所述处理器，用于执行所述程序，实现上述的健身方案推荐方法的各个步骤。
45.从上述的技术方案可以看出，本技术提供的健身方案推荐方法，该方法可以利用包含有嵌入式神经网络处理器npu的ai摄像头，采集物品图像，利用预训练的卷积神经网络模型r-cnn以及多个svm二分类器，确定表明所述物品图像所包含的健身器材类型的分类结果；如此，本技术可以确定用户家庭中所存在的健身器材的类型；随后，可以根据所述分类结果，调用与所述分类结果匹配的健身器材图像；根据所述健身器材图像，确定所述分类结果是否无误；若所述分类结果无误，则推荐与所述健身器材类型匹配的健身方案。如此，本
申请可以验证确定健身器材的类型是否无误，在确定无误后，再针对性地根据用户家庭中所存在的健身器材的类型推荐健身方案，提高健身方案的推荐准确度以及健身方案的推荐采纳成功率。可见，本技术可以针对性地根据各个用户的家庭中所包含的健身器材，对健身方案进行推荐，简化用户选取健身方案的时间，降低用户选取健身方案的难度。
附图说明
46.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
47.图1为本技术实施例公开的一种健身方案推荐方法流程图；
48.图2为本技术实施例公开的一种健身方案推荐装置结构框图；
49.图3为本技术实施例公开的一种健身方案推荐设备的硬件结构框图。
具体实施方式
50.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
51.接下来结合图1对本技术的健身方案推荐方法进行详细介绍，包括如下步骤：
52.步骤s1、利用包含有嵌入式神经网络处理器npu的ai摄像头，采集物品图像。
53.具体地，npu(neural-network process units，嵌入式神经网络处理器)，采用“数据驱动并行计算”的架构,特别擅长处理视频、图像类的海量多媒体数据。
54.可以利用包含有npu的ai摄像头摄像头采集的可视范围内的照片，并对照片进行处理，得到物品图像。
55.其中，照片的采集及处理经过用户的授权。
56.步骤s2、利用预训练的卷积神经网络模型r-cnn以及多个svm二分类器，确定表明所述物品图像所包含的健身器材类型的分类结果。
57.具体地，r-cnn为卷积神经网络模型。
58.svm二分类器(support vector machine，支持向量机)是用来解决二分类问题的有监督学习算法。
59.可以预先训练r-cnn及多个svm二分类器。
60.利用r-cnn对物品图像进行特征向量的提取，将提取的特征向量输入至svm二分类器中，对物品图像进行分类。
61.分类结果可以通过健身器材的标识表明健身器材类型。
62.步骤s3、根据所述分类结果，调用与所述分类结果匹配的健身器材图像。
63.具体地，可以预先获取多个种类的健身器材图像，将各个健身器材图像与各个健身器材的标识对应存储。
64.可以根据分类结果中的标识，调用与该标识对应的健身器材图像。
65.步骤s4、根据所述健身器材图像，确定所述分类结果是否无误，若所述分类结果无误，则执行步骤s5。
66.具体地，可以根据健身器材图像验证分类结果的准确度，例如，可以验证物品图像中是否包含该健身器材图像。
67.当分类结果中包含多个健身器材类型时，可以选取每个健身器材类型对应的健身器材图像。
68.在准确度较高时，可以执行步骤s5。
69.步骤s5、推荐与所述健身器材类型匹配的健身方案。
70.具体地，可以搜寻与健身器材类型匹配的一个以上的健身方案，将健身方案推荐显示。
71.其中，健身方案可以包括健身视频、健身音频和/或健身文字版讲解。
72.从上述的技术方案可以看出，本技术实施例提供的健身方案推荐方法，该方法可以利用包含有嵌入式神经网络处理器npu的ai摄像头，采集物品图像，利用预训练的卷积神经网络模型r-cnn以及多个svm二分类器，确定表明所述物品图像所包含的健身器材类型的分类结果；如此，本技术可以确定用户家庭中所存在的健身器材的类型；随后，可以根据所述分类结果，调用与所述分类结果匹配的健身器材图像；根据所述健身器材图像，确定所述分类结果是否无误；若所述分类结果无误，则推荐与所述健身器材类型匹配的健身方案。如此，本技术可以验证确定健身器材的类型是否无误，在确定无误后，再针对性地根据用户家庭中所存在的健身器材的类型推荐健身方案，提高健身方案的推荐准确度以及健身方案的推荐采纳成功率。可见，本技术可以针对性地根据各个用户的家庭中所包含的健身器材，对健身方案进行推荐，简化用户选取健身方案的时间，降低用户选取健身方案的难度。
73.进一步地，在本技术的一些实施例中，健身方案可以包括健身视频、训练部位及训练功能，还可以包括该健身方案属于无氧运动或者属于有氧运动。
74.在本技术的一些实施例中，对步骤s2、利用包含有嵌入式神经网络处理器npu的ai摄像头，采集物品图像的过程进行详细说明，步骤如下：
75.s20、利用包含有npu的ai摄像头，生成照片。
76.具体地，可以利用包含有npu的ai摄像头，拍摄可视范围内的照片。
77.s21、利用包含有npu的ai摄像头，对所述照片进行图像滤波，得到滤波后的照片。
78.具体地，为了降低图像噪声，增强图像画质，可以对照片进行图像滤波，得到滤波后的物品图像。
79.s22、利用包含有npu的ai摄像头，对所述滤波后的照片进行识别，得到绘制有多个边界框的目标图像，每个所述边界框用于标记所述目标图像中的感兴趣区域。
80.具体地，可以识别滤波后的照片，确定照片的各个感兴趣区域。
81.可以利用边界框，对照片中的每个感兴趣区域进行标记，标记后得到目标图像。
82.s23、利用包含有npu的ai摄像头，对所述目标图像进行区域提取，得到多个包含有边界框的物品图像。
83.具体地，可以根据目标图像的特征信息，对目标图像进行区域提取，得到2000个包含有边界框的区域子集。
84.对各个区域子集进行尺寸处理，将各个区域子集重塑为同一尺寸，修订后的区域
子集为物品图像。
85.从上述技术方案可以看出，本实施例提供了一种利用预训练的卷积神经网络模型r-cnn以及多个svm二分类器，确定表明所述物品图像所包含的健身器材类型的分类结果的可选的方式，通过上述的过程，本技术可以对物品图像进行预处理，并将预处理后的物品图像分为多个感兴趣区域，再利用感兴趣区域确定分类结果，感兴趣区域的信息量低于物品图像，分析感兴趣区域的难度低于分析物品图像，分析难度的降低，进一步提高了分类结果的可靠性，以及进一步加快了分类结果的速率。
86.在本技术的一些实施例中，对步骤s23、利用包含有npu的ai摄像头，对所述目标图像进行区域提取，得到多个包含有边界框的物品图像的过程进行详细说明，步骤如下：
87.s230、利用包含有npu的ai摄像头，根据所述目标图像的边缘、纹理变化、及颜色变化，对所述目标图像进行区域提取，得到多个包含有边界框的物品图像。
88.具体地，可以利用npu的中的selective search算法分析所述目标图像的边缘、纹理特征信息及颜色特征信息，对目标图像进行区域分割，得到各个物品图像，且多个物品图像中包含有一个以上完整的边界框。
89.从上述技术方案可以看出，本实施例提供了一种获取各个物品图像的可选的方式。通过上述的方式，可以根据目标图像的边缘、纹理特征信息及颜色特征信息进行区域分割，能够更好地对目标图像进行区域分割，从而，更好地对物品图像进行分类。
90.在本技术的一些实施例中，对步骤s2、利用预训练的卷积神经网络模型r-cnn以及多个svm二分类器，确定表明所述物品图像所包含的健身器材类型的分类结果的过程进行详细说明，步骤如下：
91.s230、利用所述r-cnn提取每个所述物品图像中每个所述感兴趣区域的特征向量。
92.具体地，可以将各个物品图像输入至r-cnn，得到r-cnn输出的每个感兴趣区域中每个所述感兴趣区域的特征向量。
93.s231、将每个所述感兴趣区域的特征向量输入至各个所述svm二分类器中，得到所述感兴趣区域对应的分类结果，所述分类结果中包含健身器材类型。
94.具体地，可以将每个感兴趣区域对应的特征向量作为各个svm二分类器的输入，得到各个svm二分类器输出的该感兴趣区域的分类结论。
95.根据各个svm二分类器输出的该感兴趣区域的分类结论，可以确定该感兴趣区域对应的分类结果。
96.各个svm二分类器与各个类型的健身器材一一对应，每个svm二分类器可以用于确定各个感兴趣区域是否为该svm二分类器对应的健身器材的图像。
97.s232、计算各个所述感兴趣区域中各个边界框的iou分数。
98.具体地，可以计算每个边界框的iou分数。
99.iou分数可以用于移除高重叠的边界框。
100.s233、选取iou分数最高的边界框作为目标边界框。
101.具体地，可以选取置信度最高的边界框作为目标边界框，置信度最高的边界框即为iou分数最高的边界框，以便移除高重叠的边界框。
102.需要说明的是，可以选取出一个或多个目标边界框。
103.s234、将所述目标边界框对应的分类结果作为所述物品图像的分类结果。
104.具体地，可以将目标边界框标记的感兴趣区域的分类结果作为物品图像的分类结果。
105.从上述技术方案可以看出，本实施例提供了一种确定物品图像分类结果的可选的方式，通过上述的方式，可以利用边界框从各个感兴趣区域的分类结果中筛选出置信度较高的分类结果，从而，提高本技术分类结果的可靠性。
106.进一步地，在本技术的一些实施例中，可以利用非最大抑制算法，计算各个所述感兴趣区域中的各个边界框的iou分数。
107.在本技术的一些实施例中，对步骤s4、根据所述健身器材图像，确定所述分类结果是否无误的过程进行详细说明，步骤如下：
108.s40、将所述健身器材图像与所述目标边界框的感兴趣区域进行比对，得到图像相似度。
109.具体地，可以确定置信度较高的目标编辑框所标记的目标感兴趣区域。
110.可以将目标感兴趣区域与健身器材图像进行比对，确定目标感兴趣区域与健身器材图像间的相似度，并将目标感兴趣区域与健身器材图像间的相似度作为图像相似度。
111.s41、在所述图像相似度超过阈值时，确定所述分类结果无误。
112.具体地，可以预先根据实际需求设置阈值，一般地，阈值可以设置为70％。
113.在图像相似度超过预置的阈值时，可以确定分类结果无误。
114.从上述技术方案可以看出，本实施例提供了一种确定分类结果是否无误的可选的方式，通过上述的方式可以提高本技术分类结果的可靠性，从而，提高推荐的采纳性。
115.在本技术的一些实施例中，对训练r-cnn的过程进行详细说明，步骤如下：
116.s6、确定初始r-cnn、包含有各类型健身器材图像的训练集及验证集。
117.具体地，可以确定未经训练的初始r-cnn。
118.可以采集包含有各个类型的健身器材图像，且每个类型的健身器材图像的数量为两张以上。
119.按照一定的比例，可以将各个健身器材图像分为训练集以及验证集。
120.s7、利用所述训练集中的健身器材图像对初始r-cnn进行迭代训练。
121.具体地，可以利用训练集中的健身器材图像对初始r-cnn进行迭代训练，并建立每个迭代训练后的初始r-cnn建立对应的标识，同时，读取每个迭代训练后的初始r-cnn的权重参数。
122.通过r-cnn中的卷积层，先选择一个局部区域filter去扫描整张输入图像，局部区域所圈起来的所有节点和filter做乘法累加操作再连接到下一层的一个节点上，提取特征；池化层压缩卷积层卷积下来的图像压缩减小过拟合；利用反向传播算法修正全连接层的参数和阈值以及之前卷积层filter的权重；全连接层把卷积层和池化层的输出作为特征值输出，保留输入图像的多维信息，提高r-cnn提取特征向量的精度。
123.s8、利用所述验证集对迭代训练后的初始r-cnn的准确性进行验证，选取准确度最高的初始r-cnn作为训练后的r-cnn。
124.具体地，利用验证集对每个迭代训练后的初始r-cnn的准确性进行验证，直至准确度符合预先设置的准确度阈值，并将准确度最高的初始r-cnn作为训练后的r-cnn。
125.可以预先根据精度度需求，设置准确度阈值。
126.从上述技术方案可以看出，本实施例提供了一种训练r-cnn的可选的方式，通过上述的方式可以进一步提高r-cnn的提取特征向量的精度，从而，提高本技术分类结果的准确度。
127.在本技术的一些实施例中，对获取多个svm二分类器的过程进行详细说明，步骤如下：
128.s9、生成多个初始svm二分类器，建立各个初始svm二分类器与各个健身器材的一一对应关系。
129.s10、获取每个初始svm二分类器对应的训练集及验证集，训练集及验证集中包含有多张与所述初始svm二分类器对应的健身器材的图像。
130.s11、利用所述训练集中的健身器材图像对所述初始svm二分类器进行迭代训练，并建立每个迭代训练后的初始svm二分类器建立对应的标识，记录每个迭代训练后的初始svm二分类器的权重参数。
131.s12、利用所述验证集对每个所述迭代训练后的初始svm二分类器进行准确度验证，选取准确度最高的初始svm二分类器作为训练后的svm二分类器。
132.接下来，将对本技术提供的健身方案推荐装置进行详细介绍，下文提供的健身方案推荐装置可以与上文提供的健身方案推荐方法相互参照。
133.参见图2，本技术的健身方案推荐装置可以包括：
134.获取单元1，用于利用包含有嵌入式神经网络处理器npu的ai摄像头，采集物品图像；
135.利用单元2，用于利用预训练的卷积神经网络模型r-cnn以及多个svm二分类器，确定表明所述物品图像所包含的健身器材类型的分类结果；
136.调用单元3，用于根据所述分类结果，调用与所述分类结果匹配的健身器材图像；
137.确定单元4，用于根据所述健身器材图像，确定所述分类结果是否无误；
138.推荐单元5，用于若所述分类结果无误，则推荐与所述健身器材类型匹配的健身方案。
139.可选的，获取单元可以包括：
140.照片生成单元，用于利用包含有npu的ai摄像头，生成照片；
141.物品图像滤波单元，用于利用包含有npu的ai摄像头，对所述照片进行图像滤波，得到滤波后的照片；
142.物品图像识别单元，用于利用包含有npu的ai摄像头，对所述滤波后的照片进行识别，得到绘制有多个边界框的目标图像，每个所述边界框用于标记所述目标图像中的感兴趣区域；
143.区域提取单元，用于利用包含有npu的ai摄像头，对所述目标图像进行区域提取，得到多个包含有边界框的物品图像。
144.可选的，区域提取单元可以包括：
145.第一区域提取单元，用于利用包含有npu的ai摄像头，根据所述目标图像的边缘、纹理变化、及颜色变化，对所述目标图像进行区域提取，得到多个包含有边界框的物品图像。
146.可选的，利用单元可以包括：
147.特征向量提取单元，用于利用所述r-cnn提取每个所述物品图像中每个所述感兴趣区域的特征向量；
148.特征向量输入单元，用于将每个所述感兴趣区域的特征向量输入至各个所述svm二分类器中，得到所述感兴趣区域对应的分类结果，所述分类结果中包含健身器材类型；
149.分数计算单元，用于计算各个所述感兴趣区域中各个边界框的iou分数；
150.边界框选取单元，用于选取iou分数最高的边界框作为目标边界框；
151.分类结果选取单元，用于将所述目标边界框对应的分类结果作为所述物品图像的分类结果。
152.可选的，分数计算单元可以包括：
153.第一分数计算单元，用于利用非最大抑制算法，计算各个所述感兴趣区域中的各个边界框的iou分数。
154.可选的，确定单元可以包括：
155.第一确定单元，用于将所述健身器材图像与所述目标边界框的感兴趣区域进行比对，得到图像相似度；
156.第二确定单元，用于在所述图像相似度超过阈值时，确定所述分类结果无误。
157.可选的，推荐单元可以包括：
158.第一推荐单元，用于推荐与所述健身器材类型匹配的多个健身方案，每个所述健身方案包括健身视频、训练部位及训练功能。
159.可选的，健身方案推荐装置还可以包括：
160.训练集确定单元，用于确定初始r-cnn、包含有各类型健身器材图像的训练集及验证集；
161.训练集利用单元，用于利用所述训练集中的健身器材图像对初始r-cnn进行迭代训练；
162.验证集利用单元，用于利用所述验证集对迭代训练后的初始r-cnn的准确性进行验证，选取准确度最高的初始r-cnn作为训练后的r-cnn。
163.本技术实施例提供的可应用于健身方案推荐设备，如pc终端、云平台、服务器及服务器集群等。可选的，图3示出了健身方案推荐设备的硬件结构框图，参照图3，健身方案推荐设备的硬件结构可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；
164.在本技术实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；
165.处理器1可能是一个中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；
166.存储器3可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)等，例如至少一个磁盘存储器；
167.其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：
168.利用包含有嵌入式神经网络处理器npu的ai摄像头，采集物品图像；
169.利用预训练的卷积神经网络模型r-cnn以及多个svm二分类器，确定表明所述物品
图像所包含的健身器材类型的分类结果；
170.根据所述分类结果，调用与所述分类结果匹配的健身器材图像；
171.根据所述健身器材图像，确定所述分类结果是否无误；
172.若所述分类结果无误，则推荐与所述健身器材类型匹配的健身方案。
173.可选地，所述程序的细化功能和扩展功能可参照上文描述。
174.本技术实施例还提供一种可读存储介质，该可读存储介质可存储有适于处理器执行的程序，所述程序用于：
175.利用包含有嵌入式神经网络处理器npu的ai摄像头，采集物品图像；
176.利用预训练的卷积神经网络模型r-cnn以及多个svm二分类器，确定表明所述物品图像所包含的健身器材类型的分类结果；
177.根据所述分类结果，调用与所述分类结果匹配的健身器材图像；
178.根据所述健身器材图像，确定所述分类结果是否无误；
179.若所述分类结果无误，则推荐与所述健身器材类型匹配的健身方案。
180.可选地，所述程序的细化功能和扩展功能可参照上文描述。
181.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种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、物品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，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
182.本说明书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。
183.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。本技术的各个实施例之间可以相互结合。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种健身方案推荐方法，其特征在于，包括：利用包含有嵌入式神经网络处理器npu的ai摄像头，采集物品图像；利用预训练的卷积神经网络模型r-cnn以及多个svm二分类器，确定表明所述物品图像所包含的健身器材类型的分类结果；根据所述分类结果，调用与所述分类结果匹配的健身器材图像；根据所述健身器材图像，确定所述分类结果是否无误；若所述分类结果无误，则推荐与所述健身器材类型匹配的健身方案。2.根据权利要求1所述的健身方案推荐方法，其特征在于，所述利用包含有嵌入式神经网络处理器npu的ai摄像头，采集物品图像，包括：利用包含有npu的ai摄像头，生成照片；利用包含有npu的ai摄像头，对所述照片进行图像滤波，得到滤波后的照片；利用包含有npu的ai摄像头，对所述滤波后的照片进行识别，得到绘制有多个边界框的目标图像，每个所述边界框用于标记所述目标图像中的感兴趣区域；利用包含有npu的ai摄像头，对所述目标图像进行区域提取，得到多个包含有边界框的物品图像。3.根据权利要求2所述的健身方案推荐方法，其特征在于，利用包含有npu的ai摄像头，对所述目标图像进行区域提取，得到多个包含有边界框的物品图像，包括：利用包含有npu的ai摄像头，根据所述目标图像的边缘、纹理变化、及颜色变化，对所述目标图像进行区域提取，得到多个包含有边界框的物品图像。4.根据权利要求2所述的健身方案推荐方法，其特征在于，所述利用预训练的卷积神经网络模型r-cnn以及多个svm二分类器，确定表明所述物品图像所包含的健身器材类型的分类结果，包括：利用所述r-cnn提取每个所述物品图像中每个所述感兴趣区域的特征向量；将每个所述感兴趣区域的特征向量输入至各个所述svm二分类器中，得到所述感兴趣区域对应的分类结果，所述分类结果中包含健身器材类型；计算各个所述感兴趣区域中各个边界框的iou分数；选取iou分数最高的边界框作为目标边界框；将所述目标边界框对应的分类结果作为所述物品图像的分类结果。5.根据权利要求4所述的健身方案推荐方法，其特征在于，所述计算各个所述感兴趣区域中各个边界框的iou分数，包括：利用非最大抑制算法，计算各个所述感兴趣区域中的各个边界框的iou分数。6.根据权利要求4所述的健身方案推荐方法，其特征在于，根据所述健身器材图像，确定所述分类结果是否无误，包括：将所述健身器材图像与所述目标边界框的感兴趣区域进行比对，得到图像相似度；在所述图像相似度超过阈值时，确定所述分类结果无误。7.根据权利要求1所述的健身方案推荐方法，其特征在于，推荐与所述健身器材类型匹配的健身方案，包括：推荐与所述健身器材类型匹配的多个健身方案，每个所述健身方案包括健身视频、训练部位及训练功能。
8.根据权利要求1所述的健身方案推荐方法，其特征在于，所述r-cnn的训练过程包括：确定初始r-cnn、包含有各类型健身器材图像的训练集及验证集；利用所述训练集中的健身器材图像对初始r-cnn进行迭代训练；利用所述验证集对迭代训练后的初始r-cnn的准确性进行验证，选取准确度最高的初始r-cnn作为训练后的r-cnn。9.一种健身方案推荐装置，其特征在于，包括：获取单元，用于利用包含有嵌入式神经网络处理器npu的ai摄像头，采集物品图像；利用单元，用于利用预训练的卷积神经网络模型r-cnn以及多个svm二分类器，确定表明所述物品图像所包含的健身器材类型的分类结果；调用单元，用于根据所述分类结果，调用与所述分类结果匹配的健身器材图像；确定单元，用于根据所述健身器材图像，确定所述分类结果是否无误；推荐单元，用于若所述分类结果无误，则推荐与所述健身器材类型匹配的健身方案。10.一种健身方案推荐设备，其特征在于，包括存储器和处理器；所述存储器，用于存储程序；所述处理器，用于执行所述程序，实现如权利要求1-8中任一项所述的健身方案推荐方法的各个步骤。

技术总结
本申请公开了一种健身方案推荐方法、装置及设备，该方法可获取摄像头拍摄的物品图像，利用R-CNN以及多个SVM二分类器，确定表明物品图像所包含的健身器材类型的分类结果；如此，可确定用户家庭中所存在的健身器材的类型；根据分类结果，调用与分类结果匹配的健身器材图像；根据健身器材图像，确定分类结果是否无误；若分类结果无误，则推荐与健身器材类型匹配的健身方案。如此，可针对性地根据用户家庭中所存在的健身器材的类型推荐健身方案，提高健身方案的推荐准确度以及健身方案的推荐采纳成功率。可见，本申请针对性地根据各个用户的家庭中所包含的健身器材，对健身方案进行推荐，简化用户选取健身方案的时间，降低用户选取健身方案的难度。身方案的难度。身方案的难度。


技术研发人员：王增辉 邓钱咏 郭健
受保护的技术使用者：天翼数字生活科技有限公司
技术研发日：2023.05.11
技术公布日：2023/8/4