基于轻量型卷积神经网络的菜品图像识别

使用卷积神经网络分析研究识别菜品,能够帮助人们了解食物,根据不同的需求选择适合的菜品;同时也能被使用在自助餐厅结算系统中,提高结算效率。由于卷积神经网络有大量的卷积计算,大量参数致使卷积模型体积庞大,不利于将模型嵌入移动设备中,因此设计了一种轻量型卷积神经网络MobileNetV2-pro分类菜品。通过引入通道混洗、注意力机制提高网络的检测能力;利用随机擦除等图像预处理技术对菜品图像进行处理,提高系统的泛化能力。实验结果表明,该新结构网络能显著提高菜品分类准确率。

基于轻量化SSD的菜品识别

为了能够在移动设备等计算力弱的平台部署菜品识别系统,帮助人们了解菜品信息,对传统目标检测模型SSD做轻量化改进,提高了检测准确率和检测速度。首先使用MobileNetV2代替SSD模型的VGG-16,减少模型体积,提升运行速度;使用注意力机制和混洗通道算法,设计新的注意力逆残差块,增强特征提取能力;优化IOU计算方式,对回归定位损失函数做改变,加快模型的收敛;最后在自建的中餐菜品数据集Chinesefood上进行训练。实验表明,本文提出的Att_Mobilenetv2_SS⁃DLite轻量型目标检测模型相比SSD和其它目标检测模型效果更佳。