高精准度与实时食物分类的新方法：EfficientNetB7、CBAM、迁移学习与数据增强的协同集成

人工智能的深度融合正在深刻变革现代社会，显著提升生产力，通过简化日常任务来实现。这一AI驱动的识别系统在食品领域提供了显著优势，包括改进营养追踪、应对食物浪费以及提升食物生产与消费效率。准确的食物分类是充分利用高级AI模型的关键第一步，因为该过程的有效性直接影响后续操作的成功；因此，实现在合理速度下的高精度至关重要。尽管已有研究努力尝试，但在确保快速处理速度的同时提升性能之间仍存在差距，这促使研究者追求具有成本效益且精确的模型。本研究通过采用经过迁移学习、数据增强和CBAM注意力模块增强的领先级EfficientNetB7架构，克服了这一挑战。该方法构成一种稳健的模型，超越了以往研究在准确率上的表现，同时保持了适用于实际应用的快速处理速度。本研究采用Kaggle上的Food11数据集进行实验，包含16643张不平衡的图像，覆盖11个具有显著类别内部多样性和类别间相似性的类别。进一步地，本研究提出的方法经过多种深度学习技术加持，始终实现惊人的96.40%的平均准确率。值得注意的是，在未见数据上的推理过程中，该模型能够在1秒内对超过60张图像进行分类，展示了其在准确且及时地完成高精准食物分类方面的潜力，从而提升后续环节的效率。