人工智能在食品行业中的应用：基于计算机视觉的食物浪费估计——大学食堂案例研究

量化机构性餐饮场景中的后消费食物浪费对于支持数据驱动的可持续发展策略至关重要。本研究提出了一种成本效益高的计算机视觉框架，通过对 RGB 图像进行语义分割来估计餐盘上的食物浪费，该框架在五道伊朗菜肴的餐前后进行图像采集。我们训练了四个全监督模型（U-Net、U-Net++及其轻量变体），采用限制性动态逆频率损失和 AdamW 优化器，然后通过包括像素准确率、Dice、IoU 以及针对该任务量身定制的分布式像素一致性（DPA）指标等综合指标进行评估。所有模型均实现了令人满意的性能，对每种食物类型，至少有一个模型接近或超过 90% 的 DPA，显示出在像素级比例估计方面具有强大的一致性。具有较少参数数量的轻量模型提供了更快的推理速度，在 NVIDIA T4 GPU 上实现了实时吞吐量。进一步分析显示，对于干燥和较刚性较强的成分（如米饭和薯条），分割性能表现更好，而对于更复杂、碎片化或黏稠的菜肴（如炖菜），尤其是餐后表现较差。尽管存在依赖 2D 成像、食物种类受限以及数据收集依赖人工等局限，但本研究提出的框架具有开创性，代表了一种可扩展且无接触的方式，用于大型食品服务环境中的持续监控。该研究为自动化、实时食物消耗跟踪系统奠定了基础，为旨在减少机构性食物浪费的餐厅管理者和政策制定者提供了可行的见解和未来方向。