利用单食材分类模型识别食物图像中的多种食材

由于不同烹饪和切割方法导致食材的空间布局和形状变化，识别食物图像面临独特挑战。本研究引入一种先进方法，用于识别从食物图像中分割出的食材。该方法利用定位和滑动窗口技术定位食材的候选区域。然后，使用基于CNN（卷积神经网络）的单食材分类模型将这些区域分配到食材类别，该模型在单食材图像数据集上训练。为解决多食材识别中处理速度的挑战，提出了一种新颖的模型剪枝方法，以提高分类模型的效率。随后，通过一个包含两种新颖算法的决策方案实现多食材识别。单食材图像数据集根据《新食品成分表 FOODS 2021》一书设计，涵盖110个不同类别的9982张图像，强调食材形状的多样性。此外，还开发了一个多食材图像数据集，以严格评估我们方法的性能。实验结果验证了该方法的有效性，特别突显了其在识别多种食材方面增强的能力。这标志着食物图像分析领域的重大进展。