计算机视觉——使机器能够解读图像的 AI 领域——驱动着浪费监测系统中的食物识别。了解基础知识有助于设定现实的期望并评估解决方案。
基本原理
用于食物识别的计算机视觉涉及：
图像获取： 摄像头捕获食物废弃物的图像 预处理： 图像增强以便分析（光线归一化、裁剪） 检测： AI 识别包含食物对象的区域 分类： 每个区域被分配到食物类别 后处理： 结果验证和格式化
神经网络架构
现代食物识别使用深度学习——在大量食物图像数据集上训练的神经网络。
卷积神经网络（CNN）： 通过检测越来越复杂特征的层来处理图像——边缘、纹理、形状、对象。
迁移学习： 在数百万张通用图像上预训练的模型，然后在食物特定数据上进行微调。
多任务学习： 单个模型同时处理检测和分类。
训练模型
AI 模型从标注示例中学习：
- 收集数千张食物图像
- 为每张图像标注存在的食物类型
- 训练模型从图像预测标签
- 在保留数据上测试以衡量准确率
- 迭代以提高性能
训练数据的质量和多样性在很大程度上决定了模型能力。
食物识别中的挑战
视觉相似性： 许多食物看起来很像（不同种类的生菜、各种肉馅） 制备差异： 同一种食材生的/熟的/切碎的看起来不同 遮挡： 物品被其他物品遮挡 混合菜品： 汤、炖菜、砂锅菜包含多种食材 光线变化： 厨房照明不像实验室条件那样受控
这些挑战解释了为什么没有系统能达到 100% 的准确率。
准确率与实用性
完美的物品级准确率并非总是必要的：
- 对于成本追踪： 类别级准确率（蛋白质对比蔬菜）可能就够了
- 对于干预： 知道"备料浪费增加了"比知道确切是哪种备料更重要
- 对于报告： 总体准确率比单个物品准确率更重要
将准确率期望与您的实际使用场景匹配。
边缘计算与云处理
边缘（设备端）： 响应更快、离线可用、数据保留在本地 云端： 更强大的模型、更容易更新、需要网络连接
许多系统使用混合方式——初始处理在边缘端，复杂分析在云端。
了解我们的 AI 识别技术以及我们如何处理食物识别。