人工智能技术随着计算机算力的提升,取得了巨大进步,其应用也逐渐进入人们的日常生活。饮食作为人们生活中密不可分的部分,使得关于菜品识别技术的研究也逐渐变得火热。以菜品识别技术为基础,进行二次开发应用于自动化餐饮服务、健康饮食管理等领域,给人们的生活提供了极大的便利。目前,许多快餐店、学校餐厅、工厂食堂的打餐工作枯燥乏味,劳动力需求和成本颇高,使用服务机器人代替人工来完成打菜已经成为一种解决方案。服务机器人的一个重要子系统就是视觉系统,打菜操作的第一步就是通过视觉系统检测菜品的类别和位置,因此针对中餐菜品检测的算法研究具有重要意义。本文基于深度学习的一阶段目标检测方法,结合中餐菜品检测应用,从数据图像处理以及网络结构设计等方面进行优化,主要工作内容如下:1.中餐数据集构建。目前公开菜品数据集为适用于图像分类的数据集,图像中仅包含单个菜品目标,不适用于目标检测的方法。本文通过拍摄采集和网络扩充的方式,自行创建了一个具有37类菜品的中餐数据集,并对其进行统计分析,验证了该数据集的合理性。2.菜品图像预处理。针对菜品图像中存在的背景噪声和光照不均匀问题,进行图像预处理。本文采用了非局部均值技术来降低菜品图像噪声,采用了局部同态滤波算法均衡图像光照情况并增强细节特征。通过图像预处理提高图像的质量以提升模型的检测效果。3.菜品检测网络设计。针对池化或2步长卷积带来的图像特征丢失问题,使用间隔采样与堆叠的图像切片方式,在下采样的同时更好地保留图像的细节特征。使用具有通道注意力机制的残差单元结构,并结合跨阶段分层合并结构完成特征提取网络的设计,加强特征提取能力并降低参数计算量。增加特征融合路径充分利用细节特征和语义特征完成菜品的检测。4.重复预测框处理。针对中餐菜品检测的局部重复检测问题,提出新的预测框处理策略,使用新的预测框距离计算方式,对出现包含关系的预测框进行抑制。本文对提出的菜品检测方法在自建的中餐数据集上进行实验分析,实验结果验证了本文方法的有效性和优势,检测精确率达到95.1%,检测速度达到24帧/秒,达到预期效果。