基于改进YOLOv7的轻量级多菜品识别方法

摘要

为实现智能家居环境下多菜品的智能识别，提出了基于改进YOLOv7的轻量级多菜品识别方法(lightweight multi-dish recognition method based on improved YOLOv7,LMDRMIYOLO)。首先，构建中式菜品检测数据集CNF228作为细粒度菜品识别研究对象；其次，针对菜品数据集样本少、多样性不足导致的模型性能上限过低的难题，使用多种数据增强方法以正则化数据、提高模型泛化性；再次，针对菜品识别对精度和实时性的平衡需求，提出基于简单聚合层和混合卷积注意力机制的轻量级骨干网络ECNet;最后，在CNF228数据集上测试表明，LMDRMIYOLO的mAP@0.5:0.95、识别速度和参数量分别为82.8%、164FPS、27.5M。相比YOLOv7的82.6%、133FPS、37.7M而言，所提模型实时性提升、参数量减少且提升了平均精度。本文方法为自动感知居民日常饮食记录提供了智能方法。

关键词

菜品识别 / 深度学习 / 目标检测 / YOLO