基于改进DenseNet与迁移学习的食品图像分类技术

来源：中国农机化学报杂志2025年第6期北京时间：

作者：邹小波, 高文健, 石吉勇, 史永强, 申婷婷

单位：（江苏大学食品与生物工程学院，江苏镇江，212013）

摘要：为提高实际场景下食品分类的准确率，提出一种新型食品数据集构建及网络改进方法。通过实际数据构建、数据增强、模型改进、模型验证等，构建一套食品图像分类技术；模型改进上，在DenseNet264中添加CBAM并保留其在ImageNet上的特征以提高模型对关键特征的注意力及泛化性。对比标准数据集与实际数据增强的数据集，改进后模型准确率分别达到88.43%、91.8%，较DenseNet264提高5.28%、4.74%；精确度达到87.5%、90.98%；召回率达到88.01%、90.65%；F1值达到87.75%、90.81%。在实际数据增强的数据集上，各网络相比于标准数据集准确率平均提升3.11%。CBAM与迁移学习能显著提升模型的特征提取能力与准确率，且实际数据集分类任务上各网络均表现出更好的性能，实际应用中具有一定的价值。该技术将应用于餐饮系统中，以提供更好的用户服务。

关键词：深度学习,注意力机制,食品图像识别,迁移学习,数据增强

基金资助：江苏省自然科学基金 (BK20220058)