杨永闯，王 昊，王新良

(河南理工大学 物理与电子信息学院，河南 焦作 454003)

0 引 言

传统上，对于食物浪费的评估[1-4]往往需要依靠人工采集。Martins等[5]利用目测和称重两种人工采集方式在学生食堂对学生浪费情况进行了评估，并对两种采集方式在准确度上进行了比较。虽然传统的人工采集方式结果比较直观，但采集周期长，且人工效率低。因此，利用技术手段削减和抑制餐桌上的浪费迫在眉睫。

随着机器学习的发展，人们逐渐开始采用机器视觉技术对食物浪费进行评估。Ciocca等[6]利用霍夫变换和K-NN方法提出了一种基于机器视觉的饮食自动检测系统来评估食物的浪费，一定程度上解决了人工采集的弊端。在传统机器视觉中需要手动组合特征提取方法，消耗了大量时间。深度学习解决了端到端的问题，算法能从每个特定类别的对象中自主学习特征。深度学习中目标检测算法按照阶段数可分为以R-CNN系列(R-CNN[7]、Faste R-CNN[8]、Faster R-CNN[9])为代表的双阶段目标检测算法和以YOLO[10]、SSD[11](single shot multi-box detector)为代表的单阶段目标检测算法。双阶段目标检测算法通过选择性搜索方法(selective search)可以对候选区域(region propo-sal)进行初次筛选。多次的筛选使得双阶段检测算法有较高的准确率，但候选区域生成慢、检测时间长、难以满足实时性的要求。单阶段目标检测算法采用回归的方法，简化了目标提取过程，具有检测速度快、训练阶段少的特点。随着不断改进，其检测精度也能媲美双阶段检测算法。

在食品检测方面，深度学习逐渐被广泛应用。……