随着人工智能的飞速发展,人工智能应用取得了巨大的进步并且走入了人们的日常生活中,而饮食是人们日常生活中必不可少的一部分,菜品的识别与分类是目前备受关注的一个研究领域。围绕着菜品的识别与分类进行的二次开发如食物健康管理等应用给人们的生活带来了极大地便利。菜品的识别与分类可以看作是一个具有行业特点的目标检测任务,而传统目标检测算法中的手工特征及分类方法已经不能满足检测精度和检测速度的要求,因此需要将基于深度学习的目标检测方法引入菜品识别与分类领域。结合项目实际应用场景,菜品图片的分类与识别相较于传统目标检测任务具有用户拍摄图片受光照影响较大、背景噪声较强、图片分辨率及目标尺度多样、菜品图片类间差距大等难点,针对以上问题本文基于前人的研究基础之上结合实际应用做了以下工作:(1)针对图像光照和背景噪声问题在进行图像识别与分类之前进行图像预处理,本文使用了CLAHE限制对比度直方图均衡算法限制图像光照对图像特征的影响,使用改进阈值函数的小波变换滤波算法降低图像噪声,通过图像预处理降低图片光照和复杂背景对菜品识别分类的影响,提高待处理图像质量和模型检测效率。(2)提出了一种基于Dark Net改进的SD特征提取网络,使用S3Pool随机空间采样池化替换Dark Net特征提取网络中的池化层,通过随机空间采样池化消除了传统池化层对图像特征的损失,同时扩充了模型训练参数提高了模型的泛化能力和检测精度。(3)在YOLOv3模型的基础上提出了一种改进的MSSD-YOLOv3多尺度增强网络模型,本文在原有YOLOv3模型三层检测尺度的基础上通过扩充中小尺度检测构建了多尺度增强网络模型,实现了在5个尺度下对图片进行预测,提高了在实际应用场景下对小目标菜品的检测精度,同时使用k-means聚类算法针对菜品图片数据集进行重新聚类得到适应于菜品图片检测任务的检测先验框,提高了模型检测精度并加速了模型检测速度,同时对提出的模型模型使用合并卷积层与BN层技术和批再规范化技术进行优化,降低模型计算参数提高检测速度同时提高模型对小样本和非独立同分布样本的训练检测效果。(4)对改进前后的模型分别设计了多组对照实验,通过实验结果分析本文提出的菜品图片识别与分类模型相较于传统菜品检测算法和YOLOv3模型的检测精度和检测速度均有所提高,并对实验结果及参数选择做了一定的分析和比较。(5)最后,将提出的菜品识别与分类模型结合Gin微服务分布式框架、React前端框架、OSS对象存储、Redis及My SQL数据库开发了一个完整的菜品图片分类识别系统并开放API接口,在4C8G标准服务器下提供超过1200QPS的并发访问能力,为其他用户和菜品分类技术二次开发提供技术支持并取得良好的效果。