目前,餐厅的计价方式主要分为人工计价和自动计价,人工计价的方式存在效率低、出错率高等问题,而自动计价的方式可以很好地解决这些问题。自动计价的方式又可分为两种,分别是基于餐盘识别技术和基于菜品识别技术的自动计价。其中基于菜品识别技术的自动计价方式不仅可提高结账速率和正确率,后续还可运用于记录并分析顾客的饮食偏好、食品相关知识的科普等。但这两种方式在实际落地的过程中,都存在依赖于大量数据集的问题,如一个餐厅中的餐盘类别总数是10类,则需采集超过5000张装有各种不同食物餐盘的图像。大量图像意味着高的采集成本,高的人工标记成本还有后续维护及更新系统的成本。因此,本文致力于解决以上问题,提出了基于少样本的餐盘菜品自动识别方法。本文的研究内容及创新点主要如下:1)本文构建并开源了真实餐厅场景下的少样本餐盘数据集和少样本菜品数据集:餐盘数据集包含20类餐盘,菜品数据集包含30类菜品。2)为了解决少样本餐盘检测问题,本文提出一种基于注意力机制的数据增强方法。该方法的一大创新之处在于:将空餐盘图像的数据集作为训练集,且只需少量的空餐盘图像,此数据集训练得到的模型可用于检测装有菜品的餐盘图像。而在通常餐盘识别方法中,需装有菜品的餐盘图像作为训练集。此方式简化了采集流程、大幅度减少采集数量、降低了时间和人工成本。在模型训练过程中,此方法可引导神经网络（Neural Networks）更多关注和学习到餐盘的形状和颜色等特征,更少关注不属于餐盘的特征如餐盘中菜品的特征,从而提升模型提取特征的性能,使得所提取特征的泛化能力更强。在实际检测装有菜品的餐盘图像时,减少了菜品区域对检测过程的干扰,提高了餐盘检测的精度和目标检测模型的鲁棒性。实验结果表明本文提出的方法精度最高可达89.63%,在相同实验条件下,较不使用该方法最多可提升58%的精度。3)为了解决少样本菜品分类问题,本文提出Food-VIT分类模型。本文将菜品识别问题分解为菜品定位和分类的二阶段问题。菜品定位通过常用的目标检测模型实现,Food-VIT模型用于实现菜品的分类。Food-VIT基于Vision Transformer（VIT）上进行改进,改进内容总共分为3个部分:新增图像变换层、新增特征融合层和引入新的损失函数。本文利用菜品图像是细粒度图像这一特性,提出新的图像变换方法,用于增加样本的多样性。图像变换层输出变形图像,再将变形图像与原图像对应的类别特征进行特征融合,特征融合层输出的类别特征作为此模型最终用于判定类别的特征向量。该特征向量中包含全局特征的同时,又包括局部特征,从而学习到不同类别菜品之间细小的差异,并提高类别特征的泛化能力。在计算损失时,不仅仅考虑原图像的损失,还有对应变形图像的损失。该计算方式有利于缩小同类别特征向量之间的距离,增大不同类别特征向量之间的距离,还可减少网络的过拟合。本文进行了一系列的实验对比,实验结果证明Food-VIT模型的效果明显好于VIT模型和一些其他经典模型。实验结果表明,在每类菜品只有1张图像时,Food-VIT模型的分类准确率可达到84.47%;在每类菜品只有10张图像时,Food-VIT模型的分类准确率可达到95.37%。