基于YOLOv5s的菜品识别与分类

高校食堂菜品人工盛取存在消耗大量时间，工作量大，效率低等问题。为解决这些问题，文章提出一种基于YOLOv5算法与双臂协助机器人的菜品分类检测方法。使用高校食堂实际菜品作为训练数据，利用YOLOv5s对模型进行训练，将模型部署到Jetsonnano进行菜品识别。在现实环境进行测试YOLOv5能够识别多种常见菜品,mAP值为99.5%，检测精度为98.1%，平均FPS为24.4。对照实验表明，本次实验装置所训练的YOLOv5s轻量级模型可以适应不同环境，且具有体积小、精度高、速度快、鲁棒性好等优点，有助于实现自动无人化食堂，提升效率。