“智膳视界”
您的AI边缘计算营养师
即刻识别，即时分析。通过先进的视觉AI技术，轻松量化每一餐，赋能您的健康生活。
正在分析...
为何需要“智膳视界”？
从繁琐估算到即时洞察
1️⃣ 需求演变：从估算到精准
传统方式
手动查询 / 经验估算
现代期望
即时获取 / 精准量化
2️⃣ 核心痛点：用餐时的困扰
对于健身者和慢病患者，在用餐时手动查询营养信息 耗时、不准、且过程繁琐，导致无法有效进行饮食管理。
智能解决方案
“智膳视界”如何工作
AI边缘计算设备
“智膳视界”是一款便携式边缘设备。只需用它对准您的餐盘拍照，内置的高效AI模型便会启动工作。它能在一张照片中同时识别多达32种常见中式菜品，并估算其份量。
识别完成后，设备会立即从本地知识库中检索每种食物的详细营养信息（如卡路里、蛋白质、脂肪等），并在屏幕上清晰展示。所有结果都会自动保存到SD卡，方便您随时回顾和追踪。
3️⃣ 为谁而设计？
我们的核心用户画像
健身塑形人群
健康意识青年
特殊膳食需求者
科学育儿父母
营养师/健康顾问
量化生活爱好者
技术核心与挑战
揭秘“智膳视界”背后的硬核科技
4️⃣ 核心功能
精准识别
即时分析
技术架构
(LRASPP语义分割)
5️⃣ 技术壁垒与突破
挑战：数据分布极度不均
从图中可见，筛选后的32类食物数据存在严重的类别不平衡问题：背景像素（Class 0）数量远超其他所有类别，且各类食物间的像素量也差异巨大。这会导致模型在训练时“偏心”于多数类，而忽略少数类，影响整体识别精度。
突破一：数据不平衡处理
为解决上述问题，我们引入Focal Loss损失函数并结合类别权重。这迫使模型在训练时更加关注那些数量稀少且难以识别的食物类别，从而显著提升了模型的泛化能力和精度。
突破二：模型轻量化
将复杂的PyTorch模型通过ONNX和TFLite转换、量化，最终压缩并转化为C/C++头文件，使其能在资源仅为KB级的ESP32上高效运行。
突破三：端侧推理效率
选用高效的LRASPP网络结构，并充分利用ESP32-S3的硬件加速能力，在低功耗硬件上实现了近乎实时的识别响应。
模型进化：从初识到精通
通过引入Focal Loss等先进算法，模型在训练过程中不断学习和优化，显著提升了对复杂食物场景的分割与识别能力。
训练初期 (Epoch 1)
分割边缘模糊，存在错漏。
训练后期 (Epoch 36)
边缘清晰，精准识别多种食物。
模型性能亮点
像素准确率 (Pixel Accuracy)
78.8%
图像级准确率 (Precision)
81.6%
Top 10 类别识别精度 (IoU)
模型的整体平均交并比(mIoU)为 36.6%，图像级识别准确率达 81.6%。以下是模型在像素级分割和类别预测两方面的具体表现，证明了其在真实场景下的应用价值。