只有橘子1. 项目背景与核心价值
甜点识别作为计算机视觉的典型应用场景，正在改变餐饮行业的数字化进程。传统甜品店需要人工记录销售数据，而基于CNN的智能识别系统能自动统计各类甜品的受欢迎程度，为库存管理和新品研发提供数据支持。这个毕设选题将深度学习技术与实际商业场景结合，具有明确的实用价值。
我在参与某连锁烘焙店智能升级项目时，亲眼见证了甜品识别系统如何将门店运营效率提升40%。通过摄像头捕捉柜台甜点图像，系统能实时识别马卡龙、提拉米苏等20余种甜品，自动生成销售热力图。这种落地应用场景正是本项目的实践意义所在。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术方案设计
2.1 整体架构设计
采用经典的CNN三明治结构：
- 输入层：接收224×224像素的RGB图像
- 特征提取模块：4组[Conv+ReLU+Pooling]单元
- 分类模块：3层全连接网络
- 输出层：Softmax输出类别概率
提示：输入尺寸选择224×224是为了兼容主流预训练模型，当使用ResNet等架构时可以直接加载ImageNet权重
2.2 关键层配置详解
第一卷积层采用7×7大核设计，配合stride=2的步长，能快速降低特征图尺寸：
python复制Conv2d(3, 64, kernel_size=7, stride=2, padding=3)
中间层使用3×3小核堆叠，在保持感受野的同时减少参数量：
python复制Sequential(
Conv2d(64, 128, 3, padding=1),
ReLU(),
MaxPool2d(2)
)
2.3 数据增强策略
针对甜品拍摄时的常见问题，设计特定增强方案：
- 亮度扰动：模拟不同门店的灯光条件
- 随机遮挡：模拟顾客拿取时的部分遮挡
- 背景替换：增强模型对杂乱背景的鲁棒性
python复制transforms.Compose([
transforms.RandomAdjustSharpness(2),
transforms.RandomErasing(p=0.5),
transforms.ColorJitter(brightness=0.3)
])
3. 数据集构建技巧
3.1 数据采集实操
建议采