基于分割堆叠模型的高校食堂食物浪费量化

《Resources, Conservation and Recycling》：Quantifying university canteen food waste by a segmentation-stacking model

　　

摘要

大学食堂的食物浪费已成为校园管理面临的一个挑战。然而，手动称重和基于视觉的评估等方法仍然存在效率低下或定量能力有限的的问题，使得食物浪费估算变得困难。为了填补这一空白，我们引入了大学食堂食物浪费数据集（UCFW-D），该数据集整合了食堂剩菜的图像和重量记录，包含来自中国 20 所大学的 109,978 个样本。我们提出了一种分割 - 堆叠框架，整合了增强的高效多尺度注意力与可变形卷积增强 DeepLabv3+ 网络（EMD-DeepLabv3+），将平均交并比（mIoU）和平均像素精度（mPA）分别提高了 2.7 和 3.3 个百分点，达到 74.5% 和 86.3%。堆叠模型学习了从分割区域特征到食物浪费重量的映射，展示了预测性能。最后，我们开发了一个食物浪费智能分割与碳核算系统（FWA），用于重量估算和碳核算。这支持了大学餐饮系统中的食物浪费评估。

引言

全球粮食系统正面临严峻的可持续性挑战。根据联合国粮食及农业组织（FAO）的数据，全球生产供人类消费的食物中大约有三分之一，即每年约 13 亿吨，在世界范围内被损失或浪费（FAO, 2011）。这些浪费的量相当于约 28% 的总农业用水量和 30% 的耕地面积，同时产生近 87 亿吨二氧化碳当量，超过印度的年排放量，成为全球第三大温室气体排放源（Du 等，2024）。与此同时，约有 8.2 亿人仍面临饥饿威胁（Abdulwaliyu 等，2023），突显了全球食物浪费背后的结构性矛盾。研究进一步表明，在发达国家，超过 50% 的食物浪费发生在零售和消费阶段，而在发展中国家，冷链物流不足是供应链损失的主要原因（Jiang 等，2024a）。

在中国，大学食堂是城市青年主要的食物供应场所。近年来，大学餐饮市场迅速扩张，从 2021 年的约 3000 亿元人民币增长到预计 2025 年的 5000 亿元人民币（Hongcan, 2025）。然而，标准化供餐模式与年轻一代日益多样化的饮食偏好之间的不匹配导致了资源分配效率下降并加剧了食物浪费。研究表明，中国大学生每年产生约 155 万吨食物浪费，总量达到 174 万吨（Wang 等，2023），相关的碳排放量约为 251 万吨（Qian 等，2022）。这种食物浪费不仅造成了环境负担，还可能通过代际“行为传递效应”对青年消费态度和资源利用模式产生深远影响。

然而，现有的监测系统效率和数据维度都存在显著局限性。手动称重仍然是最常用的方法，但其处理效率低下限制了大多数研究只能进行短期或单点采样，难以捕捉食物浪费行为的时间变化和空间变化（Chyzhykov 等，2023）。随着工业 4.0 时代的到来，深度学习在图像识别和模式分析方面展现了强大的自动化和高精度能力（Ma 等，2024）。最近的研究尝试将基于 CNN 的分割方法应用于食物浪费监测，实现了食物类别的识别和二维区域估算（Poply 和 Jothi, 2021）。然而，这些方法大多仍停留在二维分割水平，无法支持可靠的数据驱动重量估算。为了克服现有方法的局限性，本研究提出了一种用于评估大学食堂食物浪费的分割 - 堆叠集成模型。该模型旨在通过整合高级语义分割框架，将改进的 EMD-DeepLabv3+ 与堆叠集成算法相结合，从而增强复杂食堂环境中各种食物类别的细粒度视觉解析能力，进而为随后的重量估算和定量分析建立稳定且可解释的输入基础。大学食堂被选为现实世界应用场景，以评估所提出框架在实际操作条件下的可行性和有效性。该框架利用配对图像 - 重量样本，将基于图像的食物浪费评估从二维区域识别扩展到数据驱动的重量估算，为定量食物浪费监测提供了一种实用方法。本研究的关键贡献总结如下：

• (1)
  UCFW-D 数据集的构建：我们建立了首个大规模的 UCFW-D 数据集，包含从全中国 20 所大学收集的 109,978 个样本。该数据集不仅捕捉了多样化的饮食结构和餐具场景，还纳入了通过受控称重实验获得的精确重量测量数据。因此，它形成了一个具有双视觉 - 重量模态的大规模基准数据集，为后续关于食物浪费识别、定量估算和碳核算的研究提供了坚实的基础。
• (2)
  创新的双感知机制：我们提出了一种新颖的双感知机制，集成了 EMA 和 DCN，并结合了渐进式上采样和跨层特征融合。这种设计显著增强了模型捕捉细粒度残留物、低对比度区域和复杂几何结构的能力。在相同的训练配置下，我们的方法在 mIoU 上比原始 DeepLabv3+ 高出 2.7%，在 mPA 上高出 3.3%，在复杂的食物浪费分割场景中表现出更优且更稳定的性能。
• (3)
  分割 - 堆叠模型：为了克服现有方法局限于二维区域估算的限制，我们提出了分割 - 堆叠集成模型。具体而言，改进的 EMD-DeepLabv3+ 语义分割网络用于提取类别级区域特征，而堆叠集成学习方法整合同步重量测量数据以学习经验回归函数。这种方法支持标准化食堂条件下的数据驱动食物浪费重量估算。
• (4)
  FWA 系统的开发：我们设计并实现了一个轻量级应用系统，整合了食物浪费分割、重量预测和碳足迹核算。该系统能够在真实用餐环境中实时监测不同食物类别的浪费数量，同时计算相关的碳排放。这为大学食堂的食物浪费管理和政策干预提供了一条实用的技术途径。

章节片段

大学食物浪费的研究进展与测量挑战

大学食物浪费作为一个跨学科研究领域，最近吸引了可持续发展、环境科学、行为经济学和营养健康等领域日益增长的关注（Borg 等，2022）。现有研究主要关注三个维度：宏观层面的统计和结构特征、浪费的行为驱动因素以及干预策略与政策评估（Jiang 等，2024b; Raghu 和 Rodrigues, 2020）。例如，

研究设计

如图 1 所示，整体研究框架包含三个主要阶段：

实验环境与评估指标

在深度学习训练中，对关键参数的精心调整对于保证模型在处理复杂图像时的效能和精度至关重要（Liu 等，2025; Yang 等，2024）。表 A1 包含了实验环境和参数配置的具体细节。

所提出模型在食物浪费分割任务中的性能使用 IoU 作为主要评估指标进行定量评估（Dong 等，2025; Sirimewan 等，2024）。IoU

实验结果

图 A3 描绘了增强版 EMD-DeepLabv3+ 模型在食物图像分割中的效能以及整个训练过程中损失函数的波动。该图说明了食物组间分割精度的提升，并阐明了模型的收敛过程和稳定性。

在图 A3(a) 中，显然随着训练的推进，分割结果得到了系统性的细化，在细节和边界方面表现出显著的提升

结论、局限性与未来研究

本研究引入并验证了一种用于定量估算中国大学食堂食物浪费的分割 - 堆叠模型。通过构建包含超过 10 万个配对图像 - 重量样本的庞大 UCFW-D 数据集，本研究提供了一个实用的数据驱动框架，用于在真实用餐环境中从分割后的残留图像特征估算食物浪费重量。实验结果表明，增强版 EMD-DeepLabv3+ 网络在挑战性

CRediT 作者贡献声明

马万祺：写作 - 初稿，方法论，概念化。陈宏：写作 - 审查与编辑，资金获取。龙瑞银：写作 - 审查与编辑，资金获取。

竞争利益声明

作者声明，他们没有已知的竞争性财务利益或个人关系可能影响本论文报告的工作。

马万祺 | 陈宏 | 龙瑞银

中国，江南大学