一種基于AI視覺技術的菜品自動識別結算設備的設計

摘 要：設計了一款基于人工智能視覺技術的菜品自動識別結算設備，旨在提高餐飲業效率和用戶體驗。硬件方面，采用高性能圖像數據采集裝置和圖像處理單元的自助結算AI智慧餐臺，確保系統能夠快速響應并確保穩定性。軟件方面，菜品圖像通過機器視覺算法快速準確識別，生成訂單并傳輸至支付端，實現自動結算。銷售數據可與云端大數據分析對接。相較傳統點餐結算方式，該設備提供了更便捷的結算方式，減少了人工操作，最大限度避免了計算錯誤，有助于精準運營。實驗證明，該設備在不同環境下表現出色，對提升餐廳服務質量和效率具有明顯效果。

關鍵詞：人工智能；機器視覺；Faster R-CNN；自動識別結算；硬件設計；圖像處理

中圖分類號：TP39 文獻標識碼：A 文章編號：2095-1302（2024）12-00-03

0 引 言

近年來，“新零售”概念的提出引領了銷售行業發展的全新浪潮，也使得餐飲行業面臨著運營成本高、利潤低、行業更新快等挑戰。點餐結算作為餐廳經營的核心環節，直接關系到顧客體驗和經濟效益。傳統的點餐結算方式存在人工操作繁瑣、易發生錯誤、耗時較長等問題。在這個背景下，設計并實現無人結算系統成為提升餐廳工作效率、降低用人成本、提高經濟效益的行之有效的途徑?；贏I視覺技術的菜品自動識別結算設備的設計，結合了深度學習算法[1]和智能硬件設計。在當今技術迅速發展的背景下，深度學習[2]和人工智能技術的應用逐漸滲透到各行各業，為餐飲業數字化轉型提供了新的可能。將AI視覺技術應用于點餐結算，我們可以實現對菜品的自動辨識，減輕服務人員負擔，提高結算速度，并減少由于人為因素導致的錯誤[3]。

本文關注技術創新和性能優化，致力于將科技與實際應用相結合，為餐廳業務的數字化轉型提供切實可行的解決方案，提高點餐結算效率，為餐廳提供智能、便捷的服務，推動餐飲業向智能化、信息化方向邁進。

1 工作原理

為了滿足對團體餐飲行業的高可用性需求，本文設計了一款無人結算系統，該系統通過軟硬一體的圖像數據采集裝置實現自動結算。基于AI視覺技術的菜品自動識別結算設備工作原理如圖1所示。

1.1 圖像數據采集裝置

系統中的圖像數據采集裝置是一種高度智能化的硬件設備，具備高分辨率的攝像頭，專用于菜品圖像的采集。該裝置通過布置在餐廳特定位置，能夠全方位、高效率地捕捉到顧客點餐的菜品圖像[4]。這樣的設計確保了系統能夠對菜品進行全面而準確的識別。

1.2 機器視覺算法

菜品識別是無人收銀系統的核心，菜品定位檢測的主要目的是從輸入圖像中獨立地分離出包含菜品的部分，使用Faster R-CNN網絡實現多目標菜品檢測[5]。在菜品分類檢測部分，優化使用基于深度學習的圖像檢索算法，通過圖像檢索的方式對檢測到的菜品進行分類。借助先進的深度學習算法，通過預訓練的神經網絡模型，系統能夠準確識別各式各樣的菜品，包括菜品的形狀、顏色、質地等。這種算法的使用不僅提高了識別的準確性，而且保證了系統在不同光照和攝像角度下的穩健性。

1.3 訂單生成與支付端傳輸

一旦菜品被成功識別，系統將自動生成訂單，并將訂單數據傳輸至支付端。這一過程是實時進行的，確保了結算的速度。訂單生成后，系統將自動計算費用，為顧客提供明細，同時將結算信息傳遞至支付端，自動結算。

1.4 云端大數據分析

訂單數據不僅用于結算，還被傳輸至云端進行大數據分析。通過對銷售數據的統計和分析，餐廳管理層能夠實時了解不同菜品的銷售情況、顧客的消費偏好等信息。這使得餐廳能夠更加精準地掌握運營情況，做出合理的經營決策，進一步提高工作效率和經濟效益[6]。

綜合上述，系統通過智能硬件設備和先進的機器視覺算法，實現了菜品的自動識別和無人結算，同時通過云端大數據分析為餐廳提供了精細化的經營支持。這樣的設計不僅緩解了傳統餐廳存在的人多排隊、計價錯誤、人力成本高等問題，更為團體餐飲行業注入了高效、智能的新活力。

2 硬件框架結構設計

針對人工智能視覺技術的菜品自動識別結算設備，設計了一套完整的硬件框架結構，包括視覺設備、支撐座、雙頭螺紋桿、滑槽、固定套筒、驅動電機等。其中，視覺設備用于采集菜品圖像，確保圖像質量和識別準確性。支撐座提供對設備整體的穩定支撐。雙頭螺紋桿用于傳送動力，是實現機械運動的核心部件。滑槽、固定套筒用于構建滑動結構，實現設備的移動和控制?；顒犹淄病⒒瑝K、拉桿和連接桿實現活動部件之間的連接和相對運動?；営糜谡{整運動方向。感應盤、夾持框、內槽、夾持塊、彈簧用于構建自動夾持機構，確保菜品固定在感應盤上。菜品自動識別結算設備硬件如圖2所示。

圖像數據采集裝置通過視覺設備采集菜品圖像，并通過預先訓練的機器視覺算法快速完成菜品識別。一旦菜品被識別，系統將生成訂單并將訂單數據傳輸至支付端，完成自動結算。同時，啟動驅動電機帶動雙頭螺紋桿轉動，活動套筒沿著螺紋方向徑直移動。兩拉桿連接的兩連接桿活動，兩滑輪收起或觸地，通過撥動兩夾持塊，其沿兩夾持塊中間空隙進入兩夾持塊之間，感應盤被固定。這種結構實現了對菜品的自動夾持，并能確保其穩定運動，保障圖像采集的準確性和結算過程的順利進行。硬件框架通過巧妙的組合和協同工作，為機器視覺設備的高效、可靠運行奠定了堅實的基礎[7]。

3 實時圖像捕捉與處理

為了確保菜品自動識別結算設備的高效性和準確性，實時捕捉與處理圖像是設計過程中的重要環節。該階段涵蓋了圖像采集、圖像預處理、特征提取和模式識別，旨在實現對菜品圖像的實時捕捉和高效處理。設計中使用的圖像采集模塊采用工業級500萬高清圖像傳感器超廣角無畸變800W像素高清攝像頭，能夠捕捉清晰、詳細的菜品圖像。該模塊的選擇考慮了設備在不同環境下的性能穩定性，以確保在各種光照和角度下均能有效捕捉到菜品的圖像。菜品自動識別結算設備軟件設計流程如圖3所示。

采集的圖像需要經過圖像去噪、灰度調整、尺寸標準化等處理，以降低噪音、增強特征、優化圖像質量，并為后續的模式識別提供更好的輸入。在實時圖像處理階段，訓練了基于Faster R-CNN的菜品定位檢測算法的神經網絡[8]和用于菜品分類識別算法的深度學習特征提取網絡。我們使用訓練好的VGG16網絡[9]作為特征提取器，從圖像中提取出菜品的關鍵特征，包括形狀、顏色、紋理等。在相似度計算方面，由于歐氏距離沒有維度的限制，適用于任何空間的綜合距離的計算，研究選擇歐氏距離[10]作為菜品分類識別部分的相似度計算方法。通過使用機器學習和深度學習的模式識別算法，系統能夠快速準確地識別并分類不同的菜品，不僅提高了識別的精度，還保證了系統的實時性能。

為了確保系統在高負荷情況下仍能高效運行，實時性評估和優化十分必要。通過對算法的優化和對硬件設備的配置進行調整，我們可以在保持識別準確性的同時提高系統的響應速度。這涉及到對圖像處理算法的并行化、硬件加速等方面，以確保設備在實時場景中的可靠性和快速響應。

通過以上對實時圖像的捕捉與處理，本文設備能夠在實際運行中迅速、準確地捕捉菜品圖像，經過高效識別，為自動結算提供可靠的數據支持。這一設計方案旨在確保設備在不同環境和工作負荷下均能保持出色的性能。

4 實時性能評估

為了驗證所設計的基于AI視覺技術的菜品自動識別結算設備在實際運行中的性能表現，采用了多重實時性能評估方法來全面評估設備的性能。首先，通過在真實餐飲場景中進行實地測試，模擬高峰和低谷期，觀察設備在不同情境下的實際應用性能。其次，采用模擬器進行大量數據的離線測試，模擬不同的光照、菜品種類和角度，以驗證設備在各種復雜條件下的適應性。

4.1 評估指標

在評估中考察的主要指標包括識別準確性、響應時間、系統穩定性、誤識率等。

識別準確性表征系統對不同菜品的準確識別能力；響應時間評估設備從圖像捕捉到識別生成訂單的整體時間[11]；系統穩定性指標考察設備在連續運行過程中的穩定性和魯棒性；誤識率則用于分析系統對錯誤菜品的誤判率，以確保結算的準確性。

4.2 對比實驗

為了更全面地評估設備性能，進行了與傳統結算方式的對比實驗。通過對設備的實時性進行綜合評估，驗證了設備在不同場景和條件下的表現，從識別準確性、響應時間、系統穩定性等多個維度出發，通過比較自動識別結算設備與傳統人工結算方式在效率、準確性、成本等方面的差異，表明了設備在實際應用中的優越性。

5 結 語

通過以上實時性能評估，能夠全面了解基于AI視覺技術的菜品自動識別結算設備在實際場景中的表現，為設備的進一步優化和推廣提供了科學依據。這一評估過程確保了設備在餐飲行業的實際應用中能夠取得卓越的實時性能。

該設備在實際餐飲場景中應用前景廣闊。通過數字化轉型，餐廳業務能夠實現智能化、便捷化，提升顧客體驗，推動餐飲行業向智能化、信息化方向邁進。實現自動結算不僅提高了工作效率，同時也為餐廳業務管理提供了更精準的數據支持，有望降低運營成本、提高經濟效益。

在未來的研究中，將繼續優化設備的算法和硬件結構，提高其適應性和實時性能。同時，進一步拓展設備的應用領域，以更好地促進餐飲行業的數字化發展。通過對這一設計的不斷完善和推廣，相信基于AI視覺技術的菜品自動識別結算設備將在未來取得更為顯著的成果。

注：本文通訊作者為余毅。

參考文獻

[1]周曉彥，王珂，李凌燕.基于深度學習的目標檢測算法綜述[J].電子測量技術，2017，40（11）：89-93.

[2]羅會蘭，陳鴻坤.基于深度學習的目標檢測研究綜述[J].電子學報，2020，48（6）：1230-1239.

[3]陳小娥，李慧敏，陳德濤.基于卷積神經網絡的菜品識別研究與實現[J].現代計算機，2021，27（32）：95-98

[4]徐悅.基于深度學習的中餐菜品圖像識別算法研究[D].西安：西京學院，2022.

[5]梅舒歡，閔巍慶，劉林虎，等.基于Faster R-CNN的食品圖像檢索和分類[J].南京信息工程大學學報（自然科學版），2017，9（6）：635-641.

[6]李志文.云計算技術在計算機大數據分析中的運用[J].信息與電腦（理論版），2023，35（15）：1-3.

[7]余毅.一種基于物聯網的改進型智能視頻監控設備的設計[J].物聯網技術，2019，9（2）：60-61.

[8]張成涵宇，林鈺哲，譚程珂，等.基于輕量化YOLOv5的新型菜品識別網絡[J].計算機應用，2024，44（2）：638-644.

[9]何俊杰.面向深度卷積神經網絡的模型壓縮與加速方法研究[D].杭州：浙江大學，2022.

[10]劉佳偉，唐錦萍.基于K近鄰鏈式相似性度量的聚類算法[J].計算機仿真，2023，40（8）：382-388.

[11]馮維哲.基于CUBI模型的餐廳自助結算終端產品設計研究[D].廣州：華南理工大學，2019.

基金項目：江西省教育廳科學技術研究項目：基于視覺識別技術的“AI智眼”無人結算系統的設計與實現（GJJ217007）

作者簡介：余 毅（1982—），男，河南信陽人，圣卡洛斯大學在讀博士研究生，江西工業工程職業技術學院副教授，研究方向為人工智能、深度學習等。