面向中央廚房的智能管控系統設計及應用

摘要：當前，中央廚房已成為餐食工業化發展的必然趨勢，但還存在自動化水平低、流程管控智能化不足等問題。基于此，本文探索運用計算機視覺處理、深度學習、神經網絡、群智能等多項人工智能技術，賦能中央廚房工廠全區域、生產全流程中目標檢測、行為識別、室內定位、路徑優化等場景應用，研發中央廚房智能管控系統，旨在實現運輸車的精準定位、生產加工流程智能管控、物流配送高效率、降低經營成本，以供參考。

關鍵詞：中央廚房；人工智能；管控系統

DOI：10.12433/zgkjtz.20241009

未來餐飲產業發展的重心將向大眾餐飲轉移，方便快捷、營養衛生、價格實惠的大眾餐飲將會蓬勃發展。餐飲企業將通過建立食品統一加工配送中心、發展連鎖經營、開發中式快餐等形式，進一步提高大眾餐飲工業化、規模化水平，中央廚房恰恰能夠滿足這一發展趨勢。食品加工車間運用的是智能化或半智能化的生產線，需要智能管理與監控，才能從制造環節確保食品安全。因此，研究智能化管控采購、加工、儲運等過程及菜肴產品質量、安全是中央廚房發展的必然趨勢。

一、中央廚房智能管控系統架構設計

中央廚房智能管控系統采用物聯網技術架構以及云服務體系進行設計，基于云邊協同理念構建人工賦能的中央廚房管控系統架構，通過信息的互聯互通、數據的共享和挖掘利用，實現采購、生產、配送和服務的業務協同化，生產全流程管控智能化，系統架構設計如圖1所示。

中央廚房智能管控系統架構設計包括互聯感知、數據賦能、業務協同和智能管控四個層級。各層級的設計思路如下：

第一，互聯感知是實現中央廚房智能化的基礎，基于中央廚房生產過程人員監管、物品識別、異物及危險源監控、分揀自動化、環境監測、現場生產作業等業務，通過各種智能儀器、傳感器、RFID、攝像頭等終端設備和4G/5G網絡、無線網以及邊緣計算技術的應用，實現設備之間的互聯感知，實現對中央廚房生產過程數據信息、實時監控信息、環境監測信息、分揀數據信息的自動采集、傳輸、存儲和邊緣分析。

第二，數據賦能是在互聯感知的基礎上，通過數據融合分析與智能處理以及PaaS平臺的支撐應用，支撐企業各類業務的高效和優化運行，達到數字化監控、采購、生產、配送和服務的智能化目標。數據融合處理是實現結構化、非結構化和半結構化等多源異構數據匯聚和存儲。數據智能處理基于多維度信息進行融合分析，并結合深度神經網絡、自然語言處理等核心算法，開展需求定義、數據理解、特征工程、模型訓練、測試評估等全流程應用，融合數據分析和融合工具、數據和模型可視化工具、模型效果測試和評估工具、模型維護理新接口。通過分布式算法集群，最大程度上挖掘數據蘊含的價值，賦予平臺預測、識別、推薦、決策等AI服務能力。

第三，業務協同是在中央廚房各環節業務全部實現數據賦能的基礎上，通過前端設備數據和業務流程的深度集成，實現中央廚房的業務流協同的智能化。業務協同使中央廚房的采購、倉儲、生產、配送，實現生產流程智能化、資源配置最優化。通過數據算法建模，分解最優的生產加工方案、最安全的生產環境監管模式、最優的配送路徑模型、最高效的生產作業流程。縱向管控優化使企業的生產排程分解成生產操作指令，讓調度指令通過生產控制實現生產在最優的操作參數下執行，使中央廚房的資源利用率最高，最終實現業務流程最優化的目標。

第四，智能管控是在業務協同的基礎上，利用PaaS平臺的大數據智能處理技術和App應用，依據數據分析模型實現對生產過程和配送過程的實時監控和智能物流配送，形成各類輔助決策，通過算法模塊實現場景應用的自執行。主要包括人員、原材料、生產環境、生產加工過程、產品質量、物流配送等智能管控輔助決策及App的應用服務。

二、中央廚房智能管控系統功能設計及技術實現

本系統結合機器學習理論，針對室內定位場景，圖像視頻目標檢測、跟蹤、識別場景和物流運送場景，運用貝葉斯深度學習、神經網絡、群智能等人工智能技術，賦能全區域、生產全流程中目標檢測、行為識別、室內定位、智能物流等智能管控功能，實現了室內運輸車的室內精準定位、工廠全要素智能管控和高效率的物流配送。

（一）目標檢測功能及技術實現

為實現中央廚房中員工、原材料或其他異常物體等目標對象的檢測識別，實現員工違規操作精確管控、果蔬精確識別以及異常物體的檢測，系統應用計算機視覺處理技術，采用YOLO V5深度神經網絡模型，輸入采集的中央廚房不同應用場景圖像數據，智能分析采集圖像中包含的具體事物，并將這些事物的所屬類別以及在圖像中的位置進行標注，進而實現目標對象檢測。YOLO算法采用全局特征進行推理，相比于滑動窗口和建議框方法，對背景的判斷更為準確。訓練好的模型在新的場景應用情況下依然具有較好的效果。

YOLO V5深度神經網絡模型通過讀取中央廚房廠區內攝像頭采集的圖像數據信息，對圖像中的人員、果蔬以及異常物體等目標事物進行定位與甄別，系統設計Mosaic數據增強的方式，通過對輸入的采集圖像采用隨機縮放、隨機裁剪、隨機排布的方式進行拼接，有效平衡數據中小目標與大目標的數量，從而增強訓練效果，滿足實時監控要求。

（二）行為識別功能及技術實現

系統基于中央廚房人員在生產過程、配送運輸多來源監控視頻，主要解決操作人員在生產過程中違規操作（如未戴帽、口罩、吐痰、抽煙等）識別問題。系統首先采用多任務細粒度人員數據感知進行生產過程異常識別等目標識別工作。通過深度學習模型訓練過程，進行特征提取。根據深度學習的思想，在訓練過程中引入Center Loss函數，增強模型的辨識能力，同時在梯度下降算法中引入閾值阻尼沖量因子，加速Center Loss 特征中心的更新過程，以確保訓練的穩定性。

其次，運用三維（3D）卷積的人員行為檢測方法。該方法將二維卷積核擴展至三維，利用三維卷積核對視頻序列提取時空特征。通過構建深度神經網絡，將特征提取與特征分類結合在一個模型中，從而實現端到端的人員異常行為識別。

最后，運用稀疏特征的行為檢測算法，構建高斯混合背景模型，提取監控視頻的人員運動目標，以稀疏編碼處理目標的尺度不變特征獲得稀疏特征。經最大池化的稀疏特征維度降低、線性支持向量機訓練、背景建模方法誤判樣本去除，從而計算獲得生產過程中人員違規操作行為的參數。

（三）室內定位功能及技術實現

在中央廚房的儲運區域，一般采用AGV運輸車自動貨物運輸，系統核心設計AGV車精準自主導航功能。系統通過MEMS IMU慣性數據和輸入延遲神經網絡（IDNN）聯合估計運輸車行駛速度，在此基礎上結合貝葉斯深度學習將其與傳統慣性解算的位置、速度與姿態（PVA）信息融合，精準計算運輸車的PVA信息。系統設計將MEMS IMU安裝在AGV車輪中心，導航目標運動時，車輪轉動帶動MEMSIMU旋轉，將重力加速度投影至IMU X軸和Y軸（假設Z軸是旋轉軸），根據重力加速度在X軸和Y軸的投影，建立載體車輪轉動角度與MEMS IMU輸出的數學模型，然后結合車輪轉動角度和半徑，從而計算載體運動速度，實現導航載體的運動速度估計。

根據位置、速度和姿態等MEMS 慣性數據為時間序列的特性，系統通過LSTM神經網絡完成中央廚房內AGV速度數據和慣性力學編排計算的PVA數據的融合，修正AGV的PVA誤差位，準確估計AGV載體室內環境下的位置、速度和姿態。接著利用貝葉斯深度學習建立準確的數據隨機模型。最后采集樣本數據，并通過數值方式求解AGV下PVA隨機模型和速度隨機模型，實現導航載體室內環境下的定位。

（四）配送路徑優化功能及技術實現

針對中央廚房的物流配送時效要求、成本要求以及路線要求等約束，系統采用基于啟發式和蟻群優化的群智能算法，以物流需求、路徑信息以及交通社會信息為輸入，智能分析路徑規劃中包含的具體事物，并提取路徑規劃的權重以及時效性，進而實現有效的路徑規劃。將物流配送的時間、成本、路線要求等抽象為具體路徑的“氣息”影響值，結合單個配送車輛對路徑的氣息影響（路徑氣息根據中央廚房物流配送的要求而更新變化），最終成為合理的啟發式算法，完成中央廚房物流配送的整體優化。將配送相同目的地、配送貨品的任務聚類為同類任務，同類任務的路徑配送方式將利用歷史隨機森林優化結果采取相應配送路徑，可快速有效地規劃出基于機器學習的物流配送路徑。

啟發式的群智能以及機器學習的路徑規劃方法存在路徑規劃的公平性、集中式數據分發及決策滯后的問題，導致中央廚房物流路徑規劃不能保障單次路徑的合理性，總體上降低了系統的性能。另外，機器學習的路徑規劃方法無法脫離先驗知識的約束，需要依據歷史規劃數據訓練學習器，這往往難以實現。為避免以上問題，系統進一步采用多智能體增強配送路徑規劃。

系統通過多智能體增強學習方法將單個配送車輛抽象為智能體，具有獨立的深度神經網絡學習模型。在每次配送過程中，單個智能體基于輸入給自己的決策信息，例如，物流信息、實效要求、交通情況等，獨立完成深度增強學習（如深度決策梯度策略算法或雙Q深度學習算法）過程。訓練自身神經網絡時，將利用所有的環境變量（包括其他配送車輛智能體的決策）訓練決策的懲罰值，既保證了單個配送車輛決策的自身合理性，又兼具了系統的總體性能，可以實現中央廚房的智能物流配送。

三、系統應用驗證

該系統已在綿陽、合肥等地央廚工廠上線運行，經應用驗證系統可滿足中央廚房的日常管控需求，系統貼合工業化生產業務流程實際，實現了全流程海量多源異構數據信息的結構化提取，完成了實體感知類、異常預測類及導航、定位等專業模型，通過構建分布式算法服務集群，為生產加工業務流程管控智能化提供算法服務支撐；促進了人工智能技術與工業生產加工業務高度融合，有助于推動傳統工業向現代工業加速轉型。

經應用測試驗證，系統支持平均萬條/s的結構化數據處理，支持處理日增量五千萬、百億級別異構數據；支持果蔬種類識別20種以上，正確率 95%；行為異常識別5種以上。檢測速率達到60f/s，檢測精確度不低于90%，室內定位精度小于0.5m；路徑規劃同比提升準點率95%以上；整體功能/性能達到國內先進水平。

參考文獻：

[1]中研普華，2019—2025年中國中央廚房行業市場分析及投資前景研究預測報告[R].2019.

[2]余學軍 “互聯網+”時代食品安全智慧監管策略研究[J].食品工業，2018，39（08）：244-246.

[3]夏明，劉川杰，王奇.面向公共安全的多源異構數據結構化提取關鍵技術研究[J].數字通信世界，2021（05）：3-4+30.

[4]張璐，劉阿建.基于改進Center Loss函數的行人再辨識[J].計算機技術與發展，2019，29（09）：45-50.

[5]李榮冰，鄢俊勝，劉剛，等.基于LSTM 深度神經網絡的MEMS－IMU誤差模型及標定方法[J].中國慣性技術學報，2020，28（02）：165-171.

[6]張志強，張璟，張翔.基于蟻群優化的混合智能算法研究[J].西安理工大學學報，2009，25（03）：314-317.

作者簡介：劉川杰（1984），男，四川省人，碩士研究生，主要研究方向為人工智能技術；孫宏（1982），男，四川省人，本科，主要研究方向為大數據技術；李杜（1978），男，四川省內江市人，碩士研究生，主要研究方向為電子信息技術。