一种基于深度学习的餐厅上菜进度提示方法及系统与流程

本发明涉及餐厅管理的，特别是涉及一种基于深度学习的餐厅上菜进度提示方法及系统。

背景技术：

1、在传统的餐厅服务中，上菜进度通常依赖于服务员的经验和记忆。当客人点餐后，服务员会记录下每道菜品的制作顺序和预计上菜时间。然而，由于餐厅的工作繁忙和人员流动性大，这种人工管理方式往往存在误差，导致菜品上菜时间不准确，影响客户体验。为了解决这个问题，一些餐厅开始使用电子设备来跟踪菜品制作进度，例如，通过在厨房安装摄像头来监控菜品制作过程，并通过人工或自动方式来提醒服务员上菜。

2、然而，上述方法仍然存在一些问题。首先，摄像头监控只能提供有限的视觉信息，难以准确判断菜品制作进度；其次，人工提醒容易受到人为因素的影响，如提醒不及时或误判情况。因此，亟需一种基于深度学习的餐厅上菜进度提示方法。

技术实现思路

1、为解决上述技术问题，本发明提供一种解决了传统餐厅服务中上菜进度管理的问题，提高了判断准确性、服务效率和客户体验的基于深度学习的餐厅上菜进度提示方法。

2、第一方面，本发明提供了一种基于深度学习的餐厅上菜进度提示方法，所述方法包括：

3、获取客人点餐订单信息以及餐厅实时制餐信息；

4、根据所述客人点餐订单信息，提取客人就餐位置以及点餐菜品；

5、根据所述点餐菜品，由餐厅实时制餐信息中提取出对应的菜品制作排程；

6、将所述点餐菜品输入至预先构建的菜品制作时长预测模型中，获得每道菜品的制作时长；

7、根据每道菜品的制作时长以及对应的菜品制作排程，计算得到每道菜品上菜时间；

8、将每道菜品上菜时间之前的预设时长作为图像采集时间节点；并根据图像采集时间节点采集客人就餐位置的餐桌图像；

9、将所述客人就餐位置的餐桌图像输入至预先构建的菜品识别模型中，判断对应上菜时间的菜品是否已上菜；若对应上菜时间的菜品已上菜，则无动作；若对应上菜时间的菜品未上菜，则对菜品制作厨师进行上菜进度提示“距离菜品上菜时间还有所述预设时长”。

10、进一步地，客人点餐订单信息以及餐厅实时制餐信息获取方法包括：

11、在餐厅实施数字化点餐系统，让客人通过手机应用和电子菜单进行点餐，数字化点餐系统能够实时记录客人的点餐信息，包括所点菜品、数量和特殊要求，获取客人点餐订单信息；

12、利用pos系统来整合客人点餐订单信息，pos系统与数字化点餐系统集成，记录每个订单的详细信息；

13、在餐厅的厨房设置传感器和监测设备，用于实时监测食材的使用情况、厨房设备的运作状态以及菜品的制作进度，获取餐厅实时制餐信息。

14、进一步地，菜品制作排程提取方法包括：

15、根据点餐菜品和餐厅实时制餐信息，构建包含点餐菜品的信息以及制作时间的相关参数的数据集，其中包括菜品id、制作时间、所需厨具和厨师信息；

16、选择注意力机制模型来预测菜品的制作排程，捕捉菜品制作时间的时序关系；

17、利用历史数据，对选择的注意力机制模型进行训练，训练过程需要用点餐菜品的信息和实际制作时间来调整模型的权重；

18、训练完成后，使用验证数据集来评估模型的性能，检验模型对新数据的泛化能力；

19、将数据集输入至模型中，模型输出对应的菜品制作排程。

20、进一步地，所述菜品制作时长预测模型构建方法包括：

21、获取历史订单数据，包括每道菜品的制作时长、菜品id、厨具需求和厨师信息，将制作时长作为标签；

22、对菜品id、厨具和厨师信息进行嵌入，将其转化为连续向量表示；

23、选择长短时记忆网络作为模型的基础，处理序列数据，并捕捉菜品制作时长的时序关系；

24、设计模型的结构，包括输入层、隐藏层和输出层；

25、选择均方误差作为损失函数，度量模型预测与实际值之间的差距；

26、将数据集划分为训练集和验证集，用于训练模型和评估模型性能；

27、使用训练集进行模型的训练，通过反向传播算法不断调整模型参数；

28、调整模型的超参数，包括学习率和隐藏层节点数，优化模型性能；

29、使用验证集来评估模型的性能，确保其在未见过的数据上能够准确地预测菜品制作时长；

30、将训练好的模型部署到实际餐厅系统中，实时预测每道菜品的制作时长。

31、进一步地，针对客人就餐位置的餐桌图像获取方法包括：

32、在餐厅内所有就餐区域布置安装摄像设备，捕捉到客人就餐位置和桌面上的菜品情况；

33、将每道菜品上菜时间之前的预设时长作为图像采集时间节点；

34、通过摄像设备实时采集餐桌图像，并将餐桌图像经过网络传输至中央存储设备。

35、进一步地，所述菜品识别模型构建方法包括：

36、收集历史餐桌图像数据，所述餐桌图像数据包含各种不同菜品的情况、不同光照条件下的图像以及不同摆盘方式；

37、为每张图像标注菜品的位置和类别；

38、对图像数据进行增强，扩充数据集；

39、根据问题的复杂性选择卷积神经网络模型作为模型基础；

40、使用准备好的数据集对选择的模型进行训练，使模型学习如何从图像中提取有关菜品的特征，并将其映射到相应的类别；

41、使用独立于训练集的验证集评估模型性能；

42、将训练好的模型部署到餐厅系统中，使模型能够实时地接收和处理新的餐桌图像，并准确识别菜品。

43、进一步地，所述每道菜品上菜时间通过将制作开始时间与制作时长相加获得。

44、另一方面，本技术还提供了一种基于深度学习的餐厅上菜进度提示系统，所述系统包括：

45、信息获取模块，用于获取客人点餐订单信息以及餐厅实时制餐信息，并发送；

46、客人用餐信息提取模块，用于接收客人点餐订单信息，根据所述客人点餐订单信息，提取客人就餐位置以及点餐菜品，并发送；

47、菜品制作排程提取模块，用于接收餐厅实时制餐信息和点餐菜品，根据所述点餐菜品，由餐厅实时制餐信息中提取出对应的菜品制作排程，并发送；

48、制作时长预测模块，用于接收点餐菜品信息，将所述点餐菜品输入至预先构建的菜品制作时长预测模型中，获得每道菜品的制作时长，并发送；

49、上菜时间计算模块，用于接收每道菜品的制作时长和菜品制作排程，根据每道菜品的制作时长以及对应的菜品制作排程，计算得到每道菜品上菜时间，并发送；

50、图像采集模块，用于接收每道菜品上菜时间，根据每道菜品上菜时间之前的预设时长作为图像采集时间节点；根据图像采集时间节点采集客人就餐位置的餐桌图像，并发送；

51、菜品识别模块，用于接收客人就餐位置的餐桌图像，将所述客人就餐位置的餐桌图像输入至预先构建的菜品识别模型中，判断对应上菜时间的菜品是否已上菜，并将模型输出结果发送；

52、进度提示模块，用于接收模型输出结果，根据模型输出结果进行判断，若对应上菜时间的菜品已上菜，则无动作；若对应上菜时间的菜品未上菜，则对菜品制作厨师进行上菜进度提示“距离菜品上菜时间还有所述预设时长”。

53、第三方面，本技术提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。

54、第四方面，本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。

55、与现有技术相比本发明的有益效果为：通过使用深度学习模型进行菜品制作时长预测，能够更准确地估计每道菜品的制作时间，避免了传统人工管理方式中由于服务员经验和记忆的不确定性导致的误差；该方法通过实时获取客人点餐订单信息和餐厅实时制餐信息，能够实时监测制作进度，及时响应变化，提高了对餐厅运营情况的敏感性；通过综合考虑客人点餐订单信息、制餐信息以及深度学习模型的输出，能够更全面地考虑各种因素，提高了对上菜时间的综合判断能力；

56、通过使用图像采集和菜品识别模型，弥补了摄像头监控的局限性，提供更多、更准确的信息，用于判断菜品是否已上菜；通过准确的上菜时间和及时的提醒，能够有效地提高服务效率，减少客户等待时间，从而提升客户就餐体验；通过深度学习模型的自动化预测和提示，减少了人工提醒受到人为因素干扰的可能性，提高了系统的稳定性和可靠性；

57、综上所述，该基于深度学习的餐厅上菜进度提示方法通过技术手段解决了传统餐厅服务中上菜进度管理的问题，提高了判断准确性、服务效率和客户体验。