CN109377035A - 一种基于大数据的智慧餐厅管理平台 - Google Patents

Abstract

一种基于大数据的智慧餐厅管理平台，包括智能安全监管机模块、食品安全溯源模块和餐饮店员工和顾客商务管理模块。本发明利用大数据平台将智能安全监管模块、食品安全溯源模块和商务管理模块整合起来，形成餐饮店安全监管数据库、餐饮店网络舆情数据库、食品安全信息数据库、餐饮店员工信息数据库和餐饮店顾客信息数据库；保障顾客的能够获得全方位的消费体验，同时改善餐饮店的商务管理模式、服务模式和安全监管模式，形成智能安全监管、商务管理和食品安全溯源相结合的餐饮服务形态。

Description

一种基于大数据的智慧餐厅管理平台

技术领域

本发明涉及餐饮管理技术领域，特别涉及一种基于大数据的智慧餐厅管理平台。

背景技术

随着人工智能技术的日趋成熟，立足于餐饮店安全问题，很多智能监管的产品被研发出来，并投入使用，极大地提高了餐饮店的安全性，使顾客获得了高安全性的消费体验。同时，将信息技术、物联网技术和计算机技术应用到餐饮店管理中，开发出很多产品，如客户端APP，智能点餐系统等，极大地提高了消费者的就餐效率、餐饮店营业额度和服务效率。

然而，在餐饮行业中，关于餐饮店信息数据、食品溯源信息数据、餐饮消费数据和顾客信息数据，如食品信息、顾客消费额度、顾客菜品喜好、顾客单月消费频次、顾客就餐时间、VIP顾客等，却很少被进行系统的分析，形成各种风险评估。例如，利用包含顾客消费时间、消费上限、顾客菜品喜好、顾客单月消费频次、是否VIP顾客等信息数据；建立数据挖掘模型，形成各种风险评估结果，如菜品推荐、菜品优惠、顾客单次消费上限、VIP顾客服务、包间预留、包间服务等，提升顾客的就餐体验。又如，通过建立数据挖掘模型，对餐饮店的监控数据进行分析，形成餐饮店菜品量的控制机制，将浪费降至最低。再如，利用餐饮店员工的个人基本信息、岗位信息、考勤信息和收入信息等，通过建立模型，形成关于员工的风险控制，形成各种培训机制、考勤机制、奖励机制和补贴机制等，最大化员工的利益。

随着计算机技术和信息技术的不断发展，大数据技术被深度入地应用于很多领域，成为以前沿科学技术。在交通运输、金融管理、网络安全等领域都涉及到大数据技术；大数据技术已经被植入这些领域，并基于此开发出很多新颖的产品，包括金融风险控制平台、舆情控制平台、交通监管平台。

在餐饮行业，食品安全监管、餐饮店管理、食品安全溯源与餐饮店的服务效益、营业效益等密切相关。建立安全监管、商务管理和食品安全溯源的智能化体系，保障顾客的能够获得全方位的消费体验，同时改善餐饮店的商务管理模式、服务模式和安全监管模式；最终，在保障就餐效率、餐饮店营业额度和服务效率的基础上，形成智能安全监管、商务管理和食品安全溯源相结合的闭环服务。

发明内容

本发明的目的在于提供一种基于大数据的智慧餐厅管理平台，该平台能够保障顾客的能够获得全方位的消费体验，同时改善餐饮店的商务管理模式、服务模式和安全监管模式，形成智能安全监管、商务管理和食品安全溯源相结合的餐饮服务形态。

本发明的技术方案：

基于大数据的智慧餐厅管理平台，包括智能安全监管机模块、食品安全溯源模块和餐饮店员工和顾客商务管理模块。

前述基于大数据的智慧餐厅管理平台，所述智能安全监管模块包括餐饮店安全监控和餐饮店网络舆情控制。

前述基于大数据的智慧餐厅管理平台，所述餐饮店安全监控的步骤为：

（1）将数据处理程序植入监控设备，处理监控的原始数据；

（2）数据处理程序包括噪声处理、图像增强、图像分割和图像复原步骤，将原始数据做上述处理，得到图像数据；

（3）将上述的图像数据，利用LBP算法进行特征提取；首先，将图像数据按照检测窗口划分为16×16的小区域；其次，对于每个子区域中的一个像素，将相邻的8个像素的灰度值与其进行比较计算得出每个子区域的统计直方图；最后，将得到的每个子区域的统计直方图进行连接，构建关于顾客或厨房作业人员的肢体动作、面部表情的特征向量，也即目标区域的LBP纹理特征向量；

（4）利用（3）中的LBP算法，对标准化的肢体动作、面部表情进行特征提取，获取与（3）结构相同的标准化LBP纹理特征向量；

（5）构建标准化的肢体动作与不同举止行为之间的关联度、面部表情与不同情绪的关联度；

（6）根据RNN算法原理，搭建数学模型；分别将（4）中关于标准的肢体动作、面部表情作为模型输入，获取模型输出；设定模型的训练精度阈值，若实际训练精度小于设定的阈值，模型训练成功，反之，继续调整参数，进行训练至满足要求为止；

（7）根据（6）所训练好的标准数学模型，分别将（3）中处理得到目标区域的LBP纹理特征向量作为对比数学模型输入，通过模型分析，获取输出结果，即肢体动作与不同举止行为的关联度以及面部表情与不同情绪的关联度；

（8）将（7）所述的关联度与（5）所述的标准关联度进行对比，获得的关于顾客或厨房作业人员的面部情绪和肢体动作的举止行为，并进行分类；通过面部情绪和肢体动作判断顾客或厨房作业人员心理变化、行为趋势，以进行针对性服务或措施。

前述基于大数据的智慧餐厅管理平台，所述餐饮店网络舆情控制的步骤为：

（1）网络舆情数据收集：将微博、论坛、微信、博客和贴吧作为网络媒体库，通过网站开源API和网络爬虫采集手段，获取包括餐饮店安全风险、餐饮店受欢迎热度和餐饮店好评的网络舆情数据，存入数据库；

（2）网络舆情数据清理：利用分箱，对数据平滑处理、聚类和回归，对（1）数据库中的数据进行数据清理，获取清理后的网络舆情数据；

（3） 网络舆情数据集成：在清理后的网络舆情数据中，通过模式匹配、降低数据冗余及数据值冲突的影响，将异构数据进行合并，然后存放在一个一致的数据存储单元中；

（4） 网络舆情数据规约：利用维规约、数据压缩、数值压缩、离散化和概念分层，过滤掉网络舆情数据中的无关信息；

（5） 网络舆情数据变换：根据数据挖掘模型的数据输入结构，利用平滑、聚集、数据概化、数据规范化和属性构造手段将（3）中清理的数据转换成适用于数据挖掘的形式；另外，针对实数型数据，采用概念分层、数据离散化进行转换，得到简化数据。

（6） 网络舆情数据挖掘：根据不同的数据信息和预期的挖掘结果，分别采用贝叶斯决策、k均值聚类以及遗传算法建立挖掘模型，将经（5）处理后的简化数据作为模型输入，通过模型分析，获取预期的多维度输出结果，如：餐饮店食品安全风险评估、受群众欢迎度和舆情事件关注者分布情况；

（7） 舆情信息表示：将（6）中挖掘结果通过可视化处理，以可视化的方式呈现给用户，或作为数据存放于系统数据库，作为其他应用分析的输入数据。

前述基于大数据的智慧餐厅管理平台，所述食品安全溯源模块的步骤为：

（1） 利用IoT技术，获取食品原材料的溯源信息，包括农场基地、商超农贸、批发市场和工厂的位置信息、资质信息、营业执照、员工基本信息；

（2） 利用IoT技术，获取食品加工生产的溯源信息，包括农场基地、流水线、工厂的位置信息、资质信息、营业执照、作业人员基本信息；

（3） 利用IoT技术，获取食品批发的溯源信息，包括商超农贸、批发市场、工厂的位置信息、资质信息、营业执照、作业人员基本信息；

（4） 利用IoT技术，获取食品销售的溯源信息，包括商超农贸、批发市场、工厂的位置信息、资质信息、营业执照、作业人员基本信息；

（5） 利用机器视觉和RFID技术，获取餐饮店的溯源信息，包括餐饮店位置信息、信息、营业执照、员工基本信息、厨房信息设施信息以及菜品的制作信息；

（6） 利用机器视觉和RFID技术，获取就餐过程的溯源信息，包括餐桌、服务人员和就餐人员信息；

（7） 将上述信息集成，形成食品原材料-加工生产-批发-销售-餐饮店-餐桌的链式食品安全追踪溯源信息数据。

前述基于大数据的智慧餐厅管理平台，所述商务管理模块包括员工管理和顾客管理。

前述基于大数据的智慧餐厅管理平台，所员工管理的步骤为：

（1） 将关于员工的岗位信息、考勤打卡、个人信息、餐饮服务评价、薪资待遇和离/入职信息构建成餐饮店服务人员信息数据库；

（2） 根据循环神经网络算法，建立员工管理标准模型；将（1）中餐饮店服务人员信息数据库的各项信息数据作为模型的数据输入，经由模型进行分析处理后，输出各种预测结果，包括员工的工作绩效值、岗位积极性、薪资待遇满意度、员工对公司满意度、员工服务态度和员工焦虑值；

（3） 根据上述预测结果，采取针对性措施，包括考勤管理机制、绩效管理机制、岗位管理机制、培训管理机制、财务管理机制和人事管理机制；

（4） 将（2）中关于员工的多种预测结果结合，进行分析，获取形成因素，据此作为管理过程中采取管理措施的参考，避免考勤管理冲突、绩效管理冲突、岗位管理冲突、培训管理冲突、财务管理冲突和人事管理冲突，最大化餐饮行业的利益和员工的利益。

前述基于大数据的智慧餐厅管理平台，所述顾客管理的步骤为：

（1） 将关于顾客的就餐频次、消费上限、菜品喜好、就餐时间、是否VIP和就餐位置信息构建成餐饮店顾客信息数据库；

（2）根据循环神经网络算法原理，建立顾客管理模型；将（1）中餐饮店顾客信息数据库的各项信息数据作为模型的数据输入，进行分析处理后，输出各种预测结果，包括顾客的就餐体验度、就餐积极度、菜品好评度、服务满意度、菜品喜好度、就餐位置青睐度和VIP体验度；

（3） 根据上述预测结果，采取针对性措施，包括菜品推送机制、消费优惠管理机制、VIP客户服务机制、包间管理机制、积分管理机制和菜品管理机制；

（4） 将（2）中关于顾客信息的多种预测结果结合，进行分析，获取形成因素，据此作为就餐过程中采取服务措施的参考，在提升顾客的就餐体验度、就餐积极度、菜品好评度、服务满意度、菜品喜好度、就餐位置青睐度和VIP体验度的同时，从顾客服务方面，提升公司的营业效益和员工的服务质量。

本发明的有益效果：

（1）本法明利用大数据平台将智能安全监管模块、食品安全溯源模块和商务管理模块整合起来，形成餐饮店安全监管数据库、餐饮店网络舆情数据库、食品安全信息数据库、餐饮店员工信息数据库和餐饮店顾客信息数据库；保障顾客的能够获得全方位的消费体验，同时改善餐饮店的商务管理模式、服务模式和安全监管模式，形成智能安全监管、商务管理和食品安全溯源相结合的餐饮服务形态。

（2）将员工管理和顾客管理有机地结合起来，形成员工-餐饮店-顾客的双向交互方式管理，即餐饮店通过对顾客的信息进行分析，得出各项指标，以各项指标作为员工的管理依据，对员工的管理进行调整；同时，餐饮店通过对于员工的信息进行分析，得出各项指标，以各项指标作为顾客的管理依据，对各类顾客的就餐情况进行优化调整。

（3）系统构建各模块间的信息交互机制，在餐饮店安全监管模块中，厨房安全动态监管与食品安全溯源模块的餐饮店厨房溯源共享信息，厨房员工的监控数据、餐饮店人流动监控数据作为餐饮店商务管理模块的员工、顾客的实时动态信息；在餐饮店食品安全溯源模块中，食品安全的信息数据经进行可视化处理后，供顾客进行浏览，作为一项顾客就餐体验指标。

（4）本系统中智能安全监管模块利用集成于大数据平台上的机器视觉技术，对餐饮店监控视频数据或图像数据进行处理，实现实时监控，防止偷盗、投毒事件的发生，同时利用集成于大数据平台上的数据挖掘技术，对与餐饮安全的网络舆情数据进行分析处理，形成网络舆情数据预测机制，实现网络舆情风险监控；食品安全溯源模块利用集成于大数据平台上的数据挖掘技术，对根据IoT技术获取关于食品原料供应、食品加工生产、食品批发销售、食品运输采购的信息数据进行分析处理，形成食品从农场基地到餐桌的链式食品安全信息数据库，实现食品的安全信息溯源；商务管理模块利用集成于大数据平台上的数据挖掘技术和深度学习技术，对关于员工的员工信息数据库和关于顾客的顾客信息数据库进行分析处理，建立员工培训、员工补贴、员工福利、菜品推荐、优惠管理、VIP服务和包间管理等机制，实现员工和顾客的商务智能化管理。

附图说明

附图1是系统结构框架图；

附图2是智能安全监管模块框架图；

附图3是食品安全溯源模块框架图；

附图4是商务管理模块框框架图。

具体实施方式：

下面结合附图和实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。

实施例1

基于大数据的智慧餐厅管理平台，图1所示为系统的结构框架，系统由三个模块组成，分别为智能安全监管模块、食品安全溯源模块和商务管理模块。整套系统的功能是：利用集成于大数据平台上的机器视觉技术，对餐饮店监控视频数据或图像数据进行处理，实现实时监控，防止偷盗、投毒事件的发生；利用集成于大数据平台上的数据挖掘技术，对与餐饮安全的网络舆情数据进行分析处理，形成网络舆情数据预测机制，实现网络舆情风险监控；利用集成于大数据平台上的数据挖掘技术，对根据IoT技术获取关于食品原料供应、食品加工生产、食品批发销售、食品运输采购的信息数据进行分析处理，形成食品从农场基地到餐桌的链式食品安全信息数据库，真正意义上实现食品的安全信息溯源；利用集成于大数据平台上的数据挖掘技术和深度学习技术，对关于员工的员工信息数据库和关于顾客的顾客信息数据库进行分析处理，建立员工培训、员工补贴、员工福利、菜品推荐、优惠管理、VIP服务和包间管理等机制，实现员工和顾客的商务智能化管理。整套系统的目的是为了提升餐饮店的餐饮服务效益、顾客的就餐体验、员工的管理效益，以期提高餐饮店的营业效益。

本系统数据库服务器采用Intel_Xeon E7-4820 v4 处理芯片×4，设置WEB API（络应用程序接口），并按照典型的方法进行各模块之间的连接。

图2所示为系统的智能安全监管模块，该模块分为餐饮店安全监控和餐饮店网络舆情控制。

关于餐饮店安全监控，利用机器视觉技术对餐饮店的监控视频数据进行处理，其步骤为：

（1） 为降低监控视频数据的上传时间和存储成本，将数据处理程序植入监控设备，提高监控实时性；

（2） 数据处理程序包括噪声处理、图像增强、图像分割、图像复原步骤，将原始数据做上述处理，得到信噪比较高的图像数据，便于作后续处理；

（3） 将经（2）处理的图像数据，进行特征提取，利用LBP算法进行特征提取；首先，将检测窗口划分为16×16的子区域；其次，对于每个子区域中的一个像素，将相邻的8个像素的灰度值与其进行比较；其次，计算每个子区域的直方图；最后，将得到的每个子区域的统计直方图进行连接，构建关于顾客或厨房作业人员的肢体动作、面部表情成为一个的特征向量，也就是整幅图即目标区域的LBP纹理特征向量；

（4） 利用（3）中的LBP算法，对标准化的肢体动作、面部表情进行特征提取，获取与（3）结构相同特征向量；

（5） 构建标准化的肢体动作与不同举止行为之间的关联度（与举止行为一一对应）、面部表情与不同情绪的关联度（与面部情绪一一对应）；

（6）根据RNN（循环神经网络）算法原理，搭建数学模型；分别将（4）中关于标准的肢体动作、面部表情作为模型输入，获取模型输出；设定模型的训练精度阈值，若实际训练精度（模型输出与标准的肢体动作与不同举止行为的关联度、面部表情与不同情绪的关联度的差值）小于设定的阈值，模型训练成功，反之，继续调整参数（训练次数，隐含层数等参数），进行训练至满足要求为止；

（7）根据（6）所训练好的标准数学模型，分别将（3）中理得到目标区域的LBP纹理特征向量作为对比数学模型输入，通过模型分析，获取输出结果，即肢体动作与不同举止行为的关联度以及面部表情与不同情绪的关联度；

（8）将（7）所述的关联度与（5）所述的标准关联度进行对比，获得的关于顾客或厨房作业人员的面部情绪和肢体动作的举止行为，并进行分类；通过面部情绪和肢体动作判断顾客或厨房作业人员心理变化、行为趋势等（如顾客就餐情绪、满意度，作业人员工作情绪变化等），以进行针对性服务或措施。

关于网络舆情控制，采用数据挖掘技术对网络舆情数据进行处理，实现网络舆情实时控制，其步骤为：

（1） 网络舆情数据收集：将微博、论坛、微信、博客和贴吧等作为网络媒体库，通过网站开源API和网络爬虫等采集手段，获取包括餐饮店安全风险、餐饮店受欢迎热度、餐饮店好评等的网络舆情数据；根据确定的数据分析对象抽象出在数据分析中所需要的特征信息，然后选择合适的网络舆情数据收集方法，将收集到的网络舆情数据存入数据库；

（2） 网络舆情数据清理：利用分箱（把待处理的数据（某列属性值）按照一定的规则放进一些箱子中，对数据平滑处理）、聚类（将数据中物理的或抽象对象的集合分组为由类似的对象组成的多个类。）和回归（寻找两个相关的变量之间的变化模式，通过使数据适合一个函数来平滑数据，即通过建立数学模型来预测下一个数值，包括线性回归和非线性回归。），对（1）数据库中的结构不完整，含噪声，并且不一致的数据进行数据清理，获取结构完整、正确、一致的网络舆情数据；

（3） 网络舆情数据集成：在（2）中规约的数据中（清理后的网络舆情数据），通过模式匹配、降低数据冗余及数据值冲突的影响，将异构数据进行合并，然后存放在一个一致的数据存储单元中；把不同来源、格式、特点性质的网络舆情数据集中，从而为餐饮业提供全面的数据共享；

（4） 网络舆情数据规约规约：为降低因数据量非常大导致的处理时间成本，采用数据规约技术对网络舆情数据进行规约处理，利用维规约（检测并删除不相关、弱相关或冗余属性）、数据压缩（将数据进行编码压缩）、数值压缩（用较小的数据表示数据，或采用较短的数据单位，或者用数据模型代表数据。）、离散化和概念分层（离散化：用确定的有限个区段值代替原始值；概念分层：用较高层次的概念替换低层次的概念，以减少取值个数。）等方法，过滤掉网络舆情数据中的无关信息；

（5） 网络舆情数据变换：根据数据挖掘模型的数据输入结构，利用平滑、聚集、数据概化、数据规范化和属性构造等手段数据处理手段将（4）中规约的数据转换成适用于数据挖掘的形式；另外，针对实数型数据，还需采用概念分层和、数据的离散化手段进行转化换，将数据属性相同的数据记性分类，消除数据冗余，得到简化数据，易于后续数据挖掘；

（6） 网络舆情数据挖掘：根据不同的数据信息和预期的挖掘结果，分别采用贝叶斯决策、k均值聚类以及遗传算法建立挖掘模型，将经（5）处理后的简化数据作为模型输入，通过模型分析，获取预期的多维度输出结果，如：餐饮店食品安全风险评估、受群众欢迎度、舆情事件关注者分布情况等；

（7） 舆情信息表示：将（6）中经由数据挖掘所得到的分析信息挖掘结果通过可视化处理，以可视化的方式呈现给用户，或作为数据存放于系统数据库，作为其他应用分析的输入数据。

图3所示为系统的食品安全溯源模块，该模块的功能是完成食品从原材料到餐桌的链式安全信息溯源，其步骤为：

（1）利用IoT技术，获取食品原材料的溯源信息，包括农场基地、商超农贸、批发市场和工厂的位置信息、资质信息、营业执照、员工基本信息等；

（2）利用IoT技术，获取食品加工生产的溯源信息，包括农场基地、流水线、工厂的位置信息、资质信息、营业执照、作业人员基本信息等；

（3）利用IoT技术，获取食品批发的溯源信息，包括商超农贸、批发市场、工厂的位置信息、资质信息、营业执照、作业人员基本信息等；

（4）利用IoT技术，获取食品销售的溯源信息，包括商超农贸、批发市场、工厂的位置信息、资质信息、营业执照、作业人员基本信息等；

（5）利用机器视觉和RFID技术，获取餐饮店的溯源信息，包括餐饮店位置信息、信息、营业执照、员工基本信息、厨房信息设施信息以及菜品的制作信息等；

（6）利用机器视觉和RFID技术，获取就餐过程的溯源信息，包括餐桌、服务人员和就餐人员信息等；

（7）将上述信息集成，形成食品原材料-加工生产-批发-销售-餐饮店-餐桌的链式食品安全追踪溯源信息数据。

图4所示为系统的商务管理模块，该模块分为员工管理和顾客管理，目的是为了提升员工的餐饮服务质量和顾客的就餐体验，形成员工-餐饮店-顾客的管理机制。

关于员工的管理的步骤为：

（1）将关于员工的岗位信息、考勤打卡、个人信息、餐饮服务评价、薪资待遇和离/入职信息等构建成餐饮店服务人员信息数据库；

（2） 根据RNN（循环神经网络）算法原理，选择适合的学习算法或联合使用多种学习算法，建立员工管理标准模型；利用标准训练集对模型进行训练，获得训练完好的模型；对将（1）中餐饮店服务人员信息数据库的各项信息数据作为模型的数据输入，经由模型进行分析处理后，输出形成各种预测结果，如员工的工作绩效值、岗位积极性、薪资待遇满意度、员工对公司满意度、员工服务态度和员工焦虑值；

（3）根据上述预测结果，采取针对性措施，包括考勤管理机制、绩效管理机制、岗位管理机制、培训管理机制、财务管理机制和人事管理机制等；

（4）将（2）中关于员工的多种预测结果结合，进行分析，获取形成因素，据此采取多种措施，避免考勤管理冲突、绩效管理冲突、岗位管理冲突、培训管理冲突、财务管理冲突和人事管理冲突等，最大化餐饮行业的利益和员工的利益。

关于顾客的管理的步骤为：

（1）将关于顾客的就餐频次、消费上限、菜品喜好、就餐时间、是否VIP和就餐位置等信息构建成餐饮店顾客信息数据库；

（2）根据RNN（循环神经网络）算法原理，选择适合的学习算法或联合使用多种学习算法，建立模型；利用标准训练集对模型进行训练，获得训练完好的模型； 利用深度学习技术，将对（1）中餐饮店顾客信息数据库的各项信息数据作为模型的数据输入，进行分析处理后，输出形成各种预测结果，如顾客的就餐体验度、就餐积极度、菜品好评度、服务满意度、菜品喜好度、就餐位置青睐度和VIP体验度；

（3）根据上述预测结果，采取针对性措施，包括菜品推送机制、消费优惠管理机制、VIP客户服务机制、包间管理机制、积分管理机制和菜品管理机制等；

（4）将（2）中关于顾客信息的多种预测结果结合，进行分析，获取形成因素，据此作为管理过程中采取管理措施的参考，在提升顾客的就餐体验度、就餐积极度、菜品好评度、服务满意度、菜品喜好度、就餐位置青睐度和VIP体验度等的同时，从顾客服务方面，提升公司的营业效益和员工的服务质量等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和 原则之内，所作任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于大数据的智慧餐厅管理平台，其特征在于：包括智能安全监管机模块、食品安全溯源模块和餐饮店员工和顾客商务管理模块。

2.根据权利要求1所述基于大数据的智慧餐厅管理平台，其特征在于：所述智能安全监管模块包括餐饮店安全监控和餐饮店网络舆情控制。

3.根据权利要求2所述基于大数据的智慧餐厅管理平台，其特征在于,所述餐饮店安全监控的步骤为：

（1）将数据处理程序植入监控设备，处理监控的原始数据；

（2）数据处理程序包括噪声处理、图像增强、图像分割和图像复原步骤，将原始数据做上述处理，得到图像数据；

（3）将上述的图像数据，利用LBP算法进行特征提取；首先，将图像数据按照检测窗口划分为16×16的小区域；其次，对于每个子区域中的一个像素，将相邻的8个像素的灰度值与其进行比较计算得出每个子区域的统计直方图；最后，将得到的每个子区域的统计直方图进行连接，构建关于顾客或厨房作业人员的肢体动作、面部表情的特征向量，也即目标区域的LBP纹理特征向量；

（4）利用（3）中的LBP算法，对标准化的肢体动作、面部表情进行特征提取，获取与（3）结构相同的标准化LBP纹理特征向量；

（5）构建标准化的肢体动作与不同举止行为之间的关联度、面部表情与不同情绪的关联度；

（6）根据RNN算法原理，搭建数学模型；分别将（4）中关于标准的肢体动作、面部表情作为模型输入，获取模型输出；设定模型的训练精度阈值，若实际训练精度小于设定的阈值，模型训练成功，反之，继续调整参数，进行训练至满足要求为止；

（7）根据（6）所训练好的标准数学模型，分别将（3）中处理得到目标区域的LBP纹理特征向量作为对比数学模型输入，通过模型分析，获取输出结果，即肢体动作与不同举止行为的关联度以及面部表情与不同情绪的关联度；

（8）将（7）所述的关联度与（5）所述的标准关联度进行对比，获得的关于顾客或厨房作业人员的面部情绪和肢体动作的举止行为，并进行分类；通过面部情绪和肢体动作判断顾客或厨房作业人员心理变化、行为趋势，以进行针对性服务或措施。

4.根据权利要求2所述基于大数据的智慧餐厅管理平台，其特征在于,所述餐饮店网络舆情控制的步骤为：

（1）网络舆情数据收集：将微博、论坛、微信、博客和贴吧作为网络媒体库，通过网站开源API和网络爬虫采集手段，获取包括餐饮店安全风险、餐饮店受欢迎热度和餐饮店好评的网络舆情数据，存入数据库；

（2）网络舆情数据清理：利用分箱，对数据平滑处理、聚类和回归，对（1）数据库中的数据进行数据清理，获取清理后的网络舆情数据；

（3）网络舆情数据集成：在清理后的网络舆情数据中，通过模式匹配、降低数据冗余及数据值冲突的影响，将异构数据进行合并，然后存放在一个一致的数据存储单元中；

（4）网络舆情数据规约：利用维规约、数据压缩、数值压缩、离散化和概念分层，过滤掉网络舆情数据中的无关信息；

（5）网络舆情数据变换：根据数据挖掘模型的数据输入结构，利用平滑、聚集、数据概化、数据规范化和属性构造手段将（3）中清理的数据转换成适用于数据挖掘的形式；另外，针对实数型数据，采用概念分层、数据离散化进行转换，得到简化数据。

（6）网络舆情数据挖掘：根据不同的数据信息和预期的挖掘结果，分别采用贝叶斯决策、k均值聚类以及遗传算法建立挖掘模型，将经（5）处理后的简化数据作为模型输入，通过模型分析，获取预期的多维度输出结果，如：餐饮店食品安全风险评估、受群众欢迎度和舆情事件关注者分布情况；

（7）舆情信息表示：将（6）中挖掘结果通过可视化处理，以可视化的方式呈现给用户，或作为数据存放于系统数据库，作为其他应用分析的输入数据。

5.根据权利要求2所述基于大数据的智慧餐厅管理平台，其特征在于,所述食品安全溯源模块的步骤为：

（1）利用IoT技术，获取食品原材料的溯源信息，包括农场基地、商超农贸、批发市场和工厂的位置信息、资质信息、营业执照、员工基本信息；

（2）利用IoT技术，获取食品加工生产的溯源信息，包括农场基地、流水线、工厂的位置信息、资质信息、营业执照、作业人员基本信息；

（3）利用IoT技术，获取食品批发的溯源信息，包括商超农贸、批发市场、工厂的位置信息、资质信息、营业执照、作业人员基本信息；

（4）利用IoT技术，获取食品销售的溯源信息，包括商超农贸、批发市场、工厂的位置信息、资质信息、营业执照、作业人员基本信息；

（5）利用机器视觉和RFID技术，获取餐饮店的溯源信息，包括餐饮店位置信息、信息、营业执照、员工基本信息、厨房信息设施信息以及菜品的制作信息；

（6）利用机器视觉和RFID技术，获取就餐过程的溯源信息，包括餐桌、服务人员和就餐人员信息；

（7）将上述信息集成，形成食品原材料-加工生产-批发-销售-餐饮店-餐桌的链式食品安全追踪溯源信息数据。

6.根据权利要求2所述基于大数据的智慧餐厅管理平台，其特征在于：所述商务管理模块包括员工管理和顾客管理。

7.根据权利要求4所述基于大数据的智慧餐厅管理平台，其特征在于，所员工管理的步骤为：

（1）将关于员工的岗位信息、考勤打卡、个人信息、餐饮服务评价、薪资待遇和离/入职信息构建成餐饮店服务人员信息数据库；

（2）根据循环神经网络算法，建立员工管理标准模型；将（1）中餐饮店服务人员信息数据库的各项信息数据作为模型的数据输入，经由模型进行分析处理后，输出各种预测结果，包括员工的工作绩效值、岗位积极性、薪资待遇满意度、员工对公司满意度、员工服务态度和员工焦虑值；

（3）根据上述预测结果，采取针对性措施，包括考勤管理机制、绩效管理机制、岗位管理机制、培训管理机制、财务管理机制和人事管理机制；

（4）将（2）中关于员工的多种预测结果结合，进行分析，获取形成因素，据此作为管理过程中采取管理措施的参考，避免考勤管理冲突、绩效管理冲突、岗位管理冲突、培训管理冲突、财务管理冲突和人事管理冲突，最大化餐饮行业的利益和员工的利益。

8.根据权利要求4所述基于大数据的智慧餐厅管理平台，其特征在于，所述顾客管理的步骤为：

（1）将关于顾客的就餐频次、消费上限、菜品喜好、就餐时间、是否VIP和就餐位置信息构建成餐饮店顾客信息数据库；

（2）根据循环神经网络算法原理，建立顾客管理模型；将（1）中餐饮店顾客信息数据库的各项信息数据作为模型的数据输入，进行分析处理后，输出各种预测结果，包括顾客的就餐体验度、就餐积极度、菜品好评度、服务满意度、菜品喜好度、就餐位置青睐度和VIP体验度；

（3）根据上述预测结果，采取针对性措施，包括菜品推送机制、消费优惠管理机制、VIP客户服务机制、包间管理机制、积分管理机制和菜品管理机制；

（4）将（2）中关于顾客信息的多种预测结果结合，进行分析，获取形成因素，据此作为就餐过程中采取服务措施的参考，在提升顾客的就餐体验度、就餐积极度、菜品好评度、服务满意度、菜品喜好度、就餐位置青睐度和VIP体验度的同时，从顾客服务方面，提升公司的营业效益和员工的服务质量。