CN111666893A - 一种点餐处理方法及装置 - Google Patents
一种点餐处理方法及装置 Download PDFInfo
- Publication number
- CN111666893A CN111666893A CN202010513977.9A CN202010513977A CN111666893A CN 111666893 A CN111666893 A CN 111666893A CN 202010513977 A CN202010513977 A CN 202010513977A CN 111666893 A CN111666893 A CN 111666893A
- Authority
- CN
- China
- Prior art keywords
- target
- food
- person
- per
- ordering information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000003672 processing method Methods 0.000 title abstract description 11
- 235000013305 food Nutrition 0.000 claims abstract description 114
- 239000010794 food waste Substances 0.000 claims abstract description 95
- 235000012054 meals Nutrition 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims description 63
- 238000004590 computer program Methods 0.000 claims description 18
- 239000002699 waste material Substances 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 235000003166 Opuntia robusta Nutrition 0.000 claims description 11
- 244000218514 Opuntia robusta Species 0.000 claims description 11
- 230000005484 gravity Effects 0.000 claims description 10
- 230000000977 initiatory effect Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 14
- 235000016709 nutrition Nutrition 0.000 description 9
- 230000035764 nutrition Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 235000012631 food intake Nutrition 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000020785 dietary preference Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 235000021190 leftovers Nutrition 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种点餐处理方法及装置，该方法包括：获取目标点餐信息，其中，所述目标点餐信息包括餐品列表、餐品ID以及用餐人数；根据所述目标点餐信息确定目标人均食物浪费量；判断所述目标人均食物浪费量是否大于或等于第一预设阈值；在判断结果为是的情况下，发起告警信息，可以解决相关技术中通过标语控制食物浪费，对于减少食物浪费的效果差的问题，在点餐阶段，根据点餐信息确定人均食物浪费量，在超量的情况下，发起告警，及时提醒用户，提高了减少食物浪费的效果。
Description
技术领域
本发明涉及图像处理领域，具体而言，涉及一种点餐处理方法及装置。
背景技术
随着人民生活水平的提高，在外就餐成为了一个非常普遍的事情，但是在这一过程中，剩饭剩菜导致的浪费也是惊人的。
食物损耗在消费环节尤其突出，且是明显可以人为干预控制的。不同的消费场所，不同的就餐目的，不同的就餐时间等等，对应的人均食物浪费量都是有所不同的。目前餐厅控制食物浪费的手段主要停留在标语提醒层面，如光盘行动等，但并未有一种系统性的技术或方法来有效减少食物浪费。
针对相关技术中通过标语控制食物浪费，对于减少食物浪费的效果差的问题，尚未提出解决方案。
发明内容
本发明实施例提供了一种点餐处理方法及装置，以至少解决相关技术中通过标语控制食物浪费，对于减少食物浪费的效果差的问题。
根据本发明的一个实施例，提供了一种点餐处理方法，包括：
获取目标点餐信息，其中，所述目标点餐信息包括餐品列表、餐品ID以及用餐人数；
根据所述目标点餐信息确定目标人均食物浪费量；
判断所述目标人均食物浪费量是否大于或等于第一预设阈值；
在判断结果为是的情况下，发起告警信息。
可选地，根据所述目标点餐信息确定目标人均食物浪费量包括：
将所述目标点餐信息输入预先训练好的第一目标神经网络模型中，得到所述第一目标神经网络模型输出的所述目标点餐信息对应不同人均食物浪费量的概率，其中，所述概率大于第二预设阈值的人均浪费量为所述目标点餐信息的目标人均食物浪费量。
可选地，所述方法还包括：
获取第一预定数量的点餐信息以及对应的人均浪费食物量，其中，所述点餐信息包括餐品列表、餐品ID、用餐后餐品剩余重量；
根据所述第一预定数量的点餐信息以及对应的人均浪费食物量对第一原始神经网络模型进行训练，得到所述第一目标神经网络模型，其中，所述第一预定数量的点餐信息为所述第一原始神经网络模型的输入，训练好的所述第一目标神经网络模型输出的所述目标点餐信息对应的所述目标人均食物浪费量与所述目标点餐信息实际对应的人均浪费食物量满足第一预定目标函数。
可选地，根据所述目标点餐信息确定目标人均食物浪费量包括：
获取通过摄像头采集的用餐对象的目标图像；
对所述目标图像进行特征提取，得到图像特征；
将所述图像特征输入到预先训练好的网络识别模型中，得到所述图像特征对应的人均体重信息；
根据所述目标点餐信息、所述人均体重信息确定所述目标人均食物浪费量。
可选地，根据所述目标点餐信息、所述人均体重信息确定所述目标人均食物浪费量包括：
将所述目标点餐信息、所述人均体重信息输入预先训练好的第二目标神经网络模型中，得到所述第二目标神经网络模型输出的所述目标点餐信息、所述人均体重信息对应不同人均食物浪费量的概率，其中，所述概率大于第三预设阈值的人均浪费量为所述目标点餐信息、所述人均体重信息的目标人均食物浪费量。
可选地，所述方法还包括：
获取第二预定数量的点餐信息、人均体重信息以及对应的人均浪费食物量，其中，所述点餐信息包括餐品列表、餐品ID、用餐后餐品剩余重量；
根据所述第二预定数量的点餐信息、人均体重信息以及对应的人均浪费食物量对第二原始神经网络模型进行训练，得到所述第二目标神经网络模型，其中，所述第二预定数量的点餐信息、人均体重信息为所述第二原始神经网络模型的输入，训练好的所述第二目标神经网络模型输出的所述目标点餐信息对应的所述目标人均食物浪费量与所述目标点餐信息实际对应的人均浪费食物量满足第二预定目标函数。
可选地，所述用餐后剩余食品重量是通过在餐盘底部内嵌的重力感应器采集的。
根据本发明的另一个实施例，还提供了一种点餐处理装置，包括：
第一获取模块，用于获取目标点餐信息，其中，所述目标点餐信息包括餐品列表、餐品ID以及用餐人数；
确定模块，用于根据所述目标点餐信息确定目标人均食物浪费量；
判断模块，用于判断所述目标人均食物浪费量是否大于或等于第一预设阈值；
告警模块，用于在判断结果为是的情况下，发起告警信息。
可选地，所述确定模块包括：
将所述目标点餐信息输入预先训练好的第一目标神经网络模型中，得到所述第一目标神经网络模型输出的所述目标点餐信息对应不同人均食物浪费量的概率，其中，所述概率大于第二预设阈值的人均浪费量为所述目标点餐信息的目标人均食物浪费量。
可选地，所述装置还包括：
第二获取模块，用于获取第一预定数量的点餐信息以及对应的人均浪费食物量，其中，所述点餐信息包括餐品列表、餐品ID、用餐后餐品剩余重量；
第一训练模块，用于根据所述第一预定数量的点餐信息以及对应的人均浪费食物量对第一原始神经网络模型进行训练，得到所述第一目标神经网络模型，其中，所述第一预定数量的点餐信息为所述第一原始神经网络模型的输入，训练好的所述第一目标神经网络模型输出的所述目标点餐信息对应的所述目标人均食物浪费量与所述目标点餐信息实际对应的人均浪费食物量满足第一预定目标函数。
可选地，所述确定模块包括：
获取子模块，用于获取通过摄像头采集的用餐对象的目标图像；
提取子模块，用于对所述目标图像进行特征提取，得到图像特征；
输入子模块，用于将所述图像特征输入到预先训练好的网络识别模型中，得到所述图像特征对应的人均体重信息；
确定子模块，用于根据所述目标点餐信息、所述人均体重信息确定所述目标人均食物浪费量。
可选地，所述确定子模块包括：
输入单元，用于将所述目标点餐信息、所述人均体重信息输入预先训练好的第二目标神经网络模型中，得到所述第二目标神经网络模型输出的所述目标点餐信息、所述人均体重信息对应不同人均食物浪费量的概率，其中，所述概率大于第三预设阈值的人均浪费量为所述目标点餐信息、所述人均体重信息的目标人均食物浪费量。
可选地，所述装置还包括：
第三获取模块，用于获取第二预定数量的点餐信息、人均体重信息以及对应的人均浪费食物量，其中，所述点餐信息包括餐品列表、餐品ID、用餐后餐品剩余重量；
第二训练模块，用于根据所述第二预定数量的点餐信息、人均体重信息以及对应的人均浪费食物量对第二原始神经网络模型进行训练，得到所述第二目标神经网络模型，其中，所述第二预定数量的点餐信息、人均体重信息为所述第二原始神经网络模型的输入，训练好的所述第二目标神经网络模型输出的所述目标点餐信息对应的所述目标人均食物浪费量与所述目标点餐信息实际对应的人均浪费食物量满足第二预定目标函数。
可选地，所述用餐后剩余食品重量是通过在餐盘底部内嵌的重力感应器采集的。
根据本发明的又一个实施例，还提供了一种计算机可读的存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明，获取目标点餐信息，其中，所述目标点餐信息包括餐品列表、餐品ID以及用餐人数；根据所述目标点餐信息确定目标人均食物浪费量；判断所述目标人均食物浪费量是否大于或等于第一预设阈值；在判断结果为是的情况下，发起告警信息，可以解决相关技术中通过标语控制食物浪费，对于减少食物浪费的效果差的问题，在点餐阶段，根据点餐信息确定人均食物浪费量，在超量的情况下，发起告警，及时提醒用户，提高了减少食物浪费的效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明实施例的点餐处理方法的移动终端的硬件结构框图；
图2是根据本发明实施例的点餐处理方法的流程图；
图3是根据本发明实施例的点餐界面的示意图一；
图4是根据本发明实施例的点餐界面的示意图二；
图5是根据本发明实施例的点餐界面的示意图三；
图6是根据本发明实施例的点餐界面的示意图四；
图7是根据本发明实施例的点餐处理装置的框图；
图8是根据本发明优选实施例的点餐处理装置的框图一；
图9是根据本发明优选实施例的点餐处理装置的框图二；
图10是根据本发明优选实施例的点餐处理装置的框图三。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
实施例1
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的点餐处理方法的移动终端的硬件结构框图，如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，可选地，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的点餐处理方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
基于上述的移动终端或网络架构，本实施例提供了一种点餐处理方法，图2是根据本发明实施例的点餐处理方法的流程图，如图2所示，该流程包括如下步骤：
步骤S202，获取目标点餐信息，其中，所述目标点餐信息包括餐品列表、餐品ID以及用餐人数；
图3是根据本发明实施例的点餐界面的示意图一，如图3所示，点餐对象在通过点餐终端(即移动终端)进入点餐页面，选中想要的菜品即可，在左下角显示已点餐品的数量。图4是根据本发明实施例的点餐界面的示意图二，如图4所示，点餐对象点餐完成后，可以进入点餐列表，通过点击左下交的点餐列表即可查看已选餐品。图5是根据本发明实施例的点餐界面的示意图三，如图5所示，点餐对象在进入点餐列表中，在点餐列表的下方便可选择用餐人数。
步骤S204，根据所述目标点餐信息确定目标人均食物浪费量；
步骤S206，判断所述目标人均食物浪费量是否大于或等于第一预设阈值；
步骤S208，在判断结果为是的情况下，发起告警信息。
通过上述步骤S202至S2088，获取目标点餐信息，其中，所述目标点餐信息包括餐品列表、餐品ID以及用餐人数；根据所述目标点餐信息确定目标人均食物浪费量；判断所述目标人均食物浪费量是否大于或等于第一预设阈值；在判断结果为是的情况下，发起告警信息，可以解决相关技术中通过标语控制食物浪费，对于减少食物浪费的效果差的问题，在点餐阶段，根据点餐信息确定人均食物浪费量，在超量的情况下，发起告警，及时提醒用户，提高了减少食物浪费的效果。
在一可选的实施例中，上述步骤S204具体可以包括：将所述目标点餐信息输入预先训练好的第一目标神经网络模型中，得到所述第一目标神经网络模型输出的所述目标点餐信息对应不同人均食物浪费量的概率，其中，所述概率大于第二预设阈值的人均浪费量为所述目标点餐信息的目标人均食物浪费量。
本发明实施例中，从历史数据中获取第一预定数量的点餐信息以及对应的人均浪费食物量，其中，所述点餐信息包括餐品列表、餐品ID、用餐后餐品剩余重量；根据所述第一预定数量的点餐信息以及对应的人均浪费食物量对第一原始神经网络模型进行训练，得到所述第一目标神经网络模型，其中，所述第一预定数量的点餐信息为所述第一原始神经网络模型的输入，训练好的所述第一目标神经网络模型输出的所述目标点餐信息对应的所述目标人均食物浪费量与所述目标点餐信息实际对应的人均浪费食物量满足第一预定目标函数。
在另一可选的实施例中，由于不同体型或体重的人的食量的不同，可能导致人均浪费食物量的准确性不是很高，为了进一步提高浪费食物量的准确性，还可以采集用餐人员的体重或体型，基于体重或体型确定人均浪费食物量，上述步骤S204具体可以包括：获取通过摄像头采集的用餐对象的目标图像，具体的，可以通过餐桌附近的摄像头采集图像；对所述目标图像进行特征提取，得到图像特征；将所述图像特征输入到预先训练好的网络识别模型中，得到所述图像特征对应的人均体重信息；根据所述目标点餐信息、所述人均体重信息确定所述目标人均食物浪费量。进一步的，将所述目标点餐信息、所述人均体重信息输入预先训练好的第二目标神经网络模型中，得到所述第二目标神经网络模型输出的所述目标点餐信息、所述人均体重信息对应不同人均食物浪费量的概率，其中，所述概率大于第三预设阈值的人均浪费量为所述目标点餐信息、所述人均体重信息的目标人均食物浪费量。
进一步的，通过餐桌附近的摄像装置，采集就餐顾客的基本信息，并通过人物识别算法获得顾客体型、性别及年龄的顾客基本信息，还可以基于该用户的人脸特征信息建立人物数据库；对于新顾客，服务器基于就餐顾客的基本信息，在顾客点餐后，记录此次顾客点餐信息，结合顾客的点餐信息以及体型确定顾客的人均食物浪费量；对于老顾客，对点餐客户进行人脸识别，若与数据库中存储的人脸特征信息匹配，服务器基于点餐对象的基本信息，结合该顾客历史下单记录生成的菜品偏好预测模型，生成符合顾客口味的推荐菜单。
在另一可选的实施例中，上述步骤S204具体可以包括：直接从点餐终端上获取点餐对象输入的人均体重信息，图6是根据本发明实施例的点餐界面的示意图四，如图6所示，点餐对象在进入点餐列表中，在点餐列表的下方便可选择人均体重信息，当然为了不引起不远透露体重信息的顾客的反感，可以设置为选填，即可以填，也可以不填，即可以在点餐页面设置一个选项，选择就餐人数、人均体重信息等，根据所述目标点餐信息、所述人均体重信息确定所述目标人均食物浪费量。进一步的，将所述目标点餐信息、所述人均体重信息输入预先训练好的第二目标神经网络模型中，得到所述第二目标神经网络模型输出的所述目标点餐信息、所述人均体重信息对应不同人均食物浪费量的概率，其中，所述概率大于第三预设阈值的人均浪费量为所述目标点餐信息、所述人均体重信息的目标人均食物浪费量。进一步的，一般情况下，男顾客的食量会大于女顾客，也可以从点餐终端上让点餐对象输入就餐的男女比例等，将男女比例也作为人均浪费食物量的考虑因素之中。
顾客通过点菜终端点餐后，服务器针对该名顾客所点菜品，对每道菜的营养参数、食材配方及烹饪方式反馈至顾客的点餐终端上，对于营养成分类似的菜品，提示点餐对象是否进行修改，进一步提高用户体验。
更进一步地，根据顾客的基本信息确定能量和各种主要营养素的摄取标准之外，服务器通过顾客的历史菜单及备注信息分析用户的饮食偏好及生成营养摄入评价(不足、过量、超量)，计算出消费者所选食物的能量和营养状况与符合顾客的基本信息的理想摄入标注进行比较，对所点菜单做出营养学评价，同时对不合理配餐提出营养建议反馈至顾客的点菜终端上。
服务器为基于SSM框架开发后台管理服务器，用于完成商家菜品管理、订单管理及智能分析服务系统，所述智能分析系统用于分析顾客基信息并构建相应的人物模型，在连接的营养参数库中检索符合推荐规则的菜品并生成顾客推荐菜单。
更进一步地，对于新顾客，在顾客下单后，记录此次顾客下单内容后，将随机推荐的菜单中的菜品和所述用户喜欢的菜品求交集，所述交集中的菜品构成第一子集合，所述交集外的菜品构成第二子集合；在该顾客再次来就餐时，根据该顾客的餐饮历史点菜记录对所述第一子集合中的菜品进行排序；生成所述用户的所述个人推荐菜单，所述个人推荐菜单中所述第一子集合排列在所述第二子集合的前面。
可选地，获取第二预定数量的点餐信息、人均体重信息以及对应的人均浪费食物量，其中，所述点餐信息包括餐品列表、餐品ID、用餐后餐品剩余重量；根据所述第二预定数量的点餐信息、人均体重信息以及对应的人均浪费食物量对第二原始神经网络模型进行训练，得到所述第二目标神经网络模型，其中，所述第二预定数量的点餐信息、人均体重信息为所述第二原始神经网络模型的输入，训练好的所述第二目标神经网络模型输出的所述目标点餐信息对应的所述目标人均食物浪费量与所述目标点餐信息实际对应的人均浪费食物量满足第二预定目标函数。
本发明实施例中，所述用餐后剩余食品重量是通过在餐盘底部内嵌的重力感应器采集的，即在餐盘底部嵌入重力传感器，采集剩余食品重量，通过大量的历史数据，便可完成第二目标神经网络模型的训练。
本发明实施例，通过重力感应器做数据采集，自动发送相关数据给到后台，后台根据相应数据做数据建模，下次消费者在系统中做点单时，可自动提醒点单量是否过多。
数据搜集，通过在餐盘底部内嵌进入重力感应器以及蓝牙，在每次消费者用餐结束后，可自动向中央系统反馈餐品ID和餐盘内剩余食品重量。
数据建模，中央系统搜集到的每条数据中包括了餐品ID，餐盘内剩余食品重量，用餐桌台号码，用餐时间。通过用餐桌台号码可以关联到，用餐人数，当台当次消费餐品列表等信息。
根据每天搜集到的如上信息，可对所有消费订单做程序化的建模分析。对于每一次用餐，根据餐盘内汇总的剩余食品重量/用餐人数，可以得出此次用餐的人均浪费食物量。根据如上汇总数据，即用餐信息以及人均浪费食物量，使用GBRT回归算法可以进行高效建模，建模完毕后，模型根据用餐信息即可对可能的人均浪费食物量进行预测。
通过重力感应器搜集数据和对应的建模，在餐盘底部内嵌重力感应器及蓝牙设备在用户就餐后的剩余餐品数据搜集和定量分析建模，并在用户就餐时给到对应的智能化提醒。
点餐过程提醒，在用户点餐过程当中，当用户点餐完毕后，系统根据用户点餐情况，调用模型，即可自动预测当就餐结束后，该次就餐可能的人均浪费食物数量，当次数量处于平均水平之上时，即可做出相应提醒，是否所点餐品超出了目前的就餐人数。从而减少食物浪费。
本发明实施例能自动做到浪费食物数量的数据搜集，以及对所搜集数据的相应建模，在消费者就餐时，可以自动给出是否超量点餐的提醒，从而减少了食物浪费。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
在本实施例中还提供了一种点餐处理装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图7是根据本发明实施例的点餐处理装置的框图，如图7所示，包括：
第一获取模块72，用于获取目标点餐信息，其中，所述目标点餐信息包括餐品列表、餐品ID以及用餐人数；
确定模块74，用于根据所述目标点餐信息确定目标人均食物浪费量；
判断模块76，用于判断所述目标人均食物浪费量是否大于或等于第一预设阈值；
告警模块78，用于在判断结果为是的情况下，发起告警信息。
可选地，所述确定模块76包括：
将所述目标点餐信息输入预先训练好的第一目标神经网络模型中，得到所述第一目标神经网络模型输出的所述目标点餐信息对应不同人均食物浪费量的概率，其中，所述概率大于第二预设阈值的人均浪费量为所述目标点餐信息的目标人均食物浪费量。
图8是根据本发明优选实施例的点餐处理装置的框图一，如图8所示，所述装置还包括：
第二获取模块82，用于获取第一预定数量的点餐信息以及对应的人均浪费食物量，其中，所述点餐信息包括餐品列表、餐品ID、用餐后餐品剩余重量；
第一训练模块84，用于根据所述第一预定数量的点餐信息以及对应的人均浪费食物量对第一原始神经网络模型进行训练，得到所述第一目标神经网络模型，其中，所述第一预定数量的点餐信息为所述第一原始神经网络模型的输入，训练好的所述第一目标神经网络模型输出的所述目标点餐信息对应的所述目标人均食物浪费量与所述目标点餐信息实际对应的人均浪费食物量满足第一预定目标函数。
图9是根据本发明优选实施例的点餐处理装置的框图二，如图9所示，所述确定模块74包括：
获取子模块92，用于获取通过摄像头采集的用餐对象的目标图像；
提取子模块94，用于对所述目标图像进行特征提取，得到图像特征；
输入子模块96，用于将所述图像特征输入到预先训练好的网络识别模型中，得到所述图像特征对应的人均体重信息；
确定子模块98，用于根据所述目标点餐信息、所述人均体重信息确定所述目标人均食物浪费量。
可选地，所述确定子模块98包括：
输入单元，用于将所述目标点餐信息、所述人均体重信息输入预先训练好的第二目标神经网络模型中，得到所述第二目标神经网络模型输出的所述目标点餐信息、所述人均体重信息对应不同人均食物浪费量的概率，其中，所述概率大于第三预设阈值的人均浪费量为所述目标点餐信息、所述人均体重信息的目标人均食物浪费量。
图10是根据本发明优选实施例的点餐处理装置的框图三，如图10所示，所述装置还包括：
第三获取模块102，用于获取第二预定数量的点餐信息、人均体重信息以及对应的人均浪费食物量，其中，所述点餐信息包括餐品列表、餐品ID、用餐后餐品剩余重量；
第二训练模块104，用于根据所述第二预定数量的点餐信息、人均体重信息以及对应的人均浪费食物量对第二原始神经网络模型进行训练，得到所述第二目标神经网络模型，其中，所述第二预定数量的点餐信息、人均体重信息为所述第二原始神经网络模型的输入，训练好的所述第二目标神经网络模型输出的所述目标点餐信息对应的所述目标人均食物浪费量与所述目标点餐信息实际对应的人均浪费食物量满足第二预定目标函数。
可选地，所述用餐后剩余食品重量是通过在餐盘底部内嵌的重力感应器采集的。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
实施例3
本发明的实施例还提供了一种计算机可读的存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，获取目标点餐信息，其中，所述目标点餐信息包括餐品列表、餐品ID以及用餐人数；
S2，根据所述目标点餐信息确定目标人均食物浪费量；
S3，判断所述目标人均食物浪费量是否大于或等于第一预设阈值；
S4，在判断结果为是的情况下，发起告警信息。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
实施例4
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，获取目标点餐信息，其中，所述目标点餐信息包括餐品列表、餐品ID以及用餐人数；
S2，根据所述目标点餐信息确定目标人均食物浪费量；
S3，判断所述目标人均食物浪费量是否大于或等于第一预设阈值；
S4，在判断结果为是的情况下，发起告警信息。
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种点餐处理方法，其特征在于，包括：
获取目标点餐信息，其中，所述目标点餐信息包括餐品列表、餐品ID以及用餐人数；
根据所述目标点餐信息确定目标人均食物浪费量；
判断所述目标人均食物浪费量是否大于或等于第一预设阈值；
在判断结果为是的情况下，发起告警信息。
2.根据权利要求1所述的方法，其特征在于，根据所述目标点餐信息确定目标人均食物浪费量包括：
将所述目标点餐信息输入预先训练好的第一目标神经网络模型中，得到所述第一目标神经网络模型输出的所述目标点餐信息对应不同人均食物浪费量的概率，其中，所述概率大于第二预设阈值的人均浪费量为所述目标点餐信息的目标人均食物浪费量。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
获取第一预定数量的点餐信息以及对应的人均浪费食物量，其中，所述点餐信息包括餐品列表、餐品ID、用餐后餐品剩余重量；
根据所述第一预定数量的点餐信息以及对应的人均浪费食物量对第一原始神经网络模型进行训练，得到所述第一目标神经网络模型，其中，所述第一预定数量的点餐信息为所述第一原始神经网络模型的输入，训练好的所述第一目标神经网络模型输出的所述目标点餐信息对应的所述目标人均食物浪费量与所述目标点餐信息实际对应的人均浪费食物量满足第一预定目标函数。
4.根据权利要求1所述的方法，其特征在于，根据所述目标点餐信息确定目标人均食物浪费量包括：
获取通过摄像头采集的用餐对象的目标图像；
对所述目标图像进行特征提取，得到图像特征；
将所述图像特征输入到预先训练好的网络识别模型中，得到所述图像特征对应的人均体重信息；
根据所述目标点餐信息、所述人均体重信息确定所述目标人均食物浪费量。
5.根据权利要求4所述的方法，其特征在于，根据所述目标点餐信息、所述人均体重信息确定所述目标人均食物浪费量包括：
将所述目标点餐信息、所述人均体重信息输入预先训练好的第二目标神经网络模型中，得到所述第二目标神经网络模型输出的所述目标点餐信息、所述人均体重信息对应不同人均食物浪费量的概率，其中，所述概率大于第三预设阈值的人均浪费量为所述目标点餐信息、所述人均体重信息的目标人均食物浪费量。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
获取第二预定数量的点餐信息、人均体重信息以及对应的人均浪费食物量，其中，所述点餐信息包括餐品列表、餐品ID、用餐后餐品剩余重量；
根据所述第二预定数量的点餐信息、人均体重信息以及对应的人均浪费食物量对第二原始神经网络模型进行训练，得到所述第二目标神经网络模型，其中，所述第二预定数量的点餐信息、人均体重信息为所述第二原始神经网络模型的输入，训练好的所述第二目标神经网络模型输出的所述目标点餐信息对应的所述目标人均食物浪费量与所述目标点餐信息实际对应的人均浪费食物量满足第二预定目标函数。
7.根据权利要求3或6所述的方法，其特征在于，所述用餐后剩余食品重量是通过在餐盘底部内嵌的重力感应器采集的。
8.一种点餐处理装置，其特征在于，包括：
第一获取模块，用于获取目标点餐信息，其中，所述目标点餐信息包括餐品列表、餐品ID以及用餐人数；
确定模块，用于根据所述目标点餐信息确定目标人均食物浪费量；
判断模块，用于判断所述目标人均食物浪费量是否大于或等于第一预设阈值；
告警模块，用于在判断结果为是的情况下，发起告警信息。
9.一种计算机可读的存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至7中任一项所述的方法。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010513977.9A CN111666893A (zh) | 2020-06-08 | 2020-06-08 | 一种点餐处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010513977.9A CN111666893A (zh) | 2020-06-08 | 2020-06-08 | 一种点餐处理方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111666893A true CN111666893A (zh) | 2020-09-15 |
Family
ID=72385752
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010513977.9A Withdrawn CN111666893A (zh) | 2020-06-08 | 2020-06-08 | 一种点餐处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111666893A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110335094A (zh) * | 2019-07-16 | 2019-10-15 | 韶关市启之信息技术有限公司 | 一种点餐机的智能提示方法与系统 |
| CN113688719A (zh) * | 2021-08-23 | 2021-11-23 | 朱福全 | 一种智能餐厨管理系统、其数据处理方法及介质 |
| CN113705465A (zh) * | 2021-08-30 | 2021-11-26 | 广东宏乾科技股份有限公司 | 一种用餐智能检测评分方法和系统 |
| CN114926525A (zh) * | 2022-05-17 | 2022-08-19 | 中国科学院地理科学与资源研究所 | 一种基于图像法的食物浪费评估方法及系统 |
-
2020
- 2020-06-08 CN CN202010513977.9A patent/CN111666893A/zh not_active Withdrawn
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110335094A (zh) * | 2019-07-16 | 2019-10-15 | 韶关市启之信息技术有限公司 | 一种点餐机的智能提示方法与系统 |
| CN113688719A (zh) * | 2021-08-23 | 2021-11-23 | 朱福全 | 一种智能餐厨管理系统、其数据处理方法及介质 |
| CN113705465A (zh) * | 2021-08-30 | 2021-11-26 | 广东宏乾科技股份有限公司 | 一种用餐智能检测评分方法和系统 |
| CN113705465B (zh) * | 2021-08-30 | 2024-07-02 | 广东宏乾科技股份有限公司 | 一种用餐智能检测评分方法和系统 |
| CN114926525A (zh) * | 2022-05-17 | 2022-08-19 | 中国科学院地理科学与资源研究所 | 一种基于图像法的食物浪费评估方法及系统 |
| CN114926525B (zh) * | 2022-05-17 | 2023-07-25 | 中国科学院地理科学与资源研究所 | 一种基于图像法的食物浪费评估方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111666893A (zh) | 一种点餐处理方法及装置 | |
| CN108852023B (zh) | 一种可实现智能互联的蒸烤设备 | |
| CN110135957A (zh) | 一种智能餐厅健康饮食的菜品推荐方法、装置及存储介质 | |
| CN107871532A (zh) | 一种饮食健康管理系统 | |
| CN105205769A (zh) | 一种基于智能食堂配餐系统的数据挖掘方法 | |
| CN105631574A (zh) | 一种智能储物服务系统 | |
| CN104021506A (zh) | 一种基于人脸识别技术的智能餐厅点餐管理系统及方法 | |
| CN111402996A (zh) | 一种饮食食谱推荐方法及系统、存储介质 | |
| CN105511304A (zh) | 智能提醒用户采购食材的方法及装置 | |
| CN106339579B (zh) | 一种移动健康与医疗的饮食控制方法 | |
| CN109166614A (zh) | 一种推荐个人健康菜谱的系统及方法 | |
| CN107679951A (zh) | 一种辅助点菜的方法和设备 | |
| CN111402994B (zh) | 基于饮食数据的用户健康信息管理方法、装置及系统 | |
| CN108304448B (zh) | 菜品推荐方法及装置、存储介质、处理器 | |
| CN110135646B (zh) | 一种餐厅预估快速上菜的方法、装置及存储介质 | |
| CN112182355A (zh) | 用于食谱推荐的方法、装置和智能终端 | |
| CN109872798A (zh) | 一种大数据背景下的营养供餐方法及系统 | |
| CN110931108A (zh) | 基于微服务架构的食谱推荐系统 | |
| CN110349358B (zh) | 基于健康管理的餐饮结算方法、装置、终端及可读介质 | |
| CN110020165A (zh) | 一种饮食推荐方法和家庭机器人 | |
| CN110852299A (zh) | 顾客饮食习惯确定方法及装置 | |
| CN112905650A (zh) | 基于大数据统计及健康报告分析的智能推荐算法研究 | |
| CN109064296A (zh) | 一种辅助加餐的方法、装置和系统 | |
| KR20200066928A (ko) | 식수 인원 예측을 수행하는 서버 및 이의 동작 방법 | |
| CN112420162A (zh) | 食谱的智能化推荐方法及装置、智能橱柜 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200915 |