CN116703503A - 一种校园食堂菜品智能推荐方法及系统 - Google Patents
一种校园食堂菜品智能推荐方法及系统 Download PDFInfo
- Publication number
- CN116703503A CN116703503A CN202310590834.1A CN202310590834A CN116703503A CN 116703503 A CN116703503 A CN 116703503A CN 202310590834 A CN202310590834 A CN 202310590834A CN 116703503 A CN116703503 A CN 116703503A
- Authority
- CN
- China
- Prior art keywords
- face
- information
- diner
- ordering
- recommendation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000003993 interaction Effects 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims description 44
- 230000001815 facial effect Effects 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000005192 partition Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 235000012054 meals Nutrition 0.000 claims description 11
- 230000010365 information processing Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- WVXRAFOPTSTNLL-NKWVEPMBSA-N 2',3'-dideoxyadenosine Chemical compound C1=NC=2C(N)=NC=NC=2N1[C@H]1CC[C@@H](CO)O1 WVXRAFOPTSTNLL-NKWVEPMBSA-N 0.000 description 2
- 240000007087 Apium graveolens Species 0.000 description 2
- 235000015849 Apium graveolens Dulce Group Nutrition 0.000 description 2
- 235000010591 Appio Nutrition 0.000 description 2
- 244000068988 Glycine max Species 0.000 description 2
- 235000010469 Glycine max Nutrition 0.000 description 2
- 240000003394 Malpighia glabra Species 0.000 description 2
- 235000014837 Malpighia glabra Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 235000015278 beef Nutrition 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 235000021574 pickled cabbage Nutrition 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000272525 Anas platyrhynchos Species 0.000 description 1
- 240000007124 Brassica oleracea Species 0.000 description 1
- 235000003899 Brassica oleracea var acephala Nutrition 0.000 description 1
- 235000011301 Brassica oleracea var capitata Nutrition 0.000 description 1
- 235000001169 Brassica oleracea var oleracea Nutrition 0.000 description 1
- 241000287828 Gallus gallus Species 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 244000061458 Solanum melongena Species 0.000 description 1
- 235000002597 Solanum melongena Nutrition 0.000 description 1
- 235000013527 bean curd Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Economics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Finance (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本申请属于电子信息技术领域，公开了一种校园食堂菜品智能推荐方法及系统。通过人脸识别模块从多角度采集用餐者的人脸图像，并对人脸图像进行特征提取，得到面部信息；将面部信息传输给后台服务器，与预存在后台服务器中的用户数据集进行匹配，若匹配到包含上述面部信息的用户数据，则获取该用户数据关联的历史点餐数据，并发送给点餐推荐模块；点餐推荐模块基于历史点餐数据对该用餐者的偏好进行分析，并结合实时菜单信息得到用餐者的菜单推荐列表；将菜单推荐列表发送到用户交互界面上，向该用餐者进行菜品推荐。通过人脸识别技术精准识别用餐者的身份，并进行个性化的智能推荐，使推荐结果更加迎合用餐者的欢迎，提高推荐的精准度。
Description
技术领域
本申请涉及电子信息技术领域，尤其涉及一种校园食堂菜品智能推荐方法及系统。
背景技术
现如今智能推送技术被广泛应用于网购领域、影视音领域。但目前神经网络集成的多视觉人脸识别技术、采集用餐者的个人口味喜好信息来进行智能推送的技术在餐饮领域应用较少。目前在餐饮行业的推送一般为基于已收集的数据进行分析推送，向用户推送新上架的新品、或比较受欢迎的单品，但这并非用户本人所感兴趣的内容，推荐不够精准，推送成功的几率不够高。
发明内容
为此，本申请的实施例提供了一种校园食堂菜品智能推荐方法及系统，实现了针对不同用餐者进行个性化智能推送，提高推送精准度。
第一方面，本申请提供一种校园食堂菜品智能推荐方法。
本申请是通过以下技术方案得以实现的：
一种校园食堂菜品智能推荐方法，所述方法包括：
利用人脸识别模块从多角度采集用餐者的人脸图像，并对所述人脸图像进行特征提取，得到所述人脸图像的面部信息；
将所述面部信息传输给后台服务器，与预存在所述后台服务器中的用户数据集进行匹配，若匹配到包含所述面部信息的用户数据，则获取所述用户数据关联的历史点餐数据，将所述历史点餐数据发送给点餐推荐模块；
所述点餐推荐模块基于所述历史点餐数据对所述用餐者的偏好进行分析，并结合实时菜单信息得到所述用餐者的菜单推荐列表；
将所述菜单推荐列表发送到用户交互界面上，向所述用餐者进行菜品推荐，供所述用餐者基于所述菜单推荐列表在所述用户交互界面上进行点餐。
在本申请一较佳的示例中可以进一步设置为，
利用人脸识别模块从多角度采集用餐者的人脸图像，并对所述人脸图像进行特征提取，得到所述人脸图像的面部信息的步骤包括：
通过图像采集单元中的若干个摄像头从多角度采集用餐者的人脸图像，将采集到的所述人脸图像传输给图像处理单元；
所述图像处理单元基于所述人脸图像确定所述用餐者的三维人脸点云；
通过Pointnet目标识别算法对所述三维人脸点云进行特征提取，得到所述用餐者的面部信息。
在本申请一较佳的示例中可以进一步设置为，
所述通过Pointnet目标识别算法对所述三维人脸点云进行特征提取的步骤包括：
利用Pointnet目标识别算法的set abstractiona模块进行特征提取，其中所述set abstractiona模块包括采样单元、分组单元以及提取单元；
将所述三维人脸点云输入到所述采样单元中，所述采样单元对所述三维人脸点云进行采样操作，得到预设数量的采样点；将所述采样点输入到所述分组单元中，所述分组单元对所述采样点进行区域划分，得到各采样点的分区结果；将所述分区结果输入到提取单元中，所述提取单元对所述分区结果进行特征提取。
在本申请一较佳的示例中可以进一步设置为，
所述若匹配到包含所述面部信息的用户数据的步骤后还包括：
对所述用户数据中关联的身份证信息进行底层信息处理和特征提取，得到身份信息特征；判断所述面部信息与所述身份信息特征是否匹配，若匹配成功，则获取所述用户数据关联的历史点餐数据；
若匹配不成功，则重新进行人脸识别。
在本申请一较佳的示例中可以进一步设置为，
所述点餐推荐模块基于所述历史点餐数据对所述用餐者的偏好进行分析，并结合实时菜单信息得到所述用餐者的菜单推荐列表的步骤包括：
获取所述用餐者在预设时间间隔内的历史点餐记录，所述历史点餐记录中包含菜品的名称、单价、配料表、热量值、关键词标签以及点餐时间；
统计所述历史点餐记录中各菜品的点餐次数，按照点餐次数由高到低进行排序，并结合实时菜单信息来生成所述用餐者的菜单推荐列表，基于所述菜单推荐列表向所述用餐者进行菜品推荐。
在本申请一较佳的示例中可以进一步设置为，获取所述用餐者的历史点餐记录中点餐次数排在第一位的感兴趣菜品的关键词标签；将所述感兴趣菜品的关键词标签与实时菜单信息中的菜品关联的关键词标签进行对比，得到所述感兴趣菜品的关键词标签与实时菜单信息中的菜品关联的关键词标签的相似度，基于所述相似度来生成菜单推荐列表向所述用餐者进行推荐。
第二方面，本申请提供一种校园食堂菜品智能推荐系统。
本申请是通过以下技术方案得以实现的：
一种校园食堂菜品智能推荐系统，所述系统包括：
人脸识别模块，用于从多角度采集用餐者的人脸图像，并对所述人脸图像进行特征提取，得到所述人脸图像的面部信息，并将所述面部信息传输给后台服务器；
后台服务器，用于将接收到的面部信息，与预存在所述后台服务器中的用户数据集进行匹配，若匹配到包含所述面部信息的用户数据，则获取所述用户数据关联的历史点餐数据，将所述历史点餐数据发送给点餐推荐模块；
点餐推荐模块，用于基于所述历史点餐数据对所述用餐者的偏好进行分析，并结合实时菜单信息得到所述用餐者的菜单推荐列表，并将所述菜单推荐列表发送到用户交互界面上；
用户交互界面，用于接收所述菜单推荐列表，并进行显示，向所述用餐者进行菜品推荐，供所述用餐者基于所述菜单推荐列表在所述用户交互界面上进行点餐。
在本申请一较佳的示例中可以进一步设置为，
所述人脸识别模块还包括：
图像采集单元和图像处理单元；所述图像采集单元中包含若干个摄像头，通过若干个所述摄像头从多角度采集用餐者的人脸图像，将采集到的所述人脸图像传输给图像处理单元；
所述图像处理单元基于所述人脸图像确定所述用餐者的三维人脸点云，并通过Pointnet目标识别算法对所述三维人脸点云进行特征提取，得到所述用餐者的面部信息。
第三方面，本申请提供一种计算机设备。
本申请是通过以下技术方案得以实现点的：
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意校园食堂菜品智能推荐方法的步骤。
第四方面，本申请提供一种计算机可读存储介质。
本申请是通过以下技术方案得以实现的：
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任意校园食堂菜品智能推荐方法的步骤。
综上所述，与现有技术相比，本申请实施例提供的技术方案带来的有益效果至少包括：本申请通过人脸识别模块获取用餐者的人脸图像，对人脸图像进行特征提取得到面部信息；将面部信息与预存在后台服务器中的用户数据集进行匹配，匹配成功后获取该用户数据关联的历史点餐数据；基于该历史点餐数据对所述用餐者的偏好进行分析，并结合实时菜单信息得到该用餐者的菜单推荐列表，呈现在用户交互界面上，向该用餐者进行推荐。利用多角度多方位的人脸图像对用餐者进行精准、快速的人脸识别，然后通过对该用餐者的历史用餐数据进行分析得出该用餐者喜好的口味，根据用餐者的喜好进行个性化智能推荐，使得推荐结果更加迎合用餐者的欢迎，提高推送的精准度。
附图说明
图1为本申请一示例性实施例提供的校园食堂菜品智能推荐方法的流程示意图；
图2为本申请又一示例性实施例提供的校园食堂菜品智能推荐系统的结构图。
具体实施方式
本具体实施例仅仅是对本申请的解释，其并不是对本申请的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本申请的权利要求范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
另外，本申请中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本申请中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
本申请中术语“第一”“第二”等字样用于对作用和功能基本相同的相同项或相似项进行区分，应理解，“第一”、“第二”、“第n”之间不具有逻辑或时序上的依赖关系，也不对数量和执行顺序进行限定。
下面结合说明书附图对本申请实施例作进一步详细描述。
在本申请的一个实施例中，提供一种校园食堂菜品智能推荐方法，如图1所示，主要步骤描述如下：
S10:利用人脸识别模块从多角度采集用餐者的人脸图像，并对上述人脸图像进行特征提取，得到上述人脸图像的面部信息。
通过图像采集单元中的若干个摄像头从多角度采集用餐者的人脸图像，将采集到的人脸图像传输给图像处理单元，图像处理单元基于人脸图像确定该用餐者的人脸图像对应的三维人脸点云；通过Pointnet目标识别算法对上述三维人脸点云进行特征提取，得到该用餐者的面部信息。
具体的，在本申请中通过智能推送装置对用餐者进行智能推送，首先用餐者通过放置在校园食堂入口处的智能推送装置进行人脸识别登录记录有用餐者的个人信息以及历史点餐记录的个人账号。智能推送装置的人脸识别模块中有摄像头池，包含若干个高清摄像机，高清摄像机的数量至少为2个。通过上述若干个高清摄像机从多角度、多方位对用餐者的面部进行拍摄，获得用餐者若干张人脸图像。高清摄像机将采集到的人脸图像通过无线传输给图像处理单元，图像处理单元通过深度学习的神经网络对图像进行特征提取，从中得到该用餐者的面部信息。图像处理单元基于该用餐者的多张人脸图像确定三维人脸点云。通过人脸图像确定可以反映摄像机与用餐者的人脸距离信息的视差图，将视差图转化为三维人脸点云。需要进行说明的是，点云是空间内点的集合，点云数据就是一系列无序元素的集合，将一个物体抽象成一些离散的点来表征物体的结构和表面。得到三维人脸点云后，在对三维人脸点云进行特征提取前时，可以对三维人脸点云进行去噪处理，去掉其中的离群点，可以提高后续人脸识别的精度。
然后通过Pointnet目标识别算法对于上述三维人脸点云进行特征提取，从特征信息中确定该用餐者的面部信息。需要进行说明的是，Pointnet目标识别算法是一种处理点云的机器学习算法，整体的算法结构由多个部分组成，每个部分整合点云的局部信息，并将信息传递给下一部分。具体的，利用Pointnet目标识别算法的set abstractiona模块进行特征提取，其中set abstractiona模块中包括采样单元(sampling单元)、分组单元(grouping单元)、提取单元(pointnet单元)，其中采样单元的输出端连接分组单元的输入端，分组单元的输出端连接提取单元的输入端。
将上述获得的三维人脸点云输入到上述采样单元中，采样单元对该三维人脸点云进行采样处理，得到预设数量的采样点。具体的可以通过最远点采样法(farthest pointsampling,FPS)进行采样操作，最远点采样法能够更好的覆盖整个三维人脸点云的采样空间。采样单元输出采样点，传输给分组单元，分组单元对上述的采样点进行区域划分，得到各采样点的分区结果。具体的，可以通过k最近邻搜索(k nearest neighbors)方法进行区域划分，以采样点为球心，按照预设半径画一个球，在球内寻找采样点，寻找采样点的数量上限位为k，将寻找到的至少k个采样点作为一个分区。分组单元将分区结果传输给提取单元，提取单元对上述分区结果进行特征提取，得到不同分区结果的特征信息，进行进一步拼接，得到最终人脸信息。
S20:将所述面部信息传输给后台服务器，与预存在所述后台服务器中的用户数据集进行匹配，若匹配到包含所述面部信息的用户数据，则获取所述用户数据关联的历史点餐数据，将所述历史点餐数据发送给点餐推荐模块。
具体的，将上述步骤中得到的面部信息传输到后台服务器中，后台服务器中存储有用户数据集，用户数据集中包含使用过该智能推送装置的所有用餐者的身份信息和历史点餐数据，身份信息中包含每个用餐者的面部信息和身份证信息。后台服务器接收到当前使用该智能推送装置的用餐者的面部信息后，将其与存储在后台服务器的用户数据集进行匹配，判断是否存在包含相同面部信息的用户数据，若匹配到包含相同面部信息的用户数据，则证明该用餐者为已认证用户，可以直接进行登录，同时后台服务器去获取该用户数据中关联的历史点餐数据，并将该历史点餐数据通过无线传输给点餐推荐模块，供点餐推荐模块对历史点餐数据进行分析，并向该用餐者进行个性化推荐。
在一些实施例中，若未匹配到包含该面部信息的用户数据，则证明该用餐者为未使用过该智能推荐装置的新用户，则发送注册新用户指引，并通过用户交互界面呈现给该用餐者，供该用餐者按照指引的步骤进行实名身份认证，包括采集人脸图像以及身份证信息。待该用餐者实名身份认证通过后，即成功注册新用户后，将该用餐者的用户数据存储在后台服务器中，可以进一步丰富后台服务器中的用户数据集。对于没有历史点餐数据的新用户，点餐推荐模块基于预设时间间隔内所有菜品的好评度以及实时菜单信息，向所述新用户推荐菜单。
在一些实施例中，后台服务器在预存的用户数据集中搜索到包含相同面部信息的用户数据后，还需对该用户数据中关联的身份证信息进行底层信息处理和特征提取，得到身份信息特征；进一步判断该面部信息与身份信息特征是否匹配，匹配成功后，获取该用户数据关联的历史点餐数据；若该面部信息与身份信息特征不匹配，则需要重新进行人脸识别。在人脸识别结果的基础上，进一步验证用餐者的身份证信息，判断人脸识别结果和身份证信息是否一致，可以避免人脸识别出现误差。若人脸识别出现误差，调取了错误的历史点餐记录，会导致后续对该用餐者的菜品推荐不够精确。因此在人脸识别的基础上，进行针对身份证信息的二次认证，可以确保后续进行个性化推荐的准确率。
S30:点餐推荐模块基于所述历史点餐数据对所述用餐者的偏好进行分析，根据实时菜单信息得到所述用餐者的菜单推荐列表。
点餐推荐模块接收到后台服务器的历史点餐数据后，对历史点餐数据进行分析，获取该用餐者的菜品的偏好，并结合当前的实时菜单信息，生成针对该用餐者的菜单推荐列表，进行个性化推荐，使得推荐结果更加迎合用餐者的欢迎，提高推荐的精准率。
在一些实施例中，获取该用餐者在预设时间间隔内的历史点餐记录，该历史点餐记录中包括菜品的名称、单价、配料表、热量值、关键词标签以及点餐时间；统计历史点餐记录中各菜品的点餐次数，将各菜品按照点餐次数由高到低进行排序，并基于当前的实时菜单信息生成该用餐者的菜单推荐列表，将菜单推荐列表传输并显示在用户交互界面上，向该用餐者进行菜品推荐，供该用餐者参考菜单推荐列表进行点餐。举例进行说明，统计该用餐者在过去1个月时间内的历史点餐记录，历史点餐记录中包括该用餐者在最近的1个月内点过的所有菜品名称，同时每个菜品名称都关联有单价、配料表、关键词标签和点餐时间。该用餐者点过的菜品有“鱼香茄子”、“节瓜闷鸭”、“卤牛肉”、“凉拌三丝”、“麻辣豆腐”、“黄豆猪蹄”、“手撕鸡”、“酸菜鱼”、“醋溜白菜”、“鸡腿”、“芹菜牛肉”等，并统计各个菜品在这1个月内出现的次数，例如“鱼香茄子-21”、“节瓜闷鸭-3”、“卤牛肉-12”、“凉拌三丝-9”、“麻辣豆腐-6”、“黄豆猪蹄-5”、“手撕鸡-8”、“酸菜鱼-15”、“醋溜白菜-16”、“鸡腿-4”、“芹菜牛肉-10”，数字代表每个菜品出现的次数，按照每个菜品出现的次数由高到低进行排序，并参照当前的实时菜单信息中的菜品，将排序靠前并且出现在当前的实时菜单信息中菜品挑选出来，选取前5个餐品生成菜单推荐列表向该用餐者进行推荐，供该用餐者选择。用餐者历史点餐记录中出现次数比较多的餐品代表该用餐者比较偏好此类餐品，据此向用餐者进行推荐，能够更加迎合用餐者的需求，使推荐更加精准，同时提高推荐的效率。
在一些实施例中，还进一步获取该用餐者在预设时间间隔内历史点餐记录中点餐次数排在第一位的感兴趣菜品的关键词标签，对该感兴趣菜品的关键词标签与实时菜单信息中的每个菜品关联的关键词标签进行对比，得到该感兴趣菜品的关键词标签与实时菜单信息中每个菜品的关键词标签的相似度，将相似度进行排序，将相似度排在前5位的菜品向该用餐者进行推荐。每个菜品均包含一定数量的关键词标签，并且关键词标签的总数量相同，相似度计算可以通过以下方法：σi为实时菜单信息中第i个菜品与感兴趣菜品的关键词标签之间的相似度，mi为实时菜单信息中第i个菜品与感兴趣菜品相同的关键词标签的数量，n为关键词标签的总数量。基于对该用餐者点餐次数最多的菜品的分析，向用餐者推荐与之相似的菜品，可以应对用餐者多样化的用餐需求。
S40:将该菜单推荐列表发送到用户交互界面上，向该用餐者进行菜品推荐，该用餐者基于所述菜单推荐列表在用户交互界面上进行点餐。
点餐推荐模块将分析得到的该用餐者的菜单推荐列表，通过无线传输发送到用户交互界面上，用户交互界面通过液晶显示屏进行显示，向该用餐者进行菜品推荐。该用餐者可以基于该菜单推荐列表在用户交互界面上进行点餐，并将该用餐者本次的点餐记录发送到后台服务器进行存储。
如图2所示，本申请还提供一种校园食堂菜品智能推荐系统，该系统包括：人脸识别模块，用于从多角度采集用餐者的人脸图像，并对上述人脸图像进行特征提取，得到上述人脸图像的面部信息，并将面部信息传输给后台服务器；
后台服务器，用于将接收到的面部信息，与预存在后台服务器中的用户数据集进行匹配，若匹配到包含上述面部信息的用户数据，则获取该用户数据关联的历史点餐数据，将历史点餐数据发送给点餐推荐模块；
点餐推荐模块，用于基于历史点餐数据对该用餐者的偏好进行分析，并结合实时菜单信息得到该用餐者的菜单推荐列表，并将该菜单推荐列表发送到用户交互界面上；
用户交互界面，用于接收该菜单推荐列表，并进行显示，向该用餐者进行菜品推荐，供该用餐者基于该菜单推荐列表在用户交互界面上进行点餐。
在一些实施例中，人脸识别模块还包括：图像采集单元和图像处理单元；
其中图像采集单元中包含若干个摄像头，通过若干个摄像头从多角度采集用餐者的人脸图像，将采集到的人脸图像传输给图像处理单元；
图像处理单元基于人脸图像确定该用餐者的三维人脸点云，通过Pointnet目标识别算法对三维人脸点云进行特征提取，得到该用餐者的面部信息。
图像处理单元还用于将上述三维人脸点云输入到采样单元中，采样单元对上述三维人脸点云进行采样操作，得到预设数量的采样点；将上述采样点输入到分组单元中，分组单元对采样点进行区域划分，得到各采样点的分区结果；将分区结果输入到提取单元中，提取单元对所述分区结果进行特征提取。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器。
该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述任意一种校园食堂菜品智能推荐方法。
在一个实施例中，提供一种计算机可读存储介质，包括存储器、处理器及存储在存储器上并可以在处理器上执行的计算机程序，处理器执行计算机程序以实现上述任意一种校园食堂菜品智能推荐方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)、DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将本申请所述系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
Claims (10)
1.一种校园食堂菜品智能推荐方法，其特征在于，所述方法包括：
利用人脸识别模块从多角度采集用餐者的人脸图像，并对所述人脸图像进行特征提取，得到所述人脸图像的面部信息；
将所述面部信息传输给后台服务器，与预存在所述后台服务器中的用户数据集进行匹配，若匹配到包含所述面部信息的用户数据，则获取所述用户数据关联的历史点餐数据，将所述历史点餐数据发送给点餐推荐模块；
所述点餐推荐模块基于所述历史点餐数据对所述用餐者的偏好进行分析，并结合实时菜单信息得到所述用餐者的菜单推荐列表；
将所述菜单推荐列表发送到用户交互界面上，向所述用餐者进行菜品推荐，供所述用餐者基于所述菜单推荐列表在所述用户交互界面上进行点餐。
2.根据权利要求1所述的校园食堂菜品智能推荐方法，其特征在于，利用人脸识别模块从多角度采集用餐者的人脸图像，并对所述人脸图像进行特征提取，得到所述人脸图像的面部信息的步骤包括：
通过图像采集单元中的若干个摄像头从多角度采集用餐者的人脸图像，将采集到的所述人脸图像传输给图像处理单元；
所述图像处理单元基于所述人脸图像确定所述用餐者的三维人脸点云；
通过Pointnet目标识别算法对所述三维人脸点云进行特征提取，得到所述用餐者的面部信息。
3.根据权利要求2所述的校园食堂菜品智能推荐方法，其特征在于，所述通过Pointnet目标识别算法对所述三维人脸点云进行特征提取的步骤包括：
利用Pointnet目标识别算法的set abstractiona模块进行特征提取，其中所述setabstractiona模块包括采样单元、分组单元以及提取单元；
将所述三维人脸点云输入到所述采样单元中，所述采样单元对所述三维人脸点云进行采样操作，得到预设数量的采样点；将所述采样点输入到所述分组单元中，所述分组单元对所述采样点进行区域划分，得到各采样点的分区结果；将所述分区结果输入到提取单元中，所述提取单元对所述分区结果进行特征提取。
4.根据权利要求1所述的校园食堂菜品智能推荐方法，其特征在于，所述若匹配到包含所述面部信息的用户数据的步骤后还包括：
对所述用户数据中关联的身份证信息进行底层信息处理和特征提取，得到身份信息特征；判断所述面部信息与所述身份信息特征是否匹配，若匹配成功，则获取所述用户数据关联的历史点餐数据；
若匹配不成功，则重新进行人脸识别。
5.根据权利要求1所述的校园食堂菜品智能推荐方法，其特征在于，所述点餐推荐模块基于所述历史点餐数据对所述用餐者的偏好进行分析，并结合实时菜单信息得到所述用餐者的菜单推荐列表的步骤包括：
获取所述用餐者在预设时间间隔内的历史点餐记录，所述历史点餐记录中包含菜品的名称、单价、配料表、热量值、关键词标签以及点餐时间；
统计所述历史点餐记录中各菜品的点餐次数，按照点餐次数由高到低进行排序，并结合实时菜单信息来生成所述用餐者的菜单推荐列表，基于所述菜单推荐列表向所述用餐者进行菜品推荐。
6.根据权利要求5所述的校园食堂菜品智能推荐方法，其特征在于，还包括：
获取所述用餐者的历史点餐记录中点餐次数排在第一位的感兴趣菜品的关键词标签；将所述感兴趣菜品的关键词标签与实时菜单信息中的菜品关联的关键词标签进行对比，得到所述感兴趣菜品的关键词标签与实时菜单信息中的菜品关联的关键词标签的相似度，基于所述相似度来生成菜单推荐列表向所述用餐者进行推荐。
7.一种校园食堂菜品智能推荐系统，其特征在于，所述系统包括：
人脸识别模块，用于从多角度采集用餐者的人脸图像，并对所述人脸图像进行特征提取，得到所述人脸图像的面部信息，并将所述面部信息传输给后台服务器；
后台服务器，用于将接收到的面部信息，与预存在所述后台服务器中的用户数据集进行匹配，若匹配到包含所述面部信息的用户数据，则获取所述用户数据关联的历史点餐数据，将所述历史点餐数据发送给点餐推荐模块；
点餐推荐模块，用于基于所述历史点餐数据对所述用餐者的偏好进行分析，并结合实时菜单信息得到所述用餐者的菜单推荐列表，并将所述菜单推荐列表发送到用户交互界面上；
用户交互界面，用于接收所述菜单推荐列表，并进行显示，向所述用餐者进行菜品推荐，供所述用餐者基于所述菜单推荐列表在所述用户交互界面上进行点餐。
8.根据权利要求7所述的校园食堂菜品智能推荐系统，其特征在于，所述人脸识别模块还包括：
图像采集单元和图像处理单元；所述图像采集单元中包含若干个摄像头，通过若干个所述摄像头从多角度采集用餐者的人脸图像，将采集到的所述人脸图像传输给图像处理单元；
所述图像处理单元基于所述人脸图像确定所述用餐者的三维人脸点云，并通过Pointnet目标识别算法对所述三维人脸点云进行特征提取，得到所述用餐者的面部信息。
9.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现权利要求1至6任意一项所述方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至6任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310590834.1A CN116703503A (zh) | 2023-05-23 | 2023-05-23 | 一种校园食堂菜品智能推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310590834.1A CN116703503A (zh) | 2023-05-23 | 2023-05-23 | 一种校园食堂菜品智能推荐方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116703503A true CN116703503A (zh) | 2023-09-05 |
Family
ID=87836596
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310590834.1A Pending CN116703503A (zh) | 2023-05-23 | 2023-05-23 | 一种校园食堂菜品智能推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116703503A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117541359A (zh) * | 2024-01-04 | 2024-02-09 | 江西工业贸易职业技术学院(江西省粮食干部学校、江西省粮食职工中等专业学校) | 一种基于偏好分析的用餐推荐方法及系统 |
-
2023
- 2023-05-23 CN CN202310590834.1A patent/CN116703503A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117541359A (zh) * | 2024-01-04 | 2024-02-09 | 江西工业贸易职业技术学院(江西省粮食干部学校、江西省粮食职工中等专业学校) | 一种基于偏好分析的用餐推荐方法及系统 |
| CN117541359B (zh) * | 2024-01-04 | 2024-03-29 | 江西工业贸易职业技术学院(江西省粮食干部学校、江西省粮食职工中等专业学校) | 一种基于偏好分析的用餐推荐方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110019896B (zh) | 一种图像检索方法、装置及电子设备 | |
| Anthimopoulos et al. | Computer vision-based carbohydrate estimation for type 1 patients with diabetes using smartphones | |
| US9633045B2 (en) | Image ranking based on attribute correlation | |
| EP3028184B1 (en) | Method and system for searching images | |
| US10282431B1 (en) | Image similarity-based group browsing | |
| CN111340126B (zh) | 物品识别方法、装置、计算机设备和存储介质 | |
| CN110580278B (zh) | 根据用户画像的个性化搜索方法、系统、设备及存储介质 | |
| CN112889042A (zh) | 机器学习中超参数的识别与应用 | |
| CN108509457A (zh) | 一种视频数据的推荐方法和装置 | |
| US9122912B1 (en) | Sharing photos in a social network system | |
| CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
| CN108388570B (zh) | 对视频进行分类匹配的方法、装置和挑选引擎 | |
| CN110069654A (zh) | 房源搜索方法、装置、设备及计算机可读存储介质 | |
| CN116703503A (zh) | 一种校园食堂菜品智能推荐方法及系统 | |
| US9977964B2 (en) | Image processing device, image processing method and recording medium | |
| CN113505301A (zh) | 一种信息查询方法及其相关设备 | |
| CN110414001B (zh) | 语句生成方法和装置、存储介质及电子装置 | |
| CN111126457A (zh) | 信息的获取方法和装置、存储介质和电子装置 | |
| US9621505B1 (en) | Providing images with notifications | |
| JP2021086438A (ja) | 画像検索装置、画像検索方法、及びプログラム | |
| CN111475720A (zh) | 推荐方法、装置、服务器及存储介质 | |
| CN112069389A (zh) | 菜单信息推荐方法、装置、计算机设备和存储介质 | |
| CN116016421A (zh) | 促进在计算装置中执行的基于媒体的内容共享的方法、计算装置可读存储介质以及计算装置 | |
| CN111797765B (zh) | 图像处理方法、装置、服务器及存储介质 | |
| KR20140006440U (ko) | 이미지와 분류 형질을 이용하여 대상 식물을 식별할 수 있는 시스템 및 그 방법 |
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 |