智能餐厅综合系统的设计与开发

张杰 武星好 于雅楠

摘  要：随着智能化工具的不断革新发展，现代餐饮业也趋向于多元综合化。针对传统餐饮业人力成本高、效率低，以及疫情期间防控不严等诸多问题，文章在NEL-AI800开发板与人工智能物联网应用场景的基础上，设计并开发了一套集防疫体温检测、自助点餐、会员人脸识别、刷脸支付、扫码支付、后厨在线监控、建议评价等功能为一体的智能餐厅综合系统。测试结果表明，该系统性能可靠，可以有效提高传统餐厅运营效率，具有广阔的发展空间。

关键词：物联网；智能餐厅；疫情；刷脸支付；扫码支付

中图分类号：TP311.5  文献标识码：A  文章编号：2096-4706（2023）02-0156-05

Design and Development of Intelligent Restaurant Integrated System

ZHANG Jie1， WU Xinghao2， YU Yanan2

（1.School of Computer Science and Engineering， Tianjin University of Technology， Tianjin  300384， China;

2.School of Information Technology and Engineering， Tianjin University of Technology and Education， Tianjin  300222， China）

Abstract： With the continuous innovation and development of intelligent tools， the modern catering industry also tends to be diversified and integrated. In response to many problems such as high labor costs， low efficiency， and poor prevention and control during the epidemic in the traditional catering industry， based on the NEL-AI800 development board and the application scenario of the artificial intelligence Internet of Things， this paper designs and develops a set of intelligent dining hall comprehensive system that integrates the functions of epidemic prevention temperature detection， self-service ordering， member face recognition， paying by scanning face， paying by scanning code， kitchen online monitoring， suggestion evaluation， etc. The test results show that the system has reliable performance， can effectively improve the operation efficiency of traditional restaurants， and has broad development space.

Keywords： Internet of Things; intelligent restaurant; epidemic; paying by scanning face; paying by scanning code

0  引  言

現阶段餐饮业的人工智能化大体分为两类[1]：一类为餐饮前台通过智能点餐系统下单，优化餐厅人工成本，精简顾客候餐用时；另一类为后厨运用机械化智能设备，如自动出菜机等，降低餐厅人工成本的同时也减少了人、菜接触，确保餐品的卫生。然而餐厅智能化应用仍未完善：首先，很多智能机器和系统软件处于测试阶段，需经历优化升级，以确保稳定通用；其次，餐饮人员需重新学习智能设备使用方法等。

为了更好地优化餐饮业的成本和效率，针对解决智能餐饮的结构单一、需求满足低下等诸多人工智能物联网应用[2-4]缺陷，本文设计并开发了一款拥有防疫体温检测、分时点餐、刷脸支付、扫码支付、后厨在线监控等功能的智能餐厅综合系统。该系统界面优美、功能实用，可有效提高餐厅服务效率，进一步推进智能化进程。

本文主要分为四部分：需求分析、总体设计、关键技术、系统测试。第一部分介绍了当前餐厅对智能化的多种需求；第二部分从软、硬件两方面介绍了该系统设计与构成；第三部分更加详细地阐述了该系统技术核心；第四部分给出了系统的实际测试结果。

1  需求分析

1.1  业务需求

当前餐厅中大多数操作环节是依靠服务员完成的，服务员负责为顾客介绍菜品并记录点餐，然后把点餐结果交予厨房，厨房根据菜品种类安排做菜顺序，再由服务员为顾客上菜，最后由服务员向顾客收取费用。传统餐厅服务流程如图1所示。

这样的运营模式不仅人力成本高，并且容错率低，导致餐厅运营效率低下。

1.2  特殊需求

疫情期间，大多数传统餐厅设立人工测温，有的餐厅因人手不足而无法设立测温点来保证餐厅环境及人员安全。本系统提供防疫体温检测模块，在每位顾客进入点餐程序时进行检测，若体温异常，将发出警报提醒服务人员进行处理。

1.3  市场需求

如表1所示，随着现代消费结构的变革，线上、线下一体化日益深化，传统餐厅与智能餐厅的差别主要体现在服务上，传统餐饮仅仅是对顾客的维护，而智慧餐饮是引领顾客。

2  总体设计

2.1  硬件设计

本系统使用硬件产品包括：NLE-AI800开发板、显触一体屏、AMG-8833红外热像仪传感器、摄像头、Wi-Fi天线。

系统基于NLE-AI800开发板的Linux环境运行，使用Wi-Fi天线达到网络互通，防疫体温检测使用AMG-8833红外热像仪传感器实现，摄像头应用于人脸注册、支付、后厨监控等场景，基于算法模型分析实现配套功能。以下为核心硬件设计介绍。

2.1.1  NLE-AI800开发板

NLE-AI800开发板是一款具备高可扩展性的AIOT开发平台，平台具有AI计算能力，提供4T FLOPS的算力，支持多sensor输入，集成丰富的硬件接口[5]。NLE-AI800开发板如图2所示。

2.1.2  AMG-8833红外热像仪传感器

防疫体温检测采用AMG-8833红外热像仪传感器[6]，该传感器使用I2C协议连接，通过像素点、温度值、中断引脚[7]等与软件操控结合实现。AMG-8833红外热像仪传感器如图3所示。

2.1.3  摄像头

本系统与摄像头响应的事件包括：人脸注册、人脸支付及在线后厨监控事件。摄像头如图4所示。

2.2  软件设计

2.2.1  防疫温度检测

就餐顾客在点餐之前预先进行防疫体温检测，仅在体温正常情况下继续点餐流程，若体温异常将发出警报并禁止点餐，充分保障顾客的就餐环境及人员安全。

2.2.2  分时点餐模块

顾客根据当前时段智能进入对应的分时点餐界面，菜单界面根据分时段[8]对餐品进行分类分块展示，并附有实物图片及推荐度排序，顾客可进行个性化挑选，优化消费者的体验感。

2.2.3  会员专享模块

会员模块包含会员注册、个人信息查询、账户充值、专享刷脸支付及餐品优惠活动。其中，个人信息查询模块打破传统选购与账户信息分区独立的情况，将二者相互贯连，使顾客可选择更贴合个人情况的餐品。

2.2.4  刷脸支付

在进行刷脸支付之前，根据系统中的人脸模型数据进行人脸模型判别[9-11]，再通过系统注册实现人脸特征的提取[12-14]和数据库的录入。在刷脸支付过程中，进行活体检测和人脸特征提取，并将活体人脸特征与人脸数据库特征信息进行配对，若相似率达到85%以上则支付成功，反之失败。

2.2.5  二维码支付

鉴于系统尚未进入商业阶段，故采用支付宝的“沙箱环境”代替实现。

2.2.6  建议评价模块

利用该模块，顾客在消费完后对餐品及餐厅综合情况进行评价反馈，餐厅根据回馈的信息更有针对性的优化改进。另外，还可以根据各餐品的欢迎程度及满意度进行汇总与排序，通过数据分析[15-17]实时反馈到点菜界面上，让顾客对菜品一目了然。

2.3  点餐系统流程设计

本系统基于NEL-AI800开发板与人工智能物联网应用场景，设计开发防疫体温检测、智能自助点餐、刷脸支付和扫码支付等功能，并结合AMG-8833红外热像仪传感器、视觉传感器、人脸特征模板识别、支付宝（沙箱环境）与软件环境等实现智能点餐。点餐系统流程如图5所示。

3  关键技术

3.1  智能测温

智能测温是基于AMG8833红外热成像仪设计，包含8×8阵列的红外热成像传感器阵列，利用Python第三方库smbus2模块，与开发板针座接口通过I2C协议可为微处理器提供1组64个独立的温度数字信号，并从返回的红外温度中取数个离散数据的均值输出，在体温超阈值时触发INT可配置的中断引脚，启动中断程序响应警报操作。智能测温流程如图6所示。

3.2  数据管理

对智能餐厅的信息管理主要包括对餐品、会员、服务管理，还包括统计销售额、餐品销售情况等，为餐厅的良性循环运营提供大数据下的科学依据。数据管理内容如图7所示。

3.2.1  餐品管理

餐品管理是对餐品实时销售情况的管理，动态即时更新餐品状态，若某餐品缺货，分时点餐界面将其显示为暗色“售罄”，并无法选中，仅供瀏览。此外可根据各餐品的销售情况，将受欢迎度高的餐品优先推荐给顾客。

3.2.2  会员管理

当餐厅新注册会员时，数据管理库中可将其信息内部存储，当其信息发生变动时，数据管理库可对相应数据进行更改。

3.2.3  服务管理

顾客在就餐后对餐厅的综合满意度进行评价，也可以在看到前人评价的基础上，对现有的问题或者消费体验欠佳处提出评分与建议，后台将统计整理以便餐厅针对性改进。

3.2.4  数据分析

匹配餐厅运营策略，汇合统计当日、月的营业额与消费的时段、餐品、口味等数据信息，并以此为依据，动态智能调整餐厅营业模式，合理规划餐品量与全新活动等。

3.3  扫码支付

通过支付宝开发平台，安装所需的支付SDK，生成自己的服务端的私钥和公钥来配置扫码支付所需环境。

扫码支付流程：顾客使用APP支付时，首先APP向商户服务器发送支付请求并获取商户服务端返回的订单信息；然后商户APP调用支付接口向支付宝服务端发送支付请求；在接收到返回的数字支付结果后，商户APP再向商户服务端请求同步数字支付结果；最后支付宝服务端将接收签名、解析并在APP上返回最终支付结果。支付宝（沙箱环境）原理如图8所示。

3.4  刷脸支付

3.4.1  实现基础

刷脸支付实现主要包含三部分：主窗口类、摄像头读取相机的线程类和人脸检测算法线程类。

3.4.2  实现结构

数据结构包括：人脸结构体信息、人脸识别句柄、人脸检测输入输出结构体、人脸对齐输入输出结构体、人脸特征提取输入输出结构体等。

3.4.3  实现途径

使用ctypes方式进行调用C动态库（so），ctypes是专门为Python语音所准备的一个外部函数库。它提供兼容C的数据类型，并允许调用DLL或共享库中的函数。通过ctypes可以使用纯粹的Python来包装这些函数库。

4  系统测试

本节主要对系统的扫码支付模块以及刷脸支付模块进行测试。

顾客进入本系统后，于分时餐段点餐界面进行个性化餐品选择。分时点餐界面如图9所示，分时餐段（午餐）菜品选择界面如图10所示。

4.1  扫码支付

进行餐品结算时，顾客通过APP扫码支付订单，订单金额与选购菜品金额一致，支付操作后付款成功，商家响应收款提示，系统提示支付完成，同时可进行餐厅满意度评价。测试结果显示扫码支付功能正常运行，扫码付款界面如图11所示，扫码付款成功界面如图12所示。

4.2  刷脸支付

进行餐品结算时，顾客通过刷脸支付订单，未检测到人脸或人脸未对齐时界面提示相应文字，在人脸对齐并成功支付后，扣除的金额与订单对应折扣价一致，且账内余额相应减少。测试结果显示刷脸支付功能正常运行，刷脸付款界面（未检测到人脸）、刷脸付款成功界面及账内余额查询界面分别如图13-15所示。

5  结  论

本文针对餐厅单一销售功能的“痛点”，并与疫情现状相结合，设计开发基于物联网技术的智能餐厅综合系统，打造集防疫体温检测、自助点餐、会员服务、后厨监控、刷脸支付、扫码支付、建议评价等多功能为一体的智能餐厅服务体验。系统测试表明，本系统在满足日常餐厅用餐的基本需求上，可较大程度提高餐厅营销效率和顾客消费满意度。接下来计划将支付宝（沙箱环境）替换为支付宝API支付接口，实现广泛应用推广。

参考文献：

[1] 梁妍，王殿华，朱灏琨.京津冀服务业智能化影响因素与发展对策——以餐饮业为例 [C]//天津市社会科学界第十五届学术年会优秀论文集：壮丽七十年辉煌新天津（下）.天津：天津人民出版社，2019：403-410.

[2] 廖建尚.企业级物联网开发与应用 [M].北京：电子工业出版社，2018.

[3] 廖建尚，何丹，程小荣.物联网识别技术 [M].北京：电子工业出版社，2019.

[4] 安翔.物联网Python开发实战 [M].北京：电子工业出版社，2018.

[5] 新大陆教育.2020年全国大学生物联网设计竞赛大幕拉开，新大陆赛题等你Pick [EB/OL].[2022-08-18].http：//www.newland-edu.com/show？article_id=312&pagenum=all.

[6] 杨立.红外热成像测温原理与技术 [M].北京：科学出版社，2012.

[7] KACMAZ S，ERCELEBI E，ZENGINS，et al. The use of infrared thermal imaging in the diagnosis of deep vein thrombosis [J].Infrared Physics and Technology，2017，86：120-129.

[8] 刘伟荣，何云.物联网与无线传感器网络 M].北京：电子工业出版社，2013.

[9] 吴至文，郭叶军，宗炜，等.OpenCV深度学习应用与性能优化实践 [M].北京：机械工业出版社，2020.

[10] 塞瓦克，礼萨·卡里姆，普贾里.实用卷积神经网络：运用Python实现高级深度学习模型 [M].王彩霞，译.北京：机械工业出版社，2019.

[11] 王新宇.Python机器學习开发实践 [M].北京：人民邮电出版社，2020.

[12] 米尼奇诺，豪斯.OpenCv3计算机视觉Python语言实现[M].刘波，苗贝贝，史斌，译.北京：机械工业出版社，2017.

[13] 乔希，米兰·埃斯克里瓦，戈多伊.OpenCv实例精解 [M].呆萌，李风明，李翰阳，译.北京：机械工业出版社，2016.

[14] 王天庆.Python人脸识别：从入门到工程实践[M].北京：机械工业出版社，2019.

[15] IdrisI.Python数据分析 [M].韩波，译.北京：人民邮电出版社，2016.

[16] 吴振宇，李春忠，李建峰.Python数据处理与挖掘 [M].北京：人民邮电出版社，2020.

[17] 林耀进，张良均，张兴发，等.Python机器学习编程与实战 [M].北京：人民邮电出版社，2020.

作者简介：张杰（2000—），男，汉族，福建福州人，硕士在读，主要研究方向：计算机视觉；于雅楠（1984—），女，汉族，天津人，讲师，博士，主要研究方向：移动机器人自主定位与环境建模。

收稿日期：2022-08-25