利用卷積神經網絡智能識別技術實現餐廳自助結賬

高圣寒 趙在東 孔維舸

摘 要：當前，無論是學生食堂和企事業單位員工食堂，還是盈利為目的的餐廳，傳統的用餐模式主要三種，即窗口、套餐、自選。窗口模式就是就餐人員在許多個窗口排隊選擇菜品，服務員給打菜，菜選完以后，總額由服務員計算;套餐模式就是在規定套餐中，將菜品選擇，服務員給打菜準備就餐，按照不同的套餐價格，收銀員進行結算;自選模式就是服務員按份給打菜，放到窗口，就餐人員按自身喜歡取菜，將選好的菜放到托盤上，收銀員將整單總價人工核算。卷積神經網絡智能網絡，是一種新的自助結賬系統[1-2]。該文分析和研究了運用卷積神經網絡智能識別技術進行餐廳的自助結賬。

關鍵詞：卷積神經網絡;智能識別技術;餐廳自助結賬

卷積神經網絡智能識別技術，無論是學校食堂，還是企事業單位的員工食堂，都比較適用，點餐模式主要以自選為主，智能機器運用識別判斷和掃描等一系統的流程，將就餐人員餐盤上的點菜總額結算出來。該自助結賬系統，既優化了點餐系統，又簡化了用餐流程，克服了人工結算的繁瑣和不便，從而使成本降低。

一、概述卷積神經網絡

卷積神經網絡由偏置常量的神經元和可學習的權重構成[3-4]。主要作用就是在圖片中將圖像特征提取。卷積神經網絡在變化圖像時，適應性非常好，無論是圖像旋轉和平移，還是傾斜變化和大小縮放，其都能夠適應，主要是由于卷積神經網絡的非線性學習能力結構非常好。

（一）卷積層。在神經網絡中，卷積層是最重要的組成部分，其由許多個卷積單元構成，每個參數都是通過優化反向傳播算法而獲得的。卷積層的作用主要是將輸入的不同特征提取，有些角和邊緣以及線條等低級的特征等，第一層卷積層就可以提取。為了將更加復雜的特征在低級特征中提取，必須要應用多層卷積層。應用卷積運算，很大程度地減少了神經網絡的參數，但是，還是一個很大的數量。此時卷積層權值的共享機制，能夠使神經網絡訓練的參數進一步地減少。權值共享機制，就是圖像中一部分與其他部有相關的聯系。參數共享機制運用以后，能夠很大程度地減小參數數量。

（二）池化層。池化層，在卷積層以后，可以獲得比較大維度的特征，切割這些特征，多個區域就會獲得，無論是這些區域的平均值，還是最大值都能夠獲得，并且較小維度的新的特征也能夠獲得。通常池化層放在兩個卷積層之間，主要用于特征映射維度的降低和避免過擬合以及計算量的減少等問題。通常其輸入是從上一層獲得的，將強大魯棒性提供為主要的作用。

（三）激活層。激活函數就是激活層，引用激活函數，主要是由于網絡中不可以只有線性模型，激活函數是將非線性引入的因素。在神經網絡中，通常非線性部分主要來自于神經元之間選擇性的激活，這樣對于學習稀疏特征非常有利。在卷積神經網絡中，Sigmoid和Tanh以及ReLU等為常用的激活函數。

針對于各個輸入數據，Sigmoid運用Sigmoid函數操作。該設計很簡單，無需太多的參數。以下為計算公式：

從當前來看，應用比較廣泛的激函數就是ReLU，其廣泛應用的原因，就是在確保ReLU效果比較良好的情況下，收斂的速度會更快。從本質上，ReLU是一個分段的線性函數，致使無論是前向計算，還是反向傳播計算，都比較簡單。相對于其他激活函數，ReLU具有很大的優勢。通常Tanh和Sigmoid等激活函數具有飽和的現象，消失梯度的問題就容易出現，原因是在函數兩端這些函數的導數通常近于零，致使反向傳播以后，導致前面層數的梯度也基本變成了零。ReLU的計算公式：

（四）全連接層。在卷積神經網絡中，全連接層為最后的部分，通常全連接層能夠轉化卷積出的多維特征為一維向量[5-6]。其作用是將前一層全部的激活函數結果在模型最后兩層完全連接。在全部連接層中，為了避免過擬合產生，通過運用Dropout算法避免過擬合產生。在深度神經網絡中訓練模型時，訓練的數據若比較少，過擬合現象就容易出現，即模型可以將訓練集的特征更好地學習，但是，泛化能力欠缺。為了防止產生過擬合，除了應用傳統的正則化方法，還有一種就是Dropout方法，該方法主要用于對深度神經網絡過擬合問題進行解決。2014年，Srivastava等人提出Dropout，他們指出每次進行訓練時，需要更新一部分參數，不用更新另一部分參數，這樣可以避免有些特征協同的作用。在標準神經網絡中，各個參數具有的導數怎樣變化其都會告知，一直到最終減小損失的函數。

二、運用卷積神經網絡智能識別技術實現餐廳自助結賬

（一）構建中餐菜品檢測數據庫和識別數據庫。在VIREO Food-172的數據庫中，隨機在每一類菜品中抽取圖片100張，共計17200張圖片，并且手工標注圖片中中餐菜品的位置，將檢測中餐菜品的數據庫構建起來。檢測中餐菜品任務中可以應用該數據庫，主要作用是訓練菜品檢測模型。識別中餐菜品的數據庫，主要是以VIREO Food-172為基礎，應用檢測菜品，精準切割各張圖片中的菜品圖像，將數據庫構建起來。

（二）在識別中餐菜品任務中應用檢測菜品。主要運用YOLOv2模型，檢測中餐菜品。YOLOv2模型能夠準確快速地檢測中餐菜品，具有很大的應用價值。通過對比實驗幾種常見的深度卷積神經網絡模型，運用實驗方式，可以了解到檢測中餐菜品加入以后，的確有提高識別中餐菜品準確率的作用。在識別中餐菜品任務中應用檢測菜品，通過檢測中餐菜品，使識別中餐菜品的準確率有效地提高。

（三）建立集成模型，解決識別中餐菜品的任務。主要在4種選擇性集成算法中應用，即基于準確率的排序、Orientation Ordering、Kappa Pruning、DHCEP，對識別中餐菜品的任務更好地解決。分析這幾種選擇集成算法獲得的最終集成模型，主要分析準確率和多樣性。根據Kappa Pruning的算法，在準確率識別得以保證的情況下，模型的多樣性比較好，識別的準確率為84.56%，相對于VIREO Food-172的構建者，在識別中餐菜品中用的算法識別準確率的82.06%，已經超過了，根據DHCEP選擇的集成算法，集成模型最終具有識別最高的準確率為85.18%。在識別中餐菜品任務中應用選擇性集成算法，也是一種創新。

在餐廳自助結賬中，有效運用卷積神經網絡智能識別技術，既能夠將用餐人員點的菜品總額結算出來，又能夠使傳統人工結算的繁瑣和不便也能夠克服，非常值得應用和推廣。

參考文獻

[1] 吳云華，張澤中，華冰，陳志明.應用卷積神經網絡的遙感圖像云層自主檢測[J].哈爾濱工業大學學報，2020（11）：1-8.

[2] 葉靈楓.基于深度學習的食品自動識別算法研究[D].浙江師范大學，2020.

[3] 朱沛賢.基于卷積神經網絡的單目圖像深度估計研究[D].南京郵電大學，2018.

[4] 張曉明.基于卷積神經網絡與3D幾何語義的室內場景理解研究[D].北京交通大學，2018.

[5] 崔建華.卷積神經網絡在食材圖像分類中的應用[D].湖南大學，2017.

[6] 楊勇.基于卷積神經網絡的RGB-D圖像室內場景識別研究[D].浙江大學，2017.

基金項目：利用卷積神經網絡智能識別技術實現餐廳自助結賬，編號：201913301023。