朱泽宇

【摘 要】伴随着智能化时代的到来，人工智能技术与传感技术获得了空前的进步与发展，与传统的人工作业相比，机器生产不仅生产量稳定，而且生产效率高，可以节省大量的生产成本。针对以往人工打菜分配不均、效率低下等多种问题，对基于机器视觉的菜品智能识别技术进行研究就显得尤为重要。本文基于机器视觉技术，结合传统图像识别技术，提出了一种新型的菜品智能识别技术，可以有效的代替以往通过人眼来实现对菜品的识别。

【关键词】机器视觉;菜品;智能识别技术

一、基于机器视觉的菜品智能识别系统的总体设计

首先，要在该系统中根据消费者的需求来选择适合消费者的饭量，然后通过打饭机窗口来实现自动打饭，在经过打饭程序后，消费者的餐盘会通过输送机传递至工位，然后餐盘随着该输送机运动[1]。其次，消费者在点菜窗口对菜品或者套餐进行选择，然后完成支付，负责整个菜品识别智能系统中则会对消费者的相关信息进行收集与显示，并提示消费者到取菜窗口等待自己的餐盘到位。最后，在餐盘送至取菜口时，则取菜口的窗户显示屏会根据该餐盘的流水来提示餐盘已到位。消费者根据自己的用餐流水号来取走餐盘。如果某到达取菜口的餐盘没有被及时取走，则会通过输送机的出口将其排放到立式餐盘存储机上，这样，用户则可以根据自己实际情况来及时取走餐盘，不会影响后续其他乘客需求。

为保证本次基于机器视觉的菜品智能识别系统设计后得到有效应用，规定该系统的定位精度误差控制在5毫米以内，每次抓取食物重量不得超过0.3千克，食物的抓取精度不得小于0.01千克。在抓取食物过程中，要求40—60秒之内，将三个菜品抓取到饭盘上。本系统中所使用的所有机器设计都符合相关的食品卫生要求，达到《国标GB19891-2005机械安全机械设计》的卫生要求的相关要求规范。菜品识别系统中要求菜品种类不得低于10种;为保证该系统实物抓取效果的安全高效卫生，还设置报警装置，通过视觉检测系统，对所抓取菜品进行检测，如果菜盘中菜品数量过少，无法及时对其菜品实现智能识别与检测，则报警装置会发出警报，并提醒对实验菜品区域补充菜盘与菜品。

二、机器视觉模块硬件选型

在设计菜品智能识别系统的总体视觉方案过程中还需要加强系统需求分许，并选择合适的硬件选型。基于机器视觉的菜品智能识别系统设计中，为保证各项功能要求与技术要求达到标准，通过对视觉模块各个部分的标准以及系统实际需求进行综合分析确定，选择工业相机的型号为Basler acA3800-10gc，其像素为1000W，然后搭配的工业相机镜头型号为Basler Lens C125-0418-5M F1.8 f4mm，应用光源型号为OPT-RI0090的奥普特公司的90°前向照射的环形LED白色光源。只有搭建起一套完善的菜品图像识别体系，应用合适的机器视觉系统，才能保证所采集到的菜品成像信息识别的准确性、可靠性，在后续的研究中，还要持续改进与完善诗句模块硬件选型的精准性[2]。

三、应用基于YOLOv3模型的菜品智能识别与目标检测

基于机器视觉的菜品智能识别技术，其最根本的目的就是为了要根据用户需求智能识别菜品，并根据用户需求提供所需菜品，因此，就必须要应用基于YOLOv3模型的菜品智能识别与目标检测。通过目标检测来对菜品智能识别中的特定目标的所在区域进行识别，应用基于YOLOv3模型的菜品智能识别与目标检测需要满足目标分类与目标定位两个功能需求。其中目标分类就是要根据计算机识别与判断图片中的物体其所属的分类与检测结果的置信率;目标定位功能则主要对对图片中的特定目标的所在区域、位置进行确定与标记[3]。在整个智能菜品识别系统中，最关键的环节就是要对已经制作完成的菜品进行识别。通过菜品智能识别系统中的菜品识别系统可以实现识别菜品类别与菜品位置的目的，然后将该目标菜品图像通过位置坐标传递到机械手系统，然后应用机械手来分拣菜品，从而完成菜品智能识别操作。

如果应用传统的目标检测算法，则在选择区域的时候，需要定位检测目标的区域，由于目标的形状及位置存在明显的不确定性特征，应用传统目标检测算法，往往会通过滑動窗口策略来遍览图像，往往会导致冗余运算多，且会对检测速度产生严重影响，甚至花费较长时间仍旧也无法准确获得该不确定图像的具体区域。通过应用SSD（single shot multibox detector）、YOLO为代表的目标检测法，该检测方法将整个目标检测任务看作是回归问题进行处理，从而实现了由端到端的处理，可以直接将模型预测结果输出，不仅检测速度快，且能够实现实时识别的目的。YOLO目标检测法是一种基于回归思想的目标检测算法，截至目前为止，该检测算法已经衍生出YOLOv2和YOLOv3版本。YOLOv3目标检测技术的检测数量有效提升，且检测准确率及小目标检测显著提升[4]。可以说，在当前的菜品智能识别技术中YOLOv3是最适用的目标检测算法。

通过对基于实时目标检测模型YOLOv3目标检测算法进行改进，使菜品智能识别技术更加完善。首先，通过应用k-means聚类算法可以实现对待识别菜品的验框聚类，则可以使该待识别菜品的形状更加接近与识别目标。通过对其中9组的识别目标的验框类聚，从而将待识别目标的IoU 提升至89%以上。

针对待识别目标的特点，对其网络结构进行优化，并将多尺度预测中小尺度与中尺度的预测步骤一处，只对大尺度特征途进行预测，从而有效提升检测的精度、速度。

通过应用批再标准化算法来处理模型数据，从而改善网络的训练过程，针对一些训练样本批次较小或训练样本不独立同分布条件的情况下，对网络的手链过程加速，并提升检测精度。

结束语：

总而言之，在当前的基于机器视觉的菜品智能设计中，还存在一定的技术难点，还需要实现机器视觉的智能识别技术与传统图像识别技术、深度学习图像识别技术的有机结合，从而设计出完善的菜品智能识别系统。通过应用图像处理技术，可以对已经拍摄的图像进行处理，并实现对菜品区域的监测定位，对菜品的种类、菜品所在的区域进行检测，在未来的研究中仍然需要对该菜品智能识别技术的实时性、准确性进行深入的研究。

参考文献：

[1]李振，廖同庆，冯青春，等.基于机器视觉的蔬菜种子活力指数检测算法研究及系统实现[J]. 浙江农业学报，2015，27（12）：2218-2224.

[2]陶沙，何敏.基于机器视觉的智能制造系统图像识别技术研究[J].洛阳理工学院学报（自然科学版），2019.

（作者单位：荆楚理工学院）