食堂用餐服务方法、装置、计算机设备及存储介质与流程

本发明涉及信息处理技术领域，特别是涉及一种食堂用餐服务方法、装置、计算机设备及储存介质。

背景技术：

目前，食堂能够满足用户的用餐和快速结算需求，在学校、公司等场所，食堂成为了许多人的用餐选择地。为了减少现金流动，加快结算效率，目前大部分的食堂都改用了ic卡或者移动app支付，有效地方便了就餐人员的付款操作。但是，菜品的计价都是由工作人员人为计算，很多时候会出现工作人员遗忘或记错菜品价格，或者计算漏算、算错菜品总价，造成了用餐价格计算缓慢，容易出现错误。使用ic卡或移动app进行支付，会出现就餐人员遗失或忘带ic卡或手机的情况，造成就餐时无法付款，遗失的ic卡也存在被盗刷的风险。

另一方面，去食堂吃饭，基本是剩下什么菜吃什么菜，谈不上营养就餐。就餐人员大部分没有健康合理的饮食习惯，很多中青年人士把精力放在事业上，对营养很不讲究，平时或者不管什么饭菜，吃饱就行，或者顿顿鸡鸭鱼肉，或者应酬不断，高脂肪、高蛋白质大量摄入，以致啤酒肚、脂肪肝、高血压、高血糖等等；另外还有一些女士怕胖，片面地节制饮食。殊不知，这些不合理、不健康的饮食习惯，最后造成身体素质下滑，甚至疾病缠身。

技术实现要素：

本发明实施例能够提供一种提高就餐结算速率、帮助就餐人员养成健康的饮食习惯的食堂用餐服务方法、装置、计算机设备及存储介质。

为解决上述技术问题，本发明创造的实施例采用的一个技术方案是：提供一种食堂用餐服务方法，包括以下步骤：

获取目标人员的形体图像；

根据所述形体图像判断所述目标人员的体态信息；

根据所述体态信息与预设的推荐规则为所述目标人员推荐用餐菜品。

可选地，所述根据所述形体图像判断所述目标人员的体态信息的步骤，包括以下步骤：

将所述形体图像输入到预设的形体分析模型中，其中，所述形体分析模型为预先训练至收敛状态用于对人体图像进行形体分类的神经网络模型；

获取所述形体分析模型输出的分类结果；

定义所述分类结果表征的形体数据为所述目标人员的体态信息。

可选地，所述获取目标人员的形体图像的步骤，包括以下步骤：

获取实时画面；

从所述实时画面中定时抽取帧图像，并判断所述帧图像中是否存在形体轮廓；

当所述帧图像中存在形体轮廓时，确认所述帧图像为所述目标人员的形体图像。

可选地，所述神经网络模型的训练方法包括：

获取训练样本集，所述训练样本集包括同一目标的至少一张形体图像；

将所述至少一张形体图像依次输入到预设的分类模型中，分别获取所述至少一张形体图像的体态信息分类值；

以数值为限定条件对所述至少一张形体图像的体态信息分类值进行排序；

确认所述排序结果中处于中间位置的体态信息分类值为所述至少一张形体图像的期望分类值。

可选地，所述根据所述目标人员的体态信息与预设的推荐规则为所述目标人员推荐用餐菜品的步骤，包括下述步骤：

获取当前已上架菜品的菜式信息，其中，所述菜式信息中包括每一份所述菜品所包含的热量；

根据所述目标人员的体态信息与预设的匹配规则在已上架菜品中确定目标菜品；

将所述目标菜品通过显示终端展示给所述目标人员，以引导所述目标人员选择目标菜品进行用餐。

可选地，所述根据所述体态信息与预设的推荐规则为所述目标人员推荐用餐菜品之后，包括下述步骤：

获取目标人员的脸部图像；

根据所述脸部图像确认目标人员的身份信息，其中，身份信息中包括已绑定的扣款通道；

通过所述扣款通道扣除对应的用餐费用。

可选地，所述通过所述移动支付应用程序中支付用餐费用的步骤之前，包括下述步骤：

获取目标人员的餐盘图像；

将所述餐盘图像输入到预设的菜品识别模型中，其中，所述菜品识别模型为预先训练至收敛状态用于对菜品进行价格分类的神经网络模型；

获取所述餐盘图像中各菜品的价格分类结果；

确定所述菜品的价格之和为所述用餐费用。

为解决上述技术问题，本发明实施例还提供一种食堂用餐服务装置，包括：

获取模块，用于获取目标人员的形体图像；

处理模块，用于根据所述形体图像判断所述目标人员的体态信息；

执行模块，用于根据所述体态信息与预设的推荐规则为所述目标人员推荐用餐菜品。

可选地，所述食堂用餐服务装置，还包括：

第一输入子模块，用于将所述形体图像输入到预设的形体分析模型中，其中，所述形体分析模型为预先训练至收敛状态用于对人体图像进行形体分类的神经网络模型；

第一获取子模块，用于获取所述形体分析模型输出的分类结果；

第一执行子模块，用于定义所述分类结果表征的形体数据为所述目标人员的体态信息。

可选地，所述食堂用餐服务装置，还包括：

第二获取子模块，用于获取实时画面；

第一处理子模块，用于从所述实时画面中定时抽取帧图像，并判断所述帧图像中是否存在形体轮廓；

第二执行子模块，用于当所述帧图像中存在形体轮廓时，确认所述帧图像为所述目标人员的形体图像。

可选地，所述食堂用餐服务装置，还包括：

第三获取子模块，用于获取训练样本集，所述训练样本集包括同一目标的至少一张形体图像；

第二输入子模块，用于将所述至少一张形体图像依次输入到预设的分类模型中，分别获取所述至少一张形体图像的体态信息分类值；

第二处理子模块，用于以数值为限定条件对所述至少一张形体图像的体态信息分类值进行排序；

第三执行子模块，用于确认所述排序结果中处于中间位置的体态信息分类值为所述至少一张形体图像的期望分类值。

可选地，所述食堂用餐服务装置，还包括：

第四获取子模块，用于获取当前已上架菜品的菜式信息，其中，所述菜式信息中包括每一份所述菜品所包含的热量；

第三处理子模块，用于根据所述目标人员的体态信息与预设的匹配规则在已上架菜品中确定目标菜品；

第四执行子模块，用于将所述目标菜品通过显示终端展示给所述目标人员，以引导所述目标人员选择目标菜品进行用餐。

可选地，所述食堂用餐服务装置，还包括：

第五获取子模块，用于获取目标人员的脸部图像；

第四处理子模块，用于根据所述脸部图像确认目标人员的身份信息，其中，身份信息中包括已绑定的扣款通道；

第五执行子模块，用于通过所述扣款通道扣除对应的用餐费用。

可选地，所述食堂用餐服务装置，还包括：

第六获取子模块，用于获取目标人员的餐盘图像；

第三输入子模块，用于将所述餐盘图像输入到预设的菜品识别模型中，其中，所述菜品识别模型为预先训练至收敛状态用于对菜品进行价格分类的神经网络模型；

第七获取子模块，用于获取所述餐盘图像中各菜品的价格分类结果；

第六执行子模块，用于确定所述菜品的价格之和为所述用餐费用。

为解决上述技术问题，本发明实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述食堂用餐服务方法的步骤。

为解决上述技术问题，本发明实施例还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述食堂用餐服务方法的步骤。

本发明实施例的有益效果是：通过实时获取就餐人员的形体图像，并将就餐人员的形体图像输入到已训练至收敛的神经网络模型中，根据神经网络的输出分类结果判断就餐人员的体态信息，并根据就餐人员的体态信息和预设的推荐规则为就餐人员推荐适合自身的菜式，引导就餐人员选用较为健康的菜式，减少就餐人员习惯性选择不合理菜式搭配的情况，帮助就餐人员养成良好的饮食习惯，减少因不合理、不健康的饮食习惯导致的就餐人员罹患疾病的概率，改善身体素质。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例食堂用餐服务方法的基本流程示意图；

图2为本发明实施例判断目标人员体态信息的流程示意图；

图3为本发明实施例获取形体图像的流程示意图；

图4为本发明实施例神经网络训练方法的流程示意图；

图5为本发明实施例推荐菜品的流程示意图；

图6为本发明实施例支付用餐费用的流程示意图；

图7为本发明实施例计算用餐费用的流程示意图；

图8为本发明实施例食堂用餐服务装置的基本结构框图；

图9为本发明实施例计算机设备基本结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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，都属于本发明保护的范围。

本技术领域技术人员可以理解，这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；pcs(personalcommunicationsservice，个人通信系统)，其可以组合语音、数据处理、传真和/或数据通信能力；pda(personaldigitalassistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或gps(globalpositioningsystem，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是pda、mid(mobileinternetdevice，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。

具体地请参阅图1，图1为本实施例食堂用餐服务方法的基本流程示意图。

如图1所示，一种食堂用餐服务方法，包括以下步骤：

s1100、获取目标人员的形体图像；

通过摄像设备实时拍摄就餐人员的实时画面，从所述实时画面中定时抽取帧图像，并判断所述帧图像中是否存在形体轮廓，当所述帧图像中存在形体轮廓时，确认所述帧图像为所述目标人员的形体图像。

s1200、根据所述形体图像判断所述目标人员的体态信息；

将所述形体图像输入到预设的形体分析模型中，其中，所述形体分析模型为预先训练至收敛状态用于对人体图像进行形体分类的神经网络模型，在一些实施方式中，神经网络模型可以是是cnn卷积神经网络模型或者vgg卷积神经网络模型。获取所述形体分析模型输出的分类结果，定义所述分类结果表征的形体数据为所述目标人员的体态信息。

s1300、根据所述体态信息与预设的推荐规则为所述目标人员推荐用餐菜品；

获取当前已上架菜品的菜式信息，其中，所述菜式信息中包括每一份所述菜品所包含的热量，根据所述目标人员的体态信息与预设的匹配规则在已上架菜品中确定目标菜品，例如，为判断为偏胖的就餐人员推荐较为清淡的菜品。将所述目标菜品通过显示终端展示给所述目标人员，以引导所述目标人员选择目标菜品进行用餐。

如图2所示，步骤s1200具体包括以下步骤：

s1210、将所述形体图像输入到预设的形体分析模型中，其中，所述形体分析模型为预先训练至收敛状态用于对人体图像进行形体分类的神经网络模型；

将获取的的形体图像输入到已经预先训练至收敛的神经网络模型，本实施方式中的神经网络模型能够是cnn卷积神经网络模型或者vgg卷积神经网络模型。所述神经网络模型在训练时，通过获取同一目标的至少一张形体图像作为训练样本集，当所述形体图像多于一张时，将多张形体图像依次输入到预设的分类模型中，分别获取多张形体图像的体态信息分类值，以数值为限定条件对多张形体图像的体态信息分类值进行排序，确认所述排序结果中处于中间位置的体态信息分类值为所述至少一张形体图像的期望分类值；当所述形体图像只有一张时，将形体图像输入到预设的分类模型中，获取形体图像的体态信息分类值作为形体图像的期望分类值。

s1220、获取所述形体分析模型输出的分类结果；

在一些实施方式中，所述形体分析模型设有多个形体分类，且各形体分类分别对应一个形体分类标准值，因此，形体分析模型输出的分类数据为形体图像属于各形体分类的概率值，获取各个形体分类对应的概率值，并根据数值的大小对各概率值进行降幂排序。

根据排序结果获取多个分类值中最大的分类值，即排序结果中排列在第一位的分类值，该分类值对应一个形体分类。说明形体分析模型的分类结果表明形体图像属于该类别的概率最大，即分类结果表明形体图像的形体分类属于分类值最大的数对应的形体分类。

s1230、定义所述分类结果表征的形体数据为所述目标人员的体态信息；

确认分类结果后获取该分类结果对应的形体数据，在一些实施方式中，将人的形体数据划分为不同的体态，例如“肥胖”、“偏胖”、“普通”和“偏瘦”。体态的划分不局限于此，根据具体应用场景的不同，体态分类可以更详细，也可以更粗略。定义所述形体数据为所述目标人员的体态信息。通过这种方法，可以更快更准确地判断出目标人员的形体信息。

如图3所示，步骤s1100具体包括以下步骤：

s1110、获取实时画面；

在一些实施方式中，实时画面可以是摄像装置拍摄上传的实时视频资料。例如，在就餐队伍的的转角处设置有摄像装置，拍摄就餐人员的动态画面，拍摄的内容至少应当包括离摄像装置最近的就餐人员的整体形像，并将画面上传至服务器。

s1120、从所述实时画面中定时抽取帧图像，并判断所述帧图像中是否存在形体轮廓；

通过视频处理软件(例如opencv，但不限于此)对实时画面进行处理，将实时画面拆分为若干张帧画面。通过定时抽取的方式(例如每0.5s抽取一张图片的方式)，在若干张帧画面中依次抽取多张帧画面，然后将帧画面输入到预设的形体轮廓识别模型中，判断帧画面中是否存在形体图像。在一些实施方式中，形体轮廓识别模型可以是现有技术中训练用于判断形体图像有无的cnn卷积神经网络模型或者vgg卷积神经网络模型。

s1130、当所述帧图像中存在形体轮廓时，确认所述帧图像为所述目标人员的形体图像；

当判断帧图像中存在形体轮廓时，确认该帧图像为目标人员的形体图像。将该形体图像输入到神经网络模型中，对实时拍摄的就餐人员进行体态信息判断。通过这种方法可以有效地获取到就餐人员的形体图像，避免因获取到的图像中不存在形体或者形体不完整造成的判断错误。

如图4所示，还包括以下步骤：

s1201、获取训练样本集，所述训练样本集包括同一目标的至少一张形体图像；

在一些实施方式中，对神经网络模型进行训练时，采用若干个训练样本集(例如10万个)，其中，每个训练样本集包括一个人的至少一张形体图像。在对同一个人的至少一张形体图像进行训练之前，需要对每个训练样本的体态信息期望值进行预判，预判可以采用现有技术中已经训练至收敛的体态判断模型进行判断。例如，cnn卷积神经网络模型或者vgg卷积神经网络模型。

本实施方式中，同一训练样本集中的多张形体图像的体态信息期望值相同。

s1202、将所述至少一张形体图像依次输入到预设的分类模型中，分别获取所述至少一张形体图像的体态信息分类值；

分类模型为现有技术中已经存在的各类体态判断模型，在一些实施方式中，分类模型可以为cnn卷积神经网络模型或者vgg卷积神经网络模型。

首先对同一个人在不同环境中拍摄的至少一张照片进行体态评判，然后将所述至少一张形体图像依次输入到分类模型中，获取各形体图像的体态分数。

s1203、以数值为限定条件对所述至少一张形体图像的体态分类值进行排序；

获取到同一个人的至少一张形体图像的体态分类结果后，以体态信息分类值的大小关系，对至少一张形体图像的体态信息分类值进行降幂排序。

s1204、确认所述排序结果中处于中间位置的体态信息分类值为所述至少一张形体图像的期望分类值；

取排序表中位于中间位置的体态信息分类值，作为同一个人至少一张形体图像的共同体态期望值。当一个人的形体图像为奇数个时，获取排序表中的中间值作为体态信息期望值；当一个人的形体图像为偶数个时，获取排序表中的两个中间值的平均值作为体态信息期望值。

通过上述方法训练至收敛的神经网络模型，由于在训练时同一个人不同环境下的体态信息期望值相同，因此，神经网络模型输出的同一个人在不同环境下的体态信息具有更高的收敛性，数据的离散度低。

如图5所示，步骤s1300具体包括下述步骤：

s1310、获取当前已上架菜品的菜式信息，其中，所述菜式信息中包括每一份所述菜品所包含的热量；

由食堂管理人员上传各菜式信息到服务器中，其中，菜式信息包括菜品名称和每一份该菜品所包含的热量等，但不限于此。例如：酿豆腐，895千卡；蒜泥茄子，137千卡；梅菜扣肉，1898千卡；辣白菜，28千卡。食堂管理人员每天更新已上架的菜品，激活已上架菜品的状态，当进行用餐推荐时，获取处于激活状态的菜品的菜式信息。

s1320、根据所述目标人员的体态信息与预设的匹配规则在已上架菜品中确定目标菜品；

在一些实施例中，所述预设的匹配规则可以是每个体态信息分对应一个推荐菜品热量范围，例如，“肥胖”：[0,500]；“偏胖”：[501，800]；“普通”：[801,1200]；“偏瘦”：[1201,2000]。结合目标人员的体态信息，从已上架菜品中查找所述热量范围中的菜品，进行搭配推荐。例如，“偏胖”类型对应[501，800]的热量值，从已上架菜品中查找热量值在501-800的菜品，比如冬瓜排骨汤，530千卡；土豆烧牛肉，750千卡。确定查找到的热量符合的菜品为目标菜品。

s1330、将所述目标菜品通过显示终端展示给所述目标人员，以引导所述目标人员选择目标菜品进行用餐；

通过显示终端展示目标菜品，并附有相关引导和激励文字，在一些实施方式中，显示终端可以为显示器或者展示屏等，但不限于此。例如，当推荐菜品为“冬瓜排骨汤”和“土豆烧牛肉”时，在显示器上展示“推荐您选择冬瓜排骨汤和土豆烧牛肉进行用餐，合理选择用餐菜式，养成良好的饮食习惯，可以有效地改善身体素质。”以引导就餐人员选择目标菜品进行用餐。

通过这种菜品推荐方式，可以根据不同的就餐人员提供符合自身情况的菜品，通过提醒，可以有效减少就餐人员对于菜品选择的随意性和不合理性，帮助就餐人员养成良好的用餐习惯。

如图6所示，步骤s1300之后还包括下述步骤：

s1410、获取目标人员的脸部图像；

通过摄像设备拍摄目标人员的脸部图像，并将脸所述脸部图像输入到身份判断模型中。具体地，在费用结算位置设置一个摄像装置，所述摄像装置可以拍摄到目标人员的脸部，在一些实施方式中，摄像装置设有感应模块，当感应到摄像装置前方有人时，拍摄当前图像作为所述目标人员的脸部图像。

s1420、根据所述脸部图像确认目标人员的身份信息，其中，身份信息中包括已绑定的扣款通道；

将获取的脸部图像输入到身份判断模型中，其中，身份判断模型中已录入该食堂所有用餐人员的多个脸部特征图像。在一些实施方式中，在录入脸部特征图像方法可以是目标人员在目标摄像头前进行特定的头部动作(如左右摆、抬头、低头和眨眼等，但不限于此)，通过目标摄像头录取视频并从中抽取不同角度和光线下就餐人员的脸部特征图像，输入到脸部特征图像库中。并且在录入脸部特征图像时相对应地录入该人员的身份信息，其中，身体信息包括姓名、性别、部门、职位和已绑定的扣款通道等，但不限于此。

本实施例中每一个人员对应一组身份信息和多张脸部特征图像。

当身份判断模型获取到脸部图像时，将脸部图像与脸部特征图像库中的图像进行相似度对比，并将对比结果按照相似度进行排序，定义相似度最高的脸部特征图像所对应的人员为目标人员，并调用该人员的身份信息；若脸部图像与所有脸部特征图像的相似度都低于预设阈值(例如50％)，则确认该脸部图像中不存在已录入信息的人员，重新拍摄脸部图像。

s1430、通过所述扣款通道扣除对应的用餐费用。

在一些实施方式中，所述扣款通道可以是微信支付或者支付宝等移动支付类app，也可以是网银快捷支付等通道。通过扫脸确认就餐人员，并在对应的扣款通道中扣除对应的用餐费用的方法，避免了传统的ic卡支付方法中就餐人员忘记带ic卡导致无法付款的情况，并且可以有效提高就餐时的付款效率，减少其他用餐人员的等待时间。

如图7所示，步骤s1410之前还包括下述步骤：

s1401、获取目标人员的餐盘图像；

在付款位置设置有摄像设备，用于拍摄目标人员的餐盘图像。在一些实施方式中，付款位置设有一个与餐盘形状契合的付款位置，并在付款位置设置有感应装置，当感应装置识别到所述付款位置存在物品时，则启动摄像设备拍摄餐盘图像。具体地，餐盘分设有多个格子用于盛放菜品，摄像设备有一个或多个，当餐盘处于付款位置时，每一个摄像设备分别对应餐盘中的不同格子，并拍摄所对应的格子的图像作为餐盘图像。

s1402、将所述餐盘图像输入到预设的菜品识别模型中，其中，所述菜品识别模型为预先训练至收敛状态用于对菜品进行价格分类的神经网络模型；

将获取的餐盘图像输入到已经预先训练至收敛的神经网络模型，在一些实施方式中，神经网络模型可以是cnn卷积神经网络模型或者vgg卷积神经网络模型。所述神经网络模型在训练时，通过获取同一菜品的至少一张菜品图像作为训练样本集，将至少一张菜式图像依次输入到预设的分类模型中，通过多次迭代直至模型收敛。

s1403、获取所述餐盘图像中各菜品的价格分类结果；

在一些实施方式中，所述菜品识别模型设有多个价格分类，且各价格分类分别对应一个价格分类标准值，因此，菜品识别模型输出的分类数据为餐盘图像中各菜式属于各价格分类的概率值，获取各个价格分类对应的概率值，并根据数值的大小对各概率值进行降幂排序。

根据排序结果获取多个分类值中最大的分类值，即排序结果中排列在第一位的分类值，该分类值对应一个价格分类。说明菜品识别模型的分类结果表明餐盘图像中某一个菜品属于该类别的概率最大，即分类结果表明餐盘图像中某一个菜品的价格分类属于分类值最大的数对应的价格分类。通过这种方法分别获取到餐盘图像中各菜品的价格分类结果。

s1404、确定所述菜品的价格之和为所述用餐费用。

每一个价格分类结果分别对应一个菜品的价格，获取到各菜品的价格之后定义菜品的价格之和为本次用餐的费用。通过上述菜品价格的计算方法可以有效地提高用餐费用的计算效率，并且减少因人工计算时忘记菜品价格、认错菜品或者计算偏差导致的用餐费用错误。

为解决上述技术问题，本发明实施例还提供一种食堂用餐服务装置。具体请参阅图8，图8为本实施食堂用餐服务装置的基本结构框图。

如图8所示，食堂用餐服务装置，包括：获取模块2100、处理模块2200和执行模块2300。其中，获取模块用于获取目标人员的形体图像；处理模块用于根据所述形体图像判断所述目标人员的体态信息；执行模块用于根据所述体态信息与预设的推荐规则为所述目标人员推荐用餐菜品。

通过实时获取就餐人员的形体图像，并将就餐人员的形体图像输入到已训练至收敛的神经网络模型中，根据神经网络的输出分类结果判断就餐人员的体态信息，并根据就餐人员的体态信息和预设的推荐规则为就餐人员推荐适合自身的菜式，引导就餐人员选用较为健康的菜式，减少就餐人员习惯性选择不合理菜式搭配的情况，帮助就餐人员养成良好的饮食习惯，减少因不合理、不健康的饮食习惯导致的就餐人员罹患疾病的概率，改善身体素质。

在一些实施方式中，食堂用餐服务装置还包括：第一输入子模块、第一获取子模块、第一执行子模块。其中第一输入子模块用于将所述形体图像输入到预设的形体分析模型中，其中，所述形体分析模型为预先训练至收敛状态用于对人体图像进行形体分类的神经网络模型；第一获取子模块用于获取所述形体分析模型输出的分类结果；第一执行子模块用于定义所述分类结果表征的形体数据为所述目标人员的体态信息。

在一些实施方式中，食堂用餐服务装置还包括：第二获取子模块、第一处理子模块、第二执行子模块。其中，第二获取子模块用于获取实时画面；第一处理子模块用于从所述实时画面中定时抽取帧图像，并判断所述帧图像中是否存在形体轮廓；第二执行子模块用于当所述帧图像中存在形体轮廓时，确认所述帧图像为所述目标人员的形体图像。

在一些实施方式中，食堂用餐服务装置还包括：第三获取子模块、第二输入子模块、第二处理子模块、第三执行子模块。其中，第三获取子模块用于获取训练样本集，所述训练样本集包括同一目标的至少一张形体图像；第二输入子模块用于将所述至少一张形体图像依次输入到预设的分类模型中，分别获取所述至少一张形体图像的体态信息分类值；第二处理子模块用于以数值为限定条件对所述至少一张形体图像的体态信息分类值进行排序；第三执行子模块用于确认所述排序结果中处于中间位置的体态信息分类值为所述至少一张形体图像的期望分类值。

在一些实施方式中，食堂用餐服务装置还包括：第四获取子模块、第三处理子模块、第四执行子模块。其中，第四获取子模块用于获取当前已上架菜品的菜式信息，其中，所述菜式信息中包括每一份所述菜品所包含的热量；第三处理子模块用于根据所述目标人员的体态信息与预设的匹配规则在已上架菜品中确定目标菜品；第四执行子模块用于将所述目标菜品通过显示终端展示给所述目标人员，以引导所述目标人员选择目标菜品进行用餐。

在一些实施方式中，食堂用餐服务装置还包括：第五获取子模块、第四处理子模块、第五执行子模块。其中，第五获取子模块用于获取目标人员的脸部图像；第四处理子模块用于根据所述脸部图像确认目标人员的身份信息，其中，身份信息中包括已绑定的扣款通道；第五执行子模块用于通过所述扣款通道扣除对应的用餐费用。

在一些实施方式中，食堂用餐服务装置还包括：第六获取子模块、第三输入子模块、第七获取子模块。其中，第六获取子模块用于获取目标人员的餐盘图像；第三输入子模块用于将所述餐盘图像输入到预设的菜品识别模型中，其中，所述菜品识别模型为预先训练至收敛状态用于对菜品进行价格分类的神经网络模型；第七获取子模块用于获取所述餐盘图像中各菜品的价格分类结果；第六执行子模块用于确定所述菜品的价格之和为所述用餐费用。

为解决上述技术问题，本发明实施例还提供一种计算机设备。具体请参阅图9，图9为本实施例计算机设备基本结构框图。

如图9所示，计算机设备的内部结构示意图。如图9所示，该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中，该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种食堂用餐服务方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种食堂用餐服务方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本实施方式中处理器用于执行图8中获取模块2100、处理模块2200和执行模块2300的具体功能，存储器存储有执行上述模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有食堂用餐服务装置中执行所有子模块所需的程序代码及数据，服务器能够调用服务器的程序代码及数据执行所有子模块的功能。

本发明还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任一实施例所述食堂用餐服务方法的步骤。

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，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)等非易失性存储介质，或随机存储记忆体(randomaccessmemory，ram)等。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。