同一道菜形态不固定
份量、摆盘角度、勾芡与汤汁覆盖都在变。样本采集必须覆盖真实出餐的形态区间，而不是拍几张标准样张。
菜品与碗碟识别为真实餐台设计，而不是为样张
菜品识别难在对象本身就不稳定：同一道菜每次盛出来的份量、摆盘、汤汁覆盖都不一样，托盘上还经常同时摆着好几样。算芽把碗碟作为稳定参照，配合现场样本沉淀，把这个方向往可用推进。需要说明的是，菜品识别属于我们持续研发迭代中的方向，具体覆盖范围以项目评估为准。
难点在哪，我们怎么处理
把菜品识别当成"多一类的商品识别"来做，几乎一定在现场翻车。下面是四个必须单独处理的问题。
多品类同时出现
一个托盘上可能有三到五样菜品加主食和汤。需要先把餐位切分清楚，再逐格判断，而不是对整张图做单标签分类。
碗碟作为稳定参照
餐具规格与分格方式统一后，碗碟本身成为可靠的空间基准，既降低识别难度，也为份量估计提供依据。
菜单每天在换
食堂菜单周期性轮换，靠现场采样与样本沉淀跟上变化，避免每次换菜单都要走一轮后台重训。
用在什么地方
团餐与员工餐结算
取餐后一次成像完成计价，减少收银端逐样点选的操作量，缓解用餐高峰的排队压力。
智慧食堂与自助称重
与称重设备配合，把"识别是什么菜"和"取了多少"结合起来，支撑按量计费的模式。
食安巡检与留样记录
记录每餐实际出餐的菜品构成，为食安检查和菜谱执行核对提供可追溯的数据。
厨余与浪费分析
结合回收台的餐盘识别，观察哪些菜品剩得多，为菜单调整和备餐量优化提供依据。厨余浪费检测属于探索中的方向。
菜品识别与厨余浪费检测处于持续研发或方案探索阶段。可覆盖的菜品范围、份量估计精度与自动化程度需结合现场菜单结构、餐具规格与摆放方式评估确定。算芽不在官网披露未经现场验证的准确率指标。
建议的推进方式
-
梳理菜单结构与餐具现状
确认常驻菜品与轮换菜品的比例、餐具规格是否统一、餐台与回收台的空间条件。这一步往往决定项目难度。
-
按真实出餐采集样本
在实际出餐时段采样，覆盖不同份量、摆放与光照条件，而不是在收工后补拍一批理想样张。
-
单窗口试点验证
先在一个窗口跑识别加人工确认的模式，用真实差错率来判断能不能提高自动化程度。
-
逐步扩面与日常维护
确定菜单更新时的采样流程和责任人，让系统跟着菜单一起演进，而不是停在交付那天。
COMMON QUESTIONS
常见问题
菜品识别和商品识别是同一套东西吗？
不完全相同。商品识别面对的是包装规整、外观稳定的工业品；菜品识别面对的是同一道菜每次盛出来都不一样的对象，份量、摆盘、容器、汤汁覆盖都会变化，还常常多个菜品同时出现在一个托盘上。两者的样本策略和判定逻辑差别较大，算芽把它们作为两个方向分别推进。
这个方向目前成熟度如何？
菜品识别属于算芽持续研发迭代中的方向。我们不会在官网给出未经现场验证的准确率承诺，实际能覆盖的菜品范围与表现需要结合具体食堂的菜单结构、餐具规格与摆放方式做样本评估后确定。
统一餐具对识别有帮助吗？
帮助很大。餐具规格、颜色和分格方式统一之后，碗碟本身就成了稳定的参照，能显著降低识别难度，也让份量估计更有依据。这通常是团餐结算项目里性价比最高的一项现场改造。
识别结果可以直接用于扣费吗？
取决于项目对差错的容忍度。常见做法是先以识别结果加人工确认的方式上线，积累一段真实数据后再逐步提高自动化程度。是否直接扣费应该由现场验证数据来决定，而不是一开始就设定。