Как избавиться от очередей в столовой: aiКасса с автоматическим распознаванием блюд

Статья будет полезна руководителям корпоративных столовых, операторам питания, заведующим производством, управляющим предприятиями общественного питания и ИТ‑специалистам.

Очереди в час-пик остаются одной из главных проблем столовых. Когда поток посетителей резко увеличивается, кассиры не всегда успевают обслуживать всех гостей, а расширение штата не всегда экономически оправдано. Одним из способов решить эту задачу становятся терминалы самообслуживания с технологией распознавания блюд.

Что такое aiКасса и какие задачи она решает?

1С-Рарус aiКасса — это терминал самообслуживания со встроенной системой машинного зрения. Посетителю достаточно поставить поднос в зону сканирования, после чего система проанализирует изображение, распознает блюда и автоматически добавит их в заказ. Далее остается только подтвердить покупку и оплатить ее удобным способом.

Главная задача решения — сократить очереди в час-пик. Вместо установки дополнительных касс и привлечения сотрудников организация может использовать терминалы самообслуживания, которые работают без постоянного участия кассира.

Кроме ускорения обслуживания технология дает и другие преимущества:

• увеличивает пропускную способность столовой;
• снижает нагрузку на персонал;
• помогает контролировать соблюдение рецептур и стандартов оформления блюд;
• формирует базу фотографий всех проданных подносов для последующего анализа;
• создает дополнительный инструмент контроля качества производства.

Помимо сокращения очередей и ускорения обслуживания, система дает руководству дополнительный инструмент контроля качества. По фотографиям блюд можно анализировать, насколько фактическая подача соответствует утвержденным стандартам, соблюдаются ли рецептуры и единые требования к оформлению блюд на линии раздачи.

Как появилась технология распознавания блюд?

Проблема очередей в столовых существует давно, поэтому попытки ускорить обслуживание предпринимались задолго до появления искусственного интеллекта. Использовались комплексные обеды с фиксированным набором блюд, различные схемы учета питания сотрудников и другие подходы, которые помогали увеличить скорость обслуживания, но часто ограничивали выбор посетителей.

Позже появились решения на базе RFID- и NFC-меток. Предполагалось, что каждая тарелка или поднос будут содержать специальную метку с информацией о блюде, а касса сможет автоматически считывать эти данные. Однако такой подход требовал специальной посуды, дополнительного оборудования и сложной инфраструктуры, поэтому массового распространения не получил.

С развитием технологий машинного зрения стало возможным распознавать блюда по фотографии без использования меток и специальной посуды. Именно эта идея легла в основу aiКассы. Однако на практике разработка оказалась значительно сложнее, чем выглядела изначально.

Команде пришлось решить целый ряд задач:

• подобрать камеры и систему освещения;
• обеспечить стабильное качество съемки;
• научить систему распознавать блюда, которые могут выглядеть по-разному даже в рамках одной смены;
• учитывать особенности подачи и оформления блюд.

Изначально технология создавалась как помощник кассира: система должна была автоматически определять блюда, а сотрудник — лишь подтверждать заказ. Однако во время тестирования стало понятно, что предприятиям питания нужен более широкий функционал. В результате решение стало полноценным терминалом самообслуживания, который самостоятельно распознает блюда, формирует заказ и помогает сократить очереди без увеличения числа кассиров.

Как работает терминал самообслуживания?

После выбора блюд посетитель ставит поднос в зону сканирования терминала. Система анализирует изображение, выделяет блюда на подносе и определяет их состав. На это требуется около 1–2 секунд. Затем распознанные позиции автоматически добавляются в заказ.

Технология умеет распознавать несколько блюд на одной тарелке. Например, если на тарелке одновременно находятся гарнир и горячее, система выделяет каждую позицию отдельно и добавляет их в чек как разные блюда.

После проверки заказа посетителю остается только оплатить покупку. Поддерживаются различные способы оплаты:

• банковские карты;
• СБП;
• талоны на питание;
• пропуска сотрудников;
• комбинированные способы оплаты.

Одной из ключевых особенностей решения является полностью автономная работа. Нейросеть размещена непосредственно внутри терминала, поэтому обучение и распознавание выполняются локально. Даже при отсутствии связи с центральным сервером система продолжает работать.

Как проходит внедрение на объекте?

Для использования aiКассы предприятие должно работать на решениях «1С» или «1С‑Рарус». Далее необходимо выбрать и установить терминал самообслуживания. После установки он настраивается аналогично обычному кассовому рабочему месту: подключается кассовая техника, банковский терминал и другое оборудование.

Следующий этап — обучение персонала. Поварам объясняют важность соблюдения рецептур и стандартов оформления блюд. Сотрудникам линии раздачи показывают, как правильно размещать блюда на тарелках, чтобы они не перекрывали друг друга. Также назначается ответственный сотрудник, который будет работать с обучением системы.

Особенность решения заключается в том, что не требуется длительный предварительный сбор датасета и масштабное обучение нейросети.

Перед началом смены достаточно:

• поставить каждое новое блюдо на поднос;
• сделать 2–3 фотографии;
• выбрать соответствующую номенклатуру в системе.

На обучение всей линии раздачи обычно требуется около 15–20 минут. После этого терминал готов к работе.

Какие требования предъявляются к производству?

Несмотря на высокий уровень автоматизации, технология требует соблюдения нескольких правил.

Соблюдение рецептур и стандартов

Для качественного распознавания блюда должны выглядеть предсказуемо. Если по рецептуре салат украшается зеленью, желательно соблюдать этот стандарт постоянно. Если оформление блюда регулярно меняется, качество распознавания может снижаться.

При этом система умеет адаптироваться к изменениям. Если блюдо выглядит иначе, чем обычно, достаточно один раз скорректировать результат распознавания, и терминал учтет новый вариант оформления в дальнейшей работе.

Аккуратная выкладка блюд

Если на одной тарелке находятся несколько блюд, они не должны перекрывать друг друга. Важно, чтобы камера могла видеть все позиции сверху.

Ограничения при формировании меню

Некоторые блюда невозможно отличить даже человеку. Например, малиновый и клубничный компоты в одинаковых стаканах выглядят одинаково. В таких случаях рекомендуется:

• не продавать визуально одинаковые позиции одновременно;
• использовать одну номенклатуру для группы похожих товаров;
• разделять такие позиции по дням или сменам.

Возможности и ограничения системы

Сегодня aiКасса умеет:

• выделять отдельные блюда на подносе;
• распознавать блюда по фотографии;
• определять комплексные обеды по составу подноса;
• уточнять результат при низкой уверенности;
• обучаться на основе каждого нового чека;
• учитывать исправления пользователей.

Если система сомневается в результате, она может вывести фотографию блюда и попросить пользователя подтвердить правильность распознавания. Полученный ответ используется для дальнейшего обучения модели.

При этом существуют и ограничения. Система пока не умеет:

• различать визуально одинаковые блюда;
• определять содержимое закрытых контейнеров;
• распознавать блюда, которых ранее не видела;
• находить блюдо, полностью скрытое под другим блюдом;
• определять вес или объем порции только по фотографии.

Однако количество ограничений постепенно сокращается. Например, если раньше тефтели на одной тарелке могли восприниматься как несколько отдельных блюд, то теперь система умеет объединять их в одну порцию и учитывать контекст размещения на тарелке.

Система аналитики и контроля качества распознавания

Вместе с терминалом используется СУМС — система управления машинным зрением. Это аналитический центр, в который поступают фотографии всех подносов, блюд и результатов распознавания. Через него можно анализировать качество работы системы и контролировать процессы на производстве.

С помощью СУМС можно:

• просматривать историю чеков;
• анализировать ошибки распознавания;
• отслеживать корректировки пользователей;
• оценивать качество обучения системы;
• просматривать состав датасета по отдельным блюдам;
• строить отчеты по эффективности распознавания.

Система также позволяет визуально отслеживать рост качества распознавания. Чем больше подносов проходит через терминал, тем лучше работает нейросеть и тем реже возникают ошибки.

Планы развития решения

На текущий момент aiКасса полностью готова к внедрению, но развитие технологии продолжается. Среди ближайших задач:

• снижение требований к оборудованию;
• выпуск более доступных моделей терминалов;
• расширение линейки оборудования под разные бюджеты;
• дальнейшее повышение качества распознавания;
• сокращение ограничений по работе с меню и подачей блюд.

Кроме столовых технология уже может использоваться в других сценариях. Например, для автоматического распознавания овощей и фруктов на весах самообслуживания в магазинах.

Также ведется разработка нового решения для контроля качества приготовления блюд. Планируется, что система сможет сравнивать готовое блюдо с эталонным образцом, выявлять отклонения и помогать контролировать соблюдение стандартов приготовления. Такое решение может быть востребовано в ресторанах и сетевых предприятиях общественного питания.

Резюмируя

• aiКасса автоматически распознает блюда на подносе и формирует заказ без участия кассира.
• Технология помогает сократить очереди и повысить пропускную способность столовой.
• Для внедрения не требуется длительное обучение нейросети — достаточно показать новые блюда непосредственно перед началом работы.
• Система постоянно дообучается и повышает качество распознавания по мере накопления данных.
• Вместе с терминалом предприятие получает инструменты аналитики и контроля качества производства.

Материал актуален на июль 2026 года.