AI后厨管理配置：从零搭建菜品识别与库存联动
AI后厨管理配置的核心，是把摄像头拍到的菜品图像交给识别服务判断菜名和数量，再自动扣减库存。
本文按一台 Linux 服务器加 Docker 的方式，带你把识别接口和库存扣减跑通。
适合有基础 Linux 操作能力、想给门店后厨做轻量智能化改造的读者。
先理清要配置哪几块
一套能用的 AI 后厨管理，至少包含三个部分：图像采集端（摄像头或平板拍照上传）、识别服务（返回菜名和置信度）、业务系统（扣库存、记出餐）。
本文重点配置识别服务和库存联动，采集端只要求能发送 HTTP 请求。
开始前确认服务器满足这些条件：
- 操作系统：Ubuntu 22.04 或同等内核的 Linux 发行版，已安装 Docker 和 Docker Compose。
- 资源：CPU 4 核以上、内存 8 GB 以上；若用 GPU 推理，需提前装好对应驱动和容器运行时。
- 网络：服务器能访问镜像仓库和模型下载地址，后厨摄像头或平板能访问服务器内网 IP。
- 业务侧：已有库存表或能提供扣减接口，字段至少包含菜品 ID、当前数量。
部署识别服务容器
以下示例用 Compose 启动一个识别 API 容器，模型文件和配置文件放在宿主机目录，方便修改。
第一步，创建目录和配置文件：
mkdir -p /opt/ai-kitchen/{models,config,data}
cd /opt/ai-kitchen第二步，写 docker-compose.yml，把识别服务端口映射到宿主机 8080：
services:
vision:
image: your-registry/kitchen-vision:latest
container_name: kitchen-vision
restart: unless-stopped
ports:
- "8080:8080"
volumes:
- ./models:/app/models
- ./config:/app/config
- ./data:/app/data
environment:
- MODEL_PATH=/app/models/dish.onnx
- CONFIDENCE_THRESHOLD=0.6把 image 换成你实际可用的识别镜像，MODEL_PATH 指向放进 models 目录的模型文件。CONFIDENCE_THRESHOLD 是置信度阈值，
低于该值的识别结果不自动扣库存。
第三步，启动并检查日志：
docker compose up -d
docker compose logs -f vision日志出现监听 0.0.0.0:8080 且无报错，说明服务已启动。
如果容器反复重启，先看日志里是否提示模型文件缺失或 CUDA 驱动不匹配。
配置识别结果与库存扣减
识别服务返回 JSON 后，需要一个中间层把结果转成库存扣减请求。
可以在 config 目录放一个规则文件，例如 rules.yaml，把识别出的菜名映射到库存系统的菜品 ID：
mapping:
- label: "宫保鸡丁"
sku: "DISH_001"
deduct: 1
- label: "米饭"
sku: "DISH_101"
deduct: 1中间层收到识别结果后，按 label 查 sku 和扣减数量，再调用库存接口。
库存接口地址写在环境变量里，避免硬编码：
export INVENTORY_URL="http://127.0.0.1:9000/api/deduct"扣减请求建议带幂等键，例如 order_id 加菜品 ID，防止同一张图重复处理导致多扣。
库存接口返回非 2xx 时，中间层要记录失败并告警，不要静默丢弃。
容易踩的几个坑
模型阈值设得太低。 后厨光线和摆盘差异大，阈值过低会把相似菜品认错，建议先用一批现场照片回放测试，再决定阈值。
摄像头分辨率与模型输入不一致。 多数识别模型要求固定尺寸输入，上传前要缩放和裁剪，否则识别结果不稳定。
库存接口超时。 后厨网络可能不稳定，扣减请求要设 3 到 5 秒超时并重试一次，重试仍失败则进入人工核对队列。
容器时区不对。 日志时间和出餐记录对不上时，在 Compose 里加 TZ=Asia/Shanghai 环境变量。
确认配置是否生效
用一张测试图片调用识别接口：
curl -X POST http://127.0.0.1:8080/predict \
-F "file=@/opt/ai-kitchen/data/test.jpg"返回结果里应包含 label 和 confidence。
置信度高于阈值时，再查库存系统对应菜品数量是否减少。
可以连续发同一张图两次，确认幂等键生效、库存只扣一次。
最后检查日志：识别服务日志无报错、中间层有扣减成功记录、库存数量变化与预期一致，三项都满足即可投入使用。
常见疑问
没有 GPU 服务器能跑吗？ 可以，用 CPU 推理镜像即可，但单张识别耗时会更长，后厨高峰时段要控制并发或增加实例。
识别错了怎么纠正？ 在规则文件里补充该菜品的样本或调整映射，重新加载配置；
不要直接改库存数据掩盖问题。
能不能对接现有收银系统？ 只要收银系统提供扣减接口或数据库可写，就可以在中间层做适配，注意先备份再操作。
AI后厨管理配置的关键不在模型多复杂，而在识别阈值、映射规则和库存幂等这三处是否配稳。
按本文步骤跑通后，建议先用小批量菜品试运行，再逐步扩大范围。
