基于深度学习的视觉系统分析食物浪费.docx

汉莎航空公司正在开发基于深度学习的视觉系统来分析乘客剩余的食物，目标是为乘客提供他们会吃的食物，减少浪费。

为了减少食物浪费，汉莎航空工业解决方案公司（LufthansaIndustrySolutions）正在开发一套机器视觉系统，用于检测和分析飞机上餐饮托盘中乘客未食用和只食用了一部分的剩余食物。

这家IT咨询公司是汉莎航空集团的全资子公司，目前该项目正处于准备生产的计划阶段。LufthansaIndustrySolutions人工智能和数据分析业务经理TimPatrickSass表示，LufthansaIndustrySolutions公司已经完成了最低可行的产品阶段，已经开发出了视觉解决方案的早期版本，其具有足够功能以满足早期采用者的需求。

据SimpleFlying网站报道，该系统可能在2023年进行测试工作，在2024年之前可能不会投入生产线。

减少浪费的机器视觉解决方案，其背后的想法是收集哪些航班上剩下什么食物的数据，其目的是为每个特定的乘客群体量身定制食物，从而减少每次航班后丢弃的食物量。

LufthansaIndustrySolutions公司正在与汉莎航空集团的其他部门和子公司合作开展该项目，包括汉莎航空、瑞士国际航空、专注于休闲旅行的EurowingsDiscover航空公司，以及汉莎航空集团清洁技术中心。

设计机器视觉过程

改进运营流程（如机上餐饮）的一个重要步骤是收集和分析客观信息。

这正是机器视觉发挥作用的地方。基于边缘的视觉解决方案将安装在输送机附近，食物托盘从航班上取下后，会手动放置到输送机上。该解决方案将在托盘被放到输送机上后、以及在托盘被清洁和消毒以供重复使用之前，对托盘进行拍照。

基于拍摄的图像，深度学习算法将检测图片中每一个未被食用的食物成分，并将其与数据库中的一个成分进行匹配。深度学习算法还可以确定托盘上剩余食物的重量。

随后，未经食用的食物成分信息将被存储到数据库中，并与航班和预订类别相关联。Sass解释说，航空公司能够进一步分析这些数据，以获得更深入的见解。

该解决方案不依赖于环境光，具体的照明设置会有所不同，这取决于托盘卸载和处理所处的每个位置的具体条件。

Sass表示，虽然尚未做出最终决定，但检测食品成分和重量所需的人工智能处理很可能将在边缘设备上完成，而进一步的分析和报告生成将在云端完成。

目前，该团队还没有为生产设备选择最终的特定组件。但Sass表示，这些组件可能包括来自RaspberryPiFoundation或Nvidia的单板电脑以及一台联网相机。

通过分析具体的KPI，汉莎航空集团将能设计出更具成本效益的餐饮计划，并通过提供乘客所需的食物来更好地为乘客服务。

走向绿色

同样重要的是，改造后的餐饮服务，也将帮助航空公司改善其环境管理。

通过汉莎集团清洁技术中心，汉莎集团设定了一个目标，即到2030年，与2019年相比，二氧化碳净排放量减少50%，到2050年达到碳中和。清洁技术中心还专注于非二氧化碳排放、废物和噪音处理。

整个航空业会产生大量的机舱垃圾。贸易组织国际航空运输协会（IATA）估计，未经食用的食品和饮料大约占据机舱垃圾的20%-50%。因此，合理配置机上餐饮，减少乘客食用剩余，对保护环境也发挥着潜在的巨大作用。