餐厅CV系统实战：上座率与桌面清洁度检测架构设计

在餐饮行业，翻台率和顾客体验直接影响营收。一位开发者正在Reddit上寻求关于构建生产级计算机视觉系统的架构建议，该系统用于检测餐厅的座位占用率和桌面清洁度。这并非一个简单的demo项目，而是面向实际部署的工程挑战。本文基于该讨论，拆解其技术难点、架构选型与功能设计思路，为类似场景的CV落地提供参考。

核心任务拆解：两个视觉问题，两种技术路径

系统需要同时解决两个问题：座位占用检测和桌面清洁度判断。前者本质是目标检测与状态分类——识别桌椅区域是否有人；后者更接近细粒度图像分类或语义分割——判断桌面是否存在餐具、垃圾或污渍。

据原帖描述，这两个任务共享同一套摄像头输入，但输出逻辑不同：占用检测需要实时性（用于动态翻台统计），清洁度检测可以容忍一定延迟（用于清洁调度）。这意味着架构上需要支持多任务并行推理，且能按任务配置不同的处理频率。

架构建议：边缘预处理 + 云端推理的混合模式

生产环境的核心约束是成本与可靠性。纯云端方案带宽压力大，纯边缘方案算力受限。评论区多位从业者建议采用混合架构：

• 边缘侧：在餐厅本地部署轻量级设备（如Jetson Nano或带NPU的盒子），负责视频抽帧、ROI裁剪（只保留桌椅区域）和初步过滤（如无人帧丢弃），大幅减少上传数据量。
• 云端：接收边缘上传的裁剪图像或特征向量，运行更重的检测模型，并聚合多摄像头数据做全局状态管理。

有开发者指出，ROI裁剪是关键优化——餐厅场景中桌椅区域通常只占画面一小部分，裁剪后传输量可降低一个数量级。同时，边缘侧应缓存最近若干帧，在网络中断时仍能维持基本检测。

模型选型与数据策略

对于占用检测，主流选择是YOLO系列或RT-DETR等实时检测器，配合一个简单的分类头判断“有人/无人”。清洁度检测则更具挑战：桌面状态是连续变化的光谱，从“干净”到“脏乱”之间缺乏清晰边界。

原帖作者提到，计划用语义分割模型（如SegFormer）识别桌面上的物体（盘子、杯子、纸巾），再通过规则或小分类器判断清洁状态。但评论中有观点认为，直接训练一个二分类器（干净/不干净）可能更实用，前提是有足够多的标注样本。

数据层面，餐厅场景的标注成本高，且存在隐私问题。建议采用半自动标注流程：先用预训练模型生成候选框，人工修正；同时对顾客面部做模糊化处理，只保留人体轮廓和桌面区域。

YOLO（You Only Look Once）系列是单阶段目标检测器的代表，其核心思想是将检测任务转化为回归问题，通过一次前向传播直接输出边界框和类别概率，因而推理速度极快，适合实时场景。RT-DETR（Real-Time Detection Transformer）则基于Transformer架构，利用注意力机制建模全局上下文，在保持实时性的同时提升了检测精度，尤其适合遮挡和小目标场景。两者在占用检测中均可使用，YOLO部署生态更成熟，RT-DETR在复杂光照下表现更稳健。SegFormer是一种基于Transformer的语义分割模型，采用分层编码器结构，无需位置编码即可处理任意分辨率输入，擅长捕捉细粒度区域。在本系统中，SegFormer可用于逐像素识别桌面上的餐具、垃圾等，为清洁度判断提供更丰富的空间信息，但其计算开销高于分类模型。

功能设计：从检测到可执行的运营洞察

单纯输出“有人/无人”价值有限。讨论中浮现出几个高价值功能方向：

1. 翻台时间预测：结合占用检测和桌位历史数据，预测某桌即将空出，提醒服务员提前准备。
2. 清洁优先级排序：根据桌面脏乱程度和空置时长，生成清洁任务队列，避免服务员盲目巡场。
3. 区域热力图：统计不同时段各区域的占用密度，辅助排班和桌位调整。
4. 异常事件告警：如顾客长时间占用（可能影响翻台）或桌面出现疑似打翻的液体，触发即时提醒。

这些功能需要系统不仅输出检测结果，还要维护一个桌位状态机（空闲/占用/待清洁/清洁中），并与餐厅的POS或排班系统集成。

生产环境的隐性挑战

原帖标题强调“production”，意味着要面对实验室之外的真实问题：

• 光照变化：餐厅灯光复杂，逆光、阴影、夜间模式都会影响检测稳定性。建议在数据增强中模拟多种光照条件，或使用对光照鲁棒的模型。
• 遮挡：顾客身体遮挡桌面、椅子遮挡桌腿，导致检测框不完整。可引入时序信息，利用前后帧补全。
• 摄像头视角差异：不同餐厅的安装角度和高度不同，模型需要具备一定的视角泛化能力，或支持快速微调。
• 隐私合规：涉及顾客影像，需在边缘侧完成匿名化处理，避免原始视频上云。

桌位状态机是运营逻辑的核心抽象，它将每个桌位建模为有限状态集合（空闲、占用、待清洁、清洁中），并定义状态转移条件。例如，当占用检测连续多帧确认有人且清洁度模型判定桌面干净时，状态从空闲转为占用；当人离开且桌面脏乱时，转为待清洁；清洁任务完成后转为空闲。状态机需处理多摄像头视角下的状态融合，避免因遮挡或误检导致状态抖动。通常引入时间窗口和置信度阈值做平滑，并维护每个桌位的最新状态快照。与POS系统集成后，状态机可关联订单信息，实现翻台时间预测和清洁任务自动派发，是连接视觉感知与业务动作的关键中间层。

总结与开放问题

该讨论呈现了一个典型的CV落地场景：任务明确但边界模糊，技术可行但工程复杂。架构上，混合边缘-云模式、ROI裁剪、多任务调度是共识方向；模型上，占用检测相对成熟，清洁度检测仍需探索更有效的表示方法。

原帖作者仍在寻求更多架构建议，尤其是如何处理多摄像头同步和状态一致性。对于计划进入类似领域的团队，建议先从单店、少量摄像头试点，验证检测精度和运营价值，再逐步扩展。