Кастомные CV-системы для коммерческих кухонь и ресторанных сетей: контроль порций по фото-эталону, проверка качества блюд, аудит ХАССП и СИЗ, контроль пищевых отходов, распознавание блюд на кассе самообслуживания. Прямой опыт foodtech-CV — кейс KFC face-recognition: биометрический учёт смен на Intel RealSense, 100% точность за месяц тестирования.
Computer vision (CV) на коммерческой кухне — это система камер и обученных нейросетевых моделей, которая в реальном времени «видит» происходящее на станциях и превращает это в данные для управляющего. Не замена шеф-повара и не «всевидящий глаз» — это рабочий инструмент для тех операций, где раньше работали ручная проверка и бумажный журнал.
CV на кухне отвечает на конкретные вопросы:
Это узкий рабочий инструмент, и он оправдан, когда:
Если сеть только проектирует базовую цифровизацию — лучше начать с приложения для управляющего или ERP, а CV добавить отдельным модулем через 6–12 месяцев. Если базовая цифровизация уже есть — CV даёт следующий шаг, который раньше был доступен только глобальным сетям.
Универсальной «CV-системы для кухни» не существует — каждая задача решается своей моделью, своими камерами и своим интерфейсом. Под бизнес обычно выбирают 1–2 приоритетные задачи для MVP, остальные добавляют поэтапно.
Камера над станцией сборки сравнивает порцию с фото-эталоном из техкарты и проверяет визуальное качество — цвет прожарки, выкладку, наличие топпингов. Недовес и перевес портят себестоимость блюда на 2–4%; на федеральной сети это десятки миллионов рублей в год. Технически — RGB-камера и сегментация (Mask R-CNN или SAM), дообученные на снимках вашей кухни.
Камеры в зоне приёмки, на термообработке и упаковке проверяют перчатки, маски и шапочки, разделение потоков сырого и готового, температурный режим (через термодатчики). Вместе с инцидент-репортингом в приложении управляющего и обучением через LMS — полноценный контур контроля санитарных норм.
Камера над корзинами и подключённые весы определяют, что выбрасывается, в каком объёме и сколько это стоит. Типичная доля отходов в общепите — 5–10% выручки кухни, контроль возвращает значительную часть. Технически — RGB-камера, весы и классификатор на 100–500 видов пищи, обученный на вашей сети.
Клиент ставит поднос на платформу, камера за 1–2 секунды распознаёт все блюда и считает чек. Ускоряет обслуживание в часы пик в корпоративных столовых и фастфуде. Технически — камера над платформой, multi-class detection (YOLO или SSD) и интеграция с POS. Частый сценарий для корпоративного питания.
Обычно сеть стартует с 1–2 задач — чаще контроль ХАССП и отходов как самые безболезненные для команды кухни — и добавляет остальные через 6–12 месяцев. Контроль нарушений хорошо ложится в связку с приложением управляющего и LMS для линейного персонала, если выявлены систематические ошибки конкретного сотрудника. Распознавание блюд на кассе самообслуживания особенно востребовано в приложениях для корпоративных столовых.
На рынке часто путают эти классы продуктов. CV для кухни работает в управляемой среде; CV для клиента — на пользовательском смартфоне с произвольным фоном. Архитектурно и продуктово это разные вещи.
Клиентский CV — например, распознавание блюда для подсчёта калорий или поиска ресторана — отдельный класс продуктов, мы разбираем его на странице приложения для нутрициолога и персонального питания. Здесь речь про CV для коммерческой кухни.
Архитектура зависит от выбранной задачи, но 5 базовых компонентов есть в любой системе.
RGB-камеры закрывают большинство задач (порции, ХАССП, отходы) — от профессиональных IP-камер до Raspberry Pi с Pi Camera. 3D ToF-камеры (Intel RealSense) нужны для биометрии и защиты от обмана фотографией — этот стек мы использовали в кейсе KFC face-recognition. Опционально — термокамеры для контроля температуры и камеры с подсветкой для тёмных станций.
Главный архитектурный выбор. Edge AI (NVIDIA Jetson, Intel NUC) — модель работает локально на кухне: реальное время, независимость от интернета, видео не уходит в облако. Облако — одна модель на всю сеть, проще обучение и обновления, но есть задержка и зависимость от связи. В реальных проектах часто гибрид: контроль порций в реальном времени — на edge, аналитика и обучение — в облаке. Подробнее про embedded — на странице разработки ПО для встраиваемых систем.
Готовые модели (YOLO, ResNet, EfficientNet, SAM) — старт. Дальше дообучаем на данных конкретной сети: фотографии её блюд, эталоны порций, специфика сырья. Это требует разметки 5–15 тыс. снимков на класс блюда, цикла «обучить → протестировать → собрать ошибки → дообучить» и MLOps-инструментов для версионирования. Базовые фреймворки — PyTorch и TensorFlow.
CV без интеграции — мёртвый сервис. Реальный продукт пишет события в приложение управляющего для оперативной реакции, в бэк-офис iiko / R-Keeper для аналитики смены, в LMS при систематических ошибках сотрудника и в HR-систему при нарушениях.
Веб-кабинет и мобильный экран, где видны текущие алерты, статистика по сменам и точкам, тренды и согласование исключений (например, «маска снимается на минуту по медпоказаниям»).
CV на кухне — это работа с видео сотрудников и потенциально клиентов. В РФ это регулируется жёстко.
300+ реализованных проектов, 100 международных наград, №1 в мобильной разработке, 250 специалистов в команде. Прямой foodtech-CV — KFC face-recognition: 100% точность распознавания за месяц тестирования, защита от обмана фотографией на Intel RealSense.
Точность распознавания за месяц тестирования
Кейс KFC face-recognition, Intel RealSense
CV-кейса в продакшене
KFC, Лабиринт, AI Fashion
В разработке приложений для крупного бизнеса
Штатных специалистов
ML, CV, backend, дизайн, QA, DevOps
Точность распознавания за месяц тестирования
Кейс KFC face-recognition, Intel RealSense
CV-кейса в продакшене
KFC, Лабиринт, AI Fashion
В разработке приложений для крупного бизнеса
Штатных специалистов
ML, CV, backend, дизайн, QA, DevOps
Мы создаём foodtech-продукты для лидеров рынка — от стартапов до федеральных сетей. Несколько релевантных проектов из портфеля (полный — на странице foodtech-практики):
CV — недешёвый проект (от 5 млн ₽ за узкий MVP, от 18 млн ₽ за полную систему на федеральную сеть). Окупаемость считаем по четырём направлениям.
На сети из 50+ ресторанов CV-инвестиция окупается за 6–18 месяцев. Точную финансовую модель готовим перед стартом на основе исторических данных сети.
Главный международный пример коробки — Winnow Vision (3 500+ кухонь в 94 странах, специализация — контроль отходов). У коробки одна задача; у кастома — мультизадачная система под вашу сеть.
Если задача исключительно контроль отходов на 1–3 кухнях — готовый продукт справится. Если нужна система на 2–3 задачи с интеграцией в приложение управляющего и дообучением на данных вашей сети — кастом сразу: миграция с коробки позже обходится в стоимость нового проекта.
2–3 недели. Аудит кухонь, выбор приоритетной задачи, определение целевых показателей, карта юридических рисков. План CV-системы и финансовая модель окупаемости.
3–5 недель. Установка камер на пилотной кухне, сбор первой выборки, разметка датасета 5–15 тыс. снимков.
3–5 недель. Базовая модель и дообучение на данных кухни, бенчмарки качества, протокол тестирования.
4–6 недель. Edge-устройства на пилотной кухне, интеграция с приложением управляющего и POS, прогон в продакшене на 1–2 точках.
4–12 недель по размеру сети. Сбор ошибок пилота, дообучение, выкатка на остальные точки, передача знаний.
Команда: продакт, ML-инженер, CV-эксперт, data-инженер (разметка и пайплайны), backend-разработчик (интеграции), edge-инженер / DevOps (развёртывание на Jetson / NUC), QA, закреплённый тимлид-архитектор.
Что влияет на бюджет: количество задач (1 против 5), глубина дообучения (готовая база или кастом под кухню), edge против облака, объём датасета (5 тыс. против 50 тыс. снимков на класс), количество кухонь, набор интеграций (только приложение управляющего или весь стек с POS, LMS и HR). Базовая ML-услуга со всеми классами задач — на странице машинного обучения под ключ. Если нужно проверить узкую гипотезу за 2–3 месяца — рассмотрите MVP foodtech.
