🥘 AI 驅動的綠色廚房：從廚餘辨識到智慧備料的技術實作

前言：當 AI 走進飯店廚房

在餐飲與飯店產業中，「食材成本控制」始終是經營核心。傳統的廚餘管理依賴人工記錄或單純的重量感測，難以精確得知**「什麼被浪費了？」**。

我們開發了一套 AI 智慧廚餘管理系統，結合電腦視覺（CV）與自動化分析，讓廚師只需拍照上傳，系統便能自動辨識浪費食材種類、估計重量，並給出具體的「明日備料建議」。這不僅是數位轉型，更是邁向 ESG 永續經營的關鍵一步。

您可以透過以下 GitHub 連結檢閱本專案的原始碼：https://github.com/BpsEason/hotel-waste-ai-mvp.git

---

系統核心架構

為了確保系統的模組化與可擴充性，我們採用了 Microservices（微服務） 的設計思維，並透過 Docker Compose 達成一鍵部署。

🏗️ 技術棧 (Tech Stack)

• Frontend: Vue 3 (Composition API) + Vite + Tailwind CSS

• Backend API: Laravel 11 (提供穩健的 RESTful 服務)

• AI Inference: FastAPI (非同步高效能框架，目前為 Mock Server)

• Database: MariaDB

• Infrastructure: Nginx (Reverse Proxy) + Docker

🔄 系統流圖

1. 用戶端：廚師拍攝廚餘照片並上傳至 Vue 3 前端。

2. API 層：Laravel 接收圖片，負責權限校驗、檔案存儲與邏輯調度。

3. AI 層：Laravel 透過內部網路呼叫 FastAPI。AI 模型分析圖片，回傳食材類別（如：雞肉、綠花椰菜）與預估重量。

4. 數據層：結果存入 MariaDB，並由前端即時渲染統計儀表板。

---

重點技術實作剖析

1. 異質服務通訊：Laravel 與 FastAPI 的協作

在開發初期，我們選擇將 AI 邏輯獨立在 FastAPI 中。這樣做的好處是：AI 模型通常需要大量的記憶體與運算資源，獨立部署可避免影響 Web API 的穩定性。

PHP

// Laravel: WasteController.php
public function upload(Request $request)
{
    $uploaded = $request->file('image');
    
    // 呼叫 AI 服務進行影像辨識
    $response = Http::attach(
        'file', 
        fopen($uploaded->getRealPath(), 'r'), 
        $uploaded->getClientOriginalName()
    )->post('http://ml-service:9000/vision/analyze-waste');

    if ($response->successful()) {
        $analysis = $response->json();
        // 儲存至資料庫並關聯圖片路徑
        return WasteLog::create([...]);
    }
}

2. AI 推論模擬 (Mocking for Agility)

為了加速前端開發，我們在 FastAPI 中實作了 Mock 推論。這讓前端與後端開發者在真實 CV 模型訓練完成前，就能完成所有介面與邏輯的串接。

Python

# FastAPI: main.py
@app.post("/vision/analyze-waste")
async def analyze(file: UploadFile = File(...)):
    # 模擬深度學習模型的運算延遲
    await asyncio.sleep(1.2) 
    
    return {
        "items": [
            {"food_category": "雞肉", "estimated_weight": 0.8, "confidence": 0.95}
        ],
        "total_estimated_weight": 0.8,
        "suggestion": "根據浪費量，建議明日雞肉備料減少 15%"
    }

3. 即時數據可視化

利用 Tailwind CSS 的靈活性，我們構建了一個資料儀表板。除了單次的辨識結果，系統會自動匯總**「本週浪費趨勢」**，幫助管理層一眼看出採購策略是否需要調整。

---

為什麼選擇 Docker Compose？

在飯店這種現場環境（On-premise），部署的簡易度至關重要。透過 Docker，我們解決了「在我的電腦上會動」的常見問題。

YAML

services:
  nginx:
    image: nginx:stable-alpine
    ports: ["80:80"]
  api:
    build: ./api
  frontend:
    build: ./frontend
  ml:
    build: ./ai-service

只需要一行指令 docker compose up -d，即可在任何支持 Docker 的伺服器上啟動完整環境，包含資料庫遷移與靜態檔案託管。

---

商業價值與影響

這套系統不僅是技術嘗試，更具備實質商業潛力：

• 成本優化：預計可降低 10-20% 的無效食材採購支出。

• ESG 實踐：提供具體的廚餘減量數據，滿足企業永續報告書（CSR）需求。

• 營運自動化：取代傳統紙本記錄，減少廚房員工行政負擔。

---

未來展望：邁向真正的智慧化

目前的系統已打好穩固的地基，下一步我們計畫：

1. 模型迭代：將 FastAPI 替換為正式訓練過的 YOLOv8 模型，提升辨識精度。

2. 行動化：開發專屬 App，支援廚師手持裝置即拍即傳。

3. 外部串接：整合飯店的 POS 系統，比對「售出量」與「廚餘量」，找出損耗的真正原因。

---

結語

在這個專案中，我們展示了如何整合現代 Web 技術與 AI 服務，解決傳統產業的痛點。技術不應只是冷冰冰的程式碼，當它能減少一份食材浪費、提升一分管理效率時，技術才真正產生了價值。