构建Docker镜像（包含所有AI依赖）

AI小龙虾助手 OpenClaw 餐饮版安装指南

核心目标： 利用AI视觉识别技术，自动识别顾客餐盘中的小龙虾口味（如蒜蓉、麻辣、十三香等）、计数及规格，实现自动结算、出品核验、销量统计，提升效率与体验。

第一阶段：部署前准备（最重要！）

1. 硬件采购清单：

   • AI识别摄像头： 建议选择高清（1080P或以上）、带补光灯的工业级摄像头，推荐型号：海康威视/大华等支持RTSP流输出的网络摄像头。
   • 计算设备（“AI大脑”）：
     • 方案A（轻量级/初创店）： 英特尔NUC迷你主机（i5以上CPU， 16GB内存， 无独显），利用CPU进行轻量模型推理。
     • 方案B（推荐/成熟门店）： 带NVIDIA显卡的工控机或台式机（GTX 1660以上， 推荐RTX 3060/4060， 16GB内存），GPU能大幅提升识别速度。
   • 显示设备： 一台显示器，用于展示识别结果和系统后台。
   • 网络设备： 千兆交换机，确保摄像头与计算设备在同一稳定局域网内。
   • 部署点位：
     • 收银/结算点： 摄像头对准餐盘，固定高度（建议距餐盘50-80厘米）。
     • 后厨出品口（可选）： 用于核验出品规格和数量是否准确。

2. 软件与环境准备：

   • 操作系统： 在计算设备上安装 Ubuntu 22.04 LTS 或 Windows 10/11，本指南以Ubuntu为例（更稳定）。
   • 基础软件： 安装 Python 3.9+、Git、Docker（推荐方式，可避免环境冲突）。
   • 网络设置： 为摄像头和计算设备配置固定IP地址（如 168.1.100 和 168.1.101），方便管理。

第二阶段：系统安装与配置

步骤1：获取OpenClaw系统 在计算设备的终端（Linux）或命令提示符/PowerShell（Windows）中执行：

git clone https://github.com/openclaw/OpenClaw-Restaurant-Edition.git
cd OpenClaw-Restaurant-Edition

步骤2：使用Docker快速部署（推荐）

# 运行容器，并映射端口和配置文件目录
docker run -d \
  --name openclaw \
  --restart always \  # 开机自启
  -p 5000:5000 \      # Web管理后台端口
  -v $(pwd)/config:/app/config \  # 配置文件
  -v $(pwd)/data:/app/data \      # 菜品图片和日志
  --device /dev/video0:/dev/video0 \ # 挂载摄像头（如需直接调用）
  openclaw:latest

步骤3：访问并初始化系统

1. 打开浏览器,输入 http://你的计算设备IP:5000（http://192.168.1.101:5000）。
2. 首次登录,使用默认管理员账号/密码（通常是 admin / admin123），请务必立即修改。
3. 进入“系统设置” > “摄像头管理”，添加您的摄像头。
   • 连接方式： 选择 RTSP流。
   • 流地址： 填入您的摄像头RTSP地址（rtsp://admin:password@192.168.1.100:554/stream1）。请查阅您的摄像头说明书获取确切地址和密码。

第三阶段：“教”AI认识您的小龙虾（模型训练）

这是成功的关键！AI需要学习您餐厅的具体菜品。

1. 菜品库搭建：

   • 在后台“菜品管理”中，添加您的所有小龙虾口味和规格。
   • 示例：
     • 菜品名称：麻辣小龙虾（大份）
     • 菜品编码：ML-01
     • 单价：198
     • 关键标签： 麻辣， 大份， 红色

2. 数据采集（拍照片）：

   • 准备至少 每个菜品50-100张 真实场景照片。
   • 拍摄要点：
     • 多角度： 俯拍、斜45度拍。
     • 多环境： 正常光、稍暗光（模拟晚餐）。
     • 多状态： 刚出锅的、被吃了一半的、不同摆放方式。
     • 使用专用工具： 在后台“数据采集”页面，有实时拍照工具，连接摄像头后可直接拍摄并自动关联对应菜品。

3. 启动训练：

   • 收集完数据后,在后台“AI模型”页面，点击“开始训练”。
   • 训练时间根据图片数量和硬件性能而定（通常30分钟到2小时），GPU训练会快很多。
   • 训练完成后,系统会自动发布新模型并生效。

第四阶段：试运行与调试

1. 模拟测试：

   • 将不同口味和数量的小龙虾餐盘,依次放在结算点摄像头下。
   • 观察识别结果（在Web界面或连接的显示器上会有实时画面和识别框、标签）。
   • 检查识别准确率,重点关注容易混淆的口味（如蒜蓉和十三香在颜色上可能相近）。

2. 校准与优化：

   • 识别错误？ 在识别结果页面，将该图片“标记为错误”，并选择正确菜品，这些纠正数据会被加入下一轮训练。
   • 光线不足？ 调整摄像头补光灯或增加外部照明。
   • 角度不佳？ 微调摄像头角度，确保餐盘主体在画面中央。
   • 速度慢？ 在 config/config.yaml 中调整模型分辨率（如从 640x640 降到 416x416），速度会提升，精度可能轻微下降。

3. 与现有系统对接（可选但重要）：

   • OpenClaw 提供 API接口（文档见 /docs 目录）。
   • 将识别结果（JSON格式，包含菜品名、数量、价格）通过API推送给您的现有POS系统，实现自动下单结算。
   • 常见对接方式：POS厂商提供接口，或通过中间件（如“餐厅宝”）转发。

第五阶段：正式上线与维护

1. 员工培训：

   • 前厅员工： 学会引导顾客将餐盘平稳放置于识别区，并核对屏幕上显示的识别结果。
   • 后厨员工： （如果部署了出品核验点）了解系统如何核验出品，并在有误时如何查看提示。

2. 上线首周：

   • 安排专人值守,快速处理任何异常。
   • 持续收集识别错误的图片,每周进行一次模型的“增量训练”，让AI越来越聪明。

3. 日常维护：

   • 清洁摄像头镜头。
   • 定期检查系统日志（data/logs/）。
   • 关注菜品更新,新增菜品需及时拍照训练。

故障排查速查表

重要提示： 成功部署的 70% 取决于高质量的数据采集和持续的模型优化，请像培养一位新员工一样，耐心地“培训”您的AI助手，祝您的智慧餐厅开业大吉，客似云来！

（注：OpenClaw为示例项目名称，实际部署时请替换为您采用的真实AI产品名称和仓库地址。）