[發(fā)明專利]一種后廚食品安全實時監(jiān)管的方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202211037125.2
• 申請日: 2022-08-29
• 公開（公告）號: CN115100583A
• 公開（公告）日: 2022-09-23
• 發(fā)明（設(shè)計）人: 王歡;張文壯;楊術(shù)海;潘海軍
• 申請（專利權(quán)）人: 君華高科集團有限公司
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V20/52;G06V40/10;G06V10/82;G06V10/80;G06N3/08;G06N3/04
• 代理公司: 深圳騰文知識產(chǎn)權(quán)代理有限公司 44680
• 代理人: 劉洵

1.一種后廚食品安全實時監(jiān)管的方法，其特征在于，包括：

根據(jù)后廚區(qū)域視頻獲取后廚區(qū)域圖像，所述后廚區(qū)域圖像為在后廚管理范圍內(nèi)的圖像；

將所述后廚區(qū)域圖像輸入訓(xùn)練完成的目標判別網(wǎng)絡(luò)模型中，所述目標判別網(wǎng)絡(luò)模型包括一個特征提取基層、至少五個殘差模型層、殘差融合層、一個全局平均池化層和一個計算模塊，所述特征提取基層由三組3*3卷積層-歸一化層串聯(lián)排列構(gòu)成，所述殘差模型層由兩組卷積層-歸一化層串聯(lián)排列后并聯(lián)一組卷積層-歸一化層最后和一個最大池化層串聯(lián)排列構(gòu)成；

通過所述特征提取基層提取所述后廚區(qū)域圖像的人物特征，所述人物特征包括人臉特征、口罩特征、廚師服特征；

將所述人物特征依次輸入第一個殘差模型層，生成所述后廚區(qū)域圖像的第一殘差參數(shù)；

將所述第一殘差參數(shù)輸入第二個殘差模型層，生成所述后廚區(qū)域圖像的第二殘差參數(shù)；

將所述第N-1殘差參數(shù)輸入第N個殘差模型層，生成所述后廚區(qū)域圖像的第N殘差參數(shù)；

通過所述殘差融合層對所述第一殘差參數(shù)至所述第N殘差參數(shù)依次融合，生成目標殘差；

將所述目標殘差通過所述全局平均池化層和所述計算模塊進行分類計算，生成所述后廚區(qū)域圖像符合各個出入規(guī)則的概率值集合；

根據(jù)所述概率值集合確定所述后廚區(qū)域圖像中對應(yīng)人物的出入規(guī)則符合結(jié)果。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，在所述根據(jù)后廚區(qū)域視頻獲取后廚區(qū)域圖像之前，所述方法還包括：

獲取后廚訓(xùn)練樣本集，所述后廚訓(xùn)練樣本集中包含至少兩張后廚人員穿戴完整的樣本圖像和穿戴不完整的樣本圖像，所述穿戴不完整的樣本圖像標記了不符合的出入規(guī)則的目標預(yù)測值；

構(gòu)建初始判別網(wǎng)絡(luò)模型，所述初始判別網(wǎng)絡(luò)模型包括一個特征提取基層、至少五個殘差模型層、殘差融合層、一個全局平均池化層和一個計算模塊，所述特征提取基層由兩組3*3卷積層-歸一化層串聯(lián)排列構(gòu)成，所述殘差模型層由兩組卷積層-歸一化層串聯(lián)排列后并聯(lián)一組卷積層-歸一化層最后和一個最大池化層串聯(lián)排列構(gòu)成；

從所述后廚訓(xùn)練樣本集中選取訓(xùn)練樣本，并將所述訓(xùn)練樣本輸入所述初始判別網(wǎng)絡(luò)模型中；

通過所述特征提取基層、至少五個殘差模型層、所述殘差融合層對所述訓(xùn)練樣本進行殘差的提取與融合，生成訓(xùn)練殘差；

將所述訓(xùn)練殘差通過所述全局平均池化層和所述計算模塊進行分類計算，生成所述訓(xùn)練樣本符合各個出入規(guī)則的概率值集合；

根據(jù)所述概率值集合、目標預(yù)測值和所述初始判別網(wǎng)絡(luò)模型的預(yù)設(shè)損失函數(shù)計算損失值，以生成損失值變化數(shù)據(jù)，所述損失值變化數(shù)據(jù)為每一次訓(xùn)練生成的損失值的統(tǒng)計數(shù)據(jù)；

判斷所述損失值變化數(shù)據(jù)在預(yù)設(shè)區(qū)間內(nèi)的損失值是否收斂于0；

若所述損失值變化數(shù)據(jù)在預(yù)設(shè)區(qū)間內(nèi)的損失值收斂于0，則確定所述初始判別網(wǎng)絡(luò)模型為目標判別網(wǎng)絡(luò)模型。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，在所述判斷所述損失值變化數(shù)據(jù)在預(yù)設(shè)區(qū)間內(nèi)的損失值是否收斂于0之后，所述方法還包括：

若所述損失值變化數(shù)據(jù)在預(yù)設(shè)區(qū)間內(nèi)的損失值不收斂于0，則判斷所述訓(xùn)練樣本的訓(xùn)練次數(shù)是否達標；

若所述訓(xùn)練樣本的訓(xùn)練次數(shù)達標，根據(jù)小批梯度下降法更新所述初始判別網(wǎng)絡(luò)模型的權(quán)重，從所述后廚訓(xùn)練樣本集中重新選取訓(xùn)練樣本輸入所述初始判別網(wǎng)絡(luò)模型中訓(xùn)練；

若所述訓(xùn)練樣本的訓(xùn)練次數(shù)未達標，則根據(jù)小批梯度下降法更新所述初始判別網(wǎng)絡(luò)模型的權(quán)重，并將所述訓(xùn)練樣本重新輸入所述初始判別網(wǎng)絡(luò)模型中訓(xùn)練。

4.根據(jù)權(quán)利要求1至3中任一項所述的方法，其特征在于，在所述根據(jù)后廚區(qū)域視頻獲取后廚區(qū)域圖像之后，所述方法還包括：

獲取參考區(qū)域圖像和所述后廚區(qū)域圖像對應(yīng)的后廚紅外圖像，所述參考區(qū)域圖像為劃分了后廚成員工作區(qū)域的圖像，所述工作區(qū)域包含高溫工作區(qū)域；

根據(jù)所述參考區(qū)域圖像為所述后廚紅外圖像進行工作區(qū)域的劃分；

根據(jù)所述后廚紅外圖像生成明火隱患區(qū)域；

為所述明火隱患區(qū)域進行警告處理。