一种基于人工智能的明厨亮灶场景下厨师帽的检测方法技术

本发明专利技术公开了一种基于人工智能的明厨亮灶场景下厨师帽的检测方法，包括：（1）输入数据流，然后进行数据采集与标注，形成预处理数据；通过神经网络对预处理数据进行训练与调优，并形成数据库；（2）拾取预设场景的影像，利用预测器对上一帧目标可能出现的位置进行预测，生成对比数据A；再根据上一帧预测位置对当前帧进行特征提起避讳，生成实时数据A，将其与对比数据A进行匹配；（3）利用定位算法对输入的实时图像进行提取厨师所在区域周边位置，然后处理，滤除沉余信息，同时，提取厨师头部附近的图像，形成实时数据B；（4）利用检测神经网络进行对实时数据B检测并生成判定和做出相应预设措施，该方案实施可靠。

A detection method of chef's hat in bright kitchen scene based on Artificial Intelligence

【技术实现步骤摘要】
一种基于人工智能的明厨亮灶场景下厨师帽的检测方法
本专利技术方案涉及人工智能
，尤其是对厨房中厨师位置的检测定位
，具体是基于人工智能的明厨亮灶场景下厨师帽的检测方法。
技术介绍
近些年来，国家和民众对饮食健康越发看重。2014年2月，国家食药监总局部署各地在餐饮业开展明厨亮灶工作；从2015年起，正式在全国推广，推动餐饮服务提供者通过采档(透明玻璃窗或玻璃幕墙)、视频显示、隔断矮墙、开放式厨房或设置窗口等多种形用透视明式，对餐饮食品加工过程进行公示，将餐饮服务关键部位与环节置于社会监督之下。虽然不少餐馆均在推进明厨亮灶，但部分餐饮单位有自己的“小算盘”，落实的主动性不够。很多餐饮单位后厨很简陋，卫生不达标，所以积极性不高；同时,实施明厨亮灶需要投入资金购置、安装和维护视频传输设备等，需要时间进行厨房改造，部分餐饮服务单位不愿意增加投入。面对数量庞大的餐饮店，24小时人工监督显得难以为继。为此需要一种智能监督方法，以实现在无人监督的情况下，及时对不达标行为监督和警报。本专利技术正是基于此，在结合人工智能方法情况下，提出一种自动检测厨师帽的智能算法。目前监控检测算法仍以传统目标检测算法为主，传统目标检测方式在多数场景下性能一般，手工设计的数学特征对于变化多样的应用场景没有很好的鲁棒性；同时，有些传统检测方式在检测时间上很难达成实时检测的效果，造成监控画面的卡顿与报警的延迟。
技术实现思路
针对现有技术的情况，也为了解决现有变化多样的应用场景带来的技术挑战和现有技术局限，本专利技术方案提供一种可实时检测且适用性广和检测效果佳的基于人工智能的明厨亮灶场景下厨师帽的检测方法。为了实现上述的技术目的，本专利技术所采用的技术方案为：一种基于人工智能的明厨亮灶场景下厨师帽的检测方法，其包括如下步骤：(1)输入数据流，进行采集并生成图片后做标注处理，形成预处理数据；通过神经网络对预处理数据进行训练与调优，形成定位神经网络和检测神经网络；(2)利用影像摄取设备拾取预设场景的影像，按影像获取先后顺序形成若干帧图像，利用预测器对影像摄取的上一帧目标可能出现的位置区域进行预测，生成对比数据A；再根据上一帧所预测的位置区域利用特征处理器对当前帧对应位置区域进行特征提取，生成实时数据A；然后将实时数据A与对比数据A进行相似度匹配；当相似度匹配值大于或等于预设值时，将该实时数据A、跟踪结果和/或上次厨师帽检测结果返回至步骤(1)，并重新运行；当相似度匹配值低于预设值时，将当前帧图像输入到下一步操作；(3)利用定位神经网络对输入的当前帧图像进行获取厨师所在区域周边位置，然后对厨师所在周边位置进行图像处理，滤除沉余信息，同时，提取厨师头部附近的图像，形成实时数据B；(4)利用检测神经网络对实时数据B进行检测，并生成判定结果；当判定结果为未戴厨师帽，则生成警告信息并同时输出该实时数据B对应的当前帧图像和更新厨师跟踪信息，再跳转至步骤(1)进行重新运行；当判定结构为戴厨师帽，则更新厨师跟踪信息，再跳转至步骤(1)进行重新运行。进一步，步骤(1)中，所述的数据流来源至少包括预先摄取的厨房视频、图片或来自于互联网采集的厨房视频、图片。进一步，步骤(1)中，所述的预处理数据至少包括标记有戴有厨师帽和不戴有厨师帽特征的数据。进一步，步骤(1)中，以戴有厨师帽和不戴有厨师帽为预设特征对数据流进行人工标注。优选的，人工标注的信息至少还包括厨师的所在位置。进一步，步骤(1)中，所述的数据流为影像时，将影像进行截取成若干段预设时长的片段，再将分段分解成若干帧图片，再由人工进行标注处理，形成预处理数据。优选的，步骤(1)中，所述的通过神经网络对预处理数据进行训练与调优包括：在人工标注完一段影像后，进行读取和使用神经网络对该段预处理数据进行第一次训练，然后再输入新的数据进行检验，并输出监测结果，通过人工排查，对检测失败或错误的该段预处理数据进行重新人工标注，然后再输入神经网络中进行训练，直至检测成功。进一步，步骤(2)中，预测器使用递归的卡尔曼滤波法和逐帧的数据进行关联，然后利用匈牙利算法进行对比数据A和实时数据A的匹配，且在计算对比数据A和实时数据A的匹配度时，使用融合的度量方式，其至少包括卡尔曼滤波算法中预测位置和观测位置在马氏空间中的距离和boundingboxes之间表观特征的余弦距离。进一步，所述的预测器还用于对上一帧图像进行轨迹预测，获得预测轨迹，然后将其与下一帧图像轨迹进行相似度比较。优选的，所述的预测器还用于轨迹处理和状态估计，其中，状态估计至少包括：使用一个8维空间去刻画轨迹在某时刻的状态其中，依序分别表示boundingbox中心的位置、纵横比、高度、以及在图像坐标中对应的速度信息，然后使用一个卡曼滤波器预测更新轨迹，该卡尔曼滤波器采用匀速模型和线性观测模型其观测变量为(u,υ,γ,h)；轨迹处理至少包括：对于每条轨迹都有一个阈值a用于记录轨迹从上一次成功匹配到当前时刻的时间；当该值大于提前设定的阈值则认为改轨迹终止，然后在匹配时，对于没有匹配成功的轨迹标注状态tentative，然后根据接下来的连续若干帧中是否连续匹配成功，若匹配成功认为该标注状态为tentative的轨迹是新轨迹，更新标注为confirmed，否则则认为是假性轨迹，将其状态标注更新为deleted。本专利技术方案为解决变化多样的应用场景带来的复杂性问题，通过收集上百路厨房监控画面，对其中人像位置进行标注。采用定位神经网络、图像处理方法和检测神经网络级联的方式分别对厨师所在位置和是否佩戴厨师帽进行了定位和检测。其中，定位神经网络主要用于确定厨师所在的位置，接着使用跟踪算法对厨师进行跟踪识别，若是之前出现的厨师则不进行多余检测，直接调用先前信息，否则进行厨师帽识别。若进行厨师帽判断，则对图像进行去噪，截取头部区域图像，对图中的冗余信息进行排除，最后将处理好的图像送入检测神经网络进行厨师帽的判定。采用此种方法的优势在于对于风格迥异的厨房，通用检测精度远超过传统算法带来的检测精度。在不改变算法本身流程的基础上，仅通过增加厨房场景的监控图像和标注，就可实现对厨房的监控优化。此种方式在后期实施过程中有利于针对性的优化客户现场图像检测效果。另外，为解决监控算法的检测时间过长导致无法实时监测问题，本专利技术方案还可以通过结合传统的跟踪算法和优化神经网络结构两种策略并行的做法，达成较好的实时监测效果。在监控视频中许多情况下存在着冗余检测的情况(即画面未发生明显变化，却反复进行检测)，此种现象导致硬件资源和算力上的浪费，本专利技术方案还可以通过跟踪算法对冗余检测现象进行排除。当算法判断视频画面变化幅度不大时，检测结果沿用上次结果，从而节省计算资源并提升检测速度。针对神经网络内部结构复杂导致计算过慢的问题，本专利技术方案还可以通过替换计算偏慢的层结构的方法对其进行提速。此种方法对检测效果有所损害，但有效提升检测速度，达成实时本文档来自技高网...

【技术保护点】
1.一种基于人工智能的明厨亮灶场景下厨师帽的检测方法，其特征在于：其包括如下步骤：/n（1）输入数据流，进行采集并生成图片后做标注处理，形成预处理数据；通过神经网络对预处理数据进行训练与调优，形成定位神经网络和检测神经网络；/n（2）利用影像摄取设备拾取预设场景的影像，按影像获取先后顺序形成若干帧图像，利用预测器对影像摄取的上一帧目标可能出现的位置区域进行预测，生成对比数据A；再根据上一帧所预测的位置区域利用特征处理器对当前帧对应位置区域进行特征提取，生成实时数据A；然后将实时数据A与对比数据A进行相似度匹配；/n当相似度匹配值大于或等于预设值时，将该实时数据A、跟踪结果和/或上次厨师帽检测结果返回至步骤（1），并重新运行；/n当相似度匹配值低于预设值时，将当前帧图像输入到下一步操作；/n（3）利用定位神经网络对输入的当前帧图像进行获取厨师所在区域周边位置，然后对厨师所在周边位置进行图像处理，滤除沉余信息，同时，提取厨师头部附近的图像，形成实时数据B；/n（4）利用检测神经网络对实时数据B进行检测，并生成判定结果；/n当判定结果为未戴厨师帽，则生成警告信息并同时输出该实时数据B对应的当前帧图像和更新厨师跟踪信息，再跳转至步骤（1）进行重新运行；/n当判定结构为戴厨师帽，则更新厨师跟踪信息，再跳转至步骤（1）进行重新运行。/n...

【技术特征摘要】
1.一种基于人工智能的明厨亮灶场景下厨师帽的检测方法，其特征在于：其包括如下步骤：
（1）输入数据流，进行采集并生成图片后做标注处理，形成预处理数据；通过神经网络对预处理数据进行训练与调优，形成定位神经网络和检测神经网络；
（2）利用影像摄取设备拾取预设场景的影像，按影像获取先后顺序形成若干帧图像，利用预测器对影像摄取的上一帧目标可能出现的位置区域进行预测，生成对比数据A；再根据上一帧所预测的位置区域利用特征处理器对当前帧对应位置区域进行特征提取，生成实时数据A；然后将实时数据A与对比数据A进行相似度匹配；
当相似度匹配值大于或等于预设值时，将该实时数据A、跟踪结果和/或上次厨师帽检测结果返回至步骤（1），并重新运行；
当相似度匹配值低于预设值时，将当前帧图像输入到下一步操作；
（3）利用定位神经网络对输入的当前帧图像进行获取厨师所在区域周边位置，然后对厨师所在周边位置进行图像处理，滤除沉余信息，同时，提取厨师头部附近的图像，形成实时数据B；
（4）利用检测神经网络对实时数据B进行检测，并生成判定结果；
当判定结果为未戴厨师帽，则生成警告信息并同时输出该实时数据B对应的当前帧图像和更新厨师跟踪信息，再跳转至步骤（1）进行重新运行；
当判定结构为戴厨师帽，则更新厨师跟踪信息，再跳转至步骤（1）进行重新运行。


2.根据权利要求1所述的一种基于人工智能的明厨亮灶场景下厨师帽的检测方法，其特征在于：步骤（1）中，所述的数据流来源至少包括预先摄取的厨房视频、图片或来自于互联网采集的厨房视频、图片。


3.根据权利要求1所述的一种基于人工智能的明厨亮灶场景下厨师帽的检测方法，其特征在于：步骤（1）中，所述的预处理数据至少包括标记有戴有厨师帽和不戴有厨师帽特征的数据。

【专利技术属性】
技术研发人员：曹凯，蒋文超，林嘉文，黄熙，江雨，
申请(专利权)人：中电福富信息科技有限公司，
类型：发明
国别省市：福建;35