一种基于深度学习的食品安全指标监测方法技术

本发明专利技术公开了一种基于深度学习的食品安全指标监测方法。按下述步骤完成，a.对现场采集数据按照食品安全指标进行数据标注，构建场景数据集；b.利用场景数据集训练Faster‑RCNN深度学习模型，构建目的识别模型；c.利用目的识别模型对现场实时数据进行食品安全指标监测。本发明专利技术具有监测范围广，监测效率高，追溯性好的特点。

【技术实现步骤摘要】
一种基于深度学习的食品安全指标监测方法
本专利技术涉及食品安全监测
，特别是一种基于深度学习的食品安全指标监测方法。
技术介绍
随着经济的发展，人们对食品安全正变得越来越重视。而食品安全中，食品的安全生产环节更是重中之重。目前针对食品安全生产的相关指标检测，如：工人服饰合规、食品添加剂摆放、老鼠等活体检测问题，主要都还是采用人工监测管控。该方式主要存在下述缺点：传统的人工监测用人成本高，且一般情况下监测人员活动范围小，容易疏漏、可视化差、问题无法回溯。
技术实现思路
本专利技术的目的在于，提供一种基于深度学习的食品安全指标监测方法。本专利技术具有监测范围广，监测效率高，追溯性好的特点。本专利技术的技术方案：一种基于深度学习的食品安全指标监测方法，按下述步骤完成：a.对现场采集数据按照食品安全指标进行数据标注，构建场景数据集；b.利用场景数据集训练Faster-RCNN深度学习模型，构建目的识别模型；c.利用目的识别模型对现场实时数据进行食品安全指标监测。前述的基于深度学习的食品安本文档来自技高网...

【技术保护点】
1.一种基于深度学习的食品安全指标监测方法，其特征在于：按下述步骤完成，/na.对现场采集数据按照食品安全指标进行数据标注，构建场景数据集；/nb.利用场景数据集训练Faster-RCNN深度学习模型，构建目的识别模型；/nc.利用目的识别模型对现场实时数据进行食品安全指标监测。/n

【技术特征摘要】
1.一种基于深度学习的食品安全指标监测方法，其特征在于：按下述步骤完成，
a.对现场采集数据按照食品安全指标进行数据标注，构建场景数据集；
b.利用场景数据集训练Faster-RCNN深度学习模型，构建目的识别模型；
c.利用目的识别模型对现场实时数据进行食品安全指标监测。


2.根据权利要求1所述的基于深度学习的食品安全指标监测方法，其特征在于：步骤a中，所述的现场采集数据为视频数据。


3.根据权利要求2所述的基于深度学习的食品安全指标监测方法，其特征在于：步骤a中，数据标注步骤具体如下：
a1.视频分割：将一个视频数据分割成一个以上的2000帧片段，并从中间隔选取10～20个作为采集片段；
a2.视频发布：将采集片段重新整理成视频片段，并导入vatic的内部数据库中生成视频片段——网页链接的序对；
a3.视频标注：通过视频片段——网页链接的序对调取视频片段，再通过vatic内部的算法，根据视频的前后帧关系，对视频片段进行标注；
a4.标注数据导出：利用python将已标注的视频片段的数据格式由txt格式转换为xml格式，并提取视频片段中已对应标注的图像文件构建场景数据集。


4.根据权利要求1所述的基于深度学习的食品安全指标监测方法，其特征在于：步骤b中，目的识别模型的构建步骤具体如下：
b1.输入的来自场景数据集的图像文件经过缩放后，得到固定大小的图像；然后经过多层卷积层，包括13个卷积层，以及13个激活层和4个池化层，经过卷积计算后得到高层的抽象的featuremap；
b2.RPN层对步骤b1中得到的高层的抽象的featuremap进行学习，具体包括：使用一个n*n的滑动窗口，每个滑动窗口都映射到一个低位的特征；将所述高层的抽象的featuremap输入到2个平行的全连接层中，其中一个全连接层为r...

【专利技术属性】
技术研发人员：陈恺，王雅洁，杨冰，杨鑫，张成梅，郝淼，于杰，杨红，黄伟，王明慧，秦梅元，
申请(专利权)人：贵州贵科大数据有限责任公司，贵州省食品安全检测应用工程技术研究中心有限公司，
类型：发明
国别省市：贵州;52