一种基于视频智能识别技术的厨房异常行为识别的系统技术方案

本发明专利技术公开了一种基于视频智能识别技术的厨房异常行为识别的系统，包括将视频按帧提取、数据标注、利用YOLOv5算法对模型训练以及进行检测；将原本的后厨监控的视频形式的数据按帧提取，转化为可以应用与后续模型训练的图片形式；将按帧提取后的后厨图片数据进行标注，数据标注实际上就是一种数据处理；利用YOLOv5算法对模型训练，YOLO算法中的YOLOv5算法，本发明专利技术依托人工智能中的目标检测与行为识别技术实现在后厨空间中对员工着装标准、吸烟、口罩防护、卫生检查多个方面的监督，可以帮助管理者快速识别后厨的违规行为，方便对员工进行管理。进行管理。进行管理。

【技术实现步骤摘要】
一种基于视频智能识别技术的厨房异常行为识别的系统


[0001]本专利技术涉及厨房监控领域，特别是一种基于视频智能识别技术的厨房异常行为识别的系统。

技术介绍

[0002]如今，食品卫生安全的管控，对如今后厨环境卫生具有高标准要求，对在后厨空间的员工着装标准、吸烟、口罩防护、卫生检查的多个方面的监督，从而保证后厨的环境干净，但是通过需要人工识别监控，导致浪费时间，并且监控无法及时留证，鉴于此，针对上述问题进行研究，专利技术本系统。

技术实现思路

[0003]本专利技术的目的是为了解决上述问题，设计了一种基于视频智能识别技术的厨房异常行为识别的系统。
[0004]实现上述目的本专利技术的技术方案为，一种基于视频智能识别技术的厨房异常行为识别的系统，包括将视频按帧提取、数据标注、利用YOLOv5算法对模型训练以及进行检测；将原本的后厨监控的视频形式的数据按帧提取，转化为可以应用与后续模型训练的图片形式；将按帧提取后的后厨图片数据进行标注，数据标注实际上就是一种数据处理；利用YOLOv5算法对模型训练，YOLO算法中的YOLOv5算法，利用标注后的后厨图片数据对上述YOLOv5模型进行训练，将新的后厨管理监控视频流输入，进入YOLOv5算法中提取视频帧，将按帧提取后的后厨图像作为新的数据，输入到上一步训练好的YOLOv5模型中，直接进行最后的检测，输出检测结果。
[0005]所述数据标注时按照用户所需要求，将这些图片进行逐一标注，方便下一步进行模型训练。
[0006]所述利用YOLOv5算法对模型训练时在输入端，YOLOv5网络的输 入图像大小为608*608，该阶段通常包含一个图像预处理阶段，即将标注好的后厨图像缩放到网络的输入大小，并进行归一化操作。
[0007]所述利用YOLOv5算法对模型训练时在网络训练阶段，YOLOv5使用Mosaic数据增强操作提升模型的训练速度和网络的精度。
[0008]所述在基准网络部分，采取了一些性能优异的分类器种的网络，该模块用来提取一些通用的特征表示。
[0009]所述YOLOv5算法中不仅使用了CSPDarknet53结构，而且使用了Focus结构作为基准网络。
[0010]所述利用YOLOv5算法对模型训练时Neck网络部分，它通常位于基准网络和头网络的中间位置，在YOLOv5中用到了SPP模块、FPN+PAN模块。
[0011]所述在利用YOLOv5算法对模型训练时Head端用来完成目标检测结果的输出。
[0012]利用本专利技术的技术方案制作的一种基于视频智能识别技术的厨房异常行为识别
的系统，本专利技术依托人工智能中的目标检测与行为识别技术实现在后厨空间中对员工着装标准、吸烟、口罩防护、卫生检查多个方面的监督，可以帮助管理者快速识别后厨的违规行为，方便对员工进行管理。
附图说明
[0013]图1是本专利技术所述一种基于视频智能识别技术的厨房异常行为识别的系统的行为识别技术系统框图。
具体实施方式
[0014]下面结合附图对本专利技术进行具体描述，如图1所示，一种基于视频智能识别技术的厨房异常行为识别的系统，包括将视频按帧提取、数据标注、利用YOLOv5算法对模型训练以及进行检测；将原本的后厨监控的视频形式的数据按帧提取，转化为可以应用与后续模型训练的图片形式；将按帧提取后的后厨图片数据进行标注，数据标注实际上就是一种数据处理；利用YOLOv5算法对模型训练，YOLO算法中的YOLOv5算法，利用标注后的后厨图片数据对上述YOLOv5模型进行训练，将新的后厨管理监控视频流输入，进入YOLOv5算法中提取视频帧，将按帧提取后的后厨图像作为新的数据，输入到上一步训练好的YOLOv5模型中，直接进行最后的检测，输出检测结果。
[0015]所述数据标注时按照用户所需要求，将这些图片进行逐一标注，方便下一步进行模型训练。
[0016]所述利用YOLOv5算法对模型训练时在输入端，YOLOv5网络的输 入图像大小为608*608，该阶段通常包含一个图像预处理阶段，即将标注好的后厨图像缩放到网络的输入大小，并进行归一化操作。
[0017]所述利用YOLOv5算法对模型训练时在网络训练阶段，YOLOv5使用Mosaic数据增强操作提升模型的训练速度和网络的精度。
[0018]所述在基准网络部分，采取了一些性能优异的分类器种的网络，该模块用来提取一些通用的特征表示。
[0019]所述YOLOv5算法中不仅使用了CSPDarknet53结构，而且使用了Focus结构作为基准网络。
[0020]所述利用YOLOv5算法对模型训练时Neck网络部分，它通常位于基准网络和头网络的中间位置，在YOLOv5中用到了SPP模块、FPN+PAN模块。
[0021]所述在利用YOLOv5算法对模型训练时Head端用来完成目标检测结果的输出。
[0022]在本实施方案中，本专利技术提供了智能行为识别技术（YOLOv5算法）。用户利用提供的智能行为识别技术可以对后厨人员的行为进行智能识别，便利了用户的管理监督。
[0023]行为识别技术是整个专利技术的核心，在满足用户需求方面发挥着极大的作用，其中包括：将视频按帧提取、数据标注、利用YOLOv5算法对模型训练、进行检测内容。
[0024]将视频按帧提取：在本专利技术中，为了更好的对后厨人员进行行为管理，一般是以监控视频的形式进行实时传递信息，然而这种视频的形式并不利于后续的模型训练，因此，需要将原本的后厨监控的视频形式的数据按帧提取，转化为可以应用与后续模型训练的图片形式。
[0025]数据标注：将按帧提取后的后厨图片数据进行标注，数据标注实际上就是一种数据处理。对按帧提取得到的图片进行行为的标框，例如：吸烟、不带口罩、有老鼠、不穿工作服装行为。按照用户所需要求，将这些图片进行逐一标注，方便下一步进行模型训练。
[0026]利用YOLOv5算法对模型训练：YOLO算法在图像识别领域有着十分强大功能，相较于传统神经网络模型，列如CNN、RNN、fast
‑
RNN有着更加高效的识别速度和精度，并且YOLO算法将基于边缘的图像分割算法融入其中，使得自身拥有者强大的目标分割识别能力。所以解决本专利技术采用的是YOLO算法中的YOLOv5算法，利用标注后的后厨图片数据对上述YOLOv5模型进行训练，具体的算法结构如下：将已经标注好的例如吸烟、不带口罩、有老鼠、不穿工作服图片作为训练数据，输入YOLOv5算法。在输入端，YOLOv5网络的输 入图像大小为608*608，该阶段通常包含一个图像预处理阶段，即将标注好的后厨图像缩放到网络的输入大小，并进行归一化操作。在网络训练阶段，YOLOv5使用Mosaic数据增强操作提升模型的训练速度和网络的精度；并提出了一种自适应锚框计算与自适应图片缩放方法。在基准网络部分，采取了一些性能优异的分类器种的网络，该模块用来提取一些通用的特征表示。YOLOv5中不仅使用了CSPDarkne本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于视频智能识别技术的厨房异常行为识别的系统，其特征在于，包括将视频按帧提取、数据标注、利用YOLOv5算法对模型训练以及进行检测；将原本的后厨监控的视频形式的数据按帧提取，转化为可以应用与后续模型训练的图片形式；将按帧提取后的后厨图片数据进行标注，数据标注实际上就是一种数据处理；利用YOLOv5算法对模型训练，YOLO算法中的YOLOv5算法，利用标注后的后厨图片数据对上述YOLOv5模型进行训练，将新的后厨管理监控视频流输入，进入YOLOv5算法中提取视频帧，将按帧提取后的后厨图像作为新的数据，输入到上一步训练好的YOLOv5模型中，直接进行最后的检测，输出检测结果。2.根据权利要求1所述的一种基于视频智能识别技术的厨房异常行为识别的系统，其特征在于，所述数据标注时按照用户所需要求，将这些图片进行逐一标注，方便下一步进行模型训练。3.根据权利要求1所述的一种基于视频智能识别技术的厨房异常行为识别的系统，其特征在于，所述利用YOLOv5算法对模型训练时在输入端，YOLOv5网络的输 入图像大小为608*608，该阶段通常包含一个图像预处理阶段，即将标注好的后厨图像缩放到网络的输入...

【专利技术属性】
技术研发人员：王春发，赵安妮，刘派，方德辉，崔丹维，
申请(专利权)人：吉林省吉科软信息技术有限公司，
类型：发明
国别省市：