技术领域
[0001] 本
发明属于
食品安全监管领域，更具体地，涉及一种厨房卫生智能监控方法。
背景技术
[0002] 食品药品安全问题直接关系到人民群众的身体健康和生命安全，并日益成为社会舆论与百姓关注的焦点。对监管部
门来说，监管量大面广、监管任务繁重、监管
力量相对不足成为当前面临的主要问题，食品药品监督管理部门基本是靠传统的手工、人力方式进行稽查、管理，导致日常监管工作中存在突出问题和漏洞，故对厨房卫生进行智能监控的研究具有重要的意义。
[0003] 现有的厨房卫生智能监控方法通过在大量厨房中安装大量的摄像头进行线
数据采集，然后远程监控，由于摄像头数量过于庞大，不能实时查看，只能做事后查证和存储的作用，无法对厨房卫生情况进行事前预警和事中分析，无法实时对厨房卫生进行监控。
[0004] 综上所述，提出一种实时监控厨房卫生的厨房卫生智能监控方法是亟需解决的问题。
发明内容
[0005] 针对
现有技术的
缺陷，本发明的目的在于提出一种厨房卫生智能监控方法，旨在解决现有方法中由于摄像头数量庞大无法人工实时查看而导致的无法对厨房卫生进行实时监控的问题。
[0006] 为实现上述目的，本发明提供了一种厨房卫生智能监控方法，包括以下步骤：
[0007] 采用预训练好的遮挡判别模型检测摄像头拍摄的厨房图像，对摄像头的遮挡情况进行判断，若摄像头被遮挡，则进行摄像头违规遮挡的预警操作；
[0008] 采用预训练好的厨房卫生目标检测模型对拍摄到的厨房图像中
害虫或工作人员进行检测，根据害虫出没状态或工作人员的穿着属性判断厨房的卫生状况，并根据卫生状况进行相应的预警操作；
[0009] 对拍摄到的厨房图像进行区域分割，根据分割到的厨房
水槽区域的连通性或分割到垃圾区域的分布来判断厨房的卫生状况，并根据卫生状况进行相应的预警操作。
[0010] 进一步优选地，将采集到的未遮挡的厨房图像作为正样本，存在遮挡的厨房图像作为负样本输入到PelleNet中进行训练得到遮挡判别模型。
[0011] 进一步优选地，采集大量的厨房图像，并将图像中的害虫、工作人员、目标对象进行标注，然后基于标注的厨房图像对YOLOV3进行训练，得到厨房卫生目标检测模型。
[0012] 进一步优选地，根据一天内检测到的害虫数量分布得到害虫出没状态，若害虫出没状态为偶尔出没或者经常出没或者害虫泛滥状态，则厨房处于不卫生状态，进行相应的预警操作。
[0013] 进一步优选地，根据工作人员的穿着属性判断厨房的卫生状况的方法，包括以下步骤：
[0014] (1)采集厨房视频图像数据，对其中的工作人员的属性进行标注输入到
深度学习网络ResNet50中进行训练，得到着装分析模型；
[0015] (2)将厨房卫生目标检测模型检测到的工作人员从原图中抠出，并采用预训练好的着装分析模型分析工作人员是否佩戴口罩、帽子以及上下装着装是否规范，若工作人员未佩戴口罩或帽子，或者上下装着装不为工作服，则厨房不卫生，进行相应的预警操作。
[0016] 进一步优选地，对分割到的厨房水槽区域的连通性进行分析，当厨房水槽区域内的空洞区域占水槽整体面积的比例大于预设比例时，厨房不卫生，进行提示厨房水质不干净的预警操作。
[0017] 进一步优选地，根据分割到的垃圾区域的分布来判断厨房的卫生状况的方法包括：
[0018] 若上述
图像分割的结果中垃圾桶区域与垃圾区域区域不重叠，则厨房不卫生，存在垃圾乱堆乱放现象，进行提示厨房存在垃圾乱堆乱放的预警操作；
[0019] 若上述图像分割的结果中垃圾区域
覆盖了垃圾桶区域，则厨房不卫生，存在垃圾溢出现象，进行提示垃圾溢出的预警操作。
[0020] 通过本发明所构思的以上技术方案，与现有技术相比，能够取得下列有益效果：
[0021] 1、本发明提出了一种厨房卫生智能监控方法，通过构建厨房卫生检测模型，对厨房中与卫生状况相关的害虫或工作人员目标进行检测，根据害虫出没状态或工作人员的穿着属性判断厨房的卫生状况，另外对拍摄到的厨房图像进行区域分割，根据分割到的厨房水槽区域的连通性或分割到垃圾区域的分布来判断厨房的卫生状况，通过对厨房中与卫生相关的害虫、工作人员、水槽区域、垃圾区域目标进行分析，全面智能的判断厨房的卫生状况，并且将绝大多数的正常情况进行过滤，仅仅上报异常情况，从而对各种不卫生状况进行实时预警，解决了现有方法中由于摄像头数量庞大无法人工实时查看而导致的无法对厨房卫生进行实时监控的问题。
[0022] 2、本发明所提出的一种厨房卫生智能监控方法，通过对视频监控中厨房的卫生状况进行建模分析，能够大大降低人员投入，提高监控效率，而且可以将分析结果通过互联网接入监控中心，针对导致厨房处于不卫生状态的事件进行报警，而不需要监控人员长时间顶着监控视频看，降低出错率，有利于规范厨房的卫生条件。
附图说明
[0023] 图1是本发明所提供的一种厨房卫生智能监控方法
流程图；
[0024] 图2是本发明
实施例所提供的为摄像头存在遮挡的厨房图像；
[0025] 图3是本发明实施例所提供的对分割到的厨房水槽区域的进行连通性分析的结果图。
具体实施方式
[0026] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0027] 为实现上述目的，本发明提供了一种厨房卫生智能监控方法，如图1所示，包括以下步骤：
[0028] S1、采用预训练好的遮挡判别模型检测摄像头拍摄的厨房图像，对摄像头的遮挡情况进行判断，若摄像头被遮挡，则进行摄像头违规遮挡的预警操作；否则转至步骤S2；
[0029] 具体的，为了防止摄像头被有意或恶意遮挡，以逃避监管等行为进行识别，遮挡检测可以采用场景分类的方式实现，首先，将采集到的未遮挡的厨房图像作为正样本，存在遮挡的厨房图像进行负样本，对场景分类模型PelleNet进行训练得到遮挡判别模型。然后，采用遮挡判别模型对摄像头的遮挡情况进行判断，如图2所示为摄像头存在遮挡的厨房图像。因为遮挡一般是一个较长过程，为了降低整体系统的计算量，本实施例将遮挡检测的
频率设置为1分钟检测一次，同时为了降低误报的次数，采用连续多次检测的方式以降低分类不准带来的误报，本实施例中当连续三次均检测到摄像头被遮挡时，才认为摄像头被遮挡，通过该方式可以极大的降低误报率。
[0030] S2、采用预训练好的厨房卫生目标检测模型对拍摄到的厨房图像中害虫或工作人员进行检测，根据害虫出没状态或工作人员的穿着属性判断厨房的卫生状况，并根据卫生状况进行相应的预警操作；另外，对拍摄到的厨房图像进行区域分割，根据分割到的厨房水槽区域的连通性或分割到垃圾区域的分布来判断厨房的卫生状况，并根据卫生状况进行相应的预警操作。
[0031] 具体的，考虑到厨房环境的复杂性，被检测目标的多样性，并且待检测目标尺寸差异比较大，使用YOLOV3模型对获取的视频和图像中的感兴趣目标进行检测，感兴趣目标主要包括苍蝇、老鼠、蟑螂等害虫，厨师和帮厨等工作人员。首先采集大量的厨房图像，并将图像中的害虫、工作人员、目标对象进行标注，然后基于标注的图像训练
深度神经网络采用
梯度下降法训练深度神经网络，得到厨房卫生目标检测模型。
[0032] 采用预训练好的厨房卫生目标检测模型对拍摄到的厨房图像中害虫或工作人员进行检测，根据害虫出现频次或工作人员的穿着属性判断厨房的卫生状况。具体的，对害虫的出没频次进行统计，采用厨房卫生目标检测模型在视频的每张图片中检测害虫，然后使用多目标
跟踪算法跟踪视频序列中的害虫，害虫从进入摄像头视场范围到出摄像头视场范围记为出现一次，若在连续四张图片中都检测到同一个害虫，则将害虫数量加一。本实施例中每天00:00时将对应的计数器清零，并分别记录每小时和每分钟的害虫数量，以统计每天、每小时以及每分钟的害虫出现的数量，为卫生条件提供评价依据，为杀灭害虫提供合理的时间安排；根据一天内检测到的害虫数量分布，将厨房中害虫的出没状态分为几乎没有、偶尔出没、经常出没和害虫泛滥四个等级。具体的，若一天内检测到的害虫数量小于5，则几乎不存在害虫；若一天内各小时段中检测到的害虫数量大于3个的小时段个数小于5小时，则害虫偶尔出没；若一天内各小时段中检测到的害虫数量大于10个的小时段个数小于12小时，则害虫则经常出没；若一天内各小时段内有超过20分钟能够检测到害虫的小时段个数大于12小时，则害虫泛滥。根据几乎没有、偶尔出没、经常出没和害虫泛滥四个等级进行分级预警；当几乎没有害虫出没时说明厨房卫生状况较好，不进行预警操作；当害虫处于偶尔出没状态时，厨房不卫生，进行提醒注意厨房卫生的预警操作；当害虫达到经常出没状态时，厨房不卫生，进行提示害虫经常出没的预警操作，并将预警信息上报给食品安全监管员，进行备案；当害虫达到泛滥状态，厨房不卫生，进行提示害虫泛滥的预警操作，上报给视频安全监管单位，要求餐厅进行停业整顿。
[0033] 分析工作人员的着装规范时，首先将检测到工作人员的图片从原图中抠出，综合考虑被识别属性的复杂性和识别的效率，本实施例中采用ResNet50属性识别的网络对在厨房工作人员着装进行识别，采集厨房视频图像数据，对其中的工作人员的属性进行标注输入到深度学习网络ResNet50中进行训练，得到着装分析模型；通过对其是否佩戴口罩、帽子进行识别从而分析其着装的规范性，具体的，当厨房工作人员未佩戴口罩或帽子，或者或者上下装着装不为工作服时，则厨房处于不卫生状态，进行提示工作人员着装不规范的预警操作。
[0034] 对拍摄到的厨房图像进行区域分割，根据分割到的厨房水槽区域的连通性或分割到垃圾区域的分布来判断厨房的卫生状况。具体的，本实施例中采用SegNet对图像各区域进行分割。采用连通域分析算法对分割到的厨房水槽区域的连通性进行分析，如图3所示，根据厨房水槽区域内的空洞区域占水槽整体面积的比例，评定该处厨房用水的水质情况，空洞区域占比面积越小，水质越好；当厨房水槽区域内的空洞区域占水槽整体面积的比例大于预设
阈值时，厨房不卫生，进行提示厨房水质不干净的预警操作。本实施例中，上述预设阈值为大于等于0.1小于等于0.3的数。
[0035] 具体的，根据分割到的垃圾区域的分布来判断厨房的卫生状况的方法包括：
[0036] 若上述图像分割的结果中垃圾桶区域与垃圾区域区域不重叠，则厨房不卫生，存在垃圾乱堆乱放，进行提示厨房存在垃圾乱堆乱放的预警操作；
[0037] 若上述图像分割的结果中垃圾区域覆盖了垃圾桶区域，则厨房不卫生，存在垃圾溢出，进行提示垃圾溢出的预警操作。
[0038] 本发明所提出的厨房卫生智能监控方法，通过构建厨房卫生检测模型，对厨房中与卫生状况相关的害虫或工作人员目标进行检测，根据害虫出没状态或工作人员的穿着属性判断厨房的卫生状况，另外对拍摄到的厨房图像进行区域分割，根据分割到的厨房水槽区域的连通性或分割到垃圾区域的分布来判断厨房的卫生状况，通过对厨房中与卫生相关的害虫、工作人员、水槽区域、垃圾区域目标进行分析，全面智能的判断厨房的卫生状况，并且将绝大多数的正常情况进行过滤，仅仅上报异常情况，从而对各种不卫生状况进行实时预警和监控，能够大大降低人员投入，提高监控效率。
[0039] 本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何
修改、等同替换和改进等，均应包含在本发明的保护范围之内。
