CN110889367A - 一种基于深度学习的厨房工作人员穿着规范识别方法 - Google Patents
一种基于深度学习的厨房工作人员穿着规范识别方法 Download PDFInfo
- Publication number
- CN110889367A CN110889367A CN201911158800.5A CN201911158800A CN110889367A CN 110889367 A CN110889367 A CN 110889367A CN 201911158800 A CN201911158800 A CN 201911158800A CN 110889367 A CN110889367 A CN 110889367A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- data
- identification method
- video
- standard
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000005303 weighing Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Abstract
本发明公开了一种基于深度学习的厨房工作人员穿着规范识别方法，它将食堂监控源视频通过预处理变成待测试数据，然后将待测试数据作为深度学习训练模型的输入并调用训练好的参数，得到目标识别结果数据，再通过服装规范识别算法，以IoU作为衡量指标，识别操作人员的服装规范问题。本发明可以对监控视频进行检测来自动识别出厨房工作人员是否穿着规范并反馈给监管者，从而降低监管的难度和工作量，间接提高企业对食品安全卫士问题的重视程度，进一步地改善食品安全状况。
Description
技术领域
本发明涉及一种基于深度学习的厨房工作人员穿着规范识别方法，属于大数据技术领域。
背景技术
如今，食品安全问题备受大众和媒体所关注。然而，由于监管难度较大，没有很好的流程和方法来智能处理这些问题。针对食堂监控视频，目前还没有完整的检测算法来准确识别，对于较模糊的视频数据，数据精度也存在一定问题。因此，急需一种人工智能的方法，对食堂等需要注意食品安全问题区域的监控视频进行检测来自动识别出厨房工作人员是否穿着规范以及相关问题，并反馈给监管者，从而降低监管的难度和工作量，间接提高企业对食品安全卫士问题的重视程度，从而进一步地改善食品安全状况。
发明内容
本发明所要解决的技术问题在于提供一种基于深度学习的厨房工作人员穿着规范识别方法，该方法可以对视频监控图像进行智能处理，准确识别厨房工作人员是否穿着规范，并解决精度以及时延问题，从而克服上述现有技术的不足。
为解决上述技术问题，本发明的技术方案如下：
一种基于深度学习的厨房工作人员穿着规范识别方法，它将食堂监控源视频通过预处理变成待测试数据，然后将待测试数据作为深度学习训练模型的输入并调用训练好的参数，得到目标识别结果数据，再通过服装规范识别算法，以IoU作为衡量指标，识别操作人员的服装规范问题。
上述的基于深度学习的厨房工作人员穿着规范识别方法，具体来说，在预处理阶段，是针对源视频数据，通过观察及检测，过滤同一段监控视频中连续部分，同时去除部分噪音或视频模糊、特征不明显、特征丢失的部分。
前述的基于深度学习的厨房工作人员穿着规范识别方法，具体来说，在深度学习训练阶段，是采用faster-rcnn作为backbone，训练时添加人物以及服装分类器，针对适用场景，设置合适分类时的阈值；采用旋转、镜像、平移、Gamma增强多种数据增强技术来保证数据训练时不会过拟合，针对部分数据进行微调，提高整体的鲁棒性。
前述的基于深度学习的厨房工作人员穿着规范识别方法，具体来说，所述的服装规范识别算法，是采用IoU作为相应指标，通过判断识别得到的人以及服装的bounding box的IoU来判断人物是否穿戴帽子以及制服；采用抽帧的方式来保证低时延，并通过设置合适的间隔来平衡正确率以及时延问题。
本发明的有益效果：与现有技术相比，本发明具有以下特点：
1、因为训练时过多的重复视频会使训练模型过拟合，所以我们在数据预处理阶段，筛选过滤掉重复性高的视频、去除了部分噪音，之后训练阶段时降低了训练时间的同时，还提高了整体的准确率。
2、食堂监控视频数据较单一，我们采用了多种数据增强技术来丰富数据集，保证了训练阶段数据多样性，进而提高整体测试正确率。
3、训练阶段采用faster-rcnn作为backbone，faster-rcnn作为深度学习网络，针对目标识别问题具有速度快，参数少，可靠性高等特点，可以满足低时延需求。
4、算法设计阶段采用重叠区域（Intersection over Union，IoU），作为相应指标，IoU用来评判该应用场景中的问题，其逻辑简单，算法复杂度低。
附图说明
图1是本发明的原理示意图。
下面结合具体实施方式对本发明作进一步的说明。
具体实施方式
实施例1：如图1所示，将食堂监控源视频通过预处理变成待测试数据，然后将待测试数据作为深度学习训练模型的输入，并调用训练好的参数，得到目标识别结果数据，比如人以及服装制服的位置，在通过IoU（Intersection over Union，重叠区域）作为衡量指标，来识别操作人员的服装规范问题。其中，在数据预处理阶段，针对源视频数据，通过观察及检测，过滤同一段监控视频中连续部分，同时去除部分噪音（视频模糊，特征不明显，特征丢失等），保证了复杂性还提高了第二步训练时的准确率。针对视频数据的标注，抽样检查检测来保证标注数据的规范性以及准确性。在训练阶段，采用faster-rcnn作为backbone。训练时添加人物以及服装等分类器，针对适用场景，设置合适分类时的阈值，满足了应用需求并保证高正确率。采用旋转、镜像、平移、Gamma增强等多种数据增强技术来保证数据训练时不会过拟合，针对部分数据进行微调，提高整体的鲁棒性。在服装规范识别算法设计阶段，采用重叠区域(Intersection over Union，IoU)作为相应指标，通过判断识别得到的人以及服装的bounding box的IoU来判断人物是否穿戴帽子以及制服，以文本和视频方式输出判断结果。采用抽帧的方式来保证低时延，并通过设置合适的间隔，来平衡正确率以及时延问题。
本发明的实施方式不限于上述实施例，在不脱离本发明宗旨的前提下做出的各种变化均属于本发明的保护范围之内。
Claims (4)
1.一种基于深度学习的厨房工作人员穿着规范识别方法，其特征在于：将食堂监控源视频通过预处理变成待测试数据，然后将待测试数据作为深度学习训练模型的输入并调用训练好的参数，得到目标识别结果数据，再通过服装规范识别算法，以IoU作为衡量指标，识别操作人员的服装规范问题。
2.根据权利要求1所述的一种基于深度学习的厨房工作人员穿着规范识别方法，其特征在于：在所述的预处理阶段，针对源视频数据，通过观察及检测，过滤同一段监控视频中连续部分，同时去除部分噪音或视频模糊、特征不明显、特征丢失的部分。
3.根据权利要求1所述的一种基于深度学习的厨房工作人员穿着规范识别方法，其特征在于：在所述的深度学习训练阶段，采用faster-rcnn作为backbone，训练时添加人物以及服装分类器，针对适用场景，设置合适分类时的阈值；采用旋转、镜像、平移、Gamma增强多种数据增强技术来保证数据训练时不会过拟合，针对部分数据进行微调，提高整体的鲁棒性。
4.根据权利要求1所述的一种基于深度学习的厨房工作人员穿着规范识别方法，其特征在于：在所述的服装规范识别算法，采用IoU作为相应指标，通过判断识别得到的人以及服装的bounding box的IoU来判断人物是否穿戴帽子以及制服；采用抽帧的方式来保证低时延，并通过设置合适的间隔来平衡正确率以及时延问题。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911158800.5A CN110889367A (zh) | 2019-11-22 | 2019-11-22 | 一种基于深度学习的厨房工作人员穿着规范识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911158800.5A CN110889367A (zh) | 2019-11-22 | 2019-11-22 | 一种基于深度学习的厨房工作人员穿着规范识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110889367A true CN110889367A (zh) | 2020-03-17 |
Family
ID=69748499
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911158800.5A Pending CN110889367A (zh) | 2019-11-22 | 2019-11-22 | 一种基于深度学习的厨房工作人员穿着规范识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110889367A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113177461A (zh) * | 2021-04-25 | 2021-07-27 | 台州智必安科技有限责任公司 | 一种基于硬件前端的乘客附属物检测方法及系统 |
| CN114821476A (zh) * | 2022-05-05 | 2022-07-29 | 北京容联易通信息技术有限公司 | 一种基于深度学习检测的明厨亮灶智能监控方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107145546A (zh) * | 2017-04-26 | 2017-09-08 | 北京环境特性研究所 | 基于深度学习的监控视频人员模糊检索方法 |
| CN107451602A (zh) * | 2017-07-06 | 2017-12-08 | 浙江工业大学 | 一种基于深度学习的果蔬检测方法 |
| CN108229390A (zh) * | 2018-01-02 | 2018-06-29 | 济南中维世纪科技有限公司 | 基于深度学习的快速行人检测方法 |
| CN108491830A (zh) * | 2018-04-23 | 2018-09-04 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习的施工现场人员制服穿着识别的方法 |
| CN109583481A (zh) * | 2018-11-13 | 2019-04-05 | 杭州电子科技大学 | 一种基于卷积神经网络的细粒度服装的属性识别方法 |
| CN110211173A (zh) * | 2019-04-03 | 2019-09-06 | 中国地质调查局发展研究中心 | 一种基于深度学习的古生物化石定位和识别方法 |
| CN110287804A (zh) * | 2019-05-30 | 2019-09-27 | 广东电网有限责任公司 | 一种基于移动视频监控的电力作业人员着装识别方法 |
-
2019
- 2019-11-22 CN CN201911158800.5A patent/CN110889367A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107145546A (zh) * | 2017-04-26 | 2017-09-08 | 北京环境特性研究所 | 基于深度学习的监控视频人员模糊检索方法 |
| CN107451602A (zh) * | 2017-07-06 | 2017-12-08 | 浙江工业大学 | 一种基于深度学习的果蔬检测方法 |
| CN108229390A (zh) * | 2018-01-02 | 2018-06-29 | 济南中维世纪科技有限公司 | 基于深度学习的快速行人检测方法 |
| CN108491830A (zh) * | 2018-04-23 | 2018-09-04 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习的施工现场人员制服穿着识别的方法 |
| CN109583481A (zh) * | 2018-11-13 | 2019-04-05 | 杭州电子科技大学 | 一种基于卷积神经网络的细粒度服装的属性识别方法 |
| CN110211173A (zh) * | 2019-04-03 | 2019-09-06 | 中国地质调查局发展研究中心 | 一种基于深度学习的古生物化石定位和识别方法 |
| CN110287804A (zh) * | 2019-05-30 | 2019-09-27 | 广东电网有限责任公司 | 一种基于移动视频监控的电力作业人员着装识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 许庆勇主编: "《基于深度学习理论的纹身图像识别与检测研究》", 31 December 2018 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113177461A (zh) * | 2021-04-25 | 2021-07-27 | 台州智必安科技有限责任公司 | 一种基于硬件前端的乘客附属物检测方法及系统 |
| CN114821476A (zh) * | 2022-05-05 | 2022-07-29 | 北京容联易通信息技术有限公司 | 一种基于深度学习检测的明厨亮灶智能监控方法及系统 |
| CN114821476B (zh) * | 2022-05-05 | 2022-11-22 | 北京容联易通信息技术有限公司 | 一种基于深度学习检测的明厨亮灶智能监控方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106093066A (zh) | 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法 | |
| CN109879005A (zh) | 皮带撕裂检测装置及方法 | |
| CN104504369B (zh) | 一种安全帽佩戴情况检测方法 | |
| CN111047568B (zh) | 一种漏汽缺陷检测识别方法及系统 | |
| CN109490316A (zh) | 一种基于机器视觉的表面缺陷检测算法 | |
| CN102799893B (zh) | 考场监控视频处理方法 | |
| CN110111303A (zh) | 一种基于动态图像的大型运载皮带撕裂故障智能检测方法 | |
| CN102303017B (zh) | 机器视觉系统对注射器钢针弯针的自动检测方法 | |
| CN108416289A (zh) | 一种高空作业人员安全带佩戴检测装置及检测预警方法 | |
| CN101852768A (zh) | 磁粉探伤环境下基于复合特征的工件伤痕识别方法 | |
| CN110096980A (zh) | 字符检测识别系统 | |
| CN110889367A (zh) | 一种基于深度学习的厨房工作人员穿着规范识别方法 | |
| CN205538710U (zh) | 一种基于机器视觉的电感质量自动检测系统 | |
| CN108318494B (zh) | 红提果粉的在线视觉检测分级装置及其方法 | |
| Sharma et al. | Grain quality detection by using image processing for public distribution | |
| CN107976447A (zh) | 一种基于机器视觉的配件检测方法及系统 | |
| CN110310275A (zh) | 一种基于图像处理的链式传送带缺陷检测方法 | |
| Birla et al. | An efficient method for quality analysis of rice using machine vision system | |
| Virk et al. | Cup-to-disk ratio (CDR) determination for glaucoma screening | |
| CN105821538A (zh) | 细纱断裂的检测方法和系统 | |
| CN102303018A (zh) | 机器视觉系统对注射器钢针毛刺的自动检测方法 | |
| Kunze et al. | Efficient deployment of deep neural networks for quality inspection of solar cells using smart labeling | |
| CN113128555B (zh) | 一种用于列车闸片部件异常检测的方法 | |
| CN110519566A (zh) | 一种基于视频处理的皮带运动状态监测方法 | |
| KR102030768B1 (ko) | 영상을 이용한 가금류 무게 측정 방법, 이를 수행하기 위한 기록매체 및 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200317 |
|
| RJ01 | Rejection of invention patent application after publication |