CN116109977B - 基于生产环境的食品卫生检测方法、装置、设备及介质 - Google Patents
基于生产环境的食品卫生检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116109977B CN116109977B CN202310100472.3A CN202310100472A CN116109977B CN 116109977 B CN116109977 B CN 116109977B CN 202310100472 A CN202310100472 A CN 202310100472A CN 116109977 B CN116109977 B CN 116109977B
- Authority
- CN
- China
- Prior art keywords
- water quality
- food
- environment data
- preset
- production
- 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.)
- Active
Links
- 235000013305 food Nutrition 0.000 title claims abstract description 179
- 238000001514 detection method Methods 0.000 title claims abstract description 175
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 144
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 204
- 238000004659 sterilization and disinfection Methods 0.000 claims abstract description 81
- 238000004458 analytical method Methods 0.000 claims abstract description 74
- 238000003860 storage Methods 0.000 claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims description 69
- 238000012549 training Methods 0.000 claims description 62
- 230000009466 transformation Effects 0.000 claims description 53
- 230000007246 mechanism Effects 0.000 claims description 33
- 238000000034 method Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 30
- 238000010586 diagram Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000010354 integration Effects 0.000 claims description 18
- 238000007689 inspection Methods 0.000 claims description 17
- 230000000737 periodic effect Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 10
- 238000013145 classification model Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000009432 framing Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000007613 environmental effect Effects 0.000 description 18
- 230000001954 sterilising effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000001815 facial effect Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000001052 transient effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 241000700605 Viruses Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000003467 cheek Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 210000005069 ears Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 210000001508 eye Anatomy 0.000 description 2
- 210000004709 eyebrow Anatomy 0.000 description 2
- 210000001061 forehead Anatomy 0.000 description 2
- 210000004209 hair Anatomy 0.000 description 2
- 210000000214 mouth Anatomy 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 210000001331 nose Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000005654 stationary process Effects 0.000 description 2
- 210000000515 tooth Anatomy 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of 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
- G06V20/48—Matching video sequences
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- General Preparation And Processing Of Foods (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及人工智能技术，揭露了一种基于生产环境的食品卫生检测方法，包括：利用标准作业规范检测模型对待检测食品的生产视频中的操作人员关键帧进行作业规范检测，得到作业规范检测结果，根据作业规范检测结果生成食品操作安全结果，基于生产环境数据中消毒环境数据对应的消毒情况报告、水质环境数据对应的第一水质安全分析结果和第二水质安全分析结果、以及食品操作安全结果生成待检测食品对应的食品卫生结果。本发明还提出一种基于生产环境的食品卫生检测装置、电子设备以及计算机可读存储介质。本发明可以解决食品卫生检测的准确度较低的问题。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于生产环境的食品卫生检测方法、装置、电子设备及计算机可读存储介质。
背景技术
众所周知，食品安全问题对于国家发展和人民健康来说，是非常重要的。其中，食品卫生是影响食品安全的一重要因素，因此需要准确且快速地检测出食品是否卫生，进而提升食品环境卫生监控等具有重要的意义。因此，亟待提出一种食品卫生检测方法。
发明内容
本发明提供一种基于生产环境的食品卫生检测方法、装置及计算机可读存储介质，其主要目的在于解决食品卫生检测的准确度较低的问题。
为实现上述目的，本发明提供的一种基于生产环境的食品卫生检测方法，包括：
利用预构建的训练图片集对初始作业规范检测模型进行模型训练，得到标准作业规范检测模型，其中，所述初始作业规范检测模型是将注意力机制集成模块添加到预设骨干网络中得到；
获取待检测食品的生产视频及所述待检测食品所在车间的生产环境数据，并提取出所述生产视频中的操作人员关键帧；
基于所述标准作业规范检测模型对所述操作人员关键帧进行作业规范检测，得到作业规范检测结果，并统计所述作业规范检测结果中规范操作的人数，根据规范操作的人数与预设安全参考库中的参考数据进行对比，将对比得到的对比结果作为食品操作安全结果；
提取出所述生产环境数据中的水质环境数据和消毒环境数据，计算所述水质环境数据的功率谱，并基于所述功率谱对所述水质环境数据进行周期性安全分析，得到第一水质安全分析结果；
根据预设的小波系数计算公式计算所述水质环境数据对应的小波系数值，构建以所述水质环境数据为横轴，所述小波系数值为纵轴的小波变换区域图，分析所述小波变换区域图中的变换趋势，并生成与所述变换趋势对应的第二水质安全分析结果；
基于卫生参考标准对所述消毒环境数据进行消毒检查，得到消毒情况报告，并基于所述消毒情况报告、所述第一水质安全分析结果、所述第二水质安全分析结果和所述食品操作安全结果生成所述待检测食品对应的食品卫生结果。
可选地，所述计算所述水质环境数据的功率谱，包括：
根据所述水质环境数据和所述水质环境数据对应的获取时间构建水质时间序列；
对所述水质时间序列进行预加重处理、分帧处理、加窗处理以及快速傅里叶变换，得到所述水质时间序列的短时频谱；
利用预设的功率谱计算公式对所述短时频谱取模平方，得到所述水质时间序列的功率谱。
可选地，所述预设的功率谱计算公式为：
其中，s(k)为短时频谱，p(k)为功率谱， N为所述短时频谱中帧的大小， k为短时频谱上的预设固定参数。
可选地，所述预设的小波系数计算公式为：
其中，Cx(t)为所述水质环境数据对应的小波系数值，x(t)为所述水质环境数据，t为所述水质环境数据对应的水质时间序列采样区间，a为预设的尺度参数，b为预设的平移位置参数，N为所述水质环境数据的数据总数，ψ为预设的小波系数函数。
可选地，所述提取出所述生产视频中的操作人员关键帧，包括：
以预设周期作为抽取频率抽取所述生产视频中的多个视频帧，并提取所述生产视频中的人员标签；
从各个视频帧中提取人脸特征，基于人脸分类模型对所述人脸特征进行分类，得到对应的人员分类；
从所述视频帧中确定与所述人员标签及所述人员分类一致的视频帧作为操作人员关键帧。
可选地，所述利用预构建的训练图片集对初始作业规范检测模型进行模型训练，得到标准作业规范检测模型，包括：
对所述训练图片集进行数据标注，得到标注数据集，其中，所述训练图片集为多张包含作业操作场景的图片；
将所述标注数据集输入至所述初始作业规范检测模型中，得到规范佩戴情况；
统计所述规范佩戴情况中的规范佩戴个数，并计算所述规范佩戴个数与预设真实个数之间的误差值；
当所述误差值小于或者等于预设参考阈值时，将所述初始作业规范检测模型输出为标准作业规范检测模型；
当所述误差值大于预设参考阈值时，对所述初始作业规范检测模型进行参数调整，并重新执行作业规范检测处理，直至当所述误差值小于或者等于预设参考阈值时，将调整参数后的初始作业规范检测模型输出为标准作业规范检测模型。
可选地，所述利用预构建的训练图片集对初始作业规范检测模型进行模型训练之前，所述方法还包括：
随机读取预先获取的历史生产图像集中的预设个数的生产操作环境图像，对所述生产操作环境图像进行缩放及色域变化处理，得到多张标准图像；
将所述标准图像按照方向位置组合为增强图像集，并将所述增强图像集作为训练图片集。
为了解决上述问题，本发明还提供一种基于生产环境的食品卫生检测装置，所述装置包括：
模型训练模块，用于利用预构建的训练图片集对初始作业规范检测模型进行模型训练，得到标准作业规范检测模型，其中，所述初始作业规范检测模型是将注意力机制集成模块添加到预设骨干网络中得到；
操作结果生成模块，用于获取待检测食品的生产视频及所述待检测食品所在车间的生产环境数据，并提取出所述生产视频中的操作人员关键帧，基于所述标准作业规范检测模型对所述操作人员关键帧进行作业规范检测，得到作业规范检测结果，并统计所述作业规范检测结果中规范操作的人数，根据规范操作的人数与预设安全参考库中的参考数据进行对比，将对比得到的对比结果作为食品操作安全结果；
水质结果生成模块，用于提取出所述生产环境数据中的水质环境数据和消毒环境数据，计算所述水质环境数据的功率谱，并基于所述功率谱对所述水质环境数据进行周期性安全分析，得到第一水质安全分析结果，根据预设的小波系数计算公式计算所述水质环境数据对应的小波系数值，构建以所述水质环境数据为横轴，所述小波系数值为纵轴的小波变换区域图，分析所述小波变换区域图中的变换趋势，并生成与所述变换趋势对应的第二水质安全分析结果；
卫生结果生成模块，用于基于卫生参考标准对所述消毒环境数据进行消毒检查，得到消毒情况报告，并基于所述消毒情况报告、所述第一水质安全分析结果、所述第二水质安全分析结果和所述食品操作安全结果生成所述待检测食品对应的食品卫生结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的基于生产环境的食品卫生检测方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于生产环境的食品卫生检测方法。
本发明实施例中，通过训练图片集对添加了注意力机制集成模块的预设骨干网络进行模型训练，得到标准作业规范检测模型，所述标准作业规范检测模型具有精准的佩戴识别能力，并根据作业规范检测结果推断出食品操作安全结果。对生产环境数据中的水质环境数据、消毒环境数据分别进行安全分析，根据得到的消毒情况报告、第一水质安全分析结果、第二水质安全分析结果和食品操作安全结果生成待检测食品对应的食品卫生结果。涉及的维度更加全面，因此进行食品安全检测也更准确。因此本发明提出的基于生产环境的食品卫生检测方法、装置、电子设备及计算机可读存储介质，可以解决解决食品卫生检测的准确度较低的问题。
附图说明
图1为本发明一实施例提供的基于生产环境的食品卫生检测方法的流程示意图；
图2为本发明一实施例提供的基于生产环境的食品卫生检测装置的功能模块图；
图3为本发明一实施例提供的实现所述基于生产环境的食品卫生检测方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
本申请实施例提供一种基于生产环境的食品卫生检测方法。所述基于生产环境的食品卫生检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于生产环境的食品卫生检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的基于生产环境的食品卫生检测方法的流程示意图。在本实施例中，所述基于生产环境的食品卫生检测方法包括：
S1、利用预构建的训练图片集对初始作业规范检测模型进行模型训练，得到标准作业规范检测模型，其中，所述初始作业规范检测模型是将注意力机制集成模块添加到预设骨干网络中得到。
本发明实施例中，所述骨干网络为EfficientNet网络，EfficientNet网络使用模型均匀缩放的方法进行动态调整优化，大大减少了参数量，提高了推理速度和准确率，使得模型部署到移动设备上更加容易。所述注意力机制集成模块（CBAM，Convolutional BlockAttention Module）是指将空间注意力机制和通道注意力机制结合在一起，用于提升检测目标任务的性能模块。
优选地，由于EfficientNet网络在不断加深网络层数的时候，随之会增加许多没有价值的信息，由于注意力机制可以抑制一些没有价值的信息，这样就可以降低对网络输出的影响。常用的注意力机制主要有两种，一种是空间注意力机制，另一种是通道注意力机制，两种注意力机制都有自己的优点和缺点，本方案将空间注意力机制和通道注意力机制结合在一起所生成的注意力机制集成模块添加到预设骨干网络中，得到初始作业规范检测模型。
详细地，将注意力机制集成模块添加到预设骨干网络中主要是指在骨干网络的八倍、十六倍、三十二倍下采样处分别添加了所述注意力机制集成模块。
具体地，所述利用预构建的训练图片集对初始作业规范检测模型进行模型训练，得到标准作业规范检测模型，包括：
对所述训练图片集进行数据标注，得到标注数据集，其中，所述训练图片集为多张包含作业操作场景的图片；
将所述标注数据集输入至所述初始作业规范检测模型中，得到规范佩戴情况；
统计所述规范佩戴情况中的规范佩戴个数，并计算所述规范佩戴个数与预设真实个数之间的误差值；
当所述误差值小于或者等于预设参考阈值时，将所述初始作业规范检测模型输出为标准作业规范检测模型；
当所述误差值大于预设参考阈值时，对所述初始作业规范检测模型进行参数调整，并重新执行作业规范检测处理，直至当所述误差值小于或者等于预设参考阈值时，将调整参数后的初始作业规范检测模型输出为标准作业规范检测模型。
详细地，计算所述规范佩戴个数与预设真实个数之间的误差值即对所述规范佩戴个数与预设真实个数之间的求差处理。
进一步地，所述利用预构建的训练图片集对初始作业规范检测模型进行模型训练之前，所述方法还包括：
随机读取预先获取的历史生产图像集中的预设个数的生产操作环境图像，对所述生产操作环境图像进行缩放及色域变化处理，得到多张标准图像；
将所述标准图像按照方向位置组合为增强图像集，并将所述增强图像集作为训练图片集。
详细地，为了增强后续网络模型的训练效果，因此对历史生产图像集进行数据增强处理，其中，所述历史生产图像集是指车间中所拍摄的历史生产过程的操作图像。具体地，随机读取预先获取的历史生产图像集中的预设个数的生产操作环境图像，其中，所述预设个数可以为四张。对所述生产操作环境图像进行缩放及色域变化处理，缩放是指对数字图像的大小进行调整的过程，可以利用插值算法实现图像缩放。色域变化处理是指将图像转换至不同的颜色域上。经过处理得到标准图像，将所述标准图像按照方向位置组合为增强图像集，并将所述增强图像集作为训练图片集。
S2、获取待检测食品的生产视频及所述待检测食品所在车间的生产环境数据，并提取出所述生产视频中的操作人员关键帧。
本发明实施例中，所述待检测食品是指需要进行食品安全检测的食物，待检测食品的生产视频是指食品在生产过程中通过工厂安装的摄像头所获取得到的对应视频数据，所述待检测食品所在车间的生产环境数据是指所述车间的工厂附近水源数据、环境是否消毒、所在空气质量等数据。其中，因为影响食品安全的方面主要是在食品生产过程中以及车间附近的环境数据对生产的影响，故获取生产视频和生产环境数据进行后续的食品卫生检测。
具体地，所述提取出所述生产视频中的操作人员关键帧，包括：
以预设周期作为抽取频率抽取所述生产视频中的多个视频帧，并提取所述生产视频中的人员标签；
从各个视频帧中提取人脸特征，基于人脸分类模型对所述人脸特征进行分类，得到对应的人员分类；
从所述视频帧中确定与所述人员标签及所述人员分类一致的视频帧作为操作人员关键帧。
详细地，由于所述生产视频由多个连续的画面构成，一组连续的视频帧的图像内容变化不大，仅需要以所述预设周期从所述生产视频中抽取部分视频帧，以保证从视频中获取操作人员关键帧的处理效率。例如，每隔1秒从视频文件中抽取一个视频帧，对于一段2分钟的视频，共需要抽取 120帧。
进一步地，人脸特征为人物的全部面部特征，其中，面部特征包括眉毛、眼睛、鼻子、嘴、耳朵、脸颊、额头、牙齿、头发等，本方案中不作限定。所述人脸分类模型为基于卷积神经网络CNN或深层神经网络DNN训练得到的 人脸分类模型。
S3、基于所述标准作业规范检测模型对所述操作人员关键帧进行作业规范检测，得到作业规范检测结果，并统计所述作业规范检测结果中规范操作的人数，根据规范操作的人数与预设安全参考库中的参考数据进行对比，将对比得到的对比结果作为食品操作安全结果。
本发明实施例中，利用所述标准作业规范检测模型对所述操作人员关键帧进行作业规范检测，由于所述操作人员关键帧中包含操作人员，因此根据所述标准作业规范检测模型可以检测出所述操作人员是否佩戴口罩或者其他作业物品，得到的作业规范检测结果中标注了不同的操作人员是否佩戴了口罩或者其他作业物品。
由于在食品生产环境下，保持良好的操作人员物品佩戴是整个食品车间生产工作的基本任务，物品佩戴可以有效地防止病毒传播，因此车间中的作业规范检测结果可以反应出食品卫生方面是否有保障。
具体地，统计所述作业规范检测结果中的规范操作的人数，并对规范操作的人数和所述操作人员关键帧中的人员总数进行求比值处理，得到佩戴比值，判断所述佩戴比值和预设安全参考库中的数据进行比较，根据比较情况得到食品操作安全结果。
详细地，所述预设安全参考库中包含不同的参考数值和对应的安全等级，例如，对于是否佩戴口罩的参考数值，不同的数值区间对应着食品操作安全结果的等级。
例如，所述参考数值为是否佩戴口罩的参考数值，若数值区间为[0.3,0.5]，对应的食品操作安全结果的等级为中级。
S4、提取出所述生产环境数据中的水质环境数据和消毒环境数据，计算所述水质环境数据的功率谱，并基于所述功率谱对所述水质环境数据进行周期性安全分析，得到第一水质安全分析结果。
本发明实施例中，由于所述生产环境数据中包含但不限于水质环境数据、消毒环境数据、土壤环境数据和温度环境数据等，对食品卫生和食品安全而言，主要是要在车间进行操作以及利用车间的水进行生产，故生产环境中的水质环境数据、消毒环境数据极为重要，因此对水质环境数据和消毒环境数据进行分析处理。
具体地，所述计算所述水质环境数据的功率谱，包括：
根据所述水质环境数据和所述水质环境数据对应的获取时间构建水质时间序列；
对所述水质时间序列进行预加重处理、分帧处理、加窗处理以及快速傅里叶变换，得到所述水质时间序列的短时频谱；
利用预设的功率谱计算公式对所述短时频谱取模平方，得到所述水质时间序列的功率谱。
详细地，通过一个预设的高通滤波器对所述水质时间序列进行预加重处理，得到高频水质时间序列，所述预加重处理可以增强所述水质时间序列中水质环境信号的高频部分。
进一步地，本发明实施例采用下述公式执行快速傅里叶变换，包括：
；
及采用下述公式对所述短时频谱取模平方：
其中，s(k)为短时频谱，p(k)为功率谱， N为所述短时频谱中帧的大小， k为短时频谱上的预设固定参数。
具体地，由于所述功率谱保留了频谱的幅度信息，故根据不同时间的所述水质环境数据对应的功率谱得到频谱的幅度信息周期性变化，例如，年、季、日等低频周期性变化或者具体到12小时、6小时内的高频变化，根据变化情况确定周期性异常，即进行周期性安全分析，得到得到第一水质安全分析结果。
S5、根据预设的小波系数计算公式计算所述水质环境数据对应的小波系数值，构建以所述水质环境数据为横轴，所述小波系数值为纵轴的小波变换区域图，分析所述小波变换区域图中的变换趋势，并生成与所述变换趋势对应的第二水质安全分析结果。
本发明实施例中，由于单独的功率谱不能完全描述非平稳过程，因为他们不能解释频率内容随时间的变化。而与传统的频率分析不同，连续小波变换将信号的频率转换为时间函数，从而可以检测不连续性和瞬态模式，实现时间序列中发生的瞬态模式的完整时频表示，可以发现水质环境数据中的异常突变点。
具体地，在计算所述水质环境数据对应的小波系数值之前还包括将所述水质环境数据转换为对应的水质时间序列，其方法与上述转换方法一致，均是根据所述水质环境数据和所述水质环境数据对应的获取时间构建水质时间序列。
进一步地，所述预设的小波系数计算公式为：
其中，Cx(t)为所述水质环境数据对应的小波系数值，x(t)为所述水质环境数据，t为所述水质环境数据对应的水质时间序列采样区间，a为预设的尺度参数，b为预设的平移位置参数，N为所述水质环境数据的数据总数，ψ为预设的小波系数函数。
具体地，以水质环境数据作为横轴，以所述水质环境数据对应的小波系数值作为纵轴，构建生成小波变换区域图，分析所述小波变换区域图中的变换趋势，小波系数值可能会存在突然上升或下降的情况，这种变换趋势会存在异常，因此此刻的水质也存在异常，并将水质存在异常作为与所述变换趋势对应的第二水质安全分析结果。
S6、基于卫生参考标准对所述消毒环境数据进行消毒检查，得到消毒情况报告，并基于所述消毒情况报告、所述第一水质安全分析结果、所述第二水质安全分析结果和所述食品操作安全结果生成所述待检测食品对应的食品卫生结果。
本发明实施例中，由于生产环境中的消毒情况也是影响食品安全和卫生的一项重要因素，因此根据包含对不同区域的消毒要求情况的卫生参考标准对消毒环境数据进行消毒检查，每个区域是否符合消毒标准的情况汇总生成消毒情况报告。
具体地，所述消毒情况报告从环境消毒层面反应出车间的卫生安全，进而消毒情况也可以影响到食品卫生结果，例如，操作台并没有进行全面的消毒，则会影响到食品卫生。所述第一水质安全分析结果和所述第二水质安全分析结果是从周期性和非周期性两个维度解析出水质环境数据的安全结果，由于生产食品和清洗食品等流程的水质都是影响食品安全的重要因素，故对水质的安全分析结果很重要。所述食品操作安全结果是对食品生产过程中的操作人员是否佩戴物品的检测结果。基于所述消毒情况报告、所述第一水质安全分析结果、所述第二水质安全分析结果和所述食品操作安全结果生成所述待检测食品对应的食品卫生结果。
本发明实施例中，通过训练图片集对添加了注意力机制集成模块的预设骨干网络进行模型训练，得到标准作业规范检测模型，所述标准作业规范检测模型具有精准的佩戴识别能力，并根据作业规范检测结果推断出食品操作安全结果。对生产环境数据中的水质环境数据、消毒环境数据分别进行安全分析，根据得到的消毒情况报告、第一水质安全分析结果、第二水质安全分析结果和食品操作安全结果生成待检测食品对应的食品卫生结果。涉及的维度更加全面，因此进行食品安全检测也更准确。因此本发明提出的基于生产环境的食品卫生检测方法可以解决解决食品卫生检测的准确度较低的问题。
如图2所示，是本发明一实施例提供的基于生产环境的食品卫生检测装置的功能模块图。
本发明所述基于生产环境的食品卫生检测装置100可以安装于电子设备中。根据实现的功能，所述基于生产环境的食品卫生检测装置100可以包括模型训练模块101、操作结果生成模块102、水质结果生成模块103及卫生结果生成模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述模型训练模块101，用于利用预构建的训练图片集对初始作业规范检测模型进行模型训练，得到标准作业规范检测模型，其中，所述初始作业规范检测模型是将注意力机制集成模块添加到预设骨干网络中得到；
所述操作结果生成模块102，用于获取待检测食品的生产视频及所述待检测食品所在车间的生产环境数据，并提取出所述生产视频中的操作人员关键帧，基于所述标准作业规范检测模型对所述操作人员关键帧进行作业规范检测，得到作业规范检测结果，并统计所述作业规范检测结果中规范操作的人数，根据规范操作的人数与预设安全参考库中的参考数据进行对比，将对比得到的对比结果作为食品操作安全结果；
所述水质结果生成模块103，用于提取出所述生产环境数据中的水质环境数据和消毒环境数据，计算所述水质环境数据的功率谱，并基于所述功率谱对所述水质环境数据进行周期性安全分析，得到第一水质安全分析结果，根据预设的小波系数计算公式计算所述水质环境数据对应的小波系数值，构建以所述水质环境数据为横轴，所述小波系数值为纵轴的小波变换区域图，分析所述小波变换区域图中的变换趋势，并生成与所述变换趋势对应的第二水质安全分析结果；
所述卫生结果生成模块104，用于基于卫生参考标准对所述消毒环境数据进行消毒检查，得到消毒情况报告，并基于所述消毒情况报告、所述第一水质安全分析结果、所述第二水质安全分析结果和所述食品操作安全结果生成所述待检测食品对应的食品卫生结果。
详细地，所述基于生产环境的食品卫生检测装置100各模块的具体实施方式如下：
步骤一、利用预构建的训练图片集对初始作业规范检测模型进行模型训练，得到标准作业规范检测模型，其中，所述初始作业规范检测模型是将注意力机制集成模块添加到预设骨干网络中得到。
本发明实施例中，所述骨干网络为EfficientNet网络，EfficientNet网络使用模型均匀缩放的方法进行动态调整优化，大大减少了参数量，提高了推理速度和准确率，使得模型部署到移动设备上更加容易。所述注意力机制集成模块（CBAM，Convolutional BlockAttention Module）是指将空间注意力机制和通道注意力机制结合在一起，用于提升检测目标任务的性能模块。
优选地，由于EfficientNet网络在不断加深网络层数的时候，随之会增加许多没有价值的信息，由于注意力机制可以抑制一些没有价值的信息，这样就可以降低对网络输出的影响。常用的注意力机制主要有两种，一种是空间注意力机制，另一种是通道注意力机制，两种注意力机制都有自己的优点和缺点，本方案将空间注意力机制和通道注意力机制结合在一起所生成的注意力机制集成模块添加到预设骨干网络中，得到初始作业规范检测模型。
详细地，将注意力机制集成模块添加到预设骨干网络中主要是指在骨干网络的八倍、十六倍、三十二倍下采样处分别添加了所述注意力机制集成模块。
具体地，所述利用预构建的训练图片集对初始作业规范检测模型进行模型训练，得到标准作业规范检测模型，包括：
对所述训练图片集进行数据标注，得到标注数据集，其中，所述训练图片集为多张包含作业操作场景的图片；
将所述标注数据集输入至所述初始作业规范检测模型中，得到规范佩戴情况；
统计所述规范佩戴情况中的规范佩戴个数，并计算所述规范佩戴个数与预设真实个数之间的误差值；
当所述误差值小于或者等于预设参考阈值时，将所述初始作业规范检测模型输出为标准作业规范检测模型；
当所述误差值大于预设参考阈值时，对所述初始作业规范检测模型进行参数调整，并重新执行作业规范检测处理，直至当所述误差值小于或者等于预设参考阈值时，将调整参数后的初始作业规范检测模型输出为标准作业规范检测模型。
详细地，计算所述规范佩戴个数与预设真实个数之间的误差值即对所述规范佩戴个数与预设真实个数之间的求差处理。
进一步地，所述利用预构建的训练图片集对初始作业规范检测模型进行模型训练之前，所述方法还包括：
随机读取预先获取的历史生产图像集中的预设个数的生产操作环境图像，对所述生产操作环境图像进行缩放及色域变化处理，得到多张标准图像；
将所述标准图像按照方向位置组合为增强图像集，并将所述增强图像集作为训练图片集。
详细地，为了增强后续网络模型的训练效果，因此对历史生产图像集进行数据增强处理，其中，所述历史生产图像集是指车间中所拍摄的历史生产过程的操作图像。具体地，随机读取预先获取的历史生产图像集中的预设个数的生产操作环境图像，其中，所述预设个数可以为四张。对所述生产操作环境图像进行缩放及色域变化处理，缩放是指对数字图像的大小进行调整的过程，可以利用插值算法实现图像缩放。色域变化处理是指将图像转换至不同的颜色域上。经过处理得到标准图像，将所述标准图像按照方向位置组合为增强图像集，并将所述增强图像集作为训练图片集。
步骤二、获取待检测食品的生产视频及所述待检测食品所在车间的生产环境数据，并提取出所述生产视频中的操作人员关键帧。
本发明实施例中，所述待检测食品是指需要进行食品安全检测的食物，待检测食品的生产视频是指食品在生产过程中通过工厂安装的摄像头所获取得到的对应视频数据，所述待检测食品所在车间的生产环境数据是指所述车间的工厂附近水源数据、环境是否消毒、所在空气质量等数据。其中，因为影响食品安全的方面主要是在食品生产过程中以及车间附近的环境数据对生产的影响，故获取生产视频和生产环境数据进行后续的食品卫生检测。
具体地，所述提取出所述生产视频中的操作人员关键帧，包括：
以预设周期作为抽取频率抽取所述生产视频中的多个视频帧，并提取所述生产视频中的人员标签；
从各个视频帧中提取人脸特征，基于人脸分类模型对所述人脸特征进行分类，得到对应的人员分类；
从所述视频帧中确定与所述人员标签及所述人员分类一致的视频帧作为操作人员关键帧。
详细地，由于所述生产视频由多个连续的画面构成，一组连续的视频帧的图像内容变化不大，仅需要以所述预设周期从所述生产视频中抽取部分视频帧，以保证从视频中获取操作人员关键帧的处理效率。例如，每隔1秒从视频文件中抽取一个视频帧，对于一段2分钟的视频，共需要抽取 120帧。
进一步地，人脸特征为人物的全部面部特征，其中，面部特征包括眉毛、眼睛、鼻子、嘴、耳朵、脸颊、额头、牙齿、头发等，本方案中不作限定。所述人脸分类模型为基于卷积神经网络CNN或深层神经网络DNN训练得到的 人脸分类模型。
步骤三、基于所述标准作业规范检测模型对所述操作人员关键帧进行作业规范检测，得到作业规范检测结果，并统计所述作业规范检测结果中规范操作的人数，根据规范操作的人数与预设安全参考库中的参考数据进行对比，将对比得到的对比结果作为食品操作安全结果。
本发明实施例中，利用所述标准作业规范检测模型对所述操作人员关键帧进行作业规范检测，由于所述操作人员关键帧中包含操作人员，因此根据所述标准作业规范检测模型可以检测出所述操作人员是否佩戴口罩或者其他作业物品，得到的作业规范检测结果中标注了不同的操作人员是否佩戴了口罩或者其他作业物品。
由于在食品生产环境下，保持良好的操作人员物品佩戴是整个食品车间生产工作的基本任务，物品佩戴可以有效地防止病毒传播，因此车间中的作业规范检测结果可以反应出食品卫生方面是否有保障。
具体地，统计所述作业规范检测结果中的规范操作的人数，并对规范操作的人数和所述操作人员关键帧中的人员总数进行求比值处理，得到佩戴比值，判断所述佩戴比值和预设安全参考库中的数据进行比较，根据比较情况得到食品操作安全结果。
详细地，所述预设安全参考库中包含不同的参考数值和对应的安全等级，例如，对于是否佩戴口罩的参考数值，不同的数值区间对应着食品操作安全结果的等级。
例如，所述参考数值为是否佩戴口罩的参考数值，若数值区间为[0.3,0.5]，对应的食品操作安全结果的等级为中级。
步骤四、提取出所述生产环境数据中的水质环境数据和消毒环境数据，计算所述水质环境数据的功率谱，并基于所述功率谱对所述水质环境数据进行周期性安全分析，得到第一水质安全分析结果。
本发明实施例中，由于所述生产环境数据中包含但不限于水质环境数据、消毒环境数据、土壤环境数据和温度环境数据等，对食品卫生和食品安全而言，主要是要在车间进行操作以及利用车间的水进行生产，故生产环境中的水质环境数据、消毒环境数据极为重要，因此对水质环境数据和消毒环境数据进行分析处理。
具体地，所述计算所述水质环境数据的功率谱，包括：
根据所述水质环境数据和所述水质环境数据对应的获取时间构建水质时间序列；
对所述水质时间序列进行预加重处理、分帧处理、加窗处理以及快速傅里叶变换，得到所述水质时间序列的短时频谱；
利用预设的功率谱计算公式对所述短时频谱取模平方，得到所述水质时间序列的功率谱。
详细地，通过一个预设的高通滤波器对所述水质时间序列进行预加重处理，得到高频水质时间序列，所述预加重处理可以增强所述水质时间序列中水质环境信号的高频部分。
进一步地，本发明实施例采用下述公式执行快速傅里叶变换，包括：
；
及采用下述公式对所述短时频谱取模平方：
其中，s(k)为短时频谱，p(k)为功率谱， N为所述短时频谱中帧的大小， k为短时频谱上的预设固定参数。
具体地，由于所述功率谱保留了频谱的幅度信息，故根据不同时间的所述水质环境数据对应的功率谱得到频谱的幅度信息周期性变化，例如，年、季、日等低频周期性变化或者具体到12小时、6小时内的高频变化，根据变化情况确定周期性异常，即进行周期性安全分析，得到得到第一水质安全分析结果。
步骤五、根据预设的小波系数计算公式计算所述水质环境数据对应的小波系数值，构建以所述水质环境数据为横轴，所述小波系数值为纵轴的小波变换区域图，分析所述小波变换区域图中的变换趋势，并生成与所述变换趋势对应的第二水质安全分析结果。
本发明实施例中，由于单独的功率谱不能完全描述非平稳过程，因为他们不能解释频率内容随时间的变化。而与传统的频率分析不同，连续小波变换将信号的频率转换为时间函数，从而可以检测不连续性和瞬态模式，实现时间序列中发生的瞬态模式的完整时频表示，可以发现水质环境数据中的异常突变点。
具体地，在计算所述水质环境数据对应的小波系数值之前还包括将所述水质环境数据转换为对应的水质时间序列，其方法与上述转换方法一致，均是根据所述水质环境数据和所述水质环境数据对应的获取时间构建水质时间序列。
进一步地，所述预设的小波系数计算公式为：
其中，Cx(t)为所述水质环境数据对应的小波系数值，x(t)为所述水质环境数据，t为所述水质环境数据对应的水质时间序列采样区间，a为预设的尺度参数，b为预设的平移位置参数，N为所述水质环境数据的数据总数，ψ为预设的小波系数函数。
具体地，以水质环境数据作为横轴，以所述水质环境数据对应的小波系数值作为纵轴，构建生成小波变换区域图，分析所述小波变换区域图中的变换趋势，小波系数值可能会存在突然上升或下降的情况，这种变换趋势会存在异常，因此此刻的水质也存在异常，并将水质存在异常作为与所述变换趋势对应的第二水质安全分析结果。
步骤六、基于卫生参考标准对所述消毒环境数据进行消毒检查，得到消毒情况报告，并基于所述消毒情况报告、所述第一水质安全分析结果、所述第二水质安全分析结果和所述食品操作安全结果生成所述待检测食品对应的食品卫生结果。
本发明实施例中，由于生产环境中的消毒情况也是影响食品安全和卫生的一项重要因素，因此根据包含对不同区域的消毒要求情况的卫生参考标准对消毒环境数据进行消毒检查，每个区域是否符合消毒标准的情况汇总生成消毒情况报告。
具体地，所述消毒情况报告从环境消毒层面反应出车间的卫生安全，进而消毒情况也可以影响到食品卫生结果，例如，操作台并没有进行全面的消毒，则会影响到食品卫生。所述第一水质安全分析结果和所述第二水质安全分析结果是从周期性和非周期性两个维度解析出水质环境数据的安全结果，由于生产食品和清洗食品等流程的水质都是影响食品安全的重要因素，故对水质的安全分析结果很重要。所述食品操作安全结果是对食品生产过程中的操作人员是否佩戴物品的检测结果。基于所述消毒情况报告、所述第一水质安全分析结果、所述第二水质安全分析结果和所述食品操作安全结果生成所述待检测食品对应的食品卫生结果。
本发明实施例中，通过训练图片集对添加了注意力机制集成模块的预设骨干网络进行模型训练，得到标准作业规范检测模型，所述标准作业规范检测模型具有精准的佩戴识别能力，并根据作业规范检测结果推断出食品操作安全结果。对生产环境数据中的水质环境数据、消毒环境数据分别进行安全分析，根据得到的消毒情况报告、第一水质安全分析结果、第二水质安全分析结果和食品操作安全结果生成待检测食品对应的食品卫生结果。涉及的维度更加全面，因此进行食品安全检测也更准确。因此本发明提出的基于生产环境的食品卫生检测装置，可以解决解决食品卫生检测的准确度较低的问题。
如图3所示，是本发明一实施例提供的实现基于生产环境的食品卫生检测方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信接口12和总线13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于生产环境的食品卫生检测程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于生产环境的食品卫生检测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如基于生产环境的食品卫生检测程序等），以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述通信接口12用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
所述总线13可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地，该电子设备还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的基于生产环境的食品卫生检测程序是多个指令的组合，在所述处理器10中运行时，可以实现：
利用预构建的训练图片集对初始作业规范检测模型进行模型训练，得到标准作业规范检测模型，其中，所述初始作业规范检测模型是将注意力机制集成模块添加到预设骨干网络中得到；
获取待检测食品的生产视频及所述待检测食品所在车间的生产环境数据，并提取出所述生产视频中的操作人员关键帧；
基于所述标准作业规范检测模型对所述操作人员关键帧进行作业规范检测，得到作业规范检测结果，并统计所述作业规范检测结果中规范操作的人数，根据规范操作的人数与预设安全参考库中的参考数据进行对比，将对比得到的对比结果作为食品操作安全结果；
提取出所述生产环境数据中的水质环境数据和消毒环境数据，计算所述水质环境数据的功率谱，并基于所述功率谱对所述水质环境数据进行周期性安全分析，得到第一水质安全分析结果；
根据预设的小波系数计算公式计算所述水质环境数据对应的小波系数值，构建以所述水质环境数据为横轴，所述小波系数值为纵轴的小波变换区域图，分析所述小波变换区域图中的变换趋势，并生成与所述变换趋势对应的第二水质安全分析结果；
基于卫生参考标准对所述消毒环境数据进行消毒检查，得到消毒情况报告，并基于所述消毒情况报告、所述第一水质安全分析结果、所述第二水质安全分析结果和所述食品操作安全结果生成所述待检测食品对应的食品卫生结果。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
利用预构建的训练图片集对初始作业规范检测模型进行模型训练，得到标准作业规范检测模型，其中，所述初始作业规范检测模型是将注意力机制集成模块添加到预设骨干网络中得到；
获取待检测食品的生产视频及所述待检测食品所在车间的生产环境数据，并提取出所述生产视频中的操作人员关键帧；
基于所述标准作业规范检测模型对所述操作人员关键帧进行作业规范检测，得到作业规范检测结果，并统计所述作业规范检测结果中规范操作的人数，根据规范操作的人数与预设安全参考库中的参考数据进行对比，将对比得到的对比结果作为食品操作安全结果；
提取出所述生产环境数据中的水质环境数据和消毒环境数据，计算所述水质环境数据的功率谱，并基于所述功率谱对所述水质环境数据进行周期性安全分析，得到第一水质安全分析结果；
根据预设的小波系数计算公式计算所述水质环境数据对应的小波系数值，构建以所述水质环境数据为横轴，所述小波系数值为纵轴的小波变换区域图，分析所述小波变换区域图中的变换趋势，并生成与所述变换趋势对应的第二水质安全分析结果；
基于卫生参考标准对所述消毒环境数据进行消毒检查，得到消毒情况报告，并基于所述消毒情况报告、所述第一水质安全分析结果、所述第二水质安全分析结果和所述食品操作安全结果生成所述待检测食品对应的食品卫生结果。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种基于生产环境的食品卫生检测方法，其特征在于，所述方法包括：
利用预构建的训练图片集对初始作业规范检测模型进行模型训练，得到标准作业规范检测模型，其中，所述初始作业规范检测模型是将注意力机制集成模块添加到预设骨干网络中得到；
获取待检测食品的生产视频及所述待检测食品所在车间的生产环境数据，并提取出所述生产视频中的操作人员关键帧；
基于所述标准作业规范检测模型对所述操作人员关键帧进行作业规范检测，得到作业规范检测结果，并统计所述作业规范检测结果中规范操作的人数，根据规范操作的人数与预设安全参考库中的参考数据进行对比，将对比得到的对比结果作为食品操作安全结果；
提取出所述生产环境数据中的水质环境数据和消毒环境数据，根据所述水质环境数据和所述水质环境数据对应的获取时间构建水质时间序列，对所述水质时间序列进行预加重处理、分帧处理、加窗处理以及快速傅里叶变换，得到所述水质时间序列的短时频谱，利用预设的功率谱计算公式对所述短时频谱取模平方，得到所述水质时间序列的功率谱，并基于所述功率谱对所述水质环境数据进行周期性安全分析，得到第一水质安全分析结果；
根据预设的小波系数计算公式计算所述水质环境数据对应的小波系数值，构建以所述水质环境数据为横轴，所述小波系数值为纵轴的小波变换区域图，分析所述小波变换区域图中的变换趋势，并生成与所述变换趋势对应的第二水质安全分析结果；
基于卫生参考标准对所述消毒环境数据进行消毒检查，得到消毒情况报告，并基于所述消毒情况报告、所述第一水质安全分析结果、所述第二水质安全分析结果和所述食品操作安全结果生成所述待检测食品对应的食品卫生结果。
2.如权利要求1所述的基于生产环境的食品卫生检测方法，其特征在于，所述预设的功率谱计算公式为：
其中，s(k)为短时频谱，p(k)为功率谱，N为所述短时频谱中帧的大小，k为短时频谱上的预设固定参数。
3.如权利要求1所述的基于生产环境的食品卫生检测方法，其特征在于，所述预设的小波系数计算公式为：
其中，Cx(t)为所述水质环境数据对应的小波系数值，x(t)为所述水质环境数据，t为所述水质环境数据对应的水质时间序列采样区间，a为预设的尺度参数，b为预设的平移位置参数，N为所述水质环境数据的数据总数，ψ为预设的小波系数函数。
4.如权利要求1所述的基于生产环境的食品卫生检测方法，其特征在于，所述提取出所述生产视频中的操作人员关键帧，包括：
以预设周期作为抽取频率抽取所述生产视频中的多个视频帧，并提取所述生产视频中的人员标签；
从各个视频帧中提取人脸特征，基于人脸分类模型对所述人脸特征进行分类，得到对应的人员分类；
从所述视频帧中确定与所述人员标签及所述人员分类一致的视频帧作为操作人员关键帧。
5.如权利要求1所述的基于生产环境的食品卫生检测方法，其特征在于，所述利用预构建的训练图片集对初始作业规范检测模型进行模型训练，得到标准作业规范检测模型，包括：
对所述训练图片集进行数据标注，得到标注数据集，其中，所述训练图片集为多张包含作业操作场景的图片；
将所述标注数据集输入至所述初始作业规范检测模型中，得到规范佩戴情况；
统计所述规范佩戴情况中的规范佩戴个数，并计算所述规范佩戴个数与预设真实个数之间的误差值；
当所述误差值小于或者等于预设参考阈值时，将所述初始作业规范检测模型输出为标准作业规范检测模型；
当所述误差值大于预设参考阈值时，对所述初始作业规范检测模型进行参数调整，并重新执行作业规范检测处理，直至当所述误差值小于或者等于预设参考阈值时，将调整参数后的初始作业规范检测模型输出为标准作业规范检测模型。
6.如权利要求1所述的基于生产环境的食品卫生检测方法，其特征在于，所述利用预构建的训练图片集对初始作业规范检测模型进行模型训练之前，所述方法还包括：
随机读取预先获取的历史生产图像集中的预设个数的生产操作环境图像，对所述生产操作环境图像进行缩放及色域变化处理，得到多张标准图像；
将所述标准图像按照方向位置组合为增强图像集，并将所述增强图像集作为训练图片集。
7.一种基于生产环境的食品卫生检测装置，其特征在于，所述装置包括：
模型训练模块，用于利用预构建的训练图片集对初始作业规范检测模型进行模型训练，得到标准作业规范检测模型，其中，所述初始作业规范检测模型是将注意力机制集成模块添加到预设骨干网络中得到；
操作结果生成模块，用于获取待检测食品的生产视频及所述待检测食品所在车间的生产环境数据，并提取出所述生产视频中的操作人员关键帧，基于所述标准作业规范检测模型对所述操作人员关键帧进行作业规范检测，得到作业规范检测结果，并统计所述作业规范检测结果中规范操作的人数，根据规范操作的人数与预设安全参考库中的参考数据进行对比，将对比得到的对比结果作为食品操作安全结果；
水质结果生成模块，用于提取出所述生产环境数据中的水质环境数据和消毒环境数据，根据所述水质环境数据和所述水质环境数据对应的获取时间构建水质时间序列，对所述水质时间序列进行预加重处理、分帧处理、加窗处理以及快速傅里叶变换，得到所述水质时间序列的短时频谱，利用预设的功率谱计算公式对所述短时频谱取模平方，得到所述水质时间序列的功率谱，并基于所述功率谱对所述水质环境数据进行周期性安全分析，得到第一水质安全分析结果，根据预设的小波系数计算公式计算所述水质环境数据对应的小波系数值，构建以所述水质环境数据为横轴，所述小波系数值为纵轴的小波变换区域图，分析所述小波变换区域图中的变换趋势，并生成与所述变换趋势对应的第二水质安全分析结果；
卫生结果生成模块，用于基于卫生参考标准对所述消毒环境数据进行消毒检查，得到消毒情况报告，并基于所述消毒情况报告、所述第一水质安全分析结果、所述第二水质安全分析结果和所述食品操作安全结果生成所述待检测食品对应的食品卫生结果。
8.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任意一项所述的基于生产环境的食品卫生检测方法。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的基于生产环境的食品卫生检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310100472.3A CN116109977B (zh) | 2023-02-12 | 2023-02-12 | 基于生产环境的食品卫生检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310100472.3A CN116109977B (zh) | 2023-02-12 | 2023-02-12 | 基于生产环境的食品卫生检测方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116109977A CN116109977A (zh) | 2023-05-12 |
| CN116109977B true CN116109977B (zh) | 2023-09-01 |
Family
ID=86267106
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310100472.3A Active CN116109977B (zh) | 2023-02-12 | 2023-02-12 | 基于生产环境的食品卫生检测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116109977B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117475431B (zh) * | 2023-12-27 | 2024-03-15 | 君华高科集团有限公司 | 一种基于数字孪生技术的食品安全监管方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108108889A (zh) * | 2017-12-18 | 2018-06-01 | 杭州电子科技大学 | 一种水质监测数据在线处理方法及装置 |
| CN109566478A (zh) * | 2018-10-18 | 2019-04-05 | 厦门大学 | 水产养殖生物体健康状态的在线监测方法 |
| CN111798337A (zh) * | 2020-05-22 | 2020-10-20 | 平安国际智慧城市科技股份有限公司 | 餐饮企业的环境卫生监管方法、装置、设备及存储介质 |
| CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
| CN113128105A (zh) * | 2021-03-31 | 2021-07-16 | 北京工业大学 | 突发性流域水污染事故监测方法及装置 |
| US11352013B1 (en) * | 2020-11-13 | 2022-06-07 | Samsara Inc. | Refining event triggers using machine learning model feedback |
| CN114925891A (zh) * | 2022-05-07 | 2022-08-19 | 新智道枢(上海)科技有限公司 | 基于小波分析与混合模型的用水量趋势预测方法和系统 |
| CN115565101A (zh) * | 2022-09-15 | 2023-01-03 | 中国安全生产科学研究院 | 一种生产安全异常识别方法、装置、电子设备及存储介质 |
-
2023
- 2023-02-12 CN CN202310100472.3A patent/CN116109977B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108108889A (zh) * | 2017-12-18 | 2018-06-01 | 杭州电子科技大学 | 一种水质监测数据在线处理方法及装置 |
| CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
| CN109566478A (zh) * | 2018-10-18 | 2019-04-05 | 厦门大学 | 水产养殖生物体健康状态的在线监测方法 |
| CN111798337A (zh) * | 2020-05-22 | 2020-10-20 | 平安国际智慧城市科技股份有限公司 | 餐饮企业的环境卫生监管方法、装置、设备及存储介质 |
| US11352013B1 (en) * | 2020-11-13 | 2022-06-07 | Samsara Inc. | Refining event triggers using machine learning model feedback |
| CN113128105A (zh) * | 2021-03-31 | 2021-07-16 | 北京工业大学 | 突发性流域水污染事故监测方法及装置 |
| CN114925891A (zh) * | 2022-05-07 | 2022-08-19 | 新智道枢(上海)科技有限公司 | 基于小波分析与混合模型的用水量趋势预测方法和系统 |
| CN115565101A (zh) * | 2022-09-15 | 2023-01-03 | 中国安全生产科学研究院 | 一种生产安全异常识别方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116109977A (zh) | 2023-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113159147B (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
| CN113283446B (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
| CN113592019B (zh) | 基于多模型融合的故障检测方法、装置、设备及介质 | |
| CN111770317B (zh) | 用于智慧社区的视频监控方法、装置、设备及介质 | |
| CN116630766B (zh) | 一种多源信息数据处理系统、方法及设备 | |
| WO2021068781A1 (zh) | 一种疲劳状态识别方法、装置和设备 | |
| CN112580684B (zh) | 基于半监督学习的目标检测方法、装置及存储介质 | |
| CN116109977B (zh) | 基于生产环境的食品卫生检测方法、装置、设备及介质 | |
| CN116311539B (zh) | 基于毫米波的睡眠动作捕捉方法、装置、设备及存储介质 | |
| CN114066534A (zh) | 基于人工智能的电梯广告投送方法、装置、设备及介质 | |
| CN116681923A (zh) | 一种基于人工智能的眼科疾病自动分类方法及系统 | |
| CN113434575B (zh) | 基于数据仓库的数据归因处理方法、装置及存储介质 | |
| CN116313164B (zh) | 抗干扰的睡眠监控方法、装置、设备及存储介质 | |
| CN112885423A (zh) | 疾病标签检测方法、装置、电子设备及存储介质 | |
| CN116841808A (zh) | 多核处理器异常检测方法、装置、电子设备及存储介质 | |
| CN102867214B (zh) | 区域范围内人数统计管理方法 | |
| Hori et al. | A novel identification method using perceptual degree of concordance of occlusal surfaces calculated by a Python program | |
| CN109801394B (zh) | 一种工作人员考勤方法及装置、电子设备和可读存储介质 | |
| CN113792801B (zh) | 人脸炫光程度的检测方法、装置、设备及存储介质 | |
| CN113869269B (zh) | 活动现场拥挤度检测方法、装置、电子设备及存储介质 | |
| CN113255456B (zh) | 非主动活体检测方法、装置、电子设备及存储介质 | |
| CN112541436B (zh) | 专注度分析方法、装置、电子设备及计算机存储介质 | |
| CN116311313A (zh) | 基于人工智能的病历报告单检测方法、装置、设备及介质 | |
| CN114049676A (zh) | 疲劳状态检测方法、装置、设备及存储介质 | |
| CN115601684A (zh) | 突发事件预警方法、装置、电子设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |