(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211037125.2 (22)申请日 2022.08.29 (71)申请人 君华高科集团有限公司 地址 625199 四川省雅 安市经济开发区滨 河东路3号 (72)发明人 王欢　张文壮　杨术海　潘海军　 (74)专利代理 机构 深圳腾文知识产权代理有限 公司 44680 专利代理师 刘洵 (51)Int.Cl. G06V 20/40(2022.01) G06V 20/52(2022.01) G06V 40/10(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01)G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种后厨食品安全实时监管的方法及系统 (57)摘要 本申请公开了一种后厨食品安全实时监管 的方法及系统， 用于解决由于遮挡导致的饮食安 全下降的问题。 本申请方法包括： 根据后厨区域 视频获取后厨区域图像； 将后厨区域图像输入训 练完成的目标判别网络模型中； 通过特征提取基 层提取后厨区域图像的人物特征； 将人物特征依 次输入N个残差模型层， 生成第一残差参数、 第二 残差参数至第N残差参数； 通过残差融合层对第 一残差参数至第N残差参数依次融合， 生成目标 残差； 将目标残差通过全局平均池化层和计算模 块进行分类计算， 生成后厨区域图像 符合各个出 入规则的概率值集合； 根据概率值集合确定后厨 区域图像中对应人物的出入规则符合结果。 权利要求书4页 说明书20页 附图10页 CN 115100583 A 2022.09.23 CN 115100583 A 1.一种后厨食品安全实时监管的方法， 其特 征在于， 包括： 根据后厨区域视频获取后厨区域图像， 所述后厨区域图像为在后厨管理范围内的图 像； 将所述后厨区域图像输入训练完成的目标判别网络模型中， 所述目标判别网络模型包 括一个特征提取基层、 至少五个残差模 型层、 残差融合层、 一个全局平均池化层和一个计算 模块， 所述特征提取基层由三组3*3卷积层 ‑归一化层串联排列构成， 所述残差模型层由两 组卷积层 ‑归一化层串联排列后并联一组卷积层 ‑归一化层最后和一个最大池化层串联排 列构成； 通过所述特征提取基层提取所述后厨区域图像的人物特征， 所述人物特征包括人脸特 征、 口罩特 征、 厨师服特 征； 将所述人物特征依次输入第一个残差模型层， 生成所述后厨区域图像的第一残差参 数； 将所述第一残差参数输入第二个残差模型层， 生成所述后厨区域图像的第二残差参 数； 将所述第N ‑1残差参数输入第N个残差模型层， 生成所述后厨区域图像的第N残差参数； 通过所述残差融合层对所述第一残差参数至所述第N残差参数依次融合， 生成目标残 差； 将所述目标残差通过所述全局平均池化层和所述计算模块进行分类计算， 生成所述后 厨区域图像符合各个出入规则的概 率值集合； 根据所述 概率值集合确定所述后厨区域图像中对应人物的出入规则符合结果。 2.根据权利要求1所述的方法， 其特征在于， 在所述根据后厨区域视频获取后厨区域图 像之前， 所述方法还 包括： 获取后厨训练样本集， 所述后厨训练样本集中包含至少两张后厨人员穿戴完整的样本 图像和穿戴不完整的样本图像， 所述穿戴不完整的样本图像标记了不符合的出入规则的目 标预测值； 构建初始判别网络模型， 所述初始判别网络模型包括一个特征提取基层、 至少 五个残 差模型层、 残差融合层、 一个全局平均池化层和一个计算模块， 所述特征提取基层由两组3* 3卷积层‑归一化层串联排列构成， 所述残差模型层由两组卷积层 ‑归一化层串联排列后并 联一组卷积层 ‑归一化层最后和一个最大池化层串联排列构成； 从所述后厨训练样本集中选取训练样本， 并将所述训练样本输入所述初始判别网络模 型中； 通过所述特征提取基层、 至少 五个残差模型层、 所述残差融合层对所述训练样本进行 残差的提取与融合， 生成训练残差； 将所述训练残差通过所述全局平均池化层和所述计算模块进行分类计算， 生成所述训 练样本符合各个出入规则的概 率值集合； 根据所述概率值集合、 目标预测值和所述初始判别网络模型的预设损失函数计算损失 值， 以生成损失值变化数据， 所述损失值变化数据为每一次训练生成的损失值的统计数据； 判断所述损失值变化数据在预设区间内的损失值是否收敛于 0； 若所述损 失值变化数据在预设区间内的损 失值收敛于0， 则确定所述初始判别网络模权　利　要　求　书 1/4 页 2 CN 115100583 A 2型为目标判别网络模型。 3.根据权利要求2所述的方法， 其特征在于， 在所述判断所述损失值变化数据在预设区 间内的损失值是否收敛于 0之后， 所述方法还 包括： 若所述损 失值变化数据在预设区间内的损 失值不收敛于0， 则判断所述训练样本的训 练次数是否达标； 若所述训练样本的训练次数达标， 根据小批梯度 下降法更新所述初始判别网络模型的 权重， 从所述后厨训练样本集中重新选取训练样本 输入所述初始判别网络模型中训练； 若所述训练样本的训练次数未达标， 则根据小批梯度下降法更新所述初始判别网络模 型的权重， 并将所述训练样本 重新输入所述初始判别网络模型中训练。 4.根据权利要求1至3中任一项所述的方法， 其特征在于， 在所述根据后厨区域视频获 取后厨区域图像之后， 所述方法还 包括： 获取参考 区域图像和所述后厨区域图像对应的后厨红外图像， 所述参考 区域图像为划 分了后厨成员工作区域的图像， 所述工作区域包 含高温工作区域； 根据所述 参考区域图像为所述后厨红外图像进行工作区域的划分； 根据所述后厨红外图像生成明火隐患区域； 为所述明火隐患区域进行警告处 理。 5.根据权利要求4所述的方法， 其特征在于， 所述根据所述后厨红外图像生成明火隐患 区域， 包括： 确定所述后厨红外图像中温度高于预设值的高温区域； 确定所述高温区域的高温类型， 所述高温类型包含明火高温、 香烟高温、 电子设备高温 和机械器具高温； 根据所述高温类型和不处于高温工作区域 生成明火隐患区域。 6.根据权利要求4所述的方法， 其特征在于， 在所述根据后厨区域视频获取后厨区域图 像之后， 所述方法还 包括： 根据所述 参考区域图像为所述后厨区域图像进行工作区域的划分； 根据像素点色度亮度 数据对比所述后厨区域图像和所述参考区域图像中的通道区域， 生成污渍区域； 为所述污 渍区域进行警告处 理。 7.根据权利要求4所述的方法， 其特征在于， 在所述根据 所述参考 区域图像为所述后厨 红外图像进行工作区域的划分之后， 所述方法还 包括： 根据所述后厨红外图像确定存在生物区域， 并根据所述 生物区域划分生物轮廓； 当所述生物轮廓属于鼠类时， 根据 所述生物轮廓的位置对所述后厨区域图像进行生物 种类分析； 当分析结果为鼠类时， 生成鼠类警告。 8.一种后厨食品安全实时监管的系统， 其特 征在于， 包括： 第一获取单元， 用于根据后厨区域视频获取后厨区域图像， 所述后厨区域图像为在后 厨管理范围内的图像； 第一输入单元， 用于将所述后厨区域图像输入训练完成的目标判别网络模型中， 所述 目标判别网络模型包括一个特征提取基层、 至少五个残差模型层、 残差融合层、 一个全局平权　利　要　求　书 2/4 页 3 CN 115100583 A 3