论文部分内容阅读
食品卫生安全是影响公众健康和社会福祉的重要因素,食品卫生安全成为人们茶余饭后谈论的焦点问题,虽然人们的关注逐年提升,但每年由于食用不卫生的食物引起的腹泻等疾病的卫生事故还是源源不断的发生,并且逐年攀升。食品卫生安全监测工作中的检测项目众多,需要的监管和检测人员比较多。随着先进的管理理念和信息技术不断发展,食品安全监督管理和厨房视频监控系统建设为食品监督管理部门和相关机构提供食品卫生安全监督的相对透明化、智能化的信息基础数据,使食品卫生安全监督管理达到新的高度。在对厨房人员卫生情况智能监控检测的过程中,必然会遇到工作人员脸部厨师帽和口罩遮挡的问题,而怎样解决有遮挡的人脸识别问题则是本研究的关键。人脸遮挡造成的问题不仅仅是某些面部上的器官被不明物体遮挡,最重要的是它会使人脸关键性特征无法完整而精确的提取出来,导致图像信息的丢失。本文研究基于机器学习的厨房人员智能监控算法,先在厨房门口采集人脸图片信息,识别穿戴厨师帽和口罩的情况,在穿戴完整的情况下予以进入。工作期间对各个人员进行实时检测是否违规摘下厨师帽和口罩,并给以警示。主要研究内容及结论如下:(1)对采集的人脸图片先使用支持向量机进行的穿戴厨师帽和口罩的分类,将人脸图像分为厨师帽口罩皆戴、只戴厨师帽、只戴口罩、厨师帽口罩皆没戴四类。然后利用ULBP算子对人脸图像进行降维映射,把人脸图像划分成25个子图像块,将各个子图像块的一维信息熵值权重对应加权到子图像块提取的特征中。最后用深度置信网络(DBN)对人脸进行有遮挡的人脸识别分类,检测识别厨房人员信息。本文采用的基于加权信息熵的LBP深度置信网络(EWLBPDBN)的人脸识别方法平均准确率为96.47%。(2)本文采用基于布谷鸟搜索算法和高斯混合模型(CSGMM)的视频目标检测算法,对厨房内部工作期间视频进行目标检测。该方法将布谷鸟搜索算法引入高斯混合背景建模中,寻找合适的学习率和前景阈值,在检测运动目标时较传统高斯混合模型而言,更加细致、精确,达到了较好的检测效果。不仅明显提升了运动物体检测效果的完整性,同时也增强了背景的描述精度。(3)在厨房工作区域内检测工作人员违规摘下口罩的情况。利用(2)中的CSGMM算法改进Faster-RCNN卷积神经网络,以达到去除复杂背景的干扰,提高Faster-RCNN检测精度的目的。本文采用的算法取得了较高的mask人脸检测的精准率和召回率,与其它检测算法相比具有优秀的性能,基本满足了厨房视频检测的需求。