【技术实现步骤摘要】
本专利技术涉及人工智能，尤其涉及一种基于ai视觉的食堂卫生环境监测方法、装置及设备。
技术介绍
1、随着人们对食品安全的重视和需求的不断提高，而食堂是人们日常生活中饮食的主要场所之一，则食堂卫生环境监测成为了热门话题，食堂卫生环境的质量直接关系到人们的身体健康，则需要通过智能监控设备和计算机视觉技术对食堂卫生环境监测，以提高食堂卫生环境监测的准确性。
2、现有的食堂卫生环境监测技术往往是通过人工对食堂卫生的各个角落进行检查，从而保证最大程度上的食堂卫生环境。实际应用中，仅仅通过人们监测可能对食堂卫生监测不细致、导致食堂卫生环境监测不全面，从而对进行食堂卫生环境监测时的精确度较低。
技术实现思路
1、本专利技术提供一种基于ai视觉的食堂卫生环境监测方法、装置及设备，其主要目的在于解决进行食堂卫生环境监测时的精确度的问题。
2、为实现上述目的，本专利技术提供的一种基于ai视觉的食堂卫生环境监测方法，包括：
3、根据预设的食堂卫生需求对预设的目标食堂图像数据进行区域划分，得到食堂卫生类别区域；
4、利用预设的菱形边框检测算法检测所述食堂卫生类别区域内目标物的目标边界框，通过预设的双重细节优化算法对所述目标边界框进行边界框细节优化，得到目标细节边界框；
5、通过预设的双向置信值算法计算所述目标细节边界框内目标物的类别置信值，提取所述目标细节边界框的边界框属性值，根据所述类别置信值及所述边界框属性值确定所述目标物的多维物品特征；p>
6、对所述多维物品特征进行向量化，得到多维物品特征向量，根据所述多维物品特征向量与预设多维卫生环境属性生成目标食堂的卫生环境评分函数，其中，所述卫生环境评分函数为：其中，为目标食堂的卫生环境评分，为卫生特征种类控制因子，为所述多维物品特征向量中的属性特征向量值，为所述多维物品特征向量中的纹理特征向量值，为所述多维物品特征向量中的颜色特征向量值，为清洁度控制因子，为新鲜度控制因子，为纹理特征优化因子，为颜色特征优化因子，为卫生清洁度阈值，为卫生食品新鲜度阈值，为第个卫生环境约束因子，为约束因子数量；
7、提取预设的实时食堂图像数据的多维实时物品特征，利用所述卫生环境评分函数计算所述多维实时物品特征的多维特征评分值，根据所述多维特征评分值及所述多维实时物品特征生成食堂的卫生环境监测矩阵。
8、可选地，所述根据预设的食堂卫生需求对预设的目标食堂图像数据进行区域划分，得到食堂卫生类别区域，包括：
9、提取所述食堂卫生需求的卫生需求种类；
10、根据所述卫生需求种类对所述目标食堂图像数据中的卫生环境区域进行初次划分，得到初始卫生类别区域；
11、提取所述卫生需求种类的突出种类特征，计算所述突出种类特征与所述初始卫生类别区域的包含值，其中所述包含值计算公式为：其中，为第个初始卫生类别区域的包含值，为第个初始卫生类别区域中的种类特征与所述突出种类特征相同的特征数量，第个初始卫生类别区域中的总特征数量；
12、当所述包含值大于或等于预设的包含阈值时，将所述初始卫生类别区域划分为食堂卫生类别区域；
13、当所述包含值小于预设的包含阈值时，对所述初始卫生类别区域进行膨胀操作，得到食堂卫生类别区域。
14、可选地，所述利用预设的菱形边框检测算法检测所述食堂卫生类别区域内目标物的目标边界框，包括：
15、对所述食堂卫生类别区域进行灰度化处理，得到灰度化卫生类别区域；
16、提取所述灰度化卫生类别区域中的背景像素点及前景像素点；
17、利用如下所述菱形边框检测算法根据所述背景像素点及所述前景像素点计算所述食堂卫生类别区域内目标物的菱形分割阈值：其中，为所述菱形分割阈值，为所述前景像素点占总像素点的前景像素比例，为所述背景像素点占总像素点的背景像素比例，为所述前景像素点的灰度平均值，为所述背景像素点的灰度平均值；
18、根据所述菱形分割阈值标记所述目标物的目标边界框。
19、可选地，所述通过预设的双重细节优化算法对所述目标边界框进行边界框细节优化，得到目标细节边界框，包括：
20、根据所述目标边界框中的目标物与预设的目标参照物进行尺寸比对，得到尺寸比对值；
21、通过如下所述双重细节优化算法根据所述尺寸比对值进行双重优化，得到目标细节边界框：其中，为所述目标细节边界框，为所述目标参照物的边界框，为所述目标边界框，为所述尺寸比对值。
22、可选地，所述通过预设的双向置信值算法计算所述目标细节边界框内目标物的类别置信值，包括：
23、按照预设的像素阈值提取所述目标细节边界框的前向区域像素特征；
24、提取所述目标细节边界框的后向区域像素特征；
25、根据所述前向区域像素特征及所述后向区域像素特征确定目标物的目标类型概率；
26、通过如下所述双向置信值算法根据所述目标类型概率计算所述目标物的类别置信值：其中，为第个目标细节边界框内目标物的类别置信值，为类别置信修正因子，为第个目标细节边界框内目标物的目标类型概率。
27、可选地，所述根据所述类别置信值及所述边界框属性值确定所述目标物的多维物品特征，包括：
28、根据所述类别置信值确定所述目标细节边界框内的类别因子；
29、根据所述类别因子、所述目标类型概率及所述边界框属性值生成所述目标物的属性特征；
30、根据所述类别因子提取所述目标物的纹理特征及颜色特征；
31、将所述属性特征、所述纹理特征及所述颜色特征进行拼接，得到所述目标物的多维物品特征。
32、可选地，所述利用所述卫生环境评分函数计算所述多维实时物品特征的多维特征评分值，包括：
33、将所述多维实时物品特征进行向量化，得到多维实时物品特征向量；
34、将所述多维实时物品特征向量输入至所述卫生环境评分函数中，得到所述多维特征评分值。
35、可选地，所述根据所述多维特征评分值及所述多维实时物品特征生成食堂的卫生环境监测矩阵，包括：
36、提取所述多维实时物品特征的特征属性；
37、将所述多维特征评分值与所述特征属性进行映射，得到评分特征映射关系；
38、根据所述评分特征映射关系生成食堂的卫生环境监测矩阵。
39、为了解决上述问题，本专利技术还提供一种基于ai视觉的食堂卫生环境监测装置，所述装置包括：
40、区域划分模块，用于根据预设的食堂卫生需求对预设的目标食堂图像数据进行区域划分，得到食堂卫生类别区域；
41、边界框细节优化模块，用于利用预设的菱形边框检测算法检测所述食堂卫生类别区域内目标物的目标边界框，通过预设的双重细节优化算法对所述目标边界框进行边界框细节优化，得到目标细节边界框；
42、多维物品特征提取模块，用于通过预设的双向置信值算法本文档来自技高网...
【技术保护点】
1.一种基于AI视觉的食堂卫生环境监测方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于AI视觉的食堂卫生环境监测方法，其特征在于，所述根据预设的食堂卫生需求对预设的目标食堂图像数据进行区域划分，得到食堂卫生类别区域，包括：
3.如权利要求1所述的基于AI视觉的食堂卫生环境监测方法，其特征在于，所述利用预设的菱形边框检测算法检测所述食堂卫生类别区域内目标物的目标边界框，包括：
4.如权利要求1所述的基于AI视觉的食堂卫生环境监测方法，其特征在于，所述通过预设的双重细节优化算法对所述目标边界框进行边界框细节优化，得到目标细节边界框，包括：
5.如权利要求1所述的基于AI视觉的食堂卫生环境监测方法，其特征在于，所述通过预设的双向置信值算法计算所述目标细节边界框内目标物的类别置信值，包括：
6.如权利要求5所述的基于AI视觉的食堂卫生环境监测方法，其特征在于，所述根据所述类别置信值及所述边界框属性值确定所述目标物的多维物品特征，包括：
7.如权利要求1所述的基于AI视觉的食堂卫生环境监测方法，其特征在于，
8.如权利要求1所述的基于AI视觉的食堂卫生环境监测方法，其特征在于，所述根据所述多维特征评分值及所述多维实时物品特征生成食堂的卫生环境监测矩阵，包括：
9.一种基于AI视觉的食堂卫生环境监测装置，其特征在于，所述装置包括：
10.一种电子设备，其特征在于，所述电子设备包括：
...【技术特征摘要】
1.一种基于ai视觉的食堂卫生环境监测方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于ai视觉的食堂卫生环境监测方法，其特征在于，所述根据预设的食堂卫生需求对预设的目标食堂图像数据进行区域划分，得到食堂卫生类别区域，包括：
3.如权利要求1所述的基于ai视觉的食堂卫生环境监测方法，其特征在于，所述利用预设的菱形边框检测算法检测所述食堂卫生类别区域内目标物的目标边界框，包括：
4.如权利要求1所述的基于ai视觉的食堂卫生环境监测方法，其特征在于，所述通过预设的双重细节优化算法对所述目标边界框进行边界框细节优化，得到目标细节边界框，包括：
5.如权利要求1所述的基于ai视觉的食堂卫生环境监测方法，其特征在于，所述通过预设的双向置...
【专利技术属性】
技术研发人员：赵前春，
申请(专利权)人：成都前宏科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。