CN111539346A - 一种食品质量检测方法及装置 - Google Patents

一种食品质量检测方法及装置 Download PDF

Info

Publication number
CN111539346A
CN111539346A CN202010342011.3A CN202010342011A CN111539346A CN 111539346 A CN111539346 A CN 111539346A CN 202010342011 A CN202010342011 A CN 202010342011A CN 111539346 A CN111539346 A CN 111539346A
Authority
CN
China
Prior art keywords
food
video
identification result
making
video frame
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.)
Withdrawn
Application number
CN202010342011.3A
Other languages
English (en)
Inventor
李明辉
梁志婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Minglue Artificial Intelligence Group Co Ltd
Original Assignee
Shanghai Minglue Artificial Intelligence Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Minglue Artificial Intelligence Group Co Ltd filed Critical Shanghai Minglue Artificial Intelligence Group Co Ltd
Priority to CN202010342011.3A priority Critical patent/CN111539346A/zh
Publication of CN111539346A publication Critical patent/CN111539346A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供一种食品质量检测方法及装置，涉及食品健康技术领域，该方法包括：获取待检测食品的制作视频；对制作视频进行识别得到识别结果；识别结果包括待检测食品的名称、所用食材以及食材数量；根据预设的食品用料检测模型判断识别结果是否符合预设的食品用料标准；当识别结果不符合食品用料标准时，根据制作视频生成不合格食品记录。可见，实施这种实施方式，能够准确对食品质量进行检测，从而降低人力成本，提高食品检测效率。

Description

一种食品质量检测方法及装置
技术领域
本申请涉及食品健康技术领域，具体而言，涉及一种食品质量检测方法及装置。
背景技术
目前，随着科技技术的不断发展，在餐饮行业，人们引入了监控设备以保障食品质量问题。然而，在实践中发现，现有的监控方法中通常需要管理人员对监控视频一一核查才能知道具体的食品质量问题，从而使得人力成本较大且效率较低。
发明内容
本申请实施例的目的在于提供一种食品质量检测方法及装置，能够准确对食品质量进行检测，从而降低人力成本，提高食品检测效率。
本申请实施例第一方面提供了一种食品质量检测方法，所述食品质量检测方法包括：
获取待检测食品的制作视频；
对所述制作视频进行识别得到识别结果；所述识别结果包括所述待检测食品的名称、所用食材以及食材数量；
根据预设的食品用料检测模型判断所述识别结果是否符合预设的食品用料标准；
当所述识别结果不符合所述食品用料标准时，根据所述制作视频生成不合格食品记录。
在上述实现过程中，该食品质量检测方法可以优先获取待检测食品的制作视频，该制作视频可以包括食品制作过程的视频和制作人视频，具体的该制作人视频可以用于表示制作人的制作流程和制作人的身份信息；然后，再对制作视频进行识别得到包括待检测食品的名称、所用食材以及食材数量的识别结果；然后再根据预设的食品用料检测模型判断识别结果是否符合预设的食品用料标准；并在识别结果不符合食品用料标准时，根据制作视频生成不合格食品记录。可见，实施这种实施方式，能够根据食品制作过程中的制作视频和预设的食品用料标准来进行食品质量的高精度检测，从而获取到准确的食品质量记录，进而降低人力成本，提高食品检测效率。
进一步地，所述对所述制作视频进行识别得到识别结果的步骤包括：
对所述制作视频进行预处理，得到视频帧集合；
判断所述视频帧集合是否包括食品制作帧；
当所述视频帧集合包括所述食品制作帧时，对所述视频帧集合进行识别处理，得到识别结果。
在上述实现过程中，该方法在对制作视频进行识别得到识别结果的过程中，优先对制作视频进行预处理，得到视频帧集合；然后再根据视频帧集合进行是否包括食品制作帧的判断；并在视频帧集合包括食品制作帧时，对视频帧集合进行识别处理，得到识别结果。可见，实施这种实施方式，能够对制作视频进行进一步细化，使得该识别结果的获取过程精确到每帧图像的程度，进而提高识别结果的获取精度，从而提高食品质量检测的精度。
进一步地，所述判断所述视频帧集合是否包括食品制作帧的步骤包括：
获取所述视频帧集合包括的第一视频帧；
判断所述第一视频帧是否为食品制作帧；
当所述第一视频帧为食品制作帧时，确定所述视频帧集合包括所述食品制作帧。
在上述实现过程中，该方法在判断视频帧集合是否包括食品制作帧的过程中，可优先获取视频帧集合包括的第一视频帧；然后判断第一视频帧是否为食品制作帧；并在第一视频帧为食品制作帧时，确定视频帧集合包括食品制作帧。可见，实施这种实施方式，能够获取首位视频帧，然后根据首位视频帧进行视频粗判断，从而在视频帧不为食品制作帧时，避免后续识别过程的进行，从而提高了该种食品质量检测方法的识别效果，并提高了该种食品质量检测方法识别效率，节省了非食品的食品质量检测的时间。
进一步地，所述对所述视频帧集合进行识别处理，得到识别结果的步骤包括：
获取所述视频帧集合包括其余视频帧；所述视频帧集合包括所述第一视频帧和所述其余视频帧；
对所述其余视频帧进行识别处理，得到识别结果。
在上述实现过程中，该方法在对视频帧集合进行识别处理，得到识别结果的过程中，该方法可以优先获取视频帧集合包括其余视频帧；其中，视频帧集合包括第一视频帧和其余视频帧；最后，再对其余视频帧进行识别处理，得到识别结果。可见，实施这种实施方式，能够将视频帧集合划分为第一视频帧和其余视频帧，使得第一视频帧可以用于判断食品检测方法的检测对象是否为食品，并在上述检测对象为食品时，对后续具有高信息内容的其余视频帧进行高精度识别，从而实现了粗识别和精识别的融合，进而提高了识别结果的获取效率和精度。
进一步地，所述当所述识别结果不符合所述食品用料标准时，根据所述制作视频生成不合格食品记录的步骤包括：
当所述识别结果不符合所述食品用料标准时，获取与所述制作视频对应的制作人身份信息；
根据所述制作视频和所述制作人身份信息生成不合格食品记录。
在上述实现过程中，该方法在识别结果不符合食品用料标准时，根据制作视频生成不合格食品记录的过程中，可以优先在识别结果不符合食品用料标准时，获取与制作视频对应的制作人身份信息；然后再根据制作视频和制作人身份信息生成不合格食品记录。可见，实施这种实施方式，能够在食品质量检测不通过时，获取制作人身份信息，从而使得该制作人身份信息和制作视频、识别结果相绑定，从而生成高信息度的不合格食品记录，进而提高食品质量检测的信息简并度，提高食品质量检测效果。
本申请实施例第二方面提供了一种食品质量检测装置，所述食品质量检测装置包括：
获取单元，用于获取待检测食品的制作视频；
识别单元，用于对所述制作视频进行识别得到识别结果；所述识别结果包括所述待检测食品的名称、所用食材以及食材数量；
判断单元，用于根据预设的食品用料检测模型判断所述识别结果是否符合预设的食品用料标准；
生成单元，用于在所述识别结果不符合所述食品用料标准时，根据所述制作视频生成不合格食品记录。
在上述实现过程中，该食品质量检测装置可以通过获取单元来获取待检测食品的制作视频；通过识别单元来对制作视频进行识别得到识别结果；识别结果包括待检测食品的名称、所用食材以及食材数量；通过判断单元来根据预设的食品用料检测模型判断识别结果是否符合预设的食品用料标准；再通过生成单元来在识别结果不符合食品用料标准时，根据制作视频生成不合格食品记录。可见，实施这种实施方式，能够根据食品制作过程中的制作视频和预设的食品用料标准来进行食品质量的高精度检测，从而获取到准确的食品质量记录，进而降低人力成本，提高食品检测效率；另一方面，该食品质量检测装置能够通过多个单元的协同工作提高食品检测的效率和稳定性，从而实现高效、高准确度的食品检测。
进一步地，所述识别单元包括：
预处理子单元，用于对所述制作视频进行预处理，得到视频帧集合；
判断子单元，用于判断所述视频帧集合是否包括食品制作帧；
识别子单元，用于在所述视频帧集合包括所述食品制作帧时，对所述视频帧集合进行识别处理，得到识别结果。
在上述实现过程中，该食品质量检测装置包括的识别单元可以通过预处理子单元来对制作视频进行预处理，得到视频帧集合；通过判断子单元来判断视频帧集合是否包括食品制作帧；通过识别子单元来在视频帧集合包括食品制作帧时，对视频帧集合进行识别处理，得到识别结果。可见，实施这种实施方式，能够通过多个子单元对制作视频进行进一步流程细化，使得上述识别结果的获取过程精确到每帧图像的程度，进而提高最终识别结果的获取精度，从而提高食品质量检测的整体精确度。
进一步地，所述生成单元包括：
获取子单元，用于在所述识别结果不符合所述食品用料标准时，获取与所述制作视频对应的制作人身份信息；
生成子单元，用于根据所述制作视频和所述制作人身份信息生成不合格食品记录。
在上述实现过程中，上述生成单元可以通过获取子单元来在识别结果不符合食品用料标准时，获取与制作视频对应的制作人身份信息；再通过生成子单元来根据制作视频和制作人身份信息生成不合格食品记录。可见，实施这种实施方式，该食品质量检测装置能够在食品质量检测不通过时，获取制作人身份信息，从而使得该制作人身份信息和制作视频、识别结果相绑定，从而生成高信息度的不合格食品记录，进而提高食品质量检测的信息简并度，提高食品质量检测效果。
本申请实施例第三方面提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本申请实施例第一方面中任一项所述的食品质量检测方法。
本申请实施例第四方面提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本申请实施例第一方面中任一项所述的食品质量检测方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种食品质量检测方法的流程示意图；
图2为本申请实施例提供的另一种食品质量检测方法的流程示意图；
图3为本申请实施例提供的一种食品质量检测装置的结构示意图；
图4为本申请实施例提供的另一种食品质量检测装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
请参看图1，图1为本申请实施例提供了一种食品质量检测方法的流程示意图。该方法可以应用于后厨，对后厨的监控视频进行图像识别，从而确定菜品的用料质量是否合格的场景中。其中，该食品质量检测方法包括：
S101、获取待检测食品的制作视频。
本实施例中，待检测食品包括厨房、调酒屋、茶饮室等各个地点中正在进行制作的餐饮。举例来说，快餐店中正在制作的汉堡，茶饮室正在煮泡的茶团等。
本实施例中，制作视频包括待检测食品的制作过程。
在本实施例中，制作视频包括待检测食品的制作过程，制作待检测制品的制作人的制作过程以及上述制作人的身份图像等等。
S102、对制作视频进行识别得到识别结果；识别结果包括待检测食品的名称、所用食材以及食材数量。
本实施例中，上述识别的过程可以借助相应的识别模型或匹配模型，对此本实施例中不作任何限定。
在本实施例中，匹配模型包括大量的食品素材，用于匹配当前待检测食品，并输出相应的结果。
本实施例中，该识别结果包括食品的名称、所用食材以及食材数量。
举例来说，该识别过程获取到的识别结果可以为对披萨进行识别获取到“披萨”的名字，番茄和培根的食材名字以及八块和八片的食材数量。
S103、根据预设的食品用料检测模型判断识别结果是否符合预设的食品用料标准。
本实施例中，食品用料检测模型为预先构建使用标准用料制作的各菜品的标准图像模型。
本实施例中，该方法可以优先获取识别结果对应的食品类型与名称，然后再食品用料检测模型中获取相应的食品用料标准，进而判断识别结果中包括的所用食材和食材数量是否符合上述的食品用料标准。
S104、当识别结果不符合食品用料标准时，根据制作视频生成不合格食品记录。
本实施例中，不合格食品记录用于标识当前待检测食品不符合相应标准，并用于存档。
在本实施例中，该不合格食品记录的用途，本实施例中不作任何限定，举例来说，上述用途可以包括追责、惩罚等。
可见，方法实施方式，能够解决在现有的监控手段，通常需要管理人员对监控画面一一查看才能知道具体的违规行为的情况下，人力成本大且效率低的问题；另外，还能够解决在连锁餐饮门店中，确认员工是否有缺斤少两的问题。
本实施例中，该食品质量检测方法的执行主体可以为计算机、服务器等计算装置，对此本实施例中不作任何限定。
在本实施例中，该食品质量检测方法的执行主体还可以为智能手机和平板等智能设备，对此本实施例中不作任何限定。
可见，实施图1所描述的食品质量检测方法，能够优先获取待检测食品的制作视频，该制作视频可以包括食品制作过程的视频和制作人视频，具体的该制作人视频可以用于表示制作人的制作流程和制作人的身份信息；然后，再对制作视频进行识别得到包括待检测食品的名称、所用食材以及食材数量的识别结果；然后再根据预设的食品用料检测模型判断识别结果是否符合预设的食品用料标准；并在识别结果不符合食品用料标准时，根据制作视频生成不合格食品记录。可见，实施这种实施方式，能够根据食品制作过程中的制作视频和预设的食品用料标准来进行食品质量的高精度检测，从而获取到准确的食品质量记录，进而降低人力成本，提高食品检测效率。
实施例2
请参看图2，图2为本申请实施例提供的另一种食品质量检测方法的流程示意图。图2所描述的食品质量检测方法的流程示意图是根据图1所描述的食品质量检测方法的流程示意图进行改进得到的。其中，该食品质量检测方法包括：
S201、获取待检测食品的制作视频。
本实施例中，待检测食品包括厨房、调酒屋、茶饮室等各个地点中正在进行制作的餐饮。举例来说，快餐店中正在制作的汉堡，茶饮室正在煮泡的茶团等。
本实施例中，制作视频包括待检测食品的制作过程。
在本实施例中，制作视频包括待检测食品的制作过程，制作待检测制品的制作人的制作过程以及上述制作人的身份图像等等。
S202、对制作视频进行预处理，得到视频帧集合。
本实施例中，预处理的过程可以理解为对视频进行视频帧提取过程，其中，该提取过程可以根据预设的提取帧率进行，并在最终获取到视频帧集合。
S203、获取视频帧集合包括的第一视频帧。
本实施例中，第一视频帧用于标识视频帧集合中包括的第一帧图像，或称之为起始帧图像。
S204、判断第一视频帧是否为食品制作帧，若是，则执行步骤S205～S208；若否，则结束本流程。
本实施例中，食品制作帧用于表示该帧图像是用于标识食品制作过程的，具体的，食品制作帧可以理解为食品制作图像。
可见，实施步骤S203～S204能够判断视频帧集合是否包括食品制作帧，并在结果为是时，触发执行步骤S205～S208；若否，则结束本流程。
S205、确定视频帧集合包括食品制作帧。
本实施例中，该过程可以理解为对视频帧集合进行定性的过程，便于后续步骤的操作。
S206、获取视频帧集合包括其余视频帧；视频帧集合包括第一视频帧和其余视频帧。
本实施例中，上述第一视频帧为视频帧集合中的第一帧视频图像，因此，其余视频帧为除了第一视频帧的全部帧。
S207、对其余视频帧进行识别处理，得到识别结果；识别结果包括待检测食品的名称、所用食材以及食材数量。
可见，实施步骤S206～S207，能够对视频帧集合进行识别处理，得到识别结果。
本实施例中，上述识别的过程可以借助相应的识别模型或匹配模型，对此本实施例中不作任何限定。
在本实施例中，匹配模型包括大量的食品素材，用于匹配当前待检测食品，并输出相应的结果。
本实施例中，该识别结果包括食品的名称、所用食材以及食材数量。
举例来说，该识别过程获取到的识别结果可以为对披萨进行识别获取到“披萨”的名字，番茄和培根的食材名字以及八块和八片的食材数量。
S208、根据预设的食品用料检测模型判断识别结果是否符合预设的食品用料标准，若是，则结束本流程；若否，则执行步骤S209～S210。
本实施例中，食品用料检测模型为预先构建使用标准用料制作的各菜品的标准图像模型。
本实施例中，该方法可以优先获取识别结果对应的食品类型与名称，然后再食品用料检测模型中获取相应的食品用料标准，进而判断识别结果中包括的所用食材和食材数量是否符合上述的食品用料标准。
S209、获取与制作视频对应的制作人身份信息。
本实施例中，制作人身份信息也是通过制作人制作视频中提取到的。
在本实施例中，制作视频包括食品制作视频和制作人制作视频，因此，可见制作人身份信息与制作视频相对应，也与待检测食品相对应。
S210、根据制作视频和制作人身份信息生成不合格食品记录。
本实施例中，不合格食品记录用于标识当前待检测食品不符合相应标准，并用于存档。
在本实施例中，该不合格食品记录的用途，本实施例中不作任何限定，举例来说，上述用途可以包括追责、惩罚等。
本实施例中，该不合格食品记录包括了制作人身份信息，使得不合格食品记录可以有效被追溯。
举例来说，该方法能够通过对监控视频进行图像识别处理，确定员工的菜品用料质量是否达标，该方法可以优先利用摄像头进行图像采集，实时拍摄后厨的监控画面。其中，摄像头的功能分为两种：一种是用于监测工作人员，并将拍摄到的图像传送到服务器进行人脸识别操作确认身份信息；另一种是用于监测菜品制备的用料情况，在后厨的菜品制作台上设置摄像头，以实时采集高清的菜品制作画面。摄像头有编号，并将该编号与其监控视频数据进行绑定后上传到服务器。(本方案有两种摄像头，第一摄像头对准菜品制作台，第二摄像头对准菜品制作人的人脸)。在举例中，该方法主要可以用于连锁餐饮行业，该种连锁餐饮行业中每种菜品都具有严格的用料标准，例如汉堡中番茄片、生菜以及酱料的具体用量都有具体的标准用料数量。进一步的，该方法还可以对监控中的各帧画面进行图像识别，其中先对当前帧画面进行粗识别，判断该帧画面中是否为菜品制作过程中的制作画面(该步骤可以避免对空余时间所录下的画面进行后一步的细识别，提升图像处理效率)；若当前帧画面为制作画面，则进入下一步的图像细识别；若当前帧画面不是制作画面，则直接跳过细识别，直接对下一帧的画面进行图像识别处理；再对当前帧画面进行细识别，判断该制作画面是否符合标准用料要求。
在举例中，该方法已经预先构建好了使用标准用料制作的各菜品的标准图像模型，其中，该标准图像模型中的单层排布的菜品如披萨，通常只有一个标准图像；而相应多层排布的菜品，则包含菜品制作过程中分层呈现的多个标准图像，例如：一个鸡排汉堡(属于5层菜品，包括：底层面包胚、鸡排、生菜、酱料、顶层面包胚)，对应的有5个标准图像。
在此基础上，该举例过程中可以将监控视频中每帧的图像分别于标准图像模型进行比对，判断当前帧对应画面中的菜品用料是否合格。例如，一个培根土豆披萨，标准用料是8块土豆、8块培根，则对图像中的土豆和培根数量进行检测，确定当前画面中的土豆和培根的具体数量。再例如，对于一个鸡排汉堡，则分别通过5次(对应5个标准图像)对比，确认该汉堡的用料是否符合标准。对多层菜品的用料判断是通过本层用料的占有面积，具体地，在识别上述鸡排汉堡第3层的制作图像时，通过检测生菜对于鸡排和底层面包胚的覆盖面积以确认其用料，若生菜对于下面两层(鸡排和底层面包胚)的覆盖面积大于80％，则认为用料合格。
在举例的最后，该方法对于细识别的判断结果进行记录，确认不合格的菜品，并查找到该不合格菜品对应的监控时间。从而查找同一时间出现在第二摄像头的监控视频数据中制作人人脸信息，并根据人脸信息进行识别确认其身份信息，从而将不合格菜品记录与该制作人的身份信息对应并存档。
可见，实施这种实施方式，能够对监控视频的每帧图像先进行初步判断，确定是否为菜品制作画面；再对菜品制作画面进行食材种类、数量、占有面积的识别判断，从而确认当前制作画面是否合格；并与人脸识别技术结合，确认不合格菜品的制作人；进而实现在员工进行菜品制作过程中是否有用料短缺的情况的自动检测。
可见，实施图2所描述的食品质量检测方法，能够优先获取待检测食品的制作视频，该制作视频可以包括食品制作过程的视频和制作人视频，具体的该制作人视频可以用于表示制作人的制作流程和制作人的身份信息；然后，再对制作视频进行识别得到包括待检测食品的名称、所用食材以及食材数量的识别结果；然后再根据预设的食品用料检测模型判断识别结果是否符合预设的食品用料标准；并在识别结果不符合食品用料标准时，根据制作视频生成不合格食品记录。可见，实施这种实施方式，能够根据食品制作过程中的制作视频和预设的食品用料标准来进行食品质量的高精度检测，从而获取到准确的食品质量记录，进而降低人力成本，提高食品检测效率。
实施例3
请参看图3，图3为本申请实施例提供的一种食品质量检测装置的结构示意图。其中，该食品质量检测装置包括：
获取单元310，用于获取待检测食品的制作视频；
识别单元320，用于对制作视频进行识别得到识别结果；识别结果包括待检测食品的名称、所用食材以及食材数量；
判断单元330，用于根据预设的食品用料检测模型判断识别结果是否符合预设的食品用料标准；
生成单元340，用于在识别结果不符合食品用料标准时，根据制作视频生成不合格食品记录。
本实施例中，对于食品质量检测装置的解释说明可以参照实施例1或实施例2中的描述，对此本实施例中不再多加赘述。
可见，实施图3所描述的食品质量检测装置，能够通过获取单元310来获取待检测食品的制作视频；通过识别单元320来对制作视频进行识别得到识别结果；识别结果包括待检测食品的名称、所用食材以及食材数量；通过判断单元330来根据预设的食品用料检测模型判断识别结果是否符合预设的食品用料标准；再通过生成单元340来在识别结果不符合食品用料标准时，根据制作视频生成不合格食品记录。可见，实施这种实施方式，能够根据食品制作过程中的制作视频和预设的食品用料标准来进行食品质量的高精度检测，从而获取到准确的食品质量记录，进而降低人力成本，提高食品检测效率；另一方面，该食品质量检测装置能够通过多个单元的协同工作提高食品检测的效率和稳定性，从而实现高效、高准确度的食品检测。
实施例4
请参看图4，图4为本申请实施例提供的另一种食品质量检测装置的结构示意图。图4所描述的食品质量检测装置的结构示意图是根据图3所描述的食品质量检测装置的结构示意图进行改进得到的。其中，该识别单元320包括：
预处理子单元321，用于对制作视频进行预处理，得到视频帧集合；
判断子单元322，用于判断视频帧集合是否包括食品制作帧；
识别子单元323，用于在视频帧集合包括食品制作帧时，对视频帧集合进行识别处理，得到识别结果。
作为一种可选的实施方式，判断子单元322，具体用于获取视频帧集合包括的第一视频帧；并判断第一视频帧是否为食品制作帧；并在第一视频帧为食品制作帧时，确定视频帧集合包括食品制作帧。
作为一种可选的实施方式，识别子单元323，具体用于获取视频帧集合包括其余视频帧；视频帧集合包括第一视频帧和其余视频帧；
对其余视频帧进行识别处理，得到识别结果。
作为一种可选的实施方式，生成单元340包括：
获取子单元341，用于在识别结果不符合食品用料标准时，获取与制作视频对应的制作人身份信息；
生成子单元342，用于根据制作视频和制作人身份信息生成不合格食品记录。
本实施例中，对于食品质量检测装置的解释说明可以参照实施例1或实施例2中的描述，对此本实施例中不再多加赘述。
可见，实施图4所描述的食品质量检测装置，能够根据食品制作过程中的制作视频和预设的食品用料标准来进行食品质量的高精度检测，从而获取到准确的食品质量记录，进而降低人力成本，提高食品检测效率；另一方面，该食品质量检测装置能够通过多个单元的协同工作提高食品检测的效率和稳定性，从而实现高效、高准确度的食品检测。
本申请实施例提供了一种电子设备，包括存储器以及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行本申请实施例1或实施例2中任一项食品质量检测方法。
本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序指令，计算机程序指令被一处理器读取并运行时，执行本申请实施例1或实施例2中任一项食品质量检测方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种食品质量检测方法，其特征在于，所述食品质量检测方法包括：
获取待检测食品的制作视频；
对所述制作视频进行识别得到识别结果；所述识别结果包括所述待检测食品的名称、所用食材以及食材数量；
根据预设的食品用料检测模型判断所述识别结果是否符合预设的食品用料标准；
当所述识别结果不符合所述食品用料标准时，根据所述制作视频生成不合格食品记录。
2.根据权利要求1所述的食品质量检测方法，其特征在于，所述对所述制作视频进行识别得到识别结果的步骤包括：
对所述制作视频进行预处理，得到视频帧集合；
判断所述视频帧集合是否包括食品制作帧；
当所述视频帧集合包括所述食品制作帧时，对所述视频帧集合进行识别处理，得到识别结果。
3.根据权利要求2所述的食品质量检测方法，其特征在于，所述判断所述视频帧集合是否包括食品制作帧的步骤包括：
获取所述视频帧集合包括的第一视频帧；
判断所述第一视频帧是否为食品制作帧；
当所述第一视频帧为食品制作帧时，确定所述视频帧集合包括所述食品制作帧。
4.根据权利要求3所述的食品质量检测方法，其特征在于，所述对所述视频帧集合进行识别处理，得到识别结果的步骤包括：
获取所述视频帧集合包括其余视频帧；所述视频帧集合包括所述第一视频帧和所述其余视频帧；
对所述其余视频帧进行识别处理，得到识别结果。
5.根据权利要求1所述的食品质量检测方法，其特征在于，所述当所述识别结果不符合所述食品用料标准时，根据所述制作视频生成不合格食品记录的步骤包括：
当所述识别结果不符合所述食品用料标准时，获取与所述制作视频对应的制作人身份信息；
根据所述制作视频和所述制作人身份信息生成不合格食品记录。
6.一种食品质量检测装置，其特征在于，所述食品质量检测装置包括：
获取单元，用于获取待检测食品的制作视频；
识别单元，用于对所述制作视频进行识别得到识别结果；所述识别结果包括所述待检测食品的名称、所用食材以及食材数量；
判断单元，用于根据预设的食品用料检测模型判断所述识别结果是否符合预设的食品用料标准；
生成单元，用于在所述识别结果不符合所述食品用料标准时，根据所述制作视频生成不合格食品记录。
7.根据权利要求6所述的食品质量检测装置，其特征在于，所述识别单元包括：
预处理子单元，用于对所述制作视频进行预处理，得到视频帧集合；
判断子单元，用于判断所述视频帧集合是否包括食品制作帧；
识别子单元，用于在所述视频帧集合包括所述食品制作帧时，对所述视频帧集合进行识别处理，得到识别结果。
8.根据权利要求6所述的食品质量检测装置，其特征在于，所述生成单元包括：
获取子单元，用于在所述识别结果不符合所述食品用料标准时，获取与所述制作视频对应的制作人身份信息；
生成子单元，用于根据所述制作视频和所述制作人身份信息生成不合格食品记录。
9.一种电子设备，其特征在于，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至5中任一项所述的食品质量检测方法。
10.一种可读存储介质，其特征在于，所述可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行权利要求1至5任一项所述的食品质量检测方法。
CN202010342011.3A 2020-04-26 2020-04-26 一种食品质量检测方法及装置 Withdrawn CN111539346A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010342011.3A CN111539346A (zh) 2020-04-26 2020-04-26 一种食品质量检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010342011.3A CN111539346A (zh) 2020-04-26 2020-04-26 一种食品质量检测方法及装置

Publications (1)

Publication Number Publication Date
CN111539346A true CN111539346A (zh) 2020-08-14

Family

ID=71975423

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010342011.3A Withdrawn CN111539346A (zh) 2020-04-26 2020-04-26 一种食品质量检测方法及装置

Country Status (1)

Country Link
CN (1) CN111539346A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116090812A (zh) * 2022-11-08 2023-05-09 成都市食品检验研究院 一种食品企业风险防控预警智能化远程服务***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116090812A (zh) * 2022-11-08 2023-05-09 成都市食品检验研究院 一种食品企业风险防控预警智能化远程服务***
CN116090812B (zh) * 2022-11-08 2024-01-26 成都市食品检验研究院 一种食品企业风险防控预警智能化远程服务***

Similar Documents

Publication Publication Date Title
Thames et al. Nutrition5k: Towards automatic nutritional understanding of generic food
Aguilar et al. Grab, pay, and eat: Semantic food detection for smart restaurants
US10441112B1 (en) Food preparation system and method using a scale that allows and stores modifications to recipes based on a measured change to one of its ingredients
US9424495B1 (en) Digital food imaging analysis: system and method to analyze food consumption
US20150154449A1 (en) Method and apparatus for recognizing actions
CN110781805B (zh) 一种目标物体检测方法、装置、计算设备和介质
CN110889419B (zh) 一种货架分析方法、装置、***及电子设备
US8805123B2 (en) System and method for video recognition based on visual image matching
CN108319996A (zh) 菜品识别处理***及方法、智能餐桌***
WO2020215952A1 (zh) 物品识别方法和***
CN111931567B (zh) 人体识别的方法及装置、电子设备、存储介质
CN111832727B (zh) 跨数据、信息、知识模态与量纲的本质识别方法及组件
CN110175990A (zh) 人脸图像质量判定方法、装置及计算机设备
CN109522947B (zh) 识别方法和设备
CN115049598A (zh) 门店货架上摆放试用装产品规范检测方法、***及设备
JP2010211485A (ja) 注視度合測定装置、注視度合測定方法、注視度合測定プログラムおよびそのプログラムを記録した記録媒体
CN111539346A (zh) 一种食品质量检测方法及装置
CN107358280B (zh) 一种儿童阅读图书检测方法及装置
Saqlain et al. Hybrid Approach for Shelf Monitoring and Planogram Compliance (Hyb‐SMPC) in Retails Using Deep Learning and Computer Vision
CN115063084A (zh) 一种卷烟零售商户库存盘点方法及***
CN106714099A (zh) 照片信息处理及景点识别方法、客户端、服务器
CN109446915B (zh) 一种菜品信息生成方法、装置以及电子设备
CN110796017A (zh) 物品遗落的确定方法和装置、模型训练方法和装置
CN111415328B (zh) 物品分析数据确定方法、装置、电子设备
CN113160414B (zh) 货物余量自动识别方法、装置、电子设备以及计算机可读介质

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200814