CN112464818A - 后厨监管方法、装置、设备及存储介质 - Google Patents
后厨监管方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112464818A CN112464818A CN202011364732.0A CN202011364732A CN112464818A CN 112464818 A CN112464818 A CN 112464818A CN 202011364732 A CN202011364732 A CN 202011364732A CN 112464818 A CN112464818 A CN 112464818A
- Authority
- CN
- China
- Prior art keywords
- image frame
- violation image
- current
- violation
- current violation
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 65
- 238000010801 machine learning Methods 0.000 claims abstract description 23
- 238000012550 audit Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 2
- 238000012552 review Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 abstract description 15
- 230000009471 action Effects 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 5
- 235000013305 food Nutrition 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010411 cooking Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 241001674044 Blattodea Species 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 235000013410 fast food Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 235000009561 snack bars Nutrition 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种后厨监管方法、装置、设备及存储介质,包括:通过机器学习模型对采集的后厨视频流中的图像帧进行识别,得到当前违规图像帧,当前违规图像帧中包括违规行为;确定当前违规图像帧对应的目标餐饮单位,并统计目标餐饮单位对应的违规图像帧的数量,对应的违规图像帧包括当前违规图像帧;根据目标餐饮单位对应的违规图像帧的数量,确定当前违规图像帧的派发端;向派发端发送当前违规图像帧,并接收派发端根据当前违规图像帧反馈的处理信息。该后厨监管方法,一方面,可以利用机器学习技术识别出当前违规图像帧,节省了人力成本且提高了识别的准确性;另一方面,可以实现从发现违规行为到处理违规行为的闭环处理方式,提高了监管效果。
Description
技术领域
本发明实施例涉及视频处理领域,尤其涉及一种后厨监管方法、装置、设备及存储介质。
背景技术
随着时代的发展,科技的进步,人民生活水平日渐提高,生活节奏日渐加快,随之而来的是人们饮食的改变,同时网上订餐卫生不合格、外卖黑作坊、材料不新鲜等等众多问题被曝光在我们的眼前,越来越多的人们开始关注食品安全问题。为此,国家食品药品监督管理局推出了明厨亮灶工程,主要是通过透明厨房和视频厨房的建设,让消费者可直观看到菜品的切配烹饪、冷食类和生食类食品加工、餐饮具消毒等。目的是让餐饮服务单位后厨及食品加工过程从幕后走到前台,消除餐饮服务单位、食品加工企业与公众间信息不对称的障碍,引导公众直接参与食品安全,实现全民监督,最终实现食品安全的根本好转。如何利用明厨亮灶工程,实现对后厨的监管非常重要。
目前,大部分餐饮单位都已布设摄像监控设备,可以通过摄像监控设备采集后厨视频流,利用机器学习技术识别后厨视频流中的图像帧,并标记出含有违规行为的图像帧。
但是,目前的监管方法只能实现标记出含有违规行为的图像帧,没有实现对违规行为的闭环处理,监管效果较差。
发明内容
本发明提供一种后厨监管方法、装置、设备及存储介质,以解决目前的后厨监管方法中无法对违规行为闭环处理而导致监管效果较差的技术问题。
第一方面,本发明实施例提供一种后厨监管方法,包括:
通过预置的机器学习模型对采集的后厨视频流中的图像帧进行识别,得到当前违规图像帧;其中,所述当前违规图像帧中包括违规行为;
确定所述当前违规图像帧对应的目标餐饮单位,并统计所述目标餐饮单位对应的违规图像帧的数量;其中,所述目标餐饮单位对应的违规图像帧包括所述当前违规图像帧;
根据所述目标餐饮单位对应的违规图像帧的数量,确定所述当前违规图像帧的派发端;
向所述派发端发送所述当前违规图像帧,并接收所述派发端根据所述当前违规图像帧反馈的处理信息。
第二方面,本发明实施例提供一种后厨监管装置,包括:
第一确定模块,用于通过预置的机器学习模型对采集的后厨视频流中的图像帧进行识别,得到当前违规图像帧;其中,所述当前违规图像帧中包括违规行为;
第二确定模块,用于确定所述当前违规图像帧对应的目标餐饮单位,并统计所述目标餐饮单位对应的违规图像帧的数量;其中,所述目标餐饮单位对应的违规图像帧包括所述当前违规图像帧;
第三确定模块,用于根据所述目标餐饮单位对应的违规图像帧的数量,确定所述当前违规图像帧的派发端;
发送接收模块,用于向所述派发端发送所述当前违规图像帧,并接收所述派发端根据所述当前违规图像帧反馈的处理信息。
第三方面,本发明实施例还提供了一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面提供的后厨监管方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面提供的后厨监管方法。
本发明实施例提供一种后厨监管方法、装置、设备及存储介质,该方法包括:通过预置的机器学习模型对采集的后厨视频流中的图像帧进行识别,得到当前违规图像帧,其中,当前违规图像帧中包括违规行为;确定当前违规图像帧对应的目标餐饮单位,并统计目标餐饮单位对应的违规图像帧的数量,其中,目标餐饮单位对应的违规图像帧包括当前违规图像帧;根据目标餐饮单位对应的违规图像帧的数量,确定当前违规图像帧的派发端;向派发端发送当前违规图像帧,并接收派发端根据当前违规图像帧反馈的处理信息。该后厨监管方法,一方面,可以利用机器学习技术识别出包括违规行为的当前违规图像帧,节省了人力成本,并且,提高了识别的准确性;另一方面,可以实现从发现违规行为到处理违规行为的闭环处理方式,提高了监管效果;再一方面,可以基于目标餐饮单位对应的违规图像帧的数量,实现差异化地监管,进一步保证了监管效果以及节省了监管资源。
附图说明
图1为本发明一个实施例提供的后厨监管方法的流程示意图;
图2为本发明另一个实施例提供的后厨监管方法的流程示意图;
图3为本发明一个实施例提供的后厨监管装置的结构示意图;
图4为本发明另一个实施例提供的后厨监管装置的结构示意图;
图5为本发明一个实施例提供的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
图1为本发明一个实施例提供的后厨监管方法的流程示意图。本实施例适用于对餐饮单位的后厨进行监管的场景中。本实施例可以由后厨监管装置来执行,该后厨监管装置可以由软件和/或硬件的方式实现,该后厨监管装置可以集成于计算机设备中。如图1所示,本实施例提供的后厨监管方法包括如下步骤:
步骤101:通过预置的机器学习模型对采集的后厨视频流中的图像帧进行识别,得到当前违规图像帧。
其中,当前违规图像帧中包括违规行为。
具体地,本实施例中的计算机设备可以为服务器。本实施例中的机器学习模型为预先训练出的能够识别出图像帧中的违规行为的模型。示例性地,本实施例中的机器学习模型可以为基于卷积神经网络(Convolutional Neural Networks,CNN)算法、循环卷积神经网络(Recurrent Convolutional Neural Networks,RCNN)算法等算法以及训练样本集训练出的模型。
本实施例的图像帧中的违规行为指的是不符合规定,例如,标准规定、制度规定或者法规的行为。示例性地,上述违规行为可以包括以下几类类型:人员身份不符、人员穿戴不规范、人员行为不规范、不明物体移动等。其中,人员身份不符可以包括没有权限的人进入受限区域。人员穿戴不规范可以包括未戴口罩。人员行为不规范可以包括清洗食材的方式不规范。不明物体移动可以包括老鼠、蟑螂等物体移动。
本实施例中的后厨指的是餐饮单位的后厨。本实施例中的餐饮单位可以基于经营者的业态和规模分为以下几类:餐馆、快餐店、小吃店、饮品店及食堂等。本实施例中的后厨指的是餐饮单位的厨房区域。示例性地,本实施例中的后厨可以包括:烹饪区、切配区、清洗区、储藏区、垃圾暂存区等。
本实施例中的后厨视频流为设置于后厨相应区域的视频采集装置采集的视频流。视频采集装置的数量可以为多个,相应地,可以采集到多个后厨视频流。本实施例中的机器学习模型可以同时实现对N个后厨视频流中的图像帧的识别。N为大于或者等于1的整数。当视频采集装置的数量M大于N时,可以设置多个机器学习模型,以同时实现对M个视频采集装置采集到的后厨视频流的图像帧的识别。
本实施例中的后厨监管装置可以从视频采集装置处获取后厨视频流。获取到后厨视频流之后,抽帧或者逐帧解码,获取图像帧,并通过机器学习模型对图像帧进行识别。机器学习模型的输入为图像帧,输出为当前违规图像帧。可选地,后厨监管装置可以存储该当前违规图像帧。
步骤102:确定当前违规图像帧对应的目标餐饮单位,并统计目标餐饮单位对应的违规图像帧的数量。
其中,目标餐饮单位对应的违规图像帧包括当前违规图像帧。
具体地,在确定出当前违规图像帧之后,需要确定当前违规图像帧对应的目标餐饮单位。
一种实现方式中,视频采集装置在采集到后厨视频流之后,会在视频流的每个图像帧中添加对应的餐饮单位信息。后厨监管装置可以基于当前违规图像帧中的餐饮单位信息,确定当前违规图像帧对应的目标餐饮单位。
另一种实现方式中,可以根据当前违规图像帧对应的目标视频采集装置,以及,视频采集装置与餐饮单位的映射关系,确定当前违规图像帧对应的目标餐饮单位。
视频采集装置与餐饮单位的映射关系可以是预先存储在后厨监管装置中的。在这种实现方式中,先确定出当前违规图像帧对应的目标视频采集装置,这里的目标视频采集装置意为采集包括该当前违规图像帧的后厨视频流的视频采集装置;再从上述映射关系中查找出目标视频采集装置对应的目标餐饮单位。这种实现方式不需要视频采集装置在视频流的每个图像帧中添加对应的餐饮单位信息,效率较高。
在确定出目标餐饮单位之后,后厨监管装置统计该目标餐饮单位对应的违规图像帧的数量。这里的违规图像帧包括确定出的当前违规图像帧。换句话说,在确定出目标餐饮单位之后,后厨监管装置统计目标餐饮单位对应的包括当前违规图像帧在内的违规图像帧的数量。这里的统计意为重新计数,即,重新计算该目标餐饮单位对应的违规图像帧,或者,统计意为更新,即,更新上次确定出的对应的违规图像帧的数量。
进一步地,在步骤102中,确定出当前违规图像帧对应的目标餐饮单位之后,本实施例提供的后厨监管方法还包括:确定当前违规图像帧对应的信息中除目标餐饮单位之外的其他属性信息,其中,其他属性信息包括:目标餐饮单位的地址、违规行为的类型以及违规行为发生时间中的至少一项信息;将当前违规图像帧、当前违规图像帧对应的目标餐饮单位以及当前违规图像帧对应的其他属性信息中的至少一项进行显示。
在确定当前违规图像帧对应的目标餐饮单位的地址时,可以根据当前违规图像帧对应的目标视频采集装置,以及,视频采集装置与餐饮单位的地址的映射关系,确定当前违规图像帧对应的目标餐饮单位的地址。
可选地,本实施例中的机器学习模型除了可以识别出当前违规图像帧之外,还可以识别出当前违规图像帧中的违规行为的类型。因此,可以根据机器学习模型的输出结果,确定当前违规图像帧中的违规行为的类型。
在确定当前违规图像帧对应的违规行为发生时间时,可以将目标视频采集装置添加在当前违规图像帧中的时间戳,确定为当前违规图像帧对应的违规行为发生时间。
通过显示当前违规图像帧、当前违规图像帧对应的目标餐饮单位以及当前违规图像帧对应的其他属性信息中的至少一项,可以便于观察当前违规图像帧以及相关信息,提高了用户体验。
更进一步地,为了实现更为精细地监管,步骤102中统计目标餐饮单位对应的违规图像帧的数量,可以为统计目标餐饮单位对应的违规图像帧中,包括的违规行为的类型与当前违规图像帧中包括的违规行为的类型相同的违规图像帧的数量。这种实现方式可以实现精细到违规行为的类型的监管。
步骤103:根据目标餐饮单位对应的违规图像帧的数量,确定当前违规图像帧的派发端。
具体地,在步骤103中,可以基于目标餐饮单位对应的违规图像帧的数量与预设阈值的大小关系,确定出当前违规图像帧的派发端。
本实施例中的派发端指的是当前违规图像帧需要到达的设备或者客户端。
一种可能的实现方式为,当目标餐饮单位对应的违规图像帧的数量大于预设阈值时,将第一处理人员的移动端确定为当前违规图像帧的派发端;当目标餐饮单位对应的违规图像帧的数量小于或者等于预设阈值时,将第二处理人员的移动端确定为当前违规图像帧的派发端。
需要说明的是,这里的移动端可以指的是移动设备,也可以指的是客户端。
更具体地,第一处理人员为目标餐饮单位的监管人员,第二处理人员为目标餐饮单位的责任人。本实施例中的目标餐饮单位的监管人员指的是目标餐饮单位的监管部门的人员,例如,***门的工作人员。本实施例中的目标餐饮单位的责任人指的是该目标餐饮单位的负责人,例如,该目标餐饮单位的法人代表。
也即,当目标餐饮单位对应的违规图像帧的数量大于预设阈值时,说明此目标餐饮单位的违规行为出现次数较多,需要引起监管部门的重视,可将目标餐饮单位的监管人员的移动端确定为当前违规图像帧的派发端。当目标餐饮单位对应的违规图像帧的数量小于或者等于预设阈值时,说明此目标餐饮单位的违规行为出现次数较少,可以通过自查改善,可将目标餐饮单位的责任人的移动端确定为当前违规图像帧的派发端。通过这种方式,可以实现差异化地监管,一方面,在目标餐饮单位的违规行为出现较多时,可以提高监管的力度,督促目标餐饮单位纠正违规行为,另一方面,在违规行为出现较少时,通过自查纠正违规行为,以节省监管资源。
步骤104:向派发端发送当前违规图像帧,并接收派发端根据当前违规图像帧反馈的处理信息。
具体地,在确定出派发端后,可以向派发端发送当前违规图像帧。
可选地,可以向派发端发送当前违规图像帧、当前违规图像帧对应的目标餐饮单位以及当前违规图像帧对应的其他属性信息中的至少一项。
派发端在接收到当前违规图像帧后,可以通过不同方式进行纠正当前违规图像帧中的违规行为。
当派发端为目标餐饮单位的监管人员的移动端时,目标餐饮单位的监管人员可以通过实地考察、政策宣贯等措施,纠正当前违规图像帧中的违规行为,形成处理信息。
当派发端为目标餐饮单位的责任人的移动端时,目标餐饮单位的责任人可以通过现场纠正、指定制度等措施,纠正当前违规图像帧中的违规行为,形成处理信息。
本实施例中的处理信息可以为文本、视频、音频以及图像中的至少一种信息。
示例性地,处理信息可以为已经纠正后的图片、视频,或者,基于该违规行为制定的制度等。
更进一步地,为了提高监管效果,本实施例提供的后厨监管方法还包括如下步骤:当确定预设时长内没有接收到派发端反馈的处理信息时,向派发端发送提醒信息。以督促派发端的处理人员尽快处理,提高监管效果。
本实施例提供的后厨监管方法,在识别出包括违规行为的当前违规图像帧之后,可以确定出其对应的目标餐饮单位,并统计目标餐饮单位对应的违规图像帧的数量,基于目标餐饮单位对应的违规图像帧的数量,确定当前违规图像帧的派发端,向派发端发送该当前违规图像帧,并接收派发端反馈的处理信息,不仅可以实现从发现违规行为到处理违规行为的闭环处理方式,提高了监管效果,并且,可以基于目标餐饮单位对应的违规图像帧的数量,实现差异化地监管,进一步保证监管效果以及节省监管资源。
本实施例提供一种后厨监管方法,包括:通过预置的机器学习模型对采集的后厨视频流中的图像帧进行识别,得到当前违规图像帧,其中,当前违规图像帧中包括违规行为;确定当前违规图像帧对应的目标餐饮单位,并统计目标餐饮单位对应的违规图像帧的数量,其中,目标餐饮单位对应的违规图像帧包括当前违规图像帧;根据目标餐饮单位对应的违规图像帧的数量,确定当前违规图像帧的派发端;向派发端发送当前违规图像帧,并接收派发端根据当前违规图像帧反馈的处理信息。该后厨监管方法,一方面,可以利用机器学习技术识别出包括违规行为的当前违规图像帧,节省了人力成本,并且,提高了识别的准确性;另一方面,可以实现从发现违规行为到处理违规行为的闭环处理方式,提高了监管效果;再一方面,可以基于目标餐饮单位对应的违规图像帧的数量,实现差异化地监管,进一步保证了监管效果以及节省了监管资源。
图2为本发明另一个实施例提供的后厨监管方法的流程示意图。本实施例在图1所示实施例及各种可选的实现方案的基础上,对该后厨监管方法包括的其他步骤作一详细说明。如图2所示,本实施例提供的后厨监管方法包括如下步骤:
步骤201:通过预置的机器学习模型对采集的后厨视频流中的图像帧进行识别,得到当前违规图像帧。
其中,当前违规图像帧中包括违规行为。
步骤202:确定当前违规图像帧对应的目标餐饮单位,并统计目标餐饮单位对应的违规图像帧的数量。
其中,目标餐饮单位对应的违规图像帧包括当前违规图像帧。
步骤203:根据目标餐饮单位对应的违规图像帧的数量,确定当前违规图像帧的派发端。
步骤204:向派发端发送当前违规图像帧,并接收派发端根据当前违规图像帧反馈的处理信息。
步骤201与步骤101、步骤202与步骤102、步骤203与步骤103、步骤204与步骤104的实现过程以及技术原理类似,此处不再赘述。
步骤205:向审核人员对应的处理设备发送处理信息,并接收审核人员对应的处理设备根据处理信息反馈的审核结果信息。
其中,审核结果信息用于指示当前违规图像帧中包括的违规行为已经被纠正,或者,当前违规图像帧中包括的违规行为还未被纠正。
具体地,本实施例中的审核人员可以为目标餐饮单位的监管单位的上级单位中的人员,或者,目标餐饮单位的监管单位的其他人员。审核人员的处理设备可以为移动端或者计算机设备等。
审核人员的处理设备在接收到处理信息后,审核人员可以结合当前违规图像帧对该处理信息进行审核。审核人员的处理设备根据审核结果,生成审核结果信息,并反馈给后厨监管装置。
步骤206:当确定审核结果信息指示当前违规图像帧中包括的违规行为已经被纠正时,确定当前图像帧处理结束。
步骤207:当确定审核结果信息指示当前违规图像帧中包括的违规行为还未被纠正时,返回执行向派发端发送当前违规图像帧的步骤。
在步骤206中,当确定当前违规图像帧中包括的违规行为已经被纠正时,确定当前图像帧处理结束;在步骤207中,当确定当前违规图像帧中包括的违规行为还未被纠正时,返回执行步骤204。
本实施例提供的后厨监管方法,可以进一步实现对派发端反馈的处理信息的审核,在确定当前违规图像帧中包括的违规行为还未被纠正时,重新派发该当前违规图像帧,以确保该当前违规图像帧中的违规行为被纠正,进一步提高了监管效果。
图3为本发明一个实施例提供的后厨监管装置的结构示意图。如图3所示,本实施例提供的后厨监管装置包括如下模块:第一确定模块31、第二确定模块32、第三确定模块33以及发送接收模块34。
第一确定模块31,用于通过预置的机器学习模型对采集的后厨视频流中的图像帧进行识别,得到当前违规图像帧。
其中,当前违规图像帧中包括违规行为。
第二确定模块32,用于确定当前违规图像帧对应的目标餐饮单位,并统计目标餐饮单位对应的违规图像帧的数量。
其中,目标餐饮单位对应的违规图像帧包括当前违规图像帧。
具体地,在确定当前违规图像帧对应的目标餐饮单位的方面,第二确定模块32具体用于:根据当前违规图像帧对应的目标视频采集装置,以及,视频采集装置与餐饮单位的映射关系,确定当前违规图像帧对应的目标餐饮单位。
第三确定模块33,用于根据目标餐饮单位对应的违规图像帧的数量,确定当前违规图像帧的派发端。
具体地,第三确定模块33具体用于:当目标餐饮单位对应的违规图像帧的数量大于预设阈值时,将第一处理人员的移动端确定为当前违规图像帧的派发端;当目标餐饮单位对应的违规图像帧的数量小于或者等于预设阈值时,将第二处理人员的移动端确定为当前违规图像帧的派发端。
可选地,第一处理人员为目标餐饮单位的监管人员,第二处理人员为目标餐饮单位的责任人。
发送接收模块34,用于向派发端发送当前违规图像帧,并接收派发端根据当前违规图像帧反馈的处理信息。
可选地,该装置还包括:第六确定模块以及显示模块。
第六确定模块,用于确定当前违规图像帧对应的信息中除目标餐饮单位之外的其他属性信息。其中,其他属性信息包括:目标餐饮单位的地址、违规行为的类型以及违规行为发生时间中的至少一项信息。
显示模块,用于将当前违规图像帧、当前违规图像帧对应的目标餐饮单位以及当前违规图像帧对应的其他属性信息中的至少一项进行显示。
更进一步地,发送接收模块34还用于:当确定预设时长内没有接收到派发端反馈的处理信息时,向派发端发送提醒信息。
本发明实施例所提供的后厨监管装置可执行本发明任意实施例所提供的后厨监管方法,具备执行方法相应的功能模块和有益效果。
图4为本发明另一个实施例提供的后厨监管装置的结构示意图。本实施例提供的后厨监管装置,在图3所示实施例提供的后厨监管装置以及各种可选的实现方式的基础上,对后厨监管装置包括的其他模块作一详细说明。如图4所示,本实施例提供的后厨监管装置还包括如下模块:第四确定模块41以及第五确定模块42。
发送接收模块34,还用于向审核人员对应的处理设备发送处理信息,并接收审核人员对应的处理设备根据处理信息反馈的审核结果信息。
其中,审核结果信息用于指示当前违规图像帧中包括的违规行为已经被纠正,或者,当前违规图像帧中包括的违规行为还未被纠正。
第四确定模块41,用于当确定审核结果信息指示当前违规图像帧中包括的违规行为已经被纠正时,确定当前图像帧处理结束。
第五确定模块42,用于当确定审核结果信息指示当前违规图像帧中包括的违规行为还未被纠正时,返回执行向派发端发送当前违规图像帧的步骤。
本发明实施例所提供的后厨监管装置可执行本发明任意实施例所提供的后厨监管方法,具备执行方法相应的功能模块和有益效果。
图5为本发明一个实施例提供的计算机设备的结构示意图。如图5所示,该计算机设备包括处理器50和存储器51。该计算机设备中处理器50的数量可以是一个或多个,图5中以一个处理器50为例;该计算机设备的处理器50和存储器51可以通过总线或其他方式连接,图5中以通过总线连接为例。
存储器51作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的后厨监管方法对应的程序指令以及模块(例如,后厨监管装置中的第一确定模块31、第二确定模块32、第三确定模块33以及发送接收模块34)。处理器50通过运行存储在存储器51中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及后厨监管方法,即实现上述的后厨监管方法。
存储器51可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器51可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器51可进一步包括相对于处理器50远程设置的存储器,这些远程存储器可以通过网络连接至计算机设备。上述网络的实施例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本发明还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种后厨监管方法,该方法包括:
通过预置的机器学习模型对采集的后厨视频流中的图像帧进行识别,得到当前违规图像帧;其中,所述当前违规图像帧中包括违规行为;
确定所述当前违规图像帧对应的目标餐饮单位,并统计所述目标餐饮单位对应的违规图像帧的数量;其中,所述目标餐饮单位对应的违规图像帧包括所述当前违规图像帧;
根据所述目标餐饮单位对应的违规图像帧的数量,确定所述当前违规图像帧的派发端;
向所述派发端发送所述当前违规图像帧,并接收所述派发端根据所述当前违规图像帧反馈的处理信息。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的后厨监管方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,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,计算机设备,或者网络设备等)执行本发明各个实施例所述的后厨监管方法。
值得注意的是,上述后厨监管装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种后厨监管方法,其特征在于,所述方法包括:
通过预置的机器学习模型对采集的后厨视频流中的图像帧进行识别,得到当前违规图像帧;其中,所述当前违规图像帧中包括违规行为;
确定所述当前违规图像帧对应的目标餐饮单位,并统计所述目标餐饮单位对应的违规图像帧的数量;其中,所述目标餐饮单位对应的违规图像帧包括所述当前违规图像帧;
根据所述目标餐饮单位对应的违规图像帧的数量,确定所述当前违规图像帧的派发端;
向所述派发端发送所述当前违规图像帧,并接收所述派发端根据所述当前违规图像帧反馈的处理信息。
2.根据权利要求1所述的方法,其特征在于,所述接收所述派发端根据所述当前违规图像帧反馈的处理信息之后,所述方法还包括:
向审核人员对应的处理设备发送所述处理信息,并接收所述审核人员对应的处理设备根据所述处理信息反馈的审核结果信息;其中,所述审核结果信息用于指示所述当前违规图像帧中包括的违规行为已经被纠正,或者,所述当前违规图像帧中包括的违规行为还未被纠正;
当确定所述审核结果信息指示所述当前违规图像帧中包括的违规行为已经被纠正时,确定所述当前图像帧处理结束;
当确定所述审核结果信息指示所述当前违规图像帧中包括的违规行为还未被纠正时,返回执行向所述派发端发送所述当前违规图像帧的步骤。
3.根据权利要求1所述的方法,其特征在于,所述根据所述目标餐饮单位对应的违规图像帧的数量,确定所述当前违规图像帧的派发端,包括:
当所述目标餐饮单位对应的违规图像帧的数量大于预设阈值时,将第一处理人员的移动端确定为所述当前违规图像帧的派发端;
当所述目标餐饮单位对应的违规图像帧的数量小于或者等于所述预设阈值时,将第二处理人员的移动端确定为所述当前违规图像帧的派发端。
4.根据权利要求3所述的方法,其特征在于,所述第一处理人员为所述目标餐饮单位的监管人员,所述第二处理人员为所述目标餐饮单位的责任人。
5.根据权利要求1所述的方法,其特征在于,所述确定所述当前违规图像帧对应的目标餐饮单位,包括:
根据所述当前违规图像帧对应的目标视频采集装置,以及,视频采集装置与餐饮单位的映射关系,确定所述当前违规图像帧对应的目标餐饮单位。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述确定所述当前违规图像帧对应的目标餐饮单位之后,所述方法还包括:
确定所述当前违规图像帧对应的信息中除所述目标餐饮单位之外的其他属性信息;其中,所述其他属性信息包括:目标餐饮单位的地址、违规行为的类型以及违规行为发生时间中的至少一项信息;
将所述当前违规图像帧、所述当前违规图像帧对应的目标餐饮单位以及所述当前违规图像帧对应的其他属性信息中的至少一项进行显示。
7.根据权利要求1至5任一项所述的方法,其特征在于,所述向所述派发端发送所述当前违规图像帧之后,所述方法还包括:
当确定预设时长内没有接收到所述派发端反馈的处理信息时,向所述派发端发送提醒信息。
8.一种后厨监管装置,其特征在于,包括:
第一确定模块,用于通过预置的机器学习模型对采集的后厨视频流中的图像帧进行识别,得到当前违规图像帧;其中,所述当前违规图像帧中包括违规行为;
第二确定模块,用于确定所述当前违规图像帧对应的目标餐饮单位,并统计所述目标餐饮单位对应的违规图像帧的数量;其中,所述目标餐饮单位对应的违规图像帧包括所述当前违规图像帧;
第三确定模块,用于根据所述目标餐饮单位对应的违规图像帧的数量,确定所述当前违规图像帧的派发端;
发送接收模块,用于向所述派发端发送所述当前违规图像帧,并接收所述派发端根据所述当前违规图像帧反馈的处理信息。
9.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的后厨监管方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的后厨监管方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011364732.0A CN112464818B (zh) | 2020-11-27 | 2020-11-27 | 后厨监管方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011364732.0A CN112464818B (zh) | 2020-11-27 | 2020-11-27 | 后厨监管方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112464818A true CN112464818A (zh) | 2021-03-09 |
CN112464818B CN112464818B (zh) | 2024-04-16 |
Family
ID=74809283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011364732.0A Active CN112464818B (zh) | 2020-11-27 | 2020-11-27 | 后厨监管方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112464818B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792691A (zh) * | 2021-09-22 | 2021-12-14 | 平安国际智慧城市科技股份有限公司 | 一种视频识别方法、***、设备及介质 |
CN115019221A (zh) * | 2022-04-20 | 2022-09-06 | 平安国际智慧城市科技股份有限公司 | 一种遮挡行为的检测方法、装置、设备及存储介质 |
CN116863401A (zh) * | 2023-07-07 | 2023-10-10 | 山东天用智能技术有限公司 | 一种基于视觉分析的人员作业状态的后厨智能监管***及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109803176A (zh) * | 2018-12-28 | 2019-05-24 | 广州华多网络科技有限公司 | 审核监控方法、装置、电子设备及存储介质 |
CN110166741A (zh) * | 2019-04-15 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 基于人工智能的环境监控方法、装置、设备及存储介质 |
CN110718067A (zh) * | 2019-09-23 | 2020-01-21 | 浙江大华技术股份有限公司 | 违规行为告警方法及相关装置 |
CN111222033A (zh) * | 2019-12-29 | 2020-06-02 | 航天信息股份有限公司 | 一种基于海量数据监管网络餐饮企业的方法和*** |
CN111241367A (zh) * | 2019-12-27 | 2020-06-05 | 航天信息股份有限公司 | 一种基于自定义规则对网络餐饮平台进行监管的方法及*** |
CN111429304A (zh) * | 2020-02-28 | 2020-07-17 | 鄂尔多斯市斯创网络科技有限责任公司 | 一种食品***平台 |
CN111915452A (zh) * | 2020-08-28 | 2020-11-10 | 平安国际智慧城市科技股份有限公司 | 一种监管***、方法、装置及监管处理设备、存储介质 |
-
2020
- 2020-11-27 CN CN202011364732.0A patent/CN112464818B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109803176A (zh) * | 2018-12-28 | 2019-05-24 | 广州华多网络科技有限公司 | 审核监控方法、装置、电子设备及存储介质 |
CN110166741A (zh) * | 2019-04-15 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 基于人工智能的环境监控方法、装置、设备及存储介质 |
CN110718067A (zh) * | 2019-09-23 | 2020-01-21 | 浙江大华技术股份有限公司 | 违规行为告警方法及相关装置 |
CN111241367A (zh) * | 2019-12-27 | 2020-06-05 | 航天信息股份有限公司 | 一种基于自定义规则对网络餐饮平台进行监管的方法及*** |
CN111222033A (zh) * | 2019-12-29 | 2020-06-02 | 航天信息股份有限公司 | 一种基于海量数据监管网络餐饮企业的方法和*** |
CN111429304A (zh) * | 2020-02-28 | 2020-07-17 | 鄂尔多斯市斯创网络科技有限责任公司 | 一种食品***平台 |
CN111915452A (zh) * | 2020-08-28 | 2020-11-10 | 平安国际智慧城市科技股份有限公司 | 一种监管***、方法、装置及监管处理设备、存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792691A (zh) * | 2021-09-22 | 2021-12-14 | 平安国际智慧城市科技股份有限公司 | 一种视频识别方法、***、设备及介质 |
CN113792691B (zh) * | 2021-09-22 | 2024-03-22 | 平安国际智慧城市科技股份有限公司 | 一种视频识别方法、***、设备及介质 |
CN115019221A (zh) * | 2022-04-20 | 2022-09-06 | 平安国际智慧城市科技股份有限公司 | 一种遮挡行为的检测方法、装置、设备及存储介质 |
CN116863401A (zh) * | 2023-07-07 | 2023-10-10 | 山东天用智能技术有限公司 | 一种基于视觉分析的人员作业状态的后厨智能监管***及方法 |
CN116863401B (zh) * | 2023-07-07 | 2024-06-04 | 山东天用智能技术有限公司 | 一种基于视觉分析的人员作业状态的后厨智能监管***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112464818B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112464818A (zh) | 后厨监管方法、装置、设备及存储介质 | |
CN107168854B (zh) | 互联网广告异常点击检测方法、装置、设备及可读存储介质 | |
CN109376982B (zh) | 一种目标员工的选取方法及设备 | |
CN110232006B (zh) | 设备告警方法及相关装置 | |
CN110703619A (zh) | 智能楼宇管理方法、装置、介质及电子设备 | |
CN105824805B (zh) | 一种识别方法及装置 | |
CN110830772A (zh) | 一种厨房视频分析资源调度方法、装置及*** | |
CN106845916A (zh) | 一种基于***的智能app考勤管理及状态监控方法 | |
CN109561086A (zh) | 一种利用人类行为学进行反爬虫的方法 | |
CN113689070A (zh) | 食品安全在线监管方法及装置、存储介质、计算机设备 | |
CN110490175A (zh) | 食品安全检查方法及*** | |
CN109783385A (zh) | 一种产品测试方法和装置 | |
CN110300002A (zh) | 一种可视化的分布式运维方法及装置 | |
CN103365963A (zh) | 数据库稽核***合规性快速检验方法 | |
CN113435740A (zh) | 根据服务商产能进行客户分配的方法、***、终端及介质 | |
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 | |
CN112000862A (zh) | 数据处理方法及装置 | |
CN115860366B (zh) | 一种社区机器人智慧协调管控方法、***和可读存储介质 | |
CN111222033A (zh) | 一种基于海量数据监管网络餐饮企业的方法和*** | |
CN114679342A (zh) | 一种网络安全告警信息展示方法、装置、设备和介质 | |
CN114723292A (zh) | 食堂运营方法及装置 | |
CN113688668A (zh) | 一种基于智能视觉的食品安全管理*** | |
CN110046606B (zh) | 预警方法及装置 | |
CN114611967A (zh) | 目标检测方法、目标检测装置以及计算机可读存储介质 | |
RU2752268C2 (ru) | Система санитарного контроля |
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 | ||
CB02 | Change of applicant information |
Country or region after: China Address after: 101, 2nd Floor, Building 3, East District, No. 10 Northwest Wangdong Road, Haidian District, Beijing, 100193 Applicant after: Beijing softong Intelligent Technology Co.,Ltd. Address before: 100193 202, floor 2, building 16, East District, No. 10, northwest Wangdong Road, Haidian District, Beijing Applicant before: Beijing Softcom Smart City Technology Co.,Ltd. Country or region before: China |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |