明厨亮灶视频分析抓拍识别系统 YOLOv3

明厨亮灶视频分析抓拍识别系统的核心是 YOLOX+RNN 深度学习算法，明厨亮灶视频分析抓拍识别系统通过部署在后厨的关键位置的监控摄像机能够快速识别出后厨人员是否正确佩戴厨师帽、口罩、工作服等，并且能够检测到抽烟、玩手机等违规行为，一旦检测到违规行为或异常情况，立即通过软件平台发出报警提醒，通知管理人员及时处理。后厨人员的穿戴规范是食品安全的重要保障。该系统能够自动识别后厨人员是否按照规范要求佩戴厨师帽、口罩和工作服。如果发现有人员未正确穿戴，系统会立即发出报警提醒，确保后厨人员始终保持良好的卫生习惯。

2018年，作者Redmon又在YOLOv2的基础上做了一些改进。特征提取部分采用Darknet-53网络结构代替原来的Darknet-19，利用特征金字塔网络结构实现了多尺度检测，分类方法使用逻辑回归代替了softmax，在兼顾实用性的同时保证了目标检测的准确性。

从YOLOv1到YOLOv3，每一代性能的提升都与backbone（骨干网络）的改进密切相关。在YOLOv3中，作者不仅提供了darknet-53，还提供了轻量级的tiny-darknet。如果你想检测精度与速度兼备，可以选择darknet-53作为backbone；如果你想达到更快的检测速度，精度方面可以妥协。那么tiny-darknet是你很好的选择。总之，YOLOv3的灵活性使得它在实际工程中得到很多人的青睐。相比于 YOLOv2 的 骨干网络，YOLOv3 进行了较大的改进。借助残差网络的思想，YOLOv3 将原来的 darknet-19 改进为darknet-53。

在食品安全日益受到关注的当下，餐饮行业的后厨卫生与操作规范成为公众关注的焦点。为了提升食品安全透明度，规范后厨作业，一款基于深度学习算法的“明厨亮灶视频分析抓拍识别系统”应运而生。该系统融合了先进的 YOLOX+RNN 算法，通过监控摄像机对后厨进行实时监测，能够自动识别后厨人员的穿戴状况以及各类违规行为，并及时发出报警提醒。除了穿戴监测外，系统还能对后厨人员的违规行为进行抓拍和提醒。例如抽烟和玩手机是后厨常见的违规行为，不仅影响食品安全，还可能引发火灾等安全隐患。

# 检测类
class Detect(nn.Module):
    stride = None  # strides computed during build
    export = False  # onnx export

    def __init__(self, nc=80, anchors=(), ch=()):  # detection layer
        super(Detect, self).__init__()
        self.nc = nc  # number of classes
        self.no = nc + 5  # number of outputs per anchor
        self.nl = len(anchors)  # number of detection layers
        self.na = len(anchors[0]) // 2  # number of anchors
        self.grid = [torch.zeros(1)] * self.nl  # init grid
        a = torch.tensor(anchors).float().view(self.nl, -1, 2)
        self.register_buffer('anchors', a)  # shape(nl,na,2)
        self.register_buffer('anchor_grid', a.clone().view(self.nl, 1, -1, 1, 1, 2))  # shape(nl,1,na,1,1,2)
        self.m = nn.ModuleList(nn.Conv2d(x, self.no * self.na, 1) for x in ch)  # output conv

    def forward(self, x):
        # x = x.copy()  # for profiling
        z = []  # inference output
        self.training |= self.export
        for i in range(self.nl):
            x[i] = self.m[i](x[i])  # conv
            bs, _, ny, nx = x[i].shape  # x(bs,255,20,20) to x(bs,3,20,20,85)
            x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()

            if not self.training:  # inference
                if self.grid[i].shape[2:4] != x[i].shape[2:4]:
                    self.grid[i] = self._make_grid(nx, ny).to(x[i].device)

                y = x[i].sigmoid()
                y[..., 0:2] = (y[..., 0:2] * 2. - 0.5 + self.grid[i].to(x[i].device)) * self.stride[i]  # xy
                y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i]  # wh
                z.append(y.view(bs, -1, self.no))

        return x if self.training else (torch.cat(z, 1), x)

    @staticmethod
    def _make_grid(nx=20, ny=20):
        yv, xv = torch.meshgrid([torch.arange(ny), torch.arange(nx)])
        return torch.stack((xv, yv), 2).view((1, 1, ny, nx, 2)).float()

# 根据配置的.yaml文件搭建模型
class Model(nn.Module):
    def __init__(self, cfg='yolov5s.yaml', ch=3, nc=None):  # model, input channels, number of classes
        super(Model, self).__init__()
        if isinstance(cfg, dict):
            self.yaml = cfg  # model dict
        else:  # is *.yaml
            import yaml  # for torch hub
            self.yaml_file = Path(cfg).name
            with open(cfg) as f:
                self.yaml = yaml.load(f, Loader=yaml.SafeLoader)  # model dict

明厨亮灶视频分析抓拍识别系统还能对后厨环境进行安全监测。例如，鼠患是后厨常见的问题之一，不仅会污染食品，还可能传播疾病。系统通过监控摄像机和深度学习算法，能够实时监测后厨是否有老鼠出现，并及时抓提醒拍管理人员采取措施。此外，系统还能监测动火离人的情况，一旦检测到厨师离开炉灶且炉火未熄灭，会立即发出警报，防止火灾事故的发生。同时，对于垃圾桶未盖盖的情况，系统也能进行抓拍提醒，确保后厨环境的整洁和卫生。