明厨亮灶AI未佩戴厨师帽识别系统

       随着国家一系列食品安全政策的出台，厨房的安全卫生问题逐渐被人们重视。其中，工作人员是否佩戴厨师帽是很关键的一环。人们希望能通过一种方式实现自动化的检测，但目前市场上大部分“明厨亮灶系统”或“未佩戴厨师帽检测系统”都无法满足用户的真实场景需求。在实际使用的时候会出现大量的误报、漏报等问题。那到底在未佩戴厨师帽行为识别算法上到底有什么难点？该如何解决呢？

       算法难点
       目前，未佩戴厨师帽检测算法的核心问题为召回率与准确率不足，其难点主要分为以下两个方面。

       难点一：厨房场景复杂、空间受限、人体目标容易被遮挡

       受到厨房空间、摄像头安装角度、人员密集等条件影响，人体目标被部分或严重遮挡以及厨师人员低头造成厨师帽特征信息丢失，只有少部分数据或者无数据可供神经网络学习。由于遮挡数据的多样性与复杂性，模型只能学习到厨师帽的局部特征，容易造成过拟合，从而引发漏报或误报问题。

       如上图所示，由于遮挡问题造成无法看到人体目标，只有局部厨师帽特征信息在画面中，导致影响特征网络的特征提取，从而造成漏报。

       难点二：摄像头安装位置角度导致厨师帽目标过小

       当厨房工作人员距离摄像头较远时，无法看清厨师帽的细粒度特征，造成误识别。下图中可以看到，佩戴厨师帽的人员，距离摄像头距离过远，且画面光线昏暗，造成无法精准做到厨师帽识别效果。

       优化方案
       针对上面提到的难点，小编的优化方式是采用目标检测技术(Yolov5)+多目标追踪技术(bytetrack)。

       YOLOv5输入端

       Mosaic数据增强

       Yolov5的输入端采用了和Yolov4一样的Mosaic数据增强的方式。Mosaic是参考2019年底提出的CutMix数据增强的方式，但CutMix只使用了两张图片进行拼接，而Mosaic数据增强则采用了4张图片，随机缩放、随机裁剪、随机排布的方式进行拼接，使模型在更小的范围内识别目标。

其他算法点击：算法中心