一种基于热成像仪的活体动物监测方法、设备及系统与流程

本发明涉及食品安全技术领域，更具体的是涉及一种基于热成像仪的活体动物监测方法、设备及系统。

背景技术：

学校食堂从业人员应当养成良好的个人卫生习惯、加工操作习惯，进入工作岗位前，应当穿戴清洁的工作衣帽，从业人员不得在食堂吸烟等行为，但由于食堂中经常不能缺少生食类食品、肉食类食品等，若因为管理不当导致厨房活体动物，如猫、老鼠等，会给食堂食材造成二次污染，导致消费者不能获得心仪放心的食品，增加了食品的高风险程度。因此，如何有效控制非食用活体动物，成为了当前的热门话题，特别是夜间活动的活体动物，由于夜间，食堂工作人员歇业，夜间活动的活体动物就逐步开始活动，如何对这些夜间活动的活体动物进行监测便极其关键。

技术实现要素：

本发明的目的在于：为了解决目前的食堂在夜晚时无人看守，夜间活动的活体动物如猫、老鼠等容易对储藏于食堂内的生食类食品、肉食类食品造成污染的问题，本发明提供一种基于热成像仪的活体动物监测方法、设备及系统。

本发明为了实现上述目的具体采用以下技术方案：

一种基于热成像仪的活体动物监测方法，包括如下步骤：

s1：在相同时间间隔段内，利用热成像仪采集多张厨房里的热成像图像，利用拉普拉斯卷积运算对热成像图像进行预筛选，得到每一时间段内的最优图像；

s2：对最优图像进行预处理，得到预处理图像；

s3：利用sift描述子对预处理图像进行特征提取，基于相似度匹配对相邻两次提取的特征进行相似度计算，得到相似度计算结果；

s4：根据相似度计算结果，判断热成像图像中是否存在活体动物。

进一步的，所述s1中，利用拉普拉斯卷积运算对热成像图像进行预筛选，包括：

s1.1：将热成像图像转换为灰度图像，获得其灰度图数组；

s1.2：利用拉普拉斯算子对灰度图数组进行卷积运算；

s1.3：根据s1.2中卷积运算的结果计算方差，比较多个灰度图数组的方差，选取方差最大的灰度图数组所对应的热成像图像为最优图像，完成预筛选。

进一步的，所述s2中，对最优图像进行预处理，具体为：对最优图像先后进行归一化处理和二值化处理，得到预处理图像。

进一步的，所述s3具体包括如下步骤：

s3.1：对预处理图像进行rio区域选取，然后对rio区域进行隔行隔列抽取，得到抽取图像；

s3.2：使用sift描述子对抽取图像进行特征提取，得到特征点结果集；

s3.3：计算相邻两次时间段的抽取图像的特征点结果集的相似分数z，计算式为：

其中，△di为第i点在两特征点结果集中运行的距离误差，△ai为第i点在两特征点结果集中运行的角度误差，lim_d为预设的特征点允许的距离误差，lim_a为预设的特征点允许的角度误差，num为两特征点结果集中同时满足lim_d和lim_a的特征点数；

s3.4：计算两特征点结果集的相似度s，计算式为：

s＝4*y*z/x²

其中，x为两特征点结果集的特征点数之和，y为两特征点结果集中最大特征点数。

进一步的，所述s4中，判断依据为：将相似度计算结果与预设的阈值进行比较，若相似度计算结果小于阈值，则认为热成像图像中存在活体动物，反之，则不存在。

进一步的，所述监测方法还包括通过判断热成像图像中的物体移动距离进行辅证，具体为：

特征提取后，在预处理图像中标记物体的几何中心位置，对比连续的n张预处理图像中几何中心位置，若几何中心位置的移动距离超过阈值，则判断热成像图像中存在移动的活体动物。

进一步的，所述移动距离的计算为：

标定热成像图像与实际场景的尺寸，得到比例值scale，根据计算式：distance＝n*scale计算得到移动距离，其中n为热成像图像中像素点个数。

一种基于热成像仪的活体动物监测设备，包括热成像仪、处理器、储存器模块、网络模块和报警器模块，

热成像仪：用于采集厨房里的热成像图像；

处理器：用于对热成像图像进行处理并上报至报警器模块；

存储器模块：用于存储监测过程中的数据；

网络模块：用于与服务器进行数据交互；

报警器模块：用于接收处理器发出的指令，通过声音驱赶活体动物。

一种基于热成像仪的活体动物监测系统，包括监测设备、服务器以及厨房应用场景，所述监测设备为一个或多个，安装于厨房相应位置，监测设备与服务器之间采用socket通信。

本发明的有益效果如下：

1、本发明采用热成像仪获取厨房活体动物图像，避免了传统摄像机需要在夜晚补光或者曝光的问题，使用安装简单，成本较低。

2、本发明的方法采用sift描述子提取特征，基于相似度匹配相邻两次的特征点结果集，进行相似度计算，能够确保判断结果的正确性，并且再以移动距离作为辅证，能够确保快速准确判断出活体动物，并及时进行报警驱赶，确保食堂内食物质量，对社会的食品安全具有积极意义。

附图说明

图1是本发明具体实施方式的方法流程示意图。

图2是本发明具体实施方式的监测设备示意图。

图3是本发明具体实施方式的监测系统示意图。

具体实施方式

为了本技术领域的人员更好的理解本发明，下面结合附图和以下实施例对本发明作进一步详细描述。

实施例1

如图1所示，本实施例提供一种基于热成像仪的活体动物监测方法，包括如下步骤：

s1：在相同时间间隔段内，利用热成像仪采集多张厨房里的热成像图像，利用拉普拉斯卷积运算对热成像图像进行预筛选，得到每一时间段内的最优图像，包括：

s1.1：将热成像图像转换为灰度图像，获得其灰度图数组；

s1.2：利用拉普拉斯算子对灰度图数组进行卷积运算，本实施例所采用的拉普拉斯算子为{0，1，0，1，-4，1，0，1，0}；

s1.3：根据s1.2中卷积运算的结果计算方差，比较多个灰度图数组的方差，选取方差最大的灰度图数组所对应的热成像图像为最优图像，完成预筛选；

s2：对最优图像进行预处理，得到预处理图像，具体为：对最优图像先后进行归一化处理和二值化处理；

s3：利用sift描述子对预处理图像进行特征提取，基于相似度匹配对相邻两次提取的特征进行相似度计算，得到相似度计算结果，具体包括如下步骤：

s3.1：对预处理图像进行rio区域选取，然后对rio区域进行隔行隔列抽取，降低图像尺寸，得到抽取图像；

s3.2：使用sift描述子对抽取图像进行特征提取，得到特征点结果集，由于夜间厨房里除了活动的活体动物，其他的物品或者物件均可认为是静止的，因此对相邻两次提取的特征点结果集进行相似度计算；

s3.3：计算相邻两次时间段的抽取图像的特征点结果集的相似分数z，计算式为：

其中，△di为第i点在两特征点结果集中运行的距离误差，△ai为第i点在两特征点结果集中运行的角度误差，lim_d为预设的特征点允许的距离误差，lim_a为预设的特征点允许的角度误差，num为两特征点结果集中同时满足lim_d和lim_a的特征点数；

s3.4：计算两特征点结果集的相似度s，计算式为：

s＝4*y*z/x²

其中，x为两特征点结果集的特征点数之和，y为两特征点结果集中最大特征点数；

s4：根据相似度计算结果，判断热成像图像中是否存在活体动物，判断依据为：将相似度计算结果与预设的阈值进行比较，若相似度计算结果小于阈值，则认为热成像图像中存在活体动物，反之，则不存在。

如图2所示，本实施例还提供一种基于热成像仪的活体动物监测设备，包括电源、热成像仪、处理器、储存器模块、网络模块和报警器模块，

电源：为监测设备提供工作电源；

热成像仪：用于采集厨房里的热成像图像；

处理器：用于对热成像图像进行处理，将处理结果即是否存在活体动物上报至报警器模块，本实施例中处理器选用型号为hi3519a的ai芯片；

存储器模块：用于存储监测过程中的数据，包括历史数据和处理过程中的数据；

网络模块：用于与服务器进行数据交互；

报警器模块：用于接收处理器发出的指令，通过声音驱赶活体动物。

如图3所示，本实施例还提供一种基于热成像仪的活体动物监测系统，包括监测设备、服务器以及厨房应用场景，所述监测设备为一个或多个，安装于厨房相应位置，监测设备与服务器之间采用socket通信，所有监测设备均遵守相同的通信协议，组成局域网，厨房应用场景包括但不限于工具存放、蔬菜存放、肉类存放、食用油存放、餐具存放等。

实施例2

本实施例在实施例1的基础之上进一步优化，具体是：所述监测方法还包括通过判断热成像图像中的物体移动距离进行辅证，具体为：

特征提取后，在预处理图像中标记物体的几何中心位置，对比连续的n张预处理图像中几何中心位置，通常选择3张即可，若几何中心位置的移动距离超过阈值如50cm，则判断热成像图像中存在移动的活体动物，所述移动距离的计算为：标定热成像图像与实际场景的尺寸，得到比例值scale，根据计算式：distance＝n*scale计算得到移动距离，其中n为热成像图像中像素点个数，scale的单位为cm。

本实施例的方法采用sift描述子提取特征，基于相似度匹配相邻两次的特征点结果集，进行相似度计算，能够确保判断结果的正确性，并且再以移动距离作为辅证，能够确保快速准确判断出活体动物，并及时进行报警驱赶，确保食堂内食物质量，对社会的食品安全具有积极意义。

以上所述，仅为本发明的较佳实施例，并不用以限制本发明，本发明的专利保护范围以权利要求书为准，凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明的保护范围内。