一种基于YOLOv5算法可识别肉类生熟的工业厨房菜板

本发明涉及的是人工智能检测，更具体一点，本发明涉及了一种基于yolov5算法的肉类生熟分类识别方法。该方法应用在我们的新式菜板上来实时监测放置在上面的肉类，辨别出菜板上的是生肉还是熟肉，实现生肉和熟肉在菜板上的分类、分时处理，防止菜板处理生熟肉时发生混乱、细菌滋生等问题。

背景技术：

1、菜板，作为制作食物的基本厨具，每家餐厅都少不了对于菜板的使用。由于生肉、家禽等食材常带细菌和寄生虫，而熟食经过加工制作基本上没有细菌和寄生虫卵了。但如果在加工、贮存过程中不注意将它们分开,比如用切过生食品的刀切熟食品,用盛过生食品的容器未经洗净消毒盛放熟食品等,就会将生食品上的细菌、寄生虫卵再次污染到熟食品上,并且在熟食品上大量繁殖,危害人体健康。因此细菌生熟菜板分用的模式在工业厨房或酒店饭店后厨等场景是食品安全的必要条件和基本要求。其次，使用外观相似或相同的两个菜板区分使用场景也可能会出现无意中混用的风险。基于上述不便，本发明提出一种基于yolov5算法的可以识别肉类生熟并给出提示的菜板解决，菜板混用不卫生和外观分辨不便的问题。

2、yolo是目前十分常用的一种图像和影像识别算法，可以用来进行分类、目标检测、实例分割，他具有十分出色的检测效率和准确率，同时具有更快的处理速度和更高的实时性，应用场景广泛。yolo算法的原理是基于将目标检测任务转化为单个神经网络的回归问题，将图像分割成网格，在单次前向传播中采用一个单独的卷积神经网络（cnn）模型实现end-to-end的目标检测，同时预测目标的边界框位置和类别概率。而yolov5的优势，其模型尺寸小，部署成本低，灵活性高，并且检测速度快，主要对检测精度、速度和轻量级方面进行了改进。

技术实现思路

1、本发明的目的是在于解决上述的实际问题，提供了一种基于yolov5的分类识别方法的用于分辨生熟肉的菜板，可以实时检测需要处理的肉类，将生肉和熟肉分开在不同菜板上进行处理。

2、为了实现上述目的，本发明提供了如下的发明方案：一种运用了实时图像识别技术的菜板，用于识别肉类的生熟情况、保证生肉和熟肉在不同菜板上进行处理，实现了yolov5分类算法在实际生活中的应用。

3、根据本发明提供的方案，这种识别菜板主要包括：菜板主体、捕捉菜板上当前肉类图像的摄像头、显示结果的灯组、控住灯光显示和摄像头的开关。

4、根据菜板的实际应用，其工作步骤如下：

5、s21、获取菜板上放置的肉类信息图像数据：首先打开开关，使摄像头开始工作，之后将需要在菜板上处理的肉类放在菜板上，此时摄像头捕捉到了菜板上放置的肉类，实时获取该肉类的图片信息；

6、s22、将所述获取的包含待处理肉类的图像数据输入到在此前已经训练好的分类网络模型中，获取检测结果；

7、s23、检测出最终结果之后，得到菜板上的肉类信息，根据其结果由灯组进行显示：如果需要处理生肉，则将开关拨到生肉专用，算法输出结果为生肉则显示绿光、熟肉则显示红光；如果需要处理熟肉，则将开关拨到熟肉专用，算法输出结果为熟肉则显示绿光、生肉则显示红光。

8、进一步地，为实现上述目的，针对步骤s22，本发明提供的技术方案如下：一种基于yolov5算法的图像分类方法，包括以下几个步骤：

9、s22.1、模型搭建：首先对分类网络进行构建，所述网络模型以yolov5神经网络为基础网络，该网络采用cnn对目标进行端到端的检测，输入任意大小的3通道rgb图片，将图像重新定义成640*640作为分类网络的输入；

10、s22.2、数据集构建：运用网络爬虫和摄像头捕捉获得一部分肉类图片，将上述图像数据集划分为训练集和测试集；

11、s22.3、模型训练：利用上述的数据集，对所构建的网络模型进行训练，不断调整参数，得到一个训练好的分类网络模型；

12、s22.4、数据分类检测：利用摄像头获取实时的肉类图像，得到需要检测的肉类图片，将其输入到上述训练好的分类模型中，得到最后的检测结果。

13、进一步地，在上述步骤s22.1的模型搭建中，需要将图片分割成网格，在此基础上，将所述cnn网络将图片切分为s*s个网格，每个网格负责检测中心点落在 该网格内的目标，输出3层，分别为20*20、40*40、80*80的特征图，每一层最终预测值为s\times s\left [ {b\times \left ( {5\times n} \right )} \right ]大小的张量，其中，b为每一个网格对应的检测框数量，5为每一个检测框的坐标信息和物体置信度信息，n为物体种类数；其中，表示检测框左上角点的x坐标信息；表示检测框左上角点的y坐标信息；表示检测框的宽度信息；表示检测框的高度信息。

14、进一步地，针对上述步骤s22.2，在数据的收集过程中，通过网络爬取一部分肉类图片，再通过菜板上的摄像头采集一些已有的肉类的图片，然后将得到的全部图像进行标签分类，旨在利用网络爬取和实际摄像头拍摄两种不同方式得到的图像更具有多样性，从而增强卷积网络的鲁棒性。同时，针对标注好的数据，对其进行预处理，运用数据增强方法中的翻转和缩放操作对图片进行处理，扩充数据集的同时，增强对数据的特征表现和标签分类情况。在对数据集进行分类和预处理之后，按照需要进行划分，得到不同特征标签分类的训练集和测试集两部分。

15、进一步地，上述步骤s22.3对所构建的模型进行训练，具体包括：

16、将上述步骤s22.2中得到的数据训练集和测试集输入到构建的yolov5分类神经网络模型中，进行数据增强和多轮迭代训练，对分类模型进行训练。基于所述卷积神经网络对所述肉类信息的输出值与真实值间的差距构建损失函数，以训练所述卷积神经网络至收敛，保存最优模型，获得训练好的分类网络模型。

17、进一步地，本发明中的开关需要能够实现菜板的模式调节，完成对两种情况下灯组显示情况的切换，同时要准确根据算法的输出结果对灯组进行控制：设定开关在中间处于关闭状态，当开关拨至左侧时菜板设定为生肉专用、当开关拨至右侧时菜板设定为熟肉专用。当需要识别生肉时，将开关拨拨至左侧，摄像头开始工作，采集菜板上的肉类图片进行输入，若算法识别的实时图片结果为生肉，则灯组显示绿色，允许用该菜板处理、若算法识别的实时图片结果为熟肉，则灯组显示红色，不允许用该菜板处理；当需要识别熟肉时，将开关拨拨至右侧，若算法识别的实时图片结果为熟肉，则灯组显示绿色，允许用该菜板处理、若算法识别的实时图片结果为生肉，则灯组显示红色，不允许用该菜板处理。

技术特征：

1.一种可以用来识别生熟肉的菜板，其特征在于，可以通过摄像头捕捉菜板上放置的肉类图片，根据得到的图片运用图像识别算法进行分类处理，识别出生肉或者熟肉。所描述的分辨生熟肉菜板包括以下几个部分：切肉的菜板部分，主要用于放置需要识别和处理的肉类；灯组，布置在菜板的四周；摄像头，用于捕捉放置在菜板上的肉类的图片；开关，控制摄像头的开、改变灯组显示的颜色；支架，用于连接摄像头和菜板，并起到固定摄像头的作用。

2.根据权利要求1所述的识别生熟肉菜板，其工作原理是：一种基于yolov5算法的肉类生熟分类识别方法，特征在于，所述物体检测模块中包括分类网络模型，所述分类网络模型以yolov5神经网络作为基础网络，在yolov5深度学习网络的主干网络添加注意力机制，让神经网络直接计算有用特征向量，采用cnn对目标进行端到端的检测。

3.根据权利要求1所述的识别生熟肉菜板，其工作步骤如下：

4.根据权利要求2所述的识别生疏肉菜板的工作原理，主要是运用了基于yolov5算法的目标分类模型，对肉类进行分类识别，该算法的步骤包括：

5.根据权利要求4所述的基于yolov5算法的识别生熟肉菜板的算法步骤，其特征在于，所述步骤s11中对模型数据集的构建，具体包括以下几个步骤：

6.根据权利要求4所述的基于yolov5算法的识别生熟肉菜板的算法步骤，所述步骤s13中对构建的网络模型进行预训练，需要将步骤s11中得到的数据集输入到分类网络模型里，进行数据增强和多次跌倒训练，得到训练好的最优分类网络模型。

技术总结
本发明提供一种基于YOLOv5算法可识别肉类生熟的工业厨房菜板，用于饭店后厨或食品加工场所。通过深度学习算法对目标分类，实时监测案板上的肉类是否放置正确，并予以灯光提示，方便直接地做到肉类生熟分开处理。通过切换识别模式挡位设定使用模式，可将生板改变为熟板。所述的分辨生熟肉菜板包括：用于切肉的菜板；灯组，布置在菜板四周；摄像头，用于采集放置在菜板上的肉类的图片；开关，用于控制灯光的显示以及摄像头的开闭；连接菜板与摄像头的支架。本发明涉及的基于YOLOv5的算法的可识别肉类生熟的菜板，解决了传统非智能菜板靠固定颜色和人工区分使用场景的，监督不易的不便之处，靠红绿灯光提示或警示使用者；并且可以通过适当的消毒处理或更换案面随时将生肉菜板切换为熟肉菜版，在保持高性能的基础上降低更换成本。

技术研发人员：刘铭,王坤宁,李泽熙,李映燃
受保护的技术使用者：长春工业大学
技术研发日：
技术公布日：2024/1/15