食品衛(wèi)生安全是影響公眾健康和社會福祉的重要因素,食品衛(wèi)生安全成為人們茶余飯后談論的焦點問題,雖然人們的關注逐年提升,但每年由于食用不衛(wèi)生的食物引起的腹瀉等疾病的衛(wèi)生事故還是源源不斷的發(fā)生,并且逐年攀升。食品衛(wèi)生安全監(jiān)測工作中的檢測項目眾多,需要的監(jiān)管和檢測人員比較多。隨著先進的管理理念和信息技術不斷發(fā)展,食品安全監(jiān)督管理和廚房視頻監(jiān)控系統(tǒng)建設為食品監(jiān)督管理部門和相關機構提供食品衛(wèi)生安全監(jiān)督的相對透明化、智能化的信息基礎數(shù)據(jù),使食品衛(wèi)生安全監(jiān)督管理達到新的高度。在對廚房人員衛(wèi)生情況智能監(jiān)控檢測的過程中,必然會遇到工作人員臉部廚師帽和口罩遮擋的問題,而怎樣解決有遮擋的人臉識別問題則是本研究的關鍵。人臉遮擋造成的問題不僅僅是某些面部上的器官被不明物體遮擋,最重要的是它會使人臉關鍵性特征無法完整而精確的提取出來,導致圖像信息的丟失。本文研究基于機器學習的廚房人員智能監(jiān)控算法,先在廚房門口采集人臉圖片信息,識別穿戴廚師帽和口罩的情況,在穿戴完整的情況下予以進入。工作期間對各個人員進行實時檢測是否違規(guī)摘下廚師帽和口罩,并給以警示。主要研究內(nèi)容及結論如下:（1）對采集的人臉圖片先使用支持向量機進行的... 

【文章來源】：浙江師范大學浙江省

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【部分圖文】：

最優(yōu)分類面示意圖

2研究理論10練數(shù)據(jù)。DBN的訓練過程是分層的。在每一層中，數(shù)據(jù)向量被用來推斷隱藏層，然后這個隱藏層被視為下一層（更高層）的數(shù)據(jù)向量。當多個RBM串聯(lián)時，形成DBN。前一個RBM的隱層被當做下一個RBM的顯層，前一個RBM的輸出則作為下一個RBM的輸入而存在。在訓練過程中，需要對前一層的RBM進行充分訓練，然后再對當前層的RBM進行訓練，直到最后一層。如圖2.2所示：圖2.2RBM結構圖隱藏層的神經(jīng)元和可視層的神經(jīng)元逐一對應相連，但是處于同一層間上面的神經(jīng)元不給予連接，這就表示神經(jīng)元之間相互獨立。處于上面的一層是隱含層，h表示它每個神經(jīng)元的狀態(tài)，b代表隱含層每個神經(jīng)元的閾值；處于下面的一層就是可視層，它的神經(jīng)元狀態(tài)用v表示，a代表其閾值。如果全部節(jié)點的值非0即1，并且假設全概率分布hvP),(滿足玻爾茲曼分布，那么稱此模型為RBM�，F(xiàn)在，我們做一個假設，如果可視層擁有m個節(jié)點，設隱藏層有n個節(jié)點，(1)如圖2.2可所示可視層的狀態(tài)向量為Tmivvvvv),...,,...,,(21；(2)隱藏層的狀態(tài)向量為Tnjhhhhh),...,,...,,(21；(3)可視層的閾值向量為Tmi),...,,...,,(21；(4)如圖2.2可所示處于上方的隱藏層的閾值向量為Tnjbbbbb),...,,...,,(21；(5)如圖2.2可所示，a層與b層連接的權值mnijR。因為RBM的同層間的神經(jīng)元無連接，所以，每層各個節(jié)點之間是相互獨立的，那么存在)|()|(1PvvhPhjnj（2.1）)|()|(1PhhvPvimi（2.2）

2研究理論12特征曲線如圖2.3所示。圖2.3S函數(shù)的特征曲線由于Sigmoid函數(shù)的數(shù)學特性為實際問題的各種模型提供可以使用的空間。在S函數(shù)用作激活函數(shù)的時候，可以無視模型輸入數(shù)據(jù)的大小，可視層輸入節(jié)點數(shù)無論在任何范圍內(nèi)，都能利用Sigmoid函數(shù)的數(shù)學特性，求出其對應的函數(shù)值，并且其值會被直接壓縮于0到1之間，換一種說法就是節(jié)點的激活概率值[17]。用RBM進行訓練的過程，其目的是生成一個特定概率分布函數(shù)，從而能最大程度產(chǎn)生訓練樣本。其中，在確定RBM模型時需要求解幾個參數(shù)，分別為iij,和jb.由式（2.6）知));,(exp()(1),(hvEhZvP（2.10）顯然，式（2.10）中概率隨著能量的增加而減小，因此要想得到概率的最大化，必須使能量達到最校具體理論如下：首先根據(jù)梯度上升法按如下方法將參數(shù)進行修正：vP)(ln（2.11）其中，為步長。其次，分別對中的三個參數(shù)進行求導，][][)(ln*PiijPjijEvvhEhvP（2.12）][)(ln*iiPivvEvP（2.13）

【參考文獻】：
期刊論文
[1]基于高斯混合模型的移動目標跟蹤[J]. 時磊,魯華棟.  微型電腦應用. 2017(12)
[2]自適應步長布谷鳥搜索算法[J]. 李榮雨,戴睿聞.  計算機科學. 2017(05)
[3]深度學習研究與進展[J]. 孫志遠,魯成祥,史忠植,馬剛.  計算機科學. 2016(02)
[4]一種基于幀差分法與快速圖分割相結合的運動目標檢測方法[J]. 陳佳,朱長仁,錢智明.  現(xiàn)代電子技術. 2016(03)
[5]Markov隨機游走和高斯混合模型相結合的運動目標檢測算法[J]. 李菊,李克清,蘇勇剛.  電子測量與儀器學報. 2014(05)
[6]深度學習研究綜述[J]. 孫志軍,薛磊,許陽明,王正.  計算機應用研究. 2012(08)
[7]基于CS算法的Markov模型及收斂性分析[J]. 王凡,賀興時,王燕,楊松銘.  計算機工程. 2012(11)
[8]人眼定位及其在視頻會議中的應用[J]. 周娜,常義林,姜艷平.  北京電子科技學院學報. 2008(02)
[9]智能視頻監(jiān)控系統(tǒng)分析與應用[J]. 張伯虎,楊金柱,陳建莉.  安防科技. 2006(11)

碩士論文
[1]基于深度置信網(wǎng)絡的通信輻射源個體識別[D]. 張曉博.西安理工大學 2019
[2]基于LBP算法的表情識別研究[D]. 范鈺瑩.曲阜師范大學 2019
[3]基于變分模態(tài)分解組合模型的超短期發(fā)電功率預測方法[D]. 韓奧琪.沈陽工業(yè)大學 2018
[4]基于局部遮擋的人臉識別算法研究[D]. 岳震.杭州電子科技大學 2018
[5]基于小波變換和深度信念網(wǎng)絡的風電場短期風速預測方法[D]. 李剛強.深圳大學 2017
[6]基于Lévy Flight的地震搜救模擬研究[D]. 胡超.北京交通大學 2011
[7]支持向量機分類算法研究與應用[D]. 彭璐.湖南大學 2007



本文編號：3027908