[发明专利]一种基于度量学习的餐饮场景违规识别方法

权利要求书

1.一种基于度量学习的餐饮场景违规识别方法，其特征在于，包括以下步骤：

S1，对原始图像进行归类，根据后厨巡视标准依次构建每一违规项的图像数据库；

S2，基于所述图像数据库训练深度学习模型作为特征提取器；

S3，提取每一违规项的特征向量，构建后厨巡视标准的特征注册库；

S4，将待识别图像输入特征提取器中获得待识别特征向量；

S5，将所述待识别特征向量与特征注册库进行比对，若待识别特征向量与特征注册库中的任一特征向量对比成功，则所述待识别图像中的操作违规，向客户推送当前图片，否则所述待识别图像中的操作符合后厨巡视标准。

2.根据权利要求1所述的基于度量学习的餐饮场景违规识别方法，其特征在于，所述S1中归类之前，对原始图像进行裁剪：以目标检测算法检测出原始图像中的人，以人为中心向周围扩展一定区域进行裁剪。

3.根据权利要求2所述的基于度量学习的餐饮场景违规识别方法，其特征在于，所述S4中待识别图像输入特征提取器前进行相同的裁剪。

4.根据权利要求3或4所述的基于度量学习的餐饮场景违规识别方法，其特征在于，所述一定区域为以人为中心按1.2倍向外侧扩展。

5.根据权利要求1所述的基于度量学习的餐饮场景违规识别方法，其特征在于，所述S2中深度学习模型为基于度量学习设计的捕获违规项的特征向量的距离损失函数，具体如下：

其中，J(x)为损失值；N为深度学习训练时的批次大小；x_n为第n张图像提取的特征向量，c_n为第n张图像提取的特征向量的类别；w为权重；α为由预先设置的不同违规项之间的决策边界；C为违规项的个数。

6.根据权利要求5所述的基于度量学习的餐饮场景违规识别方法，其特征在于，所述S5中的对比方法如下：求待识别特征向量与特征注册库中的任一特征向量的余弦距离，当所述余弦距离小于预先设定的阈值时，则对比成功，否则对比失败。

7.根据权利要求6所述的基于度量学习的餐饮场景违规识别方法，其特征在于，所述余弦距离的计算方法如下：

其中，x_i为待识别特征向量；f_i^c为特征注册库中的特征向量；cos(θ)为余弦距离。