食品衛(wèi)生安全是影響公眾健康和社會(huì)福祉的重要因素,食品衛(wèi)生安全成為人們茶余飯后談?wù)摰慕裹c(diǎn)問題,雖然人們的關(guān)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(cè)工作中的檢測(cè)項(xiàng)目眾多,需要的監(jiān)管和檢測(cè)人員比較多。隨著先進(jìn)的管理理念和信息技術(shù)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(shè)為食品監(jiān)督管理部門和相關(guān)機(jī)構(gòu)提供食品衛(wèi)生安全監(jiān)督的相對(duì)透明化、智能化的信息基礎(chǔ)數(shù)據(jù),使食品衛(wèi)生安全監(jiān)督管理達(dá)到新的高度。在對(duì)廚房人員衛(wèi)生情況智能監(jiān)控檢測(cè)的過程中,必然會(huì)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(shí)別問題則是本研究的關(guān)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(huì)使人臉關(guān)鍵性特征無法完整而精確的提取出來,導(dǎo)致圖像信息的丟失。本文研究基于機(jī)器學(xué)習(xí)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(shí)別穿戴廚師帽和口罩的情況,在穿戴完整的情況下予以進(jìn)入。工作期間對(duì)各個(gè)人員進(jìn)行實(shí)時(shí)檢測(cè)是否違規(guī)摘下廚師帽和口罩,并給以警示。主要研究?jī)?nèi)容及結(jié)論如下:（1）對(duì)采集的人臉圖片先使用支持向量機(jī)進(jìn)行的... 

【文章來源】：浙江師范大學(xué)浙江省

【文章頁數(shù)】：67 頁

【學(xué)位級(jí)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(xùn)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(gè)隱藏層被視為下一層（更高層）的數(shù)據(jù)向量。當(dāng)多個(gè)RBM串聯(lián)時(shí)，形成DBN。前一個(gè)RBM的隱層被當(dāng)做下一個(gè)RBM的顯層，前一個(gè)RBM的輸出則作為下一個(gè)RBM的輸入而存在。在訓(xùn)練過程中，需要對(duì)前一層的RBM進(jìn)行充分訓(xùn)練，然后再對(duì)當(dāng)前層的RBM進(jìn)行訓(xùn)練，直到最后一層。如圖2.2所示：圖2.2RBM結(jié)構(gòu)圖隱藏層的神經(jīng)元和可視層的神經(jīng)元逐一對(duì)應(yīng)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(dú)立。處于上面的一層是隱含層，h表示它每個(gè)神經(jīng)元的狀態(tài)，b代表隱含層每個(gè)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(diǎn)的值非0即1，并且假設(shè)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(gè)假設(shè)，如果可視層擁有m個(gè)節(jié)點(diǎn)，設(shè)隱藏層有n個(gè)節(jié)點(diǎn)，(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(quán)值mnijR。因?yàn)镽BM的同層間的神經(jīng)元無連接，所以，每層各個(gè)節(jié)點(diǎn)之間是相互獨(dú)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(xué)特性為實(shí)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(shí)候，可以無視模型輸入數(shù)據(jù)的大小，可視層輸入節(jié)點(diǎn)數(shù)無論在任何范圍內(nèi)，都能利用Sigmoid函數(shù)的數(shù)學(xué)特性，求出其對(duì)應(yīng)的函數(shù)值，并且其值會(huì)被直接壓縮于0到1之間，換一種說法就是節(jié)點(diǎn)的激活概率值[17]。用RBM進(jìn)行訓(xùn)練的過程，其目的是生成一個(gè)特定概率分布函數(shù)，從而能最大程度產(chǎn)生訓(xùn)練樣本。其中，在確定RBM模型時(shí)需要求解幾個(gè)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(dá)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(jìn)行修正：vP)(ln（2.11）其中，為步長(zhǎng)。其次，分別對(duì)中的三個(gè)參數(shù)進(jìn)行求導(dǎo)，][][)(ln*PiijPjijEvvhEhvP（2.12）][)(ln*iiPivvEvP（2.13）

【參考文獻(xiàn)】：
期刊論文
[1]基于高斯混合模型的移動(dòng)目標(biāo)跟蹤[J]. 時(shí)磊,魯華棟.  微型電腦應(yīng)用. 2017(12)
[2]自適應(yīng)步長(zhǎng)布谷鳥搜索算法[J]. 李榮雨,戴睿聞.  計(jì)算機(jī)科學(xué). 2017(05)
[3]深度學(xué)習(xí)研究與進(jìn)展[J]. 孫志遠(yuǎn),魯成祥,史忠植,馬剛.  計(jì)算機(jī)科學(xué). 2016(02)
[4]一種基于幀差分法與快速圖分割相結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J]. 陳佳,朱長(zhǎng)仁,錢智明.  現(xiàn)代電子技術(shù). 2016(03)
[5]Markov隨機(jī)游走和高斯混合模型相結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J]. 李菊,李克清,蘇勇剛.  電子測(cè)量與儀器學(xué)報(bào). 2014(05)
[6]深度學(xué)習(xí)研究綜述[J]. 孫志軍,薛磊,許陽明,王正.  計(jì)算機(jī)應(yīng)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(shí),王燕,楊松銘.  計(jì)算機(jī)工程. 2012(11)
[8]人眼定位及其在視頻會(huì)議中的應(yīng)用[J]. 周娜,常義林,姜艷平.  北京電子科技學(xué)院學(xué)報(bào). 2008(02)
[9]智能視頻監(jiān)控系統(tǒng)分析與應(yīng)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(luò)的通信輻射源個(gè)體識(shí)別[D]. 張曉博.西安理工大學(xué) 2019
[2]基于LBP算法的表情識(shí)別研究[D]. 范鈺瑩.曲阜師范大學(xué) 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(yù)測(cè)方法[D]. 韓奧琪.沈陽工業(yè)大學(xué) 2018
[4]基于局部遮擋的人臉識(shí)別算法研究[D]. 岳震.杭州電子科技大學(xué) 2018
[5]基于小波變換和深度信念網(wǎng)絡(luò)的風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)方法[D]. 李剛強(qiáng).深圳大學(xué) 2017
[6]基于Lévy Flight的地震搜救模擬研究[D]. 胡超.北京交通大學(xué) 2011
[7]支持向量機(jī)分類算法研究與應(yīng)用[D]. 彭璐.湖南大學(xué) 2007



本文編號(hào)：3027908