Coovally助力明厨亮灶一步到位

背景

近几年来，无论是食品生产企业还是餐饮单位，食品安全事件频频发生，食品安全问题成为公众的关注焦点。

2015年，国家食品药品监督管理局提出了“明厨亮灶〞工程的口号，主要是通过透明厨房和视频厨房的建设，让消费者可直观看到菜品的切配烹饪、冷食类和生食类食品加工、餐饮具消毒等。目的是让餐饮服务单位后厨及食品加工过程从幕后走到前台，消除餐饮服务单位、食品加工企业与公众问信息不对称的障碍，引导公众直接参与食品安全，实现全民监督，最终实现食品安全的根本好转。

基于摄像头监控和实时视频实时展示的厨房管理透明化只是“明厨亮灶”第一步，食品安全管理者还希望升级版的“明厨亮灶”能够基于摄像头来全面识别并纠正厨房中的不规范操作。对餐饮服务企业而言，雇用全职食品安全监督员的成本很高；即便安排了专人看管，也无法做到面面俱到，难以对全部不规范行为进行识别和纠正。

因此通过智能系统进行监管变成了必然的选择。然而对于餐饮服务企业而言，招募专业算法工程师、采购GPU服务器、招募部署运维工程师的成本会更高，还会存在研发时间长，模型效果难以保障的问题。

解决思路

为帮助企业快速、低成本的将AI技术应用于升级版“明厨亮灶”，跑码地Coovally提供了零门槛、高精度的AI建模能力，帮助企业轻松构建AI模型。基于跑码地Coovally，企业仅需普通业务人员利用业余时间，即可在2-3周内从0到1训练出可用于升级版“明厨亮灶”的厨师帽识别模型，并应用到厨房场景的智能视频分析业务中。

数据采集

客户的实际场景是基于厨房摄像头视频数据来进行厨师帽佩戴行为识别。因此，前期采集训练数据时，需要从厨房摄像头视频数据中获取样本，需包含厨师帽佩戴、未佩戴情况下的足量图片，尽量覆盖不同类型的厨师帽，且尽量覆盖不同角度、距离、光照等条件，与厨房的实际摄像条件相符，这样才能保证训练出来的模型真实可用。网络图片与真实场景差异较大，一般情况下不建议采用。 厨师帽正常佩戴的图片示例如下：

数据标注

采集完毕后将图片打包成zip压缩包上传，并使用矩形框对佩戴、未佩戴厨师帽的人体头部位置进行标注。示例如下：

 模型训练

选择任务类型并创建模型，厨师帽识别对应目标检测模型，因此需选择物体检测任务类型。点击创建模型，根据您的业务需要来为模型自定义命名，如：厨师帽识别。

模型部署

模型训练完成后，可通过平台的模型转换引擎，将模型转换成TensorRT或ONNX格式，然后通过页面或者部署工具就可以将模型部署到推理引擎上进行预测推理了。

截至目前，全国学校食堂“明厨亮灶”数量达到31.86万户，覆盖率占有食堂学校数的84%，直辖市、省会城市和计划单列市学校食堂“明厨亮灶”数为5.28万户，覆盖率占有学校食堂数的91%。相信有了跑码地Coovally，即使是中小型餐饮服务企业，也能轻松实现明厨亮灶，让食品安全更放心。