学校食堂互联网明厨亮灶智能监控算法 YOLOv8

学校食堂互联网明厨亮灶智能监控算法通过AI识别分析技术，学校食堂互联网明厨亮灶智能监控算法对学校食堂餐厅监控画面开展实时检测，算法对后厨厨师没有按照餐厅要求佩戴厨师帽厨师服口罩，更有甚者在厨房违规抽烟以及玩手机等行为，算法立马抓拍警报，并同步警报截屏和视频发送给监控后台存档同时提醒相关人员及时处理。

YOLOv8 与YOLOv5出自同一个团队，是一款前沿、最先进（SOTA）的模型，基于先前 YOLOv5版本的成功，引入了新功能和改进，进一步提升性能和灵活性。YOLOv8是一种尖端的、最先进的 (SOTA) 模型，它建立在以前成功的 YOLO 版本的基础上，并引入了新的功能和改进，以进一步提高性能和灵活性。YOLOv8 旨在快速、准确且易于使用，这也使其成为对象检测、图像分割和图像分类任务的绝佳选择。具体创新包括一个新的骨干网络、一个新的 Ancher-Free 检测头和一个新的损失函数，还支持YOLO以往版本，方便不同版本切换和性能对比。

YOLOv8 有 5 个不同模型大小的预训练模型：n、s、m、l 和 x。关注下面的参数个数和COCO mAP（准确率），可以看到准确率比YOLOv5有了很大的提升。特别是 l 和 x，它们是大模型尺寸，在减少参数数量的同时提高了精度。

随着社会的发展和人民生活水平的进步，大家对于餐厅卫生环境饮食越来越重视，特别是校园餐厅，餐厅卫生关系着学生的身体健康，学生是祖国的未来。按要求穿戴厨师服厨师帽佩戴口罩遵守餐厅规则，是保证后厨卫生的一个基本前提。如今规范化的厨师着装不但可以提高工作效率，更是后厨卫生情况与食品安全的保障。学校食堂餐厅后厨从业人员厨师应依照规定进行日常工作。然而后厨不合规着装的情况依然屡见不鲜，依靠不定期的人工巡查与当地监管部门的不定期抽查，对餐厅卫生而言目前已经难以做到有效监管。学校食堂互联网明厨亮灶智能监控算法应运而生。

class Detect(nn.Module):
    stride = None  # strides computed during build
    onnx_dynamic = False  # ONNX export parameter

    def __init__(self, nc=80, anchors=(), ch=(), inplace=True):  # detection layer
        super().__init__()
        self.nc = nc  # number of classes
        self.no = nc + 5  # number of outputs per anchor
        self.nl = len(anchors)  # number of detection layers
        self.na = len(anchors[0]) // 2  # number of anchors
        self.grid = [torch.zeros(1)] * self.nl  # init grid
        self.anchor_grid = [torch.zeros(1)] * self.nl  # init anchor grid
        self.register_buffer('anchors', torch.tensor(anchors).float().view(self.nl, -1, 2))  # shape(nl,na,2)
        self.m = nn.ModuleList(nn.Conv2d(x, self.no * self.na, 1) for x in ch)  # output conv
        self.inplace = inplace  # use in-place ops (e.g. slice assignment)

    def forward(self, x):
        z = []  # inference output
        for i in range(self.nl):
            x[i] = self.m[i](x[i])  # conv
            bs, _, ny, nx = x[i].shape  # x(bs,255,20,20) to x(bs,3,20,20,85)
            x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()

            if not self.training:  # inference
                if self.onnx_dynamic or self.grid[i].shape[2:4] != x[i].shape[2:4]:
                    self.grid[i], self.anchor_grid[i] = self._make_grid(nx, ny, i)

                y = x[i].sigmoid()
                if self.inplace:
                    y[..., 0:2] = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i]  # xy
                    y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i]  # wh
                else:  # for YOLOv5 on AWS Inferentia https://github.com/ultralytics/yolov5/pull/2953
                    xy = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i]  # xy
                    wh = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i]  # wh
                    y = torch.cat((xy, wh, y[..., 4:]), -1)
                z.append(y.view(bs, -1, self.no))

        return x if self.training else (torch.cat(z, 1), x)

    def _make_grid(self, nx=20, ny=20, i=0):
        d = self.anchors[i].device
        if check_version(torch.__version__, '1.10.0'):  # torch>=1.10.0 meshgrid workaround for torch>=0.7 compatibility
            yv, xv = torch.meshgrid([torch.arange(ny).to(d), torch.arange(nx).to(d)], indexing='ij')
        else:
            yv, xv = torch.meshgrid([torch.arange(ny).to(d), torch.arange(nx).to(d)])
        grid = torch.stack((xv, yv), 2).expand((1, self.na, ny, nx, 2)).float()
        anchor_grid = (self.anchors[i].clone() * self.stride[i]) \
            .view((1, self.na, 1, 1, 2)).expand((1, self.na, ny, nx, 2)).float()
        return grid, anchor_grid

学校食堂互联网明厨亮灶智能监控算法通过在后厨部署智能边缘设备，算法对后厨环境中厨师人员是否穿戴厨师服、是否按要求佩戴口罩、穿戴厨师帽进行7*24小时不间断实时智能检测判断，若发现有未穿戴情况，不需人为干预，算法实时上传告警信息，提醒后台值班人进行关联操作。学校食堂互联网明厨亮灶智能监控系统通过Ai技术，解放了生产力，提高了辖区内各个高校食堂或者餐厅厨房的安全卫生的管控效率。