(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211087338.6 (22)申请日 2022.09.07 (71)申请人 沈阳双杰网络科技 集团有限公司 地址 113000 辽宁省沈阳市沈抚新区金枫 街75-1号1501 (72)发明人 王鹏　 (74)专利代理 机构 安徽靖天专利代理事务所 (普通合伙) 34275 专利代理师 杨宝洞 (51)Int.Cl. G06V 40/20(2022.01) G06V 20/40(2022.01) G06V 10/62(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于计算机视觉识别后厨有害生物入 侵的方法 (57)摘要 本发明提供一种基于计算机视觉识别后厨 有害生物入侵的方法， 涉及生物识别方法领域。 该一种基于计算机视觉识别后厨有害生物入侵 的方法， 通过现有摄像设备获取视频数据， 并对 视频数据流定时抽帧， 几秒抽取一帧即可， 通过 对抽帧得到的图像数据进行下采样， 下采样后的 数据进行二值化及边缘化处理， 对相邻抽帧时间 点的处理后的特征图进行差值化比较， 通过比较 结果获得提取前后图像画面变化特征， 提取出运 动物体的特征， 通过使用逻辑回归分类算法， 对 特征值进行后厨有害生物概率分类获得最终概 率值， 根据概率值确定是否属于有害生物， 提高 了有害生物识别精度的同时又能降低后厨改造 成本， 具有良好的鲁棒 性以及高效性。 权利要求书1页 说明书3页 附图1页 CN 115424352 A 2022.12.02 CN 115424352 A 1.一种基于计算机 视觉识别后厨有 害生物入侵的方法， 其特 征在于： 包括以下步骤： S1： 借助现有摄像设备已具备的视频接入能力获取视频流数据， 可采用RTSP拉/推流、 RTMP的拉/推流、 国标GB/T28181协议 等方式获取视频流数据； S2： 对获取的视频流进行定时抽帧(几秒抽取一帧即可)， 获取指定时间轴上的图像数 据； S3： 对相邻时间节点的图像数据进行差异比较， 得 出图像对比后的变化特 征； S4： 根据差异比对后的变化特 征， 提取出变化区域的图像特 征值； S5： 根据提取出变化区域的图像特征值进行二值化处理， 获得二值化处理后的特征信 息值； S6： 根据提取出变化区域的图像特征值进行边缘化处理， 获得边缘化处理后的特征信 息值； S7： 根据S4、 S5、 S6步骤的特 征结果值构建， 图像综合特 征比对结果组P1； S8： 依次对下一个相邻时间节点的图像进行S3至S7步骤 的同样操作， 得图像综合特征 比对结果组P2、 P3、 P4、 . ..、 Pn； S9： 图像综合特征比对结果组连续N次没有变化， 则证明不存在后厨有害生物的运动迹 象； S10： 对于有变化的特 征比对结果组采用多卷积下采样提取 特征图变化特 征值； S11： 根据卷积后的结果使用逻辑回归分类算法， 对特征值进行后厨有害生物分类， 并 获取所属分类概 率值； S12： 根据概 率值获取所属有害生物分类。权　利　要　求　书 1/1 页 2 CN 115424352 A 2一种基于计算机 视觉识别后厨有害生物入侵的方 法 技术领域 [0001]本发明涉及 生物识别方法领域， 具体为一种基于计算机视觉识别后厨有害生物入 侵的方法。 背景技术 [0002]食品安全管理是一项事关民生、 民心的重要工程， 食品安全问题社会高度关注， 人 民群众期盼吃得更放心、 吃得更健康。 随着全国各地都已逐步开展 “互联网+明厨亮灶 ”建 设， 对于已建设完成 “互联网+明厨亮灶 ”的地区， 单纯去依托监管人员用双眼去看不现实， 如何借助计算机技 术发展， 来 提高监管效能， 充分解决监管力量人员不足的问题尤为重要。 [0003]现有基于计算机视觉的后厨有害生物检测主要方法是基于深度学习的后厨有害 生物检测， 深度学习有害生物检测 也可称为 目标检测， 深度学习方法已成为现如今最先进 的方法， CNN在目标检测上的标志性成果是Girshick等在2015年提出的R ‑CNN(Region ‑ based CNN)网络。 [0004]此后， 基于 CNN的目标检测方法占有 主导地位， 主要分为以下三类： [0005]1)基于候选区域(Region  Proposal， RP)的方法， 代表作是SPP ‑net、 Fast  R‑CNN、 Faster R‑CNN、 R‑FCN和Mask  R‑CNN等； [0006]2)基于回归的方法， 代 表作是YOLO和S SD， YOLOv2， YOLOv3， YOLOv5等； [0007]3)基于Anc hor‑Free的方法， 代 表作为CornerNet和CenterNet。 [0008]基于深度学习的后厨有害生物检测方法， 需要手工的标注特征后进行深度学习训 练， 对于后厨有害生物检测的效果很大程度取决于手工的标注特征数据场景量； 同时由于 后厨有害生物活动时间点往往是在夜间， 图片质量差， 使用基于深度学习的后 厨有害生物 检测方法无法有效判断是否为后厨的有害生物在活动； 基于深度学习的后厨有害生物检测 方法， 对于 老鼠、 蟑螂 类后厨有害生物具有小、 形变较严重、 遮挡面积大等特点， 计算较为复 杂， 占用计算资源较大， 对于硬件设施要求较高， 投入成本大， 普惠性差； 基于深度学习的后 厨有害生物检测方法不利于对尺度多变、 形小， 夜间图像质量差场景下 的后厨有害生物的 检测， 漏检 较多。 发明内容 [0009]针对现有技术的不足， 本发明提供了一种基于计算机视觉识别后厨有害生物入侵 的方法， 解决了现有基于深度学习的后厨有害生物检测方法生物识别精准度不足且计算量 大的问题。 [0010]为实现以上目的， 本发明通过以下技术方案予以实现： 一种基于计算机视觉识别 后厨有害生物入侵的方法， 包括以下步骤： [0011]S1： 借助现有摄像设备已具备的视频接入能力获取视频流数据， 可采用  RTSP拉/ 推流、 RTMP的拉/推流、 国标GB/T28181协议 等方式获取视频流数据； [0012]S2： 对获取的视频流进行定时抽帧(几秒抽取一帧即可)， 获取指定时间轴上的图说　明　书 1/3 页 3 CN 115424352 A 3