基于AI学习的餐厨智能监测及预警系统的制作方法

基于ai学习的餐厨智能监测及预警系统
技术领域
1.本发明涉及监测及预警技术领域，特别涉及一种基于ai学习的餐厨智能监测及预警系统。


背景技术：

2.目前，随着餐厨智能生产的发展，基于自动化餐厨设备加快的生产速度及生产的标准化，但是在生产过程中，缺乏对操作员工的行为信息、餐厨设备的动作信息及食品的加工状态信息，无法实现对整个餐厨中多个对象的智能化及准确的监控，不能及时有效的发现异常。


技术实现要素：

3.本发明旨在至少一定程度上解决上述技术中的技术问题之一。为此，本发明的目的在于提出一种基于ai学习的餐厨智能监测及预警系统，基于准确获取操作员工的行为信息、餐厨设备的动作信息及食品的加工状态信息，进而判断是否存在异常，在确定存在异常时，发出相应的预警信息，实现对整个餐厨中多个对象的智能化及准确的监控，在发现异常时，及时进行预警。
4.为达到上述目的，本发明实施例提出了一种基于ai学习的餐厨智能监测及预警系统，包括：
5.获取模块，用于获取餐厨空间的监控视频；
6.确定模块，用于根据所述监控视频，确定操作员工的行为信息、餐厨设备的动作信息及食品的加工状态信息；
7.预警模块，用于判断操作员工的行为信息、餐厨设备的动作信息及食品的加工状态信息是否存在异常，在确定存在异常时，发出相应的预警信息。
8.根据本发明的一些实施例，所述确定模块，包括：
9.分帧子模块，用于对所述监控视频进行分帧处理，得到若干帧监控图像；
10.增强子模块，用于：
11.确定每帧监控图像的清晰度，筛选出清晰度小于预设清晰度阈值的监控图像，并进行清晰度增强处理；
12.图像分割子模块，用于：
13.对从增强子模块获取的监控图像进行图像分割处理，得到操作员工对应的第一局部图像、餐厨设备对应的第二局部图像及食品对应的第三局部图像，生成第一局部图像集合、第二局部图像集合及第三局部图像集合；
14.确定子模块，用于：
15.根据第一局部图像集合确定操作员工的行为信息；
16.根据第二局部图像集合确定餐厨设备的动作信息；
17.根据第三局部图像集合确定食品的加工状态信息。
18.根据本发明的一些实施例，所述增强子模块，包括：
19.第一计算单元，用于：
20.基于sobe l算子提取监控图像在水平方向的第一梯度值及在垂直方向的第二梯度值；
21.根据所述第一梯度值及第二梯度值，计算得到第三梯度值；
22.根据所述第三梯度值及基于监控图像中的像素点构建的像素点矩阵，确定第一梯度和值；
23.筛选单元，用于筛选出第一梯度值大于预设第一梯度值的像素点，作为第一像素点；筛选出第二梯度值大于预设第二梯度值的像素点，作为第二像素点；筛选出第一梯度值大于预设第一梯度值且第二梯度值大于预设第二梯度值的像素点，作为第三像素点；
24.第二计算单元，用于：
25.根据所述第一像素点的第三梯度值及第二像素点的第三梯度值，确定第二梯度和值；
26.根据所述第三像素点的第三梯度值，确定第三梯度和值；
27.确定第二梯度和值与第三梯度和值的差值，将所述差值与第一梯度和值的比值作为监控图像的清晰度。
28.根据本发明的一些实施例，所述图像分割子模块对增强子模块处理后的监控图像进行图像分割处理的方法，包括：基于预先训练好的图像分割模型对监控图像进行图像分割处理。
29.根据本发明的一些实施例，所述确定子模块，包括：
30.第一确定单元，用于确定操作员工的人体关键点坐标序列；
31.生成单元，用于根据第一局部图像集合及人体关键点坐标序列，将同一人体关键点进行轨迹生成处理，得到若干条运动轨迹；
32.第二确定单元，用于根据若干条运动轨迹确定操作员工的行为信息。
33.根据本发明的一些实施例，所述第一确定单元确定操作员工的人体关键点坐标序列的方法，包括：
34.基于单目标检测器获取操作员工检测框，并根据检测框置信度对输出的操作员工检测框进行筛选；
35.基于人体姿态估计算法获取操作员工检测框内人体关键点坐标，并根据关键点置信度对人体姿态进行筛选，得到人体关键点坐标序列。
36.根据本发明的一些实施例，所述预警模块，包括：
37.第一计算子模块，用于：
38.计算每条运动轨迹在x方向的第一运动幅值、y方向的第二运动幅值及z方向的第三运动幅值；
39.将第一运动幅值、第二运动幅值及第三运动幅值中存在至少两个大于预设运动幅值的运动轨迹作为目标轨迹；
40.第二计算子模块，用于：
41.计算目标轨迹的数量与运动轨迹的数量的比值；
42.在确定目标轨迹的数量与运动轨迹的数量的比值大于预设比值时，表示操作员工
的行为信息存在异常。
43.根据本发明的一些实施例，所述预警模块，包括：
44.设置子模块，用于设置每条运动轨迹的权重系数；
45.第三计算子模块，用于：
46.计算每条运动轨迹与对应的预设运动轨迹的匹配度，根据每条运动轨迹的权重系数，进行加权计算，得到最终的匹配度；
47.将最终的匹配度与预设匹配度阈值进行比较，在确定最终的匹配度小于预设匹配度阈值时，表示操作员工的行为信息存在异常。
48.根据本发明的一些实施例，所述确定子模块，包括：
49.划分单元，用于根据第二局部图像集合进行动作识别，划分为若干类动作图像集合；
50.第一识别单元，用于：
51.对每类动作图像集合进行识别，确定相应的动作图像集合的检测动作；
52.确定若干类动作图像集合对应的动作姿态，并生成动作姿态序列；
53.根据各个检测动作及动作姿态序列确定餐厨设备的动作信息。
54.根据本发明的一些实施例，所述确定子模块，包括：
55.第二识别单元，用于：对第三局部图像集合进行识别，确定食品的形状变化信息及大小变化信息，作为食品的加工状态信息。
56.本发明提出一种基于ai学习的餐厨智能监测及预警系统，基于准确获取操作员工的行为信息、餐厨设备的动作信息及食品的加工状态信息，进而判断是否存在异常，在确定存在异常时，发出相应的预警信息，实现对整个餐厨中多个对象的智能化及准确的监控，在发现异常时，及时进行预警。
57.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
58.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
59.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
60.图1是根据本发明一个实施例的一种基于ai学习的餐厨智能监测及预警系统的框图；
61.图2是根据本发明一个实施例的确定模块的框图；
62.图3是根据本发明一个实施例的增强子模块的框图。
具体实施方式
63.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
64.如图1所示，本发明实施例提出了一种基于ai学习的餐厨智能监测及预警系统，包
括：
65.获取模块，用于获取餐厨空间的监控视频；
66.确定模块，用于根据所述监控视频，确定操作员工的行为信息、餐厨设备的动作信息及食品的加工状态信息；
67.预警模块，用于判断操作员工的行为信息、餐厨设备的动作信息及食品的加工状态信息是否存在异常，在确定存在异常时，发出相应的预警信息。
68.上述技术方案的工作原理：该实施例中，监控视频为获取的餐厨空间的全方位的视频。获取模块，用于获取餐厨空间的监控视频；确定模块，用于根据所述监控视频，确定操作员工的行为信息、餐厨设备的动作信息及食品的加工状态信息；预警模块，用于判断操作员工的行为信息、餐厨设备的动作信息及食品的加工状态信息是否存在异常，在确定存在异常时，发出相应的预警信息。
69.上述技术方案的有益效果：基于准确获取操作员工的行为信息、餐厨设备的动作信息及食品的加工状态信息，进而判断是否存在异常，在确定存在异常时，发出相应的预警信息，实现对整个餐厨中多个对象的智能化及准确的监控，在发现异常时，及时进行预警。
70.如图2所示，根据本发明的一些实施例，所述确定模块，包括：
71.分帧子模块，用于对所述监控视频进行分帧处理，得到若干帧监控图像；
72.增强子模块，用于：
73.确定每帧监控图像的清晰度，筛选出清晰度小于预设清晰度阈值的监控图像，并进行清晰度增强处理；
74.图像分割子模块，用于：
75.对从增强子模块获取的监控图像进行图像分割处理，得到操作员工对应的第一局部图像、餐厨设备对应的第二局部图像及食品对应的第三局部图像，生成第一局部图像集合、第二局部图像集合及第三局部图像集合；
76.确定子模块，用于：
77.根据第一局部图像集合确定操作员工的行为信息；
78.根据第二局部图像集合确定餐厨设备的动作信息；
79.根据第三局部图像集合确定食品的加工状态信息。
80.上述技术方案的工作原理：该实施例中，筛选出清晰度小于预设清晰度阈值的监控图像，并进行清晰度增强处理，便于提高监控图像的清晰度，便于后续进行图像分割，提高图像分割的准确性。
81.该实施例中，第一局部图像为只包括操作员工的局部图像；第二局部图像为只包括餐厨设备的局部图像；第三局部图像为只包括食品的局部图像。第一局部图像集合为若干帧监控图像中第一局部图像的集合。第二局部图像集合为若干帧监控图像中第二局部图像的集合。第三局部图像集合为若干帧监控图像中第三局部图像的集合。
82.该实施例中，对从增强子模块获取的监控图像包括进行清晰度增强处理的监控图像及未进行清晰度增强处理的监控图像。
83.上述技术方案的有益效果：确定监控视频中清晰度小于预设清晰度阈值的监控图像，并进行清晰度增强处理；便于提高监控图像的清晰度，便于后续进行图像分割，提高图像分割的准确性。对每帧监控图像进行图像分割，便于降低图像分析的复杂度及图像分析
的准确性，生成第一局部图像集合、第二局部图像集合及第三局部图像集合，分别进行对应的解析，确定操作员工的行为信息、餐厨设备的动作信息及食品的加工状态信息。
84.如图3所示，根据本发明的一些实施例，所述增强子模块，包括：
85.第一计算单元，用于：
86.基于sobe l算子提取监控图像在水平方向的第一梯度值及在垂直方向的第二梯度值；
87.根据所述第一梯度值及第二梯度值，计算得到第三梯度值；
88.根据所述第三梯度值及基于监控图像中的像素点构建的像素点矩阵，确定第一梯度和值；
89.筛选单元，用于筛选出第一梯度值大于预设第一梯度值的像素点，作为第一像素点；筛选出第二梯度值大于预设第二梯度值的像素点，作为第二像素点；筛选出第一梯度值大于预设第一梯度值且第二梯度值大于预设第二梯度值的像素点，作为第三像素点；
90.第二计算单元，用于：
91.根据所述第一像素点的第三梯度值及第二像素点的第三梯度值，确定第二梯度和值；
92.根据所述第三像素点的第三梯度值，确定第三梯度和值；
93.确定第二梯度和值与第三梯度和值的差值，将所述差值与第一梯度和值的比值作为监控图像的清晰度。
94.上述技术方案的工作原理：该实施中，根据所述第一梯度值及第二梯度值，计算得到第三梯度值，包括：其中，s为第三梯度值；g
x
为第一梯度值；gy为第二梯度值。
95.该实施例中，像素点矩阵为n*m，其中n为监控图像中的长度；m为监控图像的宽度。
96.上述技术方案的有益效果：基于监控图像中中所有像素点的第三梯度值，作为第一梯度和值；筛选出第一梯度值大于预设第一梯度值的像素点，作为第一像素点；筛选出第二梯度值大于预设第二梯度值的像素点，作为第二像素点；筛选出第一梯度值大于预设第一梯度值且第二梯度值大于预设第二梯度值的像素点，作为第三像素点；第一像素点及第二像素点作为特征像素点；第二计算单元，用于：根据所述第一像素点的第三梯度值及第二像素点的第三梯度值，确定第二梯度和值；根据所述第三像素点的第三梯度值，确定第三梯度和值；确定第二梯度和值与第三梯度和值的差值，将所述差值与第一梯度和值的比值作为监控图像的清晰度。从监控图像中像素点的梯度值的角度出发，准确计算出差值与第一梯度和值的比值，作为表征监控图像的清晰度，计算更加方便。
97.根据本发明的一些实施例，所述图像分割子模块对增强子模块处理后的监控图像进行图像分割处理的方法，包括：基于预先训练好的图像分割模型对监控图像进行图像分割处理。
98.根据本发明的一些实施例，所述确定子模块，包括：
99.第一确定单元，用于确定操作员工的人体关键点坐标序列；
100.生成单元，用于根据第一局部图像集合及人体关键点坐标序列，将同一人体关键点进行轨迹生成处理，得到若干条运动轨迹；
101.第二确定单元，用于根据若干条运动轨迹确定操作员工的行为信息。
102.上述技术方案的工作原理：该实施例中，人体关键点包括脸部关键点、颈部特征点、手臂特征点、腰部特征点、腿部特征点等。人体关键点坐标序列为从上到下确定的人体关键点的坐标，并构成排列序列。
103.该实施例中，运动轨迹为连续时间内同一人体关键点进行轨迹生成处理，得到的人体关键对应的移动轨迹。
104.上述技术方案的有益效果：基于操作员工的人体关键点坐标序列，将同一人体关键点进行轨迹生成处理，得到若干条运动轨迹，根据若干条运动轨迹确定操作员工的行为信息，提高了确定操作员工的行为信息的准确性。
105.根据本发明的一些实施例，所述第一确定单元确定操作员工的人体关键点坐标序列的方法，包括：
106.基于单目标检测器获取操作员工检测框，并根据检测框置信度对输出的操作员工检测框进行筛选；
107.基于人体姿态估计算法获取操作员工检测框内人体关键点坐标，并根据关键点置信度对人体姿态进行筛选，得到人体关键点坐标序列。
108.上述技术方案的工作原理及有益效果：基于单目标检测器获取操作员工检测框，并根据检测框置信度对输出的操作员工检测框进行筛选，去除置信度低于预设置信度阈值的操作员工检测框，便于确定准确的人体。基于人体姿态估计算法获取操作员工检测框内人体关键点坐标，并根据关键点置信度对人体姿态进行筛选，得到人体关键点坐标序列，对置信度大于等于预设置信度阈值的操作员工检测框基于人体姿态估计算法进行处理，并且筛选出需求的、置信度高的人体关键点坐标，得到人体关键点坐标序列，提高了确定人体关键点坐标序列的准确性。
109.根据本发明的一些实施例，所述预警模块，包括：
110.第一计算子模块，用于：
111.计算每条运动轨迹在x方向的第一运动幅值、y方向的第二运动幅值及z方向的第三运动幅值；
112.将第一运动幅值、第二运动幅值及第三运动幅值中存在至少两个大于预设运动幅值的运动轨迹作为目标轨迹；
113.第二计算子模块，用于：
114.计算目标轨迹的数量与运动轨迹的数量的比值；
115.在确定目标轨迹的数量与运动轨迹的数量的比值大于预设比值时，表示操作员工的行为信息存在异常。
116.上述技术方案的工作原理：该实施例中，第一运动幅值为运动轨迹在x方向的最大坐标与最小坐标的差值；第二运动幅值为运动轨迹在y方向的最大坐标与最小坐标的差值；第三运动幅值为运动轨迹在z方向的最大坐标与最小坐标的差值。
117.该实施例中，预设运动幅值为标准的运动幅值。
118.该实施例中，将第一运动幅值、第二运动幅值及第三运动幅值中存在至少两个大于预设运动幅值的运动轨迹作为目标轨迹；示例的，在第一运动幅值及第三运动幅值大于预设运动幅值时，其对应的运动轨迹为目标轨迹。
119.上述技术方案的有益效果：从每条运动轨迹在x、y、z方向的运动幅值与预设运动幅值的比较结果，筛选出目标轨迹，在确定目标轨迹的数量与运动轨迹的数量的比值大于预设比值时，表示操作员工的行为信息存在异常，便于准确确定操作员工的行为信息是否异常。
120.根据本发明的一些实施例，所述预警模块，包括：
121.设置子模块，用于设置每条运动轨迹的权重系数；
122.第三计算子模块，用于：
123.计算每条运动轨迹与对应的预设运动轨迹的匹配度，根据每条运动轨迹的权重系数，进行加权计算，得到最终的匹配度；
124.将最终的匹配度与预设匹配度阈值进行比较，在确定最终的匹配度小于预设匹配度阈值时，表示操作员工的行为信息存在异常。
125.上述技术方案的工作原理及有益效果：设置子模块，用于设置每条运动轨迹的权重系数；第三计算子模块，计算每条运动轨迹与对应的预设运动轨迹的匹配度，根据每条运动轨迹的权重系数，进行加权计算，得到最终的匹配度；将最终的匹配度与预设匹配度阈值进行比较，在确定最终的匹配度小于预设匹配度阈值时，表示操作员工的行为信息存在异常。从各个运动轨迹的整体出发，基于最终的匹配度与预设匹配度阈值进行比较，在确定最终的匹配度小于预设匹配度阈值时，表示操作员工的行为信息存在异常，准确确定操作员工的行为信息是否存在异常。
126.根据本发明的一些实施例，所述确定子模块，包括：
127.划分单元，用于根据第二局部图像集合进行动作识别，划分为若干类动作图像集合；
128.第一识别单元，用于：
129.对每类动作图像集合进行识别，确定相应的动作图像集合的检测动作；
130.确定若干类动作图像集合对应的动作姿态，并生成动作姿态序列；
131.根据各个检测动作及动作姿态序列确定餐厨设备的动作信息。
132.上述技术方案的工作原理及有益效果：划分单元，用于根据第二局部图像集合进行动作识别，划分为若干类动作图像集合；第一识别单元，用于对每类动作图像集合进行识别，确定相应的动作图像集合的检测动作；确定若干类动作图像集合对应的动作姿态，并生成动作姿态序列；根据各个检测动作及动作姿态序列确定餐厨设备的动作信息。便于准确确定餐厨设备的动作信息。
133.根据本发明的一些实施例，所述确定子模块，包括：
134.第二识别单元，用于：对第三局部图像集合进行识别，确定食品的形状变化信息及大小变化信息，作为食品的加工状态信息。
135.上述技术方案的工作原理及有益效果：第二识别单元对第三局部图像集合进行识别，确定食品的形状变化信息及大小变化信息，作为食品的加工状态信息，便于准确确定食品的加工状态信息。
136.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

技术特征：
1.一种基于ai学习的餐厨智能监测及预警系统，其特征在于，包括：获取模块，用于获取餐厨空间的监控视频；确定模块，用于根据所述监控视频，确定操作员工的行为信息、餐厨设备的动作信息及食品的加工状态信息；预警模块，用于判断操作员工的行为信息、餐厨设备的动作信息及食品的加工状态信息是否存在异常，在确定存在异常时，发出相应的预警信息。2.如权利要求1所述的基于ai学习的餐厨智能监测及预警系统，其特征在于，所述确定模块，包括：分帧子模块，用于对所述监控视频进行分帧处理，得到若干帧监控图像；增强子模块，用于：确定每帧监控图像的清晰度，筛选出清晰度小于预设清晰度阈值的监控图像，并进行清晰度增强处理；图像分割子模块，用于：对从增强子模块获取的监控图像进行图像分割处理，得到操作员工对应的第一局部图像、餐厨设备对应的第二局部图像及食品对应的第三局部图像，生成第一局部图像集合、第二局部图像集合及第三局部图像集合；确定子模块，用于：根据第一局部图像集合确定操作员工的行为信息；根据第二局部图像集合确定餐厨设备的动作信息；根据第三局部图像集合确定食品的加工状态信息。3.如权利要求2所述的基于ai学习的餐厨智能监测及预警系统，其特征在于，所述增强子模块，包括：第一计算单元，用于：基于sobel算子提取监控图像在水平方向的第一梯度值及在垂直方向的第二梯度值；根据所述第一梯度值及第二梯度值，计算得到第三梯度值；根据所述第三梯度值及基于监控图像中的像素点构建的像素点矩阵，确定第一梯度和值；筛选单元，用于筛选出第一梯度值大于预设第一梯度值的像素点，作为第一像素点；筛选出第二梯度值大于预设第二梯度值的像素点，作为第二像素点；筛选出第一梯度值大于预设第一梯度值且第二梯度值大于预设第二梯度值的像素点，作为第三像素点；第二计算单元，用于：根据所述第一像素点的第三梯度值及第二像素点的第三梯度值，确定第二梯度和值；根据所述第三像素点的第三梯度值，确定第三梯度和值；确定第二梯度和值与第三梯度和值的差值，将所述差值与第一梯度和值的比值作为监控图像的清晰度。4.如权利要求2所述的基于ai学习的餐厨智能监测及预警系统，其特征在于，所述图像分割子模块对增强子模块处理后的监控图像进行图像分割处理的方法，包括：基于预先训练好的图像分割模型对监控图像进行图像分割处理。5.如权利要求2所述的基于ai学习的餐厨智能监测及预警系统，其特征在于，所述确定
子模块，包括：第一确定单元，用于确定操作员工的人体关键点坐标序列；生成单元，用于根据第一局部图像集合及人体关键点坐标序列，将同一人体关键点进行轨迹生成处理，得到若干条运动轨迹；第二确定单元，用于根据若干条运动轨迹确定操作员工的行为信息。6.如权利要求4所述的基于ai学习的餐厨智能监测及预警系统，其特征在于，所述第一确定单元确定操作员工的人体关键点坐标序列的方法，包括：基于单目标检测器获取操作员工检测框，并根据检测框置信度对输出的操作员工检测框进行筛选；基于人体姿态估计算法获取操作员工检测框内人体关键点坐标，并根据关键点置信度对人体姿态进行筛选，得到人体关键点坐标序列。7.如权利要求5所述的基于ai学习的餐厨智能监测及预警系统，其特征在于，所述预警模块，包括：第一计算子模块，用于：计算每条运动轨迹在x方向的第一运动幅值、y方向的第二运动幅值及z方向的第三运动幅值；将第一运动幅值、第二运动幅值及第三运动幅值中存在至少两个大于预设运动幅值的运动轨迹作为目标轨迹；第二计算子模块，用于：计算目标轨迹的数量与运动轨迹的数量的比值；在确定目标轨迹的数量与运动轨迹的数量的比值大于预设比值时，表示操作员工的行为信息存在异常。8.如权利要求5所述的基于ai学习的餐厨智能监测及预警系统，其特征在于，所述预警模块，包括：设置子模块，用于设置每条运动轨迹的权重系数；第三计算子模块，用于：计算每条运动轨迹与对应的预设运动轨迹的匹配度，根据每条运动轨迹的权重系数，进行加权计算，得到最终的匹配度；将最终的匹配度与预设匹配度阈值进行比较，在确定最终的匹配度小于预设匹配度阈值时，表示操作员工的行为信息存在异常。9.如权利要求2所述的基于ai学习的餐厨智能监测及预警系统，其特征在于，所述确定子模块，包括：划分单元，用于根据第二局部图像集合进行动作识别，划分为若干类动作图像集合；第一识别单元，用于：对每类动作图像集合进行识别，确定相应的动作图像集合的检测动作；确定若干类动作图像集合对应的动作姿态，并生成动作姿态序列；根据各个检测动作及动作姿态序列确定餐厨设备的动作信息。10.如权利要求2所述的基于ai学习的餐厨智能监测及预警系统，其特征在于，所述确定子模块，包括：
第二识别单元，用于：对第三局部图像集合进行识别，确定食品的形状变化信息及大小变化信息，作为食品的加工状态信息。

技术总结
本发明公开了一种基于AI学习的餐厨智能监测及预警系统，包括：获取模块，用于获取餐厨空间的监控视频；确定模块，用于根据所述监控视频，确定操作员工的行为信息、餐厨设备的动作信息及食品的加工状态信息；预警模块，用于判断操作员工的行为信息、餐厨设备的动作信息及食品的加工状态信息是否存在异常，在确定存在异常时，发出相应的预警信息。基于准确获取操作员工的行为信息、餐厨设备的动作信息及食品的加工状态信息，进而判断是否存在异常，在确定存在异常时，发出相应的预警信息，实现对整个餐厨中多个对象的智能化及准确的监控，在发现异常时，及时进行预警。及时进行预警。及时进行预警。


技术研发人员：王华华
受保护的技术使用者：深圳市鲜誉营养餐有限公司
技术研发日：2023.05.12
技术公布日：2023/7/21