近年来食品安全问题层出不穷,为了有效防范食品安全事故发生,国家颁布食品安全法,建立食品安全风险监测制度,强化食品安全监管。其中保证手部卫生是减少食品制作过程中病原体传播风险的最重要的防御措施。在食品加工厂中,作为直接接触食品的人员,部分食品制作者的手部会佩戴戒指、创口贴等异物,其带有的微生物会污染食物,引发食品安全问题。然而人工目视检测异物的效率和精度低,检测结果失误率高,经常出现漏检和误检问题。所以,为了高效监管,如何将计算机视觉等新兴技术应用到食品安全中是当前研究的热点。针对目前食品制作者手部异物检测中出现的漏检误检问题,本文根据需求制定系统初步方案:首先采用肤色检测将食品制作者手部与环境背景分离,利用霍夫变换算子对食品制作者手部进行轮廓跟踪提取,通过特征约束来标记食品制作者的手部区域;随后以Tensor Flow深度学习框架为基础,对原始的YOLO V3识别算法的卷积层进行通道剪枝以及通道级稀疏化,减少模型训练中的参数量。由于原始的YOLO V3网络中采用多次步长为2卷积操作代替池化层来进行特征图的下采样操作,降低了特征的传递能力,故本文引入SPP（空间金字塔模块）提取多尺度深度特征,提升检测精度的同时降低计算成本,得到Slim-yolov3目标检测算法,以此进行模型训练,对食品制作者手部出现的创口贴和戒指进行异物目标检测;最后进行模型整合,实现端到端异物检测。并且通过Jetson nano硬件平台搭载图像采集单元和HDMI显示屏,构成手部异物检测系统的硬件平台,测试本设计算法在硬件平台上的运行效果,并且在不同的硬件平台上验证算法的实时性。基于以上改进,将本文所使用的Slim-yolov3算法和原始的YOLO V3算法性能对比实验,同等算力环境下,Slim-yolov3算法训练时长更短。同时,在实验中对Slim-yolov3算法和原始YOLO V3算法的损失进行对比分析,Slim-yolov3训练得到的模型具有较好的稳定性、鲁棒性和泛化能力。与基准模型相比,本设计所使用的Slim-yolov3目标检测模型在食品制作者手部出现的创口贴和戒指异物检测上具有更低的漏检率和误检率,并且识别率和检测速度均有提高。