CN107886170A - 烹饪器具的控制方法、装置和系统、存储介质、处理器 - Google Patents

Abstract

本发明公开了一种烹饪器具的控制方法、装置和系统、存储介质、处理器。其中，该方法包括：获取烹饪器具检测到的温度值和湿度值，其中，温度值包括：锅内顶部温度值和/或锅内底部温度值，湿度值包括：锅内湿度值和/或锅外湿度值；利用模型对温度值和湿度值进行分析，得到烹饪器具的当前工作状态，其中，模型为使用多组数据通过机器学习训练出来的，每组数据均包括：温度值、湿度值以及匹配的工作状态；根据当前工作状态，控制烹饪器具执行烹饪操作。本发明解决了烹饪器具通过温度值进行控制，控制精度低的技术问题。

Description

烹饪器具的控制方法、装置和系统、存储介质、处理器

技术领域

本发明涉及家用电器控制领域，具体而言，涉及一种烹饪器具的控制方法、装置和系统、存储介质、处理器。

背景技术

目前，现有的烹饪器具，例如，电饭煲主要是通过安装在锅内底部的温度传感器和锅内顶部的温度传感器采集到的温度值，对烹饪器具进行控制。但是，单独通过温度值控制烹饪器具的烹饪操作，由于安装在锅内顶部的温度传感器受水蒸气的影响，检测到的温度值与真实温度值差异较大，导致控制精度低且局限度大。

针对烹饪器具通过温度值进行控制，控制精度低的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种烹饪器具的控制方法、装置和系统、存储介质、处理器，以至少解决烹饪器具通过温度值进行控制，控制精度低的技术问题。

根据本发明实施例的一个方面，提供了一种烹饪器具的控制方法，包括：获取烹饪器具检测到的温度值和湿度值，其中，温度值包括：锅内顶部温度值和/或锅内底部温度值，湿度值包括：锅内湿度值和/或锅外湿度值；利用模型对温度值和湿度值进行分析，得到烹饪器具的当前工作状态，其中，模型为使用多组数据通过机器学习训练出来的，每组数据均包括：温度值、湿度值以及匹配的工作状态；根据当前工作状态，控制烹饪器具执行烹饪操作。

根据本发明实施例的另一方面，还提供了一种烹饪器具的控制装置，包括：获取模块，用于获取烹饪器具检测到的温度值和湿度值，其中，温度值包括：锅内顶部温度值和/或锅内底部温度值，湿度值包括：锅内湿度值和/或锅外湿度值；处理模块，用于利用模型对温度值和湿度值进行分析，得到烹饪器具的当前工作状态，其中，模型为使用多组数据通过机器学习训练出来的，每组数据均包括：温度值、湿度值以及匹配的工作状态；控制模块，用于根据当前工作状态，控制烹饪器具执行烹饪操作。

根据本发明实施例的另一方面，还提供了一种烹饪器具的控制系统，包括：处理器，用于获取烹饪器具检测到的温度值和湿度值，并利用模型对温度值和湿度值进行分析，得到烹饪器具的当前工作状态，其中，温度值包括：锅内顶部温度值和/或锅内底部温度值，湿度值包括：锅内湿度值和/或锅外湿度值，模型为使用多组数据通过机器学习训练出来的，每组数据均包括：温度值、湿度值以及匹配的工作状态；控制器，与处理器连接，用于根据当前工作状态，控制烹饪器具执行烹饪操作。

根据本发明实施例的另一方面，还提供了一种存储介质，包括：存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述实施例中的烹饪器具的控制方法。

根据本发明实施例的另一方面，还提供了一种处理器，包括：处理器用于运行程序，其中，程序运行时执行上述实施例中的烹饪器具的控制方法。

在本发明实施例中，获取烹饪器具检测到的温度值和湿度值，利用模型对温度值和湿度值进行分析，得到烹饪器具的当前工作状态，根据当前工作状态，控制烹饪器具执行烹饪操作，从而实现对烹饪器具的操作过程进行动态调整。容易注意到的是，由于将温度值和湿度值进行结合来控制烹饪器具，弥补了单独通过温度值控制烹饪器具的局限性，从而解决了烹饪器具通过温度值进行控制，控制精度低的技术问题，达到提高控制精度，改善被烹饪食物的口感，提升用户体验感的效果。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种烹饪器具的控制方法的流程图；

图2是根据本发明实施例的一种烹饪器具的控制装置的示意图；以及

图3是根据本发明实施例的一种烹饪器具的控制系统的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

根据本发明实施例，提供了一种烹饪器具的控制方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的一种烹饪器具的控制方法的流程图，如图1所示，该方法包括如下步骤：

步骤S102，获取烹饪器具检测到的温度值和湿度值，其中，温度值包括：锅内顶部温度值和/或锅内底部温度值，湿度值包括：锅内湿度值和/或锅外湿度值。

具体地，上述的烹饪器具可以是电饭煲、电压力锅、料理机等器具，本发明对此不作具体限定。

步骤S104，利用模型对温度值和湿度值进行分析，得到烹饪器具的当前工作状态，其中，模型为使用多组数据通过机器学习训练出来的，每组数据均包括：温度值、湿度值以及匹配的工作状态。

具体地，为了能够利用模型对温度值和湿度值进行分析，首先需要通过机器学习训练得到模型，可选地，可以预先建立一个神经网络模型，获取多组温度值和湿度值，并为每组数据设置相应的工作状态的标签，利用标记后的数据对神经网络模型进行训练，从而可以得到训练后的模型。上述的工作状态可以是烹饪器具的烹饪阶段，例如，加热阶段、吸水阶段、烘干阶段等，不同的烹饪器具对应的烹饪阶段不同。

步骤S106，根据当前工作状态，控制烹饪器具执行烹饪操作。

在一种可选的方案中，在用户使用烹饪器具进行烹饪操作的过程中，为了能够准确地确定工作状态，可以实时采集锅内顶部和底部的温度值，以及锅内外的湿度值，利用预先训练好的模型对实时采集到的温度值和湿度值进行分析处理，得到烹饪器具的当前工作状态，确定烹饪器具当前执行到哪个阶段，并按照相应的烹饪参数执行烹饪操作，例如，当确定烹饪器具刚开始执行加热阶段，则可以按照刚开始执行加热阶段的烹饪参数执行烹饪操作。

通过本发明上述实施例，获取烹饪器具检测到的温度值和湿度值，利用模型对温度值和湿度值进行分析，得到烹饪器具的当前工作状态，根据当前工作状态，控制烹饪器具执行烹饪操作，从而实现对烹饪器具的操作过程进行动态调整。容易注意到的是，由于将温度值和湿度值进行结合来控制烹饪器具，弥补了单独通过温度值控制烹饪器具的局限性，从而解决了烹饪器具通过温度值进行控制，控制精度低的技术问题，达到提高控制精度，改善被烹饪食物的口感，提升用户体验感的效果。

可选地，在本发明上述实施例中，在温度值包括：锅内顶部温度值和锅内底部温度值，湿度值包括：锅内湿度值和锅外湿度值的情况下，步骤S104，利用模型对温度值和湿度值进行分析，得到烹饪器具的当前工作状态包括：

步骤S112，获取锅内湿度值和锅外湿度值的差值，得到湿度差值。

具体地，可以在现有的锅内顶部温度值、锅内底部温度值的基础上，结合湿度值进行判定，为了避免环境湿度对工作状态判定的影响，可以结合锅内湿度值和锅外湿度值，也即，可以计算锅内外湿度值的差值，得到湿度差值。

步骤S114，利用第一模型对锅内顶部温度值和湿度差值进行分析，得到校正温度值，其中，第一模型为使用多组第一数据通过机器学习训练出来的，每组第一数据均包括：锅内顶部温度值、湿度差值以及匹配的校正温度值。

具体地，由于锅内的水蒸气大多聚集在锅内顶部，会影响锅内顶部温度值的精确度，因此，可以通过湿度差值对锅内顶部温度值进行校正，利用预先通过机器学习训练好的第一模型对锅内顶部温度值和湿度差值进行分析处理，得到校正后的锅内顶部温度值，也即上述的校正温度值。为了能够分析得到校正温度值，可以建立一个神经网络模型，预先获取多组包含锅内顶部温度值和湿度差值的第一数据，并为每组第一数据设置匹配的校正温度值，然后使用设置后的多组第一数据对神经网络模型进行训练，从而得到第一模型。

步骤S116，利用第二模型对锅内底部温度值和校正温度值进行分析，得到当前工作状态，其中，第二模型为使用多组第二数据通过机器学习训练出来的，每组第二数据均包括：锅内底部温度值、校准温度值以及匹配的工作状态。

具体地，在得到校正温度值之后，为了能够得到当前工作状态，可以建立一个神经网络模型，预先获取多组包含锅内底部温度值和校正温度值的第二数据，并为每组第二数据设置相应的工作状态的标签，然后使用设置后的多组第二数据对神经网络模型进行训练，从而得到第二模型。

通过上述方案，在现有的锅内顶部温度值和锅内底部温度值的基础上，结合湿度差值，从而实现对工作状态进行判定。

可选地，在本发明上述实施例中，在温度值包括：锅内顶部温度值和锅内底部温度值，湿度值包括：锅内湿度值和锅外湿度值的情况下，步骤S104，利用模型对温度值和湿度值进行分析，得到烹饪器具的当前工作状态包括：

步骤S112，获取锅内湿度值和锅外湿度值的差值，得到湿度差值。

步骤S114，利用第一模型对锅内顶部温度值和湿度差值进行分析，得到校正温度值，其中，第一模型为使用多组第一数据通过机器学习训练出来的，每组第一数据均包括：锅内顶部温度值、湿度差值以及匹配的校正温度值。

步骤S118，将锅内底部温度值与校正温度值进行比较，得到当前工作状态。

在一种可选的方案中，在利用预先通过机器学习训练好的第一模型对锅内顶部温度值和湿度差值进行分析，通过湿度差值对锅内顶部温度值进行校正，得到校正温度值之后，可以通过将校正温度值与锅内底部温度值进行比较，也即，将更接近真实温度的锅内顶部温度与锅内底部温度进行比较，确定当前工作状态，并对烹饪器具进行相应控制。

可选地，在本发明上述实施例中，在温度值包括：锅内顶部温度值和锅内底部温度值，湿度值包括：锅内湿度值和锅外湿度值的情况下，步骤S104，利用模型对温度值和湿度值进行分析，得到烹饪器具的当前工作状态包括：

步骤S112，获取锅内湿度值和锅外湿度值的差值，得到湿度差值。

步骤S120，利用第三模型对锅内顶部温度值、锅内底部温度值和湿度差值进行分析，得到当前工作状态，其中，第三模型为使用多组第三数据通过机器学习训练出来的，每组第三数据均包括：锅内顶部温度值、锅内底部温度值、湿度差值以及匹配的工作状态。

具体地，在获取到锅内顶部温度值、锅内底部温度值、湿度差值之后，为了能够得到当前工作状态，可以建立一个神经网络模型，预先获取多组包含锅内顶部温度值、锅内底部温度值和湿度差值的第三数据，并为每组第三数据设置相应的工作状态的标签，然后使用设置后的多组第三数据对神经网络模型进行训练，从而得到第三模型。

可选地，在本发明上述实施例中，在温度值包括：锅内顶部温度值和锅内底部温度值，湿度值包括：锅内湿度值的情况下，步骤S104，利用模型对温度值和湿度值进行分析，得到烹饪器具的当前工作状态包括：

步骤S122，利用第四模型对锅内顶部温度值和锅内湿度值进行分析，得到校正温度值，其中，第四模型为使用多组第四数据通过机器学习训练出来的，每组第四数据均包括：锅内顶部温度值、锅内湿度值以及匹配的校正温度值。

具体地，当用户使用烹饪器具的环境湿度较低时，为了降低成本，可以在现有的锅内顶部温度值、锅内底部温度值的基础上，结合锅内湿度值进行判定。由于锅内的水蒸气大多聚集在锅内顶部，会影响锅内顶部温度值的精确度，因此，可以通过锅内湿度值对锅内顶部温度值进行校正，得到校正温度值。为了能够得到当前工作状态，可以建立一个神经网络模型，预先获取多组包含锅内顶部温度值和锅内湿度值的第四数据，并为每组第四数据设置相应的工作状态的标签，然后使用设置后的多组第四数据对神经网络模型进行训练，从而得到第四模型。

步骤S124，利用第二模型对锅内底部温度值和校正温度值进行分析，得到当前工作状态。

在一种可选的方案中，可以利用预先通过机器学习训练得到的第二模型，对锅内底部温度值和校正温度值进行分析处理，从而得到当前工作状态。

通过上述方案，在现有的锅内顶部温度值、锅内底部温度值的基础上，结合锅内湿度值进行判定，从而实现对工作状态进行判定。

可选地，在本发明上述实施例中，在温度值包括：锅内顶部温度值和锅内底部温度值，湿度值包括：锅内湿度值的情况下，步骤S104，利用模型对温度值和湿度值进行分析，得到烹饪器具的当前工作状态包括：

步骤S126，利用第五模型对锅内顶部温度值、锅内底部温度值和锅内湿度值进行分析，得到当前工作状态，其中，第五模型为使用多组第五数据通过机器学习训练出来的，每组第五数据均包括：锅内顶部温度值、锅内底部温度值、锅内湿度值以及匹配的工作状态。

具体地，在获取到锅内顶部温度值、锅内底部温度值和锅内湿度值之后，为了能够得到当前工作状态，可以建立一个神经网络模型，预先获取多组包含锅内顶部温度值、锅内底部温度值和锅内湿度值的第五数据，并为每组第五数据设置相应的工作状态的标签，然后使用设置后的多组第五数据对神经网络模型进行训练，从而得到第五模型。

可选地，在本发明上述实施例中，在温度值包括：锅内底部温度值，湿度值包括：锅内湿度值和锅外湿度值的情况下，步骤S104，利用模型对温度值和湿度值进行分析，得到烹饪器具的当前工作状态包括：

步骤S112，获取锅内湿度值和锅外湿度值的差值，得到湿度差值。

步骤S128，利用第六模型对锅内底部温度值和湿度差值进行分析，得到当前工作状态，其中，第六模型为使用多组第六数据通过机器学习训练出来的，每组第六数据均包括：锅内底部温度值、湿度差值以及匹配的工作状态。

具体地，由于湿度值的检测较为准确，为了降低成本，可以取消安装在烹饪器具锅内顶部的温度传感器，仅获取锅内底部温度值和锅内外湿度值，在获取到锅内外湿度值之后，可以首先计算锅内外湿度值的差值，得到湿度差值，并利用预先通过机器学习训练得到的第六模型，对锅内底部温度值和湿度差值进行分析处理，从而得到当前工作状态。为了能够得到当前工作状态，可以建立一个神经网络模型，预先获取多组包含锅内底部温度值和湿度差值的第六数据，并为每组第六数据设置相应的工作状态的标签，然后使用设置后的多组第六数据对神经网络模型进行训练，从而得到第六模型。

可选地，在本发明上述实施例中，在温度值包括：锅内底部温度值，湿度值包括：锅内湿度值的情况下，步骤S104，利用模型对温度值和湿度值进行分析，得到烹饪器具的当前工作状态包括：

步骤S130，利用第七模型对锅内底部温度值和锅内湿度值进行分析，得到当前工作状态，其中，第七模型为使用多组第七数据通过机器学习训练出来的，每组第七数据均包括：锅内底部温度值、锅内湿度值以及匹配的工作状态。

具体地，由于湿度值的检测较为准确，当精确度要求不高，且用户使用环境较为干燥时，为了降低成本，可以取消安装在烹饪器具锅内顶部的温度传感器，仅获取锅内底部温度值和锅内湿度值，利用预先通过机器学习训练得到的第七模型，对锅内底部温度值和锅内湿度值进行分析处理，从而得到当前工作状态。为了能够得到当前工作状态，可以建立一个神经网络模型，预先获取多组包含锅内底部温度值和锅内湿度值的第七数据，并为每组第七数据设置相应的工作状态的标签，然后使用设置后的多组第七数据对神经网络模型进行训练，从而得到第七模型。

可选地，在本发明上述实施例中，步骤S106，根据当前工作状态，控制烹饪器具执行烹饪操作包括：

步骤S1062，获取当前工作状态对应的烹饪参数。

具体地，上述的烹饪参数可以是烹饪时间、烹饪功率、烹饪压力等，不同的烹饪器具对应不同的烹饪参数。

步骤S1064，控制烹饪器具按照烹饪参数执行烹饪操作。

在一种可选的方案中，在利用模型对实时采集到的温度值和湿度值进行分析，得到当前工作状态之后，可以获取到当前工作状态对应的烹饪时间、烹饪功率等烹饪参数，并按照获取到的烹饪参数执行相应的烹饪操作，从而实现对烹饪器具的实时动态调节。

可选地，在本发明上述实施例中，步骤S102，获取烹饪器具检测到的温度值和湿度值包括：

步骤S1022，接收温度传感器采集到的温度值，其中，温度传感器包括：设置在烹饪器具的锅体顶部的第一温度传感器和/或设置在烹饪器具的锅体底部的第二温度传感器，第一温度传感器用于采集锅内顶部温度值，第二温度传感器用于采集锅内底部温度值。

步骤S1024，接收湿度传感器采集到的湿度值，其中，湿度传感器包括：设置在锅体顶部的第一湿度传感器和/或设置在烹饪器具外部的第二湿度传感器，第一湿度传感器用于采集锅内湿度值，第二湿度传感器用于采集锅外湿度值。

在一种可选的方案中，为了能够获取到锅内顶部温度值、锅内底部温度值、锅内湿度值和锅外湿度值，可以在锅内顶部设置第一温度传感器，在锅内底部设置第二温度传感器(例如，锅内底部的感温包)，在锅内顶部设置第一湿度传感器，并在锅外设置第二湿度传感器，通过相应的温度传感器和湿度传感器实时采集温度值和湿度值，并根据采集到的温度值和湿度值进行分析处理，得到相应的工作状态，并对烹饪器具进行相应的控制。

实施例2

根据本发明实施例，提供了一种烹饪器具的控制装置的实施例。

图2是根据本发明实施例的一种烹饪器具的控制装置的示意图，如图2所示，该装置包括：

获取模块21，用于获取烹饪器具检测到的温度值和湿度值，其中，温度值包括：锅内顶部温度值和/或锅内底部温度值，湿度值包括：锅内湿度值和/或锅外湿度值。

具体地，上述的烹饪器具可以是电饭煲、电压力锅、料理机等器具，本发明对此不作具体限定。

处理模块23，用于利用模型对温度值和湿度值进行分析，得到烹饪器具的当前工作状态，其中，模型为使用多组数据通过机器学习训练出来的，每组数据均包括：温度值、湿度值以及匹配的工作状态。

具体地，为了能够利用模型对温度值和湿度值进行分析，首先需要通过机器学习训练得到模型，可选地，可以预先建立一个神经网络模型，获取多组温度值和湿度值，并为每组数据设置相应的工作状态的标签，利用标记后的数据对神经网络模型进行训练，从而可以得到训练后的模型。上述的工作状态可以是烹饪器具的烹饪阶段，例如，加热阶段、吸水阶段、烘干阶段等，不同的烹饪器具对应的烹饪阶段不同。

控制模块25，用于根据当前工作状态，控制烹饪器具执行烹饪操作。

在一种可选的方案中，在用户使用烹饪器具进行烹饪操作的过程中，为了能够准确地确定工作状态，可以实时采集锅内顶部和底部的温度值，以及锅内外的湿度值，利用预先训练好的模型对实时采集到的温度值和湿度值进行分析处理，得到烹饪器具的当前工作状态，确定烹饪器具当前执行到哪个阶段，并按照相应的烹饪参数执行烹饪操作，例如，当确定烹饪器具刚开始执行加热阶段，则可以按照刚开始执行加热阶段的烹饪参数执行烹饪操作。

通过本发明上述实施例，获取烹饪器具检测到的温度值和湿度值，利用模型对温度值和湿度值进行分析，得到烹饪器具的当前工作状态，根据当前工作状态，控制烹饪器具执行烹饪操作，从而实现对烹饪器具的操作过程进行动态调整。容易注意到的是，由于将温度值和湿度值进行结合来控制烹饪器具，弥补了单独通过温度值控制烹饪器具的局限性，从而解决了烹饪器具通过温度值进行控制，控制精度低的技术问题，达到提高控制精度，改善被烹饪食物的口感，提升用户体验感的效果。

可选地，在本发明上述实施例中，在温度值包括：锅内顶部温度值和锅内底部温度值，湿度值包括：锅内湿度值和锅外湿度值的情况下，处理模块23包括：第一获取子模块，用于获取锅内湿度值和锅外湿度值的差值，得到湿度差值；第一处理子模块，用于利用第一模型对锅内顶部温度值和湿度差值进行分析，得到校正温度值，其中，第一模型为使用多组第一数据通过机器学习训练出来的，每组第一数据均包括：锅内顶部温度值、湿度差值以及匹配的校正温度值；第二处理子模块，用于利用第二模型对锅内底部温度值和校正温度值进行分析，得到当前工作状态，其中，第二模型为使用多组第二数据通过机器学习训练出来的，每组第二数据均包括：锅内底部温度值、校准温度值以及匹配的工作状态。

可选地，在本发明上述实施例中，在温度值包括：锅内顶部温度值和锅内底部温度值，湿度值包括：锅内湿度值和锅外湿度值的情况下，处理模块23包括：第一获取子模块，用于获取锅内湿度值和锅外湿度值的差值，得到湿度差值；第三处理子模块，用于利用第三模型对锅内顶部温度值、锅内底部温度值和湿度差值进行分析，得到当前工作状态，其中，第三模型为使用多组第三数据通过机器学习训练出来的，每组第三数据均包括：锅内顶部温度值、锅内底部温度值、湿度差值以及匹配的工作状态。

可选地，在本发明上述实施例中，在温度值包括：锅内顶部温度值和锅内底部温度值，湿度值包括：锅内湿度值的情况下，处理模块23包括：第四处理子模块，用于利用第四模型对锅内顶部温度值和锅内湿度值进行分析，得到校正温度值，其中，第四模型为使用多组第四数据通过机器学习训练出来的，每组第四数据均包括：锅内顶部温度值、锅内湿度值以及匹配的校正温度值；第二处理子模块，用于利用第二模型对锅内底部温度值和校正温度值进行分析，得到当前工作状态。

可选地，在本发明上述实施例中，在温度值包括：锅内顶部温度值和锅内底部温度值，湿度值包括：锅内湿度值的情况下，处理模块23包括：第五处理子模块，用于利用第五模型对锅内顶部温度值、锅内底部温度值和锅内湿度值进行分析，得到当前工作状态，其中，第五模型为使用多组第五数据通过机器学习训练出来的，每组第五数据均包括：锅内顶部温度值、锅内底部温度值、锅内湿度值以及匹配的工作状态。

可选地，在本发明上述实施例中，在温度值包括：锅内底部温度值，湿度值包括：锅内湿度值和锅外湿度值的情况下，处理模块23包括：第一获取子模块，用于获取锅内湿度值和锅外湿度值的差值，得到湿度差值；第六处理子模块，用于利用第六模型对锅内底部温度值和湿度差值进行分析，得到当前工作状态，其中，第六模型为使用多组第六数据通过机器学习训练出来的，每组第六数据均包括：锅内底部温度值、湿度差值以及匹配的工作状态。

可选地，在本发明上述实施例中，在温度值包括：锅内底部温度值，湿度值包括：锅内湿度值的情况下，处理模块23包括：第七处理子模块，用于利用第七模型对锅内底部温度值和锅内湿度值进行分析，得到当前工作状态，其中，第七模型为使用多组第七数据通过机器学习训练出来的，每组第七数据均包括：锅内底部温度值、锅内湿度值以及匹配的工作状态。

可选地，在本发明上述实施例中，控制模块25还用于获取当前工作状态对应的烹饪参数，控制烹饪器具按照烹饪参数执行烹饪操作。

可选地，在本发明上述实施例中，获取模块21包括：接收温度传感器采集到的温度值，接收湿度传感器采集到的湿度值，其中，温度传感器包括：设置在烹饪器具的锅体顶部的第一温度传感器和/或设置在烹饪器具的锅体底部的第二温度传感器，第一温度传感器用于采集锅内顶部温度值，第二温度传感器用于采集锅内底部温度值，湿度传感器包括：设置在锅体顶部的第一湿度传感器和/或设置在烹饪器具外部的第二湿度传感器，第一湿度传感器用于采集锅内湿度值，第二湿度传感器用于采集锅外湿度值。

实施例3

根据本发明实施例，提供了一种烹饪器具的控制系统的实施例。

图3是根据本发明实施例的一种烹饪器具的控制系统的示意图，如图3所示，该系统包括：处理器31和控制器33。

其中，处理器31用于获取烹饪器具检测到的温度值和湿度值，并利用模型对温度值和湿度值进行分析，得到烹饪器具的当前工作状态，其中，温度值包括：锅内顶部温度值和/或锅内底部温度值，湿度值包括：锅内湿度值和/或锅外湿度值，模型为使用多组数据通过机器学习训练出来的，每组数据均包括：温度值、湿度值以及匹配的工作状态；控制器33与处理器31连接，用于根据当前工作状态，控制烹饪器具执行烹饪操作。

具体地，上述的烹饪器具可以是电饭煲、电压力锅、料理机等器具，本发明对此不作具体限定。为了能够利用模型对温度值和湿度值进行分析，首先需要通过机器学习训练得到模型，可选地，可以预先建立一个神经网络模型，获取多组温度值和湿度值，并为每组数据设置相应的工作状态的标签，利用标记后的数据对神经网络模型进行训练，从而可以得到训练后的模型。上述的工作状态可以是烹饪器具的烹饪阶段，例如，加热阶段、吸水阶段、烘干阶段等，不同的烹饪器具对应的烹饪阶段不同。

在一种可选的方案中，在用户使用烹饪器具进行烹饪操作的过程中，为了能够准确地确定工作状态，可以实时采集锅内顶部和底部的温度值，以及锅内外的湿度值，利用预先训练好的模型对实时采集到的温度值和湿度值进行分析处理，得到烹饪器具的当前工作状态，确定烹饪器具当前执行到哪个阶段，并按照相应的烹饪参数执行烹饪操作，例如，当确定烹饪器具刚开始执行加热阶段，则可以按照刚开始执行加热阶段的烹饪参数执行烹饪操作。

通过本发明上述实施例，获取烹饪器具检测到的温度值和湿度值，利用模型对温度值和湿度值进行分析，得到烹饪器具的当前工作状态，根据当前工作状态，控制烹饪器具执行烹饪操作，从而实现对烹饪器具的操作过程进行动态调整。容易注意到的是，由于将温度值和湿度值进行结合来控制烹饪器具，弥补了单独通过温度值控制烹饪器具的局限性，从而解决了烹饪器具通过温度值进行控制，控制精度低的技术问题，达到提高控制精度，改善被烹饪食物的口感，提升用户体验感的效果。

可选地，在本发明上述实施例中，在温度值包括：锅内顶部温度值和锅内底部温度值，湿度值包括：锅内湿度值和锅外湿度值的情况下，处理器31包括：第一获取模块、第一处理模块和第二处理模块。

其中，第一获取模块，用于获取锅内湿度值和锅外湿度值的差值，得到湿度差值；第一处理模块，与第一获取模块连接，用于利用第一模型对锅内顶部温度值和湿度差值进行分析，得到校正温度值，其中，第一模型为使用多组第一数据通过机器学习训练出来的，每组第一数据均包括：锅内顶部温度值、湿度差值以及匹配的校正温度值；第二处理模块，与第一处理模块和控制器连接，用于利用第二模型对锅内底部温度值和校正温度值进行分析，得到当前工作状态，其中，第二模型为使用多组第二数据通过机器学习训练出来的，每组第二数据均包括：锅内底部温度值、校准温度值以及匹配的工作状态。

具体地，可以在现有的锅内顶部温度值、锅内底部温度值的基础上，结合湿度值进行判定，为了避免环境湿度对工作状态判定的影响，可以结合锅内湿度值和锅外湿度值，也即，可以计算锅内外湿度值的差值，得到湿度差值。由于锅内的水蒸气大多聚集在锅内顶部，会影响锅内顶部温度值的精确度，因此，可以通过湿度差值对锅内顶部温度值进行校正，利用预先通过机器学习训练好的第一模型对锅内顶部温度值和湿度差值进行分析处理，得到校正后的锅内顶部温度值，也即上述的校正温度值。为了能够分析得到校正温度值，可以建立一个神经网络模型，预先获取多组包含锅内顶部温度值和湿度差值的第一数据，并为每组第一数据设置匹配的校正温度值，然后使用设置后的多组第一数据对神经网络模型进行训练，从而得到第一模型。在得到校正温度值之后，为了能够得到当前工作状态，可以建立一个神经网络模型，预先获取多组包含锅内底部温度值和校正温度值的第二数据，并为每组第二数据设置相应的工作状态的标签，然后使用设置后的多组第二数据对神经网络模型进行训练，从而得到第二模型。

通过上述方案，在现有的锅内顶部温度值和锅内底部温度值的基础上，结合湿度差值，从而实现对工作状态进行判定。

可选地，在本发明上述实施例中，在温度值包括：锅内顶部温度值和锅内底部温度值，湿度值包括：锅内湿度值和锅外湿度值的情况下，处理器31包括：第一获取模块、第一处理模块和比较模块。

其中，第一获取模块，用于获取锅内湿度值和锅外湿度值的差值，得到湿度差值；第一处理模块与第一获取模块连接，用于利用第一模型对锅内顶部温度值和湿度差值进行分析，得到校正温度值，其中，第一模型为使用多组第一数据通过机器学习训练出来的，每组第一数据均包括：锅内顶部温度值、湿度差值以及匹配的校正温度值；比较模块与第一处理模块和控制器连接，用于将所述锅内底部温度值与所述校正温度值进行比较，得到所述当前工作状态。

在一种可选的方案中，在利用预先通过机器学习训练好的第一模型对锅内顶部温度值和湿度差值进行分析，通过湿度差值对锅内顶部温度值进行校正，得到校正温度值之后，可以通过将校正温度值与锅内底部温度值进行比较，也即，将更接近真实温度的锅内顶部温度与锅内底部温度进行比较，确定当前工作状态，并对烹饪器具进行相应控制。

可选地，在本发明上述实施例中，在温度值包括：锅内顶部温度值和锅内底部温度值，湿度值包括：锅内湿度值和锅外湿度值的情况下，处理器31包括：第一获取模块和第三处理模块。

其中，第一获取模块用于获取锅内湿度值和锅外湿度值的差值，得到湿度差值；第三处理模块，与第一获取模块和控制器连接，用于利用第三模型对锅内顶部温度值、锅内底部温度值和湿度差值进行分析，得到当前工作状态，其中，第三模型为使用多组第三数据通过机器学习训练出来的，每组第三数据均包括：锅内顶部温度值、锅内底部温度值、湿度差值以及匹配的工作状态。

具体地，在获取到锅内顶部温度值、锅内底部温度值、湿度差值之后，为了能够得到当前工作状态，可以建立一个神经网络模型，预先获取多组包含锅内顶部温度值、锅内底部温度值和湿度差值的第三数据，并为每组第三数据设置相应的工作状态的标签，然后使用设置后的多组第三数据对神经网络模型进行训练，从而得到第三模型。

可选地，在本发明上述实施例中，在温度值包括：锅内顶部温度值和锅内底部温度值，湿度值包括：锅内湿度值的情况下，处理器31包括：第二处理模块和第四处理模块。

其中，第四处理模块与控制器连接，用于利用第四模型对锅内顶部温度值和锅内湿度值进行分析，得到校正温度值，其中，第四模型为使用多组第四数据通过机器学习训练出来的，每组第四数据均包括：锅内顶部温度值、锅内湿度值以及匹配的校正温度值；第二处理模块与第四处理模块和控制器33连接，用于利用第二模型对锅内底部温度值和校正温度值进行分析，得到当前工作状态。

可选地，在本发明上述实施例中，在温度值包括：锅内顶部温度值和锅内底部温度值，湿度值包括：锅内湿度值的情况下，处理器31包括：第五处理模块。

其中，第五处理模块与控制器连接，用于利用第五模型对锅内顶部温度值、锅内底部温度值和锅内湿度值进行分析，得到当前工作状态，其中，第五模型为使用多组第五数据通过机器学习训练出来的，每组第五数据均包括：锅内顶部温度值、锅内底部温度值、锅内湿度值以及匹配的工作状态。

可选地，在本发明上述实施例中，在温度值包括：锅内底部温度值，湿度值包括：锅内湿度值和锅外湿度值的情况下，处理器31包括：第一获取模块和第六处理模块。

其中，第一获取模块用于获取锅内湿度值和锅外湿度值的差值，得到湿度差值；第六处理模块与第一获取模块和控制器连接，用于利用第六模型对锅内底部温度值和湿度差值进行分析，得到当前工作状态，其中，第六模型为使用多组第六数据通过机器学习训练出来的，每组第六数据均包括：锅内底部温度值、湿度差值以及匹配的工作状态。

可选地，在本发明上述实施例中，在温度值包括：锅内底部温度值，湿度值包括：锅内湿度值的情况下，处理器31包括：第七处理模块。

其中，第七处理模块用于用第七模型对锅内底部温度值和锅内湿度值进行分析，得到当前工作状态，其中，第七模型为使用多组第七数据通过机器学习训练出来的，每组第七数据均包括：锅内底部温度值、锅内湿度值以及匹配的工作状态。

可选地，在本发明上述实施例中，控制器33包括：第二获取模块和控制模块。

其中，第二获取模块，与处理器连接，用于获取当前工作状态对应的烹饪参数；控制模块，与第二获取模块连接，用于控制烹饪器具按照烹饪参数执行烹饪操作。

具体地，上述的烹饪参数可以是烹饪时间、烹饪功率、烹饪压力等，不同的烹饪器具对应不同的烹饪参数。

在一种可选的方案中，在利用模型对实时采集到的温度值和湿度值进行分析，得到当前工作状态之后，可以获取到当前工作状态对应的烹饪时间、烹饪功率等烹饪参数，并按照获取到的烹饪参数执行相应的烹饪操作，从而实现对烹饪器具的实时动态调节。

可选地，在本发明上述实施例中，该系统还包括：温度传感器和湿度传感器。

其中，温度传感器与处理器连接，包括：设置在烹饪器具的锅体顶部的第一温度传感器和/或设置在烹饪器具的锅体底部的第二温度传感器，第一温度传感器用于采集锅内顶部温度值，第二温度传感器用于采集锅内底部温度值；湿度传感器与处理器连接，包括：设置在锅体顶部的第一湿度传感器和/或设置在烹饪器具外部的第二湿度传感器，第一湿度传感器用于采集锅内湿度值，第二湿度传感器用于采集锅外湿度值。

在一种可选的方案中，为了能够获取到锅内顶部温度值、锅内底部温度值、锅内湿度值和锅外湿度值，可以在锅内顶部设置第一温度传感器，在锅内底部设置第二温度传感器(例如，锅内底部的感温包)，在锅内顶部设置第一湿度传感器，并在锅外设置第二湿度传感器，通过相应的温度传感器和湿度传感器实时采集温度值和湿度值，并根据采集到的温度值和湿度值进行分析处理，得到相应的工作状态，并对烹饪器具进行相应的控制。

实施例4

根据本发明实施例，提供了一种存储介质的实施例，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述实施例1中的烹饪器具的控制方法。

实施例5

根据本发明实施例，提供了一种处理器的实施例，处理器用于运行程序，其中，程序运行时执行上述实施例1的烹饪器具的控制方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (11)

1.一种烹饪器具的控制方法，其特征在于，包括：

获取烹饪器具检测到的温度值和湿度值，其中，所述温度值包括：锅内顶部温度值和/或锅内底部温度值，所述湿度值包括：锅内湿度值和/或锅外湿度值；

利用模型对所述温度值和所述湿度值进行分析，得到烹饪器具的当前工作状态，其中，所述模型为使用多组数据通过机器学习训练出来的，每组数据均包括：温度值、湿度值以及匹配的工作状态；

根据所述当前工作状态，控制所述烹饪器具执行烹饪操作。

2.根据权利要求1所述的方法，其特征在于，在所述温度值包括：所述锅内顶部温度值和所述锅内底部温度值，所述湿度值包括：所述锅内湿度值和所述锅外湿度值的情况下，利用模型对所述温度值和所述湿度值进行分析，得到烹饪器具的当前工作状态包括：

获取所述锅内湿度值和所述锅外湿度值的差值，得到湿度差值；

利用第一模型对所述锅内顶部温度值和所述湿度差值进行分析，得到校正温度值，其中，所述第一模型为使用多组第一数据通过机器学习训练出来的，每组第一数据均包括：锅内顶部温度值、湿度差值以及匹配的校正温度值；

利用第二模型对所述锅内底部温度值和所述校正温度值进行分析，得到所述当前工作状态，其中，所述第二模型为使用多组第二数据通过机器学习训练出来的，每组第二数据均包括：锅内底部温度值、校准温度值以及匹配的工作状态。

3.根据权利要求1所述的方法，其特征在于，在所述温度值包括：所述锅内顶部温度值和所述锅内底部温度值，所述湿度值包括：所述锅内湿度值和所述锅外湿度值的情况下，利用模型对所述温度值和所述湿度值进行分析，得到烹饪器具的当前工作状态包括：

获取所述锅内湿度值和所述锅外湿度值的差值，得到湿度差值；

利用第一模型对所述锅内顶部温度值和所述湿度差值进行分析，得到校正温度值，其中，所述第一模型为使用多组第一数据通过机器学习训练出来的，每组第一数据均包括：锅内顶部温度值、湿度差值以及匹配的校正温度值；

将所述锅内底部温度值与所述校正温度值进行比较，得到所述当前工作状态。

4.根据权利要求1所述的方法，其特征在于，在所述温度值包括：所述锅内顶部温度值和所述锅内底部温度值，所述湿度值包括：所述锅内湿度值和所述锅外湿度值的情况下，利用模型对所述温度值和所述湿度值进行分析，得到烹饪器具的当前工作状态包括：

获取所述锅内湿度值和所述锅外湿度值的差值，得到湿度差值；

利用第三模型对所述锅内顶部温度值、所述锅内底部温度值和所述湿度差值进行分析，得到所述当前工作状态，其中，所述第三模型为使用多组第三数据通过机器学习训练出来的，每组第三数据均包括：锅内顶部温度值、锅内底部温度值、湿度差值以及匹配的工作状态。

5.根据权利要求1至4中任意一项所述的方法，其特征在于，根据所述当前工作状态，控制所述烹饪器具执行烹饪操作包括：

获取所述当前工作状态对应的烹饪参数；

控制所述烹饪器具按照所述烹饪参数执行烹饪操作。

6.根据权利要求5所述的方法，其特征在于，获取烹饪器具检测到的温度值和湿度值包括：

接收温度传感器采集到的所述温度值，其中，所述温度传感器包括：设置在所述烹饪器具的锅体顶部的第一温度传感器和/或设置在所述烹饪器具的锅体底部的第二温度传感器，所述第一温度传感器用于采集所述锅内顶部温度值，所述第二温度传感器用于采集所述锅内底部温度值；

接收湿度传感器采集到的所述湿度值，其中，所述湿度传感器包括：设置在所述锅体顶部的第一湿度传感器和/或设置在所述烹饪器具外部的第二湿度传感器，所述第一湿度传感器用于采集所述锅内湿度值，所述第二湿度传感器用于采集所述锅外湿度值。

7.一种烹饪器具的控制装置，其特征在于，包括：

获取模块，用于获取烹饪器具检测到的温度值和湿度值，其中，所述温度值包括：锅内顶部温度值和/或锅内底部温度值，所述湿度值包括：锅内湿度值和/或锅外湿度值；

处理模块，用于利用模型对所述温度值和所述湿度值进行分析，得到烹饪器具的当前工作状态，其中，所述模型为使用多组数据通过机器学习训练出来的，每组数据均包括：温度值、湿度值以及匹配的工作状态；

控制模块，用于根据所述当前工作状态，控制所述烹饪器具执行烹饪操作。

8.一种烹饪器具的控制系统，其特征在于，包括：

处理器，用于获取烹饪器具检测到的温度值和湿度值，并利用模型对所述温度值和所述湿度值进行分析，得到烹饪器具的当前工作状态，其中，所述温度值包括：锅内顶部温度值和/或锅内底部温度值，所述湿度值包括：锅内湿度值和/或锅外湿度值，所述模型为使用多组数据通过机器学习训练出来的，每组数据均包括：温度值、湿度值以及匹配的工作状态；

控制器，与所述处理器连接，用于根据所述当前工作状态，控制所述烹饪器具执行烹饪操作。

9.根据权利要求8所述的系统，其特征在于，所述系统还包括：

温度传感器，与所述处理器连接，包括：设置在所述烹饪器具的锅体顶部的第一温度传感器和/或设置在所述烹饪器具的锅体底部的第二温度传感器，所述第一温度传感器用于采集所述锅内顶部温度值，所述第二温度传感器用于采集所述锅内底部温度值；

湿度传感器，与所述处理器连接，包括：设置在所述锅体顶部的第一湿度传感器和/或设置在所述烹饪器具外部的第二湿度传感器，所述第一湿度传感器用于采集所述锅内湿度值，所述第二湿度传感器用于采集所述锅外湿度值。

10.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至6中任意一项所述的烹饪器具的控制方法。

11.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至6中任意一项所述的烹饪器具的控制方法。