CN107978355A - 食谱推荐方法、装置和抽油烟机 - Google Patents
食谱推荐方法、装置和抽油烟机 Download PDFInfo
- Publication number
- CN107978355A CN107978355A CN201711053299.7A CN201711053299A CN107978355A CN 107978355 A CN107978355 A CN 107978355A CN 201711053299 A CN201711053299 A CN 201711053299A CN 107978355 A CN107978355 A CN 107978355A
- Authority
- CN
- China
- Prior art keywords
- mentioned
- image information
- recipe
- physiological status
- smoke exhaust
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000000779 smoke Substances 0.000 claims abstract description 121
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 235000013311 vegetables Nutrition 0.000 claims description 10
- 230000035790 physiological processes and functions Effects 0.000 abstract description 5
- 238000012549 training Methods 0.000 abstract description 5
- 238000003860 storage Methods 0.000 description 12
- 235000005911 diet Nutrition 0.000 description 10
- 230000037213 diet Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000005086 pumping Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 235000006694 eating habits Nutrition 0.000 description 4
- 230000035479 physiological effects, processes and functions Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000013526 transfer learning Methods 0.000 description 3
- 230000037237 body shape Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000008921 facial expression Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000003097 mucus Anatomy 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 210000001747 pupil Anatomy 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 229940088594 vitamin Drugs 0.000 description 2
- 229930003231 vitamin Natural products 0.000 description 2
- 235000013343 vitamin Nutrition 0.000 description 2
- 239000011782 vitamin Substances 0.000 description 2
- 230000004584 weight gain Effects 0.000 description 2
- 235000019786 weight gain Nutrition 0.000 description 2
- 244000291564 Allium cepa Species 0.000 description 1
- 241001107116 Castanospermum australe Species 0.000 description 1
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 241000269799 Perca fluviatilis Species 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 235000021279 black bean Nutrition 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019242 dietary recipe Nutrition 0.000 description 1
- 230000002964 excitative effect Effects 0.000 description 1
- 235000021022 fresh fruits Nutrition 0.000 description 1
- 235000012027 fruit salads Nutrition 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 235000012028 green salad Nutrition 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 235000004280 healthy diet Nutrition 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000014347 soups Nutrition 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 235000021139 traditional diet Nutrition 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24C—DOMESTIC STOVES OR RANGES ; DETAILS OF DOMESTIC STOVES OR RANGES, OF GENERAL APPLICATION
- F24C15/00—Details
- F24C15/20—Removing cooking fumes
- F24C15/2021—Arrangement or mounting of control or safety systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种食谱推荐方法、装置和抽油烟机。其中，该方法包括：抽油烟机获取目标对象的第一图像信息；上述抽油烟机使用第一模型对上述第一图像信息进行分析，确定上述第一图像信息对应的第一生理状态，其中，上述第一模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：第一图像信息和第一图像信息对应的生理状态；上述抽油烟机依据上述第一生理状态向上述目标对象推荐与上述第一生理状态对应的食谱。本发明解决了现有技术中抽油烟机无法根据用户的身体状况，向用户推荐食谱的技术问题。
Description
技术领域
本发明涉及智能电器领域，具体而言，涉及一种食谱推荐方法、装置和抽油烟机。
背景技术
随着人民生活水平和对生活质量要求的提高，传统的饮食方式已经不能够满足用户的需求，多样化的饮食方式受到广大健康爱好者的喜爱，并且，由于每个人的身体状况不一样，所需要补充的营养也不尽相同，体现在饮食上就是饮食喜好和饮食方式的不同，因此，越来越多的用户依据营养学家或者家庭医生定制的食谱进行饮食。
事实上，依据营养学家或者家庭医生定制的食谱的方式不仅过程较为繁琐，而且仍存在很多问题，例如，营养学家或者家庭医生侧重考虑的是用户的身体健康，因而可能会忽略用户的饮食习惯，造成用户在根据营养学家或者家庭医生定制的食谱进行饮食时，存在抵触情绪，难以达到预期的效果；并且，用户的身体差异是时刻存在的，营养学家或者家庭医生一般都是周期性的推荐和建议，并不能同步根据用户的身体状况，对用户的饮食食谱进行推荐或定制。
因而，需要提供一种更加智能和便捷的方式，根据用户的身体状况，对用户的饮食食谱进行推荐或定制，例如，利用家用电器为用户推荐食谱，但是现有的家用电器，功能较为固定和单一，例如，抽油烟机仅用于抽油烟，并无法实现根据用户的身体状况，对用户的饮食食谱进行推荐或定制。
针对上述的问题，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食谱推荐方法、装置和抽油烟机，以至少解决现有技术中抽油烟机无法根据用户的身体状况，向用户推荐食谱的技术问题。
根据本发明实施例的一个方面，提供了一种食谱推荐方法，包括：抽油烟机获取目标对象的第一图像信息；上述抽油烟机使用第一模型对上述第一图像信息进行分析，确定上述第一图像信息对应的第一生理状态，其中，上述第一模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：第一图像信息和第一图像信息对应的生理状态；上述抽油烟机依据上述第一生理状态向上述目标对象推荐与上述第一生理状态对应的食谱。
进一步地，上述抽油烟机获取目标对象的第一图像信息之前，上述方法还包括：上述抽油烟机获取上述目标对象的第二图像信息；使用第二模型对上述第二图像信息进行分析，确定上述第二图像信息对应的身份信息，其中，上述第二模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：第二图像信息和第二图像信息对应的身份信息；对上述身份信息进行验证，并在验证通过时确定触发获取上述第一图像信息。
进一步地，上述抽油烟机依据上述第一生理状态向上述目标对象推荐与上述第一生理状态对应的食谱之前，上述方法还包括：上述抽油烟机获取与上述身份信息对应的历史记录，其中，该历史记录用于记录上述身份信息对应的食谱；依据上述历史记录中的食谱和与上述第一生理状态对应的食谱共同确定向上述目标对象推荐的食谱。
进一步地，依据上述历史记录中的食谱和与上述第一生理状态对应的食谱共同确定向上述目标对象推荐的食谱，包括：获取上述历史记录中的食谱和与上述第一生理状态对应的食谱中的重复菜品进行标识，并将标识后的食谱向上述目标对象进行推荐，其中，上述标识后的食谱为对与上述第一生理状态对应的食谱中的菜品进行标识得到的。
进一步地，依据上述第一生理状态向上述目标对象推荐与上述第一生理状态对应的食谱之前，上述方法还包括：获取通过可穿戴设备检测的第二生理状态；比较上述第一生理状态和第二生理状态；在上述第一生理状态和上述第二生理状态一致时，确定触发向上述目标对象推荐与上述第一生理状态对应的食谱。
进一步地，抽油烟机获取目标对象的第一图像信息，包括：上述抽油烟机接收上述抽油烟机所在区域的图像采集装置发送的上述第一图像信息；或者上述抽油烟机接收上述抽油烟机上设置的图像采集装置采集的上述第一图像信息。
进一步地，上述抽油烟机依据上述第一生理状态向上述目标对象推荐与上述第一生理状态对应的食谱，包括：检测上述目标对象的活动状态；从上述活动状态中确定上述目标对象当前正在使用的终端设备；上述抽油烟机向上述终端设备发送上述食谱。
进一步地，上述抽油烟机依据上述第一生理状态向上述目标对象推荐与上述第一生理状态对应的食谱之前，上述方法还包括：上述抽油烟机检测当前时间点；在上述当前时间点为预设时间点时，向上述目标对象推荐上述食谱。
根据本发明实施例的另一方面，还提供了一种抽油烟机，包括：图像采集装置，用于获取目标对象的第一图像信息；处理器，用于使用第一模型对上述第一图像信息进行分析，确定上述第一图像信息对应的第一生理状态，其中，上述第一模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：第一图像信息和第一图像信息对应的生理状态；以及依据上述第一生理状态向上述目标对象推荐与上述第一生理状态对应的食谱。
根据本发明实施例的另一方面，还提供了一种食谱推荐装置，包括：获取模块，用于获取目标对象的第一图像信息；确定模块，用于使用第一模型对上述第一图像信息进行分析，确定上述第一图像信息对应的第一生理状态，其中，上述第一模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：第一图像信息和第一图像信息对应的生理状态；推荐模块，用于依据上述第一生理状态向上述目标对象推荐与上述第一生理状态对应的食谱。
在本发明实施例中，采用智能控制的方式，通过抽油烟机获取目标对象的第一图像信息；上述抽油烟机使用第一模型对上述第一图像信息进行分析，确定上述第一图像信息对应的第一生理状态，其中，上述第一模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：第一图像信息和第一图像信息对应的生理状态；上述抽油烟机依据上述第一生理状态向上述目标对象推荐与上述第一生理状态对应的食谱，达到了利用抽油烟机依据用户的身体状况，向用户推荐食谱的目的，从而实现了更加便捷和快速的为用户推荐食谱的技术效果，进而解决了现有技术中抽油烟机无法根据用户的身体状况，向用户推荐食谱的技术问题。
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食谱推荐方法的步骤流程图；
图2是根据本发明实施例的一种可选的食谱推荐方法的步骤流程图；
图3是根据本发明实施例的一种抽油烟机的结构示意图；
图4是根据本发明实施例的一种食谱推荐装置的结构示意图。
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。
首先，为方便理解本发明实施例，下面将对本发明中所涉及的部分术语或名词进行解释说明：
像素：是计算机屏幕上所能显示的最小单位，用来表示图像的单位，指可以显示出的水平和垂直像素的数组，屏幕中的像素点越多，画面的分辨率越高，图像就越细腻和逼真；像素点：指像素的数值。
二值化：是指对摄像头拍摄的图片，大多数是彩色图像，彩色图像所含信息量巨大，对于图片的内容，可以简单的分为前景与背景，先对彩色图进行处理，使图片只有前景信息与背景信息，可以简单的定义前景信息为黑色，背景信息为白色，这就是二值化图了。
CNN：卷积神经网络，是指描述了对输入图像的操作，输出一组描述图像内容的分类或分类的概率，即对输入的图像进行识别，以输出图像中的对象的概率；通过一系列卷积层级建构出更为抽象的概念，包括建立多个神经元，并建立对应的输入层和输出层，从而将输入的节点通过神经元不断关联，得到优化对象，一般会包括卷积层、过滤层，通过前向传导、损失函数、后向传导、以及函数更新作为一个学习周期，对每一训练图片，程序将重复固定数目的周期过程，以不断优化训练学习结果。
以图搜图：是指在获取到图像后，通过深度学习对结果进行排序，并通过用户记录的三元组数据(查询图片、点击图片和未点击图片)来训练模型的排序损失函数，从而得到排序结果，在输入一张图像后，模型会自动检测出主体，然后按照排序分数高低排出相关对象的结果。
迁移学习：实质是图像匹配，通过迁移学习将模型应用在各个领域中，具体是数据库中的图片的矢量表示X通过线性变换迁移到别的领域的图像X1上，通过引用随机傅里叶函数，将迁移变换转变为非线性函数，然后得到需要的图像。
朴素贝叶斯：是指给一张图片，可以返回对象分类，将图片识别作为一个简单的态度，以得到相应的对象。
决策树：是指根据特征进行分类，每个节点提出一个问题，将数据分为两类，并继续提问，这些问题是在已有的数据上学习训练的，以在投入新数据时，根据数据所在的树上的问题，将数据划分到对应的叶子上。
深度学习：是机器学习中一种基于对数据进行表征学习的方法，概念源于人工神经网络的研究，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，含多隐层的多层感知器就是一种深度学习结构。
KNN算法：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。KNN算法中，所选择的邻居都是已经正确分类的对象。
实施例1
根据本发明实施例，提供了一种食谱推荐方法实施例，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食谱推荐方法的步骤流程图，如图1所示，该方法包括如下步骤：
步骤S102，抽油烟机获取目标对象的第一图像信息；
步骤S104，上述抽油烟机使用第一模型对上述第一图像信息进行分析，确定上述第一图像信息对应的第一生理状态，其中，上述第一模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：第一图像信息和第一图像信息对应的生理状态；
步骤S106，上述抽油烟机依据上述第一生理状态向上述目标对象推荐与上述第一生理状态对应的食谱。
在本发明实施例中，采用智能控制的方式，通过抽油烟机获取目标对象的第一图像信息；上述抽油烟机使用第一模型对上述第一图像信息进行分析，确定上述第一图像信息对应的第一生理状态，其中，上述第一模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：第一图像信息和第一图像信息对应的生理状态；上述抽油烟机依据上述第一生理状态向上述目标对象推荐与上述第一生理状态对应的食谱，达到了利用抽油烟机依据用户的身体状况，向用户推荐食谱的目的，从而实现了更加便捷和快速的为用户推荐食谱的技术效果，进而解决了现有技术中抽油烟机无法根据用户的身体状况，向用户推荐食谱的技术问题。
可选的，上述目标对象可以为用户，但不限于人类，例如，随着人工智能的发展，智能机器人也可以代替人类，完成清洁卫生、洗衣烧饭等家务，仿真类机器人也可以根据预先设置的第一模型，对本申请中所提供的抽油烟机进行调节控制。
作为一种可选的实施例，上述第一图像信息中可以包括多个信息，例如：用户的体态特征(高矮、胖瘦等)、面部特征(面部表情、肤色、眼部有无黑眼圈、鼻部有无鼻涕流出、唇部颜色等)，瞳孔大小，毛发特征等信息。
作为一种可选的实施例，在上述第一图像信息包括上述多个信息的情况下，上述第一图像信息对应的第一生理状态可以包括但不限于：兴奋状态、疲惫状态、肥胖状态、生病状态、健康状态等等。
在一种可选的实施例中，抽油烟机可以通过以下方式获取目标对象的第一图像信息：上述抽油烟机接收上述抽油烟机所在区域的图像采集装置发送的上述第一图像信息；或者上述抽油烟机接收上述抽油烟机上设置的图像采集装置采集的上述第一图像信息。
可选的，上述抽油烟机所在区域可以为抽油烟机所在房间的指定区域，例如，抽油烟机的周围区域。本申请实施例中，可以在设置有上述抽油烟机的房间内的指定区域设置一个或多个图像采集装置，(例如，摄像头)，以采集目标对象的第一图像信息。
为提高采集第一图像信息的准确性，上述图像采集装置可以设置在抽油烟机上，需要说明的是，本申请中对于设置图像采集装置的具体位置不作具体限定，例如，可以设置在抽油烟机的抽风口处，还可以设置在抽油烟机的边缘位置。
以上述抽油烟机设置在普通居民家庭为例，上述摄像头可以分别在靠近抽油烟机的位置，以及抽油烟机上设置一个或者多个摄像头；但是如果上述抽油烟机设置在饭店、餐厅、酒店等大型场所，上述摄像头的设置个数和部署范围，则除上述设置方式之外，还可以根据具体情况适应性增加设置。
通过设置在不同位置的摄像头，可以分别采集抽油烟机所在区域的目标对象的第一图像信息，需要说明的是，在采集目标对象的第一图像信息时，可以是每隔预设时间段(例如，每隔一分钟)拍摄或录制一次图像。
需要说明的是，本申请中对于拍摄的图像的类别不做限定，包括但不限于：黑白图像(灰度图像)、彩色图像(RGB图像)。在分析图像时，可以根据二值化图像处理方式分析图像中的信息，具体的，在分析时，可以对图像中多个像素点与历史图像中的像素点位置进行比较，以确定出存在差异的像素点，然后将存在差异的像素点区分出来，得到图像中是否存在目标对象的第一图像信息。
在一种可选的实施例中，本申请所提供的实施方案，可以将一个或多个摄像头分别与抽油烟机、服务器和用户家庭(餐厅、饭店、酒店等)的网关设备建立网络连接，在获取上述目标对象的第一图像信息之后，可以将上述第一图像信息发送至互联的数据库中进行存储，以方便抽油烟机使用第一模型对第一图像信息进行分析处理，确定与上述第一图像信息对应的第一生理状态，进而可以实现依据第一生理状态向用户推荐对应的食谱。需要说明的是，上述网关设备可以包括但不限于：无线网卡、蓝牙、Wi-Fi等。
作为一种可选的实施方式，本申请可以预先在服务器或者数据库中预先存储预定模板图像，例如，预先拍摄一张目标对象的图像信息，将该图像作为预定模板图像。
需要说明的是，本申请对于预存的预定模板图像不作具体限定，可以为但不限于为任意一个抽油烟机都预存一份(一张或者多张)预定模板图像，以用于和之后获取到的图像信息进行比较，但是由于一个区域内可能设置有多个抽油烟机，例如，多个抽油烟机利用互联网络进行通信，进而可以协同或者分工进行抽油烟，因此，可以在与上述多个抽油烟机存在连接关系的数据库中预存一份预定模板图像。
在获取得到第一图像信息之后，可以将上述第一图像信息与预定模板图像进行比较，从而分析出差异，依据差异确定上述第一图像信息对应的第一生理状态。其中，预定模板图像中可以包括多个信息，可以包括但不限于：用户的体态特征(高矮、胖瘦等)、面部特征(面部表情、肤色、眼部有无黑眼圈、鼻部有无鼻涕流出、唇部颜色等)，瞳孔大小，毛发特征等信息，将预定模板图像中的多个信息进行分析，并将预定模板图像和模板图像信息存储在上述第一模型中，以用于之后对拍摄到的目标对象的第一生理状态进行分析。
需要说明的是，本申请对上述第一生理状态对应的食谱并不作具体限定，可以在抽油烟机的数据库中预先设置有与上述第一生理状态对应的食谱，为尊重用户的个性化差异，可以根据用户的习惯和偏好进行调整和设置，进而可以提高抽油烟机的智能化推荐程度，增强用户体验感。
其中，在分析当前拍摄的目标对象的第一图像信息与预定模板图像的差异时，可以通过二值化处理方式对图像进行预处理，以提取出图像中存在明显差异的地方。在二值化处理时，可以分析图像中的各个像素点所在的像素差异和颜色差异，从而确定出整体的图像存在的差异。
在一种可选的实施方式中，在获取到的用户的第一图像信息相对于预定模板图像，存在用户有黑眼圈、肤色暗沉现象时，可以但不限于预设该第一图像信息对应的第一生理状态为疲惫状态，可能用户工作比较辛苦，或者用户最近熬夜比较严重，则第一生理状态对应的食谱可以为提供维生素和能量类的食谱，为用户补充维生素和能量支持，例如，土豆烧牛腩、鸡胸肉蔬菜沙拉、水果拼盘等食谱。
在一种可选的实施方式中，在获取到的用户的第一图像信息相对于预定模板图像，存在用户面部轮廓和/或身材轮廓变宽现象时，可以但不限于预设该第一图像信息对应的第一生理状态为肥胖状态，可能用户最近体重增加比较明显，则第一生理状态对应的食谱可以为清淡类的食谱，为用户推荐清淡饮食，避免用户持续的体重增加带来健康问题，例如，清蒸鲈鱼、水果沙拉、番茄鸡蛋汤等食谱。
作为一种可选的实施方式，上述数据库或者服务器可以预先存储预定模板图像中预先存储的多个特征信息，从而在分析获取得到的目标对象的第一图像信息与预定模板图像的差异时，可以通过比较特征信息来确定出存在差异之处。
其中，可以利用CNN算法，从拍摄到的图像信息中提取出目标对象的手势图像特征信息，在提取时，可以将图像中输入至神经网络中，以通过建立相应的神经元，并根据神经元之间的预设函数(如Sigmoid函数)确定图像特征和图像特征映射，从而根据确定的特征映射，输出图像的多个特征。
另外，在分析图像差异时，可以采用深度学习，建立第一预设模型之后，再次进行用户图像特征和用户图像特征提取时，可以利用以图搜图的方法搜索数据库中与当前拍摄图像相似的图像，并提取出目标对象的第一图像信息，此外，还可以使用朴素贝叶斯算法提取目标对象的第一图像特征信息。
在分析图像中的目标对象时，可以利用深度学习或者KNN算法，将图像信息中存在相同特征的图像信息滤除，以得到存在差异的特征信息，进而得到目标对象的第一图像信息图像与模板图像的差异信息。
本申请在分析目标对象的第一图像信息时，可以但不限于采用以图搜图的方式，将模型中与当前图像有相似特征的图像提取出来，并通过迁移学习算法，确定出最接近的图像。而在确定上述第一图像信息对应的第一生理状态，并依据上述第一生理状态向上述目标对象推荐与上述第一生理状态对应的食谱时，可以通过KNN算法提取出与上述第一生理状态对应的食谱，并向用户推荐。
作为一种可选的实施方式，在建立上述第一模型时，可以通过历史时间段中拍摄的目标对象的第一图像信息和第一图像信息对应的生理状态，指示目标对象的图像信息标签。在拍摄的图像信息中可以着重提取包含用户生理特征的第一图像信息，并将第一图像信息和第一图像信息对应的生理状态存储在数据库中，以让机器学习训练，从而在拍摄到最新的图像之后，可以使用第一模型对上述第一图像信息进行分析，确定上述第一图像信息对应的第一生理状态，进而依据上述第一生理状态向上述目标对象推荐与上述第一生理状态对应的食谱。
另外，可以根据每个用户或家庭的生活和饮食习惯，建立对应设置的食谱调整参数，并将参数数据和用户或家庭的身份相匹配存在数据库中，并建立一个数据模型，以在确定出用户或家庭身份信息后，提取对应的食谱调整参数，从而可以有效调节控制抽油烟机，增强用户的体验感。
在一种可选的实施例中，图2是根据本发明实施例的一种可选的食谱推荐方法的步骤流程图，如图2所示，上述抽油烟机获取目标对象的第一图像信息之前，上述方法还包括如下方法步骤：
步骤S202，上述抽油烟机获取上述目标对象的第二图像信息；
步骤S204，使用第二模型对上述第二图像信息进行分析，确定上述第二图像信息对应的身份信息，其中，上述第二模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：第二图像信息和第二图像信息对应的身份信息；
步骤S206，对上述身份信息进行验证，并在验证通过时确定触发获取上述第一图像信息。
需要说明的是，上述第二图像信息可以为但不限于：人脸图像等可以表征用户身份的信息。
需要说明的是，上述第二图像信息可以为但不限于：通过以上获取上述第一图像信息的方式获取得到，具体可以参见上述获取第一图像信息的相关描述，此处不再赘述。
在一种可选的实施例中，关于建立第二模型以及如何使用上述第二模型对上述第二图像信息进行分析，确定上述第二图像信息对应的身份信息的技术方案，可以但不限于与上述抽油烟机使用第一模型对上述第一图像信息进行分析，确定上述第一图像信息对应的第一生理状态的实施方式相似，具体可以参见上述相关描述，此处不再赘述。
为了增强用户的使用体验，避免由于抽油烟机误识别非目标对象，并执行食谱推荐动作，造成资源消耗且影响用户的使用体验，可以在上述抽油烟机获取目标对象的第一图像信息之前，获取上述目标对象的第二图像信息，使用第二模型对上述第二图像信息进行分析，确定上述第二图像信息对应的身份信息，并对上述身份信息进行认证，并在验证通过时确定触发获取上述第一图像信息。
除增强用户的使用体验、避免误识别非目标对象之外，还可以根据上述目标对象的身份信息确定目标对象的饮食习惯，作为一种可选的实施例，上述抽油烟机依据上述第一生理状态向上述目标对象推荐与上述第一生理状态对应的食谱之前，上述方法还包括：上述抽油烟机获取与上述身份信息对应的历史记录；依据上述历史记录中的食谱和与上述第一生理状态对应的食谱共同确定向上述目标对象推荐的食谱。
其中，上述历史记录用于记录上述身份信息对应的食谱。
此外，关于如何依据上述历史记录中的食谱和与上述第一生理状态对应的食谱共同确定向上述目标对象推荐的食谱，本申请还提供了一个可选的实施例，也即，获取上述历史记录中的食谱和与上述第一生理状态对应的食谱中的重复菜品进行标识，并将标识后的食谱向上述目标对象进行推荐，其中，上述标识后的食谱为对与上述第一生理状态对应的食谱中的菜品进行标识得到的。
不同于千篇一律的营养饮食食谱的推荐方式，通过上述可选实施例，可以综合考虑用户的饮食习惯和当前生理状态，进而可以实现在最大程度上的保证用户的饮食健康，并且更加的便捷和高效。
作为一种可选的实施例，依据上述第一生理状态向上述目标对象推荐与上述第一生理状态对应的食谱之前，上述方法还包括：获取通过可穿戴设备检测的第二生理状态；比较上述第一生理状态和第二生理状态；在上述第一生理状态和上述第二生理状态一致时，确定触发向上述目标对象推荐与上述第一生理状态对应的食谱。
在一种可可选的实施例中，上述可穿戴设备可以为但不限于：手表、手环、眼镜、头盔、外衣和内衣等装备。
需要说明的是，为了提高抽油烟机向用户推荐与上述第一生理状态对应的食谱的准确性，在向用户推荐与上述第一生理状态对应的食谱之前，还可以通过可穿戴设备可以通过传感器对目标对象的运动情况、健康情况做出记录和评估，得到用于表征目标对象的体征参数和健康状况参数的第二生理状态，并比较上述第一生理状态和第二生理状态；在上述第一生理状态和上述第二生理状态一致时，确定触发向上述目标对象推荐与上述第一生理状态对应的食谱。
在一种可选的实施方式中，上述抽油烟机依据上述第一生理状态向上述目标对象推荐与上述第一生理状态对应的食谱，包括：检测上述目标对象的活动状态；从上述活动状态中确定上述目标对象当前正在使用的终端设备；上述抽油烟机向上述终端设备发送上述食谱。
可选的，可以通过采集图像的方式确定上述目标对象的活动状态，上述活动状态可以为玩手机的状态、看电脑的状态，例如，在获取到的一段视频图像中，显示目标对象当前正在使用电脑浏览网站或者观看视频，抽油烟机将确定的食谱发送到目标对象当前正在使用的电脑上，提示用户查看该食谱。
此外，仍存在一种可选的实施方式，上述抽油烟机依据上述第一生理状态向上述目标对象推荐与上述第一生理状态对应的食谱之前，上述方法还包括：上述抽油烟机检测当前时间点；在上述当前时间点为预设时间点时，向上述目标对象推荐上述食谱。
可选的，上述预设时间点可以为做饭前的时间点，10点或11点多，以提示用户提前确定食谱，并准备与上述食谱相应的食材，依照该食谱开始做饭。
需要说明的是，本申请实施例对上述预设时间点并不具体限定，为尊重用户的个性化差异，用户可以根据个人生活习惯和偏好进行调整和设置。
实施例2
本发明实施例还提供了一种用于实施上述食谱推荐方法的抽油烟机，图3是根据本申请实施例的一种抽油烟机的结构示意图，如图3所示，上述抽油烟机，包括：图像采集装置30和处理器32，其中，
图像采集装置30，用于获取目标对象的第一图像信息；处理器32，用于使用第一模型对上述第一图像信息进行分析，确定上述第一图像信息对应的第一生理状态，其中，上述第一模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：第一图像信息和第一图像信息对应的生理状态；以及依据上述第一生理状态向上述目标对象推荐与上述第一生理状态对应的食谱。
需要说明的是，上述实施例1中的任意一种可选的或优选的食谱推荐方法，均可以在本实施例所提供的抽油烟机中执行或实现。
此外，仍需要说明的是，本实施例的可选或优选实施方式可以参见实施例1中的相关描述，此处不再赘述。
实施例3
本发明实施例还提供了一种用于实施上述食谱推荐方法的食谱推荐装置，图4是根据本发明实施例的一种食谱推荐装置的结构示意图，如图4所示，上述抽油烟机的控制装置，包括：获取模块40、确定模块42和推荐模块44，其中，
获取模块40，用于获取目标对象的第一图像信息；确定模块42，用于使用第一模型对上述第一图像信息进行分析，确定上述第一图像信息对应的第一生理状态，其中，上述第一模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：第一图像信息和第一图像信息对应的生理状态；推荐模块44，用于依据上述第一生理状态向上述目标对象推荐与上述第一生理状态对应的食谱。
此处需要说明的是，上述获取模块40、确定模块42和推荐模块44对应于实施例1中的步骤S102至步骤S106，上述模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在计算机终端中。
需要说明的是，本实施例的可选或优选实施方式可以参见实施例1中的相关描述，此处不再赘述。
上述的食谱推荐装置还可以包括处理器和存储器，上述获取模块40、确定模块42和控制模块44等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元，上述内核可以设置一个或以上。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本申请实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质包括存储的程序，其中，在上述程序运行时控制上述存储介质所在设备执行上述任意一种食谱推荐方法。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
本申请实施例还提供了一种处理器。可选地，在本实施例中，上述处理器用于运行程序，其中，上述程序运行时执行上述任意一种食谱推荐方法。
本申请实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：抽油烟机获取目标对象的第一图像信息；上述抽油烟机使用第一模型对上述第一图像信息进行分析，确定上述第一图像信息对应的第一生理状态，其中，上述第一模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：第一图像信息和第一图像信息对应的生理状态；上述抽油烟机依据上述第一生理状态向上述目标对象推荐与上述第一生理状态对应的食谱。
可选地，上述处理器执行程序时，还可以通过上述抽油烟机获取上述目标对象的第二图像信息；使用第二模型对上述第二图像信息进行分析，确定上述第二图像信息对应的身份信息，其中，上述第二模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：第二图像信息和第二图像信息对应的身份信息；对上述身份信息进行验证，并在验证通过时确定触发获取上述第一图像信息。
可选地，上述处理器执行程序时，还可以通过上述抽油烟机获取与上述身份信息对应的历史记录，其中，该历史记录用于记录上述身份信息对应的食谱；依据上述历史记录中的食谱和与上述第一生理状态对应的食谱共同确定向上述目标对象推荐的食谱。
可选地，上述处理器执行程序时，还可以获取上述历史记录中的食谱和与上述第一生理状态对应的食谱中的重复菜品进行标识，并将标识后的食谱向上述目标对象进行推荐，其中，上述标识后的食谱为对与上述第一生理状态对应的食谱中的菜品进行标识得到的。
可选地，上述处理器执行程序时，还可以获取通过可穿戴设备检测的第二生理状态；比较上述第一生理状态和第二生理状态；在上述第一生理状态和上述第二生理状态一致时，确定触发向上述目标对象推荐与上述第一生理状态对应的食谱。
可选地，上述处理器执行程序时，还可以通过上述抽油烟机接收上述抽油烟机所在区域的图像采集装置发送的上述第一图像信息；或者上述抽油烟机接收上述抽油烟机上设置的图像采集装置采集的上述第一图像信息。
可选地，上述处理器执行程序时，还可以检测上述目标对象的活动状态；从上述活动状态中确定上述目标对象当前正在使用的终端设备；上述抽油烟机向上述终端设备发送上述食谱。
可选地，上述处理器执行程序时，还可以通过上述抽油烟机检测当前时间点；在上述当前时间点为预设时间点时，向上述目标对象推荐上述食谱。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：抽油烟机获取目标对象的第一图像信息；上述抽油烟机使用第一模型对上述第一图像信息进行分析，确定上述第一图像信息对应的第一生理状态，其中，上述第一模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：第一图像信息和第一图像信息对应的生理状态；上述抽油烟机依据上述第一生理状态向上述目标对象推荐与上述第一生理状态对应的食谱。
可选地，上述计算机程序产品执行程序时，还可以通过上述抽油烟机获取上述目标对象的第二图像信息；使用第二模型对上述第二图像信息进行分析，确定上述第二图像信息对应的身份信息，其中，上述第二模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：第二图像信息和第二图像信息对应的身份信息；对上述身份信息进行验证，并在验证通过时确定触发获取上述第一图像信息。
可选地，上述计算机程序产品执行程序时，还可以通过上述抽油烟机获取与上述身份信息对应的历史记录，其中，该历史记录用于记录上述身份信息对应的食谱；依据上述历史记录中的食谱和与上述第一生理状态对应的食谱共同确定向上述目标对象推荐的食谱。
可选地，上述计算机程序产品执行程序时，还可以获取上述历史记录中的食谱和与上述第一生理状态对应的食谱中的重复菜品进行标识，并将标识后的食谱向上述目标对象进行推荐，其中，上述标识后的食谱为对与上述第一生理状态对应的食谱中的菜品进行标识得到的。
可选地，上述计算机程序产品执行程序时，还可以获取通过可穿戴设备检测的第二生理状态；比较上述第一生理状态和第二生理状态；在上述第一生理状态和上述第二生理状态一致时，确定触发向上述目标对象推荐与上述第一生理状态对应的食谱。
可选地，上述计算机程序产品执行程序时，还可以通过上述抽油烟机接收上述抽油烟机所在区域的图像采集装置发送的上述第一图像信息；或者上述抽油烟机接收上述抽油烟机上设置的图像采集装置采集的上述第一图像信息。
可选地，上述计算机程序产品执行程序时，还可以检测上述目标对象的活动状态；从上述活动状态中确定上述目标对象当前正在使用的终端设备；上述抽油烟机向上述终端设备发送上述食谱。
可选地，上述计算机程序产品执行程序时，还可以通过上述抽油烟机检测当前时间点；在上述当前时间点为预设时间点时，向上述目标对象推荐上述食谱。
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 (10)
1.一种食谱推荐方法，其特征在于，通过抽油烟机实现，所述方法包括：
抽油烟机获取目标对象的第一图像信息；
所述抽油烟机使用第一模型对所述第一图像信息进行分析，确定所述第一图像信息对应的第一生理状态，其中，所述第一模型为使用多组数据通过机器学习训练得到的，所述多组数据中的每组数据均包括：第一图像信息和第一图像信息对应的生理状态；
所述抽油烟机依据所述第一生理状态向所述目标对象推荐与所述第一生理状态对应的食谱。
2.根据权利要求1所述的方法，其特征在于，所述抽油烟机获取目标对象的第一图像信息之前，所述方法还包括：
所述抽油烟机获取所述目标对象的第二图像信息；
使用第二模型对所述第二图像信息进行分析，确定所述第二图像信息对应的身份信息，其中，所述第二模型为使用多组数据通过机器学习训练得到的，所述多组数据中的每组数据均包括：第二图像信息和第二图像信息对应的身份信息；
对所述身份信息进行验证，并在验证通过时确定触发获取所述第一图像信息。
3.根据权利要求2所述的方法，其特征在于，所述抽油烟机依据所述第一生理状态向所述目标对象推荐与所述第一生理状态对应的食谱之前，所述方法还包括：
所述抽油烟机获取与所述身份信息对应的历史记录，其中，该历史记录用于记录所述身份信息对应的食谱；
依据所述历史记录中的食谱和与所述第一生理状态对应的食谱共同确定向所述目标对象推荐的食谱。
4.根据权利要求3所述的方法，其特征在于，依据所述历史记录中的食谱和与所述第一生理状态对应的食谱共同确定向所述目标对象推荐的食谱，包括：
获取所述历史记录中的食谱和与所述第一生理状态对应的食谱中的重复菜品进行标识，并将标识后的食谱向所述目标对象进行推荐，其中，所述标识后的食谱为对与所述第一生理状态对应的食谱中的菜品进行标识得到的。
5.根据权利要求1所述的方法，其特征在于，依据所述第一生理状态向所述目标对象推荐与所述第一生理状态对应的食谱之前，所述方法还包括：
获取通过可穿戴设备检测的第二生理状态；
比较所述第一生理状态和第二生理状态；
在所述第一生理状态和所述第二生理状态一致时，确定触发向所述目标对象推荐与所述第一生理状态对应的食谱。
6.根据权利要求1所述的方法，其特征在于，抽油烟机获取目标对象的第一图像信息，包括：
所述抽油烟机接收所述抽油烟机所在区域的图像采集装置发送的所述第一图像信息；或者
所述抽油烟机接收所述抽油烟机上设置的图像采集装置采集的所述第一图像信息。
7.根据权利要求1至6中任意一项所述的方法，其特征在于，所述抽油烟机依据所述第一生理状态向所述目标对象推荐与所述第一生理状态对应的食谱，包括：
检测所述目标对象的活动状态；从所述活动状态中确定所述目标对象当前正在使用的终端设备；所述抽油烟机向所述终端设备发送所述食谱。
8.根据权利要求1至6中任意一项所述的方法，其特征在于，所述抽油烟机依据所述第一生理状态向所述目标对象推荐与所述第一生理状态对应的食谱之前，所述方法还包括：
所述抽油烟机检测当前时间点；
在所述当前时间点为预设时间点时，向所述目标对象推荐所述食谱。
9.一种抽油烟机，其特征在于，包括：
图像采集装置，用于获取目标对象的第一图像信息；
处理器，用于使用第一模型对所述第一图像信息进行分析，确定所述第一图像信息对应的第一生理状态，其中，所述第一模型为使用多组数据通过机器学习训练得到的，所述多组数据中的每组数据均包括：第一图像信息和第一图像信息对应的生理状态；以及依据所述第一生理状态向所述目标对象推荐与所述第一生理状态对应的食谱。
10.一种食谱推荐装置，应用于抽油烟机中，其特征在于，所述装置包括：
获取模块，用于获取目标对象的第一图像信息；
确定模块，用于使用第一模型对所述第一图像信息进行分析，确定所述第一图像信息对应的第一生理状态，其中，所述第一模型为使用多组数据通过机器学习训练得到的，所述多组数据中的每组数据均包括：第一图像信息和第一图像信息对应的生理状态；
推荐模块，用于依据所述第一生理状态向所述目标对象推荐与所述第一生理状态对应的食谱。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711053299.7A CN107978355A (zh) | 2017-10-30 | 2017-10-30 | 食谱推荐方法、装置和抽油烟机 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711053299.7A CN107978355A (zh) | 2017-10-30 | 2017-10-30 | 食谱推荐方法、装置和抽油烟机 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107978355A true CN107978355A (zh) | 2018-05-01 |
Family
ID=62012790
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711053299.7A Pending CN107978355A (zh) | 2017-10-30 | 2017-10-30 | 食谱推荐方法、装置和抽油烟机 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107978355A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108648802A (zh) * | 2018-05-15 | 2018-10-12 | 四川斐讯信息技术有限公司 | 一种食谱推荐方法及系统 |
| CN109065113A (zh) * | 2018-07-12 | 2018-12-21 | 山东师范大学 | 基于机器学习的人体减重方案推荐方法、系统及介质 |
| CN109492779A (zh) * | 2018-10-29 | 2019-03-19 | 珠海格力电器股份有限公司 | 一种家用电器健康管理方法、装置及家用电器 |
| CN109659007A (zh) * | 2018-11-13 | 2019-04-19 | 平安科技（深圳）有限公司 | 食堂用餐服务方法、装置、计算机设备及存储介质 |
| CN110287306A (zh) * | 2019-06-26 | 2019-09-27 | 珠海格力电器股份有限公司 | 一种食谱推荐方法及设备 |
| CN110289077A (zh) * | 2019-06-25 | 2019-09-27 | 秒针信息技术有限公司 | 一种食谱推送处理方法及装置 |
| CN110619943A (zh) * | 2018-06-19 | 2019-12-27 | 佛山市顺德区美的电热电器制造有限公司 | 一种食谱推荐方法、装置、烹饪电器和计算机存储介质 |
| CN110797105A (zh) * | 2019-10-08 | 2020-02-14 | 珠海格力电器股份有限公司 | 菜谱推荐方法、装置、存储介质及烹饪设备 |
| CN110942813A (zh) * | 2018-09-21 | 2020-03-31 | 北京国双科技有限公司 | 一种训练阵营的分配方法、系统、存储介质和处理器 |
| CN111161035A (zh) * | 2019-12-31 | 2020-05-15 | 北京三快在线科技有限公司 | 菜品推荐方法、装置、服务器、电子设备及存储介质 |
| CN111435610A (zh) * | 2019-01-14 | 2020-07-21 | 珠海格力电器股份有限公司 | 推荐食物的方法、装置和烹饪器具 |
| CN111489272A (zh) * | 2019-01-29 | 2020-08-04 | 佛山市顺德区美的电热电器制造有限公司 | 菜谱推荐方法、装置、推荐系统及其相关设备 |
| CN113124432A (zh) * | 2019-12-31 | 2021-07-16 | 青岛海尔智慧厨房电器有限公司 | 一种吸油烟机控制方法、装置、吸油烟机及存储介质 |
| CN113130044A (zh) * | 2019-12-31 | 2021-07-16 | 佛山市顺德区美的电热电器制造有限公司 | 一种食谱优化方法、优化展示的方法、装置及计算机可读存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104299180A (zh) * | 2014-09-25 | 2015-01-21 | 惠州Tcl移动通信有限公司 | 基于电子设备的健康食谱的选择方法和电子设备 |
| CN105912500A (zh) * | 2016-03-30 | 2016-08-31 | 百度在线网络技术（北京）有限公司 | 机器学习模型生成方法和装置 |
| CN106446512A (zh) * | 2016-08-30 | 2017-02-22 | 广东美的厨房电器制造有限公司 | 菜谱推送方法、菜谱接收方法、服务器和终端 |
| CN107038413A (zh) * | 2017-03-08 | 2017-08-11 | 合肥华凌股份有限公司 | 食谱推荐方法、装置及冰箱 |
| CN107133457A (zh) * | 2017-04-24 | 2017-09-05 | 美的集团股份有限公司 | 智能烹饪方法、装置及设备 |
-
2017
- 2017-10-30 CN CN201711053299.7A patent/CN107978355A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104299180A (zh) * | 2014-09-25 | 2015-01-21 | 惠州Tcl移动通信有限公司 | 基于电子设备的健康食谱的选择方法和电子设备 |
| CN105912500A (zh) * | 2016-03-30 | 2016-08-31 | 百度在线网络技术（北京）有限公司 | 机器学习模型生成方法和装置 |
| CN106446512A (zh) * | 2016-08-30 | 2017-02-22 | 广东美的厨房电器制造有限公司 | 菜谱推送方法、菜谱接收方法、服务器和终端 |
| CN107038413A (zh) * | 2017-03-08 | 2017-08-11 | 合肥华凌股份有限公司 | 食谱推荐方法、装置及冰箱 |
| CN107133457A (zh) * | 2017-04-24 | 2017-09-05 | 美的集团股份有限公司 | 智能烹饪方法、装置及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 北京市图形图像学学会: "《图像图形技术研究与应用 2009》", 30 May 2009, 中国传媒大学出版社 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108648802A (zh) * | 2018-05-15 | 2018-10-12 | 四川斐讯信息技术有限公司 | 一种食谱推荐方法及系统 |
| CN110619943A (zh) * | 2018-06-19 | 2019-12-27 | 佛山市顺德区美的电热电器制造有限公司 | 一种食谱推荐方法、装置、烹饪电器和计算机存储介质 |
| CN109065113A (zh) * | 2018-07-12 | 2018-12-21 | 山东师范大学 | 基于机器学习的人体减重方案推荐方法、系统及介质 |
| CN110942813B (zh) * | 2018-09-21 | 2023-02-21 | 北京国双科技有限公司 | 一种训练阵营的分配方法、系统、存储介质和处理器 |
| CN110942813A (zh) * | 2018-09-21 | 2020-03-31 | 北京国双科技有限公司 | 一种训练阵营的分配方法、系统、存储介质和处理器 |
| CN109492779A (zh) * | 2018-10-29 | 2019-03-19 | 珠海格力电器股份有限公司 | 一种家用电器健康管理方法、装置及家用电器 |
| CN109492779B (zh) * | 2018-10-29 | 2023-05-02 | 珠海格力电器股份有限公司 | 一种家用电器健康管理方法、装置及家用电器 |
| CN109659007A (zh) * | 2018-11-13 | 2019-04-19 | 平安科技（深圳）有限公司 | 食堂用餐服务方法、装置、计算机设备及存储介质 |
| CN111435610A (zh) * | 2019-01-14 | 2020-07-21 | 珠海格力电器股份有限公司 | 推荐食物的方法、装置和烹饪器具 |
| CN111489272A (zh) * | 2019-01-29 | 2020-08-04 | 佛山市顺德区美的电热电器制造有限公司 | 菜谱推荐方法、装置、推荐系统及其相关设备 |
| CN110289077A (zh) * | 2019-06-25 | 2019-09-27 | 秒针信息技术有限公司 | 一种食谱推送处理方法及装置 |
| CN110287306B (zh) * | 2019-06-26 | 2021-07-13 | 珠海格力电器股份有限公司 | 一种食谱推荐方法及设备 |
| CN110287306A (zh) * | 2019-06-26 | 2019-09-27 | 珠海格力电器股份有限公司 | 一种食谱推荐方法及设备 |
| CN110797105A (zh) * | 2019-10-08 | 2020-02-14 | 珠海格力电器股份有限公司 | 菜谱推荐方法、装置、存储介质及烹饪设备 |
| CN111161035A (zh) * | 2019-12-31 | 2020-05-15 | 北京三快在线科技有限公司 | 菜品推荐方法、装置、服务器、电子设备及存储介质 |
| CN113124432A (zh) * | 2019-12-31 | 2021-07-16 | 青岛海尔智慧厨房电器有限公司 | 一种吸油烟机控制方法、装置、吸油烟机及存储介质 |
| CN113130044A (zh) * | 2019-12-31 | 2021-07-16 | 佛山市顺德区美的电热电器制造有限公司 | 一种食谱优化方法、优化展示的方法、装置及计算机可读存储介质 |
| CN111161035B (zh) * | 2019-12-31 | 2022-09-16 | 北京三快在线科技有限公司 | 菜品推荐方法、装置、服务器、电子设备及存储介质 |
| CN113124432B (zh) * | 2019-12-31 | 2023-05-30 | 青岛海尔智慧厨房电器有限公司 | 一种吸油烟机控制方法、装置、吸油烟机及存储介质 |
| CN113130044B (zh) * | 2019-12-31 | 2023-06-20 | 佛山市顺德区美的电热电器制造有限公司 | 一种食谱优化方法、优化展示的方法、装置及计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107978355A (zh) | 食谱推荐方法、装置和抽油烟机 | |
| CN107862018A (zh) | 食材烹饪方法的推荐方法和抽油烟机 | |
| CN108052199A (zh) | 抽油烟机的控制方法、装置和抽油烟机 | |
| CN108105136A (zh) | 风扇的控制方法、装置和风扇 | |
| US10817778B2 (en) | Customized cooking utilizing deep learning neuromorphic computing of hyperspectral input | |
| CN109840825A (zh) | 基于用户的物理特征的推荐系统 | |
| CN107808132A (zh) | 一种融合主题模型的场景图像分类方法 | |
| CN111063419A (zh) | 智能健康饮食管理系统 | |
| CN109815375A (zh) | 一种个性化菜谱生成方法及装置 | |
| CN108766529A (zh) | 一种智能食谱推荐方法及系统 | |
| CN110688568A (zh) | 一种菜谱的推荐方法及装置 | |
| CN107038413A (zh) | 食谱推荐方法、装置及冰箱 | |
| CN107563124A (zh) | 菜谱数据的推送方法、装置和系统、存储介质及处理器 | |
| CN107560090A (zh) | 空调的送风控制方法及装置、终端 | |
| CN107729380A (zh) | 服饰搭配方法、终端、计算机终端 | |
| CN107967329A (zh) | 食谱推荐方法、装置、存储介质和服务器 | |
| CN108565004A (zh) | 一种引入Adaboost概率矩阵分解糖尿病个性化饮食推荐方法 | |
| CN106843176B (zh) | 一种用于食品柔性制造中自动化准备食材的方法、系统 | |
| CN111261260A (zh) | 一种膳食推荐系统 | |
| CN112597394A (zh) | 菜谱的推荐方法和装置、存储介质、电子装置 | |
| CN110289077A (zh) | 一种食谱推送处理方法及装置 | |
| CN109376065A (zh) | 一种用户行为热区分析方法、装置和电子设备 | |
| CN108197145A (zh) | 食物信息推送方法及装置 | |
| CN109887574A (zh) | 基于食材识别的食养食疗指导方法及装置 | |
| AU2022332666A1 (en) | System and method for generating personalised dietary recommendation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180501 |