CN109602264A - 一种基于卷积神经网络的食物识别智能烹饪控制方法 - Google Patents

Abstract

本发明提出的一种基于卷积神经网络的食物识别智能烹饪控制方法，包括以下步骤：S1、建立用于存储食物的原始特征图与食物类别之间的对应关系的ZFnet网络模型、存储食物类别与烹饪温度和出风量之间的对应关系的烹饪参数数据库；S2、采集烹饪器具内食物的实际图像，将所述实际图像输入ZFnet网络模型进行特征提取，得到该食物的实际特征图；S3、基于Fast R‑CNN检测技术对该食物的实际特征图与ZFnet网络模型中的食物的原始特征图进行比较分析，得到该食物所属的食物类别；S4、基于食物类别在烹饪参数数据库内查找对应的烹饪温度和出风量，并调节灶具温度和油烟机出风量。本发明通过识别锅中的食物种类来调节烹饪温度和风力大小，实现对烟机和灶具的智能化控制。

Description

一种基于卷积神经网络的食物识别智能烹饪控制方法

技术领域

本发明涉及家用电器控制技术领域，更具体地，涉及一种基于卷积神经网络的食物识别智能烹饪控制方法。

背景技术

随着人们对智能化产品的需求越来越高，产品之间的互联有助于提高用户体验。目前市场上存在的油烟机、灶具和锅具都是单独使用的，彼此之间没有通信。用户在做饭时，由于不同食材对灶具温度以及油烟机的出风量不同，采用传统的油烟机、灶具和锅具单独工作的模式难以满足智能化烹饪的需求，一方面无法根据食材的不同为其选择合理的烹饪温度，无法保障食材的烹调效果，两一方面无法根据食材的不同为其选择合适的油烟机出风量，无法保持烹饪环境的健康。

发明内容

本发明为克服上述现有技术所述的至少一种缺陷，提供一种基于卷积神经网络的食物识别智能烹饪控制方法，能够识别锅中的食物种类，根据食物种类的不同为其针对性的选择匹配的烹饪温度和油烟机出风量，实现对油烟机、灶具的智能化联动控制。

为解决上述技术问题，本发明采用的技术方案是：一种基于卷积神经网络的食物识别智能烹饪控制方法，包括以下步骤：

S1、建立用于存储食物的原始特征图与食物类别之间的对应关系的ZFnet网络模型，以及，用于存储食物类别与烹饪温度和出风量之间的对应关系的烹饪参数数据库；

S2、采集烹饪器具内食物的实际图像，将所述实际图像输入ZFnet网络模型进行特征提取，得到该食物的实际特征图；

S3、基于Fast R-CNN检测技术对该食物的实际特征图与ZFnet网络模型中的食物的原始特征图进行比较分析，得到该食物所属的食物类别；

S4、基于该食物所属的食物类别在烹饪参数数据库内查找对应的烹饪温度和出风量，并基于所述烹饪温度调节灶具温度、所述出风量调节油烟机出风量。

优选地，步骤S1中，所述ZFnet网络模型包括5层卷积层网络、2层全连接层网络、1层softmax分类层网络。

优选地，步骤S2具体包括：

采集烹饪器具内食物的图像；

利用selective search算法在所述烹饪器具内食物的图像中从上至下提取2000个建议窗口；

将所述烹饪器具内食物的图像输入ZFnet网络模型内，将所述2000个建议窗口映射到ZFnet网络模型的最后一层卷积层网络上；

通过ROI pooling层使每个建议窗口生成预设尺寸的feature map，并将其作为实际特征图。

优选地，步骤S3具体包括：

利用Softmax Loss对所述烹饪器具内食物的实际特征图进行训练，将该实际特征图与ZFnet网络模型中的食物的原始特征图进行匹配度概率分析，挑选出匹配度概率最大的原始特征图；

将上述匹配度概率最大的原始特征图对应的食物种类标定为所述烹饪器具内食物所属的食物类别。

优选地，步骤S4中，所述基于所述烹饪温度调节灶具温度具体包括：

通过调节灶具火力大小和/或灶具工作功率大小来响应调节灶具温度的操作。

优选地，步骤S4中，所述基于所述出风量调节油烟机出风量具体包括：

通过切换油烟机的不同档位来响应调节油烟机出风量的操作。

与现有技术相比，有益效果是：本发明提供的一种基于卷积神经网络的食物识别智能烹饪控制方法，首先采集烹饪器具内食物的实际图像，然后将该实际图像输入至已构建的ZFnet网络模型中进行训练，得到该食物所属的食物类别，最后在已构建的烹饪参数数据库内查询该食物类别对应的烹饪温度和出风量，并基于所述烹饪温度调节灶具温度、所述出风量调节油烟机出风量，一方面提高烹饪温度与食物之间的匹配度，保障食物的口感和烹饪效果，另一方面增加了油烟机出风量与食物烹饪操作间的匹配度，防止出现油烟机出风量不足或过高的情况，不仅能保障烹饪环境的健康，而且能避免能源的浪费。本发明利用卷积神经网络对食物图像进行训练，以得到食物类别，最后根据食物类别自动调节灶具温度和油烟机出风量，实现了家居灶具领域的智能化联动控制。

附图说明

图1是一种基于卷积神经网络的食物识别智能烹饪控制方法的步骤示意图；

图2是一种基于卷积神经网络的食物识别智能烹饪控制方法的实施例的应用示意图。

具体实施方式

附图仅用于示例性说明，不能理解为对本发明的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本发明的限制。

如图1所示，一种基于卷积神经网络的食物识别智能烹饪控制方法，包括以下步骤：

S1、建立用于存储食物的原始特征图与食物类别之间的对应关系的ZFnet网络模型，以及，用于存储食物类别与烹饪温度和出风量之间的对应关系的烹饪参数数据库；

本实施方式中，所述ZFnet网络模型包括5层卷积层网络、2层全连接层网络、1层softmax分类层网络。

S2、采集烹饪器具内食物的实际图像，将所述实际图像输入ZFnet网络模型进行特征提取，得到该食物的实际特征图；

本实施方式中，步骤S2具体包括：

采集烹饪器具内食物的图像；

利用selective search算法在所述烹饪器具内食物的图像中从上至下提取2000个建议窗口；

将所述烹饪器具内食物的图像输入ZFnet网络模型内，将所述2000个建议窗口映射到ZFnet网络模型的最后一层卷积层网络上；

通过ROI pooling层使每个建议窗口生成预设尺寸的feature map，并将其作为实际特征图。

S3、基于Fast R-CNN检测技术对该食物的实际特征图与ZFnet网络模型中的食物的原始特征图进行比较分析，得到该食物所属的食物类别；

本实施方式中，步骤S3具体包括：

利用Softmax Loss对所述烹饪器具内食物的实际特征图进行训练，将该实际特征图与ZFnet网络模型中的食物的原始特征图进行匹配度概率分析，挑选出匹配度概率最大的原始特征图；

将上述匹配度概率最大的原始特征图对应的食物种类标定为所述烹饪器具内食物所属的食物类别。

S4、基于该食物所属的食物类别在烹饪参数数据库内查找对应的烹饪温度和出风量，并基于所述烹饪温度调节灶具温度、所述出风量调节油烟机出风量。

本实施方式中，所述基于所述烹饪温度调节灶具温度具体包括：

通过调节灶具火力大小和/或灶具工作功率大小来响应调节灶具温度的操作；

所述基于所述出风量调节油烟机出风量具体包括：

通过切换油烟机的不同档位来响应调节油烟机出风量的操作。

参照图2，在实际应用过程中，油烟机上设置的摄像头采集烹饪器具内食物的图像信息，然后将该图像信息输入至已构建的ZFnet网络模型中进行训练，得到该食物所属的食物类别，并获取该食物对应的烹饪温度和出风量，最后根据该烹饪温度和出风量来控制灶具火力以及调节油烟机的风力，实现在烹饪过程中对灶具和油烟机的智能化联动控制。

本实施方式提供的一种基于卷积神经网络的食物识别智能烹饪控制方法，首先采集烹饪器具内食物的实际图像，然后将该实际图像输入至已构建的ZFnet网络模型中进行训练，得到该食物所属的食物类别，最后在已构建的烹饪参数数据库内查询该食物类别对应的烹饪温度和出风量，并基于所述烹饪温度调节灶具温度、所述出风量调节油烟机出风量，一方面提高烹饪温度与食物之间的匹配度，保障食物的口感和烹饪效果，另一方面增加了油烟机出风量与食物烹饪操作间的匹配度，防止出现油烟机出风量不足或过高的情况，不仅能保障烹饪环境的健康，而且能避免能源的浪费。本实施方式利用卷积神经网络对食物图像进行训练，以得到食物类别，最后根据食物类别自动调节灶具温度和油烟机出风量，实现了家居灶具领域的智能化联动控制。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (6)

1.一种基于卷积神经网络的食物识别智能烹饪控制方法，其特征在于，包括以下步骤：

S1、建立用于存储食物的原始特征图与食物类别之间的对应关系的ZFnet网络模型，以及，用于存储食物类别与烹饪温度和出风量之间的对应关系的烹饪参数数据库；

S2、采集烹饪器具内食物的实际图像，将所述实际图像输入ZFnet网络模型进行特征提取，得到该食物的实际特征图；

S3、基于Fast R-CNN检测技术对该食物的实际特征图与ZFnet网络模型中的食物的原始特征图进行比较分析，得到该食物所属的食物类别；

S4、基于该食物所属的食物类别在烹饪参数数据库内查找对应的烹饪温度和出风量，并基于所述烹饪温度调节灶具温度、所述出风量调节油烟机出风量。

2.根据权利要求1所述的基于卷积神经网络的食物识别智能烹饪控制方法，其特征在于，步骤S1中，所述ZFnet网络模型包括5层卷积层网络、2层全连接层网络、1层softmax分类层网络。

3.根据权利要求2所述的基于卷积神经网络的食物识别智能烹饪控制方法，其特征在于，步骤S2具体包括：

采集烹饪器具内食物的图像；

利用selective search算法在所述烹饪器具内食物的图像中从上至下提取2000个建议窗口；

将所述烹饪器具内食物的图像输入ZFnet网络模型内，将所述2000个建议窗口映射到ZFnet网络模型的最后一层卷积层网络上；

通过ROI pooling层使每个建议窗口生成预设尺寸的feature map，并将其作为实际特征图。

4.根据权利要求3所述的基于卷积神经网络的食物识别智能烹饪控制方法，其特征在于，步骤S3具体包括：

利用Softmax Loss对所述烹饪器具内食物的实际特征图进行训练，将该实际特征图与ZFnet网络模型中的食物的原始特征图进行匹配度概率分析，挑选出匹配度概率最大的原始特征图；

将上述匹配度概率最大的原始特征图对应的食物种类标定为所述烹饪器具内食物所属的食物类别。

5.根据权利要求1所述的一种基于卷积神经网络的食物识别智能烹饪控制方法，其特征在于，步骤S4中，所述基于所述烹饪温度调节灶具温度具体包括：

通过调节灶具火力大小和/或灶具工作功率大小来响应调节灶具温度的操作。

6.根据权利要求1所述的一种基于卷积神经网络的食物识别智能烹饪控制方法，其特征在于，步骤S4中，所述基于所述出风量调节油烟机出风量具体包括：

通过切换油烟机的不同档位来响应调节油烟机出风量的操作。