CN109631118A - 一种能识别油烟中有害气体的油烟机 - Google Patents
一种能识别油烟中有害气体的油烟机 Download PDFInfo
- Publication number
- CN109631118A CN109631118A CN201811653162.XA CN201811653162A CN109631118A CN 109631118 A CN109631118 A CN 109631118A CN 201811653162 A CN201811653162 A CN 201811653162A CN 109631118 A CN109631118 A CN 109631118A
- Authority
- CN
- China
- Prior art keywords
- aromatic hydrocarbon
- polycyclic aromatic
- oil smoke
- module
- concentration
- 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.)
- Granted
Links
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Abstract
一种能识别油烟中有害气体的油烟机,设置有烟机主体和有害气体检测装置,有害气体检测装置与烟机主体电连接。有害气体检测装置根据检测的烹饪区域内温度和烹饪区域的油烟大小进行计算得到烹饪区域当前的多环芳烃浓度。该油烟机的温度传感模块检测烹饪区域内温度,图像采集模块对烹饪区域油烟图像分析并实时得到产生油烟情况进得采集,然后经过计算模块计算出当前环境的多环芳烃的浓度。再者本发明的油烟机还能对当前环境的多环芳烃的浓度进行环境健康等级划分,同时该油烟机还具有风速控制模块、提示模块和火力控制模块,当前环境健康等级自动调节风速和外部炉具的火力,使当前环境的多环芳烃的浓度降低,同时提醒用户注意防护。
Description
技术领域
本发明涉及油烟机领域,特别涉及一种能识别油烟中有害气体的油烟机。
背景技术
现代生活中,许多家庭在烹饪中会产生大量的油烟。研究表明,烹饪油烟成分复杂,具有一定的吸入毒性、免疫毒性和致突变性,对人体健康存在一定的危害。油烟气体中包括有多环芳烃类物质,多环芳烃类物质中有相当部分具有致癌性,如苯并[α]芘。现有技术的油烟机并不能自动识别当前烹饪环境中的油烟的多环芳烃类物质浓度,大大限制了油烟机的智能化发展。
因此针对现有技术不足,提供一种能识别油烟中有害气体的油烟机以解决现有技术不足甚为必要。
发明内容
本发明的其中一个目的在于避免现有技术的不足之处而提供一种能识别油烟中有害气体的油烟机。该能识别油烟中有害气体的油烟机能识别前烹饪环境中的油烟的有害物质多环芳烃浓度。
本发明的上述目的通过以下技术措施实现:
提供一种能识别油烟中有害气体的油烟机,设置有烟机主体和有害气体检测装置,有害气体检测装置与烟机主体电连接。
有害气体检测装置根据检测的烹饪区域内温度和烹饪区域的油烟大小进行计算得到烹饪区域当前的多环芳烃浓度。
优选的,上述有害气体检测装置设置有用于检测烹饪区域内温度的温度传感模块、用于对烹饪区域油烟图像分析并实时得到产生油烟大小的图像采集模块和用于计算当前烹饪区域的多环芳烃浓度的计算模块,温度传感模块和图像采集模块分别与计算模块电连接。
温度传感模块感应烹饪区域内温度得到温度信号并将所得到的温度信号作为温度输出信号传输至计算模块,图像采集模块采集烹饪区域油烟图像得到油烟输出信号并传输至计算模块,计算模块分别接收温度传感模块的温度输出信号和图像采集模块的油烟输出信号,然后对温度输出信号和油烟输出信号处理实时得到当前烹饪区域的多环芳烃浓度。
优选的,上述计算模块为以数学建模构建得到关于温度和油烟大小与油烟中有害气体中多环芳烃浓度的数学关系的计算模块。
优选的,上述计算模块为线性型计算模块、非线性计算模块、指数型计算模块、幂型计算模块、对数型计算模块、类神经网络计算模块、机器学习计算模块或者深度学习计算模块。
优选的,上述计算模块的计算公式为式(Ⅰ),
C多环芳烃=0.05κ+0.05λ+0.33κλ+475.1 式(Ⅰ),
其中C多环芳烃为烹饪区域内的多环芳烃气体总浓度,κ为温度传感模块的输出数据,λ为图像采集模块的输出数据。
优选的,上述计算模块的计算公式为式(Ⅱ),
C多环芳烃=0.05κ0.98+0.05λ1.05+0.33κλ+469.5 式(Ⅱ)。
其中C多环芳烃为烹饪区域内的多环芳烃气体总浓度,κ为温度传感模块的输出数据,λ为图像采集模块的输出数据。
优选的,上述计算模块根据多环芳烃浓度进行环境健康等级划分。
国标规定的苯并[a]芘平均限定浓度与多环芳烃浓度对比进行环境等级划分。
当C多环芳烃<C苯并[a]芘时,判定为健康等级,当C多环芳烃≥C苯并[a]芘时,则判定为不健康等级。
其中为C苯并[a]芘国标规定的苯并[a]芘平均限定浓度,且C苯并[a]芘=1ng/m3。
多环芳烃浓度与国标规定的苯并[a]芘平均限定浓度相除进行环境健康等级划分,如式(Ⅲ)所示:
当0≤ε≤0.5时,则判定为健康等级,当0.5<ε≤1时,则判定为良好等级,当ε>1时,则判定为不健康等级。
优选的,上述环芳烃环境等级划分是以多环芳烃浓度与当量毒性因子加权后结果进行的多环芳烃环境等级划分。
优选的,上述通过式(Ⅳ)计得多环芳烃的总当量毒性浓度:
其中BEQ为多环芳烃的总当量毒性因子,μ为多环芳烃种类的标记,1≤μ≤ξ且μ和ξ为自然数,beqμ为第μ种多环芳烃的当量毒性浓度,beqμ通过式(Ⅴ)计得,
beqμ=Cμ*TEFμ 式(Ⅴ),
Cμ为第μ种多环芳烃的浓度,TEFμ为第μ种多环芳烃对应的当量毒性因子。
多环芳烃的总当量毒性浓度与国标规定的苯并[a]芘平均限定浓度对比进行环境等级划分。
当BEQ<C苯并[a]芘时,判定为健康等级,当BEQ≥C苯并[a]芘时,则判定为不健康等级。
多环芳烃的总当量毒性浓度与国标规定的苯并[a]芘平均限定浓度相除进行环境健康等级划分,如式(Ⅵ)所示:
当0≤δ≤0.5时,则判定为健康等级,当0<δ≤1时,则判定为良好等级,当δ>1时,则判定为不健康等级。
优选的,上述烟机主体还设置有风速控制模块,风速控制模块与计算模块电连接。
优选的,上述风速控制模块,根据计算模块发送的环境等级对烟机主体进行风速调节。
优选的,上述烟机主体还设置有提示模块,提示模块与计算模块电连接;
优选的,上述提示模块,根据计算模块发送的环境等级对用户进行当前环境等级提示。
优选的,上述烟机主体还设置有火力控制模块,火力控制模块与计算模块电连接。
优选的,上述火力控制模块,根据计算模块发送的环境等级对外部炉具进行火力调节。
本发明的一种能识别油烟中有害气体的油烟机,设置有烟机主体和有害气体检测装置,有害气体检测装置与烟机主体电连接。有害气体检测装置根据检测的烹饪区域内温度和烹饪区域的油烟大小进行计算得到烹饪区域当前的多环芳烃浓度。该油烟机的温度传感模块检测烹饪区域内温度,图像采集模块对烹饪区域油烟图像分析并实时得到产生油烟情况进得采集,然后经过计算模块计算出当前环境的多环芳烃浓度。再者本发明的油烟机还能对当前环境的多环芳烃的浓度进行环境健康等级划分,同时该油烟机还具有风速控制模块、提示模块和火力控制模块,当前环境健康等级自动调节风速和外部炉具的火力,使当前环境的多环芳烃浓度降低,同时提醒用户注意防护。
附图说明
利用附图对本发明作进一步的说明,但附图中的内容不构成对本发明的任何限制。
图1为实施例1的一种能识别油烟中有害气体的油烟机的工作流程示意图。
图2为实施例4的一种能识别油烟中有害气体的油烟机的工作流程示意图。
具体实施方式
结合以下实施例对本发明的技术方案作进一步说明。
实施例1。
一种能识别油烟中有害气体的油烟机,如图1所示,设置有烟机主体和有害气体检测装置,有害气体检测装置与烟机主体电连接。
有害气体检测装置根据检测的烹饪区域内温度和烹饪区域的油烟大小进行计算得到烹饪区域当前的多环芳烃浓度。
有害气体检测装置设置有用于检测烹饪区域内温度的温度传感模块、用于对烹饪区域油烟图像分析并实时得到产生油烟大小的图像采集模块和用于计算当前烹饪区域的多环芳烃浓度的计算模块,温度传感模块和图像采集模块分别与计算模块电连接。
本发明的烹饪区域内温度优选为检测厨具温度,也可以为检测烹饪区域内空气温度、油烟温度或者灶具温度等,具体的实施方式根据实际情况而定。本实施例有烹饪区域内检测温度为厨具温度。
温度传感模块感应烹饪区域内温度得到温度信号并将所得到的温度信号作为温度输出信号传输至计算模块,图像采集模块采集烹饪区域油烟图像得到油烟输出信号并传输至计算模块,计算模块分别接收温度传感模块的温度输出信号和图像采集模块的油烟输出信号,然后对温度输出信号和油烟输出信号处理实时得到当前烹饪区域的多环芳烃浓度。
计算模块以数学建模构建得到关于温度和油烟大小与油烟中有害气体中多环芳烃浓度的数学关系的计算模块。
本发明的计算模块通过数学建模获得,数学建模是通过实验收集不同温度和油烟大小等因素与油烟中有害气体多环芳烃浓度的数学关系。根据不同的实验条件进行采样检测得到不同种类多环芳烃浓度进行分析归类得到数学模型,从而计算模块能够根据烹饪区域内温度和油烟大小的检测条件判断出当前不同种类多环芳烃浓度。
本发明的计算模块为线性型计算模块、非线性计算模块、指数型计算模块、幂型计算模块、对数型计算模块、类神经网络计算模块、机器学习计算模块或者深度学习计算模块的其中一种。
图像采集模块实时采集烹饪过程中产生油烟的情况,具体为实时采集对应区域的图片并处理当前厨房油烟浓度,并把数据传输至计算模块。
图像采集模块的处理方法为:
图像采集模块以成像设备采集的初始图像作为基础进行处理,初始图像为灰度图,所采集的初始图像被序列化,依次通过后帧的初始图像与前帧的初始图像进行处理,得到各个后帧初始图像所处时刻的当前厨房油烟浓度.
每次通过后帧的初始图像与前帧的初始图像进行处理,得到后帧初始图像所处时刻的当前厨房油烟浓度的步骤过程如下:
(1)将后帧的初始图像与前帧的初始图像进行帧差处理得到帧差图像;
(2)以开运算方式对帧差图像进行去噪处理,得到去噪图像;
(3)对去噪图像进行边缘检测,标记运动区域作为初始感兴趣区域;
(4)对初始感兴趣区域进行灰度均值计算和区域平滑度计算,将同时满足灰度均值和平滑度要求的区域作为下一步感兴趣区域,其它的区域作为干扰排除;
(5)对步骤(4)提取出的感兴趣区域分别进行统计,根据统计结果得到油烟浓度赋值。
步骤(1)中,对采集到的初始图像进行帧差操作得到帧差图像具体是:
图像采集模块根据接收到的初始图像的先后顺序,将后一帧图像与前一帧图像做差,得到动态区域高亮的帧差图像。
其中步骤(2)对帧差图像采用开运算进行去噪处理,得到去噪图像,具体通过如下方式进行:先对帧差图像进行腐蚀操作,以消除图像中的噪点和细小尖刺,断开窄小的连接;再对腐蚀后的图像进行膨胀操作,恢复原帧差图像中的烟雾特征。
其中步骤(3)对去噪图像进行边缘检测,标记运动区域作为初始感兴趣区域,具体是:检测帧差图像高亮区域的边缘并进行标记,将标记出的区域作为初始感兴趣区域。
其中步骤(4)具体是对每个初始感兴趣区域进行灰度均值、区域平滑度计算,得到每个初始感兴趣区域对应的灰度均值和灰度平滑度,将同时满足计算得到的灰度均值小于灰度阈值、灰度平滑度小于灰度平滑度阈值的初始感兴趣区域作为感兴趣区域,将其它初始感兴趣区域判定为干扰区域。
其中步骤(5)具体是,针对步骤(4)提取出的感兴趣区域,将每个感兴趣区域图像中的所有像素的灰度进行求和计算得到每个感兴趣区域图像的灰度值,再将每个感兴趣区域图像的灰度值进行求和,得到油烟浓度赋值。
成像设备采集的目标区域以区域S表示,任意一帧初始图像为对应区域S的成像。
初始图像由m*n个像素构成,
后帧初始图像A的像素的灰度值以矩阵AH表示,AH={ahi,j},ahi,j代表后帧初始图像A中第i行、第j列像素对应的灰度值,i为像素所在的行,j为像素所在的列,1≤i≤m,1≤j≤n;后帧初始图像A中第i行、第j列像素所在的子区域为ASi,j。
前帧初始图像B的像素的灰度值以矩阵BH表示,BH={bhi,j},bhi,j代表前帧初始图像B中第i行、第j列像素对应的灰度值,前帧初始图像B中第i行、第j列像素所在的子区域为BSi,j。
帧差图像D的像素灰度值以矩阵DH表示,DH={dhi,j}={|ahi,j-bhi,j|},dhi,j代表帧差图像D中第i行、第j列像素对应的灰度值,帧差图像D中第i行、第j列像素所在的子区域为DSi,j。
在帧差图像中,|dhi,j|=0的区域,呈黑色;|dhi,j|≠0的区域呈高亮显示。
其中步骤(2)中对帧差图像进行腐蚀操作,具体包括如下步骤:
2-11,任意定义一个卷积核θ;
2-12,将卷积核θ与帧差图像进行卷积;在卷积核θ遍历帧差图像时,提取卷积核所覆盖区域内卷积结果的像素灰度最小值p以及与卷积核中心重合的像素点C;
像素点C的灰度通过矩阵CH={ck,q}表示,k、q为像素点C的行序号和列序号,
获得在卷积核θ遍历帧差图像过程中得到的卷积结果最小值像素点矩阵P,最小值像素点矩阵P的灰度通过矩阵PH={pk,q}表示;
2-13将像素点矩阵P的灰度对应赋予像素点C,得到腐蚀图像;
步骤(2)中对腐蚀图像进行膨胀操作,具体包括如下步骤:
2-21,任意定义一个卷积核β;
2-22,将卷积核β与腐蚀图像进行卷积;在卷积核β遍历腐蚀图像时,提取卷积核所覆盖区域内卷积结果的像素灰度最大值o以及与卷积核中心重合的像素点R;
像素点R的灰度通过矩阵RH={rl,v}表示,l、v为像素点R的行序号和列序号,
获得在卷积核β遍历腐蚀图像过程中得到的卷积结果最大值像素点矩阵O,最大值像素点矩阵O的灰度通过矩阵OH={ol,v}表示;
2-13将最大值像素点矩阵O的灰度对应赋予像素点R,得到膨胀图像,得到的膨胀图像即为去噪图像。
其中步骤(3)通过如下步骤进行:
3-1,定义一个滤波器Y,滤波器为t*t矩阵,t为奇数;
3-2,使滤波器Y遍历去噪图像,计算滤波器在每一位置处的中心像素点所在的去噪图像的灰度值以及中心像素点邻域内其它像素点的灰度值,并根据公式(Ⅰ)计算滤波器在每一位置处的中心像素点的边缘检测值Xz,z为滤波器Y遍历去噪图像时的标记,
f、g为为像素点的矩阵序号,1≤f≤t,1≤g≤t,e为滤波器在每一位置处的像素点所在的去噪图像的灰度值;α为权重系数,与滤波器位置相对应;
3-3,将滤波器在每一位置处的中心像素点边缘检测值Xz与中心像素点邻域的其它像素点的灰度值相减,并判断差值的绝对值是否大于阈值Δ;
统计大于阈值的数量,如果数量超过判定滤波器所处位置的中心像素点对应的去噪图像的像素点位置为边缘点,并进行标记;
3-4,滤波器遍历完整个去噪图像,得到所有标记的边缘点,获得初步感兴趣区域。
t为3。
需说明的是,上述的图像采集模块的处理方法仅是提出其中之一种处理方法,对于其他图像采集模块的处理方法只能够获取烹饪区域的图像采集模块输出数据的方法都可以应用于本发明的能识别油烟中有害气体的油烟机,均应落入本发明的保护范围。
需说明的是,本发明的图像采集模块是采用摄像头对烹饪区域油烟大小进行检测,只要能够实现本发明的上述功能都可以作为本发明的图像采集模块。而本发明的计算模块是通过温度信号和油烟信号计算出当前烹饪区域的多环芳烃浓度,该计算模块为计算器或者具备计算功能的模块均可作为本发明的计算模块,对于这类型的计算模块为工业生产中的计算模块的公知常识,本领域的技术人员应当知晓,在此不再赘述。
该能识别油烟中有害气体的油烟机,设置有烟机主体和有害气体检测装置,有害气体检测装置与烟机主体电连接。有害气体检测装置以检测烹饪区域内温度和烹饪区域的油烟大小进行计算得到当前烹饪区域的多环芳烃浓度。该油烟机的温度传感模块检测烹饪区域内温度,图像采集模块对烹饪区域油烟图像分析并实时得到产生油烟情况进得采集,然后经过计算模块计算出当前环境的多环芳烃的浓度。
实施例2。
一种能识别油烟中有害气体的油烟机,其他特征与实施例1相同,不同之处在于:计算模块的计算公式为式(Ⅰ),
C多环芳烃=0.05κ+0.05λ+0.33κλ+475.1 式(Ⅰ),
其中C多环芳烃为烹饪区域内的多环芳烃气体总浓度,κ为温度传感模块的输出数据,λ为图像采集模块的输出数据。
当κ∈(0℃,200℃),λ∈(0,300)时,C(2-3)=70%C多环芳烃,C(4)=20%C多环芳烃,C(5-6)=10%C多环芳烃。
当κ∈(200℃,240℃),λ∈(300,500)时,C(2-3)=60%C多环芳烃,C(4)=25%C多环芳烃,C(5-6)=15%C多环芳烃。
其中C(2-3)为二环多环芳烃和三环多环芳烃的浓度,C(4)为四环多环芳烃的浓度,C(5-6)为五环多环芳烃和六环多环芳烃的浓度。
例如当κ为100℃时,λ为100时,分别将κ和λ的数据值直接代入公式,计得C多环芳烃为3785.1且C多环芳烃的单位为pg/m3,即当前环境中的多环芳烃的浓度为3785.1pg/m3。C(2-3)的浓度为2649.57pg/m3,C(4)的浓度为757.02pg/m3,C(5-6)的浓度为378.51pg/m3。
本实施例的油烟机可以通过检测烹饪区域内温度和烹饪区域的油烟大小进行计算得到当前烹饪区域的多环芳烃浓度,能够计算出当前环境中的二环多环芳烃、三环多环芳烃、四环多环芳烃、五环多环芳烃和六环多环芳烃的浓度。
实施例3。
一种能识别油烟中有害气体的油烟机,其他特征与实施例1相同,不同之处在于:计算模块的计算公式为式(Ⅱ),
C多环芳烃=0.05κ0.98+0.05λ1.05+0.33κλ+469.5 式(Ⅱ)。
其中C多环芳烃为烹饪区域内的多环芳烃气体总浓度,κ为温度传感模块的输出数据,λ为图像采集模块的输出数据。
当κ∈(0℃,200℃),λ∈(0,300)时,C(2-3)=70%C多环芳烃,C(4)=20%C多环芳烃,C(5-6)=10%C多环芳烃。
当κ∈(200℃,240℃),λ∈(300,500)时,C(2-3)=60%C多环芳烃,C(4)=25%C多环芳烃,C(5-6)=15%C多环芳烃。
其中C(2-3)为二环多环芳烃和三环多环芳烃的浓度,C(4)为四环多环芳烃的浓度,C(5-6)为五环多环芳烃和六环多环芳烃的浓度。
例如当κ为100℃时,λ为100时,分别将κ和λ的数据值直接代入公式,计得C多环芳烃为3780.35且C多环芳烃的单位为pg/m3,即当前环境中的多环芳烃的浓度为3780.35pg/m3。C(2-3)的浓度为2646.245pg/m3,C(4)的浓度为756.07pg/m3,C(5-6)的浓度为378.035pg/m3。
本实施例的油烟机可以通过检测烹饪区域内温度和烹饪区域的油烟大小进行计算得到当前烹饪区域的多环芳烃浓度,能够计算出当前环境中的二环多环芳烃、三环多环芳烃、四环多环芳烃、五环多环芳烃和六环多环芳烃的浓度。
实施例4。
一种能识别油烟中有害气体的油烟机,其他特征与实施例2或者实施例3相同,不同之处在于:本发明的计算模块根据多环芳烃浓度进行环境健康等级划分。
本实施例是国标规定的苯并[a]芘平均限定浓度与多环芳烃浓度对比进行环境等级划分。
当C多环芳烃<C苯并[a]芘时,判定为健康等级,当C多环芳烃≥C苯并[a]芘时,判定时,则判定为不健康等级。
其中C苯并[a]芘为国标规定的苯并[a]芘平均限定浓度,且C苯并[a]芘=1ng/m3。
本实施例是根据GBT18883-2室内空气质量标质进行健康等级划分的,本发明也可以根据其他的质量标准进行划分,如GB3059-2012、WTO的《环境质量标准》。本发明也可以根据其他预设的环境质量值进行划分。
与实施例2或3相比,本实施例根据多环芳烃浓度进行环境健康等级划分,能够更加直观地去评判当前烹饪环境的空气质量。
实施例5。
一种能识别油烟中有害气体的油烟机,其他特征与实施例4相同,不同之处在于:多环芳烃浓度与国标规定的苯并[a]芘平均限定浓度相除进行环境健康等级划分,如式(Ⅲ)所示:
当0≤ε≤0.5时,则判定为健康等级,当0.5<ε≤1时,则判定为良好等级,当ε>1时,则判定为不健康等级。
与实施例2或3相比,本实施例根据多环芳烃浓度进行环境健康等级划分,能够更加直观地去评判当前烹饪环境的空气质量。
实施例6。
一种能识别油烟中有害气体的油烟机,其他特征与实施例4或者实施例5相同,不同之处在于:环芳烃环境等级划分是以多环芳烃浓度与当量毒性因子加权后结果进行的多环芳烃环境等级划分。
通过式(Ⅳ)计得多环芳烃的总当量毒性浓度:
其中BEQ为多环芳烃的总当量毒性因子,μ为多环芳烃种类的标记,1≤μ≤ξ且μ和ξ为自然数,beqμ为第μ种多环芳烃的当量毒性浓度,beqμ通过式(Ⅴ)计得,
beqμ=Cμ*TEFμ 式(Ⅴ),
Cμ为第μ种多环芳烃的浓度,TEFμ为第μ种多环芳烃对应的当量毒性因子。不同多环芳烃的当量毒性因子如表1所示:
表1为各种多环芳烃的当量毒性因子
多环芳烃 | PAHs | 环数 | 毒性因子(TEFs) |
萘 | NAP | 2 | 0.001 |
苊烯 | ACE | 2 | 0.001 |
芴 | FLO | 2 | 0.001 |
二氢苊 | ACY | 2 | 0.001 |
菲 | PHE | 3 | 0.001 |
蒽 | ANT | 3 | 0.01 |
荧蒽 | FLU | 3 | 0.001 |
芘 | PYR | 4 | 0.001 |
屈 | CHRY | 4 | 0.01 |
苯并[a]蒽 | BAA | 4 | 0.1 |
苯并[b]荧蒽 | BBF | 4 | 0.1 |
苯并[k]荧蒽 | BKF | 4 | 0.1 |
苯并[a]芘 | BAP | 5 | 1 |
二苯并[a,h]蒽 | DBA | 5 | 5 |
苯并[g,h,i]苝 | BGP | 6 | 0.01 |
茚并[1,2,3-c,d]芘 | INP | 5 | 0.1 |
与实施例4或者实施例5相比,本实施例引入了不同多环芳烃的当量毒性因子,因为对于不同的多环芳烃的毒性不同,因而对人体危害也不同。
实施例7。
一种能识别油烟中有害气体的油烟机,其他特征与实施例6相同,不同之处在于:本实施例为多环芳烃的总当量毒性浓度与国标规定的苯并[a]芘平均限定浓度对比进行环境等级划分;
当BEQ<C苯并[a]芘时,时,则判定为健康等级,当BEQ≥C苯并[a]芘时,时,则判定为不健康等级。
与实施例4相比,本实施例引入了不同多环芳烃的当量毒性因子,因为对于不同的多环芳烃的毒性不同,因而对人体危害也不同。
实施例8。
一种能识别油烟中有害气体的油烟机,其他特征与实施例6相同,不同之处在于:多环芳烃的总当量毒性浓度与国标规定的苯并[a]芘平均限定浓度相除进行环境健康等级划分,如式(Ⅵ)所示:
当0≤δ≤0.5时,则判定为健康等级,当0<δ≤1时,则判定为良好等级,当δ>1时,则判定为不健康等级。
与实施例5相比,本实施例引入了不同多环芳烃的当量毒性因子,因为对于不同的多环芳烃的毒性不同,因而对人体危害也不同。
实施例9。
一种能识别油烟中有害气体的油烟机,如图2所示,其他特征与实施例2相同,不同之处在于:烟机主体还设置有风速控制模块,风速控制模块与计算模块电连接。风速控制模块,根据计算模块发送的环境等级对烟机主体进行风速调节。
烟机主体还设置有提示模块,提示模块与计算模块电连接。提示模块,根据计算模块发送的环境等级对用户进行当前环境等级提示。
烟机主体还设置有火力控制模块,火力控制模块与计算模块电连接。火力控制模块,根据计算模块发送的环境等级对外部炉具进行火力调节。
与实施例1相比,本实施例的油烟机能对当前环境的多环芳烃的浓度进行环境健康等级划分,同时该油烟机还具有风速控制模块、提示模块和火力控制模块,当前环境健康等级自动调节风速和外部炉具的火力,使当前环境的多环芳烃的浓度降低,同时提醒用户注意防护。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细说明,本领域的普通技术人员应当理解,可以对本发明技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (16)
1.一种能识别油烟中有害气体的油烟机,其特征在于:设置有烟机主体和有害气体检测装置,有害气体检测装置与烟机主体电连接;
有害气体检测装置根据检测的烹饪区域内温度和烹饪区域的油烟大小进行计算得到烹饪区域当前的多环芳烃浓度。
2.根据权利要求1所述的能识别油烟中有害气体的油烟机,其特征在于:所述有害气体检测装置设置有用于检测烹饪区域内温度的温度传感模块、用于对烹饪区域油烟图像分析并实时得到产生油烟大小的图像采集模块和用于计算当前烹饪区域的多环芳烃浓度的计算模块,温度传感模块和图像采集模块分别与计算模块电连接;
温度传感模块感应烹饪区域内温度得到温度信号并将所得到的温度信号作为温度输出信号传输至计算模块,图像采集模块采集烹饪区域油烟图像得到油烟输出信号并传输至计算模块,计算模块分别接收温度传感模块的温度输出信号和图像采集模块的油烟输出信号,然后对温度输出信号和油烟输出信号处理实时得到当前烹饪区域的多环芳烃浓度。
3.根据权利要求2所述的能识别油烟中有害气体的油烟机,其特征在于:所述计算模块为以数学建模构建得到关于温度和油烟大小与油烟中有害气体中多环芳烃浓度的数学关系的计算模块。
4.根据权利要求3所述的能识别油烟中有害气体的油烟机,其特征在于:所述计算模块为线性型计算模块、非线性计算模块、指数型计算模块、幂型计算模块、对数型计算模块、类神经网络计算模块、机器学习计算模块或者深度学习计算模块。
5.根据权利要求3所述的能识别油烟中有害气体的油烟机,其特征在于:所述计算模块的计算公式为式(I),
C多环芳烃=0.05κ+0.05λ+0.33κ λ+475.1 式(I),
其中C多环芳烃为烹饪区域内的多环芳烃气体总浓度,κ为温度传感模块的输出数据,λ为图像采集模块的输出数据。
6.根据权利要求3所述的能识别油烟中有害气体的油烟机,其特征在于:所述计算模块的计算公式为式(II),
C多环芳烃=0.05κ0.98+0.05λ1.05+0.33κ λ+469.5 式(II),
其中C多环芳烃为烹饪区域内的多环芳烃气体总浓度,κ为温度传感模块的输出数据,λ为图像采集模块的输出数据。
7.根据权利要求5或者6所述的能识别油烟中有害气体的油烟机,其特征在于:所述计算模块根据多环芳烃浓度进行环境健康等级划分。
8.根据权利要求7所述的能识别油烟中有害气体的油烟机,其特征在于,国标规定的苯并[a]芘平均限定浓度与多环芳烃浓度对比进行环境等级划分;
当C多环芳烃:<C苯并[a]芘时,判定为健康等级,当C多环芳烃:≥C苯并[a]芘时,判定为不健康等级;
其中C苯并[a]芘为国标规定的苯并[a]芘平均限定浓度,且C苯并[a]芘=1ng/m3。
9.根据权利要求7所述的能识别油烟中有害气体的油烟机,其特征在于,多环芳烃浓度与国标规定的苯并[a]芘平均限定浓度相除进行环境健康等级划分,如式(Ⅲ)所示:
当0≤ε≤0.5时,则判定为健康等级,当0.5<ε≤1时,则判定为良好等级,当ε>1时,则判定为不健康等级。
10.根据权利要求7所述的能识别油烟中有害气体的油烟机,其特征在于:所述环芳烃环境等级划分是以多环芳烃浓度与当量毒性因子加权后结果进行的多环芳烃环境等级划分。
11.根据权利要求10所述的能识别油烟中有害气体的油烟机,其特征在于:通过式(Ⅳ)计得多环芳烃的总当量毒性浓度:
其中BEQ为多环芳烃的总当量毒性浓度,μ为多环芳烃种类的标记,1≤μ≤ξ且μ和ξ为自然数,beqμ为第μ种多环芳烃的当量毒性浓度,beqμ通过式(Ⅴ)计得,
beqμ=Cμ*TEFμ 式(Ⅴ),
Cμ为第μ种多环芳烃的浓度,TEFμ为第μ种多环芳烃对应的当量毒性因子。
12.根据权利要求11所述的能识别油烟中有害气体的油烟机,其特征在于:多环芳烃的总当量毒性浓度与国标规定的苯并[a]芘平均限定浓度对比进行环境等级划分;
当BEQ<C苯并[a]芘时,判定为健康等级,当BEQ≥C苯并[a]芘时,判定则判定为不健康等级。
13.根据权利要求11所述的能识别油烟中有害气体的油烟机,其特征在于:多环芳烃的总当量毒性浓度与国标规定的苯并[a]芘平均限定浓度相除进行环境健康等级划分,如式(Ⅵ)所示:
当0≤δ≤0.5时,则判定为健康等级,当0<δ≤1时,则判定为良好等级,当δ>1时,则判定为不健康等级。
14.根据权利要求8、9、12或者13任意一项所述的能识别油烟中有害气体的油烟机,其特征在于:所述烟机主体还设置有风速控制模块,风速控制模块与计算模块电连接;
所述风速控制模块,根据计算模块发送的环境等级对烟机主体进行风速调节。
15.根据权利要求14所述的能识别油烟中有害气体的油烟机,其特征在于:所述烟机主体还设置有提示模块,提示模块与计算模块电连接;
所述提示模块,根据计算模块发送的环境等级对用户进行当前环境等级提示。
16.根据权利要求15所述的能识别油烟中有害气体的油烟机,其特征在于:所述烟机主体还设置有火力控制模块,火力控制模块与计算模块电连接;
所述火力控制模块,根据计算模块发送的环境等级对外部炉具进行火力调节。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811653162.XA CN109631118B (zh) | 2018-12-29 | 2018-12-29 | 一种能识别油烟中有害气体的油烟机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811653162.XA CN109631118B (zh) | 2018-12-29 | 2018-12-29 | 一种能识别油烟中有害气体的油烟机 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109631118A true CN109631118A (zh) | 2019-04-16 |
CN109631118B CN109631118B (zh) | 2020-04-28 |
Family
ID=66056428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811653162.XA Active CN109631118B (zh) | 2018-12-29 | 2018-12-29 | 一种能识别油烟中有害气体的油烟机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109631118B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111765500A (zh) * | 2020-06-30 | 2020-10-13 | 湖南第一师范学院 | 稳定高效油烟生物净化系统及其净化处理效率控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102288574A (zh) * | 2011-07-08 | 2011-12-21 | 华南理工大学 | 多组分油烟浓度定量分析装置及其分析方法 |
CN202719654U (zh) * | 2012-05-11 | 2013-02-06 | 黑龙江彩格工业设计有限公司 | 多级高效油烟净化器 |
CN202902415U (zh) * | 2012-11-30 | 2013-04-24 | 周子朋 | 带有报警器的抽烟机 |
CN205333602U (zh) * | 2016-01-12 | 2016-06-22 | 四川农业大学 | 一种油烟浓度检测装置 |
KR20170055879A (ko) * | 2015-11-12 | 2017-05-22 | 동국대학교 산학협력단 | 다환방향족탄화수소 감지 조리 장치 |
CN107449861A (zh) * | 2017-07-31 | 2017-12-08 | 合肥桥旭科技有限公司 | 一种基于物联网的机械加工车间空气质量监测净化系统 |
-
2018
- 2018-12-29 CN CN201811653162.XA patent/CN109631118B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102288574A (zh) * | 2011-07-08 | 2011-12-21 | 华南理工大学 | 多组分油烟浓度定量分析装置及其分析方法 |
CN202719654U (zh) * | 2012-05-11 | 2013-02-06 | 黑龙江彩格工业设计有限公司 | 多级高效油烟净化器 |
CN202902415U (zh) * | 2012-11-30 | 2013-04-24 | 周子朋 | 带有报警器的抽烟机 |
KR20170055879A (ko) * | 2015-11-12 | 2017-05-22 | 동국대학교 산학협력단 | 다환방향족탄화수소 감지 조리 장치 |
CN205333602U (zh) * | 2016-01-12 | 2016-06-22 | 四川农业大学 | 一种油烟浓度检测装置 |
CN107449861A (zh) * | 2017-07-31 | 2017-12-08 | 合肥桥旭科技有限公司 | 一种基于物联网的机械加工车间空气质量监测净化系统 |
Non-Patent Citations (2)
Title |
---|
朱小玲: "《烹饪过程中多环芳烃的产生及控制》", 《四川烹饪高等专科学校学报》 * |
李锡东: "《多环芳烃检测方法研究进展》", 《橡胶工业》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111765500A (zh) * | 2020-06-30 | 2020-10-13 | 湖南第一师范学院 | 稳定高效油烟生物净化系统及其净化处理效率控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109631118B (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103632158B (zh) | 森林防火监控方法及森林防火监控系统 | |
CN109655585A (zh) | 一种能识别厨房空气质量的油烟机 | |
CN109579092A (zh) | 一种根据工作环境进行烟灶联动的油烟机 | |
CN209623754U (zh) | 一种烟机用可更换式多环芳烃检测装置 | |
CN109190624A (zh) | 基于图像处理的厨房油烟浓度检测方法 | |
CN109813713B (zh) | 一种具有多个独立有害物质检测模组的烟机 | |
CN109543542A (zh) | 一种特定场所人员着装是否规范的判定方法 | |
CN109621595A (zh) | 根据厨房油烟成分的除油喷雾系统及油烟除油喷雾方法 | |
CN105466921A (zh) | 一种多样品同时检测的方法 | |
CN109884049A (zh) | 一种能够检测厨房油烟的有害物质检测装置 | |
CN109882899A (zh) | 一种根据工作环境进行控制的油烟机 | |
CN209487160U (zh) | 一种能对使用油品与历史数据对进行健康等级划分的油烟机 | |
CN109631118A (zh) | 一种能识别油烟中有害气体的油烟机 | |
CN109654559A (zh) | 一种能识别水汽与油烟的健康烹饪系统 | |
CN209655388U (zh) | 一种能根据使用油类进行厨房空气质量评估的油烟机 | |
CN209655389U (zh) | 一种能与健康营食资料库比对的自动烟灶系统 | |
CN109657640A (zh) | 一种能根据使用食材进行健康等级划分的油烟机 | |
CN109712713A (zh) | 一种能对使用油品与历史数据对进行健康等级划分的油烟机 | |
CN109654561A (zh) | 一种红外温度及视觉协同检测烹饪系统 | |
CN109654560A (zh) | 一种能根据使用油类进行厨房空气质量评估的油烟机 | |
CN109813841A (zh) | 一种厨房油烟式多环芳烃检测装置 | |
CN109631111A (zh) | 一种能与健康营食资料库比对的自动烟灶系统 | |
CN109632796A (zh) | 一种具有红外温度传感器的有害物质检测设备及其应用 | |
CN109798565A (zh) | 一种具有识别油烟中有害物质功能的吸油系统 | |
CN109654545A (zh) | 能根据烹饪环境空气质量控制的炉具及火力控制判断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |