CN109669007A - 一种家用非入侵式在线食物检测的设备 - Google Patents
一种家用非入侵式在线食物检测的设备 Download PDFInfo
- Publication number
- CN109669007A CN109669007A CN201811654127.XA CN201811654127A CN109669007A CN 109669007 A CN109669007 A CN 109669007A CN 201811654127 A CN201811654127 A CN 201811654127A CN 109669007 A CN109669007 A CN 109669007A
- Authority
- CN
- China
- Prior art keywords
- food
- concentration
- hazardous material
- signal
- cooking zone
- 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
- 235000013305 food Nutrition 0.000 title claims abstract description 191
- 238000001514 detection method Methods 0.000 title claims abstract description 80
- 239000013056 hazardous product Substances 0.000 claims abstract description 124
- 238000010411 cooking Methods 0.000 claims abstract description 112
- 239000000779 smoke Substances 0.000 claims abstract description 84
- 239000000126 substance Substances 0.000 claims abstract description 72
- 239000002245 particle Substances 0.000 claims abstract description 54
- 125000005575 polycyclic aromatic hydrocarbon group Chemical group 0.000 claims abstract description 41
- 239000005416 organic matter Substances 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 17
- 239000007791 liquid phase Substances 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 15
- 230000001953 sensory effect Effects 0.000 claims description 14
- 239000013618 particulate matter Substances 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000000505 pernicious effect Effects 0.000 claims description 5
- 230000006698 induction Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 239000007788 liquid Substances 0.000 abstract description 22
- 208000035126 Facies Diseases 0.000 abstract description 3
- 235000021393 food security Nutrition 0.000 abstract description 3
- 239000003921 oil Substances 0.000 description 61
- 150000004945 aromatic hydrocarbons Chemical class 0.000 description 17
- 239000011159 matrix material Substances 0.000 description 15
- 239000007789 gas Substances 0.000 description 12
- 239000012071 phase Substances 0.000 description 12
- 239000004215 Carbon black (E152) Substances 0.000 description 9
- 239000002904 solvent Substances 0.000 description 9
- 239000000463 material Substances 0.000 description 8
- 125000003118 aryl group Chemical group 0.000 description 6
- 230000007797 corrosion Effects 0.000 description 6
- 238000005260 corrosion Methods 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 5
- 125000003367 polycyclic group Chemical group 0.000 description 5
- 235000013339 cereals Nutrition 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 3
- 239000003517 fume Substances 0.000 description 3
- 238000002309 gasification Methods 0.000 description 3
- 229930195733 hydrocarbon Natural products 0.000 description 3
- 150000002430 hydrocarbons Chemical class 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000005501 phase interface Effects 0.000 description 3
- 229920006395 saturated elastomer Polymers 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- ZMPYMKAWMBVPQE-UHFFFAOYSA-N 2-[(6-chloropyridin-3-yl)methyl-ethylamino]-2-methyliminoacetic acid Chemical compound CCN(CC1=CN=C(C=C1)Cl)C(=NC)C(=O)O ZMPYMKAWMBVPQE-UHFFFAOYSA-N 0.000 description 1
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 150000001299 aldehydes Chemical class 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 239000008157 edible vegetable oil Substances 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 239000007792 gaseous phase Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000009878 intermolecular interaction Effects 0.000 description 1
- 150000002576 ketones Chemical class 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000002207 thermal evaporation Methods 0.000 description 1
- 238000009834 vaporization Methods 0.000 description 1
- 230000008016 vaporization Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G01N15/075—
Abstract
一种家用非入侵式在线食物检测的设备,设置有用于在食物烹饪过程中检测散发在空气中的有害物质含量的有害物质检测装置和食物危害物计算装置,有害物质检测装置和食物危害物计算装置电连接。该家用非入侵式在线食物检测的设备能够识别当前烹饪烹饪区域内温度、烹饪区域的颗粒物浓度、油烟大小、挥发性有机物浓度和多环芳烃浓度,并根据气液相原理计算得食物内部液相中危害物。该家用非入侵式在线食物检测的设备,可以在食物烹饪过程,不同直接接触食物就能检测到食物内部的危害物从而提醒用户注意食物安全。
Description
技术领域
本发明涉及食物检测设备领域,特别涉及一种家用非入侵式在线食物检测的设备。
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。这是油烟中是由于食材在加热过程中,在食材内液相中的各种物质会由于挥发或者受热气化而进入气相。例如使用的食用油和烹调过程中产生的醛类、酮类、多环芳烃等有害物质,这些产物挥发性较强,非常容易气化。在烹调过程中,环境中油烟的有害气体主要来自于炊具,因此油烟中有害气体的含量与炊具内食物中的有害物质含量存在一定的关系。
现有技术中的食物有害成分检测大多数为在食物处理好后进行入侵式检测,这会大大增加了时间成本,同时会浪费食物,并不适用于家用食物检测。
因此针对现有技术不足,提供一种家用非入侵式在线食物检测的设备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家用非入侵式在线食物检测的设备。该家用非入侵式在线食物检测的设备具有非入侵、在检测食物中的危害物的优点。
本发明的上述目的通过以下技术措施实现:
提供一种家用非入侵式在线食物检测的设备,设置有用于在食物烹饪过程中检测散发在空气中的有害物质含量的有害物质检测装置和食物危害物计算装置,有害物质检测装置和食物危害物计算装置电连接。
有害物质检测装置根据检测的烹饪区域内温度、烹饪区域的颗粒物浓度、油烟大小和挥发性有机物浓度进行计算得到烹饪区域当前的多环芳烃浓度得到当前环境状中有害物质浓度信号,有害物质检测装置将有害物质浓度信号发送至食物危害物计算装置,食物危害物计算装置接收有害物质浓度信号进行计算得到食物危害物的含量。
优选的,上述食物危害物计算装置以数学建模构建得到关于食物内部液相中危害物与空气中危害物数学关系的食物危害物计算装置。
优选的,上述食物危害物计算装置为线性型食物危害物计算装置、非线性食物危害物计算装置、指数型食物危害物计算装置、幂型食物危害物计算装置、对数型食物危害物计算装置、类神经网络食物危害物计算装置、机器学习食物危害物计算装置或者深度学习食物危害物计算装置。
本发明的家用非入侵式在线食物检测的设备还设置有用于检测当前烹饪区域内气流速度的风速传感器,风速传感器与食物危害物计算装置电连接。
风速传感器检测检测当前烹饪区域内气流速度得到风速信号并发送至食物危害物计算装置,食物危害物计算装置收接风速信号和有害物质浓度信号进行计算得到食物危害物的含量。
本发明的家用非入侵式在线食物检测的设备还设置有用于检测当前烹饪区域内空气压力的气压传感器,气压传感器与食物危害物计算装置电连接。
气压传感器检测当前烹饪区域内空气压力得到气压信号并发送至食物危害物计算装置,食物危害物计算装置收接风速信号、气压信号和有害物质浓度信号进行计算得到食物危害物的含量。
优选的,上述有害物质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、用于检测当前烹饪区域油烟中颗粒物浓度的颗粒物传感组件、用于检测当前烹饪区域的挥发性有机物浓度的VOC传感器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、图像采集模块、颗粒物传感组件和VOC传感器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,颗粒物传感组件采集当前烹饪区域油烟中颗粒物浓度得到颗粒浓度信号并传输至计算模块,VOC传感器采集当前烹饪区域的挥发性有机物浓度得到VOC浓度信号并传输至计算模块,计算模块分别接收温度输出信号、油烟输出信号、颗粒浓度信号和VOC浓度信号,然后对温度输出信号、油烟输出信号、颗粒浓度信号和VOC浓度信号处理实时得到当前烹饪区域的多环芳烃浓度得到当前环境状中有害物质浓度信号,计算模块将有害物质浓度信号发送至食物危害物计算装置,食物危害物计算装置接收有害物质浓度信号、气压传感器的气压信号和风速传感器的风速信号进行计算得到食物危害物的含量。
优选的,上述计算模块为以数学建模构建得到关于烹饪区域内温度、油烟大小、颗粒物浓度和挥发性有机物浓度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,上述颗粒物传感组件包括有用于检测当前烹饪区域油烟中当量直径小于等于2.5微米颗粒物浓度的PM2.5传感器、用于检测当前烹饪区域油烟中当量直径小于等于10微米颗粒物浓度的PM10传感器、用于检测当前烹饪区域油烟中当量直径小于等于1.0微米颗粒物浓度的PM1.0传感器、用于检测当前烹饪区域油烟中当量直径小于等于0.1微米颗粒物浓度的PM0.1传感器和用于检测当前烹饪区域油烟中当量直径小于等于0.05微米颗粒物浓度的PMA传感器,PM10传感器、PM2.5传感器、PM1.0传感器、PM0.1传感器和PMA传感器分别与温度传感模块、VOC传感器、计算模块和图像采集模块电连接。
PM10传感器采集当前烹饪区域油烟中当量直径小于等于10微米颗粒物浓度得到PM10浓度信号并传输至计算模块。
PM2.5传感器采集当前烹饪区域油烟中当量直径小于等于2.5微米颗粒物浓度得到PM2.5浓度信号并传输至计算模块。
PM1.0传感器采集当前烹饪区域油烟中当量直径小于等于1.0微米颗粒物浓度得到PM1.0浓度信号并传输至计算模块。
PM0.1传感器采集当前烹饪区域油烟中当量直径小于等于0.1微米颗粒物浓度得到PM0.1浓度信号并传输至计算模块。
PMA传感器采集当前烹饪区域油烟中当量直径小于等于0.05微米颗粒物浓度得到PMA浓度信号并传输至计算模块。
本发明的家用非入侵式在线食物检测的设备还设置有用于提示用户食物中危害物的提示装置,提示装置与食物危害物计算装置电连接。
食物危害物计算装置接收有害物质浓度信号、气压传感器的气压信号和风速传感器的风速信号进行计算得到食物危害物的含量并得到与食物危害物信号,食物危害物计算装置将食物危害物信号发送至提示装置,提示装置接收食物危害物信号并发出提示信号。
本发明的一种家用非入侵式在线食物检测的设备,设置有用于在食物烹饪过程中检测散发在空气中的有害物质含量的有害物质检测装置和食物危害物计算装置,有害物质检测装置和食物危害物计算装置电连接。有害物质检测装置根据检测的烹饪区域内温度、烹饪区域的颗粒物浓度、油烟大小和挥发性有机物浓度进行计算得到烹饪区域当前的多环芳烃浓度得到当前环境状中有害物质浓度信号,有害物质检测装置将有害物质浓度信号发送至食物危害物计算装置,食物危害物计算装置接收有害物质浓度信号进行计算得到食物危害物的含量。该家用非入侵式在线食物检测的设备能够识别当前烹饪烹饪区域内温度、烹饪区域的颗粒物浓度、油烟大小、挥发性有机物浓度和多环芳烃浓度,并根据气液相原理计算得食物内部液相中危害物。该家用非入侵式在线食物检测的设备,可以在食物烹饪过程,不同直接接触食物就能检测到食物内部的危害物从而提醒用户注意食物安全。
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的一种家用非入侵式在线食物检测的设备的工作流程示意图。
图2为实施例2的一种家用非入侵式在线食物检测的设备的工作流程示意图。
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。
一种家用非入侵式在线食物检测的设备,如图1所示,其特征在于:设置有用于在食物烹饪过程中检测散发在空气中的有害物质含量的有害物质检测装置和食物危害物计算装置,有害物质检测装置和食物危害物计算装置电连接。
有害物质检测装置根据检测的烹饪区域内温度、烹饪区域的颗粒物浓度、油烟大小和挥发性有机物浓度进行计算得到烹饪区域当前的多环芳烃浓度得到当前环境状中有害物质浓度信号,有害物质检测装置将有害物质浓度信号发送至食物危害物计算装置,食物危害物计算装置接收有害物质浓度信号进行计算得到食物危害物的含量。
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。
食物危害物计算装置以数学建模构建得到关于食物内部液相中危害物与空气中危害物数学关系的食物危害物计算装置。
本发明的食物危害物计算装置根据的原理为将烹饪过程中液相简化成稀溶液体系。对于当气液两相达到平衡时,液相中的溶质与溶剂对应的蒸气分压分别遵循亨利定律和拉乌尔定律。因此本发明可以根据亨利定律和拉乌尔定律计算得到食物危害物的含量。对于当因温度或气压等原因使得气液两相未达到平衡时,液体的气化模型依然遵循质量守恒定律计算得到食物危害物的含量。
亨利定律为在一定温度下,稀溶液中溶质的蒸气分压与溶液浓度成正比
亨利公式:Pg=Hx。
其中Pg为溶质的蒸汽分压。x为溶质在稀溶液中的浓度,H为亨利系数,常压下其只值与温度、溶质和溶剂的本性有关。亨利系数越大,溶质挥发性越强。
当有害物质检测装置检测到不同物质的Pg时,就可以说根据亨利公式得到,食物中液相的溶剂的浓度即为x,从而得到食物危害物的量。
同时地拉乌尔定律为在一定温度下,难挥发非电解质稀溶液的蒸气压等于纯溶剂的饱和蒸气压乘以溶剂的摩尔分数。
拉乌尔定律公式:
其中PA为溶剂在溶液上方的组分的平衡分压;为在溶液温度下纯组分溶剂的饱和蒸气压;XA为溶剂在溶液中的摩尔分数。
其中,不同温度下的饱和蒸气压可以通过安托尼方程计算获得:
安托尼方程:
其中为在溶液温度下纯组分溶剂的饱和蒸气压,T为温度,A、B、C为组分的安托尼常数,安托尼常数的值与压力和温度的单位而异。
对于气液两相未达到平衡时,液体的气化模型依然遵循质量守恒定律,包括以下三部分:(1)、液相中分子的运动,主要是蒸发过程中分子从液体内部到液体表面的扩散,且扩散量为W1。(2)、分子在气-液界面上的气化,且气化量为W2。(3)、分子在气一液界面上的液化,且液化量为W3。
当分子在气-液界面上的气化速率大于液化速率时,呈现出对应物质不断从液相转移到气相的现象,例如挥发性物质从溶液中挥发,其挥发量可以表达为Q=W2-W3。因为液相中分子的运动主要是热运动以及由浓度等引起的扩散现象。其中,分子热运动主要受温度及分子间相互作用力的影响。
气液界面的传质现象可以用双膜理论来描述,即为(1)、相接触的气液两相间存在稳定的相界面,界面量测附近各存在很薄的稳定气膜或液膜,物质以分子扩散的方式通过此两层膜。(2)、界面上的气液两相平衡,且相界面上没有传质阻力。(3)、膜层以外的气液两相主体区域无传质阻力,且浓度梯度为零。
根据双膜理论,气液界面的传质过程可以用物质以分子扩散方式通过气液膜的扩散速率方程来描述。若采用主体浓度差值来表示总推动力,可以避免一些难以获得的界面参数:
(1)、气膜:(NA)g=Kg(Pg-P*);
(2)、液膜:(NA)L=KL(C*-C);
其中(NA)g和(NA)L分别为物质通过气膜和液膜的传质通量;Pg为物质在气相主体中的分压;C为物质在液相主体中的浓度;P*为液相主体浓度C成平衡的气相分压;C*为平衡时物质在液相相界面处的浓度;Kg、KL分别为气相传质系数和液相传质系数,与温度、压力、气液两相物质组分等有关,可以通过计算或实验获取。
本发明的食物危害物计算装置为线性型食物危害物计算装置、非线性食物危害物计算装置、指数型食物危害物计算装置、幂型食物危害物计算装置、对数型食物危害物计算装置、类神经网络食物危害物计算装置、机器学习食物危害物计算装置或者深度学习食物危害物计算装置的其中一种。
本发明的家用非入侵式在线食物检测的设备还设置有用于检测当前烹饪区域内气流速度的风速传感器,风速传感器与食物危害物计算装置电连接。
风速传感器检测检测当前烹饪区域内气流速度得到风速信号并发送至食物危害物计算装置,食物危害物计算装置收接风速信号和有害物质浓度信号进行计算得到食物危害物的含量。
本发明的家用非入侵式在线食物检测的设备还设置有用于检测当前烹饪区域内空气压力的气压传感器,气压传感器与食物危害物计算装置电连接。
气压传感器检测当前烹饪区域内空气压力得到气压信号并发送至食物危害物计算装置,食物危害物计算装置收接风速信号、气压信号和有害物质浓度信号进行计算得到食物危害物的含量。
本发明只要得到空气中有害物质或危害物的种类和含量,根据风速、温度和气压就应根据亨利定律、拉乌尔定律或者质量守恒定律等其他理论就计算得到食物中有害物质或危害物,该计算过程为公知常识,本领域技术人员应当知晓,同时该计算过程也非本发明的保护客体,因此在此不再累述。
有害物质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、用于检测当前烹饪区域油烟中颗粒物浓度的颗粒物传感组件、用于检测当前烹饪区域的挥发性有机物浓度的VOC传感器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、图像采集模块、颗粒物传感组件和VOC传感器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,颗粒物传感组件采集当前烹饪区域油烟中颗粒物浓度得到颗粒浓度信号并传输至计算模块,VOC传感器采集当前烹饪区域的挥发性有机物浓度得到VOC浓度信号并传输至计算模块,计算模块分别接收温度输出信号、油烟输出信号、颗粒浓度信号和VOC浓度信号,然后对温度输出信号、油烟输出信号、颗粒浓度信号和VOC浓度信号处理实时得到当前烹饪区域的多环芳烃浓度得到当前环境状中有害物质浓度信号,计算模块将有害物质浓度信号发送至食物危害物计算装置,食物危害物计算装置接收有害物质浓度信号、气压传感器的气压信号和风速传感器的风速信号进行计算得到食物危害物的含量。
本发明的计算模块为以数学建模构建得到关于烹饪区域内温度、油烟大小、颗粒物浓度和挥发性有机物浓度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、油烟大小、挥发性有机物浓度和VOC浓度等因素与油烟中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、油烟大小、挥发性有机物浓度和VOC浓度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。
颗粒物传感组件包括有用于检测当前烹饪区域油烟中当量直径小于等于2.5微米颗粒物浓度的PM2.5传感器、用于检测当前烹饪区域油烟中当量直径小于等于10微米颗粒物浓度的PM10传感器、用于检测当前烹饪区域油烟中当量直径小于等于1.0微米颗粒物浓度的PM1.0传感器、用于检测当前烹饪区域油烟中当量直径小于等于0.1微米颗粒物浓度的PM0.1传感器和用于检测当前烹饪区域油烟中当量直径小于等于0.05微米颗粒物浓度的PMA传感器,PM10传感器、PM2.5传感器、PM1.0传感器、PM0.1传感器和PMA传感器分别与温度传感模块、VOC传感器、计算模块和图像采集模块电连接。
PM10传感器采集当前烹饪区域油烟中当量直径小于等于10微米颗粒物浓度得到PM10浓度信号并传输至计算模块。
PM2.5传感器采集当前烹饪区域油烟中当量直径小于等于2.5微米颗粒物浓度得到PM2.5浓度信号并传输至计算模块。
PM1.0传感器采集当前烹饪区域油烟中当量直径小于等于1.0微米颗粒物浓度得到PM1.0浓度信号并传输至计算模块。
PM0.1传感器采集当前烹饪区域油烟中当量直径小于等于0.1微米颗粒物浓度得到PM0.1浓度信号并传输至计算模块。
PMA传感器采集当前烹饪区域油烟中当量直径小于等于0.05微米颗粒物浓度得到PMA浓度信号并传输至计算模块。
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家用非入侵式在线食物检测的设备,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输出信号、油烟输出信号、颗粒浓度信号、VOC浓度信号和食材信号计算出当前烹饪区域的多环芳烃浓度处理得到当前环境状况的健康等级信号,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。
该家用非入侵式在线食物检测的设备,设置有用于在食物烹饪过程中检测散发在空气中的有害物质含量的有害物质检测装置和食物危害物计算装置,有害物质检测装置和食物危害物计算装置电连接。有害物质检测装置根据检测的烹饪区域内温度、烹饪区域的颗粒物浓度、油烟大小和挥发性有机物浓度进行计算得到烹饪区域当前的多环芳烃浓度得到当前环境状中有害物质浓度信号,有害物质检测装置将有害物质浓度信号发送至食物危害物计算装置,食物危害物计算装置接收有害物质浓度信号进行计算得到食物危害物的含量。该家用非入侵式在线食物检测的设备能够识别当前烹饪烹饪区域内温度、烹饪区域的颗粒物浓度、油烟大小、挥发性有机物浓度和多环芳烃浓度,并根据气液相原理计算得食物内部液相中危害物。
实施例2。
一种家用非入侵式在线食物检测的设备,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),
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,C为颗粒物传感组件的输出数据,CPM10为PM10传感器的输出数据,CPM2.5为PM2.5传感器的输出数据,CPM1.0为PM1.0传感器的输出数据,CPM0.1为PM0.1传感器的输出数据,CPMA为PMA传感器的输出数据,CVOC为VOC传感器的输出数据。
当κ∈(0℃,200℃),C∈(0μg/m3,3000μg/m3),λ∈(0,300),CVOC∈(0mg/m3,5mg/m3)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℃),C∈(3000μg/m3,5000μg/m3),λ∈(300,500),CVOC∈(5mg/m3,10mg/m3)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。
例如当κ为100℃时,C为1000μg/m3,λ为100,CVOC为1mg/m3时,分别将κ、C、CVOC和λ的数据值直接代入公式,计得C多环芳烃为1106.6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1106.6pg/m3。C(2-3)的浓度为774.62pg/m3,C(4)的浓度为221.32pg/m3,C(5-6)的浓度为110.66pg/m3。
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。
本实施例可以通过检测温度输出信号、油烟输出信号、PM2.5浓度信号、PM10浓度信号、PM1.0浓度信号、PM0.1浓度信号、PMA浓度信号和VOC浓度信号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。
一种家用非入侵式在线食物检测的设备,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+0.01λ1.05+0.0005C1.05+25CVOC 1.05+6*10-5κλC+469.5
C=CPM10+CPM2.5+CPM1.0+CPM0.1+CPMA
……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,C为颗粒物传感组件的输出数据,CPM10为PM10传感器的输出数据,CPM2.5为PM2.5传感器的输出数据,CPM1.0为PM1.0传感器的输出数据,CPM0.1为PM0.1传感器的输出数据,CPMA为PMA传感器的输出数据,CVOC为VOC传感器的输出数据。
当κ∈(0℃,200℃),C∈(0μg/m3,3000μg/m3),λ∈(0,300),CVOC∈(0mg/m3,5mg/m3)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℃),C∈(3000μg/m3,5000μg/m3),λ∈(300,500),CVOC∈(5mg/m3,10mg/m3)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。
例如当κ为100℃时,C为1000μg/m3,λ为100,CVOC为1mg/m3时,分别将κ、C、CVOC和λ的数据值直接代入公式,计得C多环芳烃为1101.01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1101.01pg/m3。C(2-3)的浓度为770.707pg/m3,C(4)的浓度为220.202pg/m3,C(5-6)的浓度为110.101pg/m3。
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。
本实施例可以通过检测温度输出信号、油烟输出信号、PM2.5浓度信号、PM10浓度信号、PM1.0浓度信号、PM0.1浓度信号、PMA浓度信号和VOC浓度信号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。
一种家用非入侵式在线食物检测的设备,其他特征与实施例1相同,不同之处在于:本发明的家用非入侵式在线食物检测的设备还设置有用于提示用户食物中危害物的提示装置,提示装置与食物危害物计算装置电连接。
食物危害物计算装置接收有害物质浓度信号、气压传感器的气压信号和风速传感器的风速信号进行计算得到食物危害物的含量并得到与食物危害物信号,食物危害物计算装置将食物危害物信号发送至提示装置,提示装置接收食物危害物信号并发出提示信号。
该家用非入侵式在线食物检测的设备与实施例1相比增加了提示装置,该提示装置能将食物内的危害物提示给用户,使用户了解将要食用的食物的健康情况。
该家用非入侵式在线食物检测的设备,可以在食物烹饪过程,不同直接接触食物就能检测到食物内部的危害物从而提醒用户注意食物安全。
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 (10)
1.一种家用非入侵式在线食物检测的设备,其特征在于:设置有用于在食物烹饪过程中检测散发在空气中的有害物质含量的有害物质检测装置和食物危害物计算装置,有害物质检测装置和食物危害物计算装置电连接;
有害物质检测装置根据检测的烹饪区域内温度、烹饪区域的颗粒物浓度、油烟大小和挥发性有机物浓度进行计算得到烹饪区域当前的多环芳烃浓度得到当前环境状中有害物质浓度信号,有害物质检测装置将有害物质浓度信号发送至食物危害物计算装置,食物危害物计算装置接收有害物质浓度信号进行计算得到食物危害物的含量。
2.根据权利要求1所述的家用非入侵式在线食物检测的设备,其特征在于:所述食物危害物计算装置以数学建模构建得到关于食物内部液相中危害物与空气中危害物数学关系的食物危害物计算装置。
3.根据权利要求2所述的家用非入侵式在线食物检测的设备,其特征在于:所述食物危害物计算装置为线性型食物危害物计算装置、非线性食物危害物计算装置、指数型食物危害物计算装置、幂型食物危害物计算装置、对数型食物危害物计算装置、类神经网络食物危害物计算装置、机器学习食物危害物计算装置或者深度学习食物危害物计算装置。
4.根据权利要求3所述的家用非入侵式在线食物检测的设备,其特征在于:还设置有用于检测当前烹饪区域内气流速度的风速传感器,风速传感器与食物危害物计算装置电连接;
风速传感器检测检测当前烹饪区域内气流速度得到风速信号并发送至食物危害物计算装置,食物危害物计算装置收接风速信号和有害物质浓度信号进行计算得到食物危害物的含量。
5.根据权利要求4所述的家用非入侵式在线食物检测的设备,其特征在于:还设置有用于检测当前烹饪区域内空气压力的气压传感器,气压传感器与食物危害物计算装置电连接;
气压传感器检测当前烹饪区域内空气压力得到气压信号并发送至食物危害物计算装置,食物危害物计算装置收接风速信号、气压信号和有害物质浓度信号进行计算得到食物危害物的含量。
6.根据权利要求5所述的家用非入侵式在线食物检测的设备,其特征在于:所述有害物质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、用于检测当前烹饪区域油烟中颗粒物浓度的颗粒物传感组件、用于检测当前烹饪区域的挥发性有机物浓度的VOC传感器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、图像采集模块、颗粒物传感组件和VOC传感器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,颗粒物传感组件采集当前烹饪区域油烟中颗粒物浓度得到颗粒浓度信号并传输至计算模块,VOC传感器采集当前烹饪区域的挥发性有机物浓度得到VOC浓度信号并传输至计算模块,计算模块分别接收温度输出信号、油烟输出信号、颗粒浓度信号和VOC浓度信号,然后对温度输出信号、油烟输出信号、颗粒浓度信号和VOC浓度信号处理实时得到当前烹饪区域的多环芳烃浓度得到当前环境状中有害物质浓度信号,计算模块将有害物质浓度信号发送至食物危害物计算装置,食物危害物计算装置接收有害物质浓度信号、气压传感器的气压信号和风速传感器的风速信号进行计算得到食物危害物的含量。
7.根据权利要求6所述的家用非入侵式在线食物检测的设备,其特征在于:所述计算模块为以数学建模构建得到关于烹饪区域内温度、油烟大小、颗粒物浓度和挥发性有机物浓度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。
8.根据权利要求7所述的家用非入侵式在线食物检测的设备,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。
9.根据权利要求8所述的家用非入侵式在线食物检测的设备,其特征在于:所述颗粒物传感组件包括有用于检测当前烹饪区域油烟中当量直径小于等于2.5微米颗粒物浓度的PM2.5传感器、用于检测当前烹饪区域油烟中当量直径小于等于10微米颗粒物浓度的PM10传感器、用于检测当前烹饪区域油烟中当量直径小于等于1.0微米颗粒物浓度的PM1.0传感器、用于检测当前烹饪区域油烟中当量直径小于等于0.1微米颗粒物浓度的PM0.1传感器和用于检测当前烹饪区域油烟中当量直径小于等于0.05微米颗粒物浓度的PMA传感器,PM10传感器、PM2.5传感器、PM1.0传感器、PM0.1传感器和PMA传感器分别与温度传感模块、VOC传感器、计算模块和图像采集模块电连接;
PM10传感器采集当前烹饪区域油烟中当量直径小于等于10微米颗粒物浓度得到PM10浓度信号并传输至计算模块,
PM2.5传感器采集当前烹饪区域油烟中当量直径小于等于2.5微米颗粒物浓度得到PM2.5浓度信号并传输至计算模块,
PM1.0传感器采集当前烹饪区域油烟中当量直径小于等于1.0微米颗粒物浓度得到PM1.0浓度信号并传输至计算模块,
PM0.1传感器采集当前烹饪区域油烟中当量直径小于等于0.1微米颗粒物浓度得到PM0.1浓度信号并传输至计算模块,
PMA传感器采集当前烹饪区域油烟中当量直径小于等于0.05微米颗粒物浓度得到PMA浓度信号并传输至计算模块。
10.根据权利要求9所述的家用非入侵式在线食物检测的设备,其特征在于:还设置有用于提示用户食物中危害物的提示装置,提示装置与食物危害物计算装置电连接;
食物危害物计算装置接收有害物质浓度信号、气压传感器的气压信号和风速传感器的风速信号进行计算得到食物危害物的含量并得到与食物危害物信号,食物危害物计算装置将食物危害物信号发送至提示装置,提示装置接收食物危害物信号并发出提示信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811654127.XA CN109669007B (zh) | 2018-12-29 | 2018-12-29 | 一种家用非入侵式在线食物检测的设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811654127.XA CN109669007B (zh) | 2018-12-29 | 2018-12-29 | 一种家用非入侵式在线食物检测的设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109669007A true CN109669007A (zh) | 2019-04-23 |
CN109669007B CN109669007B (zh) | 2023-09-22 |
Family
ID=66147545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811654127.XA Active CN109669007B (zh) | 2018-12-29 | 2018-12-29 | 一种家用非入侵式在线食物检测的设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109669007B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110441485A (zh) * | 2019-08-22 | 2019-11-12 | 虫洞(北京)卫生科技有限公司 | 多线程侦测食品烹饪或加工过程中食材成熟度的传感器 |
CN110544520A (zh) * | 2019-08-22 | 2019-12-06 | 虫洞(北京)卫生科技有限公司 | 一种减少食源性疾病的智能实现方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012210302A1 (de) * | 2011-06-30 | 2013-01-03 | BSH Bosch und Siemens Hausgeräte GmbH | Analysevorrichtung zur Analyse von flüchtigen Stoffen in einem durch Erhitzung von Speiseöl erzeugten Dampf sowie Verfahren zur Durchführung einer derartigen Analyse |
CN106369651A (zh) * | 2016-10-25 | 2017-02-01 | 广东万家乐燃气具有限公司 | 一种带WiFi功能的吸油烟机及其控制方法 |
KR20170055879A (ko) * | 2015-11-12 | 2017-05-22 | 동국대학교 산학협력단 | 다환방향족탄화수소 감지 조리 장치 |
CN206497096U (zh) * | 2017-01-23 | 2017-09-15 | 北京中欧普瑞科技有限公司 | 一种空气有害物质检测仪 |
CN107781879A (zh) * | 2017-11-07 | 2018-03-09 | 佛山市云米电器科技有限公司 | 油烟处理装置与方法 |
CN108362826A (zh) * | 2017-01-26 | 2018-08-03 | Bsh家用电器有限公司 | 食物处理时的空气质量 |
CN108760590A (zh) * | 2018-03-08 | 2018-11-06 | 佛山市云米电器科技有限公司 | 一种基于图像处理的厨房油烟浓度检测与干扰排除方法 |
-
2018
- 2018-12-29 CN CN201811654127.XA patent/CN109669007B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012210302A1 (de) * | 2011-06-30 | 2013-01-03 | BSH Bosch und Siemens Hausgeräte GmbH | Analysevorrichtung zur Analyse von flüchtigen Stoffen in einem durch Erhitzung von Speiseöl erzeugten Dampf sowie Verfahren zur Durchführung einer derartigen Analyse |
KR20170055879A (ko) * | 2015-11-12 | 2017-05-22 | 동국대학교 산학협력단 | 다환방향족탄화수소 감지 조리 장치 |
CN106369651A (zh) * | 2016-10-25 | 2017-02-01 | 广东万家乐燃气具有限公司 | 一种带WiFi功能的吸油烟机及其控制方法 |
CN206497096U (zh) * | 2017-01-23 | 2017-09-15 | 北京中欧普瑞科技有限公司 | 一种空气有害物质检测仪 |
CN108362826A (zh) * | 2017-01-26 | 2018-08-03 | Bsh家用电器有限公司 | 食物处理时的空气质量 |
CN107781879A (zh) * | 2017-11-07 | 2018-03-09 | 佛山市云米电器科技有限公司 | 油烟处理装置与方法 |
CN108760590A (zh) * | 2018-03-08 | 2018-11-06 | 佛山市云米电器科技有限公司 | 一种基于图像处理的厨房油烟浓度检测与干扰排除方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110441485A (zh) * | 2019-08-22 | 2019-11-12 | 虫洞(北京)卫生科技有限公司 | 多线程侦测食品烹饪或加工过程中食材成熟度的传感器 |
CN110544520A (zh) * | 2019-08-22 | 2019-12-06 | 虫洞(北京)卫生科技有限公司 | 一种减少食源性疾病的智能实现方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109669007B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Musatov et al. | Assessment of meat freshness with metal oxide sensor microarray electronic nose: A practical approach | |
Batz et al. | Attributing illness to food | |
Ouillon et al. | Optical algorithms at satellite wavelengths for total suspended matter in tropical coastal waters | |
Elhag et al. | Monitoring and assessment of drought focused on its impact on sorghum yield over Sudan by using meteorological drought indices for the period 2001–2011 | |
Carter et al. | Measurement of particle shape using digital imaging techniques | |
Bierdel et al. | Accuracy of rotational and divergent kinetic energy spectra diagnosed from flight-track winds | |
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 | |
CN109669007A (zh) | 一种家用非入侵式在线食物检测的设备 | |
Xu et al. | Quality detection of litchi stored in different environments using an electronic nose | |
Madiouli et al. | Non-contact measurement of the shrinkage and calculation of porosity during the drying of banana | |
Evgenidis et al. | Effect of bubble size on void fraction fluctuations in dispersed bubble flows | |
CN109655585A (zh) | 一种能识别厨房空气质量的油烟机 | |
Charvet et al. | On the importance of density in ELPI data post-treatment | |
ZHENG et al. | Review on the recent developments of terrestrial water storage variations using GRACE satellite-based datum | |
CN109813713A (zh) | 一种具有多个独立有害物质检测模组的烟机 | |
CN109884049A (zh) | 一种能够检测厨房油烟的有害物质检测装置 | |
Sutherland et al. | Using high resolution LiDAR data and a flux footprint parameterization to scale evapotranspiration estimates to lower pixel resolutions | |
Huang et al. | Theoretical uncertainty analysis of satellite retrieved aerosol optical depth associated with surface albedo and aerosol optical properties | |
Kim et al. | Risk assessment and evaluation of analytical method of polycyclic aromatic hydrocarbons (PAHs) for deep-fat fried pork products in Korea | |
Othmane et al. | Mechanisms of particle deposition in ventilation ducts for a food factory | |
CN109657640A (zh) | 一种能根据使用食材进行健康等级划分的油烟机 | |
CN107016617A (zh) | 一种基于多重放射环的农产品农残检测数据的可视化方法 | |
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 | |
Mann et al. | Analysis of particulate size distribution and concentrations from simulated jet engine bleed air incidents | |
Virdung et al. | Solid-liquid flow at dilute concentrations in an axially stirred vessel investigated using particle image velocimetry |
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 |