CN110018656A - 一种具热图像的智能烹饪控制系统及控制方法 - Google Patents

Abstract

本发明属于智能烹饪技术领域，公开了一种具热图像的智能烹饪控制系统及控制方法，具热图像的智能烹饪控制系统包括：热图采集模块、温度检测模块、烹饪参数设定模块、主控模块、图像处理模块、定时模块、加热模块、搅拌模块、显示模块。本发明通过烹饪参数设定模块可以避免用户手动通过按钮一步步调整得到烹饪参数所带来的操作繁琐的问题，提升烹饪参数设定的效率和智能性；同时，通过图像处理模块对食物的边界计算阈值，通过阈值分割及红色分量、绿色分量、蓝色分量的分割阈值窗口提取方法实现食物的轮廓提取，得到食物的精确轮廓。

Description

一种具热图像的智能烹饪控制系统及控制方法

技术领域

本发明属于智能烹饪技术领域，尤其涉及一种具热图像的智能烹饪控制系统及控制方法。

背景技术

烹饪指的是膳食的艺术，是一种复杂而有规律的将食材转化为食物的加工过程。是对食材加工处理，使食物更可口，更好看，更好闻的处理方式与方法。一道美味佳肴，必然色香味意形养俱佳，不但让人在食用时感到满足，而且能让食物的营养更容易被人体吸收。然而，现有烹饪时，可能需要进行多个参数的设定，操作繁琐，烹饪设备的智能性低；现有技术中对红外热图像的轮廓的提取方法都非常的复杂，不能及时获取烹饪食物热图数据。

综上所述，现有技术存在的问题是：

(1)现有烹饪时，可能需要进行多个参数的设定，操作繁琐，烹饪设备的智能性低；现有技术中对红外热图像的轮廓的提取方法都非常的复杂，不能及时获取烹饪食物热图数据。

(2)现有技术中主控模块在控制各个模块正常工作的过程中，采用传统的算法对采集的数据进行分类，不能有效地处理混合属性数据的聚类问题，不具有较高的稳定性以及良好的鲁棒性。

(3)现有技术中通过红外热像仪采集烹饪食物的热图数据的过程中，采用传统的算法对图像进行增强，使采集的热图像不能够有效地消除图像噪声及改善细节信息；不能最大限度地保留边缘信息和增加图像的清晰度。

(4)现有技术中温度传感器检测烹饪食物温度数据的过程中，采用现有的算法不能有效的对温度传感器进行湿度补偿，提高温度传感器观测数据质量和补偿精度。

发明内容

针对现有技术存在的问题，本发明提供了一种具热图像的智能烹饪控制系统。

本发明是这样实现的，一种具热图像的智能烹饪控制方法包括以下步骤：

采集烹饪食物的热图数据，对上述采集的热图数据提取轮廓，测烹饪食物温度数据；

根据上述采集的数据，设定烹饪参数和烹饪时间；

根据采集的数据和设定的参数，对烹饪食物实现自动加热操作和自动搅拌操作；

智能烹饪控制系统界面及采集的烹饪食物的热图、温度、时间数据显示在显示器上。

进一步，采集烹饪食物的热图数据中，采用小波变换与双三次插值结合对图像进行增强，具体步骤包括：

步骤一，原红外图像经过小波变换后分别得到图像的低频子带和高频子带，高频子带为LH、HL及HH，低频子带为LL；

步骤二，对低频子带及高频子带分别进行双三次插值，插值因子为2，即放大倍数为2；

步骤三，扣除低分辨图像和双三次插值后的LL子带中的相同成分而得到不同成分的图像，然后得到估算的LH、HL及HH；

步骤四，将估算的LH、HL及HH分别进行双三次插值，插值因子为b/2。同时对原低分辨图像进行双三次插值，插值因子为b/2；

步骤五，通过小波变换对这些图像进行融合重构，得到高分辨图像。

进一步，温度传感器检测烹饪食物温度数据的过程中，初步确定BP网路结构，确定布谷鸟个体编码长度后对布谷鸟进行编码，种群中每个布谷鸟个体都用一个由各网络层间的权值，阈值构造的实数串表示，且每个个体均可以反编码计算得到网路的权值和阈值；

用适应度函数评价每个权、阈值组合方案的优劣，适应度函数F是实际输出和预测输出的误差绝对值；在第t代种群中，随机选取布谷鸟i更新位置，计算位置的适应度函数值F_i；

再随机选取另一布谷鸟个体j，计算它在位置处适应度函数值F_j，如果Fi＞F_j，就使用新解替换原来解；为维持种群规模及其最优状态，生成(n*Pa)个新解用于换掉适应度最差的(n*Pa)个个体；

待算法计算结束后，将适应度函数值最优个体进行反编码操作，得到最优权值、阈值组合，将其用于构造最优的CS-BP算法模型；

对CS-BP算法模型进行网络预测，训练完成后用测试样本数据集带入到模型得到预测输出。

进一步，对采集的数据进行分类中，需进行：

输入：混合型数据中的数值型数据和分类型数据两个数据集，聚类个数k；

输出：被标记聚类类别的n样本，即C＝(c₁，c₂，…，c_n)；

步骤一，对输入的数值型数据进行标准化处理，构建数值型数据的高斯核函数矩阵W；

步骤二，对输入的分类型数据利用信息熵公式计算每个分类属性的权重，构建分类型数据的影响因子矩阵F；高斯核函数矩阵W与影响因子矩阵F点乘得到混合数据的相似度矩阵S；

步骤三，根据相似度矩阵S得到度矩阵D，构建拉普拉斯矩阵L；

L＝D-S；

标准化拉普拉斯矩阵得到L。

L′＝D^-1/2LD^-1/2。

其中：度矩阵D对角元素

步骤四，计算标准化的拉普拉斯矩阵L的最小的k₁个特征值所对应的特征向量，并对k₁个特征向量组成的矩阵进行标准化处理，最终组成n×k₁维的特征矩阵M；

步骤五，对特征矩阵M使用k-means法进行最终得出被标记聚类类别的n个样本。

进一步，烹饪参数设定方法包括：

(1)通过记录程序获取历史烹饪数据；

(2)结合所述历史烹饪数据及设定策略输出推荐烹饪参数或选择当前烹饪参数；其中，所述推荐烹饪参数至少包括预约本次烹饪推荐的起始时间参数；所述当前烹饪参数至少包括预约本次烹饪的起始时间参数。

进一步，结合所述历史烹饪数据及设定策略，输出推荐烹饪参数或选择当前烹饪参数，包括：

根据所述历史烹饪数据，统计使用频次最高的历史烹饪参数；

根据所述使用频次最高的历史烹饪参数，输出所述推荐烹饪参数或选择所述当前烹饪参数。

进一步，根据所述使用频次最高的历史烹饪参数，输出所述推荐烹饪参数或选择所述当前烹饪参数，包括：

将所述使用频次最高的历史烹饪参数，作为所述推荐烹饪参数输出或设定为所述当前烹饪参数。

进一步，根据所述使用频次最高的历史烹饪参数，输出所述推荐烹饪参数或选择所述当前烹饪参数，包括：

根据当前环境参数调整所述使用频次最高的历史烹饪参数，获得调整后的烹饪参数；

将所述调整后的烹饪参数作为所述推荐烹饪参数输出，或设定为所述当前烹饪参数。

进一步，结合所述历史烹饪数据及设定策略输出推荐烹饪参数进一步包括：

在进行烹饪的烹饪参数设定时，结合所述历史烹饪数据及设定策略，将所述推荐烹饪参数显示输出在所述烹饪设备自身的设定界面或与所述烹饪设备连接的设定终端的设定界面上。

本发明的另一目的在于提供一种实施所述具热图像的智能烹饪控制方法的具热图像的智能烹饪控制系统，所述具热图像的智能烹饪控制系统包括：

热图采集模块，与主控模块连接，用于通过红外热像仪采集烹饪食物的热图数据；

温度检测模块，与主控模块连接，用于通过温度传感器检测烹饪食物温度数据；

烹饪参数设定模块，与主控模块连接，用于通过操作按键设定烹饪参数；

主控模块，与热图采集模块、温度检测模块、烹饪参数设定模块、图像处理模块、定时模块、加热模块、搅拌模块、显示模块连接，用于通过单片机控制各个模块正常工作；

图像处理模块，与主控模块连接，用于通过图像处理软件对采集的热图提取轮廓；

定时模块，与主控模块连接，用于通过定时器设定烹饪时间；

加热模块，与主控模块连接，用于通过加热器对烹饪食物进行加热操作；

搅拌模块，与主控模块连接，用于通过搅拌器对烹饪食物进行搅拌操作；

显示模块，与主控模块连接，用于通过显示器显示具热图像的智能烹饪控制系统界面及采集的烹饪食物的热图、温度、时间数据。

本发明的优点及积极效果为：

本发明通过烹饪参数设定模块将会自动接合历史烹饪数据及设定策略，输出推荐烹饪参数或自动选择当前烹饪参数，可以由烹饪设备或烹饪设备的设定装置或控制装置，给出推荐烹饪参数或自动设定当前烹饪参数，可以避免用户手动通过按钮一步步调整得到烹饪参数所带来的操作繁琐的问题，提升烹饪参数设定的效率和智能性；同时，通过图像处理模块对食物静态热图像视频的多帧图像求平均的方法，可以有效减小误差，突出有效信息，为后续的轮廓提取提供更为精确的图像；由于食物温度高于周围环境的温度，通过对图像的直方图统计，对食物的边界计算阈值，通过阈值分割及红色分量、绿色分量、蓝色分量的分割阈值窗口提取方法实现食物的轮廓提取，得到食物的精确轮廓。

本发明中热图采集模块通过红外热像仪采集烹饪食物的热图数据的过程中，采用小波变换与双三次插值结合算法对图像进行增强，使采集的热图像能够有效地消除图像噪声及改善细节信息；能最大限度地保留边缘信息和增加图像的清晰度。

本发明中温度检测模块通过温度传感器检测烹饪食物温度数据的过程中，采用改进的CS-BP算法可以有效的对温度传感器进行湿度补偿，提高温度传感器观测数据质量，使寻优能力增强，收敛速度变快，补偿精度变高。

本发明中主控模块在控制各个模块正常工作的过程中，采用改进的FBSCMD算法对采集的数据进行分类，能有效地处理混合属性数据的聚类问题，具有较高的稳定性以及良好的鲁棒性。

附图说明

图1是本发明实施例提供的具热图像的智能烹饪控制系统结构框图。

图中：1、热图采集模块；2、温度检测模块；3、烹饪参数设定模块；4、主控模块；5、图像处理模块；6、定时模块；7、加热模块；8、搅拌模块；9、显示模块。

图2是本发明实施例提供的具热图像的智能烹饪控制方法的流程图。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明包括。

下面结合附图对本发明的结构作详细的描述。

如图1所示，本发明实施例提供的具热图像的智能烹饪控制系统包括：热图采集模块1、温度检测模块2、烹饪参数设定模块3、主控模块4、图像处理模块5、定时模块6、加热模块7、搅拌模块8、显示模块9。

热图采集模块1，与主控模块4连接，用于通过红外热像仪采集烹饪食物的热图数据。

温度检测模块2，与主控模块4连接，用于通过温度传感器检测烹饪食物温度数据。

烹饪参数设定模块3，与主控模块4连接，用于通过操作按键设定烹饪参数。

主控模块4，与热图采集模块1、温度检测模块2、烹饪参数设定模块3、图像处理模块5、定时模块6、加热模块7、搅拌模块8、显示模块9连接，用于通过单片机控制各个模块正常工作。

图像处理模块5，与主控模块4连接，用于通过图像处理软件对采集的热图提取轮廓。

定时模块6，与主控模块4连接，用于通过定时器设定烹饪时间。

加热模块7，与主控模块4连接，用于通过加热器对烹饪食物进行加热操作。

搅拌模块8，与主控模块4连接，用于通过搅拌器对烹饪食物进行搅拌操作。

显示模块9，与主控模块4连接，用于通过显示器显示具热图像的智能烹饪控制系统界面及采集的烹饪食物的热图、温度、时间数据。

如图2所示，本发明实施例提供的具热图像的智能烹饪控制方法，具体包括以下步骤：

S101：首先，采集烹饪食物的热图数据，对上述采集的热图数据提取轮廓，测烹饪食物温度数据。

S102：根据上述采集的数据，设定烹饪参数和烹饪时间。

S103：根据采集的数据和设定的参数，对烹饪食物实现自动加热操作和自动搅拌操作。

S104：上述的智能烹饪控制系统界面及采集的烹饪食物的热图、温度、时间等数据显示在显示器上。

所述热图采集模块1通过红外热像仪采集烹饪食物的热图数据的过程中，为了使采集的热图像能够有效地消除图像噪声及改善细节信息。为了能最大限度地保留边缘信息和增加图像的清晰度，采用小波变换与双三次插值结合算法对图像进行增强，具体步骤包括：

步骤一，原红外图像经过小波变换后分别得到图像的低频子带和高频子带，高频子带为LH、HL及HH，低频子带为LL。

步骤二，对低频子带及高频子带分别进行双三次插值，插值因子为2，即放大倍数为2。

步骤三，扣除低分辨图像和双三次插值后的LL子带中的相同成分而得到不同成分的图像，然后得到估算的LH、HL及HH。

步骤四，将估算的LH、HL及HH分别进行双三次插值，插值因子为b/2。同时对原低分辨图像进行双三次插值，插值因子为b/2。

步骤五，通过小波变换对这些图像进行融合重构，得到高分辨图像。

所述温度检测模块2通过温度传感器检测烹饪食物温度数据的过程中，为了有效的对温度传感器进行湿度补偿，提高温度传感器观测数据质量，使寻优能力增强，收敛速度变快，补偿精度变高，采用一种改进的CS-BP算法，包括以下步骤。

步骤一，首先，初步确定BP网路结构，确定布谷鸟个体编码长度后对布谷鸟进行编码，种群中每个布谷鸟个体都用一个由各网络层间的权值，阈值构造的实数串表示，且每个个体均可以反编码计算得到网路的权值和阈值。

步骤二，用适应度函数评价每个权、阈值组合方案的优劣，适应度函数F是实际输出和预测输出的误差绝对值。在第t代种群中，随机选取布谷鸟i更新位置，计算位置的适应度函数值F_i。

步骤三，再随机选取另一布谷鸟个体j，计算它在位置处适应度函数值F_j，如果F_i＞F_j，就使用新解替换原来解。为维持种群规模及其最优状态，需要生成(n*Pa)个新解用于换掉适应度最差的(n*Pa)个个体。

步骤三，待算法计算结束后，将适应度函数值最优个体进行反编码操作，得到最优权值、阈值组合，将其用于构造最优的CS-BP算法模型。

步骤四，对CS-BP算法模型进行网络预测，训练完成后用测试样本数据集带入到模型得到预测输出。

所述主控模块4在控制各个模块正常工作的过程中，需要对采集的数据进行分类，为了能有效地处理混合属性数据的聚类问题，具有较高的稳定性以及良好的鲁棒性，采用一种改进的EBSCMD算法，具体过程包括：

输入：混合型数据中的数值型数据和分类型数据两个数据集，聚类个数k。

输出：被标记聚类类别的n样本，即C＝(c₁，c₂，…，c_n)。

步骤一，对输入的数值型数据进行标准化处理，构建数值型数据的高斯核函数矩阵W。

步骤二，对输入的分类型数据利用信息熵公式计算每个分类属性的权重，构建分类型数据的影响因子矩阵F。高斯核函数矩阵W与影响因子矩阵F点乘得到混合数据的相似度矩阵S。

步骤三，根据相似度矩阵S得到度矩阵D，构建拉普拉斯矩阵L。

L＝D-S。

标准化拉普拉斯矩阵得到L′。

L′＝D^-1/2LD^-1/2。

其中：度矩阵D对角元素

步骤四，计算标准化的拉普拉斯矩阵L′的最小的k₁个特征值所对应的特征向量，并对k₁个特征向量组成的矩阵进行标准化处理，最终组成n×k₁维的特征矩阵M。

步骤五，对特征矩阵M使用k-means法进行最终得出被标记聚类类别的n个样本。

本发明提供的烹饪参数设定模块3设定方法包括：

(1)通过记录程序获取历史烹饪数据。

(2)结合所述历史烹饪数据及设定策略输出推荐烹饪参数或选择当前烹饪参数。其中，所述推荐烹饪参数至少包括预约本次烹饪推荐的起始时间参数。所述当前烹饪参数至少包括预约本次烹饪的起始时间参数。

本发明提供的结合所述历史烹饪数据及设定策略，输出推荐烹饪参数或选择当前烹饪参数，包括：

根据所述历史烹饪数据，统计使用频次最高的历史烹饪参数。

根据所述使用频次最高的历史烹饪参数，输出所述推荐烹饪参数或选择所述当前烹饪参数。

本发明提供的根据所述使用频次最高的历史烹饪参数，输出所述推荐烹饪参数或选择所述当前烹饪参数，包括：

将所述使用频次最高的历史烹饪参数，作为所述推荐烹饪参数输出或设定为所述当前烹饪参数。

本发明提供的根据所述使用频次最高的历史烹饪参数，输出所述推荐烹饪参数或选择所述当前烹饪参数，包括：

根据当前环境参数调整所述使用频次最高的历史烹饪参数，获得调整后的烹饪参数。

将所述调整后的烹饪参数作为所述推荐烹饪参数输出，或设定为所述当前烹饪参数。

本发明提供的结合所述历史烹饪数据及设定策略输出推荐烹饪参数，包括：

在进行本次烹饪的烹饪参数设定时，结合所述历史烹饪数据及设定策略，将所述推荐烹饪参数显示输出在所述烹饪设备自身的设定界面或与所述烹饪设备连接的设定终端的设定界面上。

本发明提供的图像处理模块5处理方法包括：

1)通过红外热像仪获取红外热图像。

2)根据所述红外图像的灰度图确定直方图，根据所述直方图确定所述红外图像的分割阈值，根据所述分割阈值进行轮廓提取。

本发明提供的获取红外热图像的步骤包括：

采集静态红外热图像视频。其中，所述红外热图像视频中包括多帧红外热图像。

对所述红外热图像视频进行解码、模数转换，将模拟红外热图像转换成数字红外热图像，并进行存储。

对多帧所述数字红外热图像求平均，计算得出一帧红外热图像。

本发明提供的红外热图像视频的输出制式为PAL或NTSC。所述采集静态红外热图像视频的时间为5至10秒。

本发明提供的根据所述红外图像的灰度图确定直方图，根据所述直方图确定所述红外图像的分割阈值，根据所述分割阈值进行轮廓提取，具体包括：

获取所述红外热图像中每个像素的红色分量、绿色分量，以及蓝色分量反色后的灰度图。

根据所述红色分量、绿色分量，以及蓝色分量反色后的灰度图，分别生成红色分量、绿色分量、蓝色分量的直方图。

根据所生成的红色分量、绿色分量、蓝色分量的直方图，分别计算出所述红色分量、绿色分量，以及蓝色分量反色后的灰度图的分割阈值。

根据所计算出所述红色分量、绿色分量，以及蓝色分量反色后的灰度图的分割阈值，对所述红外热图像进行轮廓提取。

本发明提供的根据所计算出红色分量、绿色分量、蓝色分量的直方图，分别计算出所述红色分量、绿色分量，以及蓝色分量反色后的灰度图的分割阈值的步骤包括：

根据所计算出红色分量、绿色分量、蓝色分量的直方图，采用大沣法分别计算出所述红色分量、绿色分量，以及蓝色分量反色后的灰度图的分割阈值。

本发明提供的根据所计算出所述红色分量、绿色分量，以及蓝色分量反色后的灰度图的分割阈值，对所述红外热图像进行轮廓提取的步骤包括：

将红色分量和蓝色分量反色后的灰度图的分割阈值进行比较，获取蓝色分量反色后的灰度图的分割阈值中存在与红色分量的灰度图的分割阈值不相同的分割阈值。

将所述不相同的分割阈值与绿色分量的灰度图的分割阈值进行比较。当所述不相同分割阈值与绿色分量的灰度图的分割阈值相匹配时，则保留所述不相同分割阈值，否则去除。

以红色分量的灰度图的分割阈值，以及剩余的蓝色分量反色后的灰度图的分割阈值作为窗口，对所述红外热图像进行轮廓提取并显示。

本发明工作时，首先，通过热图采集模块1利用红外热像仪采集烹饪食物的热图数据。通过温度检测模块2利用温度传感器检测烹饪食物温度数据。通过烹饪参数设定模块3利用操作按键设定烹饪参数。其次，通过主控模块4通过图像处理模块5利用图像处理软件对采集的热图提取轮廓。通过定时模块6利用定时器设定烹饪时间。通过加热模块7利用加热器对烹饪食物进行加热操作。然后，通过搅拌模块8利用搅拌器对烹饪食物进行搅拌操作。最后，通过显示模块9利用显示器显示具热图像的智能烹饪控制系统界面及采集的烹饪食物的热图、温度、时间数据。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (10)

1.一种具热图像的智能烹饪控制方法，其特征在于，所述具热图像的智能烹饪控制方法包括以下步骤：

采集烹饪食物的热图数据，对上述采集的热图数据提取轮廓，测烹饪食物温度数据；

根据上述采集的数据，设定烹饪参数和烹饪时间；

根据采集的数据和设定的参数，对烹饪食物实现自动加热操作和自动搅拌操作；

智能烹饪控制系统界面及采集的烹饪食物的热图、温度、时间数据显示在显示器上。

2.如权利要求1所述的具热图像的智能烹饪控制方法，其特征在于，采集烹饪食物的热图数据中，采用小波变换与双三次插值结合对图像进行增强，具体步骤包括：

步骤一，原红外图像经过小波变换后分别得到图像的低频子带和高频子带，高频子带为LH、HL及HH，低频子带为LL；

步骤二，对低频子带及高频子带分别进行双三次插值，插值因子为2，即放大倍数为2；

步骤三，扣除低分辨图像和双三次插值后的LL子带中的相同成分而得到不同成分的图像，然后得到估算的LH、HL及HH；

步骤四，将估算的LH、HL及HH分别进行双三次插值，插值因子为b/2。同时对原低分辨图像进行双三次插值，插值因子为b/2；

步骤五，通过小波变换对这些图像进行融合重构，得到高分辨图像。

3.如权利要求1所述的具热图像的智能烹饪控制方法，其特征在于，温度传感器检测烹饪食物温度数据的过程中，初步确定BP网路结构，确定布谷鸟个体编码长度后对布谷鸟进行编码，种群中每个布谷鸟个体都用一个由各网络层间的权值，阈值构造的实数串表示，且每个个体均可以反编码计算得到网路的权值和阈值；

用适应度函数评价每个权、阈值组合方案的优劣，适应度函数F是实际输出和预测输出的误差绝对值；在第t代种群中，随机选取布谷鸟i更新位置，计算位置的适应度函数值F_i；

再随机选取另一布谷鸟个体j，计算它在位置处适应度函数值F_j，如果F_i＞F_j，就使用新解替换原来解；为维持种群规模及其最优状态，生成(n*Pa)个新解用于换掉适应度最差的(n*Pa)个个体；

待算法计算结束后，将适应度函数值最优个体进行反编码操作，得到最优权值、阈值组合，将其用于构造最优的CS-BP算法模型；

对CS-BP算法模型进行网络预测，训练完成后用测试样本数据集带入到模型得到预测输出。

4.如权利要求1所述的具热图像的智能烹饪控制方法，其特征在于，对采集的数据进行分类中，需进行：

输入：混合型数据中的数值型数据和分类型数据两个数据集，聚类个数k；

输出：被标记聚类类别的n样本，即C＝(c₁，c₂，…，c_n)；

步骤一，对输入的数值型数据进行标准化处理，构建数值型数据的高斯核函数矩阵W；

步骤二，对输入的分类型数据利用信息熵公式计算每个分类属性的权重，构建分类型数据的影响因子矩阵F；高斯核函数矩阵W与影响因子矩阵F点乘得到混合数据的相似度矩阵S；

步骤三，根据相似度矩阵S得到度矩阵D，构建拉普拉斯矩阵L；

L＝D-S；

标准化拉普拉斯矩阵得到L′；

L′＝D^-1/2LD^-1/2；

其中：度矩阵D对角元素

步骤四，计算标准化的拉普拉斯矩阵L′的最小的k₁个特征值所对应的特征向量，并对k₁个特征向量组成的矩阵进行标准化处理，最终组成n×k₁维的特征矩阵M；

步骤五，对特征矩阵M使用k-means法进行最终得出被标记聚类类别的n个样本。

5.如权利要求1所述的具热图像的智能烹饪控制方法，其特征在于，烹饪参数设定方法包括：

(1)通过记录程序获取历史烹饪数据；

(2)结合所述历史烹饪数据及设定策略输出推荐烹饪参数或选择当前烹饪参数；其中，所述推荐烹饪参数至少包括预约本次烹饪推荐的起始时间参数；所述当前烹饪参数至少包括预约本次烹饪的起始时间参数。

6.如权利要求5所述的具热图像的智能烹饪控制方法，其特征在于，结合所述历史烹饪数据及设定策略，输出推荐烹饪参数或选择当前烹饪参数，包括：

根据所述历史烹饪数据，统计使用频次最高的历史烹饪参数；

根据所述使用频次最高的历史烹饪参数，输出所述推荐烹饪参数或选择所述当前烹饪参数。

7.如权利要求5所述的具热图像的智能烹饪控制方法，其特征在于，根据所述使用频次最高的历史烹饪参数，输出所述推荐烹饪参数或选择所述当前烹饪参数，包括：

将所述使用频次最高的历史烹饪参数，作为所述推荐烹饪参数输出或设定为所述当前烹饪参数。

8.如权利要求5所述的具热图像的智能烹饪控制方法，其特征在于，根据所述使用频次最高的历史烹饪参数，输出所述推荐烹饪参数或选择所述当前烹饪参数，包括：

根据当前环境参数调整所述使用频次最高的历史烹饪参数，获得调整后的烹饪参数；

将所述调整后的烹饪参数作为所述推荐烹饪参数输出，或设定为所述当前烹饪参数。

9.如权利要求5所述的具热图像的智能烹饪控制方法，其特征在于，结合所述历史烹饪数据及设定策略输出推荐烹饪参数进一步包括：

在进行烹饪的烹饪参数设定时，结合所述历史烹饪数据及设定策略，将所述推荐烹饪参数显示输出在所述烹饪设备自身的设定界面或与所述烹饪设备连接的设定终端的设定界面上。

10.一种实施权利要求1所述具热图像的智能烹饪控制方法的具热图像的智能烹饪控制系统，其特征在于，所述具热图像的智能烹饪控制系统包括：

热图采集模块，与主控模块连接，用于通过红外热像仪采集烹饪食物的热图数据；

温度检测模块，与主控模块连接，用于通过温度传感器检测烹饪食物温度数据；

烹饪参数设定模块，与主控模块连接，用于通过操作按键设定烹饪参数；

主控模块，与热图采集模块、温度检测模块、烹饪参数设定模块、图像处理模块、定时模块、加热模块、搅拌模块、显示模块连接，用于通过单片机控制各个模块正常工作；

图像处理模块，与主控模块连接，用于通过图像处理软件对采集的热图提取轮廓；

定时模块，与主控模块连接，用于通过定时器设定烹饪时间；

加热模块，与主控模块连接，用于通过加热器对烹饪食物进行加热操作；

搅拌模块，与主控模块连接，用于通过搅拌器对烹饪食物进行搅拌操作；

显示模块，与主控模块连接，用于通过显示器显示具热图像的智能烹饪控制系统界面及采集的烹饪食物的热图、温度、时间数据。