CN110084372B - 基于自适应学习的智能菜谱生成方法及智能烹饪方法 - Google Patents
基于自适应学习的智能菜谱生成方法及智能烹饪方法 Download PDFInfo
- Publication number
- CN110084372B CN110084372B CN201910269898.5A CN201910269898A CN110084372B CN 110084372 B CN110084372 B CN 110084372B CN 201910269898 A CN201910269898 A CN 201910269898A CN 110084372 B CN110084372 B CN 110084372B
- Authority
- CN
- China
- Prior art keywords
- cooking
- adaptive
- information
- self
- learning
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于自适应学习的智能菜谱生成方法及智能烹饪方法,该智能菜谱生成方法通过构建自适应烹饪学习训练模型、自适应烹饪知识库以及设置自适应烹饪步骤生成规则,使得可以由自适应烹饪学习训练模型根据用户当前所能使用的适配自适应烹饪学习的烹饪元数据生成匹配用户当前实际烹饪场景情况的智能菜谱。另外,智能烹饪方法不仅可以生成匹配用户当前实际烹饪场景情况的自适应烹饪步骤,而且还可以通过不断接收外界对上一次执行完毕烹饪操作后的效果反馈情况,不断调整优化前期建立的自适应烹饪学习训练模型,从而使得后续再次自适应输出的烹饪步骤信息更加符合用户的实际烹饪要求,满足了用户的个性化烹饪需要。
Description
技术领域
本发明涉及智能烹饪领域,尤其涉及一种基于自适应学习的智能菜谱生成方法及智能烹饪方法。
背景技术
随着智能化在厨电设备中的逐渐普及,如何将菜谱与用户的实际烹饪场景紧密结合起来,并且根据烹饪状态实时指导和反馈真实用户体验信息,成为新的热门研究课题。
由于在实际的烹饪场景中,食材数量、用户的误操作以及厨电设备的烹饪火候等因素无法做严格地量化处理,进而导致用户按照数字菜谱烹饪出来的实际效果与数字菜谱的理想烹饪效果之间往往存在很大的差异。因此,在现有数字菜谱基础上,如何根据烹饪设备、食材情况和调料情况来自适应地调整数字菜谱的烹饪流程,成为烹饪设备向智能化发展急需解决的技术问题。
发明内容
本发明所要解决的第一个技术问题是针对上述现有技术提供一种基于自适应学习的智能菜谱生成方法。
本发明所要解决的第二个技术问题是针对上述现有技术提供一种基于自适应学习的智能烹饪方法。
本发明解决上述第一个技术问题所采用的技术方案为:基于自适应学习的智能菜谱生成方法,其特征在于,包括如下步骤1~步骤6:
步骤1,构建自适应烹饪学习训练模型;其中,所述自适应烹饪学习训练模型具有自适应烹饪学习输入参数和自适应烹饪学习输出参数;所述自适应烹饪学习输入参数为厨电设备信息、食材信息和调料信息,所述自适应烹饪学习输出参数为烹饪步骤信息;
步骤2,构建适配自适应烹饪学习的自适应烹饪知识库;其中,所述自适应烹饪知识库包括厨电设备信息知识库、食材信息知识库和调料信息知识库;
步骤3,设置针对烹饪步骤的自适应烹饪步骤生成规则;
步骤4,获取用户当前所能使用的厨电设备信息、食材信息和调料信息,以将该厨电设备信息、食材信息和调料信息作为适配自适应烹饪学习的烹饪元数据;
步骤5,将所述烹饪元数据作为自适应烹饪学习输入参数输入至所述自适应烹饪学习训练模型,并根据所述自适应烹饪知识库和所述自适应烹饪步骤生成规则,生成针对用户当前所能使用的厨电设备信息、食材信息和调料信息的自适应烹饪步骤;
步骤6,将用户当前所能使用的厨电设备信息、食材信息和调料信息以及生成的所述自适应烹饪步骤作为智能菜谱输出。
改进地,在所述基于自适应学习的智能菜谱生成方法中,所述自适应步骤生成规则中对不同的厨电设备设置了对应的设备保护机制;其中,所述设备保护机制包括该厨电设备所允许的最高温度和最长烹饪时间;或者,所述自适应步骤生成规则设置了食材以及对应适配该食材的调料用量上限值。
再改进,在所述基于自适应学习的智能菜谱生成方法中,所述自适应步骤生成规则对不同类型的食材设置有对应的烹饪步骤参数分布值;其中,所述烹饪步骤参数分布值包括有烹饪食材所含有的烹饪阶段、适配对应烹饪阶段的烹饪时长以及适配对应烹饪阶段的烹饪温度。
进一步地,在所述基于自适应学习的智能菜谱生成方法中,所述厨电设备信息知识库包括烹饪模式、烹饪温度和烹饪时长,所述食材信息知识库包括食材类型、软硬度、密度和成熟度,所述调料信息知识库包括调料的颜色、味道和融点。
本发明解决上述第二个技术问题所采用的技术方案为:基于自适应学习的智能烹饪方法,其特征在于,包括如下步骤S1~步骤S6:
步骤S1,构建自适应烹饪学习训练模型;其中,所述自适应烹饪学习训练模型具有自适应烹饪学习输入参数和自适应烹饪学习输出参数;所述自适应烹饪学习输入参数为厨电设备信息、食材信息和调料信息,所述自适应烹饪学习输出参数为烹饪步骤信息;
步骤S2,构建适配自适应烹饪学习的自适应烹饪知识库;其中,所述自适应烹饪知识库包括厨电设备信息知识库、食材信息知识库和调料信息知识库;
步骤S3,设置针对烹饪步骤的自适应烹饪步骤生成规则;
步骤S4,获取用户当前所能使用的厨电设备信息、食材信息和调料信息,以将该厨电设备信息、食材信息和调料信息作为适配自适应烹饪学习的烹饪元数据;
步骤S5,将所述烹饪元数据作为自适应烹饪学习输入参数输入至所述自适应烹饪学习训练模型,并根据所述自适应烹饪知识库和所述自适应烹饪步骤生成规则,生成针对用户当前所能使用的厨电设备信息、食材信息和调料信息的自适应烹饪步骤;
步骤S6,根据生成的所述自适应烹饪步骤执行烹饪操作。
改进地,在所述基于自适应学习的智能烹饪方法中,步骤S6之后包括:接收对所述自适应烹饪步骤中的烹饪步骤顺序出现错误的烹饪步骤异常信息反馈,并根据接收的烹饪步骤异常信息优化所述自适应烹饪学习训练模型的步骤。
进一步地,在所述基于自适应学习的智能烹饪方法中,优化所述自适应烹饪学习训练模型的过程包括如下步骤a1~步骤a4:
步骤a1,统计被反馈出现异常信息的各烹饪步骤出现错误的次数;
步骤a2,按照统计的次数从大到小的顺序,对被反馈出现异常信息的各烹饪步骤做降序排列;
步骤a3,按照优先级从高到低的顺序,分别对降序排列后的各烹饪步骤赋予对应级别的优先级;
步骤a4,按照优先级高低的顺序,依次将经降序排列后的各烹饪步骤对应地调整至所述自适应烹饪步骤中的各步骤异常所在的位置,并将经当前调整处理后的完整烹饪步骤作为自适应烹饪学习训练模型所输出的最新烹饪步骤信息。
可选择地,在所述基于自适应学习的智能烹饪方法中,所述烹饪步骤异常信息由厨电设备或者用户进行反馈。
再改进,在所述基于自适应学习的智能烹饪方法中,步骤S6之后还包括:实时获取用户当前所能使用的厨电设备信息、食材信息和调料信息,将该厨电设备信息、食材信息和调料信息作为适配自适应烹饪学习的实时烹饪元数据,并将所述实时烹饪元数据再次作为自适应烹饪学习输入参数执行步骤S5以生成实时的自适应烹饪步骤,以指导用户的烹饪操作。
进一步地,所述厨电设备信息知识库包括烹饪模式、烹饪温度和烹饪时长,所述食材信息知识库包括食材类型、软硬度、密度和成熟度,所述调料信息知识库包括调料的颜色、味道和融点。
与现有技术相比,本发明的优点在于:
首先,在本发明的智能菜谱生成方法中,通过提前构建自适应烹饪学习训练模型、自适应烹饪知识库以及设置自适应烹饪步骤生成规则,使得自适应烹饪学习训练模型可以根据用户的实际烹饪场景(即当前所能使用的适配自适应烹饪学习的烹饪元数据)生成匹配用户当前实际烹饪场景情况的智能菜谱;另外,该智能菜谱生成方法还可以根据对自适应烹饪步骤中的烹饪步骤顺序出现错误的烹饪步骤异常信息反馈,优化该自适应烹饪学习训练模型;
其次,本发明的智能烹饪方法不仅可以利用构建的自适应烹饪学习训练模型、自适应烹饪知识库以及设置自适应烹饪步骤生成规则,生成匹配用户当前实际烹饪场景(用户所实际能够使用的厨电设备、食材和调料这些烹饪元数据)的自适应烹饪步骤,而且还可以通过不断接收外界(例如是厨电设备或者用户)对上一次执行完毕烹饪操作后的效果反馈情况,不断调整优化前期建立的自适应烹饪学习训练模型,从而使得后续再次输出的烹饪步骤信息更加符合用户的实际烹饪要求,满足了用户的个性化烹饪需要;
最后,本发明的智能烹饪方法还可以根据用户的实时烹饪场景,达到实时地指导用户烹饪操作的效果。
附图说明
图1为本发明实施例中基于自适应学习的智能菜谱生成方法流程示意图;
图2为本发明实施例中基于自适应学习的智能烹饪方法流程示意图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
参见图1所示,本实施例提供一种基于自适应学习的智能菜谱生成方法,该智能菜谱生成方法包括如下步骤1~步骤6:
步骤1,构建自适应烹饪学习训练模型;其中,这里的自适应烹饪学习训练模型具有自适应烹饪学习输入参数和自适应烹饪学习输出参数;自适应烹饪学习输入参数为厨电设备信息、食材信息和调料信息,自适应烹饪学习输出参数为烹饪步骤信息;该自适应烹饪学习训练模型可以采用ResNet-34方式或者VGG-19方式生成;
步骤2,构建适配自适应烹饪学习的自适应烹饪知识库;其中,自适应烹饪知识库包括厨电设备信息知识库、食材信息知识库和调料信息知识库;例如,这里的厨电设备信息知识库包括烹饪模式、烹饪温度和烹饪时长等信息,食材信息知识库包括食材类型、软硬度、密度和成熟度等信息,调料信息知识库包括调料的颜色、味道和融点等信息;
步骤3,设置针对烹饪步骤的自适应烹饪步骤生成规则;
步骤4,获取用户当前所能使用的厨电设备信息、食材信息和调料信息,以将该厨电设备信息、食材信息和调料信息作为适配自适应烹饪学习的烹饪元数据;
例如,可以利用图像识别技术来对厨电设备、食材和调料做出识别,以确定各对象的类型信息和数量信息;
步骤5,将烹饪元数据作为自适应烹饪学习输入参数输入至自适应烹饪学习训练模型,并根据已经构建的自适应烹饪知识库和自适应烹饪步骤生成规则,生成针对用户当前所能使用的厨电设备信息、食材信息和调料信息的自适应烹饪步骤;
步骤6,将用户当前所能使用的厨电设备信息、食材信息和调料信息以及生成的所述自适应烹饪步骤作为智能菜谱输出。至此,就完成了针对用户当前所能使用的厨电设备、食材和调料,自适应地生成智能菜谱的过程。
当然,在本实施例的步骤3中,自适应步骤生成规则中还可以对不同的厨电设备设置对应的设备保护机制;其中,设备保护机制包括该厨电设备所允许的最高温度和最长烹饪时间;或者,自适应步骤生成规则设置了食材以及对应适配该食材的调料用量上限值。也就是说,针对每一种类的食材,设置有允许填加的某一个调料的最大用量(即调料用量上限值)。例如,针对食材A,在该自适应步骤生成规则中,只允许配合使用最大用量为M的调料,以此确保后续所烹饪出食材的味道或者用户的食用安全。
当然,在该自适应步骤生成规则中,也可以对不同类型的食材设置有对应的烹饪步骤参数分布值;其中,烹饪步骤参数分布值包括有烹饪食材所含有的烹饪阶段、适配对应烹饪阶段的烹饪时长以及适配对应烹饪阶段的烹饪温度。
需要说明的是,本实施例中该智能菜谱生成方法的各步骤可以由厨电设备(例如,烹饪设备)执行,也可以由移动终端(例如用户的智能手机或者平板电脑)去执行,更可以由云端服务器与厨电设备或移动终端配合执行,以生成所需要的智能菜谱。例如,可以根据需要,选择由厨电设备与云端服务器一起配合执行。比如说,步骤1至步骤3以及步骤5和步骤6均由云端服务器执行,而步骤4则由厨电设备或者移动终端(例如用户的智能手机或者平板电脑)去执行。当然,这里的厨电设备需要与云端服务器建立通信连接。
参见图2所示,本实施例还提供一种基于自适应学习的智能烹饪方法,该智能烹饪方法包括如下步骤S1~步骤S6:
步骤S1,构建自适应烹饪学习训练模型;其中,自适应烹饪学习训练模型具有自适应烹饪学习输入参数和自适应烹饪学习输出参数;自适应烹饪学习输入参数为厨电设备信息、食材信息和调料信息,自适应烹饪学习输出参数为烹饪步骤信息;这里的自适应烹饪学习训练模型可以采用ResNet-34方式或者VGG-19方式生成;
步骤S2,构建适配自适应烹饪学习的自适应烹饪知识库;其中,自适应烹饪知识库包括厨电设备信息知识库、食材信息知识库和调料信息知识库;例如,厨电设备信息知识库包括烹饪模式、烹饪温度和烹饪时长等信息,食材信息知识库包括食材类型、软硬度、密度和成熟度等信息,调料信息知识库包括调料的颜色、味道和融点等信息;
步骤S3,设置针对烹饪步骤的自适应烹饪步骤生成规则;
步骤S4,获取用户当前所能使用的厨电设备信息、食材信息和调料信息,以将该厨电设备信息、食材信息和调料信息作为适配自适应烹饪学习的烹饪元数据;例如,可以利用图像识别技术来对厨电设备、食材和调料做出识别,以确定各对象的类型信息和数量信息;
步骤S5,将烹饪元数据作为自适应烹饪学习输入参数输入至自适应烹饪学习训练模型,并根据已经构建的自适应烹饪知识库和自适应烹饪步骤生成规则,生成针对用户当前所能使用的厨电设备信息、食材信息和调料信息的自适应烹饪步骤;
步骤S6,根据生成的自适应烹饪步骤执行烹饪操作。
需要说明的是,在本实施例的步骤S3中,其自适应步骤生成规则中还可以对不同的厨电设备设置对应的设备保护机制。其中,设备保护机制包括该厨电设备所允许的最高温度和最长烹饪时间;或者,该自适应步骤生成规则设置食材以及对应适配该食材的调料用量上限值。也就是说,针对每一种类的食材,设置有允许填加的某一个调料的最大用量(即用量上限值)。例如,针对食材A,在该自适应步骤生成规则设置中,只允许配合使用最大用量为M的调料,以此确保后续所烹饪出食材的味道或者用户的食用安全。当然,在该自适应步骤生成规则中,也可以对不同类型的食材设置有对应的烹饪步骤参数分布值。其中,烹饪步骤参数分布值包括有烹饪食材所含有的烹饪阶段、适配对应烹饪阶段的烹饪时长以及适配对应烹饪阶段的烹饪温度。
为了不断提高该自适应烹饪方法的烹饪准确度,提高用户的烹饪体验效果,步骤S6之后还可以进一步包括:接收对自适应烹饪步骤中的烹饪步骤顺序出现错误的烹饪步骤异常信息反馈,并根据接收的烹饪步骤异常信息优化该自适应烹饪学习训练模型的步骤。烹饪步骤异常信息可以由厨电设备或者用户进行反馈。也就是说,可以通过不断接收外界(例如是厨电设备或者用户)对上一次执行完毕烹饪操作后的效果反馈情况,来不断调整优化前期建立的自适应烹饪学习训练模型,从而使得后续再次自适应输出的烹饪步骤信息更加符合用户的实际烹饪要求,也就满足了用户的个性化烹饪需要。具体地,优化该自适应烹饪学习训练模型的过程包括如下步骤a1~步骤a4:
步骤a1,统计被反馈出现异常信息的各烹饪步骤出现错误的次数;
步骤a2,按照统计的次数从大到小的顺序,对被反馈出现异常信息的各烹饪步骤做降序排列;
步骤a3,按照优先级从高到低的顺序,分别对降序排列后的各烹饪步骤赋予对应级别的优先级;
步骤a4,按照优先级高低的顺序,依次将经降序排列后的各烹饪步骤对应地调整至所述自适应烹饪步骤中的各步骤异常所在的位置,并将经当前调整处理后的完整烹饪步骤作为自适应烹饪学习训练模型所输出的最新烹饪步骤信息。
为了便于理解此处对该自适应烹饪学习训练模型的优化过程,举例说明如下:
首先,假设前期经步骤S5生成的自适应烹饪步骤顺序依次为步骤a1、步骤a2、步骤a3、步骤a4和步骤a5;
其次,经执行烹饪操作后,接收到的被反馈出现异常信息的烹饪步骤情况如下:
步骤a1正常;
步骤a2错误,反馈出现错误的次数为5次;
步骤a3错误,反馈出现错误的次数为10次;
步骤a4错误,反馈出现错误的次数为8次;
步骤a5正常;
然后,按照统计次数从大到小的顺序,对被反馈出现异常信息的各烹饪步骤做降序排列;具体地,此处经降序排列后的烹饪步骤顺序为:步骤a3、步骤a4、步骤a2;
再然后,按照优先级从高到低的顺序,分别对降序排列的烹饪步骤赋予对应级别的优先级;即步骤a3具有最高优先级,步骤a4具有较高优先级,步骤a2具有最低优先级;
最后,按照优先级高低的顺序,依次将经降序排列后的各烹饪步骤(步骤a3、步骤a4、步骤a2)对应地调整至所述自适应烹饪步骤中的各步骤异常所在的位置(即原来出现异常的位置是步骤a2位置、步骤a3),并将经当前调整处理后的完整烹饪步骤(即烹饪前后顺序为:步骤a1、步骤a3、步骤a4、步骤a2、步骤a5)作为自适应烹饪学习训练模型所输出的最新烹饪步骤信息。
当然,通过不断的接收外界对上一次执行完毕烹饪操作后的效果反馈情况,就可以不断地调整自适应烹饪学习训练模型输出的烹饪步骤信息,从而最终得到一个非常准确地烹饪步骤信息,以供后续烹饪使用。
为了可以根据用户的实时烹饪场景,达到实时地指导用户烹饪操作的目的,在该智能烹饪方法的步骤S6之后还可以进一步实时获取用户当前所能使用的厨电设备信息、食材信息和调料信息,将该厨电设备信息、食材信息和调料信息作为适配自适应烹饪学习的实时烹饪元数据,并将所实时烹饪元数据再次作为自适应烹饪学习输入参数执行步骤S5以生成实时的自适应烹饪步骤,以指导用户的烹饪操作。
需要补充说明的是,本实施例中该智能烹饪方法的各步骤可以由厨电设备(例如,烹饪设备)执行,也可以由厨电设备与移动终端(例如用户的智能手机或者平板电脑)配合执行,更可以云端服务器与厨电设备配合执行,以由厨电设备根据生成的自适应烹饪步骤执行烹饪操作。例如,可以选择由厨电设备与云端服务器一起配合执行,步骤S1、步骤S2、步骤S3和步骤S5由云端服务器执行,步骤S4和步骤S6由厨电设备去执行。其中,这里的厨电设备需要与云端服务器建立通信连接。
Claims (8)
1.基于自适应学习的智能菜谱生成方法,其特征在于,包括如下步骤1~步骤6:
步骤1,构建自适应烹饪学习训练模型;其中,所述自适应烹饪学习训练模型具有自适应烹饪学习输入参数和自适应烹饪学习输出参数;所述自适应烹饪学习输入参数为厨电设备信息、食材信息和调料信息,所述自适应烹饪学习输出参数为烹饪步骤信息;
步骤2,构建适配自适应烹饪学习的自适应烹饪知识库;其中,所述自适应烹饪知识库包括厨电设备信息知识库、食材信息知识库和调料信息知识库;
步骤3,设置针对烹饪步骤的自适应烹饪步骤生成规则;
步骤4,获取用户当前所能使用的厨电设备信息、食材信息和调料信息,以将该厨电设备信息、食材信息和调料信息作为适配自适应烹饪学习的烹饪元数据;
步骤5,将所述烹饪元数据作为自适应烹饪学习输入参数输入至所述自适应烹饪学习训练模型,并根据所述自适应烹饪知识库和所述自适应烹饪步骤生成规则,生成针对用户当前所能使用的厨电设备信息、食材信息和调料信息的自适应烹饪步骤;
步骤6,将用户当前所能使用的厨电设备信息、食材信息和调料信息以及生成的所述自适应烹饪步骤作为智能菜谱输出;
其中,在步骤3中,自适应烹饪步骤生成规则中对不同的厨电设备设置了对应的设备保护机制,该设备保护机制包括该厨电设备所允许的最高温度和最长烹饪时间;或者,自适应烹饪步骤生成规则设置了食材以及对应适配该食材的调料用量上限值;或者,自适应烹饪步骤生成规则对不同类型的食材设置有对应的烹饪步骤参数分布值,该烹饪步骤参数分布值包括有烹饪食材所含有的烹饪阶段、适配对应烹饪阶段的烹饪时长以及适配对应烹饪阶段的烹饪温度。
2.根据权利要求1所述的基于自适应学习的智能菜谱生成方法,其特征在于,所述厨电设备信息知识库包括烹饪模式、烹饪温度和烹饪时长,所述食材信息知识库包括食材类型、软硬度、密度和成熟度,所述调料信息知识库包括调料的颜色、味道和融点。
3.基于自适应学习的智能烹饪方法,其特征在于,包括如下步骤S1~步骤S6:
步骤S1,构建自适应烹饪学习训练模型;其中,所述自适应烹饪学习训练模型具有自适应烹饪学习输入参数和自适应烹饪学习输出参数;所述自适应烹饪学习输入参数为厨电设备信息、食材信息和调料信息,所述自适应烹饪学习输出参数为烹饪步骤信息;
步骤S2,构建适配自适应烹饪学习的自适应烹饪知识库;其中,所述自适应烹饪知识库包括厨电设备信息知识库、食材信息知识库和调料信息知识库;
步骤S3,设置针对烹饪步骤的自适应烹饪步骤生成规则;
步骤S4,获取用户当前所能使用的厨电设备信息、食材信息和调料信息,以将该厨电设备信息、食材信息和调料信息作为适配自适应烹饪学习的烹饪元数据;
步骤S5,将所述烹饪元数据作为自适应烹饪学习输入参数输入至所述自适应烹饪学习训练模型,并根据所述自适应烹饪知识库和所述自适应烹饪步骤生成规则,生成针对用户当前所能使用的厨电设备信息、食材信息和调料信息的自适应烹饪步骤;
步骤S6,根据生成的所述自适应烹饪步骤执行烹饪操作;
其中,在步骤S3中,自适应烹饪步骤生成规则中对不同的厨电设备设置了对应的设备保护机制,该设备保护机制包括该厨电设备所允许的最高温度和最长烹饪时间;或者,自适应烹饪步骤生成规则设置了食材以及对应适配该食材的调料用量上限值;或者,自适应烹饪步骤生成规则对不同类型的食材设置有对应的烹饪步骤参数分布值,该烹饪步骤参数分布值包括有烹饪食材所含有的烹饪阶段、适配对应烹饪阶段的烹饪时长以及适配对应烹饪阶段的烹饪温度。
4.根据权利要求3所述的基于自适应学习的智能烹饪方法,其特征在于,步骤S6之后包括:接收针对所述自适应烹饪步骤中出现错误的烹饪步骤的烹饪步骤异常信息反馈,并根据接收的烹饪步骤异常信息优化所述自适应烹饪学习训练模型。
5.根据权利要求3所述的基于自适应学习的智能烹饪方法,其特征在于,优化所述自适应烹饪学习训练模型的过程包括如下步骤a1~步骤a4:
步骤a1,统计被反馈出现异常信息的各烹饪步骤出现错误的次数;
步骤a2,按照统计的次数从大到小的顺序,对被反馈出现异常信息的各烹饪步骤做降序排列;
步骤a3,按照优先级从高到低的顺序,分别对降序排列后的各烹饪步骤赋予对应级别的优先级;
步骤a4,按照优先级高低的顺序,依次将经降序排列后的各烹饪步骤对应地调整至所述自适应烹饪步骤中的各步骤异常所在的位置,并将经当前调整处理后的完整烹饪步骤作为自适应烹饪学习训练模型所输出的最新烹饪步骤信息。
6.根据权利要求4所述的基于自适应学习的智能烹饪方法,其特征在于,所述烹饪步骤异常信息由厨电设备或者用户进行反馈。
7.根据权利要求3~6任一项所述的基于自适应学习的智能烹饪方法,其特征在于,步骤S6之后还包括:实时获取用户当前所能使用的厨电设备信息、食材信息和调料信息,将该厨电设备信息、食材信息和调料信息作为适配自适应烹饪学习的实时烹饪元数据,并将所述实时烹饪元数据再次作为自适应烹饪学习输入参数执行步骤S5以生成实时的自适应烹饪步骤,以指导用户的烹饪操作。
8.根据权利要求3~6任一项所述的基于自适应学习的智能烹饪方法,其特征在于,所述厨电设备信息知识库包括烹饪模式、烹饪温度和烹饪时长,所述食材信息知识库包括食材类型、软硬度、密度和成熟度,所述调料信息知识库包括调料的颜色、味道和融点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910269898.5A CN110084372B (zh) | 2019-04-04 | 2019-04-04 | 基于自适应学习的智能菜谱生成方法及智能烹饪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910269898.5A CN110084372B (zh) | 2019-04-04 | 2019-04-04 | 基于自适应学习的智能菜谱生成方法及智能烹饪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110084372A CN110084372A (zh) | 2019-08-02 |
CN110084372B true CN110084372B (zh) | 2023-06-20 |
Family
ID=67414335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910269898.5A Active CN110084372B (zh) | 2019-04-04 | 2019-04-04 | 基于自适应学习的智能菜谱生成方法及智能烹饪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084372B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110855920A (zh) * | 2019-10-17 | 2020-02-28 | 佛山市云米电器科技有限公司 | 一种进行菜谱录制的方法、装置及其灶具 |
WO2021098427A1 (zh) * | 2019-11-20 | 2021-05-27 | 广东美的厨房电器制造有限公司 | 烹饪设备的控制方法、装置、烹饪设备及存储介质 |
CN112401630A (zh) * | 2020-10-23 | 2021-02-26 | 华帝股份有限公司 | 一种辅助烹饪方法和装置 |
CN113051295A (zh) * | 2021-03-18 | 2021-06-29 | 北京八禾臻食品科技有限公司 | 一种获取数字菜谱的方法、装置及智能烹饪设备 |
CN112963872A (zh) * | 2021-03-18 | 2021-06-15 | 北京八禾臻食品科技有限公司 | 一种获取数字菜谱的方法、装置及微波炉 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106955013A (zh) * | 2017-03-30 | 2017-07-18 | 上海斐讯数据通信技术有限公司 | 一种智能厨房烹饪系统及智能辅助烹饪的方法 |
CN107563124A (zh) * | 2017-09-28 | 2018-01-09 | 珠海格力电器股份有限公司 | 菜谱数据的推送方法、装置和系统、存储介质及处理器 |
CN108717275A (zh) * | 2018-05-16 | 2018-10-30 | 北京豆果信息技术有限公司 | 一种菜谱与智能厨电自动匹配方法 |
CN108848589A (zh) * | 2018-06-20 | 2018-11-20 | 广东威特真空电子制造有限公司 | 烹饪设备及其烹饪方法和烹饪装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10796456B2 (en) * | 2016-04-03 | 2020-10-06 | Eliza Yingzi Du | Photorealistic human holographic augmented reality communication with interactive control in real-time using a cluster of servers |
CN108074634B (zh) * | 2017-07-20 | 2021-12-10 | 宁波方太厨具有限公司 | 一种基于烹饪设备的菜谱生成方法 |
CN107862018B (zh) * | 2017-10-30 | 2020-03-06 | 珠海格力电器股份有限公司 | 食材烹饪方法的推荐方法及装置 |
CN107912964A (zh) * | 2017-11-07 | 2018-04-17 | 佛山市云米电器科技有限公司 | 智能烹饪的方法及装置 |
CN109360559A (zh) * | 2018-10-23 | 2019-02-19 | 三星电子(中国)研发中心 | 多智能设备同时存在时处理语音指令的方法和系统 |
-
2019
- 2019-04-04 CN CN201910269898.5A patent/CN110084372B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106955013A (zh) * | 2017-03-30 | 2017-07-18 | 上海斐讯数据通信技术有限公司 | 一种智能厨房烹饪系统及智能辅助烹饪的方法 |
CN107563124A (zh) * | 2017-09-28 | 2018-01-09 | 珠海格力电器股份有限公司 | 菜谱数据的推送方法、装置和系统、存储介质及处理器 |
CN108717275A (zh) * | 2018-05-16 | 2018-10-30 | 北京豆果信息技术有限公司 | 一种菜谱与智能厨电自动匹配方法 |
CN108848589A (zh) * | 2018-06-20 | 2018-11-20 | 广东威特真空电子制造有限公司 | 烹饪设备及其烹饪方法和烹饪装置 |
Non-Patent Citations (2)
Title |
---|
Hanna Kicherer 等.What you use, not what you do: Automatic classification and similarity detection of recipes.《Data & Knowledge Engineering》.2018,第117卷全文. * |
高光谱成像检测煎制中调理牛肉品质的变化;谢安国 等;《食品与机械》;第34卷(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110084372A (zh) | 2019-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084372B (zh) | 基于自适应学习的智能菜谱生成方法及智能烹饪方法 | |
CN104879888A (zh) | 家电参数的自动设置方法及装置 | |
CN105981999A (zh) | 自动烹饪方法、系统,智能烹饪设备和智能烤箱 | |
CN105559614A (zh) | 电饭煲的控制方法、系统和云服务器 | |
KR20140009074A (ko) | 동기화 애플리케이션들에 대한 스마트 스케줄링 동기화 방법 및 모바일 디바이스 | |
CN105278378A (zh) | 信息提示方法和装置 | |
CN106157190A (zh) | 菜谱推送方法、菜谱接收方法、服务器和烹饪设备 | |
CN109602268B (zh) | 一种烹饪参数的调整方法及加热设备 | |
CN107870571A (zh) | 控制智能设备的方法、装置以及智能设备 | |
CN110446288A (zh) | 功率调整因子的获取方法及装置 | |
CN111754118A (zh) | 基于自适应学习的智能菜谱优化系统 | |
CN111603024B (zh) | 一种烹饪指令编码与烹饪设备的自动适配方法 | |
CN204839076U (zh) | 一种烹饪器具 | |
CN114266959A (zh) | 食材的烹饪方法及装置、存储介质、电子装置 | |
CN110035015A (zh) | 一种优化级联Retimer链路协商过程的方法 | |
KR102481162B1 (ko) | 사물 인터넷에서의 구독 데이터 푸시 방법 및 장치, 그 디바이스 및 저장 매체 | |
CN112773173A (zh) | 烹饪控制方法、装置、及炒菜机 | |
CN109164714A (zh) | 一种可编辑食谱的自动烹饪机的控制方法及装置 | |
CN111338264B (zh) | 电器自动设置参数的方法及电器 | |
CN111968361B (zh) | 一种红外重复码学习方法及应用于物联网的红外遥控系统 | |
CN106454323B (zh) | 用以最佳化相片或多媒体的方法及其系统与电子装置 | |
CN105096553A (zh) | 无线电器的控制方法 | |
CN110765309B (zh) | 一种基于参数配置的推荐系统召回方法及系统 | |
CN110618709B (zh) | 烹饪器具的控制方法、控制装置、控制系统及烹饪器具 | |
CN103984259B (zh) | 电控装置、电控电器、电控系统及电控方法 |
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 |