CN110163788A - 基于人工智能的厨房监控方法 - Google Patents

Abstract

本发明实施例涉及计算机技术人工智能领域，具体涉及基于人工智能的厨房监控方法。通过获取厨房设备图像，将获取到的厨房设备图像输入至预先训练的厨房设备监控模型，得到厨房设备对应的参数，参数包括厨房设备的类型和运行状态，从而提高了厨房监控的自动化程度、智能化程度、准确率和效率。

Description

基于人工智能的厨房监控方法

技术领域

本申请实施例涉及计算机技术人工智能领域，具体涉及基于人工智能的厨房监控方法和装置。

背景技术

随着人工智能技术的发展，图像识别技术得到了广泛的应用。图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。图像识别的发展经历了三个阶段：文字识别、数字图像处理与识别、物体识别。

随着家用电器的大规模普及，厨房作为家居生活的重点地带，也顺应了这个的趋势。然而，家用电器在给用户的家居生活带来了方便的同时，也存在着许多不便，比如伴随着智能化程度较低、设备老化或操作不当引起的安全隐患或管理不当，等等。

因此，如何实现厨房设备的实时监控，在厨房无人的状态下或操作不当的情况避免危害的发生保障安全或减少浪费，成为目前亟待解决的技术问题。

发明内容

本申请实施例提出了一种基于人工智能的厨房监控方法和装置。

第一方面，本申请实施例提供了一种基于人工智能的厨房监控方法，包括：

获取厨房设备图像；

将获取到的厨房设备图像输入至预先训练的厨房设备监控模型，得到厨房设备对应的参数，参数包括厨房设备的类型和运行状态。

在一些实施例中，该方法包括：基于参数计算对应的运行时间。

在一些实施例中，该方法包括：基于参数和运行时间，按照预设置采取对应的预设动作。

在一些实施例中，运行状态包括燃烧状态超过预设条件，燃烧状态包括燃烧时间、燃烧范围、燃烧温度。

在一些实施例中，运行状态包括厨房设备对应的安全状态，安全状态包括符合预设标准的容易坠落、儿童靠近、儿童操作和/或操作人员的安全状态。

在一些实施例中，预先训练的厨房设备监控模型通过如下步骤训练得到：

采集预设厨房设备的样本图像；

通过预设方法对采集到的样本图像进行标定，得到已知识别结果；

利用机器学习方法，将样本图像作为输入，将该样本图像对应的已知识别结果作为输出，对预先训练的通用监控模型进行训练得到厨房设备监控模型。

在一些实施例中，通过预设方法对采集到的样本图像进行标定，得到已知识别结果，包括如下步骤：

将预设厨房设备调整到预设的运行状态；

将标记牌放置到厨房设备对应的预设图像区域内；

获取带有标记牌的厨房设备图像；

将厨房设备图像输入至预先训练的标记模型，得到已知识别结果。

在一些实施例中，预先训练的通用监控模型通过如下步骤训练得到：

获取样本数据集合，其中，样本数据集合中的每个样本数据包括样本厨房设备图像和已知识别结果，已知识别结果包括厨房设备的预设类型和预设运行状态。

利用机器学习方法，将样本厨房设备图像作为输入，将该样本输入数据对应的已知识别结果作为输出，对预设的初始模型进行训练得到模型。

第二方面，本申请实施例提供了一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如本发明实施例中任一所述的方法。

第三方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如本发明实施例中任一所述的方法。

第四方面，本申请实施例提供了一种基于人工智能的厨房监控装置，其特征在于，包括：

图像获取单元，被配置成用于获取厨房设备图像；

参数监控单元，被配置成用于将获取到的厨房设备图像输入至预先训练的厨房设备监控模型，得到厨房设备对应的参数，参数包括厨房设备的类型和运行状态。

在一些实施例中，该装置包括：

时间计算单元，被配置成用于基于参数计算对应的运行时间。

在一些实施例中，该装置包括：

动作执行单元，被配置成用于基于参数和运行时间，按照预设置采取对应的预设动作。

在一些实施例中，运行状态包括燃烧状态超过预设条件，燃烧状态包括燃烧时间、燃烧范围、燃烧温度。

在一些实施例中，运行状态包括厨房设备对应的安全状态，安全状态包括符合预设标准的容易坠落、儿童靠近、儿童操作和/或操作人员的安全状态。

在一些实施例中，预先训练的厨房设备监控模型通过如下步骤训练得到：

采集预设厨房设备的样本图像；

通过预设方法对采集到的样本图像进行标定，得到已知识别结果；

利用机器学习方法，将样本图像作为输入，将该样本图像对应的已知识别结果作为输出，对预先训练的通用监控模型进行训练得到厨房设备监控模型。

在一些实施例中，通过预设方法对采集到的样本图像进行标定，得到已知识别结果，包括如下步骤：

将预设厨房设备调整到预设的运行状态；

将标记牌放置到厨房设备对应的预设图像区域内；

获取带有标记牌的厨房设备图像；

将厨房设备图像输入至预先训练的标记模型，得到已知识别结果。

在一些实施例中，预先训练的通用监控模型通过如下步骤训练得到：

获取样本数据集合，其中，样本数据集合中的每个样本数据包括样本厨房设备图像和已知识别结果，已知识别结果包括厨房设备的预设类型和预设运行状态。

利用机器学习方法，将样本厨房设备图像作为输入，将该样本输入数据对应的已知识别结果作为输出，对预设的初始模型进行训练得到模型。

第五方面，本申请实施例提供了一种系统，包括如本发明实施例中任一所述的装置。

第六方面，本申请实施例提供了一种视频设备，包括如本发明实施例中任一所述的装置。

本申请实施例提供的基于人工智能的厨房监控方法和装置，通过获取厨房设备图像，将获取到的厨房设备图像输入至预先训练的厨房设备监控模型，得到厨房设备对应的参数，参数包括厨房设备的类型和运行状态，从而提高了厨房监控的自动化程度、智能化程度、准确率和效率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的基基于人工智能的厨房监控方法的一个实施例的流程图；

图3是根据本申请的基于人工智能的厨房监控方法的一个应用场景的示意图；

图4是根据本申请的基于人工智能的厨房监控方法和装置相关的各种模型的又一个实施例的流程图；

图5是根据本申请的基于人工智能的厨房监控装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

需要说明的是，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

需要说明的是，本文中术语“预设”， 表示预先设置的、预先设定的、预先选取的、预先规定的或预先训练的这几种含义。一般来说，预设模型指预先训练的模型，预设路线指预先设置的路线，预设规则指预先设置的规则，预设置指预先设定的设置，预设厨房设备指预先选取的厨房设备。

图1示出了可以应用本申请的基于人工智能的厨房监控方法和装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备101、102或103上可以安装有雷达（例如红外激光雷达）、语音设备（例如麦克风、喇叭、扬声器等）、成像设备（摄像头、图形/图像扫描装置等）、显像设备(例如显示屏、投影仪、投屏设备、AR/VR设备、裸眼3D显像设备例如激光成像等)、文本输入类应用、空间物体识别类应用、图像物体识别类应用、语音识别类应用等。用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于照相机、摄像机、智能手机、无人机等各种飞行器、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103发送的目标图像进行分析和处理，生成与目标图像对应的参数的厨房设备监控服务器。厨房设备监控服务器可以对获取到的目标图像进行分析处理，如有必要则确定与目标图像对应的预处理信息，然后对所确定的信息进行处理，从而生成与目标图像对应的参数。

需要说明的是，本申请实施例所提供的基于人工智能的厨房监控方法可以由服务器105执行，相应地，基于人工智能的厨房监控装置在此时设置于服务器105中。

需要指出的是，服务器105的本地也可以获取和/或存储有待提取参数的图像，服务器105可以直接获取图像或提取本地的待提取参数的图像，此时，示例性系统架构100可以不包括终端设备101、102、103和网络104。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的基于人工智能的厨房监控方法也常常由终端设备101、102或103执行，相应地，此时基于人工智能的厨房监控装置设置于终端设备101、102或103中。

需要指出的是，终端设备101、102或103的本地也可以获取和/或存储有待提取参数的图像，终端设备101、102或103可以直接获取图像或提取本地的待提取参数的图像，此时，示例性系统架构100可以不包括服务器105和网络104。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的基于人工智能的厨房监控方法的一个实施例的流程200。基于人工智能的厨房监控方法，包括以下步骤：

步骤201，获取厨房设备图像。

在本实施例中，基于人工智能的厨房监控方法的执行主体(例如图1所示的智能终端)可以通过图像采集单元获取厨房设备图像，或通过有线连接方式或者无线连接的方式从其他终端设备读取用于待提取参数的厨房设备图像或接收其他终端发送的用于待提取参数的厨房设备图像。在这里，上述执行主体可以对厨房设备图像进行预处理，预处理包括对目标图像进行灰度化、二值化、去噪声和/或归一化处理。在这里，图像包括图像、视频、三维空间数据等，也包括二维或三维形式的图像。

在一些可选的实现方式中，对目标图像的预处理在获取第一图像前已经完成。

在一些可选的实现方式中， 预处理包括物体识别、目标检测、物体图像提取和/或图像分割。

步骤202，将获取到的厨房设备图像输入至预先训练的厨房设备监控模型，得到厨房设备对应的参数，参数包括厨房设备的类型和运行状态。

在本实施例中，基于人工智能的厨房监控方法的执行主体(例如图1所示的智能终端)可以通过将获取到的厨房设备图像输入至预先训练的厨房设备监控模型，得到厨房设备对应的参数，参数包括厨房设备的类型和运行状态。在这里，运行状态包括以下可以通过图像识别的状态之一或任意组合：

设备机械结构的打开或闭合；

功能的运行与停止；

故障信息；

起火；

异常状态，例如沸腾、溢出物；

加热状态；

清洁程度；

温度；

设备运行时间超过预设条件。

在一些可选的实现方式中，上述执行主体对厨房设备图像进行物体识别，之后基于物体识别结果提取出物体图像，并对提取出的物体图像逐个进行识别。

在一些可选的实现方式中，运行状态包括燃烧状态超过预设条件，燃烧状态包括燃烧时间、燃烧范围、燃烧温度。

在一些可选的实现方式中，运行状态包括厨房设备对应的安全状态，安全状态包括符合预设标准的容易坠落、儿童靠近、儿童操作和/或操作人员的安全状态。

步骤203，基于参数计算对应的运行时间。

在本实施例中，基于人工智能的厨房监控方法的执行主体(例如图1所示的智能终端)可以基于参数计算对应的运行时间。例如燃烧状态持续的时间。

步骤204，基于参数和运行时间，按照预设置采取对应的预设动作。

在本实施例中，基于人工智能的厨房监控方法的执行主体(例如图1所示的智能终端)可以基于参数和运行时间，按照预设置采取对应的预设动作。在这里上述预设动作包括提醒，提醒至少包括以下方式之一或任意组合：

声音；

灯光；

通信，所述通信包括数据通信、电话和/或短信息；

控制第三方装置。

继续参考图3，图3是根据本实施例的基于人工智能的厨房监控方法的应用场景的一个示意图。在图3的应用场景中，用户通过智能终端301向服务器302输入了基于通过带有厨房设备的图像获取厨房设备对应的参数的请求。服务器302在接收到该请求后，可以获取带有厨房设备的图像，并通过预处理获得预处理信息。之后，服务器302将获取到的厨房设备图像输入至预先训练的厨房设备监控模型中，得到厨房设备对应的参数，该参数包括厨房设备的类型和运行状态。厨房设备可以包括但不限于：炒锅、陶瓷容器、炖汤设备、电炖锅、电蒸锅、抽油烟机、燃气灶、微波炉、电烤箱、净水机、电饭煲、电压力煲、豆浆机、开水煲、料理机、榨汁机和电磁炉中的一个或多个设备

本申请实施例提供的基于人工智能的厨房监控方法和装置，通过将待提取参数的图像或经过预处理后的图像输入至预先训练的厨房设备监控模型，得到与目标图像对应的参数，从而提高了厨房设备监控的自动化程度、智能化程度、准确度和效率。

进一步参考图4，其示出了根据本申请的基于人工智能的厨房监控方法和装置相关的各种模型的一个训练方法的实施例的流程400。该的流程400，包括以下步骤：

步骤401，采集预设厨房设备的样本图像。

在本实施例中，基于人工智能的厨房监控的执行主体(例如图1所示的智能终端)可以通过有线连接方式或者无线连接的方式从存储有样本图像的存储服务器或存储装置中获取样本数据集合。

步骤402，通过预设方法对采集到的样本图像进行标定，得到已知识别结果。

在本实施例中，基于人工智能的厨房监控的执行主体(例如图1所示的智能终端)可以通过预设方法对采集到的样本图像进行标定，得到已知识别结果。在这里，标定包括在采集样本图像之前进行标定、正在采集样本图像时进行标定或在采集样本图像后进行标定。

在一些可选的实现方式中，通过预设方法对采集到的样本图像进行标定，得到已知识别结果，包括如下步骤：

将预设厨房设备调整到预设的运行状态；

将标记牌放置到厨房设备对应的预设图像区域内；

获取带有标记牌的厨房设备图像；

将厨房设备图像输入至预先训练的标记模型，得到已知识别结果。

步骤403，利用机器学习方法，将样本图像作为输入，将该样本图像对应的已知识别结果作为输出，对预先训练的通用监控模型进行训练得到厨房设备监控模型。

在本实施例中，基于人工智能的厨房监控的执行主体(例如图1所示的智能终端)可以利用机器学习方法，将样本图像作为输入，将该样本图像对应的已知识别结果作为输出，对预先训练的通用监控模型进行训练得到厨房设备监控模型。

在一些可选的实现方式中，预先训练的通用监控模型通过如下步骤训练得到：

获取样本数据集合，其中，样本数据集合中的每个样本数据包括样本厨房设备图像和已知识别结果，已知识别结果包括厨房设备的预设类型和预设运行状态。

利用机器学习方法，将样本厨房设备图像作为输入，将该样本输入数据对应的已知识别结果作为输出，对预设的初始模型进行训练得到模型。

在本实施例的一些可选方式中，上述模型的类型为CNN或RNN，CNN包括MASK-RCNN，MASK-RCNN又写作Mask R-CNN。

在本实施例中，上述执行主体可以从样本数据集合中选取样本数据，执行如下训练步骤：

首先，将选取的每一个样本数据中的图像经过预处理后作为初始卷积神经网络的输入，将与样本图像对应的已知识别结果作为期望输出，对初始卷积神经网络进行训练，得到与样本图像对应的预测识别结果。接着，基于预设损失函数，确定预设损失函数的损失值是否达到预设目标值。在响应于确定预设损失函数的损失值达到预设目标值时，可以确定初始神经网络训练完成，并将训练完成的初始神经网络确定为通用监控模型。在这里，预设损失函数可以用于表征预测识别结果与样本数据中的已知识别结果之间的差异。

上述执行主体在响应于确定预设损失函数的损失值未达到预设目标值时，调整初始卷积神经网络的参数，以及从上述训练样本集合中重新选取样本或增加样本规模，将调整后的初始卷积神经网络作为初始卷积神经网络，继续执行上述训练步骤。在这里，调整初始卷积神经网络的参数例如可以调整初始卷积神经网络的卷积层的数目、卷积核的大小。

上述标记模型的训练过程与通用监控模型的训练方法一致。

上述厨房设备监控模型与通用监控模型的训练方法一致

在一些可选的实现方式中，可以直接使用通用监控模型作为厨房设备监控模型。

在一些可选的实现方式中，当通用监控模型无法完成预定的工作时，通过使用厨房设备监控模型的训练方法，在现场获取即时图像，并完成对厨房设备监控模型的训练，以完成预定的工作，以更好地实现本实施发明例的技术效果。

从图4中可以看出，与图2所示的实施例不同的是，本实施例突出了对基于人工智能的厨房监控方法和装置相关的各种模型的训练步骤。从而使得从图像中提取参数更加准确。

进一步参考图5，作为对上述图4所示方法的实现，本申请提供了基于人工智能的厨房监控装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的基于人工智能的厨房监控装置500包括：

图像获取单元501，被配置成用于获取厨房设备图像；

参数监控单元502，被配置成用于将获取到的厨房设备图像输入至预先训练的厨房设备监控模型，得到厨房设备对应的参数，参数包括厨房设备的类型和运行状态。

时间计算单元503，被配置成用于基于参数计算对应的运行时间。

动作执行单元504，被配置成用于基于参数和运行时间，按照预设置采取对应的预设动作。

在本实施例中，基于人工智能的厨房监控装置500中：图像获取单元501、参数监控单元502、时间计算单元503和动作执行单元504的具体处理及其带来的有益效果可参看图2对应实施例中的步骤201、步骤202、步骤203和步骤204的实现方式的相关描述，在此不再赘述。相关模型的训练步骤参看图4对应实施例中的步骤步骤401、步骤402和步骤403。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器)的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请该的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，该程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括：图像获取单元、参数监控单元、时间计算单元和动作执行单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，图像获取单元还可以被描述为“被配置成用于获取厨房设备图像”的单元。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取厨房设备图像；将获取到的厨房设备图像输入至预先训练的厨房设备监控模型，得到厨房设备对应的参数，参数包括厨房设备的类型和运行状态。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.基于人工智能的厨房监控方法，其特征在于，包括：

获取厨房设备图像；

将获取到的所述厨房设备图像输入至预先训练的厨房设备监控模型，得到所述厨房设备对应的参数，所述参数包括所述厨房设备的类型和运行状态。

2.根据权利要求1所述的方法，其特征在于，包括：

基于所述参数计算对应的运行时间。

3.根据权利要求2所述的方法，其特征在于，基于所述参数和所述运行时间，按照预设置采取对应的预设动作。

4.根据权利要求1所述的方法，其特征在于，所述运行状态包括燃烧状态超过预设条件，所述燃烧状态包括燃烧时间、燃烧范围、燃烧温度。

5.根据权利要求1所述的方法，其特征在于，所述运行状态包括所述厨房设备对应的安全状态，所述安全状态包括符合预设标准的容易坠落、儿童靠近、儿童操作和/或操作人员的安全状态。

6.根据权利要求1-5所述的方法，其特征在于，所述预先训练的厨房设备监控模型通过如下步骤训练得到：

采集预设厨房设备的样本图像；

通过预设方法对采集到的样本图像进行标定，得到已知识别结果；

利用机器学习方法，将所述样本图像作为输入，将该样本图像对应的已知识别结果作为输出，对预先训练的通用监控模型进行训练得到所述厨房设备监控模型。

7.根据权利要求6所述的方法，其特征在于，所述通过预设方法对采集到的样本图像进行标定，得到已知识别结果，包括如下步骤：

将所述预设厨房设备调整到预设的运行状态；

将标记牌放置到所述厨房设备对应的预设图像区域内；

获取带有所述标记牌的厨房设备图像；

将所述厨房设备图像输入至预先训练的标记模型，得到已知识别结果。

8.根据权利要求6所述的方法，其特征在于，所述预先训练的通用监控模型通过如下步骤训练得到：

获取样本数据集合，其中，所述样本数据集合中的每个样本数据包括样本厨房设备图像和已知识别结果，所述已知识别结果包括厨房设备的预设类型和预设运行状态；

利用机器学习方法，将所述样本厨房设备图像作为输入，将该样本输入数据对应的已知识别结果作为输出，对预设的初始模型进行训练得到所述模型。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-8中任一所述的方法。