CN110490167A - 基于Faster-RCNN神经网络的榨汁机控制方法、存储器和榨汁机 - Google Patents
基于Faster-RCNN神经网络的榨汁机控制方法、存储器和榨汁机 Download PDFInfo
- Publication number
- CN110490167A CN110490167A CN201910792493.XA CN201910792493A CN110490167A CN 110490167 A CN110490167 A CN 110490167A CN 201910792493 A CN201910792493 A CN 201910792493A CN 110490167 A CN110490167 A CN 110490167A
- Authority
- CN
- China
- Prior art keywords
- food materials
- neural network
- faster
- rcnn
- rcnn neural
- 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.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47J—KITCHEN EQUIPMENT; COFFEE MILLS; SPICE MILLS; APPARATUS FOR MAKING BEVERAGES
- A47J19/00—Household machines for straining foodstuffs; Household implements for mashing or straining foodstuffs
- A47J19/02—Citrus fruit squeezers; Other fruit juice extracting devices
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47J—KITCHEN EQUIPMENT; COFFEE MILLS; SPICE MILLS; APPARATUS FOR MAKING BEVERAGES
- A47J19/00—Household machines for straining foodstuffs; Household implements for mashing or straining foodstuffs
- A47J19/06—Juice presses for vegetables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Abstract
本发明提供一种基于Faster‑RCNN神经网络的榨汁机控制方法、存储器及榨汁机，涉及家电控制技术领域。所述方法包括：利用Faster‑RCNN神经网络模型对食材图像中的食材进行识别，根据食材的识别结果选择相应的榨汁模式，以对所述食材进行榨汁。本发明提供的方案实现了人工智能技术与家电产品的结合。
Description
技术领域
本发明属于家电控制技术领域，具体涉及一种基于Faster-RCNN神经网络的榨汁机控制方法、存储器和榨汁机。
背景技术
目标检测与人工智能技术研究一直以来都是备受关注的前沿方向。目标检测，也叫目标提取，是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。尤其是在复杂场景中，需要对多个目标进行实时处理时，目标自动提取和识别就显得特别重要。
现有技术中，在使用自动化设备处理食材时，首先需要在设备中写入固定的食材处理程序，然后该设备按照固定的程序对应的步骤对食材进行处理。然而，由于不同食材的处理方法各异，固定的食材处理步骤并不能适用于所有食材，导致部分食材的处理结果不理想；另外，当食材种类以及处理方式较多时，则需要向设备写入大量的食材处理程序，工作量较大。
而在榨汁机领域内，传统榨汁机对于不同的食材榨汁或者破壁时，甚至需要用户人工选取转速或者替换刀头以适应不同硬度的食材，比如榨一些水分较多的蔬菜水果时，需要转速更快的档位；而对于一些水分较小的水果蔬菜时则需要转速慢的档位；甚至对于带冰块的水果榨汁时，还需要转几下停几下。这种凭用户的经验控制榨汁机的方法，使得食材口感和用户体验都相当不好。
针对现有技术中存在的问题，本发明设计了一种基于Faster-RCNN神经网络对目标食材进行检测，以实现人工智能控制榨汁机工作的方法，从而解决现有技术中存在的问题。
发明内容
有鉴于此，本发明实施例的目的在于提供一种基于Faster-RCNN神经网络的榨汁机控制方法，通过识别结果给出相应的控制方案如转速、模式等，对榨汁机进行合理控制，从而达到智能榨汁、一键化榨汁的目的，实现了人工智能技术与家电产品的结合。
为了改善现有技术中依靠用户经验进行榨汁机工作模式选定而造成的口感和用户体验不佳问题，本发明提供了一种基于Faster-RCNN神经网络的榨汁机控制方法，本发明实施例提供的技术方案如下：
第一方面，本发明实施例提供了一种基于Faster-RCNN神经网络的榨汁机控制方法，包括以下步骤：
利用Faster-RCNN神经网络模型对食材图像中的食材进行识别，根据食材的识别结果选择相应的榨汁模式，以对所述食材进行榨汁。
优选的，根据本发明的实施例，所述Faster-RCNN神经网络模型包括Fast-RCNN神经网络、RNP区域候选网络和FC全链接层，其中所述Fast-RCNN神经网络包括VGG卷积神经网络和ROI池化层，其中：
所述VGG卷积神经网络的输入端接收食材图像，所述VGG卷积神经网络用于对接收的食材图像进行卷积化处理，并输出相应的卷积特征图像；
所述RNP区域候选网络的输入端连接所述VGG卷积神经网络的输出端，所述RNP区域候选网络用于对接收的卷积特征图像选定候选区域，并输出已选定候选区域的卷积特征图像；
所述ROI池化层的输入端连接所述VGG卷积神经网络的输出端和所述RNP区域候选网络的输出端，所述ROI池化层用于基于确定候选区域的卷积特征图像对食材图像进行分类处理；
所述FC全链接层的输入端连接所述ROI池化层的输出端，用于对分类后的食材图像进行识别，并输出食材识别结果。
优选的，根据本发明的实施例，在利用Faster-RCNN神经网络模型对食材图像中的食材进行识别之前，还包括构建Faster-RCNN神经网络模型的步骤，所述构建Faster-RCNN神经网络模型的步骤包括：
S10，利用食材训练集对VGG卷积神经网络和RPN神经网络进行训练，以确定VGG卷积神经网络的参数和RPN区域候选网络的参数，从而获得训练好的VGG卷积神经网络和RPN区域候选网络；
S20，将食材训练集输入训练好的VGG卷积神经网络和RPN区域候选网络,以获取VGG卷积神经网络的输出结果和RPN区域候选网络的输出结果；
S30，利用VGG卷积神经网络的输出结果和RPN区域候选网络的输出结果对整个Fast-RCNN神经网络进行训练，以确定整个Fast-RCNN神经网络的参数，从而获得训练好的Fast-RCNN神经网络。
优选的，根据本发明的实施例，所述构建Faster-RCNN神经网络模型的步骤还包括：
S40，对训练好的RPN区域候选网络和Fast-RCNN神经网络进行微调，以获得构建好的Faster-RCNN神经网络模型。
优选的，根据本发明的实施例，所述构建Faster-RCNN神经网络模型的步骤还包括：
S50，利用食材测试集对构建好的Faster-RCNN神经网络模型进行测试，以判断构建好的Faster-RCNN神经网络模型的准确度。
优选的，根据本发明的实施例，所述食材训练集选自网络食材数据集，所述网络食材数据集用于对Faster-RCNN神经网络中RPN区域候选网络和Fast-RCNN神经网络进行权重参数的初始化设置。
优选的，根据本发明的实施例，所述食材训练集选自自建食材数据集，所述自建食材数据集用于训练Faster-RCNN神经网络。
第二方面，本发明实施例还提供了另一种基于Faster-RCNN神经网络的榨汁机控制方法，包括以下步骤：
利用Faster-RCNN神经网络模型对食材图像中的食材进行识别，根据食材的识别结果选择相应的榨汁模式，当选择相应的榨汁模式后，判断是否需要添加食材：
若需要，则提示用户添加食材：
若用户添加食材，则重新获取食材图像；
若用户不添加食材，则对所述食材进行榨汁；
若不需要，则对所述食材进行榨汁。
第三方面，本发明实施例还提供了一种存储器，其存储有实现上述基于Faster-RCNN神经网络的榨汁机控制方法的程序。
第四方面，本发明实施例还提供了一种榨汁机，包括：处理器和存储器，所述处理器用于处理存储在所述存储器上的上述基于Faster-RCNN神经网络的榨汁机控制方法的程序。
本发明的有益效果为：用户将食材放入榨汁机的内胆底，食材放置完毕后盖上机盖，此时机盖内侧中心处的摄像头对榨汁机内的食材进行拍照，将照片数据送入Faster-RCNN神经网络进行食材类型识别。Faster-RCNN神经网络通过VGG卷积神经网络和RPN矩形候选区域网络进行食材图像信息处理，提取图像中食材的特征数据，并反馈图像食材判断结果。然后依据食材判断结果选定将要进行的榨汁策略，此时提示用户是否需要添加食材。若需要，则提示用户并自动将机盖打开，由用户选择是否添加，若用户选择添加，则在添加完成并盖上机盖后重复上述步骤。若用户选择不添加时，则直接按照选定榨汁策略进行榨汁。
本发明提供的方案达到了智能烹煮的目的，实现了人工智能技术与家电产品的结合。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的基于Faster-RCNN神经网络的榨汁机控制方法的流程示意图；
图2为本发明实施例提供的Faster-RCNN神经网络训练及测试的流程图；
图3为本发明实施例提供的Faster-RCNN神经网络模型的结构框图；
图4为本发明实施例提供的基于Faster-RCNN神经网络的榨汁机的控制流程图。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
在介绍本发明的具体实施例之前，再次对本发明的背景进行简单介绍。
现有技术中，在使用自动化设备处理食材时，首先需要在设备中写入固定的食材处理程序，然后该设备按照固定的程序对应的步骤对食材进行处理。然而，由于不同食材的处理方法各异，固定的食材处理步骤并不能适用于所有食材，导致部分食材的处理结果不理想；另外，当食材种类以及处理方式较多时，则需要向设备写入大量的食材处理程序，工作量较大。
而在榨汁机领域内，传统榨汁机对于不同的食材榨汁或者破壁时，甚至需要用户人工选取转速或者替换刀头以适应不同硬度的食材，比如榨一些水分较多的蔬菜水果时，需要转速更快的档位；而对于一些水分较小的水果蔬菜时则需要转速慢的档位；甚至对于带冰块的水果榨汁时，还需要转几下停几下。这种凭用户的经验控制榨汁机的方法，使得食材口感和用户体验都相当不好。
针对现有技术中存在的问题，本发明设计了一种基于Faster-RCNN神经网络的榨汁机控制方法，以实现人工智能控制榨汁机工作的方法，从而解决现有技术中存在的问题。
为了更好的理解本发明实施例提供的方案，下述实施方式以基于Faster-RCNN神经网络的榨汁机的智能控制方法为例，详细的介绍本发明实施例所提供的思想。
实施例一
为了更好的理解本发明，请参考本发明实施例一提供的基于Faster-RCNN神经网络的榨汁机控制方法，具体包括：
首先，构建Faster-RCNN神经网络模型的步骤。
其中，构建Faster-RCNN神经网络模型的步骤包括：
S10，利用食材训练集对VGG卷积神经网络和RPN神经网络进行训练，以确定VGG卷积神经网络的参数和RPN区域候选网络的参数，从而获得训练好的VGG卷积神经网络和RPN区域候选网络；
S20，将食材训练集输入训练好的VGG卷积神经网络和RPN区域候选网络,以获取VGG卷积神经网络的输出结果和RPN区域候选网络的输出结果；
S30，利用VGG卷积神经网络的输出结果和RPN区域候选网络的输出结果对整个Fast-RCNN神经网络进行训练，以确定整个Fast-RCNN神经网络的参数，从而获得训练好的Fast-RCNN神经网络。
进一步的，构建Faster-RCNN神经网络模型的步骤还包括：
S40，对训练好的RPN区域候选网络和Fast-RCNN神经网络进行微调，以获得构建好的Faster-RCNN神经网络模型。
进一步的，构建Faster-RCNN神经网络模型的步骤还包括：
S50，利用食材测试集对构建好的Faster-RCNN神经网络模型进行测试，以判断构建好的Faster-RCNN神经网络模型的准确度。
需要说明的是，本发明所述的所述食材训练集包括网络食材数据集和自建食材数据集，所述网络食材数据集用于对Faster-RCNN神经网络中RPN区域候选网络和Fast-RCNN神经网络进行权重参数的初始化设置，所述自建食材数据集用于训练Faster-RCNN神经网络。
需要说明的是，本发明所述Faster-RCNN神经网络模型包括Fast-RCNN神经网络、RNP区域候选网络和FC全链接层，其中所述Fast-RCNN神经网络包括VGG卷积神经网络和ROI池化层，Fast-RCNN神经网络、RNP区域候选网络和FC全链接层的关系具如下：
所述VGG卷积神经网络的输入端接收食材图像，所述VGG卷积神经网络用于对接收的食材图像进行卷积化处理，并输出相应的卷积特征图像；
所述RNP区域候选网络的输入端连接所述VGG卷积神经网络的输出端，所述RNP区域候选网络用于对接收的卷积特征图像选定候选区域，并输出已选定候选区域的卷积特征图像；
所述ROI池化层的输入端连接所述VGG卷积神经网络的输出端和所述RNP区域候选网络的输出端，所述ROI池化层用于基于确定候选区域的卷积特征图像对食材图像进行分类处理；
所述FC全链接层的输入端连接所述ROI池化层的输出端，用于对分类后的食材图像进行识别，并输出食材识别结果。
实施例二
本实施例结合步骤S100-S400对本发明的技术方案进一步说明。
参考图1，图1为本发明基于Faster-RCNN神经网络的榨汁机控制方法的流程示意图。
步骤S100，利用食材训练集对Faster-RCNN神经网络进行训练，以构建Faster-RCNN神经网络模型。
其中，所述Faster-RCNN神经网络模型包括Fast-RCNN神经网络、RNP区域候选网络和FC全链接层，其中所述Fast-RCNN神经网络包括VGG卷积神经网络和ROI池化层。
其中，食材训练集分为两类，一类是网络数据库，所述网络数据库作为当前该深度学习网络训练的标准库，用于对整体Faster-RCNN神经网络和VGG卷积神经网络进行权重参数的初始化设置；另一类是自建数据库，自建数据库用于实际食材的识别，自建数据库包含已标注好的多种市面上所常用的食材照片，以及来自用户的拍照数据。
进一步的，参照图2，对Faster-RCNN神经网络进行训练的具体步骤为：
S110，利用食材训练集对VGG卷积神经网络和RPN神经网络进行训练，以确定VGG卷积神经网络的参数和RPN区域候选网络的参数，从而获得训练好的VGG卷积神经网络和RPN区域候选网络；
S120，将食材训练集输入训练好的VGG卷积神经网络和RPN区域候选网络,以获取VGG卷积神经网络的输出结果和RPN区域候选网络的输出结果；
S130，利用VGG卷积神经网络的输出结果和RPN区域候选网络的输出结果对整个Fast-RCNN神经网络进行训练，以确定整个Fast-RCNN神经网络的参数，从而获得训练好的Fast-RCNN神经网络。
进一步的，所述构建Faster-RCNN神经网络模型的步骤还包括：
S140，对训练好的RPN区域候选网络和Fast-RCNN神经网络进行微调，以获得构建好的Faster-RCNN神经网络模型。
需要说明的是，对训练好的RPN区域候选网络和Fast-RCNN神经网络进行微调的目的是使Faster-RCNN神经网络模型对食材图像识别更准确、更快速。
进一步的，所述构建Faster-RCNN神经网络模型的步骤还包括：
S150，利用食材测试集对构建好的Faster-RCNN神经网络模型进行测试，以判断构建好的Faster-RCNN神经网络模型的准确度。
S200，采集食材图像；
需要说明的是，本发明通过摄像头或其他图像采集装置采集榨汁机内食材放置情况。所述摄像头设置在榨汁机机盖上，当用户放置完食材盖上机盖后，摄像头开始采集榨汁机内食材的图像。
S300，利用Faster-RCNN神经网络模型对所述食材图像进行卷积计算，以获得食材图像的卷积特征图像，并对所述卷积特征图像进行筛选以及对筛选结果进行分类处理。
参照图3，本步骤具体为：
S310，所述VGG卷积神经网络的输入端接收食材图像，所述VGG卷积神经网络用于对接收的食材图像进行卷积化处理，并输出相应的卷积特征图像；
其中，所述卷积图像特征为提取的食材图像的特征。
S320，所述RNP区域候选网络的输入端连接所述VGG卷积神经网络的输出端，所述RNP区域候选网络用于对接收的卷积特征图像选定候选区域，并输出已选定候选区域的卷积特征图像；
S330，所述ROI池化层的输入端连接所述VGG卷积神经网络的输出端和所述RNP区域候选网络的输出端，所述ROI池化层用于基于确定候选区域的卷积特征图像对食材图像进行分类处理；
其中，池化层可以降低冗余的矩形候选区域图像。
S340，所述FC全链接层的输入端连接所述ROI池化层的输出端，用于对分类后的食材图像进行识别，并输出食材识别结果。
其中，对食材图像进行识别的方法为通过FC全链接层中softmax函数对食材图像特征进行识别。然后跟据食材图像识别的结果选定榨汁机的工作模式，开始榨汁，如步骤S400。
步骤S400根据分类结果识别食材图像特征，以选定榨汁机的工作模式。
需要说明的是，参照图4，当依据食材判断结果选定将要进行的榨汁策略后，此时还可以提示用户是否需要添加食材，若需要添加，则提示用户并自动将机盖打开，由用户选择是否添加，若用户选择添加，则在添加完成并盖上机盖后重复上述步骤。若用户选择不添加时，则直接按照选定榨汁策略进行榨汁。
综上，本发明的实施例通过摄像头采集榨汁机内食材放置情况，通过Faster-RCNN神经网络模型进行分类识别，从而选择合适的榨汁策略进行榨汁，从而实现智能一键化榨汁的过程。具体的，榨汁机开始启动工作时，由用户将食材放入榨汁机的内胆底，食材放置完毕后盖上机盖，此时机盖内侧中心处的摄像头对榨汁机内的食材进行拍照，将照片数据送入Faster-RCNN网络模型进行识别，Faster-RCNN网络通过VGG卷积神经网络和RPN区域建议网络进行图像信息处理，提取图像中食材的特征数据，并输出图像中食材判断结果，然后依据食材判断结果选定将要进行的榨汁模式。此时，还需要提示用户是否需要添加食材，若需要，则提示用户并自动将机盖打开，由用户选择是否添加，若用户选择添加，则在添加完成并盖上机盖后重复上述步骤，若用户选择不添加时，则直接按照选定榨汁模式进行榨汁。
本发明实施例提供的上述方案达到了智能烹煮的目的，实现了人工智能技术与家电产品的结合。
实施例三
本发明实施例三提供了一种基于Faster-RCNN神经网络控制方法榨汁机，包括：处理器和存储器，所述处理器用于处理存储在所述存储器上的上述基于Faster-RCNN神经网络的榨汁机控制方法的程序。该榨汁机能够智能烹煮的，实现了人工智能技术与家电产品的结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于Faster-RCNN神经网络的榨汁机控制方法，其特征在于：
利用Faster-RCNN神经网络模型对食材图像中的食材进行识别，根据食材的识别结果选择相应的榨汁模式，以对所述食材进行榨汁。
2.如权利要求1所述的控制方法，其特征在于，所述Faster-RCNN神经网络模型包括Fast-RCNN神经网络、RNP区域候选网络和FC全链接层，其中所述Fast-RCNN神经网络包括VGG卷积神经网络和ROI池化层，其中：
所述VGG卷积神经网络的输入端接收食材图像，所述VGG卷积神经网络用于对接收的食材图像进行卷积化处理，并输出相应的卷积特征图像；
所述RNP区域候选网络的输入端连接所述VGG卷积神经网络的输出端，所述RNP区域候选网络用于对接收的卷积特征图像选定候选区域，并输出已选定候选区域的卷积特征图像；
所述ROI池化层的输入端连接所述VGG卷积神经网络的输出端和所述RNP区域候选网络的输出端，所述ROI池化层用于基于确定候选区域的卷积特征图像对食材图像进行分类处理；
所述FC全链接层的输入端连接所述ROI池化层的输出端，用于对分类后的食材图像进行识别，并输出食材识别结果。
3.如权利要求2所述的控制方法，其特征在于，在利用Faster-RCNN神经网络模型对食材图像中的食材进行识别之前，还包括构建Faster-RCNN神经网络模型的步骤，所述构建Faster-RCNN神经网络模型的步骤包括：
S10，利用食材训练集对VGG卷积神经网络和RPN区域候选网络进行训练，以确定VGG卷积神经网络的参数和RPN区域候选网络的参数，从而获得训练好的VGG卷积神经网络和RPN区域候选网络；
S20，将食材训练集输入训练好的VGG卷积神经网络和RPN区域候选网络,以获取VGG卷积神经网络的输出结果和RPN区域候选网络的输出结果；
S30，利用VGG卷积神经网络的输出结果和RPN区域候选网络的输出结果对整个Fast-RCNN神经网络进行训练，以确定整个Fast-RCNN神经网络的参数，从而获得训练好的Fast-RCNN神经网络。
4.如权利要求3所述的控制方法，其特征在于，所述构建Faster-RCNN神经网络模型的步骤还包括：
S40，对训练好的RPN区域候选网络和Fast-RCNN神经网络进行微调，以获得构建好的Faster-RCNN神经网络模型。
5.如权利要求4所述的控制方法，其特征在于，所述构建Faster-RCNN神经网络模型的步骤还包括：
S50，利用食材测试集对构建好的Faster-RCNN神经网络模型进行测试，以判断构建好的Faster-RCNN神经网络模型的准确度。
6.如权利要求3所述的控制方法，其特征在于：所述食材训练集选自网络食材数据集。
7.如权利要求5所述的控制方法，其特征在于：所述食材训练集选自自建食材数据集。
8.如权利要求1-7任一项所述的控制方法，其特征在于，还包括以下步骤：
当确定相应的榨汁模式后，判断是否需要添加食材：
若需要，则提示用户添加食材：
若用户添加食材，则重新获取食材图像；
若用户不添加食材，则对所述食材进行榨汁；若不需要，则对所述食材进行榨汁。
9.一种存储器，其特征在于：其存储有实现如权利要求1-8任一项所述的基于Faster-RCNN神经网络的榨汁机控制方法的程序。
10.一种榨汁机，其特征在于，包括：处理器和存储器，所述处理器用于处理存储在所述存储器上的如权利要求1-8任一项所述的基于Faster-RCNN神经网络的榨汁机控制方法的程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910792493.XA CN110490167A (zh) | 2019-08-26 | 2019-08-26 | 基于Faster-RCNN神经网络的榨汁机控制方法、存储器和榨汁机 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910792493.XA CN110490167A (zh) | 2019-08-26 | 2019-08-26 | 基于Faster-RCNN神经网络的榨汁机控制方法、存储器和榨汁机 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110490167A true CN110490167A (zh) | 2019-11-22 |
Family
ID=68554105
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910792493.XA Pending CN110490167A (zh) | 2019-08-26 | 2019-08-26 | 基于Faster-RCNN神经网络的榨汁机控制方法、存储器和榨汁机 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110490167A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116741176A (zh) * | 2023-08-15 | 2023-09-12 | 北京欧若拉极光科技有限公司 | 一种语音交互的料理控制系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106037448A (zh) * | 2016-07-29 | 2016-10-26 | 广东美的厨房电器制造有限公司 | 烹饪控制方法、设备及烹饪装置 |
| CN107239731A (zh) * | 2017-04-17 | 2017-10-10 | 浙江工业大学 | 一种基于Faster R‑CNN的手势检测和识别方法 |
| CN107451602A (zh) * | 2017-07-06 | 2017-12-08 | 浙江工业大学 | 一种基于深度学习的果蔬检测方法 |
| CN107861776A (zh) * | 2017-10-27 | 2018-03-30 | 珠海格力电器股份有限公司 | 榨汁机榨汁方法、装置、榨汁机及计算机可读存储介质 |
| CN108538363A (zh) * | 2018-03-28 | 2018-09-14 | 珠海格力电器股份有限公司 | 一种确定烹饪模式的方法及烹饪电器 |
| CN108985390A (zh) * | 2018-08-27 | 2018-12-11 | 深圳市零度智控科技有限公司 | 自适应果汁浓度控制方法、智能榨汁机、存储介质及装置 |
-
2019
- 2019-08-26 CN CN201910792493.XA patent/CN110490167A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106037448A (zh) * | 2016-07-29 | 2016-10-26 | 广东美的厨房电器制造有限公司 | 烹饪控制方法、设备及烹饪装置 |
| CN107239731A (zh) * | 2017-04-17 | 2017-10-10 | 浙江工业大学 | 一种基于Faster R‑CNN的手势检测和识别方法 |
| CN107451602A (zh) * | 2017-07-06 | 2017-12-08 | 浙江工业大学 | 一种基于深度学习的果蔬检测方法 |
| CN107861776A (zh) * | 2017-10-27 | 2018-03-30 | 珠海格力电器股份有限公司 | 榨汁机榨汁方法、装置、榨汁机及计算机可读存储介质 |
| CN108538363A (zh) * | 2018-03-28 | 2018-09-14 | 珠海格力电器股份有限公司 | 一种确定烹饪模式的方法及烹饪电器 |
| CN108985390A (zh) * | 2018-08-27 | 2018-12-11 | 深圳市零度智控科技有限公司 | 自适应果汁浓度控制方法、智能榨汁机、存储介质及装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116741176A (zh) * | 2023-08-15 | 2023-09-12 | 北京欧若拉极光科技有限公司 | 一种语音交互的料理控制系统 |
| CN116741176B (zh) * | 2023-08-15 | 2023-11-07 | 北京欧若拉极光科技有限公司 | 一种语音交互的料理控制系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102329592B1 (ko) | 재료 인식을 기반으로 하는 음식 준비 방법 및 시스템 | |
| WO2020207293A1 (zh) | 一种用于自动烹饪食物的方法和装置 | |
| CN108814501A (zh) | 一种洗涤控制的优化方法、装置、电子设备、存储介质 | |
| CN107860099B (zh) | 一种空调的结霜检测方法、装置、存储介质及设备 | |
| CN103793518B (zh) | 一种学习资源推送方法和装置 | |
| CN108108767A (zh) | 一种谷物识别方法、装置和计算机存储介质 | |
| CN107912964A (zh) | 智能烹饪的方法及装置 | |
| CN110123149B (zh) | 一种烹饪设备的烹饪控制方法以及烹饪设备 | |
| CN107965828A (zh) | 抽油烟机的吸风状态控制方法和抽油烟机 | |
| CN109237582A (zh) | 基于图像识别的吸油烟机控制方法、控制系统、吸油烟机 | |
| CN108052199A (zh) | 抽油烟机的控制方法、装置和抽油烟机 | |
| CN104063686B (zh) | 作物叶部病害图像交互式诊断系统与方法 | |
| CN110276076A (zh) | 一种文本情绪分析方法、装置及设备 | |
| CN108197635B (zh) | 烹饪方式的展示方法及装置、抽油烟机 | |
| CN108090517A (zh) | 一种谷物识别方法、装置和计算机存储介质 | |
| CN109918522A (zh) | 一种基于烹饪平台的菜品烹饪学习方法及装置 | |
| CN112508132B (zh) | 一种识别sku的训练方法及装置 | |
| CN109447165A (zh) | 一种农产品品质状态识别方法及装置 | |
| CN108090518A (zh) | 一种谷物识别方法、装置和计算机存储介质 | |
| CN110490167A (zh) | 基于Faster-RCNN神经网络的榨汁机控制方法、存储器和榨汁机 | |
| CN107885090A (zh) | 对锅具内的食物图像拍摄环境调节装置与方法 | |
| CN111080493A (zh) | 一种菜品信息识别方法、装置及菜品自助结算系统 | |
| CN107763961A (zh) | 一种冰箱及其业务实现方法 | |
| CN111459054A (zh) | 食谱推送方法、设备、存储介质和厨房电器 | |
| CN108052858A (zh) | 抽油烟机的控制方法和抽油烟机 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191122 |
|
| RJ01 | Rejection of invention patent application after publication |