CN110781874A

CN110781874A - 一种将电子菜谱转化为炒菜机菜谱的方法及菜谱制作终端

Info

Publication number: CN110781874A
Application number: CN201910875237.7A
Authority: CN
Inventors: 不公告发明人
Original assignee: Individual
Current assignee: Individual
Priority date: 2019-09-17
Filing date: 2019-09-17
Publication date: 2020-02-11

Abstract

本发明涉及一种将电子菜谱转化为炒菜机菜谱的方法。该方法包括：S1、识别电子菜谱中的菜谱文字；S2、由菜谱文字得到菜品食材信息和菜品流程信息；S3、将菜品食材信息和菜品流程信息转化为炒菜机菜谱。本发明能够自动读取电子菜谱中的文字，并识别文字的具体含义，进而将电子菜谱适配为炒菜机菜谱，实现炒菜机菜谱的自动化制作，节省人力物力，降低成本。

Description

一种将电子菜谱转化为炒菜机菜谱的方法及菜谱制作终端

技术领域

本发明涉及炒菜机领域，更具体地说，涉及一种将电子菜谱转化为炒菜机菜谱的方法及菜谱制作终端。

背景技术

炒菜机可根据炒菜机菜谱自动制作菜品，节省人力。现有炒菜机制作菜谱依靠厨师的经验，需要记录厨师的炒菜过程。记录后在炒菜机上反复不断尝试，非常耗时耗力耗原材料，使得炒菜机的菜谱制作成本过高。另外现有大量电子菜谱(文字菜谱)无法直接利用，依然需要人工进行信息提取，效率低下。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种将电子菜谱转化为炒菜机菜谱的方法及菜谱制作终端。

本发明解决其技术问题所采用的技术方案是：构造一种将电子菜谱转化为炒菜机菜谱的方法，包括：

S1、识别电子菜谱中的菜谱文字；

S2、由所述菜谱文字得到菜品食材信息和菜品流程信息；

S3、将所述菜品食材信息和所述菜品流程信息转化为炒菜机菜谱。

进一步，在本发明所述的将电子菜谱转化为炒菜机菜谱的方法中，若菜谱为纸质菜谱，则所述步骤S1包括：

S11、使用摄像头获取所述纸质菜谱的图像信息，从所述图像信息中识别出所述菜谱文字。

进一步，在本发明所述的将电子菜谱转化为炒菜机菜谱的方法中，在所述步骤S1之后所述步骤S2之前还包括：S12、提取所述菜谱文字中的分区关键字，根据所述分区关键字将所述电子菜谱划分为食材配料区和制作流程区；

所述步骤S2包括：S21、由所述食材配料区内的菜谱文字得到所述菜品食材信息，由所述制作流程区内的菜谱文字得到所述菜品流程信息。

进一步，在本发明所述的将电子菜谱转化为炒菜机菜谱的方法中，所述步骤S21中所述由所述食材配料区内的菜谱文字得到所述菜品食材信息包括：由所述食材配料区内的菜谱文字得到所述菜品食材信息的各类食材名称，将每种所述食材名称的对应重量作为食材量；

所述步骤S21中所述由所述制作流程区内的菜谱文字得到所述菜品流程信息包括：将所述制作流程区内的菜谱文字从上到下对应的制作流程作为所述菜品流程信息。

进一步，在本发明所述的将电子菜谱转化为炒菜机菜谱的方法中，所述步骤S21中所述由所述制作流程区内的菜谱文字得到所述菜品流程信息包括：识别所述制作流程区内的菜谱文字中的序列性文字，将所述序列型文字对应的制作流程作为所述菜品流程信息；其中所述序列性文字指用于表示先后顺序的文字。

进一步，在本发明所述的将电子菜谱转化为炒菜机菜谱的方法中，所述步骤S2中所述菜品食材信息包括每种食材的食材名称、食材量、食材形状；

所述步骤S2中所述菜品流程信息包括每种食材的添加顺序、加热温度、加热时间、翻炒模式、翻炒速度。

进一步，在本发明所述的将电子菜谱转化为炒菜机菜谱的方法中，在所述步骤S2中，若所述菜品食材信息中某种食材为模糊食材量，则根据菜品中其他食材的已知食材量计算出所述模糊食材量食材的食材量，其中所述模糊食材量指没有量化的食材量；

在所述步骤S2中，将所述菜品流程信息中模糊制作流程转换为量化制作参数，其中所述模块制作流程指没有参数量化的制作流程。

进一步，在本发明所述的将电子菜谱转化为炒菜机菜谱的方法中，所述将所述菜品流程信息中模糊制作流程转换为量化制作参数包括：

提取所述模式制作流程中的关键词，根据预设模糊流程关键词与量化制作参数的对应关系将所述菜品流程信息中模糊制作流程转换为量化制作参数。

进一步，在本发明所述的将电子菜谱转化为炒菜机菜谱的方法中，所述步骤S3包括：

S31、根据炒菜机的工作参数对所述菜品食材信息和所述制作流程信息进行适配，转化为适用于所述炒菜机的炒菜机菜谱，所述炒菜机工作参数包括锅具尺寸、加热功率范围、翻炒模式、搅拌速度、储料位置。

另，本发明还提供一种菜谱制作终端，所述菜谱制作终端包括存储器和处理器；

所述存储器用于存储计算机程序；

所述处理器用于执行所述计算机程序以实现如上述的将电子菜谱转化为炒菜机菜谱的方法。

实施本发明的一种将电子菜谱转化为炒菜机菜谱的方法及菜谱制作终端，具有以下有益效果：本发明能够自动读取电子菜谱中的文字，并识别文字的具体含义，进而将电子菜谱适配为炒菜机菜谱，实现炒菜机菜谱的自动化制作，节省人力物力，降低成本。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是一实施例提供的将电子菜谱转化为炒菜机菜谱的方法的流程图；

图2是一实施例提供的将电子菜谱转化为炒菜机菜谱的方法的流程图；

图3是一实施例提供的电子菜谱示意图；

图4是一实施例提供的菜谱制作终端的结构示意图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

实施例

参考图1，本实施例的将电子菜谱转化为炒菜机菜谱的方法包括下述步骤：

S1、识别电子菜谱中的菜谱文字。

具体的，本实施例中的电子菜谱中使用文字记载菜品食材信息和菜品流程信息，电子菜谱包括但不限于文档类电子菜谱、图片类电子菜谱、网页类电子菜谱等。OCR(Optical Character Recognition)文字识别技术能够识别电子菜谱中的菜谱文字，具体识别过程可参考现有技术。

若菜谱为纸质菜谱，需要将纸质菜谱转换为电子菜谱。步骤S1包括：S11、使用摄像头获取纸质菜谱的图像信息，从图像信息中识别出菜谱文字。或者，使用扫描仪获取纸质菜谱的图像信息，从图像信息中识别出菜谱文字。因摄像头或扫描仪获取的图片可能不清楚，所以获得图像信息后需要检测图像信息是否合格。作为选择，可利用图像信息的平均边缘强度作为检测值，平均边缘强度是指由边缘算法如Sobel、Roberts算法等，作用于输入图像所得的边缘图像中所有边缘值的平均量。当平均边缘强度小于预先设定阈值时，则图像模糊，需要重新拍摄；反之图像信息合格。例如检测到的图像的平均边缘强度为30，预先设定的阈值为60，则认定输入的图像为模糊图像，不合格；若检测到的平均边缘强度为100，则认定输入的图像为清晰图像，合格。

S2、由菜谱文字得到菜品食材信息和菜品流程信息。

具体的，菜谱文字实质是一种文字编码流，本实施例设置有食材数据库和流程数据库，其中食材数据库中存储有文字编码流和食材信息的对应关系，在食材数据库中查找与文字编码流对应的食材信息得到食材信息。流程数据库中存储有文字编码流和制作流程信息的对应关系，在流程数据库中查找与文字编码流对应的流程信息得到菜品流程信息。考虑到OCR识别率不可能达到100％，本实施例还支持模糊匹配的检索方法，以提高检索的命中率。作为选择，若在本实施例的食材数据库和流程数据库中未查找到文字编码流对应的信息，可通过互联网查找相关的信息。

作为选择，本实施例中菜品食材信息包括但不限于每种食材的食材名称、食材量、食材形状等。菜品流程信息包括但不限于每种食材的添加顺序、加热温度、加热时间、翻炒模式、翻炒速度等。

S3、将菜品食材信息和菜品流程信息转化为炒菜机菜谱。

具体的，因每台炒菜机的工作参数不同，需要根据具体工作参数进行适配。炒菜机工作参数包括但不限于锅具尺寸、加热功率范围、翻炒模式、搅拌速度、储料位置等，需要根据具体工作参数对菜品食材信息和菜品流程信息进行转化，将菜品食材信息和菜品流程信息转化为炒菜机制作该菜品的时序化工作参数。此处的时序化工作参数是指以时间为参考，设置炒菜机在每个时间点对应的工作参数，经过处理得到对应的食材添加曲线、加热功率曲线、温度曲线、翻炒速度曲线、翻炒模式曲线等，炒菜机可执行这些参数制作出菜品。

例如某菜品要求加热2分钟，将该加热两分钟转化为炒菜机加热模块的工作时间，使加热模块持续工作2分钟；又例如，某菜品要求匀速搅拌各种原料，将该匀速搅拌转化为炒菜机翻炒模块的匀速翻炒。也就是说，将菜品食材信息和菜品流程信息转化为炒菜机菜谱包括：S31、根据炒菜机的工作参数对菜品食材信息和制作流程信息进行适配，转化为适用于炒菜机的炒菜机菜谱。

本实施例能够自动读取电子菜谱中的文字，并识别文字的具体含义，进而将电子菜谱适配为炒菜机菜谱，实现炒菜机菜谱的自动化制作，节省人力物力，降低成本。

实施例

参考图2和图3，本实施例的将电子菜谱转化为炒菜机菜谱的方法包括下述步骤：

S1、识别电子菜谱中的菜谱文字。

S12、提取菜谱文字中的分区关键字，根据分区关键字将电子菜谱划分为食材配料区和制作流程区。

具体的，通常情况下电子菜谱会分别集中给出菜品的原料和制作过程，且菜品的原料和制作过程在不同区域。步骤S1识别电子菜谱中的菜谱文字后，提取菜谱文字中的分区关键字，其中分区关键字用于标识该区域的内容。根据分区关键字将电子菜谱划分为食材配料区和制作流程区，其中食材配料区的分区关键字可为配料、原料、食材、备料等；制作流程区的分区关键字可为制作流程、做法、开始制作、制作方法、炒菜方法等。将分区关键字存储在关键字数据库中，将步骤S1识别电子菜谱中的菜谱文字与关键词数据库中的分区关键字进行比对，得到该电子菜谱中的分区关键字。在本实施例的教导下，使用其他分区关键字也属于本实施例的保护范围。例如图3为番茄炒蛋的电子菜谱，其中分区关键字分别为“配料”和“制作流程”，“配料”对应食材配料区，“制作流程”对应制作流程区。作为选择，从电子菜谱中获取候选关键词，即将文本分词，也可以再根据词性选取候选关键词；根据大规模预料学习得到主题模型。根据得到的隐含主题模型计算文章的主题分布和候选关键词分布，计算文档和候选关键词的主题相似度并排序，选取前n个词作为分区关键词。

作为选择，在电子菜谱排版较为混乱，无法根据分区关键字将电子菜谱划分为食材配料区和制作流程区时，可以进行手动操作。通过触摸屏、鼠标等输入设备在电子菜谱上绘制出食材配料区和制作流程区。

S21、由食材配料区内的菜谱文字得到菜品食材信息，由制作流程区内的菜谱文字得到菜品流程信息。

具体的，由食材配料区内的菜谱文字得到菜品食材信息的各类食材名称，将每种食材名称的对应重量作为食材量，例如图3中番茄为200克，鸡蛋为2个，油为30克。若菜品食材信息中某种食材为模糊食材量，则根据菜品中其他食材的已知食材量计算出模糊食材量食材的食材量，其中模糊食材量指没有量化的食材量，例如“适量”、“少许”“少量”等。例如图3中盐的重量为“适量”，则可根据番茄、鸡蛋、油的使用量来确定盐的使用量。

本实施例提供几种由制作流程区内的菜谱文字得到菜品流程信息的方式：

第一转化方式：将制作流程区内的菜谱文字从上到下对应的制作流程作为菜品流程信息。多数情况下电子菜谱的正常制作流程是从上到下记录，也即从上到下为正确菜谱制作流程，可以将制作流程区内的菜谱文字从上到下对应的制作流程作为菜品流程信息。此处所说的从上到下指按照文字阅读顺序从上到下。

第二转化方式：识别制作流程区内的菜谱文字中的序列性文字，将序列型文字对应的制作流程作为菜品流程信息；其中序列性文字指用于表示先后顺序的文字。一些电子菜谱中会给出明确的序列性文字，以提示用户的操作顺序。序列性文字包括但不限于：第一步、第二步、···；或1、2···等。

第三转化方式：将菜品流程信息中模糊制作流程转换为量化制作参数，其中模块制作流程指没有参数量化的制作流程。即提取模式制作流程中的关键词，根据预设模糊流程关键词与量化制作参数的对应关系将菜品流程信息中模糊制作流程转换为量化制作参数。

S3、将菜品食材信息和菜品流程信息转化为炒菜机菜谱。

具体的，因每台炒菜机的工作参数不同，炒菜机工作参数包括但不限于锅具尺寸、加热功率范围、翻炒模式、搅拌速度、储料位置等，需要根据具体工作参数对菜品食材信息和菜品流程信息进行转化，将菜品食材信息和菜品流程信息转化为炒菜机制作该菜品的时序化工作参数。此处的时序化工作参数是指以时间为参考，设置炒菜机在每个时间点对应的工作参数，经过处理得到对应的食材添加曲线、加热功率曲线、温度曲线、翻炒速度曲线、翻炒模式曲线等，炒菜机可执行这些参数制作出菜品。

实施例

上述实施例中若菜谱为纸质菜谱，需要将纸质菜谱转换为电子菜谱。可使用摄像头获取纸质菜谱的图像信息，从图像信息中识别出菜谱文字。或者，使用扫描仪获取纸质菜谱的图像信息，从图像信息中识别出菜谱文字。获取图像信息后，需要对图像信息进行预处理操作。对图像信息进行预处理操作包括：

S41、通过对图像信息进行灰度化、二值化、降噪、倾斜矫正、文字分割等图像预处理操作。

具体的，灰度化是指在RGB模型中，如果R＝G＝B时，则彩色表示一种灰度颜色，其中R＝G＝B的值叫灰度值，灰度范围为0-255；也就是就是将一张彩色图片变为黑白图片。灰度化一般有分量法、最大值法、平均值法、加权平均法四种方法对彩色图像进行灰度化。

一幅图像包括目标物体、背景还有噪声，要想从多值的数字图像中直接提取出目标物体，最常用的方法就是设定一个阈值T，用阈值T将图像的数据分成两部分：大于阈值T的像素群和小于阈值T的像素群。这是研究灰度变换的最特殊的方法，称为图像的二值化。二值化里最重要的就是阈值的选取，一般分为固定阈值和自适应阈值。作为选择，比较常用的二值化方法还有有：双峰法、P参数法、迭代法和OTSU法等。

现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响，称为噪声图像。减少数字图像中噪声的过程称为图像降噪。图像降噪的方法一般有均值滤波器、中值滤波器、形态学噪声滤除器、小波去噪等。

由于拍照的时候不可能绝对的水平，需要通过程序将图像做旋转处理，来找一个认为最可能水平的位置，这样切出来的图才有可能是最好的一个效果。倾斜矫正最常用的方法是霍夫变换，其原理是将图片进行膨胀处理，将断续的文字连成一条直线，便于直线检测。计算出直线的角度后就可以利用旋转算法，将倾斜图片矫正到水平位置。

对于一段多行文本来讲，文字切分包含行切分与字符切分两个步骤，倾斜矫正是文字切分的前提。其中行分割主要通过将倾斜矫正后的文字投影到Y轴，并将所有值累加，这样就能得到一个在Y轴上的直方图。图片在Y轴的投影直方图，直方图的谷底就是背景，峰值则是前景(文字)所在的区域，可将每行文字的位置给识别出来；其中字符切分和行切分类似，只是要将每行文字投影到X轴。

进一步，同一行的两个字符往往挨的比较紧，即字符间隙较小，有些时会出现垂直方向上的重叠，投影的时候将其认为是一个字符，从而造成切割的时候出错(多出现在英文字符)；也有些时候同一个字符的左右结构在X轴的投影存在一个小间隙，切割的时候误把一个字符切分为两个字符(多出现在中文字符)。所以相较于行切分，字符切分更难。另外还可以预先设定一个字符宽度的期望值，切出的字符如果投影超出期望值太大，则认为是两个字符；如果远远小于这个期望值，则忽略这个间隙，把间隙左右的“字符”合成一个字符来识别。

S42、准备训练集，对样本进行分割并人工标注，对分割好的样本进行噪声和扭曲模型分析，将分析得到噪声和扭曲特征添加到跟样本相似的字体库上，生成带有随机噪声和扭曲特征的样本，将人工标注的样本和随机生成的样本进行融合。

具体的，对于训练集的准备。选取一定数量的待处理样本，其中待处理样本图片从待识别图片集中选取，包含待识别样本图片的一般噪声特征和/或扭曲特征。将目标样本图片中所包含的字符切分出来(例如采用投影法)，将待处理图片中的字符串切分成仅包含单个字符的待处理子图片，便于在单个字符的基础上分析噪声模型和扭曲特征。

对上述分割好的字图片进行人工标注。对上述待处理子图片进行分析，选取与目标图片字符最相似的字体库，根据目标字符最接近的字体来选择字体库，字体库的选择可以依经验进行人工选择。分析待处理子图片的噪声情况和扭曲特征在已选择字体库的标准字符的基础上构建噪声模型和扭曲模型。根据噪声模型和扭曲的复杂程度，选择一定的变化步长在已选择字体库标准字符的基础上生成大量的随机样本。

将上述得到的人工标注数据集和随机生成的数据集混合作为最终训练神经网络的数据集。

S43、通过S42得到的训练集对神经网络进行训练以及调参；将S41得到的分割好的字符输入训练好的神经网络进行识别。

具体的，S43中的所使用的深度神经网络为卷积神经网络，比如LeNet；LeNet及其变种目前在语音识别和图像识别领域已经广泛的应用；而且Lenet具有可扩展性，通过增加全连接层的层数，可以进行深度学习，提高识别的准确度。

进一步，S43中的所使用的深度神经网络包括：二次采样层和至少两层全连接层，本实施例中所采用的神经网络为深度神经网络，在LeNet神经网络中至少包含两层全连接层才能称为深度神经网络，深度神经网络相比于传统的神经网络能够学习更加复杂的特征，当训练数据足够多时，两层以上的全连接层的神经网络更够得到准确的识别结果。S43中深度神经网络使用中，定义损失函数，比如常用的有最小负似然值，最小交叉熵。

进一步，S43中使用随机下降(SGD)算法反向传播算法。SGD使用基于随机少量样本(比如200张图片)的梯度来估计整个损失函数的梯度，以便实现更加快捷的学习过程。而通过误差反向传播算法可以逐层快速的计算出各层参数的梯度，进而完成参数的调整，来达到最小化损失函数的目的。

进一步，S43深度神经网络的训练结果，只保留一个在测试集上实现识别准确率最高的模型。这样保证深度神经网络的训练模型朝着最接近人工识别结果的方向进行，保证深度学习的准确性。

对于S43中的字符识别过程，将切分后的待识别字符图片按照对应的顺序输入到已经训练好的深度神经网络中。经过深度神经网络的识别，在输出层输出与待识别目标图片对应的识别结果。

进一步，对训练集中的图片数据进行归一化处理。对训练集中的图片数据进行归一化处理可以使得训练样本在图片尺寸和像素大小等参数方面保持均一性，这样神经网络在训练的时候排除其他无关特征，仅对关键特征进行训练，提高训练的效率和可靠性。

S44、对S43得到的检测结果进行串联，从而得到菜谱制作材料和制作方式的文字信息。

实施例

参考图4，本实施例的菜谱制作终端包括存储器和处理器，其中存储器用于存储计算机程序；处理器用于执行计算机程序以实现如上述的将电子菜谱转化为炒菜机菜谱的方法。作为选择，菜谱制作终端可选用台式电脑、笔记本电脑、平板电脑、智能手机等。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据此实施，并不能限制本发明的保护范围。凡跟本发明权利要求范围所做的均等变化与修饰，均应属于本发明权利要求的涵盖范围。

Claims

1.一种将电子菜谱转化为炒菜机菜谱的方法，其特征在于，包括：

S1、识别电子菜谱中的菜谱文字；

S2、由所述菜谱文字得到菜品食材信息和菜品流程信息；

2.根据权利要求1所述的将电子菜谱转化为炒菜机菜谱的方法，其特征在于，若菜谱为纸质菜谱，则所述步骤S1包括：

3.根据权利要求1所述的将电子菜谱转化为炒菜机菜谱的方法，其特征在于，在所述步骤S1之后所述步骤S2之前还包括：S12、提取所述菜谱文字中的分区关键字，根据所述分区关键字将所述电子菜谱划分为食材配料区和制作流程区；

4.根据权利要求3所述的将电子菜谱转化为炒菜机菜谱的方法，其特征在于，所述步骤S21中所述由所述食材配料区内的菜谱文字得到所述菜品食材信息包括：由所述食材配料区内的菜谱文字得到所述菜品食材信息的各类食材名称，将每种所述食材名称的对应重量作为食材量；

5.根据权利要求3所述的将电子菜谱转化为炒菜机菜谱的方法，其特征在于，所述步骤S21中所述由所述制作流程区内的菜谱文字得到所述菜品流程信息包括：识别所述制作流程区内的菜谱文字中的序列性文字，将所述序列型文字对应的制作流程作为所述菜品流程信息；其中所述序列性文字指用于表示先后顺序的文字。

6.根据权利要求1所述的将电子菜谱转化为炒菜机菜谱的方法，其特征在于，所述步骤S2中所述菜品食材信息包括每种食材的食材名称、食材量、食材形状；

7.根据权利要求1所述的将电子菜谱转化为炒菜机菜谱的方法，其特征在于，在所述步骤S2中，若所述菜品食材信息中某种食材为模糊食材量，则根据菜品中其他食材的已知食材量计算出所述模糊食材量食材的食材量，其中所述模糊食材量指没有量化的食材量；

8.根据权利要求7所述的将电子菜谱转化为炒菜机菜谱的方法，其特征在于，所述将所述菜品流程信息中模糊制作流程转换为量化制作参数包括：

9.根据权利要求1所述的将电子菜谱转化为炒菜机菜谱的方法，其特征在于，所述步骤S3包括：

10.一种菜谱制作终端，其特征在于，所述菜谱制作终端包括存储器和处理器；

所述存储器用于存储计算机程序；

所述处理器用于执行所述计算机程序以实现如权利要求1-9任一项所述的将电子菜谱转化为炒菜机菜谱的方法。