CN110906381A - 基于XGboost的自学习智能燃气灶具系统 - Google Patents

Abstract

本发明提出了一种基于XGboost的自学习智能燃气灶具系统，包括燃气灶具，所述燃气灶具包括中央处理器模块、无线通信模块、称重模块和火力调节模块，所述中央处理器模块通过无线通信模块分别与气体浓度测量模块、燃气计量模块、图像采集模块、服务器和移动终端相连接，服务器与移动终端相连接。本发明通过相关模块，能够在不同地区、不同季节下，借助数据挖掘算法，在保证不干烧、不溢锅、无燃气泄漏的前提下，针对不同食材完成食物的自动精细化烹饪和安全监控，能够针对使用者不同的烹饪习惯，自动学习更新XGboost分类器，提升烹饪操作的识别精度和速度，并能对可能出现的不良情况及时预警，适用性广泛。

Description

基于XGboost的自学习智能燃气灶具系统

技术领域

本发明涉及燃气灶具技术领域，特别是指一种基于XGboost的自学习智能燃气灶具系统。

背景技术

燃气灶是依靠液化石油气、人工煤气、天然气等气体燃料进行直火加热，完成食物烹饪的家用电器。传统的燃气灶在烹饪的过程，依靠人的经验根据食材重量和烹饪的不同阶段，手动调节燃气流量阀门的开度改变火力的大小。在信息技术飞速发展的今天，为了提高燃气灶的智能程度，实现自动烹饪和精细化控制，设计安全、便利的智能燃气灶具系统迫在眉睫。

当前市场上出现的多种智能燃气灶具，都是基于与锅底接触的温度传感器、红外温度传感器等进行锅具内部食物温度的判断，并基于此根据不同的烹饪方式完成烹饪时间和火候的自动调整与选择。事实上，烹饪过程中决定口感的是食材的温度，而由于隔着厚厚的锅具并受到外界实时变化温度和风力的影响，仅仅依靠各种温度传感器完成自动烹饪过程并不可靠。同时，在烹饪过程中，锅具是否处于火焰中心位置、是否存在食材溢出现象、是否存在干烧情况等同样非常重要，不仅影响菜品口感，也往往会导致严重的安全问题。

发明内容

针对上述背景技术中存在的不足，本发明提出了一种基于XGboost的自学习智能燃气灶具系统，解决了现有智能燃气灶具无法根据食材和个人习惯准确调整火力和时长并完成烹饪过程的技术问题。

本发明的技术方案是这样实现的：

一种基于XGboost的自学习智能燃气灶具系统，包括燃气灶具，所述燃气灶具包括中央处理器模块、无线通信模块、称重模块和火力调节模块，中央处理器模块分别与称重模块和火力调节模块相连接，中央处理器模块通过无线通信模块分别与气体浓度测量模块、燃气计量模块、图像采集模块、服务器和移动终端相连接，服务器与移动终端相连接。

所述图像采集模块包括摄像头模组、无线图传扩展板和投射灯，摄像头模组和投射灯均通过无线图传扩展板与中央处理器模块相连接。

所述投射灯为可变焦的灯具。

所述燃气计量模块包括气体腰轮流量计，气体腰轮流量计与中央处理器模块相连接。

所述移动终端上设有报警模式、监测开始/停止按钮，报警模式、监测开始/停止按钮均与中央处理器模块相连接。

所述燃气灶具上设有开关和液晶屏，开关和液晶屏均与中央处理器模块相连接。

基于XGboost的自学习智能燃气灶具系统的使用方法，其步骤如下：

S1、打开燃气灶具的开关，在液晶屏上选择要做的烹饪操作、食材和重量，按下开始按钮，启动信号发送给中央处理器模块，启动智能灶具系统；

S2、利用图像采集模块采集锅具的大小，并将锅具大小的信息传输至中央处理器模块，中央处理器模块计算锅具的最优放置位置，并由投射灯投射光斑至灶台上；

S3、中央处理器模块内的XGboost分类器对步骤S1中的设定的食材、重量和烹饪操作进行判断，输出火力大小和持续时间信息，并传输至火力调节模块；

S4、称重模块定时对锅具内的重量进行计量，得到锅具中水分蒸发的速度和余量后传输至中央处理器模块，中央处理器模块传到火力调节模块，进而调节火力大小；

S5、在烹饪过程中，燃气计量模块和气体浓度测量模块始终正常工作，监测燃气使用量和空气中天然气含量，实时的将用气量上传至中央控制器模块，中央控制器模块再将用气量发送至服务器并发送给移动终端，确保对用气量的精准记录；

S6、当气体浓度测量模块监测到空气中天然气含量超标时，火力调节模块关闭燃气阀门，移动终端上报警模式启动通知用户，如浓度过高时，移动终端将发送信号给119火警系统；

S7、服务器定期收集用户在不同时期实际操作燃气灶具的数据，将环境中的温度、湿度、食材类型及重量、年龄、性别的6路信息作为输入量，火力大小和持续时间为输出量，利用XGboost分类算法对数据进行训练并实时更新中央控制器中的XGboost模型参数，实现不同地域不同人群的最优烹饪方案的设计；

S8、烹饪完成，通过移动终端关闭智能灶具系统。

所述步骤S7中利用XGboost分类算法对数据进行训练并实时更新中央控制器中的XGboost模型参数的方法为：

S71、根据环境中的温度、湿度、食材类型及重量、年龄、性别构造系统数据集D＝{(x_i,y_i),i＝1,2,…,n,x_i∈R^h,y_i∈R}，其中，n为样本个数，h为每个样本的特征个数；

S72、用户历史数据预处理，对数据集进行筛选和预处理，删除和过滤数据中的异常值，然后对数据进行特征提取、特征选择处理，作为XGboost分类模型的特征输入；

S73、采用XGboost梯度提升分类算法，依次添加新的CART树到XGboost分类模型中，通过多个决策树的迭代，不断减少损失函数误差，最终得到XGboost模型；

S74、XGboost模型训练成熟之后，根据用户的饮食习惯、年龄、性别特征，输入XGboost模型，实时选择判断烹饪类别。

所述损失函数为

其中，

单棵树分类模型，k代表树的总个数，f_k表示第k棵树，

表示样本x_i的预测结果，Ω(.)为正则项。

所述有监督机器学习中常用的三个衡量指标包括准确率Precison、召回率Recall和F1_Score评价分类器分类效果；

所述准确率Precison为：

所述召回率Recall为：

所述F1_Score为：

其中，TP为将正类样本分类为正类数；FP为将负类样本分类为负类数；FN为将正类样本分类为负类数或将负类样本分类为正类数。

本技术方案能产生的有益效果：

1)本发明综合了基于摄像头的图像采集处理模块、基于高精度称重传感器的称重模块、基于气敏传感器的气体浓度测量模块等多种不同形式的传感器模块，能够有效提高燃气灶工作过程烹饪状态及其各种可能出现的危险状态判断的准确性；

2)本发明利用XGboost分类算法对大量经验丰富的厨师日常烹饪的海量数据(不同海拔不同维度地区、不同厨师操作下食材的重量、类型与阀门开度、持续时间、锅具重量减轻速率)进行训练，得到的分类器能够对烹饪不同重量和类型的食材时的阀门开度与持续时间给出建议，并在烹饪过程中实现自动调节，同时系统具有自学习功能，能够定期收集烹饪数据，修正XGboost分类器参数从而根据烹饪者口味重置火力设定；

3)本发明能够检测燃气灶工作状态，当出现燃气泄漏、干烧、溢锅等情况异常时，能够自动处置并通过移动终端及时通知用户，同时该系统能够与119火警救援系统一键连接，发送实时位置，且燃气消耗量可远程发送给燃气公司后台实现计量统计。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。

图1为本发明的系统框图；

图2为本发明的XGboost分类算法流程图。

具体实施方式

下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动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。

如图1所示，本发明实施例提供了一种基于XGboost的自学习智能燃气灶具系统，包括燃气灶具，燃气灶具上设有开关和液晶屏，开关和液晶屏均与中央处理器模块相连接，开关用于打开灶具，液晶屏用于显示和选择烹饪操作、食材及重量。所述燃气灶具包括中央处理器模块、无线通信模块、称重模块和火力调节模块，中央处理器模块分别与称重模块和火力调节模块相连接，中央处理器模块通过无线通信模块分别与气体浓度测量模块、燃气计量模块、图像采集模块、服务器和移动终端相连接，服务器与移动终端相连接。其中，无线通信模块的核心是超小尺寸WIFI模块USR-C215，它能够与图像采集模块、气体浓度测量模块以及服务器通过WIFI无线信号进行传输，相关信息通过串口与中央处理器模块进行交互；中央处理器模块为TMS320F28335高性能浮点DSP处理器，与其他模块进行信息交互以实现整个系统的协调运行；图像采集模块采集锅具图像信息，通过无线传输发送给中央处理器模块，并接受反馈结果对锅具放置位置进行指导；称重模块利用称重传感器对放置在锅支架上的锅具重量进行称重并通过D/A通道告知中央处理器模块；气体浓度测量模块采用MQ5气敏传感器模块，用于对空气中的煤气、天然气、液化气等燃气浓度进行检测并将结果通过无线通讯发送给中央处理器模块；火力调节模块可以接收中央处理器模块发送的信息，调整燃气阀门的开度从而改变火力大小，火力调节模块的核心是燃气比例阀，燃气比例阀接收中央处理器模块信号，通过调整阀门开度改变燃气输出流量，同时火力调节模块还有稳压机构，包含了当燃气的输入压力变化时可自动调整阀门开度，使燃烧工况始终处于稳定状态；燃气计量模块对用户使用的燃气量进行计算，并通过无线通信模块发送给中央处理器模块最终上传服务器进行记录统计；手机端APP接收服务器发送的关于智能燃气灶具系统工作状态的信息反馈用户，若确认危险则能够实现向119火警系统和110警务系统一键报警并发送位置；服务器为搭载Intel处理器和12TB内存、8块GPU的服务器产品，能够收集用户偏好的做饭习惯数据，快速实时训练更新XGboost分类器特性，从而能够根据特定地区特定人群的习惯对火力安排进行有针对性的自动调整。

所述图像采集模块包括摄像头模组、无线图传扩展板和投射灯，投射灯为可变焦的灯具，摄像头模组为OpenMV4 H7，摄像头模组、无线图传扩展板和投射灯均安装在火焰中央位置上方，摄像头模组和投射灯均通过无线图传扩展板与中央处理器模块相连接。摄像头模组采集锅具图像信息通过无线图传扩展板传递给中央处理器模块，中央处理器模块根据锅具大小计算投射灯的投影光斑的投射面积，反馈给投射灯调整投射灯的变焦组件，通过改变焦距在灶具上投射出锅具放置范围的光斑，引导用户将锅具放置于火焰正上方。

所述称重模块的核心是量程最大为10kg微型高精度称重传感器，定时对放置于锅架上的锅具及食材总重量进行测量，称重模块上重量减少的速度通过D/A模块回传中央处理器模块，中央处理器模块根据训练好的XGboost分类器判断火力强弱和是否存在干烧、溢锅现象。智能灶具系统具有自学习功能，能够定期收集烹饪数据，利用XGboost分类算法对大量经验丰富的厨师日常烹饪的海量数据进行训练，得到的XGboost分类器能够对烹饪不同重量和类型的食材时的阀门开度与持续时间给出建议，并在烹饪过程中实现自动调节。其中，厨师日常烹饪的数据包括不同海拔不同维度地区、不同厨师操作下食材的重量、类型与阀门开度、持续时间、锅具重量减轻速率。所述燃气计量模块包括气体腰轮流量计，气体腰轮流量计与中央处理器模块相连接，对用户使用的燃气量进行计算，获取的燃气消耗信息会上传至中央处理器模块，再传输至服务器并与手机和燃气公司后台进行交互。所述移动终端可安装在安卓或IOS系统中，具有人机交互界面，移动终端上设有报警模式、监测开始/停止按钮，报警模式、监测开始/停止按钮均与中央处理器模块相连接，移动终端能够接收中央处理器模块发送的关于智能燃气灶具系统工作状态的信息，若状态异常且用户查实情况严重，与119火警救灾系统和110警务系统一键连接报警，发送家庭位置信息。

如图2所示，基于XGboost的自学习智能燃气灶具系统的使用方法，其特征在于，其步骤如下：

S1、打开燃气灶具的开关，在液晶屏上选择要做的烹饪操作、食材和重量，按下开始按钮，启动信号发送给中央处理器模块，启动智能灶具系统；其中，烹饪操作包括煲汤、熬粥、炖肉、蒸米饭、蒸煮、煎、炒，常用食材主要包括糙米、香米、东北米、猪肉、羊肉、牛肉、玉米、山药。

S2、利用图像采集模块采集锅具的大小，并将锅具大小的信息传输至中央处理器模块，中央处理器模块计算锅具的最优放置位置，并由投射灯投射光斑至灶台上。

S3、中央处理器模块内的XGboost模型对步骤S1中的设定的食材、重量和烹饪操作进行判断，输出火力大小和持续时间信息，并传输至火力调节模块。

S4、称重模块定时对锅具内的重量进行计量，得到锅具中水分蒸发的速度和余量后传输至火力调节模块，进而调节火力大小。

S5、在烹饪过程中，燃气计量模块和气体浓度测量模块始终正常工作，监测燃气使用量和空气中天然气含量，实时的将用气量上传至中央控制器模块，中央控制器模块在将用气量发送至服务器并发送给移动终端，确保对用气量的精准记录。

S6、当气体浓度测量模块监测到空气中天然气含量超标时，火力调节模块关闭燃气阀门，移动终端上报警模式启动通知用户，如浓度过高时，移动终端将发送信号给119火警系统。

S7、服务器定期收集用户在不同时期实际操作燃气灶具的数据，将环境中的温度、湿度、食材类型及重量、年龄、性别的6路信息作为输入量，火力大小和持续时间为输出量，利用XGboost分类算法对数据进行训练并实时更新中央控制器中的XGboost模型参数，实现不同地域不同人群的最优烹饪方案的设计。

所述XGboost分类算法是boosting集成学习算法的一种，具有较强的泛化能力。原始的GBDT算法基于经验损失函数的负梯度来构造树新的决策树，只是在决策树构建完成后再进行剪枝。XGBoost在决策树构建阶段加入了正则项，有效防止过拟合，从而提高模型的泛化能力。利用XGboost分类算法对数据进行训练并实时更新中央控制器中的XGboost模型参数的方法为：

S71、根据环境中的温度、湿度、食材类型及重量、年龄、性别构造系统数据集D＝{(x_i,y_i),i＝1,2,…,n,x_i∈R^h,y_i∈R}，其中，n为样本个数，h＝6为每个样本的特征个数。

S72、用户历史数据预处理，对数据集进行筛选和预处理，删除和过滤数据中的异常值，然后对数据进行特征提取、特征选择处理，作为XGboost分类模型的特征输入。

S73、采用XGboost梯度提升分类算法，依次添加新的CART(Classification AndRegression Tree，CART)树到XGboost分类模型中，通过多个决策树的迭代，不断减少损失函数误差，最终得到预测模型；最小化损失函数

其中，

单棵树分类模型，k代表树的总个数，f_k表示第k棵树，

表示样本x_i的预测结果，Ω(.)为正则项，用于控制模型复杂度。利用预处理后的用户数据进行模型训练，以迭代的方式增加CART树，当树模型的增加使得模型的准确度提升幅度小于阈值则停止迭代，获得最终XGboost模型；在每一轮迭代过程中，为得到一个新的f_k，从单一的叶子节点开始，每次将一个叶节点增加一个树分叉，在所有可能的增长方案中，选取使得最优损失函数，如此循环进行。

S74、XGboost模型训练成熟之后，根据用户的饮食习惯、年龄、性别特征，输入XGboost模型，可以实时选择判断烹饪类别。

S75、使用有监督机器学习中常用的三个衡量指标包括准确率Precison、召回率Recall和F1_Score评价分类器分类效果；

所述准确率Precison为：

所述召回率Recall为：

所述F1_Score为：

其中，TP为将正类样本分类为正类数；FP为将负类样本分类为负类数；FN为将正类样本分类为负类数或将负类样本分类为正类数。

分类器的建立流程如下：首先对数据集进行筛选和预处理，删除和过滤数据中的异常值，然后对数据进行标准化和归一化处理并训练XGboost分类器。在训练过程中，将数据集按4：1分成训练集和测试集，使用5折交叉验证。最后将训练后的模型部署在硬件设备上，从而智能灶具可以智能选择烹饪类别。

S8、烹饪完成，通过移动终端关闭整个智能灶具系统。点击移动终端上的监测开始/停止按钮，向中央处理器模块发送关闭信号，中央处理器模块再将关闭信号发送至火力调节模块，关闭智能燃气灶具系统。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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。

Claims (10)

1.一种基于XGboost的自学习智能燃气灶具系统，包括燃气灶具，其特征在于，所述燃气灶具包括中央处理器模块、无线通信模块、称重模块和火力调节模块，中央处理器模块分别与称重模块和火力调节模块相连接，中央处理器模块通过无线通信模块分别与气体浓度测量模块、燃气计量模块、图像采集模块、服务器和移动终端相连接，服务器与移动终端相连接。

2.根据权利要求1所述的基于XGboost的自学习智能燃气灶具系统，其特征在于，所述图像采集模块包括摄像头模组、无线图传扩展板和投射灯，摄像头模组和投射灯均通过无线图传扩展板与中央处理器模块相连接。

3.根据权利要求2所述的基于XGboost的自学习智能燃气灶具系统，其特征在于，所述投射灯为可变焦的灯具。

4.根据权利要求1所述的基于XGboost的自学习智能燃气灶具系统，其特征在于，所述燃气计量模块包括气体腰轮流量计，气体腰轮流量计与中央处理器模块相连接。

5.根据权利要求1所述的基于XGboost的自学习智能燃气灶具系统，其特征在于，所述移动终端上设有报警模式、监测开始/停止按钮，报警模式、监测开始/停止按钮均与中央处理器模块相连接。

6.根据权利要求1所述的基于XGboost的自学习智能燃气灶具系统，其特征在于，所述燃气灶具上设有开关和液晶屏，开关和液晶屏均与中央处理器模块相连接。

7.根据权利要求1-6任一项所述的基于XGboost的自学习智能燃气灶具系统的使用方法，其特征在于，其步骤如下：

S1、打开燃气灶具的开关，在液晶屏上选择要做的烹饪操作、食材和重量，按下开始按钮，启动信号发送给中央处理器模块，启动智能灶具系统；

S2、利用图像采集模块采集锅具的大小，并将锅具大小的信息传输至中央处理器模块，中央处理器模块计算锅具的最优放置位置，并由投射灯投射光斑至灶台上；

S3、中央处理器模块内的XGboost分类器对步骤S1中的设定的食材、重量和烹饪操作进行判断，输出火力大小和持续时间信息，并传输至火力调节模块；

S4、称重模块定时对锅具内的重量进行计量，得到锅具中水分蒸发的速度和余量后传输至中央处理器模块，中央处理器模块传到火力调节模块，进而调节火力大小；

S5、在烹饪过程中，燃气计量模块和气体浓度测量模块始终正常工作，监测燃气使用量和空气中天然气含量，实时的将用气量上传至中央控制器模块，中央控制器模块再将用气量发送至服务器并发送给移动终端，确保对用气量的精准记录；

S6、当气体浓度测量模块监测到空气中天然气含量超标时，火力调节模块关闭燃气阀门，移动终端上报警模式启动通知用户，如浓度过高时，移动终端将发送信号给119火警系统；

S7、服务器定期收集用户在不同时期实际操作燃气灶具的数据，将环境中的温度、湿度、食材类型及重量、年龄、性别的6路信息作为输入量，火力大小和持续时间为输出量，利用XGboost分类算法对数据进行训练并实时更新中央控制器中的XGboost模型参数，实现不同地域不同人群的最优烹饪方案的设计；

S8、烹饪完成，通过移动终端关闭智能灶具系统。

8.根据权利要求7所述的基于XGboost的自学习智能燃气灶具系统的使用方法，其特征在于，所述步骤S7中利用XGboost分类算法对数据进行训练并实时更新中央控制器中的XGboost模型参数的方法为：

S71、根据环境中的温度、湿度、食材类型及重量、年龄、性别构造系统数据集D＝{(x_i,y_i),i＝1,2,…,n,x_i∈R^h,y_i∈R}，其中，n为样本个数，h为每个样本的特征个数；

S72、用户历史数据预处理，对数据集进行筛选和预处理，删除和过滤数据中的异常值，然后对数据进行特征提取、特征选择处理，作为XGboost分类模型的特征输入；

S73、采用XGboost梯度提升分类算法，依次添加新的CART树到XGboost分类模型中，通过多个决策树的迭代，不断减少损失函数误差，最终得到XGboost模型；

S74、XGboost模型训练成熟之后，根据用户的饮食习惯、年龄、性别特征，输入XGboost模型，实时选择判断烹饪类别。

9.根据权利要求8所述的基于XGboost的自学习智能燃气灶具系统的使用方法，其特征在于，所述损失函数为

其中，

单棵树分类模型，k代表树的总个数，f_k表示第k棵树，

表示样本x_i的预测结果，Ω(.)为正则项。

10.根据权利要求7所述的基于XGboost的自学习智能燃气灶具系统的使用方法，其特征在于，所述有监督机器学习中常用的三个衡量指标包括准确率Precison、召回率Recall和F1_Score评价分类器分类效果；

所述准确率Precison为：

所述召回率Recall为：

所述F1_Score为：

其中，TP为将正类样本分类为正类数；FP为将负类样本分类为负类数；FN为将正类样本分类为负类数或将负类样本分类为正类数。

Images