CN110991640A - 调料使用量的确定方法、装置和模型优化方法、装置 - Google Patents

调料使用量的确定方法、装置和模型优化方法、装置 Download PDF

Info

Publication number
CN110991640A
CN110991640A CN201911264147.0A CN201911264147A CN110991640A CN 110991640 A CN110991640 A CN 110991640A CN 201911264147 A CN201911264147 A CN 201911264147A CN 110991640 A CN110991640 A CN 110991640A
Authority
CN
China
Prior art keywords
data
dishes
determining
cooking dish
seasoning
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
Application number
CN201911264147.0A
Other languages
English (en)
Inventor
宋德超
陈翀
王玉宾
董雪莹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gree Electric Appliances Inc of Zhuhai
Zhuhai Lianyun Technology Co Ltd
Original Assignee
Gree Electric Appliances Inc of Zhuhai
Zhuhai Lianyun Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Gree Electric Appliances Inc of Zhuhai, Zhuhai Lianyun Technology Co Ltd filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN201911264147.0A priority Critical patent/CN110991640A/zh
Publication of CN110991640A publication Critical patent/CN110991640A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • A47J47/00—Kitchen containers, stands or the like, not provided for in other groups of this subclass; Cutting-boards, e.g. for bread
    • A47J47/01—Kitchen containers, stands or the like, not provided for in other groups of this subclass; Cutting-boards, e.g. for bread with dispensing devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets

Abstract

本申请涉及一种调料使用量的确定方法、装置、模型优化方法装置以及计算机设备和存储介质。所述方法包括：通过获取预处理后的历史烹饪菜品数据，并根据所述预处理后的历史烹饪菜品数据，确定单份量的不同种类菜品对应的各种调料使用量模型，进而利用单份量的不同种类菜品对应的各种调料量模型，确定当前烹饪菜品所需各种调料使用量。上述方法能够提高调料量精度、用户体验度以及便捷的。

Description

调料使用量的确定方法、装置和模型优化方法、装置
技术领域
本申请涉及智能技术领域，特别是涉及一种调料使用量的确定方法、装置、模型优化方法装置以及计算机设备和存储介质。
背景技术
随着人工智能的浪潮，智能厨房开始广泛受到人们的关注。厨房越来越智能化的同时，相应的人们在厨房的工作中所占的比例也越来越少。然而无论是智能厨房还是传统厨房，在菜谱中调味料量的控制方面以及繁琐的来回取出放回动作依然需要人来操作，这对于智慧厨房的发展无疑是一大痛点。
现有的智能厨房仅仅依靠单一的智能系统来把控用户烹饪的过程，而对于菜品是否正确以及调料多少是否合适，均不能给出确切的答案。此外，智能厨房只能根据一般的菜谱进行监控与调整，不能根据个人的口味以及饮食习惯，对烹饪过程进行把控。
因此，目前的方法，存在用户体验差、精度低等问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高调料量精度、用户体验度以及便捷的调料使用量的确定方法、装置、模型优化方法装置以及计算机设备和存储介质。
一种调料使用量的确定方法，所述方法包括：
获取预处理后的历史烹饪菜品数据；
根据所述预处理后的历史烹饪菜品数据，确定单份量的不同种类菜品对应的各种调料使用量模型；
利用单份量的不同种类菜品对应的各种调料量模型，确定当前烹饪菜品所需各种调料使用量。
在其中一个实施例中，所述根据所述预处理后的历史烹饪菜品数据，确定单份量的不同种类菜品对应的各种调料使用量模型包括：
获取菜品的名称、重量、份量和各种调料使用量；
若所述份量为多人份，则将所述份量以及对应的重量转化为单人份对应重量；
采用聚类分析法对所述菜品进行归类，确定各种调料使用量相同的菜品对应的名称；
根据所述单人份对应重量、各种调料使用量相同的菜品对应的名称以及各种调料使用量，得到单份量的不同种类菜品对应的各种调料使用量模型。
在其中一个实施例中，所述利用单份量的不同种类菜品对应的各种调料量模型，确定当前烹饪菜品所需各种调料使用量包括：
识别当前烹饪菜品，以确定当前烹饪菜品的名称；
根据所述当前烹饪菜品的名称，确定所述当前烹饪菜品的名称所属菜品种类；
根据所述菜品种类，选取当前烹饪菜品对应的单份量的各种调料使用量模型；
获取当前烹饪菜品的份量和用户健康数据；
将所述当前烹饪菜品的名称、当前烹饪菜品的份量和用户健康数据输入所述当前菜品对应的单份量的各种调料使用量模型，得到当前烹饪菜品所需各种调料使用量。
在其中一个实施例中，所述获取预处理后的历史烹饪菜品数据之前包括：
获取历史烹饪菜品数据；
对所述历史烹饪菜品数据进行预处理，确定处理后的历史烹饪菜品数据。
在其中一个实施例中，所述对所述历史烹饪菜品数据进行预处理，确定处理后的历史烹饪菜品数据包括：
对所述历史烹饪菜品数据依次进行数据清洗、数据重构和数据融合，得到预处理后的历史烹饪菜品数据。
一种模型优化方法，所述方法包括：
获取用户反馈信息和数据；
根据所述用户反馈信息和数据，优化单份量的不同种类菜品对应的各种调料使用量模型。
一种调料使用量的确定装置，所述装置包括：
第一获取模块，用于获取预处理后的历史烹饪菜品数据；
第一确定模块，用于根据所述预处理后的历史烹饪菜品数据，确定单份量的不同种类菜品对应的各种调料使用量模型；
第二确定模块，用于利用单份量的不同种类菜品对应的各种调料量模型，确定当前烹饪菜品所需各种调料使用量。
一种模型优化装置，所述装置包括：
第二获取模块，用于获取用户反馈信息和数据；
优化模块，用于根据所述用户反馈信息和数据，优化单份量的不同种类菜品对应的各种调料使用量模型。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上任一项所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的方法的步骤。步骤C。
上述调料使用量的确定方法、装置、模型优化方法装置以及计算机设备和存储介质，通过获取预处理后的历史烹饪菜品数据，并根据所述预处理后的历史烹饪菜品数据，确定单份量的不同种类菜品对应的各种调料使用量模型，进而利用单份量的不同种类菜品对应的各种调料量模型，确定当前烹饪菜品所需各种调料使用量。上述方法能够提高调料量精度、用户体验度以及便捷的。
附图说明
图1为一个实施例中一种调料使用量的确定方法的应用环境图；
图2为一个实施例中一种调料使用量的确定方法的流程示意图；
图3为一个实施例中一种模型优化方法的流程示意图；
图4为一个实施例中一种调料使用量的确定装置的结构框图；
图5为一个实施例中一种模型优化装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的一种调料使用量的确定方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。终端102获取预处理后的历史烹饪菜品数据，并将预处理后的历史烹饪菜品数据传输至服务器104，服务器104根据所述预处理后的历史烹饪菜品数据，确定单份量的不同种类菜品对应的各种调料使用量模型，进而利用单份量的不同种类菜品对应的各种调料量模型，确定当前烹饪菜品所需各种调料使用量。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种调料使用量的确定方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
步骤S201：获取预处理后的历史烹饪菜品数据；
步骤S202：根据所述预处理后的历史烹饪菜品数据，确定单份量的不同种类菜品对应的各种调料使用量模型；
步骤S203：利用单份量的不同种类菜品对应的各种调料量模型，确定当前烹饪菜品所需各种调料使用量。
在S201-S203中，历史烹饪菜品数据指用户在之前的一段时间内所做菜品的相关数据，历史烹饪菜品数据可以反映用户日常的饮食习惯，通过对历史烹饪菜品数据的处理，可自动配出调料装置能够减轻用户在厨房的负担。
上述调料使用量的确定方法，通过获取预处理后的历史烹饪菜品数据，并根据所述预处理后的历史烹饪菜品数据，确定单份量的不同种类菜品对应的各种调料使用量模型，进而利用单份量的不同种类菜品对应的各种调料量模型，确定当前烹饪菜品所需各种调料使用量。上述方法能够提高调料量精度、用户体验度以及便捷的。
在其中一个实施例中，所述步骤S202包括：
步骤S2021：获取菜品的名称、重量、份量和各种调料使用量；
步骤S2022：若所述份量为多人份，则将所述份量以及对应的重量转化为单人份对应重量；
步骤S2023：采用聚类分析法对所述菜品进行归类，确定各种调料使用量相同的菜品对应的名称；
步骤S2024：根据所述单人份对应重量、各种调料使用量相同的菜品对应的名称以及各种调料使用量，得到单份量的不同种类菜品对应的各种调料使用量模型。
在步骤S2021-S2024中，为了获取单份量的不同种类菜品对应的各种调料使用量模型，若预处理后的历史烹饪菜品数据中菜品的份量不是1(即非单人份)，由于份量与重量是对应的，所以份数对应的重量也非单人份的，则需将菜品的份量设置为1，而重量除以原份量即可得到单人份的重量。
进一步地，本申请根据所使用调料将所做菜品进行分类，若预处理后的历史烹饪菜品数据中存在十种菜品，有三种产品所使用调料量相同，则将三种菜品归为一类，即此三种菜品所对应的单份量的各种调料使用量模型相同。菜品为水煮鱼、西红柿炒鸡蛋等，具体不作限定。
进一步地，单人份对应重量、各种调料使用量相同的菜品对应的名称作为输入,各种调料使用量作为输出，对初始模型进行训练，训练完成后，得到单份量的不同种类菜品对应的各种调料使用量模型。其中，初始模型采用BP神经网络模型。
在其中一个实施例中，所述步骤S203包括：
步骤S2031：识别当前烹饪菜品，以确定当前烹饪菜品的名称；
步骤S2032：根据所述当前烹饪菜品的名称，确定所述当前烹饪菜品的名称所属菜品种类；
步骤S2033：根据所述菜品种类，选取当前烹饪菜品对应的单份量的各种调料使用量模型；
步骤S2034：获取当前烹饪菜品的份量和用户健康数据；
步骤S2035：将所述当前烹饪菜品的名称、当前烹饪菜品的份量和用户健康数据输入所述当前菜品对应的单份量的各种调料使用量模型，得到当前烹饪菜品所需各种调料使用量。
在步骤S2031-S2035中，当用户正在烹饪菜品，可以根据现有的模型，即单份量的不同种类菜品对应的各种调料使用量模型现场监控烹饪流程，为用户提供当前烹饪菜品所需各种调料使用量，减轻用户在厨房的负担，提高用户体验度。
在其中一个实施例中，所述步骤S201之前包括：
步骤S105：获取历史烹饪菜品数据；
步骤S106：对所述历史烹饪菜品数据进行预处理，确定处理后的历史烹饪菜品数据。
具体地，对历史烹饪菜品数据进行预处理，可以将历史烹饪菜品数据中的异常值进行剔除，避免异常值对后面计算的影响，以提高确定当前烹饪菜品所需各种调料使用量的精确度。
在其中一个实施例中，所述步骤S106包括：
对所述历史烹饪菜品数据依次进行数据清洗、数据重构和数据融合，得到预处理后的历史烹饪菜品数据。
本申请还提供一种模型优化方法，如图3所示，所述方法包括：
步骤S301：获取用户反馈信息和数据；
步骤S302：根据所述用户反馈信息和数据，优化单份量的不同种类菜品对应的各种调料使用量模型。
具体地，自动配料装置和系统优化，根据所需各种调味料的使用量，控制每种调味料的配出，然后自动混合。用户根据反馈信息和数据传回决策系统，对系统进行优化。
应该理解的是，虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图4所示，提供了一种调料使用量的确定装置，包括：第一获取模块400、第一确定模块500和第二确定模块600，其中：
第一获取模块400，用于获取预处理后的历史烹饪菜品数据；
第一确定模块500，用于根据所述预处理后的历史烹饪菜品数据，确定单份量的不同种类菜品对应的各种调料使用量模型；
第二确定模块600，用于利用单份量的不同种类菜品对应的各种调料量模型，确定当前烹饪菜品所需各种调料使用量。
在其中一个实施例中，所述第一确定模块500包括：
第二获取模块501，用于获取菜品的名称、重量、份量和各种调料使用量；
数据转化模块502，用于若所述份量为多人份，则将所述份量以及对应的重量转化为单人份对应重量；
归类模块503，用于采用聚类分析法对所述菜品进行归类，确定各种调料使用量相同的菜品对应的名称；
模型确定模块504，用于根据所述单人份对应重量、各种调料使用量相同的菜品对应的名称以及各种调料使用量，得到单份量的不同种类菜品对应的各种调料使用量模型。
在其中一个实施例中，所述第二确定模块600包括：
识别模块601，用于识别当前烹饪菜品，以确定当前烹饪菜品的名称；
种类确定模块602，用于根据所述当前烹饪菜品的名称，确定所述当前烹饪菜品的名称所属菜品种类；
选取模块603，用于根据所述菜品种类，选取当前烹饪菜品对应的单份量的各种调料使用量模型；
第三获取模块604，用于获取当前烹饪菜品的份量和用户健康数据；
调料使用量确定模块605，用于将所述当前烹饪菜品的名称、当前烹饪菜品的份量和用户健康数据输入所述当前菜品对应的单份量的各种调料使用量模型，得到当前烹饪菜品所需各种调料使用量。
在其中一个实施例中，所述第一获取模块400之前包括：
第四获取模块308，用于获取历史烹饪菜品数据；
预处理模块309，用于对所述历史烹饪菜品数据进行预处理，确定处理后的历史烹饪菜品数据。
在其中一个实施例中，所述预处理模块309包括：
菜品数据确定模块3091，用于对所述历史烹饪菜品数据依次进行数据清洗、数据重构和数据融合，得到预处理后的历史烹饪菜品数据。
在一个实施例中，如图5所示，提供了一种模型优化装置，包括：第五获取模块700和第三确定模块800，其中：
第五获取模块700，用于获取用户反馈信息和数据；
第三确定模块800，用于根据所述用户反馈信息和数据，优化单份量的不同种类菜品对应的各种调料使用量模型。
关于两个装置的具体限定可以参见上文中对于两个方法的限定，在此不再赘述。上述两个装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种调料使用量的确定方法和一种模型优化方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取预处理后的历史烹饪菜品数据；
根据所述预处理后的历史烹饪菜品数据，确定单份量的不同种类菜品对应的各种调料使用量模型；
利用单份量的不同种类菜品对应的各种调料量模型，确定当前烹饪菜品所需各种调料使用量。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取预处理后的历史烹饪菜品数据；
根据所述预处理后的历史烹饪菜品数据，确定单份量的不同种类菜品对应的各种调料使用量模型；
利用单份量的不同种类菜品对应的各种调料量模型，确定当前烹饪菜品所需各种调料使用量。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取用户反馈信息和数据；
根据所述用户反馈信息和数据，优化单份量的不同种类菜品对应的各种调料使用量模型。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取用户反馈信息和数据；
根据所述用户反馈信息和数据，优化单份量的不同种类菜品对应的各种调料使用量模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种调料使用量的确定方法，其特征在于，所述方法包括：
获取预处理后的历史烹饪菜品数据；
根据所述预处理后的历史烹饪菜品数据，确定单份量的不同种类菜品对应的各种调料使用量模型；
利用单份量的不同种类菜品对应的各种调料量模型，确定当前烹饪菜品所需各种调料使用量。
2.根据权利要求1所述的方法，其特征在于，所述根据所述预处理后的历史烹饪菜品数据，确定单份量的不同种类菜品对应的各种调料使用量模型包括：
获取菜品的名称、重量、份量和各种调料使用量；
若所述份量为多人份，则将所述份量以及对应的重量转化为单人份对应重量；
采用聚类分析法对所述菜品进行归类，确定各种调料使用量相同的菜品对应的名称；
根据所述单人份对应重量、各种调料使用量相同的菜品对应的名称以及各种调料使用量，得到单份量的不同种类菜品对应的各种调料使用量模型。
3.根据权利要求2所述的方法，其特征在于，所述利用单份量的不同种类菜品对应的各种调料量模型，确定当前烹饪菜品所需各种调料使用量包括：
识别当前烹饪菜品，以确定当前烹饪菜品的名称；
根据所述当前烹饪菜品的名称，确定所述当前烹饪菜品的名称所属菜品种类；
根据所述菜品种类，选取当前烹饪菜品对应的单份量的各种调料使用量模型；
获取当前烹饪菜品的份量和用户健康数据；
将所述当前烹饪菜品的名称、当前烹饪菜品的份量和用户健康数据输入所述当前菜品对应的单份量的各种调料使用量模型，得到当前烹饪菜品所需各种调料使用量。
4.根据权利要求1所述的方法，其特征在于，所述获取预处理后的历史烹饪菜品数据之前包括：
获取历史烹饪菜品数据；
对所述历史烹饪菜品数据进行预处理，确定处理后的历史烹饪菜品数据。
5.根据权利要求4所述的方法，其特征在于，所述对所述历史烹饪菜品数据进行预处理，确定处理后的历史烹饪菜品数据包括：
对所述历史烹饪菜品数据依次进行数据清洗、数据重构和数据融合，得到预处理后的历史烹饪菜品数据。
6.一种模型优化方法，其特征在于，所述方法包括：
获取用户反馈信息和数据；
根据所述用户反馈信息和数据，优化单份量的不同种类菜品对应的各种调料使用量模型。
7.一种调料使用量的确定装置，其特征在于，所述装置包括：
第一获取模块，用于获取预处理后的历史烹饪菜品数据；
第一确定模块，用于根据所述预处理后的历史烹饪菜品数据，确定单份量的不同种类菜品对应的各种调料使用量模型；
第二确定模块，用于利用单份量的不同种类菜品对应的各种调料量模型，确定当前烹饪菜品所需各种调料使用量。
8.一种模型优化装置，其特征在于，所述装置包括：
第二获取模块，用于获取用户反馈信息和数据；
优化模块，用于根据所述用户反馈信息和数据，优化单份量的不同种类菜品对应的各种调料使用量模型。
9.一种计算机设备，其特征在于，包括处理器和存储器；
所述存储器用于存储计算机指令，所述处理器用于运行所述存储器存储的计算机指令，以实现权利要求1至5任一项所述的调料使用量的确定方法和/或权利要求6所述的模型优化方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至5任一项所述的调料使用量的确定方法和/或权利要求6所述的模型优化方法。
CN201911264147.0A 2019-12-10 2019-12-10 调料使用量的确定方法、装置和模型优化方法、装置 Pending CN110991640A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911264147.0A CN110991640A (zh) 2019-12-10 2019-12-10 调料使用量的确定方法、装置和模型优化方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911264147.0A CN110991640A (zh) 2019-12-10 2019-12-10 调料使用量的确定方法、装置和模型优化方法、装置

Publications (1)

Publication Number Publication Date
CN110991640A true CN110991640A (zh) 2020-04-10

Family

ID=70092344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911264147.0A Pending CN110991640A (zh) 2019-12-10 2019-12-10 调料使用量的确定方法、装置和模型优化方法、装置

Country Status (1)

Country Link
CN (1) CN110991640A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686554A (zh) * 2020-12-31 2021-04-20 拉扎斯网络科技（上海）有限公司 物料管理系统及方法
CN113768366A (zh) * 2020-06-09 2021-12-10 珠海优特智厨科技有限公司 一种下料方法、装置、存储介质以及计算设备
CN116952935A (zh) * 2023-07-20 2023-10-27 西南石油大学 一种控盐系统及方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09218875A (ja) * 1996-02-08 1997-08-19 Matsushita Electric Ind Co Ltd 対話型料理検索装置
US20040099144A1 (en) * 2001-03-22 2004-05-27 Takahiro Kudo Cooking-related information providing system, cooking-related information providing apparatus, cooking apparatus, cooking-related information providing method, cooking-related information fetch method, cooking-related information providing program, and cooking-related information fetch program
CN106419669A (zh) * 2016-09-30 2017-02-22 广东美的厨房电器制造有限公司 菜板和烹饪系统
CN107302579A (zh) * 2017-06-30 2017-10-27 广东美的厨房电器制造有限公司 菜谱推荐方法、装置和系统
CN108062343A (zh) * 2017-07-27 2018-05-22 宁波方太厨具有限公司 一种个性化智能菜谱的生成方法
CN109509117A (zh) * 2018-09-30 2019-03-22 口碑(上海)信息技术有限公司 一种菜品推荐方法、装置及系统
CN109567565A (zh) * 2019-02-01 2019-04-05 广州餐无忧科技有限公司 一种在连续烹调的自动烹饪机中自动调整烹饪次序的方法
CN109752975A (zh) * 2019-01-24 2019-05-14 珠海优特智厨科技有限公司 一种菜谱自适应调整的方法、装置及存储介质
CN110135957A (zh) * 2019-05-20 2019-08-16 梁志鹏 一种智能餐厅健康饮食的菜品推荐方法、装置及存储介质
CN110400197A (zh) * 2019-07-25 2019-11-01 泰康保险集团股份有限公司 数据处理方法、装置、介质及电子设备

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09218875A (ja) * 1996-02-08 1997-08-19 Matsushita Electric Ind Co Ltd 対話型料理検索装置
US20040099144A1 (en) * 2001-03-22 2004-05-27 Takahiro Kudo Cooking-related information providing system, cooking-related information providing apparatus, cooking apparatus, cooking-related information providing method, cooking-related information fetch method, cooking-related information providing program, and cooking-related information fetch program
CN106419669A (zh) * 2016-09-30 2017-02-22 广东美的厨房电器制造有限公司 菜板和烹饪系统
CN107302579A (zh) * 2017-06-30 2017-10-27 广东美的厨房电器制造有限公司 菜谱推荐方法、装置和系统
CN108062343A (zh) * 2017-07-27 2018-05-22 宁波方太厨具有限公司 一种个性化智能菜谱的生成方法
CN109509117A (zh) * 2018-09-30 2019-03-22 口碑(上海)信息技术有限公司 一种菜品推荐方法、装置及系统
CN109752975A (zh) * 2019-01-24 2019-05-14 珠海优特智厨科技有限公司 一种菜谱自适应调整的方法、装置及存储介质
CN109567565A (zh) * 2019-02-01 2019-04-05 广州餐无忧科技有限公司 一种在连续烹调的自动烹饪机中自动调整烹饪次序的方法
CN110135957A (zh) * 2019-05-20 2019-08-16 梁志鹏 一种智能餐厅健康饮食的菜品推荐方法、装置及存储介质
CN110400197A (zh) * 2019-07-25 2019-11-01 泰康保险集团股份有限公司 数据处理方法、装置、介质及电子设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113768366A (zh) * 2020-06-09 2021-12-10 珠海优特智厨科技有限公司 一种下料方法、装置、存储介质以及计算设备
CN112686554A (zh) * 2020-12-31 2021-04-20 拉扎斯网络科技（上海）有限公司 物料管理系统及方法
CN116952935A (zh) * 2023-07-20 2023-10-27 西南石油大学 一种控盐系统及方法

Similar Documents

Publication Publication Date Title
CN110991640A (zh) 调料使用量的确定方法、装置和模型优化方法、装置
US11562222B2 (en) Systems and methods of identity analysis of electrocardiograms
EP4013297A1 (en) Device and method for medical diagnostics
US9443002B1 (en) Dynamic data analysis and selection for determining outcomes associated with domain specific probabilistic data sets
Sarno et al. Dopamine reward prediction error signal codes the temporal evaluation of a perceptual decision report
Chiang et al. Using wearables and machine learning to enable personalized lifestyle recommendations to improve blood pressure
CN111506723A (zh) 问答响应方法、装置、设备及存储介质
CN111046289A (zh) 食材处理推荐方法、食材处理模型的训练方法及相关装置
CN109377388B (zh) 医保投保方法、装置、计算机设备和存储介质
Dietrich et al. Thyrotropic feedback control: evidence for an additional ultrashort feedback loop from fractal analysis
CN112035611A (zh) 目标用户推荐方法、装置、计算机设备和存储介质
Hernando et al. DIABNET: a qualitative model-based advisory system for therapy planning in gestational diabetes
CN116942149B (zh) 基于毫米波雷达的腰椎监控方法、装置、设备及存储介质
Mortensen et al. Multi-class stress detection through heart rate variability: A deep neural network based study
US20190328322A1 (en) Information processing apparatus and operation method thereof
KR102519214B1 (ko) 뉴럴 네트워크 모델에 기초한 반려 동물 영양제 추천 정보 생성 방법
CN109800975B (zh) 一种资源评估方法、装置、计算机设备和存储介质
CN111967581A (zh) 分群模型的解释方法、装置、计算机设备和存储介质
CN111210051A (zh) 一种用户用电行为预测方法及系统
CN113724824B (zh) 慢性病患者随访方法、装置、计算机设备及可读存储介质
CN109582309A (zh) 一种用于网站界面生成的辅助设计方法
CN116994764A (zh) 一种健康行为模型构建方法、装置及电子设备及存储介质
KR102499912B1 (ko) 시계열 검진 데이터를 이용한 딥러닝 기반 전립선암 재발예측 시스템
CN110390999B (zh) 一种临床数据的值域计算方法、装置、可读介质及电子设备
KR102033063B1 (ko) 개인 히스토리 데이터 기반 맞춤형 건강 관리 시스템 및 방법

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