CN111192332A - 一种基于烟雾检测的烟机控制方法以及烟机 - Google Patents

Abstract

本发明揭示了一种基于烟雾检测的烟机控制方法，包括：获取烹饪区域内的包含有烟雾特征的原始图像；对原始图像进行处理以获得消除烟雾特征后的去雾图像；根据原始图像以及去雾图像确定烹饪过程中的烟雾信息，烟雾信息包括烟雾浓度信息以及烟雾位置信息。本发明所揭示的方法，能够提升图像识别的准确性，并改善图像烟雾检测的稳定性和可靠性，大大增强了烟机产品的智能属性。本发明同时还揭示了一种烟机，能够根据图像识别结果以及图像烟雾检测情况实现自动控制。

Description

一种基于烟雾检测的烟机控制方法以及烟机

技术领域

本发明涉及烟机领域，更具体地说，涉及一种基于烟雾检测的烟机控制方法。本发明同时还涉及一种烟机。

背景技术

随着智能技术的发展，图像技术开始在烟机产品上有所应用，然而现有的智能烟机产品功能单一，在烟雾检测以及烹饪识别方面仍存在较大局限，远未达到人们预期的自动化智能工作的水平，因而智能烟机产品仍需要进一步迭代和优化，以解决用户的痛点。

发明内容

本发明为解决上述现有技术中存在的技术问题，提供了一种基于烟雾检测的烟机控制方法，该方法采集了烹饪区域内包含有烟雾特征的原始图像，并对原始图像进行了去雾处理，从而引入了多个烟雾浓度的量化参数来表征烟雾的大小，提升了通过图像识别检测烟雾浓度方案的可靠性；另外，去雾后的图像消除了烟雾影响，能够用于食材识别和烹饪动作识别等，提升了识别准确率。本发明同时还揭示了一种采用本发明方法进行控制的烟机，该烟机能够实现烟雾检测和图像识别功能，并智能地进行自动控制。

为达到上述目的，本发明采用的技术方案如下：

一种基于烟雾检测的烟机控制方法，包括：获取烹饪区域内的包含有烟雾特征的原始图像；对原始图像进行处理以获得消除烟雾特征后的去雾图像；根据原始图像以及去雾图像确定烹饪过程中的烟雾信息，烟雾信息包括烟雾浓度信息以及烟雾位置信息。

进一步地，对原始图像进行处理以获得消除烟雾特征后的去雾图像的步骤包括：灰度图像获取步骤，通过三基色通道的最值计算获取原始图像中对应的灶台区域图像的灰度最大值图像以及灰度最小值图像；去雾优化系数计算步骤，通过预设算法根据灰度最大值图像以及灰度最小值图像计算获得相应的去雾优化系数；去雾图像获取步骤，根据雾图模型以及去雾优化系数求解获得相应的去雾图像。

进一步地，预设算法包括：对灰度最大值图像进行二值化处理，并对二值化处理后的结果图进行分块处理，分别计算每一子块图像的对比度系数Con_i；对灰度最小值图像进行相同分块处理，分别计算每一子块图像的灰度均值Mean_i和灰度标准差STD_i；计算每一子块图像的去雾优化系数ω_i，其中

I_max为相应子块图像所具有的最大灰度值，I_min为相应子块图像所具有的最小灰度值。

进一步地，去雾图像获取步骤包括：根据去雾优化系数ω_i确定相应子块图像的透射图对应点的像素灰度值t_i(x,y)；将透射图对应点的像素灰度值t_i(x,y)代入雾图模型求解获得去雾后相应子块图像对应点的像素灰度值J_i(x,y)；根据去雾后相应子块图像对应点的像素灰度值J_i(x,y)获得去雾后的各子块图像，并对去雾后的各子块图像进行合成获得去雾图像。

进一步地，根据原始图像以及去雾图像确定烹饪过程中的烟雾信息的步骤包括：获取浓度量化参数以确定烟雾浓度信息，浓度量化参数至少包括以下之一：灰度最小值图像的均值方差比Param1；原始图像与去雾图像的彩色图像相似度Param2；对原始图像和去雾图像进行边缘检测和差分处理获得的边缘参数Param3；提取原始图像与去雾图像之间的纹理变化信息获得的纹理参数Param4；通过小波分解及高低频特性筛选获得的高低频信息比Param5。

进一步地，根据原始图像以及去雾图像确定烹饪过程中的烟雾信息的步骤还包括：还通过小波分解及高低频特性筛选获取位置量化参数以确定烟雾位置信息。

进一步地，根据原始图像以及去雾图像确定烹饪过程中的烟雾信息的步骤还包括：对浓度量化参数以及位置量化参数构成的量化参数组合进行函数处理以表征烟雾浓度的大小并确定烟雾的集中区域，函数处理包括均方差处理、离群点检测和/或逻辑组合处理。

进一步地，方法还包括：根据去雾图像对烹饪关联物品以及烹饪关联行为进行识别。

进一步地，灰度图像获取步骤之前还包括：区域提取步骤，在原始图像中定位出灶台所在区域并进行背景剔除处理以获得灶台区域图像。

本发明同时还揭示了一种烟机：

一种采用本发明所述方法进行控制的烟机，包括：图像采集模块，用于获取烹饪区域内的包含有烟雾特征的原始图像；去雾模块，用于对原始图像进行处理以获得消除烟雾特征后的去雾图像；烟雾信息获取模块，用于根据原始图像以及去雾图像确定烹饪过程中的烟雾信息，烟雾信息包括烟雾浓度信息以及烟雾位置信息。

本发明技术方案的有益效果如下：

本发明所揭示的一种基于烟雾检测的烟机控制方法，通过去雾算法获得相应的去雾图像，根据原始图像和去雾图像提取量化参数，采用多个量化参数评估烟雾浓度，从而消除了强光、离群点等异常情况对烟雾检测的可靠性影响，同时还提高了用于进行图像识别的图像质量。本发明同时还揭示了一种采用本发明方法进行控制的烟机，能够结合烟雾浓度和位置智能调整吸力和风向，并对食材、用户烹饪动作等作出识别和响应。

附图说明

图1是本发明所述方法其中一实施例的步骤框图；

图2是本发明所述方法其中一实施例的场景示意图；

图3是本发明所述方法其中一实施例中获取去雾图像的流程示意图；

图4a和图4b是本发明所述方法其中一实施例中原始图像与去雾图像的对比示意图；

图5是本发明所述方法其中一实施例中Param1参数获取的流程示意图；

图6是本发明所述方法其中一实施例中Param2参数获取的流程示意图；

图7是本发明所述方法其中一实施例中Param3～Param5参数获取的流程示意图；

图8是本发明所述方法其中一实施例中位置量化参数获取的效果示意图；

图9是本发明所述方法其中一实施例中所涉及的烟雾浓度示意图；

图10是本发明所述方法又一实施例的流程示意图；

图11是本发明所述烟机的模块架构图。

具体实施方式

以下通过附图和具体实施例对本发明所提供的技术方案做更加详细的描述：

图1和图2涉及本发明所述方法的其中一实施例。其中图1揭示了本发明所述方法其中一实施例的步骤框图。该实施例中揭示了一种基于烟雾检测的烟机控制方法，包括：

步骤101，获取烹饪区域内的包含有烟雾特征的原始图像；

步骤102，对原始图像进行处理以获得消除烟雾特征后的去雾图像；

步骤103，根据原始图像以及去雾图像确定烹饪过程中的烟雾信息，烟雾信息包括烟雾浓度信息以及烟雾位置信息。

图2涉及本发明所述方法其中一实施例的场景示意图，该实施例中，揭示了一种烟机201，该烟机201设置有图像采集装置203，烟机201下方设置有灶台202，其中图像采集装置203用于获取烹饪区域内包含有烟雾特征的原始图像，相应的图像可以用于食材识别、用户烹饪动作识别以及烟雾浓度检测等。然而，目前的图像烟雾检测技术稳定性和可靠性较差，当厨房环境光线的变化引起灶台区域出现强烈反光的情况下，所采集的图像中出现泛白区域，容易导致相应区域被识别误判为烟雾浓烈，从而影响烟雾浓度检测的效果。另一方面，由于烟雾特征的存在，会对图像清晰度产生影响，将包含有烟雾特征的原始图像直接用于食材识别、烹饪动作识别等会降低识别效率，并有可能导致误识别。本实施例中所采用的去雾处理将有助于上述问题的解决。

该实施例中，由于对原始图像进行了处理而获得了消除烟雾特征后的去雾图像，相应的去雾图像能够分别用于图像烟雾检测和烹饪相关的物品、动作识别，达到“一图两用”的效果。另外，将原始图像和去雾图像结合使用来进行图像烟雾检测，能够获得更多的浓度量化参数，有助于提高图像算法的适应性及可靠性，避免了单一浓度量化参数容易受异常环境因素突变(如光线等)而导致误判的情况出现。同时，该实施例摆脱了惯常思维，没有采用包含有烟雾特征的原始图像直接进行烟雾浓度检测，而是选取了先去雾再检测的思路，从而引入了多个浓度量化参数，起到了提升图像烟雾检测的准确度、确保图像烟雾检测算法的适应性和可靠性的作用。

在本发明所述方法的其中一实施例中，对所述原始图像进行处理以获得消除所述烟雾特征后的去雾图像的步骤包括：

步骤301，灰度图像获取步骤：通过三基色通道的最值计算获取所述原始图像中对应的灶台区域图像的灰度最大值图像以及灰度最小值图像；

步骤302，去雾优化系数计算步骤：通过预设算法根据所述灰度最大值图像以及所述灰度最小值图像计算获得相应的去雾优化系数；

步骤303，去雾图像获取步骤：根据雾图模型以及所述去雾优化系数求解获得相应的去雾图像。

如图3所示的，是本发明所述方法其中一实施例中获取去雾图像的流程示意图，在该实施例中，对原始图像中所包含的灶台区域图像进行处理，通过三基色通道的最值计算，获得灶台区域图像的灰度最大值图像以及灰度最小值图像，之后按照一系列预设算法对灰度最大值图像和灰度最小值图像进行计算以获得相应的去雾优化系数，最后可以通过雾图模型以及相应的去雾优化系数进行求解，以获得消除了烟雾特征的去雾图像。

在本发明所述方法的其中一实施例中，所述预设算法包括：对所述灰度最大值图像进行二值化处理，并对二值化处理后的结果图进行分块处理，分别计算每一子块图像的对比度系数Con_i；对所述灰度最小值图像进行相同分块处理，分别计算每一子块图像的灰度均值Mean_i和灰度标准差STD_i；计算每一子块图像的去雾优化系数ω_i，其中

I_max为相应子块图像所具有的最大灰度值，I_min为相应子块图像所具有的最小灰度值。

该实施例中，采用预设算法，对灰度最大值图像和灰度最小值图像进行了分块并分别进行了处理，其中分块处理相较整块直接处理，能够更好地滤除烟雾特征，使最终合成的完整去雾图像更加清晰。本领域人员可以理解地，其中字母i为对于子块图像的记数，例如ω_i为第i块子块图像的去雾优化系数，以此类推。在本发明所述方法其中一实施例中，为了使灰度最大值图像在二值化处理后符合要求，相应的二值化阈值设置在0.02～0.1的区间内。所述的灰度最大值图像在进行二值化处理之前还经过积分图计算处理以及边缘检测处理。根据上述公式(1)可以计算获得各子块图像的去雾优化系数。

在本发明所述方法的其中一实施例中，基于步骤303，根据雾图模型以及相应的去雾优化系数能够对各子块图像的去雾图像进行求解，从而获得去雾后的各子块图像；再对去雾后的各子块图像进行合成，即可最终获得与原始图像相对应的完整的去雾图像。在本发明所述方法的其中一实施例中，所述去雾图像获取步骤包括：

根据所述去雾优化系数ω_i确定相应子块图像的透射图对应点的像素灰度值t_i(x,y)；

将透射图对应点的像素灰度值t_i(x,y)代入雾图模型求解获得去雾后相应子块图像对应点的像素灰度值J_i(x,y)；

根据去雾后相应子块图像对应点的像素灰度值J_i(x,y)获得去雾后的各子块图像，并对去雾后的各子块图像进行合成获得所述去雾图像。

该实施例中，能够根据去雾优化系数确定透射图对应点的像素灰度值，然后可依据透射图对应点的像素灰度值以及雾图模型求解出去雾后相应子块图像对应点的像素灰度值，从而能够获得去雾后的各子块图像。对于存在烟雾情况下的雾图模型表达式如下：

I_c(x,y)＝t(x,y)J_c(x,y)+(1-t(x,y))A_c； (2)

其中，I_c(x,y)、J_c(x,y)分别为未去雾的图像和去除烟雾后的图像对应点像素灰度值，t(x,y)为透射图对应点的像素灰度值，A_c为大气光照强度值，imgDark(x,y)为暗通道图像对应点像素灰度值，μ为计算权值(μ为0-1之间的数值，由人为确定)，c为颜色通道标记，取红绿蓝三基色分别进行计算。通常情况下，确定了t(x,y)以及A_c即可实现计算出去除烟雾后的图像对应点的像素灰度值J_c(x,y)，但在本发明所述的实施例中，由于进行了分块处理并引入了去雾优化系数ω_i，且已经对图像进行了三基色通道的最值计算，因而需要利用去雾优化系数ω_i进行子块图像的比例调整。调整之后，获得透射图对应点的像素灰度值

将(4)式代入雾图模型可得去雾后相应第i块子块图像对应点的像素灰度值

去雾后各子块图像所有点的像素灰度值得以确定，即可获得完整的去雾图像。图4a和图4b是本发明所述方法其中一实施例中原始图像与去雾图像的对比示意图，从中可以看出一张图像去雾前和去雾后的情况对比。

如图5～7所示的，涉及本发明其中一实施例中浓度量化参数Param1～Param5的获取。在本发明所述方法其中一实施例中，所述根据所述原始图像以及所述去雾图像确定烹饪过程中的烟雾信息的步骤包括：

获取浓度量化参数以确定所述烟雾浓度信息，所述浓度量化参数至少包括以下之一：所述灰度最小值图像的均值方差比Param1；所述原始图像与所述去雾图像的彩色图像相似度Param2；对所述原始图像和去雾图像进行边缘检测和差分处理获得的边缘参数Param3；提取所述原始图像与去雾图像之间的纹理变化信息获得的纹理参数Param4；通过小波分解及高低频特性筛选获得的高低频信息比Param5。

该实施例中，Param1_i＝mean_i/stddev_i，对于通过各子块图像得到的Param1_i进行离群点检测，去除明显偏离主体的值，对剩余的Param1_i进行均值计算后得到灰度最小值图像的均值方差比Param1(

N为去除离群点之后得到的Param1_i的个数。

在其中一实施例中，对于Param2的获取方法如图6所示。该实施例中，对原始图像和去雾图像进行颜色空间转换，转换至HSV、YUV和Lab三种颜色空间中，对转换后所产生的图像进行颜色直方图提取，生成两组特征序列，一组为原始图像所产生的特征Hist_old，另一组为去雾图像所产生的特征Hist2_new，对两组特征序列进行相似度计算，获得彩色图像相似度Param2，其中

在其中一实施例中，对于Param3～Param5的获取方法如图7所示。该实施例中，分别对原始图像和去雾图像进行处理，截取灶台区域图像并获得关于灶台区域图像的两张灰度最小值图像，对两张灰度最小值图像进行噪声去除和边缘检测处理获得两张边缘图，对两张边缘图进行差分处理后进行有效像素统计，获得边缘参数Param3。

在其中一实施例中，将原始图像与去雾图像进行对比，确定原始图像在经过去雾处理后在纹理特征的变化情况。选取灰度共生矩阵对原始图像和去雾图像进行纹理提取，分别计算多方向的灰度共生矩阵GLCM_n(n取0°、45°、90°、135°以及180°等方向)，然后对灰度共生矩阵进行纹理特征的量化，选择能量energy_n、对比度contrast_n以及熵entropy_n作为纹理特征，得到两个纹理特征序列

feature_θ1＝{{energy1_n，...}，{contrast1_n，...}，{entropy1_n，...}}，

feature_θ2＝{{energy2_n，...}，{contrast2_n，...}，{entropy2_n，...}}，

然后使用余弦相似度计算公式计算纹理参数Param4，其中

在其中一实施例中，通过小波分解完成高低频信息比Param5。该实施例中，将原始图像的小波分解图与去雾图像的小波分解图进行处理获得一张新的图像，该图像的低频部分可以反映烟雾所在的位置。同时对新图像中的高低频分量进行量化，得到四组特征数值(Low_i，High1_i，High2_i，High3_i)，对高低频分量进行整合获得高低频信息比Param5，

Param5＝∑Func(Low_i)/(∑Func(High1_i)+∑Func(High2_i)+∑Func(High3_i))

式中的Func是针对子块图像的高低频分量进行筛选处理的过滤函数。

通过上述五个浓度量化参数中的至少一个，可以用来表征相应的烟雾浓度信息。且如果设置有其中的三个及以上的浓度量化参数，将大大提高图像烟雾浓度检测的准确性以及算法适应性，因为光线等条件的异常突变可能只会引起五个浓度量化参数中的一两个参数的变化，而其他多个参数仍然表现正常，此时处于多数且正常的参数将决定最终的烟雾浓度量化结果，从而确保了烟雾浓度检测结果的稳定。例如，当有异常因素干扰导致Param1误判产生了一个低烟雾浓度值，而其他的浓度量化参数Param2～Param5均维持正常，处于一个高烟雾浓度值，此时实际的烟雾浓度将服从多数(Param2～Param5)，最终检测输出一个高烟雾浓度值。

在本发明所述方法的其中一实施例中，所述根据所述原始图像以及所述去雾图像确定烹饪过程中的烟雾信息的步骤还包括：

还通过所述小波分解及高低频特性筛选获取位置量化参数以确定所述烟雾位置信息。

通过小波分解，相应图像的低频部分能够表征烟雾所在的位置，从而能够获取烟雾所在区域的位置量化参数，确定烟雾位置信息。如图8所示的，是本发明其中一实施例中位置量化参数获取的效果示意图，其中白色线框中所确定的区域即为烟雾的集中区域。

在本发明所述方法其中一实施例中，所述根据所述原始图像以及所述去雾图像确定烹饪过程中的烟雾信息的步骤还包括：

对所述浓度量化参数以及所述位置量化参数构成的量化参数组合进行函数处理以表征烟雾浓度的大小并确定烟雾的集中区域，所述函数处理包括均方差处理、离群点检测和/或逻辑组合处理。

上述实施例中，将浓度量化参数以及位置量化参数构成的量化参数组合进行相应的函数处理，能够最终得到表征烟雾浓度的大小的具体参量，并能够确定烟雾的集中区域。如图9所示，是本发明其中一实施例中的烟雾浓度示意图，其中横轴代表图像帧数，纵轴代表相应帧图像中所检测到的烟雾浓度，烟雾浓度为0代表灶台区域内几乎没有烟雾产生，烟雾浓度为1代表灶台区域内烟雾浓度已经达到了所能检测到的最大值，通过图像实时采集的数据，能够动态实时地检测烟雾浓度的大小，从而根据烟雾浓度的大小智能控制烟机工作。

在本发明所述方法的其中一实施例中，所述方法还包括：根据所述去雾图像对烹饪关联物品以及烹饪关联行为进行识别。如图10所示的，是本发明所述方法又一实施例的流程示意图。该实施例中，包括原始图像采集1001、获取去雾图像1002、根据去雾图像进行识别1003、图像烟雾检测1004以及确定烟雾浓度信息及烟雾位置信息1005等步骤，其中在获得了去雾图像之后，相应的去雾图像不仅可以用于图像烟雾检测1004的步骤，还可以用于根据去雾图像进行识别1003的步骤，从而达到了“一图两用”的效果。其中，相应的去雾图像能够用于烹饪关联物品的识别(如食材识别、锅具识别、烹饪器具识别等)，也可以用于烹饪关联行为的识别(如烹饪动作识别等)，由于已经经过了去雾处理，因而识别效果将大大提升，能够减少误识别率。

在本发明所述方法的其中一实施例中，所述灰度图像获取步骤之前还包括：区域提取步骤，在所述原始图像中定位出灶台所在区域并进行背景剔除处理以获得所述灶台区域图像。该实施例中，对灶台区域图像进行了定位和扣取，方便针对灶台所在区域进行图像识别和图像烟雾检测，其中由于灶台的位置通常不会改变，因而该区域提取步骤通常在烟机首次开机之后进行一次即可。

如图11所示的，是本发明所述烟机其中一实施例的模块架构图。本发明同时还揭示了一种采用本发明所述方法进行控制的烟机1100，包括：图像采集模块1101，用于获取烹饪区域内的包含有烟雾特征的原始图像；去雾模块1102，用于对所述原始图像进行处理以获得消除所述烟雾特征后的去雾图像；烟雾信息获取模块1103，用于根据所述原始图像以及所述去雾图像确定烹饪过程中的烟雾信息，所述烟雾信息包括烟雾浓度信息以及烟雾位置信息。

该实施例中的烟机1100，通过去雾模块1102对所采集的原始图像进行去雾处理，获得相应的去雾图像，并可将去雾图像分别用于烟雾信息的获取和烹饪相关的识别，从而拓展了图像采集模块1101所具有的功能，能够更加智能地对烟机进行自动控制。

上述具体实施方式只是用于说明本发明的设计方法，并不能用来限定本发明的保护范围。对于在本发明技术方案的思想指导下的变形和转换，都应该归于本发明保护范围以内。

Claims (10)

1.一种基于烟雾检测的烟机控制方法，其特征在于，包括：

获取烹饪区域内的包含有烟雾特征的原始图像；

对所述原始图像进行处理以获得消除所述烟雾特征后的去雾图像；

根据所述原始图像以及所述去雾图像确定烹饪过程中的烟雾信息，所述烟雾信息包括烟雾浓度信息以及烟雾位置信息。

2.根据权利要求1所述方法，其特征在于，对所述原始图像进行处理以获得消除所述烟雾特征后的去雾图像的步骤包括：

灰度图像获取步骤，通过三基色通道的最值计算获取所述原始图像中对应的灶台区域图像的灰度最大值图像以及灰度最小值图像；

去雾优化系数计算步骤，通过预设算法根据所述灰度最大值图像以及所述灰度最小值图像计算获得相应的去雾优化系数；

去雾图像获取步骤，根据雾图模型以及所述去雾优化系数求解获得相应的去雾图像。

3.根据权利要求2所述的方法，其特征在于，所述预设算法包括：

对所述灰度最大值图像进行二值化处理，并对二值化处理后的结果图进行分块处理，分别计算每一子块图像的对比度系数Con_i；对所述灰度最小值图像进行相同分块处理，分别计算每一子块图像的灰度均值Mean_i和灰度标准差STD_i；计算每一子块图像的去雾优化系数ω_i，其中

I_max为相应子块图像所具有的最大灰度值，I_min为相应子块图像所具有的最小灰度值。

4.根据权利要求3所述的方法，其特征在于，所述去雾图像获取步骤包括：

根据所述去雾优化系数ω_i确定相应子块图像的透射图对应点的像素灰度值t_i(x,y)；

将透射图对应点的像素灰度值t_i(x,y)代入雾图模型求解获得去雾后相应子块图像对应点的像素灰度值J_i(x,y)；

根据去雾后相应子块图像对应点的像素灰度值J_i(x,y)获得去雾后的各子块图像，并对去雾后的各子块图像进行合成获得所述去雾图像。

5.根据权利要求2-4中任一项所述的方法，其特征在于，所述根据所述原始图像以及所述去雾图像确定烹饪过程中的烟雾信息的步骤包括：

获取浓度量化参数以确定所述烟雾浓度信息，所述浓度量化参数至少包括以下之一：所述灰度最小值图像的均值方差比Param1；所述原始图像与所述去雾图像的彩色图像相似度Param2；对所述原始图像和去雾图像进行边缘检测和差分处理获得的边缘参数Param3；提取所述原始图像与去雾图像之间的纹理变化信息获得的纹理参数Param4；通过小波分解及高低频特性筛选获得的高低频信息比Param5。

6.根据权利要求5所述的方法，其特征在于，所述根据所述原始图像以及所述去雾图像确定烹饪过程中的烟雾信息的步骤还包括：

还通过所述小波分解及高低频特性筛选获取位置量化参数以确定所述烟雾位置信息。

7.根据权利要求6所述的方法，其特征在于，所述根据所述原始图像以及所述去雾图像确定烹饪过程中的烟雾信息的步骤还包括：

对所述浓度量化参数以及所述位置量化参数构成的量化参数组合进行函数处理以表征烟雾浓度的大小并确定烟雾的集中区域，所述函数处理包括均方差处理、离群点检测和/或逻辑组合处理。

8.根据权利要求1-4中任一项所述的方法，其特征在于，所述方法还包括：根据所述去雾图像对烹饪关联物品以及烹饪关联行为进行识别。

9.根据权利要求2-4中任一项所述的方法，其特征在于，所述灰度图像获取步骤之前还包括：

区域提取步骤，在所述原始图像中定位出灶台所在区域并进行背景剔除处理以获得所述灶台区域图像。

10.一种采用权利要求1-9中任一项所述方法进行控制的烟机，其特征在于，包括：

图像采集模块，用于获取烹饪区域内的包含有烟雾特征的原始图像；

去雾模块，用于对所述原始图像进行处理以获得消除所述烟雾特征后的去雾图像；

烟雾信息获取模块，用于根据所述原始图像以及所述去雾图像确定烹饪过程中的烟雾信息，所述烟雾信息包括烟雾浓度信息以及烟雾位置信息。

Images