CN111354010B - 一种基于烟雾识别的烟机控制方法以及烟机 - Google Patents

一种基于烟雾识别的烟机控制方法以及烟机 Download PDF

Info

Publication number
CN111354010B
CN111354010B CN201811563662.4A CN201811563662A CN111354010B CN 111354010 B CN111354010 B CN 111354010B CN 201811563662 A CN201811563662 A CN 201811563662A CN 111354010 B CN111354010 B CN 111354010B
Authority
CN
China
Prior art keywords
smoke
image
foreground
cooking
target image
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.)
Active
Application number
CN201811563662.4A
Other languages
English (en)
Other versions
CN111354010A (zh
Inventor
朱泽春
孙金彪
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.)
Joyoung Co Ltd
Original Assignee
Joyoung 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 Joyoung Co Ltd filed Critical Joyoung Co Ltd
Priority to CN201811563662.4A priority Critical patent/CN111354010B/zh
Publication of CN111354010A publication Critical patent/CN111354010A/zh
Application granted granted Critical
Publication of CN111354010B publication Critical patent/CN111354010B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24C—DOMESTIC STOVES OR RANGES ; DETAILS OF DOMESTIC STOVES OR RANGES, OF GENERAL APPLICATION
    • F24C15/00—Details
    • F24C15/20—Removing cooking fumes
    • F24C15/2021—Arrangement or mounting of control or safety systems
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Image Analysis (AREA)

Abstract

本发明揭示了一种基于烟雾识别的烟机控制方法，包括：获取烹饪区域内的目标图像；提取所述目标图像对应的前景图像中的烟雾特征；根据所述烟雾特征确定烹饪烟雾所形成的纹理信息并将所述纹理信息量化为对应的纹理特征数据；将所述纹理特征数据送入预设的烟雾浓度算法模型进行计算；根据计算结果确定烟雾浓度以控制烟机工作。本发明所揭示的方法，能够提升烟雾浓度的识别准确度，实现烟机的智能控制。本发明同时还揭示了一种烟机，该烟机能够在无须用户干预的情况下自行调整工作参数，彻底吸收烹饪环境的烟雾。

Description

一种基于烟雾识别的烟机控制方法以及烟机
技术领域
本发明涉及家电领域，更具体地说，涉及一种基于烟雾识别的烟机控制方法。
本发明还涉及一种烟机。
背景技术
随着图像识别技术的日臻成熟，越来越多的家电厂商开始在家电设备上搭载摄像头并启用图像识别算法，以提升家电设备的智能化程度。而目前的烟机产品智能化程度较低，工作过程需要用户介入，主要依赖用户对烹饪环境中烟雾浓度的感知来人为控制烟机的工作。由此导致用户需要长期停留于烟雾弥漫的厨房环境，长时间地监督烟机产品工作，直至烹饪结束，这样不仅加重了用户的烹饪负担，而且有害于用户健康，因而目前的烟机产品已经不能满足用户对于智能以及健康的追求，亟待改进。
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识别的烟机控制方法，该方法采用图像识别技术对烟雾特征进行识别，使得烟机能够智能感知烟雾浓度以及烟雾的分布情况，从而在无人干预地情况下自动工作吸收油烟，大大提升了烟机的智能化程度。本发明同时还揭示了一种烟机，该烟机设置有图像采集模块，能够利用图像识别技术识别检测烟雾，达到“风随烟动”的理想效果。
为达到上述目的，本发明采用的技术方案如下：
一种基于烟雾识别的烟机控制方法，包括：获取烹饪区域内的目标图像；提取所述目标图像对应的前景图像中的烟雾特征；根据所述烟雾特征确定烹饪烟雾所形成的纹理信息并将所述纹理信息量化为对应的纹理特征数据；将所述纹理特征数据送入预设的烟雾浓度算法模型进行计算；根据计算结果确定烟雾浓度以控制烟机工作。
进一步地，所述提取所述目标图像对应的前景图像中的烟雾特征的步骤包括：对所述目标图像进行前景后景分离处理以获取所述目标图像对应的前景图像；通过帧间差分方法确定所述前景图像中的干扰特征；对所述前景图像中的干扰特征所在的区域进行剔除，并在剔除过后的前景图像中提取所述烟雾特征。
进一步地，所述提取所述目标图像对应的前景图像中的烟雾特征的步骤还包括：对所述前景图像进行分割获得相应的子区图像；将分割后的所述前景图像送入预设的混合分类器进行分类判断以确定各子区图像中烟雾的有无。
进一步地，所述对所述前景图像进行分割获得相应的子区图像的步骤包括：对所述前景图像进行Gabor小波变换以获取相应的变换结果图，根据所述变换结果图确定烹饪烟雾所形成的纹理信息并将所述纹理信息量化为对应的纹理特征数据。
进一步地，所述提取所述目标图像对应的前景图像中的烟雾特征的步骤还包括：对所述前景图像进行时域滤波处理以消除所述前景图像中的光影扰动。
进一步地，所述将所述纹理特征数据送入预设的烟雾浓度算法模型进行计算的步骤包括：统计包含有烟雾的相应子区图像在所有子区图像中的占比；根据所述纹理特征数据换算出各子区图像中的烟雾浓度值；累加各子区图像中的烟雾浓度值以获得当前目标图像所对应的烟雾浓度。
进一步地，所述将所述纹理特征数据送入预设的烟雾浓度算法模型进行计算的步骤还包括：Rate＝λ*Mean(∑Subfog-Max(Subfog)-Min(Subfog))；其中Rate为当前目标图像所对应的烟雾浓度，λ为包含有烟雾的相应子区图像在所有子区图像中的占比，∑Subfog为各子区图像中的烟雾浓度值的累加和，Max(Subfog)为包含有烟雾的相应子区图像中的烟雾浓度最大值，Min(Subfog)为包含有烟雾的相应子区图像中的烟雾浓度最小值，Subfog为烟雾浓度算法模型基于所述纹理特征数据换算得出的各子区图像中的烟雾浓度值，Mean代表求平均。
进一步地，所述根据所述纹理特征数据换算出各子区图像中的烟雾浓度值的步骤包括：还根据所述前景图像的灰度数据和/或所述前景图像的颜色直方图数据换算出各子区图像中的烟雾浓度值。
进一步地，所述对所述目标图像进行前景后景分离处理以获取所述目标图像对应的前景图像的步骤还包括：通过高斯混合模型对所述目标图像进行前景后景分离处理以获取所述目标图像对应背景图像；从所述背景图像中提取出相应烹饪区域的背景特征。
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目标图像；图像处理模块，用于提取所述目标图像对应的前景图像中的烟雾特征，根据所述烟雾特征确定烹饪烟雾所形成的纹理信息并将所述纹理信息量化为对应的纹理特征数据；运算模块，用于将所述纹理特征数据送入预设的烟雾浓度算法模型进行计算；以及，控制模块，用于根据计算结果确定烟雾浓度以控制烟机工作。
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识别的烟机控制方法，能够提取烟雾特征并获取相应的纹理特征数据，根据纹理特征数据计算烟雾浓度，从而能够有效地避免光照等因素的影响，更加准确地表征实际烹饪环境中的烟雾浓度及分布情况，提高了烟机智能控制的精度。本发明同时还揭示了一种烟机，能够采用本发明所述的方法对烟雾进行识别，并根据烟雾浓度以及烟雾的分布情况调整自身的工作参数，充分吸收厨房内的油烟。
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实施环境示意图；
图3是本发明所述方法其中一实施例的流程示意图；
图4是本发明所述方法又一实施例的步骤框图；
图5是本发明所述方法又一实施例的步骤框图；
图6是本发明所述烟机其中一实施例的模块架构图。
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。如图1所示的，揭示了一种基于烟雾识别的烟机控制方法，包括：
步骤101，获取烹饪区域内的目标图像；
步骤102，提取目标图像对应的前景图像中的烟雾特征；
步骤103，根据烟雾特征确定烹饪烟雾所形成的纹理信息并将纹理信息量化为对应的纹理特征数据；
步骤104，将纹理特征数据送入预设的烟雾浓度算法模型进行计算；
步骤105，根据计算结果确定烟雾浓度以控制烟机工作。
如图2所示的，是本发明其中一实施例的实施环境示意图。该实施例中揭示了采用本发明所述方法对烟机的工作过程进行控制的用户场景，其中的烟机201设置有摄像头202，摄像头202能够对烟机201下方的烹饪区域进行拍摄，以获取用于烟雾识别的目标图像，图2中虚线部分展示了摄像头202的视场角范围。烹饪区域内还包括灶台205以及锅具204，随着烹饪过程的进行，锅具204以及灶台205的周边会产生烹饪烟雾203，相应的烹饪烟雾203将在目标图像中以烟雾特征的形式体现。烟机201能够根据所获取的目标图像确定烟雾浓度的大小以及烟雾的分布情况，从而调整吸力和风向，更加充分的吸收油烟。
如图1和图2所示的，在本发明所述方法的其中一实施例中，借助图像技术帮助烟机确定烹饪区域内烟雾浓度，实现了烟机的智能化控制，使用户能够摆脱油烟，无须再介入烟机转速、档位的控制，大大改善了烟机产品的用户体验。
同时，该实施例中采用烟雾特征形成的纹理特征数据来表征烟雾浓度，相较于选取其他参数表征烟雾浓度具有如下好处：首先，灶台、锅具等设施易于作为目标图像的背景图像进行分离，其纹理信息在烹饪过程中相对稳定，变化不大，从而减小了前景图像中烟雾特征的纹理信息的提取难度；其次，目标图像的纹理信息的改变主要由烹饪烟雾引起，因而采用前景图像的烟雾特征的纹理特征数据来表征烟雾浓度的大小，两者之间良好的相关性确保了相应的纹理特征数据能够准确地反映烹饪区域内当前的烟雾浓度；另外，纹理信息受天气、光照、厨房环境等因素影响较小，因而该方法能够适宜于不同的光照条件以及厨房装潢风格，具有极高的可靠性以及适应性，能够在烟机产品的真实工作环境下正常实施。
在本发明所述方法的其中一实施例中，所述提取所述目标图像对应的前景图像中的烟雾特征的步骤包括：
对所述目标图像进行前景后景分离处理以获取所述目标图像对应的前景图像；通过帧间差分方法确定所述前景图像中的干扰特征；
对所述前景图像中的干扰特征所在的区域进行剔除，并在剔除过后的前景图像中提取所述烟雾特征。
在该实施例中，所述干扰特征包括人手特征、锅盖特征以及烹饪器具特征等。该实施例中，由于用户的烹饪操作，可能导致烹饪区域内包含有人手、锅盖以及烹饪器具等不断运动的情况出现，上述干扰特征的出现有可能影响纹理特征数据的提取，因而有必要对干扰特征所在的区域进行剔除，以确保相应的纹理特征数据能够真实反映烟雾特征的变化情况。由于干扰特征主要由用户操作所导致，其在前景图像中所引起的纹理信息的变化通常是快速且剧烈地，明显区别于烟雾特征缓慢且轻微地变化，因而通过帧间差分方法能够准确地找到干扰特征所在的区域加以剔除，以确保烟雾浓度识别检测的准确性。
如图3所示的，是本发明所述方法其中以实施例的流程示意图。图3揭示了本发明所述方法其中一实施例中的烟雾识别流程，包括：
步骤301，前景后景分离获得目标图像的前景图像与背景图像，提取前景图像中的烟雾特征：该实施例中，灶台、锅具基本保持不动，属于静态的背景，而烹饪烟雾相对而言属于高动态的前景，因而对目标图像进行前景后景分离处理可以获得包含有烟雾特征的前景图像，方便进行烟雾特征的提取；该实施例中，采用混合高斯模型进行背景建模，混合高斯模型在微小、重复运动的场景下具有较强的鲁棒性，能够适应烹饪环境中的复杂场景，在目标图像的背景图像建立起来后，相应的前景图像即可分离提取；
步骤302，网格化分割所述前景图像获得子区图像，对前景图像进行Gabor小波变换，获得相应的变换结果图：该实施例中，遵循先分割后累加的思路针对各目标图像建立统一的烟雾浓度衡量标准，并通过Gabor小波变换对前景图像进行处理以获得提取纹理信息所需的变换结果图；另外，由于Gabor小波在纹理信息捕捉方面性能表现良好，其提取的纹理信息受光照影响小，且对画面中物体的形变并不十分敏感，因此该实施例中采用Gabor小波变换来获取包含有烟雾特征丰富的边缘及纹理变化的变换结果图，并进一步消除烹饪环境中的光照扰动；
步骤303，根据变换结果图确定烹饪烟雾所形成的纹理信息并将所述纹理信息量化为对应的纹理特征数据：该实施例中，烹饪烟雾可以认为是烟雾气体分子不规则的热运动而形成的，其纹理及边缘随时间的变化具有较强的规律性，同时，纹理信息的变化相对于二值化灰度图像中每个像素点灰度的变化而言，稳定性更高，即使厨房环境中出现复杂空气流动、光照条件改变等情况，纹理信息的变化也易于被准确检测，因而能够很好地表征烟雾浓度的变化；根据相应的变换结果图建立起基于纹理信息的能量模型及运动方向角累积模型，从而实现对于纹理特征数据的换算；
步骤304，对所述前景图像进行时域滤波处理：烹饪过程中烹饪烟雾的变化是一个动态持续的变化过程，为了消除时域噪声，该实施例中采用时域积分器对前景图像进行了处理；
步骤305，将分割后的前景图像送入混合分类器判断各子区图像中烟雾的有无：该实施例中，采用预先训练的Gentle AdaBoost混合分类器，通过不断改变样本分布以及将各个弱分类器加权叠加的方式级联形成了强分类器，从而降低了泛化误差，并实现了对各个子区图像中烟雾有无的判断；
步骤306，量化子区图像中的烟雾浓度值并计算获得当前目标图像所对应的烟雾浓度：根据纹理特征数据换算出各子区图像中的烟雾浓度值，累加并均摊至整个目标图像以表征当前目标图像所对应的烟雾浓度。
该实施例中的方法，不仅能够准确判断各个子区图像中烟雾的有无，而且能够借助纹理信息准确量化相应子区图像中的烟雾浓度，从而大大降低了烟雾识别的误差，提升了烟雾浓度检测的准确度；另外，随着子区图像中烟雾有无的确定以及烟雾浓度的量化，能够帮助烟机确定出烹饪烟雾的集中位置，从而能够指导烟机工作，对烹饪烟雾的集中区域进行重点吸收。
在本发明所述方法的其中一实施例中，所述对所述前景图像进行分割获得相应的子区图像的步骤包括：
对所述前景图像进行Gabor小波变换以获取相应的变换结果图，根据所述变换结果图确定烹饪烟雾所形成的纹理信息并将所述纹理信息量化为对应的纹理特征数据。
该实施例中，通过Gabor小波基能够在变换结果图中表达相应的纹理信息，其中二维Gabor小波基为：
另：
x、y为像素点的坐标值，v为Gabor小波的尺度因子，u为Gabor小波的方向，K表示总方向数，依据上述公式对前景图像进行卷积，提取纹理信息，
(WψI)(v，u，x，y)＝I(x，y)×ψv，u(x，y)；
通过以上变换得到Gabor小波变换后获得的纹理信息作为输出，并进行降采样，最终获得张量形式的纹理特征数据：
X＝[(WψI)(0，0，x，y)T，(WψI)(0，1，x，y)T，…，(WψI)(3，5，x，y)T]T。
在本发明所述方法其中一实施例中，所述提取所述目标图像对应的前景图像中的烟雾特征的步骤还包括：
对所述前景图像进行时域滤波处理以消除所述前景图像中的光影扰动。
该实施例中，可以采用时域光流滤波器对前景图像进行时域滤波处理。在烹饪过程中，即使出现环境因素(如风向、光线等)的变化，灶台与烹饪锅具的纹理信息也不会出现明显改变，相反来自烟雾区域的纹理信息则变化显著，因此可以采用时域光流滤波器对前景图像进行滤波处理，以便根据时域滤波处理后的结果来判断子区图像中烟雾的有无。
具体地，获取前景图像连续的时空分布空间sc(x，y，t)：
sc(x，y，t)＝max[(WψI)(ρ)(v，0，x，y)，…，(WψI)(ρ)(v，5，x，y)]；
之后采用LK方法，对该空间的每个像素点进行区块光流统计，获得光流向量
h＝[hx(t) hy(t)]T；
计算光流变化的角度幅值Mx，y(t)以及运动幅值θx，y(t)以估计烹饪烟雾变化的角度以及幅度：
通过运动变化积分确定烹饪烟雾扩散的运动规律：
Φ＝count{θx，y(t)＝i|x，y∈Ω}，i＝0，…，2π；
该运动变化积分量表示统计所有目标位置内运动方向相同的像素点的个数，从而得到该区域内纹理以及边缘变化方向角度的分布。纹理变化程度可以通过累积像素点处纹理变化角度及模值得到，并且纹理变化越剧烈(即各个点的角度差及模值越大)，代表该区域的能量也越高，因此对每个像素点(x，y)在其8个邻域内进行方向差累积。为了增加平滑性，采用S-函数构建得到纹理变化能量模型：
其中Norm是归一因子，该模型将模值作为其加权系数，在方向差经过S-行数平滑后，得到能量随空间变化的平稳分布，采用积分处理后得到一维向量：
E＝count{Energyx，y(t)＝i|x，y|∈Ω}
i＝0，…，Max(Energyx，y(t))；
最后，结合静态纹理特征得到前景图像的纹理特征数据的整体的时域滤波结果：
F＝[X，Φ，E]；
相应的时域滤波结果作为混合分类器的输入量用以判断各子区图像中烟雾的有无。
在本发明所述方法的其中一实施例中，所述混合分类器选用Gentle AdaBoost分类器，该分类器能够通过不断改变样本分布，并将多个弱分类器通过加权叠加方式级联为强分类器，从而降低泛化误差。该实施例中采用单节点决策树作为弱分类器来完成最优纹理特征数据选择，弱分类器设计为：
其中：
同时规定优化模型的解为：
St.θ∈Ψ；
则根据前述的时域滤波结果F以及该分类器模型即可判断各子区图像中烹饪烟雾的有无。
在本发明所述方法的其中一实施例中，所述将所述纹理特征数据送入预设的烟雾浓度算法模型进行计算的步骤包括：
统计包含有烟雾的相应子区图像在所有子区图像中的占比；
根据所述纹理特征数据换算出各子区图像中的烟雾浓度值；
累加各子区图像中的烟雾浓度值以获得当前目标图像所对应的烟雾浓度。
如图4所示的，是本发明所述方法又一实施例的步骤框图，该实施例涉及目标图像所对应的烟雾浓度的计算。如图4所示的，该方法包括：
步骤401，统计包含有烟雾的相应子区图像在所有子区图像中的占比；
步骤402，根据所述纹理特征数据换算出各子区图像中的烟雾浓度值；
步骤403，累加各子区图像中的烟雾浓度值以获得当前目标图像所对应的烟雾浓度。
该实施例中，通过混合分类器能够将子区图像区分为包含有烟雾子区图像以及没有烟雾的子区图像，统计包含有烟雾的子区图像在所有子区图像中的占比，并根据纹理特征数据换算出各子区图像中的烟雾浓度值，其中烟雾浓度算法模型能够以纹理特征数据为输入换算得出相应的烟雾浓度值，没有烟雾的子区图像其烟雾浓度值为0，对所有子区图像的烟雾浓度值进行累加即可获得总体的烟雾浓度值，以计算与当前目标图像所对应的烟雾浓度。
总体的烟雾浓度值还需要均摊至整个目标图像才能表征当前目标图像所对应的烟雾浓度，另外在计算时还应该去除包含有烟雾的相应子区图像中的烟雾浓度最大值以及烟雾浓度最小值以排除干扰、提升准确度，因而在本发明所述方法的其中一实施例中，所述将所述纹理特征数据送入预设的烟雾浓度算法模型进行计算的步骤还包括：
Rate＝λ*Mean(∑Subfog-Max(Subfog)-Min(Subfog))；
其中Rate为当前目标图像所对应的烟雾浓度，λ为包含有烟雾的相应子区图像在所有子区图像中的占比，∑Subfog为各子区图像中的烟雾浓度值的累加和，Max(Subfog)为包含有烟雾的相应子区图像中的烟雾浓度最大值，Min(Subfog)为包含有烟雾的相应子区图像中的烟雾浓度最小值，Subfog为烟雾浓度算法模型基于所述纹理特征数据换算得出的各子区图像中的烟雾浓度值，Mean代表求平均。
在本发明所述方法的其中一实施例中，所述根据所述纹理特征数据换算出各子区图像中的烟雾浓度值的步骤包括：
还根据所述前景图像的灰度数据和/或所述前景图像的颜色直方图数据换算出各子区图像中的烟雾浓度值。
该实施例中，为了提高烟雾浓度Rate的可信度，还根据前景图像的灰度数据和/或前景图像的颜色直方图数据也对各子区图像中的烟雾浓度值进行了换算。该实施例中既可以采用灰度数据和/或颜色直方图数据对基于纹理特征数据得到的烟雾浓度值进行修正，也可以将灰度数据和/或颜色直方图数据直接加入到纹理特征数据换算烟雾浓度值的过程中去进行混合运算，两种方式都将有助于提升烟雾浓度Rate的可信。
在本发明所述方法的其中一实施例中，所述对所述目标图像进行前景后景分离处理以获取所述目标图像对应的前景图像的步骤还包括：
通过高斯混合模型对所述目标图像进行前景后景分离处理以获取所述目标图像对应背景图像；
从所述背景图像中提取出相应烹饪区域的背景特征。
该实施例中，采用高斯混合模型来实现前景与背景的分离，获取目标图像对应的背景图像。高斯混合模型适合进行复杂场景的背景建模，对于微小重复运动有较强的鲁棒性，与用户的烹饪场景十分契合，能够准确提取背景图像，相应地也能够有效分离出目标图像的前景图像。
如图5所示的，涉及本发明其中一实施例中根据计算结果确定烟雾浓度以控制烟机工作的步骤框图。该实施例中的方法，包括步骤：
步骤501，根据烟雾浓度调整烟机的吸力档位；
步骤502，根据烹饪烟雾的集中位置调整烟机的吸风区域。
该实施例中，根据前述的方法能够确定目标图像所对应的整体的烟雾浓度，从而确定烟机相应的吸力档位；同时，还能够根据纹理特征数据也能够确定各个子区图像的烟雾浓度值，从而确定烹饪烟雾的集中位置，并由此调整烟机的吸风区域。该实施例中的方法能够控制烟机智能吸除油烟，实现了烟机的自动控制。
如图6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烟机600，包括：
图像采集模块601，用于获取烹饪区域内的目标图像；
图像处理模块602，用于提取所述目标图像对应的前景图像中的烟雾特征，根据所述烟雾特征确定烹饪烟雾所形成的纹理信息并将所述纹理信息量化为对应的纹理特征数据；
运算模块603，用于将所述纹理特征数据送入预设的烟雾浓度算法模型进行计算；以及，
控制模块604，用于根据计算结果确定烟雾浓度以控制烟机600工作。
该实施例中的烟机600，能够采集烹饪区域内的图像，并根据图像中的纹理信息量化计算出当前的烟雾浓度，从而自动的根据当前的烟雾浓度调整自身烟机转速、风向等参数，整个吸烟过程无需用户参与，使用户摆脱了油烟弥漫的烹饪环境，大大提升了烟机性能。
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 (7)

1.一种基于烟雾识别的烟机控制方法，其特征在于，包括：
获取烹饪区域内的目标图像；
提取所述目标图像对应的前景图像中的烟雾特征，对所述前景图像进行分割获得相应的子区图像，将分割后的所述前景图像送入预设的混合分类器进行分类判断以确定各子区图像中烟雾的有无，并统计包含有烟雾的相应子区图像在所有子区图像中的占比；
根据所述烟雾特征确定烹饪烟雾所形成的纹理信息并将所述纹理信息量化为对应的纹理特征数据；
将所述纹理特征数据送入预设的烟雾浓度算法模型进行计算，根据纹理特征数据换算出各子区图像中的烟雾浓度值，计算步骤还包括：Rate＝λ*Mean(∑
Subfog-Max(Subfog)-Min(Subfog))，其中Rate为当前目标图像所对应的烟雾浓度，λ为包含有烟雾的相应子区图像在所有子区图像中的占比，∑Subfog为各子区图像中的烟雾浓度值的累加和，Max(Subfog)为包含有烟雾的相应子区图像中的烟雾浓度最大值，Min(Subfog)为包含有烟雾的相应子区图像中的烟雾浓度最小值，Subfog为烟雾浓度算法模型基于所述纹理特征数据换算得出的各子区图像中的烟雾浓度值，Mean代表求平均；
根据计算结果确定烟雾浓度以控制烟机工作，根据子区图像中的烟雾浓度值，使烟机确定烹饪烟雾的集中位置，调整烟机的吸风区域以对烹饪烟雾的集中区域进行重点吸收。
2.根据权利要求1所述的方法，其特征在于，所述提取所述目标图像对应的前景图像中的烟雾特征的步骤包括：
对所述目标图像进行前景后景分离处理以获取所述目标图像对应的前景图像；
通过帧间差分方法确定所述前景图像中的干扰特征；
对所述前景图像中的干扰特征所在的区域进行剔除，并在剔除过后的前景图像中提取所述烟雾特征。
3.根据权利要求1所述的方法，其特征在于，所述对所述前景图像进行分割获得相应的子区图像的步骤包括：
对所述前景图像进行Gabor小波变换以获取相应的变换结果图，根据所述变换结果图确定烹饪烟雾所形成的纹理信息并将所述纹理信息量化为对应的纹理特征数据。
4.根据权利要求2-3中任一项所述的方法，其特征在于，所述提取所述目标图像对应的前景图像中的烟雾特征的步骤还包括：
对所述前景图像进行时域滤波处理以消除所述前景图像中的光影扰动。
5.根据权利要求1所述的方法，其特征在于，所述根据所述纹理特征数据换算出各子区图像中的烟雾浓度值的步骤包括：
还根据所述前景图像的灰度数据和/或所述前景图像的颜色直方图数据换算出各子区图像中的烟雾浓度值。
6.根据权利要求2所述的方法，其特征在于，所述对所述目标图像进行前景后景分离处理以获取所述目标图像对应的前景图像的步骤还包括：
通过高斯混合模型对所述目标图像进行前景后景分离处理以获取所述目标图像对应背景图像；
从所述背景图像中提取出相应烹饪区域的背景特征。
7.一种采用权利要求1-6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目标图像；
图像处理模块，用于提取所述目标图像对应的前景图像中的烟雾特征，根据所述烟雾特征确定烹饪烟雾所形成的纹理信息并将所述纹理信息量化为对应的纹理特征数据；
运算模块，用于将所述纹理特征数据送入预设的烟雾浓度算法模型进行计算；以及，
控制模块，用于根据计算结果确定烟雾浓度以控制烟机工作。
CN201811563662.4A 2018-12-20 2018-12-20 一种基于烟雾识别的烟机控制方法以及烟机 Active CN111354010B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811563662.4A CN111354010B (zh) 2018-12-20 2018-12-20 一种基于烟雾识别的烟机控制方法以及烟机

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811563662.4A CN111354010B (zh) 2018-12-20 2018-12-20 一种基于烟雾识别的烟机控制方法以及烟机

Publications (2)

Publication Number Publication Date
CN111354010A CN111354010A (zh) 2020-06-30
CN111354010B true CN111354010B (zh) 2024-04-12

Family

ID=71195504

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811563662.4A Active CN111354010B (zh) 2018-12-20 2018-12-20 一种基于烟雾识别的烟机控制方法以及烟机

Country Status (1)

Country Link
CN (1) CN111354010B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102136059A (zh) * 2011-03-03 2011-07-27 苏州市慧视通讯科技有限公司 一种基于视频分析的烟雾检测方法
CN106500152A (zh) * 2016-11-07 2017-03-15 九阳股份有限公司 一种烟机灯光的控制方法
CN108548199A (zh) * 2018-03-08 2018-09-18 佛山市云米电器科技有限公司 一种智能抽油烟机风速调级方法及装置
CN108921215A (zh) * 2018-06-29 2018-11-30 重庆邮电大学 一种基于局部极值共生模式和能量分析的烟雾检测
CN108932814A (zh) * 2018-07-18 2018-12-04 东华大学 一种嵌入式图像型厨房火灾报警装置
CN109028235A (zh) * 2018-09-29 2018-12-18 佛山市云米电器科技有限公司 基于背景建模的智能风速调节式油烟机

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102136059A (zh) * 2011-03-03 2011-07-27 苏州市慧视通讯科技有限公司 一种基于视频分析的烟雾检测方法
CN106500152A (zh) * 2016-11-07 2017-03-15 九阳股份有限公司 一种烟机灯光的控制方法
CN108548199A (zh) * 2018-03-08 2018-09-18 佛山市云米电器科技有限公司 一种智能抽油烟机风速调级方法及装置
CN108921215A (zh) * 2018-06-29 2018-11-30 重庆邮电大学 一种基于局部极值共生模式和能量分析的烟雾检测
CN108932814A (zh) * 2018-07-18 2018-12-04 东华大学 一种嵌入式图像型厨房火灾报警装置
CN109028235A (zh) * 2018-09-29 2018-12-18 佛山市云米电器科技有限公司 基于背景建模的智能风速调节式油烟机

Also Published As

Publication number Publication date
CN111354010A (zh) 2020-06-30

Similar Documents

Publication Publication Date Title
CN109410230B (zh) 一种可抗噪声的改进Canny图像边缘检测方法
CN110837768B (zh) 一种面向珍稀动物保护的在线检测与识别方法
CN104574353B (zh) 基于视觉显著性的表面缺陷判定方法
CN108197546A (zh) 人脸识别中光照处理方法、装置、计算机设备及存储介质
WO2013148566A1 (en) Image blur detection
CN110807742B (zh) 一种基于一体式网络的微光图像增强方法
CN111860639B (zh) 一种量化烤烟烟叶烘烤特性的判定系统及判定方法
CN108765336A (zh) 基于暗亮原色先验与自适应参数优化的图像去雾方法
EP1964028A1 (en) Method for automatic detection and classification of objects and patterns in low resolution environments
CN114118144A (zh) 抗干扰的航空遥感图像阴影精准检测方法
CN107239729B (zh) 一种基于光照估计的光照人脸识别方法
CN104123721A (zh) 一种基于视频流图像分布式动态特征技术的鱼群投喂自动控制方法
CN106971153A (zh) 一种人脸图像光照补偿方法
CN110658118B (zh) 一种烹饪烟雾的检测方法以及烟机
CN108805826B (zh) 改善去雾效果的方法
CN109028230A (zh) 具手势控制视觉检测功能的炉具及油烟浓度检测方法
CN109883907B (zh) 一种基于图像的烹饪烟雾检测方法和智能烟机
CN109028223A (zh) 具手势控制视觉检测功能的油烟机及油烟浓度检测方法
CN108765316B (zh) 雾气浓度自适应判断方法
CN110599422A (zh) 一种基于边缘保护的加权平均椒盐噪声降噪算法
CN111354010B (zh) 一种基于烟雾识别的烟机控制方法以及烟机
CN111192332B (zh) 一种基于烟雾检测的烟机控制方法以及烟机
CN209013299U (zh) 具手势控制视觉检测功能的油烟机
CN111260588A (zh) 一种高清数字cmos成像组件图像增强方法
Liu et al. A Novel Method to Compensate Variety of Illumination in Face Detection.

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
GR01 Patent grant
GR01 Patent grant