CN111414752A - 与菜肴风味及其制作相关的方法和装置，计算机可读存储介质和程序模块构架 - Google Patents
与菜肴风味及其制作相关的方法和装置，计算机可读存储介质和程序模块构架 Download PDFInfo
- Publication number
- CN111414752A CN111414752A CN202010135188.6A CN202010135188A CN111414752A CN 111414752 A CN111414752 A CN 111414752A CN 202010135188 A CN202010135188 A CN 202010135188A CN 111414752 A CN111414752 A CN 111414752A
- Authority
- CN
- China
- Prior art keywords
- information
- flavor
- neural network
- dish
- food material
- 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
Links
- 239000000796 flavoring agent Substances 0.000 title claims abstract description 163
- 235000019634 flavors Nutrition 0.000 title claims abstract description 163
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000002360 preparation method Methods 0.000 title claims abstract description 37
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 103
- 235000011194 food seasoning agent Nutrition 0.000 claims abstract description 100
- 235000013305 food Nutrition 0.000 claims abstract description 87
- 239000000463 material Substances 0.000 claims abstract description 87
- 238000010411 cooking Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 55
- 238000011156 evaluation Methods 0.000 claims description 38
- 239000004278 EU approved seasoning Substances 0.000 claims description 32
- 238000004519 manufacturing process Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003909 pattern recognition Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 description 6
- 235000019645 odor Nutrition 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 206010013911 Dysgeusia Diseases 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Seasonings (AREA)
- General Preparation And Processing Of Foods (AREA)
Abstract
本发明公开了一种与菜肴风味及其制作相关的方法和装置，计算机可读存储介质和程序模块构架，通过已训练好的人工神经网络来分析食材信息、调味信息、制作工艺信息这三者与风味词汇之间的关联关系，使得用户在输入风味词汇和食材信息后，就可以得到用所述食材实现所述风味所需要的调味信息和制作工艺信息。用户根据量化的食材信息、调味信息和制作工艺信息就可以再现菜肴风味，解决了目前难以再现菜肴风味的问题。并且，因为食材信息、调味信息和制作工艺信息都是量化的信息，所以前述信息均可被自动化烹饪设备执行，使自动化烹饪设备能根据量化的信息自动烹饪出再现了风味的菜肴。
Description
技术领域
本发明涉及菜肴风味分析方法，其包括为自动量化模糊语义而对人工神经网络的训练方法，还包括得到菜肴制作信息的方法。
背景技术
菜肴的品质高低平不仅仅取决于菜肴呈现的味觉感受，还涉及到口感、气味等多种因素，这些因素相互影响共同体现了一道菜肴的风味，例如：甜而不腻、软糯鲜滑、香酥爽脆、回味悠长等。而这种风味则直接影响了菜肴的品质。为了获得高品质的菜肴，人们期待这些风味能够被复制至不同菜肴，并能够被重复再现。
但是，目前没有一种传感器能够准确地测量这种风味因素，因为不同气味的组合会极大地影响风味，所以即使使用一系列的传感器来测量菜肴中的各种气味因子，也很难衡量出这些气味因子在何种组合下能够获得最佳风味。并且，这些风味的形成复杂，难以量化分析，具体而言，风味的形成并不是依赖单一一种调料的定量添加，或者特定若干种调料的固定比例调配，影响风味的因素多种多样难以进行分析。因此，目前并没有可以分析检测这种风味因素的设备，仅能依据人们的感受对风味因素进行分析，可是，这种风味难以描述，人们也惯于用各种模糊的词汇来描述这些风味，这些菜肴评价词汇的语义模糊，难以进行分析，这就导致了菜肴的风味难以再现的问题。
发明内容
本发明解决的技术问题是提供了一种与菜肴风味及其制作相关的方法和装置，计算机可读存储介质和程序模块构架，使用该菜肴风味分析方法可以根据食材信息、风味词汇分析出食材实现所述风味所需要的调味信息、制作工艺信息，从而再现菜肴的风味。
发明人在研究过程中发现：对风味的影响主要来自菜肴制作环节，其中食材的组合、调味料的种类及比例、烹饪手法等因素对产品最终风味的影响巨大，所以要使菜肴最终能够呈现预期的风味，则需要设定精准的、可量化的操作过程。而菜肴风味又极大程度地依赖于人的感受进行评价，无法通过检测设备直接测量得出确切数据，所以发明人考虑将人作为一种“检测设备”，由很多个人各自使用语义模糊的菜肴评价词来评价量化式制作方法制作得到的菜肴，再通过大数据算法建立语义模糊的菜肴评价词汇与量化式制作方法之间的关系，从而实现再现菜肴风味的目的。
为实现上述目的，本发明提供了一种菜肴风味分析方法，对人工神经网络的训练方法和得到菜肴制作信息的方法，详述如下。
首先给出对人工神经网络的训练方法：
P.多次执行下述样本获取步骤，获得多组学习样本，每次样本获取步骤包括如下A、B、C：
——A.记录一种量化式制作方法中的食材信息、调味信息和制作工艺信息，调味信息包括调味料的种类及各种调味料之间的比例；
——B.记录实验者品尝该种量化式制作方法制作得到的菜肴后给出的评价，该评价是从风味词汇库中选择出的风味词汇，风味词汇是指语义模糊的菜肴评价词汇；
——C.以食材信息、风味词汇作为输入信号，以调味信息、制作工艺信息作为输出信号，构成供人工神经网络进行模式识别训练的一组学习样本；
Q.采用上述多组学习样本对人工神经网络进行模式识别训练，直至该人工神经网络具备根据食材信息、风味词汇给出食材实现所述风味所需要的调味信息、制作工艺信息的能力。
人工神经网络具备了这样的识别能力，我们就可以得到菜肴制作信息了，本发明给出得到菜肴制作信息的方法如下：
接收用户输入的风味词汇和食材信息，并将其输入已训练好的人工神经网络，由该人工神经网络据此输出调味信息和制作工艺信息；风味词汇是指语义模糊的菜肴评价词汇，调味信息包括调味料的种类及各种调味料之间的比例。
相应地，本发明提还供了一种菜肴风味分析装置，对人工神经网络的训练装置和得到菜肴制作信息的装置，详述如下。
首先给出对人工神经网络的训练装置：
样本获取模块，用于获得多组学习样本，样本获取模块包括以下软件单元：
——食材制作记录单元，用于记录一种量化式制作方法中的食材信息、调味信息和制作工艺信息，调味信息包括调味料的种类及各种调味料之间的比例；
——菜肴评价记录单元，记录实验者品尝该种量化式制作方法制作得到的菜肴后给出的评价，该评价是从风味词汇库中选择出的风味词汇，风味词汇是指语义模糊的菜肴评价词汇；
——样本生成单元，以食材信息、风味词汇作为输入信号，以调味信息、制作工艺信息作为输出信号，构成供人工神经网络进行模式识别训练的一组学习样本；
神经网络训练模块，用于采用上述多组学习样本对人工神经网络进行模式识别训练，直至该人工神经网络具备根据食材信息、风味词汇给出食材实现所述风味所需要的调味信息、制作工艺信息的能力。
人工神经网络具备了这样的识别能力，我们就可以得到菜肴制作信息了，本发明给出得到菜肴制作信息的装置如下：
信息获取单元，用于接收用户输入的风味词汇和食材信息并将其输入已训练好的人工神经网络中，风味词汇是语义模糊的菜肴评价词汇；
人工神经网络，用于根据食材信息、风味词汇给出食材实现所述风味所需要的调味信息、制作工艺信息，调味信息包括调味料的种类及各种调味料之间的比例。
与现有技术相比，本发明公开的一种与菜肴风味及其制作相关的方法和装置，计算机可读存储介质和程序模块构架，通过已训练好的人工神经网络来分析食材信息、调味信息、制作工艺信息这三者与风味词汇之间的关联关系，使得用户在输入风味词汇和食材信息后，就可以得到用所述食材实现所述风味所需要的调味信息和制作工艺信息。用户根据量化的食材信息、调味信息和制作工艺信息就可以再现菜肴风味，解决了目前难以再现菜肴风味的问题。并且，因为食材信息、调味信息和制作工艺信息都是量化的信息，所以前述信息均可被自动化烹饪设备执行，使自动化烹饪设备能根据量化的信息自动烹饪出再现了风味的菜肴。
附图说明
图1是本发明一种菜肴风味分析方法的流程图；
图2是本发明一种菜肴风味分析装置的框图。
具体实施方式
如图1所示，本发明公开了一种菜肴风味分析方法，包括以下步骤：
S1，建立风味词汇库。风味词汇库中包含大量风味词汇，风味词汇是指语义模糊的菜肴评价词汇，实验者在品尝量化式制作方法制作得到的菜肴后选择该词汇库内的词汇以评价菜肴。实验者评价菜肴的风味词汇均来自风味词汇库，可以统一实验者对同一风味的表达方式，避免出现不同实验者对相同的风味使用了不同的表达方式从而导致分析难度加大的情况。
S2，获得多组学习样本。多次执行下述样本获取步骤，获得多组学习样本，每次样本获取步骤包括如下A、B、C：
——A.记录一种量化式制作方法中的食材信息、调味信息和制作工艺信息，调味信息包括调味料的种类及各种调味料之间的比例；
——B.记录实验者品尝该种量化式制作方法制作得到的菜肴后给出的评价，该评价是从风味词汇库中选择出的风味词汇，风味词汇是指语义模糊的菜肴评价词汇；
——C.以食材信息、风味词汇作为输入信号，以调味信息、制作工艺信息作为输出信号，构成供人工神经网络进行模式识别训练的一组学习样本。
S3，训练人工神经网络。采用上述多组学习样本对人工神经网络进行模式识别训练，直至该人工神经网络具备根据食材信息、风味词汇给出食材实现所述风味所需要的调味信息、制作工艺信息的能力。本发明的自动量化模型由神经网络进行训练得到，神经网络的训练方法有多种，本发明并不对神经网络的训练方法做出限定，只要通过该神经网络训练得到的模型建立了食材信息、调味信息、制作工艺信息这三者与风味词汇之间的关联关系即可。本实施例中给出一种常用的神经网络训练方法以介绍如何训练得到自动量化模型。该种训练方法通过第一神经网络生成第二神经网络的架构，其中，第二神经网络的架构至少包括神经网络的结构和参数；将训练数据集中的每一组菜肴的相关信息输入第二神经网络，以训练第二神经网络；确定训练后得到的第二神经网络处理任务的准确率；通过第一神经网络基于训练后得到的第二神经网络处理任务的准确率来确定是否更新第二神经网络的架构。当第二神经网络处理任务的准确率达到预设要求时，第二神经网络训练完成，得到的第二神经网络就是已训练好的人工神经网络。
S4，使用已训练好的人工神经网络进行分析。接收用户输入的风味词汇和食材信息，并将其输入已训练好的人工神经网络，由该人工神经网络据此输出调味信息和制作工艺信息；风味词汇是指语义模糊的菜肴评价词汇，调味信息包括调味料的种类及各种调味料之间的比例。因为已训练好的人工神经网络建立了食材信息、调味信息、制作工艺信息这三者与风味词汇之间的关联关系，所以已训练好的人工神经网络可以根据风味词汇、食材信息输出调味信息、制作工艺信息，用户根据量化的食材信息、调味信息和制作工艺信息就可以再现菜肴风味，而且由于食材信息、调味信息和制作工艺信息都是量化的信息，可以被自动化烹饪设备执行，所以该方法还能使自动化烹饪设备根据量化的信息自动烹饪出再现了风味的菜肴。
如图2所示，本发明公开了一种菜肴风味分析装置，包括训练装置和得到菜肴制作信息的装置。其中训练装置包括样本获取模块和神经网络训练模块。
样本获取模块包括用于获得多组学习样本，样本获取模块包括食材制作记录单元、菜肴评价记录单元和样本生成单元。食材制作记录单元，用于记录一种量化式制作方法中的食材信息、调味信息和制作工艺信息，调味信息包括调味料的种类及各种调味料之间的比例；菜肴评价记录单元，记录实验者品尝该种量化式制作方法制作得到的菜肴后给出的评价，该评价是从风味词汇库中选择出的风味词汇，风味词汇是指语义模糊的菜肴评价词汇；样本生成单元，以食材信息、风味词汇作为输入信号，以调味信息、制作工艺信息作为输出信号，构成供人工神经网络进行模式识别训练的一组学习样本。其中风味词汇库包括大量供实验者选择的风味词汇，让实验者从风味词汇库中选择风味词汇进行评价可以统一实验者对同一风味的表达方式，避免出现不同实验者对相同的风味使用了不同的表达方式从而导致分析难度加大的情况。
神经网络训练模块，用于采用上述多组学习样本对人工神经网络进行模式识别训练，直至该人工神经网络具备根据食材信息、风味词汇给出食材实现所述风味所需要的调味信息、制作工艺信息的能力。本发明的自动量化模型由神经网络进行训练得到，神经网络训练模块有多种，本发明并不对神经网络训练模块做出限定，只要通过该神经网络训练模块得到的模型建立了食材信息、调味信息、制作工艺信息这三者与风味词汇之间的关联关系即可。本实施例中给出一种常用的神经网络训练模块以介绍如何训练得到自动量化模型。该种神经网络训练模块包括生成单元、输入单元、第一确定单元和第二确定单元：生成单元用于通过第一神经网络生成第二神经网络的架构，其中，第二神经网络的架构至少包括神经网络的结构和参数；输入单元用于将训练数据集中的每一组菜肴的相关信息输入第二神经网络，以训练第二神经网络；第一确定单元用于确定训练后得到的第二神经网络处理任务的准确率；第二确定单元用于通过第一神经网络基于训练后得到的第二神经网络处理任务的准确率来确定是否更新第二神经网络的架构。当第二神经网络处理任务的准确率达到预设要求时，第二神经网络训练完成，得到的第二神经网络就是已训练好的人工神经网络。
得到菜肴制作信息的装置包括信息获取单元和人工神经网络，其中信息获取单元用于接收用户输入的风味词汇和食材信息并将其输入已训练好的人工神经网络中，风味词汇是语义模糊的菜肴评价词汇；人工神经网络用于根据食材信息、风味词汇给出食材实现所述风味所需要的调味信息、制作工艺信息，调味信息包括调味料的种类及各种调味料之间的比例。该人工神经网络就是神经网络训练模块训练得到的已训练好的人工神经网络，其建立了自动量化模型建立了食材信息、调味信息、制作工艺信息这三者与风味词汇之间的关联关系，可以根据输入的食材信息和风味词汇输出用调味信息和制作工艺信息，用户根据量化的食材信息、调味信息和制作工艺信息就可以再现菜肴风味，而且由于食材信息、调味信息和制作工艺信息都是量化的信息，可以被自动化烹饪设备执行，所以该方法还能使自动化烹饪设备根据量化的信息自动烹饪出再现了风味的菜肴。
本发明还提供了一种计算机可读存储介质，具体包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任一实施例所述的菜肴风味分析方法。
需要说明的是，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要进一步说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
本发明实施例提供的一种与菜肴风味及其制作相关的方法和装置，计算机可读存储介质和程序模块构架，通过已训练好的人工神经网络来分析食材信息、调味信息、制作工艺信息这三者与风味词汇之间的关联关系，使得用户在输入风味词汇和食材信息后，就可以得到用所述食材实现所述风味所需要的调味信息和制作工艺信息。用户根据量化的食材信息、调味信息和制作工艺信息就可以再现菜肴风味，解决了目前难以再现菜肴风味的问题。并且，因为食材信息、调味信息和制作工艺信息都是量化的信息，所以前述信息均可被自动化烹饪设备执行，使自动化烹饪设备能根据量化的信息自动烹饪出再现了风味的菜肴。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.为得到预期风味的菜肴的制作信息而对人工神经网络的训练方法，其特征在于包括以下步骤：
P.多次执行下述样本获取步骤，获得多组学习样本，每次样本获取步骤包括如下A、B、C：
——A.记录一种量化式制作方法中的食材信息、调味信息和制作工艺信息，调味信息包括调味料的种类及各种调味料之间的比例；
——B.记录实验者品尝该种量化式制作方法制作得到的菜肴后给出的评价，该评价是从风味词汇库中选择出的风味词汇，风味词汇是指语义模糊的菜肴评价词汇；
——C.以食材信息、风味词汇作为输入信号，以调味信息、制作工艺信息作为输出信号，构成供人工神经网络进行模式识别训练的一组学习样本；
Q.采用上述多组学习样本对人工神经网络进行模式识别训练，直至该人工神经网络具备根据食材信息、风味词汇给出食材实现所述风味所需要的调味信息、制作工艺信息的能力。
2.为得到预期风味的菜肴的制作信息而对人工神经网络的训练装置，其特征在于包括以下软件模块：
样本获取模块，用于获得多组学习样本，样本获取模块包括以下软件单元：
——食材制作记录单元，用于记录一种量化式制作方法中的食材信息、调味信息和制作工艺信息，调味信息包括调味料的种类及各种调味料之间的比例；
——菜肴评价记录单元，记录实验者品尝该种量化式制作方法制作得到的菜肴后给出的评价，该评价是从风味词汇库中选择出的风味词汇，风味词汇是指语义模糊的菜肴评价词汇；
——样本生成单元，以食材信息、风味词汇作为输入信号，以调味信息、制作工艺信息作为输出信号，构成供人工神经网络进行模式识别训练的一组学习样本；
神经网络训练模块，用于采用上述多组学习样本对人工神经网络进行模式识别训练，直至该人工神经网络具备根据食材信息、风味词汇给出食材实现所述风味所需要的调味信息、制作工艺信息的能力。
3.一种得到菜肴制作信息的方法，其特征在于包括以下步骤：接收用户输入的风味词汇和食材信息，并将其输入已训练好的人工神经网络，由该人工神经网络据此输出调味信息和制作工艺信息；风味词汇是指语义模糊的菜肴评价词汇，调味信息包括调味料的种类及各种调味料之间的比例。
4.一种得到菜肴制作信息的装置，其特征在于包括以下软件单元：
信息获取单元，用于接收用户输入的风味词汇和食材信息并将其输入已训练好的人工神经网络中，风味词汇是语义模糊的菜肴评价词汇；
人工神经网络，用于根据食材信息、风味词汇给出食材实现所述风味所需要的调味信息、制作工艺信息，调味信息包括调味料的种类及各种调味料之间的比例。
5.一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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求3所述的一种得到菜肴制作信息的方法。
6.一种用于将得到菜肴制作信息的计算机程序模块构架，其特征在于包括：
信息获取单元，用于接收用户输入的风味词汇和食材信息并将其输入已训练好的人工神经网络中，风味词汇是语义模糊的菜肴评价词汇；
人工神经网络，用于根据食材信息、风味词汇给出食材实现所述风味所需要的调味信息、制作工艺信息，调味信息包括调味料的种类及各种调味料之间的比例。
7.一种菜肴风味分析方法，其特征是包括权1所述的训练方法和权3所述的得到菜肴制作信息的方法，该得到菜肴制作信息的方法中的人工神经网络即为在执行训练方法后得到的人工神经网络。
8.一种菜肴风味分析装置，其特征是包括权2所述的训练装置和权4所述的得到菜肴制作信息的装置，该得到菜肴制作信息的装置中的人工神经网络即为在训练装置中训练得到的人工神经网络。
9.一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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求7所述的一种菜肴风味分析方法。
10.一种用于分析菜肴风味的计算机程序模块构架，其特征在于包括：
样本获取模块，用于获得多组学习样本，样本获取模块包括：
——食材制作记录单元，用于记录一种量化式制作方法中的食材信息、调味信息和制作工艺信息，调味信息包括调味料的种类及各种调味料之间的比例；
——菜肴评价记录单元，记录实验者品尝该种量化式制作方法制作得到的菜肴后给出的评价，该评价是从风味词汇库中选择出的风味词汇，风味词汇是指语义模糊的菜肴评价词汇；
——样本生成单元，以食材信息、风味词汇作为输入信号，以调味信息、制作工艺信息作为输出信号，构成供人工神经网络进行模式识别训练的一组学习样本；
神经网络训练模块，用于采用上述多组学习样本对人工神经网络进行模式识别训练，直至该人工神经网络具备根据食材信息、风味词汇给出食材实现所述风味所需要的调味信息、制作工艺信息的能力；
信息获取单元，用于接收用户输入的风味词汇和食材信息并将其输入已训练好的人工神经网络中，风味词汇是语义模糊的菜肴评价词汇；
人工神经网络，用于根据食材信息、风味词汇给出食材实现所述风味所需要的调味信息、制作工艺信息，调味信息包括调味料的种类及各种调味料之间的比例。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010135188.6A CN111414752A (zh) | 2020-03-02 | 2020-03-02 | 与菜肴风味及其制作相关的方法和装置，计算机可读存储介质和程序模块构架 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010135188.6A CN111414752A (zh) | 2020-03-02 | 2020-03-02 | 与菜肴风味及其制作相关的方法和装置，计算机可读存储介质和程序模块构架 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111414752A true CN111414752A (zh) | 2020-07-14 |
Family
ID=71491050
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010135188.6A Pending CN111414752A (zh) | 2020-03-02 | 2020-03-02 | 与菜肴风味及其制作相关的方法和装置，计算机可读存储介质和程序模块构架 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111414752A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112630458A (zh) * | 2020-12-31 | 2021-04-09 | 佳力士添加剂（海安）有限公司 | 一种单甘酯的质量检测的方法和装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485052A (zh) * | 2016-09-14 | 2017-03-08 | 珠海优特物联科技有限公司 | 一种智能烹饪系统及方法 |
| CN110754922A (zh) * | 2019-10-15 | 2020-02-07 | 珠海格力电器股份有限公司 | 烹饪控制方法、装置、存储介质及烹饪器具 |
-
2020
- 2020-03-02 CN CN202010135188.6A patent/CN111414752A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485052A (zh) * | 2016-09-14 | 2017-03-08 | 珠海优特物联科技有限公司 | 一种智能烹饪系统及方法 |
| CN110754922A (zh) * | 2019-10-15 | 2020-02-07 | 珠海格力电器股份有限公司 | 烹饪控制方法、装置、存储介质及烹饪器具 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112630458A (zh) * | 2020-12-31 | 2021-04-09 | 佳力士添加剂（海安）有限公司 | 一种单甘酯的质量检测的方法和装置 |
| CN112630458B (zh) * | 2020-12-31 | 2021-11-12 | 佳力士添加剂（海安）有限公司 | 一种单甘酯的质量检测的方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Caladcad et al. | Determining Philippine coconut maturity level using machine learning algorithms based on acoustic signal | |
| US20210326707A1 (en) | Method of training a neural network to reflect emotional perception and related system and method for categorizing and finding associated content | |
| Eklöv et al. | Monitoring sausage fermentation using an electronic nose | |
| Bhatt et al. | Automatic apple grading model development based on back propagation neural network and machine vision, and its performance evaluation | |
| CN111513730B (zh) | 基于多通道生理数据的心理压力预测方法和系统 | |
| Khanmohammadi et al. | Artificial neural network for quantitative determination of total protein in yogurt by infrared spectrometry | |
| JP2006329674A (ja) | 味の測定方法並びにそのための味覚センサー及び味測定装置 | |
| CN109034261A (zh) | 一种基于支持向量机的近红外光谱数据分析方法 | |
| CN111651982A (zh) | 得到菜肴温度信息的方法及其神经网络训练方法、存储介质和菜肴风味重现方法 | |
| CN113298780A (zh) | 一种基于深度学习的儿童骨龄评估方法及系统 | |
| CN114140398A (zh) | 一种利用无缺陷图像的少样本缺陷检测方法 | |
| CN115908257A (zh) | 缺陷识别模型训练方法及果蔬缺陷识别方法 | |
| Lin et al. | Identification of rice storage time based on colorimetric sensor array combined hyperspectral imaging technology | |
| CN111414752A (zh) | 与菜肴风味及其制作相关的方法和装置，计算机可读存储介质和程序模块构架 | |
| CN112184627A (zh) | 基于图像处理与神经网络的柑橘保鲜品质检测方法及应用 | |
| CN101968438A (zh) | 一种原料肌肉注水快速判别方法 | |
| Bistel et al. | Neural networks that locate and identify birds through their songs | |
| CN111260199A (zh) | 一种人工智能感官评价食品风味系统及其构建方法 | |
| CN117871428A (zh) | 基于高光谱成像和优化算法的牛奶掺假快速无损定量检测方法 | |
| CN110739006B (zh) | 音频处理方法、装置、存储介质及电子设备 | |
| CN114624402B (zh) | 一种基于近红外光谱的螺蛳粉酸笋品质评价方法 | |
| CN116050253A (zh) | 菜品风味智能识别方法、装置、设备及存储介质 | |
| SHIMOFUJI et al. | Machine learning in analyses of the relationship between Japanese sake physicochemical features and comprehensive evaluations | |
| Lopes et al. | Classification of crispness of food materials by deep neural networks | |
| Winquist et al. | Crispbread quality evaluation based on fusion of information from the sensor analogies to the human olfactory, auditory and tactile senses |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200714 |