CN111435229A - 控制烹饪模式的方法、装置和烹饪器具 - Google Patents

Abstract

本发明公开了一种控制烹饪模式的方法、装置和烹饪器具。其中，该方法包括：识别待烹饪的食物的种类，并获取操作对象定制的食物的至少一种口感数据；基于食物的种类，确定对应的深度确定性策略梯度模型；使用确定的深度确定性策略梯度模型处理食物的至少一种口感数据，获取调整数据，其中，调整数据用于调整烹饪参数；基于调整数据确定调整后的烹饪模式。上述方案采用强化学习的深度确定性策略梯度算法，根据用户需求制定个性化煮饭模式，解决了现有技术中由于烹饪器具的烹饪模式是出厂预设，导致烹饪的控制方法不灵活的技术问题。

Description

控制烹饪模式的方法、装置和烹饪器具

技术领域

本发明涉及智能小家电领域，具体而言，涉及一种控制烹饪模式的方法、装置和烹饪器具。

背景技术

随着生活节奏的加快，人们停留在厨房的时间越来越少，因此，简单易操作、符合用户口味，同时能将食物所包含的营养完美地发挥出来的烹饪器具迫切需要被研发出来。电饭煲是人们生活中必不可少的煮饭工具，传统的电饭煲针对不同的米粒类型，往往采用同一种烹饪模式，导致米的口感时好时坏；电饭煲的控制方式由简单的机械控制发展到现在的微电脑控制、模糊控制等，虽然其功能也从单一的煮饭功能发展到多用途且具有不同的煮饭模式，但是其烹饪模式仍然是出厂预设的固定模式，无法充分满足用户的个性需求。

针对现有技术中由于烹饪器具的烹饪模式是出厂预设，导致烹饪的控制方法不灵活的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种控制烹饪模式的方法、装置和烹饪器具，以至少解决现有技术中由于烹饪器具的烹饪模式是出厂预设，导致烹饪的控制方法不灵活的技术问题。

根据本发明实施例的一个方面，提供了一种控制烹饪模式的方法，包括：识别待烹饪的食物的种类，并获取操作对象定制的食物的至少一种口感数据；基于食物的种类，确定对应的深度确定性策略梯度模型；使用确定的深度确定性策略梯度模型处理食物的至少一种口感数据，获取调整数据，其中，调整数据用于调整烹饪参数；基于调整数据确定调整后的烹饪模式。

可选地，在使用确定的深度确定性策略梯度模型处理食物的至少一种口感数据，获取调整数据之前，上述方法还包括：针对不同种类的食物训练得到不同的深度确定性策略梯度模型，并针对不同的深度确定性策略梯度模型制定相应的烹饪模式。

可选地，在识别待烹饪的食物的种类之后，上述方法还包括：判断是否接收到进入调整烹饪模式的指令；如果接收到指令，进入获取操作对象定制的食物的至少一种口感数据的步骤；如果没有接收到指令，控制烹饪器具按照预先设定的烹饪模式进行工作。

可选地，在基于调整数据确定调整后的烹饪模式之后，上述方法还包括：控制烹饪器具按照调整后的烹饪模式进行工作；将食物的类型和对应的烹饪模式之间的关联关系存储至烹饪数据库。

可选地，在将食物的类型和对应的烹饪模式之间的关联关系进行存储之后，上述方法还包括：如果检测到烹饪器具放入新食物，识别新食物的种类；基于新食物的种类查询烹饪数据库中是否存在对应的烹饪模式；如果查询到对应的烹饪模式，则控制烹饪器具按照查询到的烹饪模式进行工作；如果没有查询到对应的烹饪模式，则控制烹饪器具按照预先设定的烹饪模式进行工作。

可选地，在控制烹饪器具按照查询到的烹饪模式进行工作之前，上述方法还包括：输出询问信息，其中，询问信息包括语音提示和/或文字提示，用于提示操作对象更新口感数据；如果操作对象基于提示信息输入新的口感数据，则使用对应的深度确定性策略梯度模型处理更新后的口感数据，获取更新后的调整数据；基于更新后的调整数据，调整查询到的烹饪模式。

可选地，基于调整后的烹饪模式更新烹饪数据库中食物对应的烹饪模式。

可选地，识别待烹饪的食物的种类，包括：获取待烹饪的食物的食物图像；使用卷积神经网络模型识别食物图像，确定食物图像中食物的种类。

可选地，使用卷积神经网络模型识别食物图像，确定食物图像中食物的种类，包括：分割食物图像，得到多张子图片；使用卷积神经网络模型处理多张子图片，识别出每张子图片中的食物；将识别出食物的子图片进行轮廓提取，并将没有识别出食物的区域设置为预定的背景，得到多张处理后的子图片；将多张处理后的子图片进行拼合，得到还原后的食物图片。

可选地，在将多张处理后的子图片进行拼合，得到还原后的食物图片之后，上述方法还包括：输出还原后的食物图片，并提取还原后的食物图片中的食物轮廓；基于还原后的食物图片中的食物轮廓，确定食物的种类。

根据本发明实施例的另一方面，还提供了一种控制烹饪模式的装置，包括：识别模块，用于识别待烹饪的食物的种类，并获取操作对象定制的食物的至少一种口感数据；第一确定模块，用于基于食物的种类，确定对应的深度确定性策略梯度模型；第一调整模块，用于使用确定的深度确定性策略梯度模型处理食物的至少一种口感数据，获取调整数据，其中，调整数据用于调整烹饪参数；第二确定模块，用于基于调整数据确定调整后的烹饪模式。

可选地，上述装置还包括：制定模块，用于在使用确定的深度确定性策略梯度模型处理食物的至少一种口感数据，获取调整数据之前，针对不同种类的食物训练得到不同的深度确定性策略梯度模型，并针对不同的深度确定性策略梯度模型制定相应的烹饪模式。

可选地，上述装置还包括：判断模块，用于在识别待烹饪的食物的种类之后，判断是否接收到进入调整烹饪模式的指令；执行模块，用于如果接收到指令，进入获取操作对象定制的食物的至少一种口感数据的步骤；如果没有接收到指令，控制烹饪器具按照预先设定的烹饪模式进行工作。

可选地，上述装置还包括：控制模块，用于在基于调整数据确定调整后的烹饪模式之后，控制烹饪器具按照调整后的烹饪模式进行工作；存储模块，用于将食物的类型和对应的烹饪模式之间的关联关系存储至烹饪数据库。

可选地，上述装置还包括：新食物识别模块，用于在将食物的类型和对应的烹饪模式之间的关联关系进行存储之后，如果检测到烹饪器具放入新食物，识别新食物的种类；新食物查询模块，用于基于新食物的种类查询烹饪数据库中是否存在对应的烹饪模式；新食物控制模块，用于如果查询到对应的烹饪模式，则控制烹饪器具按照查询到的烹饪模式进行工作；如果没有查询到对应的烹饪模式，则控制烹饪器具按照预先设定的烹饪模式进行工作。

可选地，上述装置还包括：输出模块，用于在控制烹饪器具按照查询到的烹饪模式进行工作之前，输出询问信息，其中，询问信息包括语音提示和/或文字提示，用于提示操作对象更新口感数据；处理模块，用于如果操作对象基于提示信息输入新的口感数据，则使用对应的深度确定性策略梯度模型处理更新后的口感数据，获取更新后的调整数据；第二调整模块，基于更新后的调整数据，调整查询到的烹饪模式。

可选地，上述装置还包括更新模块，用于基于调整后的烹饪模式更新烹饪数据库中食物对应的烹饪模式。

可选地，识别模块包括：获取模块，用于获取待烹饪的食物的食物图像；第三确定模块，用于使用卷积神经网络模型识别食物图像，确定食物图像中食物的种类。

可选地，第三确定模块包括：分割模块，用于分割食物图像，得到多张子图片；子图片处理模块，用于使用卷积神经网络模型处理多张子图片，识别出每张子图片中的食物；第一提取模块，用于将识别出食物的子图片进行轮廓提取，并将没有识别出食物的区域设置为预定的背景，得到多张处理后的子图片；拼合模块，用于将多张处理后的子图片进行拼合，得到还原后的食物图片。

可选地，上述装置还包括：第二提取模块，用于在将多张处理后的子图片进行拼合，得到还原后的食物图片之后，输出还原后的食物图片，并提取还原后的食物图片中的食物轮廓；第三确定子模块，用于基于还原后的食物图片中的食物轮廓，确定食物的种类。

根据本发明实施例的另一方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述任意一种控制烹饪模式的方法。

根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一种控制烹饪模式的方法。

根据本发明实施例的另一方面，还提供了一种烹饪器具，包括：图像采集装置，用于获取待烹饪的食物的图像；控制器，控制器用于运行程序，其中，在程序运行时对于从图像采集装置输出的数据执行如下处理步骤：识别待烹饪的食物的种类，并获取操作对象定制的食物的至少一种口感数据；基于食物的种类，确定对应的深度确定性策略梯度模型；使用确定的深度确定性策略梯度模型处理食物的至少一种口感数据，获取调整数据，其中，调整数据用于调整烹饪参数；基于调整数据确定调整后的烹饪模式。

在本发明实施例中，识别待烹饪的食物的种类，并获取操作对象定制的食物的至少一种口感数据；基于食物的种类，确定对应的深度确定性策略梯度模型；使用确定的深度确定性策略梯度模型处理食物的至少一种口感数据，获取调整数据，其中，调整数据用于调整烹饪参数；基于调整数据确定调整后的烹饪模式。上述方案采用强化学习的深度确定性策略梯度算法，根据用户喜好训练算法，调整原有不同食物种类对应的不同烹饪模式，解决了现有技术中由于烹饪器具的烹饪模式是出厂预设，导致烹饪的控制方法不灵活的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本申请实施例的一种可选的控制烹饪模式的方法流程图；

图2是根据本申请实施例的一种可选的深度确定性策略梯度算法学习流程图；

图3是根据本申请实施例的一种可选的深度确定性策略梯度算法控制电饭煲的学习流程图；

图4是根据本申请实施例的一种可选的个性化烹饪模式的流程图；以及

图5是根据本申请实施例的一种可选的控制烹饪模式的装置示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、装置、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、装置、产品或设备固有的其它步骤或单元。

实施例1

根据本发明实施例，提供了一种控制烹饪模式的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的一种控制烹饪模式的方法流程图，如图1所示，该方法包括如下步骤：

步骤S102，识别待烹饪的食物的种类，并获取操作对象定制的食物的至少一种口感数据。

一种可选方案中，上述食物可以为大米、糯米、玉米、黄豆等颗粒状谷物。上述识别方式可以为用户经验识别、手机APP拍照识别、网络平台搜索等方式。上述口感数据可以为偏软、适中、偏硬、清香、营养度等。

在烹饪开始之前，需要先获取待烹饪食物的种类，以及用户的口味喜好。

步骤S104，基于食物的种类，确定对应的深度确定性策略梯度模型。

深度确定性策略梯度(Deep Deterministic Policy Gradient，DDPG)算法是一种基于动作(actor)-状态(critic)框架的强化学习算法。

图2是根据本申请实施例的一种深度确定性策略梯度算法学习流程图。如图2所示，DDPG模型中包括动作网络、状态网络和存储记忆表，动作网络包括动作估计网络(Actor-target-net)和动作现实网络(Actor-eval-net)，状态网络包括状态估计网络(Critic-target-net)和状态现实网络(Critic-eval-net)，存储记忆表每一行存储当前状态、动作、奖励和下一状态，用于深度神经网络模型的学习。DDPG模型包含四个深度神经网络，设置四个深度神经网络的结构都为4层。控制动作有温度，运行状态有加水量、压力和湿度等，奖励为在学习过程中烹饪器具内部能连接到系统的检测食物特性的设备，以及用户对食物特性的评判。动作现实网络的输入为当前状态，输出为动作；动作估计网络的输入为下一状态，输出为估计动作；状态现实网络的输入为当前状态和实际执行的动作，输出为动作-状态值函数Q；状态估计网络的输入为下一状态和动作估计网络输出的估计动作，输出为动作-状态值函数估计值Q'。每隔一定的迭代次数后，将现实网络参数复制给估计网络。

步骤S106，使用确定的深度确定性策略梯度模型处理食物的至少一种口感数据，获取调整数据，其中，调整数据用于调整烹饪参数。

步骤S108，基于调整数据确定调整后的烹饪模式。

以大米为例，图3是根据本申请实施例的一种DDPG算法控制电饭煲的学习流程图。对不同种类的大米训练学习不同的DDPG模型，制定相应的蒸饭模式。在此基础上对不同的DDPG模型调整其蒸饭后米饭的一些特性如大米的软硬和香糯等。学习过程中，在烹饪器具内部设置能检测食物特性的设备，如温湿度传感器、压力传感器等，同时加入用户对大米特性的评判，这两者作为DDPG学习中的奖励机制。然后在不同种类的大米对应不同的DDPG模型基础上，学习改变大米特性的程度所需的动作参数的变化量，从而学习到不同程度的特性所需电饭煲的不同程度的动作控制参数变化量，并基于该参数变化量确定调整后的烹饪模式。

基于本申请上述实施例提供的方案，通过识别待烹饪的食物的种类，并获取操作对象定制的食物的至少一种口感数据；基于食物的种类，确定对应的深度确定性策略梯度模型；使用确定的深度确定性策略梯度模型处理食物的至少一种口感数据，获取调整数据，其中，调整数据用于调整烹饪参数；基于调整数据确定调整后的烹饪模式。上述方案采用强化学习的深度确定性策略梯度算法，根据用户喜好训练算法，调整原有不同食物种类对应的不同烹饪模式，解决了现有技术中由于烹饪器具的烹饪模式是出厂预设，导致烹饪的控制方法不灵活的技术问题。

可选地，在使用确定的深度确定性策略梯度模型处理食物的至少一种口感数据，获取调整数据之前，上述方法还包括：针对不同种类的食物训练得到不同的深度确定性策略梯度模型，并针对不同的深度确定性策略梯度模型制定相应的烹饪模式。

一种可选方案中，上述烹饪模式至少可以包括不同烹饪阶段的烹饪温度、烹饪器具内压力、烹饪时间和排气时间、排气阀开度中的一种或多种。

可选地，在识别待烹饪的食物的种类之后，上述方法还包括：判断是否接收到进入调整烹饪模式的指令；如果接收到指令，进入获取操作对象定制的食物的至少一种口感数据的步骤；如果没有接收到指令，控制烹饪器具按照预先设定的烹饪模式进行工作。

在用户使用烹饪器具进行烹饪之前，烹饪器具会提示用户是否需要个性化烹饪模式。如果用户的口味比较大众，则不需要，那么按照食物种类事先设定的烹饪模式进行；如果用户口味独特，需要个性化烹饪，那么按事先设置好的食物的几种特性，搜集用户对这几种特性的喜好程度，然后将数据传输到本地设备的智能芯片或服务器，本地设备的智能芯片或服务器会根据对应食物种类的DDPG模型进行烹饪过程中参数的调整，将调整好的控制模式传输到电饭煲中控制相应执行机构进行烹饪。

可选地，在基于调整数据确定调整后的烹饪模式之后，上述方法还包括：控制烹饪器具按照调整后的烹饪模式进行工作；将食物的类型和对应的烹饪模式之间的关联关系存储至烹饪数据库。

一种可选方案中，上述关联关系可以预先存储于本地设备的智能芯片或云端服务器的烹饪数据库中。

由于烹饪数据库中已经预先存储好了食物的类型和对应的烹饪模式之间的关联关系，那么烹饪器具在获知食物的类型后，通过查表法即可得到与食物类型对应的烹饪模式，缩短了处理时间。

图4是根据本申请实施例的一种可选的个性化烹饪模式的流程图，如图4所示，当用户需要烹饪食物时，首先需要识别待烹饪食物的种类。烹饪之前，系统会提示用户是否需要个性化烹饪模式，若不需要，则按照识别出的食物种类预先设置好的烹饪模式控制电饭煲进行烹饪；若需要，则按预先设置好的食物的几种特性，搜集用户对这几种特性的喜好程度，然后将数据传输给电饭煲智能芯片，智能芯片会根据对应食物种类的DDPG模型进行烹饪，并存储对应的个性化烹饪模式，方便下次查询。

可选地，在将食物的类型和对应的烹饪模式之间的关联关系进行存储之后，上述方法还包括：如果检测到烹饪器具放入新食物，识别新食物的种类；基于新食物的种类查询烹饪数据库中是否存在对应的烹饪模式；如果查询到对应的烹饪模式，则控制烹饪器具按照查询到的烹饪模式进行工作；如果没有查询到对应的烹饪模式，则控制烹饪器具按照预先设定的烹饪模式进行工作。

用户的口味具有多样化，每次不可避免的会使用新食材。如果检测到烹饪器具放入了新食物，首先识别出新食物的具体种类，然后查询烹饪数据库中是否存在对应的烹饪模式。如果查询到烹饪数据库中存储有对应的烹饪模式，则控制烹饪器具按照查询到的烹饪模式进行工作；如果没有查询到对应的烹饪模式，则控制烹饪器具按照用户预先设定的烹饪模式进行工作，以进一步节省时间。

可选地，在控制烹饪器具按照查询到的烹饪模式进行工作之前，上述方法还包括：输出询问信息，其中，询问信息包括语音提示和/或文字提示，用于提示操作对象更新口感数据；如果操作对象基于提示信息输入新的口感数据，则使用对应的深度确定性策略梯度模型处理更新后的口感数据，获取更新后的调整数据；基于更新后的调整数据，调整查询到的烹饪模式。

一种可选方案中，上述询问信息可以通过设置于烹饪器具外表面的显示面板输出，用于提示用户是否需要更新口感数据。

如果用户通过显示面板输入新的口感数据，则使用对应的DDPG模型处理更新后的口感数据，获取更新后的调整数据，并基于更新后的调整数据，调整查询到的烹饪模式。

可选地，基于调整后的烹饪模式更新烹饪数据库中食物对应的烹饪模式。

通过不断更新烹饪数据库中不同食物对应的烹饪模式，可以使烹饪器具越来越智能化，更加符合用户需求。

可选地，识别待烹饪的食物的种类，包括：获取待烹饪的食物的食物图像；使用卷积神经网络模型识别食物图像，确定食物图像中食物的种类。

卷积神经网络属于有监督的学习算法，是深度神经网络中的一种特殊情况，它相比于深度人工神经网络具有权值数量少、训练速度快等优点。

卷积神经网络主要由三部分组成，分别是输入层、隐藏层和输出层。其中，输入层和输出层只有一层，而隐藏层可以有多层，深度神经网络就是有很多个隐藏层的神经网络。卷积神经网络的输入层为食物图像，通过使用卷积神经网络对食物图像进行分析计算，输出识别出的食物种类。

可选地，使用卷积神经网络模型识别食物图像，确定食物图像中食物的种类，包括：分割食物图像，得到多张子图片；使用卷积神经网络模型处理多张子图片，识别出每张子图片中的食物；将识别出食物的子图片进行轮廓提取，并将没有识别出食物的区域设置为预定的背景，得到多张处理后的子图片；将多张处理后的子图片进行拼合，得到还原后的食物图片。

在上述步骤中，将原始食物图像进行分割，获得多张子图片。子图片的数目越多，识别食物种类的准确度越高。然后提取每张子图片中包含的食物的图像特征，对识别出食物的子图片进行轮廓提取，并将没有识别出食物的区域设置为预定的背景色，例如黑色。然后按分割顺序对每个子图片进行复位拼合，得到还原后的食物轮廓图。

可选地，在将多张处理后的子图片进行拼合，得到还原后的食物图片之后，上述方法还包括：输出还原后的食物图片，并提取还原后的食物图片中的食物轮廓；基于还原后的食物图片中的食物轮廓，确定食物的种类。

上述步骤中，通过拼合得到还原后的食物图片之后，将其输出并提取还原后的整体食物轮廓，以确定食物的具体种类，例如，如果烹饪器具内放置的是大米，可以通过计算长宽比、投影面积等参数来确定碎米率、是否为留胚米等，以制定出符合不同米粒占比的个性化烹饪方案。

在一个完整的个性化烹饪模式的整体流程中，仍以大米为例，当用户需要烹饪米饭时，会先拍照传给电饭煲的智能芯片进行大米种类的识别。烹饪之前，系统会提示用户是否需要个性化烹饪模式，若不需要，则按照识别出的大米种类预先设置好的烹饪模式进行；若需要，则按预先设置好的大米的几种特性，搜集用户对这几种特性的喜好程度，然后将数据传输给电饭煲智能芯片，智能芯片会根据对应大米种类的DDPG模型进行烹饪控制参数的调整，将调整好的控制模式传输给电饭煲，控制电饭煲烹饪，并存储对应的个性化烹饪模式。

当用户下次使用电饭煲烹饪时，首先用户会对大米拍照进行识别，电饭煲会通过用户之前的历史记录，查找同种大米最近一次用过的烹饪模式，判断其是否为用户个性化烹饪模式，若是个性化烹饪模式，询问用户针对上次个性化烹饪模式烹饪出的米饭需要做哪些调整，根据用户的建议调整在上次个性化烹饪模式基础上使用强化学习算法进行学习调整电饭煲烹饪控制模式；若没有个性化烹饪模式历史，询问用户是否需要个性化烹饪模式，若需要则询求用户的口感喜好，然后用DDPG模型训练学习控制参数，若不需要，则按照此次大米种类预先设置好的模式烹饪。

通过上述方案，针对用户反馈，不断地调整每次的烹饪模式对应的优化控制参数，获得用户所需口感的烹饪模式，同时用户如果想要变换口感，通过煮饭前的反馈来调整控制烹饪参数，实现真正意义上的个性化烹饪模式。

实施例2

根据本发明实施例，提供了一种控制烹饪模式的装置，图5是根据本申请实施例的控制烹饪模式的装置示意图。如图5所示，该装置500包括：

识别模块502，用于识别待烹饪的食物的种类，并获取操作对象定制的食物的至少一种口感数据。

第一确定模块504，用于基于食物的种类，确定对应的深度确定性策略梯度模型。

第一调整模块506，用于使用确定的深度确定性策略梯度模型处理食物的至少一种口感数据，获取调整数据，其中，调整数据用于调整烹饪参数。

第二确定模块508，用于基于调整数据确定调整后的烹饪模式。

可选地，上述装置还包括：制定模块，用于在使用确定的深度确定性策略梯度模型处理食物的至少一种口感数据，获取调整数据之前，针对不同种类的食物训练得到不同的深度确定性策略梯度模型，并针对不同的深度确定性策略梯度模型制定相应的烹饪模式。

可选地，上述装置还包括：判断模块，用于在识别待烹饪的食物的种类之后，判断是否接收到进入调整烹饪模式的指令；执行模块，用于如果接收到指令，进入获取操作对象定制的食物的至少一种口感数据的步骤；如果没有接收到指令，控制烹饪器具按照预先设定的烹饪模式进行工作。

可选地，上述装置还包括：控制模块，用于在基于调整数据确定调整后的烹饪模式之后，控制烹饪器具按照调整后的烹饪模式进行工作；存储模块，用于将食物的类型和对应的烹饪模式之间的关联关系存储至烹饪数据库。

可选地，上述装置还包括：新食物识别模块，用于在将食物的类型和对应的烹饪模式之间的关联关系进行存储之后，如果检测到烹饪器具放入新食物，识别新食物的种类；新食物查询模块，用于基于新食物的种类查询烹饪数据库中是否存在对应的烹饪模式；新食物控制模块，用于如果查询到对应的烹饪模式，则控制烹饪器具按照查询到的烹饪模式进行工作；如果没有查询到对应的烹饪模式，则控制烹饪器具按照预先设定的烹饪模式进行工作。

可选地，上述装置还包括：输出模块，用于在控制烹饪器具按照查询到的烹饪模式进行工作之前，输出询问信息，其中，询问信息包括语音提示和/或文字提示，用于提示操作对象更新口感数据；处理模块，用于如果操作对象基于提示信息输入新的口感数据，则使用对应的深度确定性策略梯度模型处理更新后的口感数据，获取更新后的调整数据；第二调整模块，基于更新后的调整数据，调整查询到的烹饪模式。

可选地，上述装置还包括更新模块，用于基于调整后的烹饪模式更新烹饪数据库中食物对应的烹饪模式。

可选地，识别模块包括：获取模块，用于获取待烹饪的食物的食物图像；第三确定模块，用于使用卷积神经网络模型识别食物图像，确定食物图像中食物的种类。

可选地，第三确定模块包括：分割模块，用于分割食物图像，得到多张子图片；子图片处理模块，用于使用卷积神经网络模型处理多张子图片，识别出每张子图片中的食物；第一提取模块，用于将识别出食物的子图片进行轮廓提取，并将没有识别出食物的区域设置为预定的背景，得到多张处理后的子图片；拼合模块，用于将多张处理后的子图片进行拼合，得到还原后的食物图片。

可选地，上述装置还包括：第二提取模块，用于在将多张处理后的子图片进行拼合，得到还原后的食物图片之后，输出还原后的食物图片，并提取还原后的食物图片中的食物轮廓；第三确定子模块，用于基于还原后的食物图片中的食物轮廓，确定食物的种类。

需要说明的是，本实施例的可选或优选实施方式可以参见实施例1中的相关描述，但不仅限于实施例1所公开的内容，在此不再赘述。

实施例3

根据本发明实施例，提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行实施例1中的控制烹饪模式的方法。

实施例4

根据本发明实施例，提供了一种处理器，处理器用于运行程序，其中，程序运行时执行实施例1中的控制烹饪模式的方法。

实施例5

根据本发明实施例，提供了一种烹饪器具，包括：

图像采集装置，用于获取待烹饪的食物的图像。

控制器，控制器用于运行程序，其中，在程序运行时对于从图像采集装置输出的数据执行如下处理步骤：识别待烹饪的食物的种类，并获取操作对象定制的食物的至少一种口感数据；基于食物的种类，确定对应的深度确定性策略梯度模型；使用确定的深度确定性策略梯度模型处理食物的至少一种口感数据，获取调整数据，其中，调整数据用于调整烹饪参数；基于调整数据确定调整后的烹饪模式。

需要说明的是，本实施例的可选或优选实施方式可以参见实施例1中的相关描述，但不仅限于实施例1所公开的内容，在此不再赘述。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例装置的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上仅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，这些改进和润饰也应视为本发明的保护范围。

Claims (23)

1.一种控制烹饪模式的方法，包括：

识别待烹饪的食物的种类，并获取操作对象定制的所述食物的至少一种口感数据；

基于所述食物的种类，确定对应的深度确定性策略梯度模型；

使用确定的深度确定性策略梯度模型处理所述食物的至少一种口感数据，获取调整数据，其中，所述调整数据用于调整烹饪参数；

基于调整数据确定调整后的烹饪模式。

2.根据权利要求1所述的方法，其特征在于，在使用确定的深度确定性策略梯度模型处理所述食物的至少一种口感数据，获取调整数据之前，所述方法还包括：

针对不同种类的食物训练得到不同的深度确定性策略梯度模型，并针对不同的深度确定性策略梯度模型制定相应的烹饪模式。

3.根据权利要求1或2所述的方法，其特征在于，在识别待烹饪的食物的种类之后，所述方法还包括：

判断是否接收到进入调整烹饪模式的指令；

如果接收到所述指令，进入获取操作对象定制的所述食物的至少一种口感数据的步骤；

如果没有接收到所述指令，控制烹饪器具按照预先设定的烹饪模式进行工作。

4.根据权利要求1或2所述的方法，其特征在于，在基于调整数据确定调整后的烹饪模式之后，所述方法还包括：

控制烹饪器具按照所述调整后的烹饪模式进行工作；

将所述食物的类型和对应的烹饪模式之间的关联关系存储至烹饪数据库。

5.根据权利要求4所述的方法，其特征在于，在将所述食物的类型和对应的烹饪模式之间的关联关系进行存储之后，所述方法还包括：

如果检测到所述烹饪器具放入新食物，识别所述新食物的种类；

基于所述新食物的种类查询所述烹饪数据库中是否存在对应的烹饪模式；

如果查询到对应的烹饪模式，则控制所述烹饪器具按照查询到的烹饪模式进行工作；

如果没有查询到对应的烹饪模式，则控制所述烹饪器具按照预先设定的烹饪模式进行工作。

6.根据权利要求5所述的方法，其特征在于，在控制所述烹饪器具按照查询到的烹饪模式进行工作之前，所述方法还包括：

输出询问信息，其中，所述询问信息包括语音提示和/或文字提示，用于提示所述操作对象更新口感数据；

如果所述操作对象基于所述提示信息输入新的口感数据，则使用对应的深度确定性策略梯度模型处理所述更新后的口感数据，获取更新后的调整数据；

基于所述更新后的调整数据，调整所述查询到的烹饪模式。

7.根据权利要求6所述的方法，其特征在于，基于调整后的烹饪模式更新所述烹饪数据库中所述食物对应的烹饪模式。

8.根据权利要求1所述的方法，其特征在于，识别待烹饪的食物的种类，包括：

获取所述待烹饪的食物的食物图像；

使用卷积神经网络模型识别所述食物图像，确定所述食物图像中食物的种类。

9.根据权利要求8所述的方法，其特征在于，使用卷积神经网络模型识别所述食物图像，确定所述食物图像中食物的种类，包括：

分割所述食物图像，得到多张子图片；

使用所述卷积神经网络模型处理所述多张子图片，识别出每张子图片中的食物；

将识别出食物的子图片进行轮廓提取，并将没有识别出所述食物的区域设置为预定的背景，得到多张处理后的子图片；

将所述多张处理后的子图片进行拼合，得到还原后的食物图片。

10.根据权利要求9所述的方法，其特征在于，在将所述多张处理后的子图片进行拼合，得到还原后的食物图片之后，所述方法还包括：

输出所述还原后的食物图片，并提取所述还原后的食物图片中的食物轮廓；

基于所述还原后的食物图片中的食物轮廓，确定所述食物的种类。

11.一种控制烹饪模式的装置，包括：

识别模块，用于识别待烹饪的食物的种类，并获取操作对象定制的所述食物的至少一种口感数据；

第一确定模块，用于基于所述食物的种类，确定对应的深度确定性策略梯度模型；

第一调整模块，用于使用确定的深度确定性策略梯度模型处理所述食物的至少一种口感数据，获取调整数据，其中，所述调整数据用于调整烹饪参数；

第二确定模块，用于基于调整数据确定调整后的烹饪模式。

12.根据权利要求11所述的装置，其特征在于，所述装置还包括：

制定模块，用于在使用确定的深度确定性策略梯度模型处理所述食物的至少一种口感数据，获取调整数据之前，针对不同种类的食物训练得到不同的深度确定性策略梯度模型，并针对不同的深度确定性策略梯度模型制定相应的烹饪模式。

13.根据权利要求11或12所述的装置，其特征在于，所述装置还包括：

判断模块，用于在识别待烹饪的食物的种类之后，判断是否接收到进入调整烹饪模式的指令；

执行模块，用于如果接收到所述指令，进入获取操作对象定制的所述食物的至少一种口感数据的步骤；如果没有接收到所述指令，控制烹饪器具按照预先设定的烹饪模式进行工作。

14.根据权利要求11或12所述的装置，其特征在于，所述装置还包括：

控制模块，用于在基于调整数据确定调整后的烹饪模式之后，控制烹饪器具按照所述调整后的烹饪模式进行工作；

存储模块，用于将所述食物的类型和对应的烹饪模式之间的关联关系存储至烹饪数据库。

15.根据权利要求14所述的装置，其特征在于，所述装置还包括：

新食物识别模块，用于在将所述食物的类型和对应的烹饪模式之间的关联关系进行存储之后，如果检测到所述烹饪器具放入新食物，识别所述新食物的种类；

新食物查询模块，用于基于所述新食物的种类查询所述烹饪数据库中是否存在对应的烹饪模式；

新食物控制模块，用于如果查询到对应的烹饪模式，则控制所述烹饪器具按照查询到的烹饪模式进行工作；如果没有查询到对应的烹饪模式，则控制所述烹饪器具按照预先设定的烹饪模式进行工作。

16.根据权利要求15所述的装置，其特征在于，所述装置还包括：

输出模块，用于在控制所述烹饪器具按照查询到的烹饪模式进行工作之前，输出询问信息，其中，所述询问信息包括语音提示和/或文字提示，用于提示所述操作对象更新口感数据；

处理模块，用于如果所述操作对象基于所述提示信息输入新的口感数据，则使用对应的深度确定性策略梯度模型处理所述更新后的口感数据，获取更新后的调整数据；

第二调整模块，基于所述更新后的调整数据，调整所述查询到的烹饪模式。

17.根据权利要求16所述的装置，其特征在于，所述装置还包括更新模块，用于基于调整后的烹饪模式更新所述烹饪数据库中所述食物对应的烹饪模式。

18.根据权利要求11所述的装置，其特征在于，所述识别模块包括：

获取模块，用于获取所述待烹饪的食物的食物图像；

第三确定模块，用于使用卷积神经网络模型识别所述食物图像，确定所述食物图像中食物的种类。

19.根据权利要求18所述的装置，其特征在于，所述第三确定模块包括：

分割模块，用于分割所述食物图像，得到多张子图片；

子图片处理模块，用于使用所述卷积神经网络模型处理所述多张子图片，识别出每张子图片中的食物；

第一提取模块，用于将识别出食物的子图片进行轮廓提取，并将没有识别出所述食物的区域设置为预定的背景，得到多张处理后的子图片；

拼合模块，用于将所述多张处理后的子图片进行拼合，得到还原后的食物图片。

20.根据权利要求19所述的装置，其特征在于，所述装置还包括：

第二提取模块，用于在将所述多张处理后的子图片进行拼合，得到还原后的食物图片之后，输出所述还原后的食物图片，并提取所述还原后的食物图片中的食物轮廓；

第三确定子模块，用于基于所述还原后的食物图片中的食物轮廓，确定所述食物的种类。

21.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至10中任意一项所述的控制烹饪模式的方法。

22.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至10中任意一项所述的控制烹饪模式的方法。

23.一种烹饪器具，其特征在于，包括：

图像采集装置，用于获取待烹饪的食物的图像；

控制器，所述控制器用于运行程序，其中，在所述程序运行时对于从所述图像采集装置输出的数据执行如下处理步骤：识别待烹饪的食物的种类，并获取操作对象定制的所述食物的至少一种口感数据；基于所述食物的种类，确定对应的深度确定性策略梯度模型；使用确定的深度确定性策略梯度模型处理所述食物的至少一种口感数据，获取调整数据，其中，所述调整数据用于调整烹饪参数；基于调整数据确定调整后的烹饪模式。

Images