CN111435426A - 基于米粒识别结果确定烹饪模式的方法、装置和烹饪器具 - Google Patents
基于米粒识别结果确定烹饪模式的方法、装置和烹饪器具 Download PDFInfo
- Publication number
- CN111435426A CN111435426A CN201910033082.2A CN201910033082A CN111435426A CN 111435426 A CN111435426 A CN 111435426A CN 201910033082 A CN201910033082 A CN 201910033082A CN 111435426 A CN111435426 A CN 111435426A
- Authority
- CN
- China
- Prior art keywords
- rice
- rice grain
- rcnn
- image
- module
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 379
- 235000009566 rice Nutrition 0.000 title claims abstract description 379
- 235000013339 cereals Nutrition 0.000 title claims abstract description 281
- 238000010411 cooking Methods 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims abstract description 61
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 378
- 238000003062 neural network model Methods 0.000 claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 113
- 238000012216 screening Methods 0.000 claims description 28
- 238000002372 labelling Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 24
- 238000011176 pooling Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 10
- 238000010438 heat treatment Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000002791 soaking Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000002257 embryonic structure Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 235000021395 porridge Nutrition 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 235000014347 soups Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- A47J36/00—Parts, details or accessories of cooking-vessels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Food Science & Technology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于米粒识别结果确定烹饪模式的方法、装置和烹饪器具。其中，该方法包括：采集拍摄得到的米粒图像，其中，米粒图像为内置在烹饪器具内的拍摄装置拍摄待烹饪的米粒得到的图像；使用深度神经网络模型Faster RCNN对米粒图像进行识别，得到识别结果，其中，识别结果包括：米粒的种类以及特征参数；基于识别结果，查询得到对应的烹饪模式。上述方案通过深度神经网络Faster RCNN对烹饪器具内的大米进行分类识别，并根据识别结果进行米饭烹饪模式的选择，解决了现有技术在烹饪米粒的过程中，无法准确获取米粒的种类，导致口感时好时坏的技术问题。
Description
技术领域
本发明涉及图像处理领域，具体而言，涉及一种基于米粒识别结果确定烹饪模式的方法、装置和烹饪器具。
背景技术
从人类发现水稻并大规模的种植和食用开始，水稻的口感与烹饪方法就一直在不断地研究和改善。时至今日，大米总共分为三大类——籼米、粳米和糯米，有近百种不同的颜色和样式。但是，现今家庭中的米饭烹饪方法还是停留在手工阶段，即用户将大米量好放入烹饪器具内，并加入适量的水进行蒸煮。这种情况下，由于用户对米粒种类识别不准确，所加水量难以把控，使得蒸煮出来的米饭硬度和口感常常变化，时好时坏。
针对现有技术在烹饪米粒的过程中，无法准确获取米粒的种类，导致口感时好时坏的问题，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基于米粒识别结果确定烹饪模式的方法、装置和烹饪器具，以至少解决现有技术在烹饪米粒的过程中，无法准确获取米粒的种类，导致口感时好时坏的技术问题。
根据本发明实施例的一个方面，提供了一种基于米粒识别结果确定烹饪模式的方法，包括：采集拍摄得到的米粒图像，其中，米粒图像为内置在烹饪器具内的拍摄装置拍摄待烹饪的米粒得到的图像；使用深度神经网络模型Faster RCNN对米粒图像进行识别，得到识别结果，其中，识别结果包括：米粒的种类以及特征参数；基于识别结果，查询得到对应的烹饪模式。
可选地，使用深度神经网络模型Faster RCNN对米粒图像进行识别，得到识别结果，包括：通过深度神经网络模型Faster RCNN将米粒图像输入至VGG16卷积神经网络进行卷积计算，得到米粒图像的特征图；将米粒图像的特征图输入至RPN网络进行筛选，得到筛选结果，其中，筛选结果包括：米粒图像中存在米粒的概率值，以及每个米粒的外接矩形的参数；将RPN网络的筛选结果和米粒图像的特征图输入至池化层，进行分类处理；将分类处理结果输入至全连接层，其中，全连接层将分类处理结果进行转换，得到米粒图像中每个米粒的图像特征；通过深度神经网络模型的softmax层分析每个米粒的图像特征，得到米粒的种类和特征参数，其中，米粒种类包括如下至少之一：大米、籼米、粳米和糯米，特征参数包括如下至少之一：米粒大小、颜色和长宽比。
可选地，在使用深度神经网络模型Faster RCNN对米粒图像进行识别，得到识别结果之前，方法还包括：获取训练样本集，其中，训练样本集包括多种类型的米粒样本图像；标注训练样本集中米粒样本图像的米粒信息，其中，米粒信息包括：轮廓信息、种类以及特征参数；将标注后的训练样本集输入至初始化的Faster RCNN神经网络进行训练，得到深度神经网络模型。
可选地，标注训练样本集中米粒样本图像的米粒信息，包括：从米粒样本图像中提取米粒的轮廓图；根据米粒的轮廓图计算得到最小外接矩形，并基于最小外接矩形确定米粒的长宽比；获取最小外接矩形中预定位置的坐标值；将米粒的长宽比、大小、颜色和坐标值作为标注信息标注至米粒样本图像中。
可选地，将标注后的训练样本集输入至初始化的Faster RCNN神经网络进行训练，得到深度神经网络模型，包括：使用标注后的训练样本集分别训练RPN网络和Fast-RCNN网络，其中，训练RPN网络输出米粒样本图像中米粒的矩形框，且矩形框作为检测网络的数据输入至Fast-RCNN网络；再次训练RPN网络，并使用Fast-RCNN网络的训练结果微调RPN网络，其中，微调过程中，RPN网络中的公共参数固定不变，更新RPN网络中的独有参数；再次训练Fast-RCNN网络，并使用再次训练RPN网络的训练结果微调Fast-RCNN网络，其中，微调过程中，Fast-RCNN网络中的公共参数固定不变，更新Fast-RCNN网络中的独有参数。
可选地，使用预训练模型向RPN网络和Fast-RCNN网络加载网络参数，其中，网络参数包括：固定参数和独有参数。
可选地，基于识别结果，查询得到对应的烹饪模式，包括：基于识别结果，从烹饪曲线中匹配得到对应的烹饪模式，其中，依据不同种类的米粒的至少一个米粒信息和对应的烹饪模式，获取烹饪曲线；控制烹饪器具按照匹配得到的煲饭模式进行工作。
根据本发明实施例的另一方面，还提供了一种基于米粒识别结果确定烹饪模式的装置，包括：采集模块，用于采集拍摄得到的米粒图像，其中，米粒图像为内置在烹饪器具内的拍摄装置拍摄待烹饪的米粒得到的图像；识别模块，用于使用深度神经网络模型FasterRCNN对米粒图像进行识别，得到识别结果，其中，识别结果包括：米粒的种类以及特征参数；查询模块，用于基于识别结果，查询得到对应的烹饪模式。
可选地，识别模块包括：计算模块，用于通过深度神经网络模型Faster RCNN将米粒图像输入至VGG16卷积神经网络进行卷积计算，得到米粒图像的特征图；筛选模块，用于将米粒图像的特征图输入至RPN网络进行筛选，得到筛选结果，其中，筛选结果包括：米粒图像中存在米粒的概率值，以及每个米粒的外接矩形的参数；池化模块，用于将RPN网络的筛选结果和米粒图像的特征图输入至池化层，进行池化处理；转换模块，用于将池化处理结果输入至全连接层，其中，全连接层将分类处理结果进行转换，得到米粒图像中每个米粒的图像特征；分析模块，用于通过深度神经网络模型的softmax层分析每个米粒的图像特征，得到米粒的种类和特征参数，其中，米粒种类包括如下至少之一：大米、籼米、粳米和糯米，特征参数包括如下至少之一：米粒大小、颜色和长宽比。
可选地，装置还包括：样本获取模块，用于在使用深度神经网络模型Faster RCNN对米粒图像进行识别，得到识别结果之前，获取训练样本集，其中，训练样本集包括多种类型的米粒样本图像；标注模块，用于标注训练样本集中米粒样本图像的米粒信息，其中，米粒信息包括：轮廓信息、种类以及特征参数；训练模块，用于将标注后的训练样本集输入至初始化的Faster RCNN神经网络进行训练，得到深度神经网络模型。
可选地，标注模块包括：提取模块，用于从米粒样本图像中提取米粒的轮廓图；计算模块，用于根据米粒的轮廓图计算得到最小外接矩形，并基于最小外接矩形确定米粒的长宽比；坐标获取模块，用于获取最小外接矩形中预定位置的坐标值；标注子模块，用于将米粒的长宽比、大小、颜色和坐标值作为标注信息标注至米粒样本图像中。
可选地，训练模块包括：第一训练模块，用于使用标注后的训练样本集分别训练RPN网络和Fast-RCNN网络，其中，训练RPN网络输出米粒样本图像中米粒的矩形框，且矩形框作为检测网络的数据输入至Fast-RCNN网络；第二训练模块，用于再次训练RPN网络，并使用Fast-RCNN网络的训练结果微调RPN网络，其中，微调过程中，RPN网络中的公共参数固定不变，更新RPN网络中的独有参数；第三训练模块，再次训练Fast-RCNN网络，并使用再次训练RPN网络的训练结果微调Fast-RCNN网络，其中，微调过程中，Fast-RCNN网络中的公共参数固定不变，更新Fast-RCNN网络中的独有参数。
可选地，训练模块还包括：加载模块，用于使用预训练模型向RPN网络和Fast-RCNN网络加载网络参数，其中，网络参数包括：固定参数和独有参数。
可选地，查询模块包括：匹配模块，用于基于识别结果，从烹饪曲线中匹配得到对应的烹饪模式，其中，依据不同种类的米粒的至少一个米粒信息和对应的烹饪模式，获取烹饪曲线；控制模块，用于控制烹饪器具按照匹配得到的煲饭模式进行工作。
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基于米粒识别结果确定烹饪模式的方法。
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基于米粒识别结果确定烹饪模式的方法。
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，用于采集待烹饪的米粒图像，其中，图像采集装置内置在烹饪器具内部顶端；控制器，用于使用深度神经网络模型Faster RCNN对米粒图像进行识别，得到识别结果，其中，识别结果包括：米粒的种类以及特征参数；基于识别结果，查询得到对应的烹饪模式。
在本发明实施例中，采集拍摄得到的米粒图像，其中，米粒图像为内置在烹饪器具内的拍摄装置拍摄待烹饪的米粒得到的图像；使用深度神经网络模型Faster RCNN对米粒图像进行识别，得到识别结果，其中，识别结果包括：米粒的种类以及特征参数；基于识别结果，查询得到对应的烹饪模式。上述方案通过深度神经网络Faster RCNN对烹饪器具内的大米进行分类识别，得到米粒具体的颜色、长宽比等特征参数，以此识别米粒的种类，并根据识别结果进行米饭烹饪模式的选择，控制米饭口感，实现了人工智能技术与家电产品的结合，进而解决了现有技术在烹饪米粒的过程中，无法准确获取米粒的种类，导致口感时好时坏的技术问题。
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基于米粒识别结果确定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神经网络模型Faster RCNN结构框图；
图3是根据本申请实施例的一种可选的训练样本集标注流程图；
图4是根据本申请实施例的一种可选的深度神经网络模型Faster RCNN的训练流程图；
图5是根据本申请实施例的一种可选的智能电饭煲烹饪米饭的流程图；以及
图6是根据本申请实施例的一种可选的基于米粒识别结果确定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，提供了一种基于米粒识别结果确定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基于米粒识别结果确定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，采集拍摄得到的米粒图像，其中，米粒图像为内置在烹饪器具内的拍摄装置拍摄待烹饪的米粒得到的图像。
一种可选方案中，上述米粒图像可以为随机选取的平铺无重叠的米粒图像。上述烹饪器具可以是电饭煲、电压力锅等。上述拍摄装置可以具有防水耐高温材料和结构。
步骤S104，使用深度神经网络模型Faster RCNN对米粒图像进行识别，得到识别结果，其中，识别结果包括：米粒的种类以及特征参数。
一种可选方案中，上述特征参数可以为米粒的颜色、长宽比、是否留胚、碎米等。
深度神经网络模型Faster RCNN结构中包含一个RPN卷积神经网络和一个FastRCNN卷积神经网络，RPN卷积神经网络针对的是回归问题，在本申请中，解决的是对输入米粒图像进行米粒轮廓的粗选框问题，Fast RCNN卷积神经网络解决的是分类判别问题，在本申请中，解决的是如何从RPN卷积神经网络得到的各个粗选框作进一步筛选，得到米粒的种类及特征参数问题。
步骤S106，基于识别结果，查询得到对应的烹饪模式。
一种可选方案中，上述烹饪模式与识别结果的对应关系可以预先存储于本地设备的智能芯片或云端服务器中。上述烹饪模式可以包括米粒浸泡时间、不同烹饪阶段的烹饪温度、烹饪器具内压力、烹饪时间、排气时间和排气阀开度等。
根据深度神经网络模型Faster RCNN识别出的大米种类、大米颜色、大米长宽比，查询与其对应的烹饪模式，即可开始烹饪。
在一个可选的实施例中，在烹饪开始之前，电饭煲顶端内置的摄像头采集煲内的米粒图像，根据深度神经网络模型Faster RCNN确定米粒的种类为大米、长宽比为4:1，符合整米特征，且整米率占95％，那么通过查询预先存储于煲内智能芯片中的识别结果与烹饪模式的对应关系，得出泡米10分钟、蒸煮21分钟、排气时间5分钟的烹饪数据，并控制电饭煲的加热电阻、计时模块对其进行烹饪，以获得本次煲内大米的最佳口感，同时确保营养不会流失，操作便捷。
基于本申请上述实施例提供的方案，通过采集拍摄得到的米粒图像，其中，米粒图像为内置在烹饪器具内的拍摄装置拍摄待烹饪的米粒得到的图像；使用深度神经网络模型Faster RCNN对米粒图像进行识别，得到识别结果，其中，识别结果包括：米粒的种类以及特征参数；基于识别结果，查询得到对应的烹饪模式。上述方案通过深度神经网络FasterRCNN对烹饪器具内的大米进行分类识别，得到米粒具体的颜色、长宽比等特征参数，以此识别米粒的种类，并根据识别结果进行米饭烹饪模式的选择，控制米饭口感，实现了人工智能技术与家电产品的结合，进而解决了现有技术在烹饪米粒的过程中，无法准确获取米粒的种类，导致口感时好时坏的技术问题。
可选地，使用深度神经网络模型Faster RCNN对米粒图像进行识别，得到识别结果，包括：通过深度神经网络模型Faster RCNN将米粒图像输入至VGG16卷积神经网络进行卷积计算，得到米粒图像的特征图；将米粒图像的特征图输入至RPN网络进行筛选，得到筛选结果，其中，筛选结果包括：米粒图像中存在米粒的概率值，以及每个米粒的外接矩形的参数；将RPN网络的筛选结果和米粒图像的特征图输入至池化层，进行池化处理；将池化处理结果输入至全连接层，其中，全连接层将分类处理结果进行转换，得到米粒图像中每个米粒的图像特征；通过深度神经网络模型的softmax层分析每个米粒的图像特征，得到米粒的种类和特征参数，其中，米粒种类包括如下至少之一：大米、籼米、粳米和糯米，特征参数包括如下至少之一：米粒大小、颜色和长宽比。
图2是根据本申请实施例的一种深度神经网络模型Faster RCNN结构框图。当采集到米粒图像数据时，深度神经网络模型Faster-RCNN将该图像数据作为输入送入VGG16卷积神经网络进行卷积计算。VGG16卷积神经网络将原始图像卷积化后得到卷积特征图。特征图先输入RPN网络后进行筛选，RPN网络输出两类结果，其中一类为目标值，即米粒图像中存在米粒的概率值；另一类为识别框相关的四个参数，包括识别框的中心坐标x和y，识别框的宽w和高h，即每个米粒的外接矩形的参数。RPN网络的结果与VGG16卷积神经网络所得的特征图一同输入至ROI pooling池化层进行池化处理，最后数据流进入FC全连接层，通过其中的Soft-max函数进行类型识别并输出米粒的种类和大小、颜色或长宽比。
可选地，在使用深度神经网络模型Faster RCNN对米粒图像进行识别，得到识别结果之前，方法还包括：获取训练样本集，其中，训练样本集包括多种类型的米粒样本图像；标注训练样本集中米粒样本图像的米粒信息，其中，米粒信息包括：轮廓信息、种类以及特征参数；将标注后的训练样本集输入至初始化的Faster RCNN神经网络进行训练，得到深度神经网络模型。
由训练样本集对深度神经网络模型Faster RCNN进行训练，从样本集中提取大米的轮廓信息、种类、颜色等参数进行标注。完成标注后的样本集即送入初始化Faster RCNN神经网络进行训练，得到该网络中各卷积层的具体权重和偏置参数。
可选地，标注训练样本集中米粒样本图像的米粒信息，包括：从米粒样本图像中提取米粒的轮廓图；根据米粒的轮廓图计算得到最小外接矩形，并基于最小外接矩形确定米粒的长宽比；获取最小外接矩形中预定位置的坐标值；将米粒的长宽比、大小、颜色和坐标值作为标注信息标注至米粒样本图像中。
一种可选方案中，上述轮廓图可以通过Canny边缘检测提取。上述预定位置可以为矩形的顶点坐标。
图3是根据本申请实施例的一种深度神经网络模型训练样本集标注流程图。如图3所示，主要为图像标注矩形框、大米颜色和大米种类。大米颜色与大米种类直接按照实际标注即可。每个大米图像的矩形框需通过算法进行计算以得到相应矩形的顶点坐标。将采集到的标准图像样本，通过Canny算子提取大米轮廓图，然后根据轮廓图计算该轮廓的最小外接矩形，计算完成后即可得到每个米粒的外接矩形。再提取出最小外接矩形的四个顶点的像素坐标值，其中平面坐标系xOy以图像像素的左上角为原点，原点向右为x轴，向下为y轴。最后，根据顶点坐标值、大米颜色、大米种类进行图像的标注，重复此步骤直至所有训练图像样本标注完成，得到训练样本集。
可选地，将标注后的训练样本集输入至初始化的Faster RCNN神经网络进行训练，得到深度神经网络模型，包括：使用标注后的训练样本集分别训练RPN网络和Fast-RCNN网络，其中，训练RPN网络输出米粒样本图像中米粒的矩形框，且矩形框作为检测网络的数据输入至Fast-RCNN网络；再次训练RPN网络，并使用Fast-RCNN网络的训练结果微调RPN网络，其中，微调过程中，RPN网络中的公共参数固定不变，更新RPN网络中的独有参数；再次训练Fast-RCNN网络，并使用再次训练RPN网络的训练结果微调Fast-RCNN网络，其中，微调过程中，Fast-RCNN网络中的公共参数固定不变，更新Fast-RCNN网络中的独有参数。
可选地，使用预训练模型向RPN网络和Fast-RCNN网络加载网络参数，其中，网络参数包括：固定参数和独有参数。
图4是根据本申请实施例的一种深度神经网络模型Faster RCNN训练流程图，如图4所示，采用四步训练法：①单独训练RPN网络，网络参数由预训练模型载入；②单独训练Fast-RCNN网络，将第一步RPN的输出矩形框作为检测网络的输入。具体而言，RPN输出一个矩形框，通过矩形框截取原图像，并将截取后的图像通过几次卷积和池化处理，然后再通过ROI最大池化层和全连接层输出两条支路，一条是目标分类softmax，另一条是bbox回归。截止到现在，两个网络并没有共享参数，只是分开训练；③再次训练RPN，此时固定网络公共部分的参数，只更新RPN独有部分的参数；④用RPN的结果再次微调Fast-RCNN网络，固定网络公共部分的参数，只更新Fast-RCNN独有部分的参数。
可选地，基于识别结果，查询得到对应的烹饪模式，包括：基于识别结果，从烹饪曲线中匹配得到对应的烹饪模式，其中，依据不同种类的米粒的至少一个米粒信息和对应的烹饪模式，获取烹饪曲线；控制烹饪器具按照匹配得到的煲饭模式进行工作。
一种可选方案中，上述烹饪模式以曲线图的形式存储，例如温度时间曲线、压力时间曲线等。
由于烹饪数据库中已经预先存储好了识别结果和对应的烹饪模式之间的关联关系，那么烹饪器具在获知米粒的种类、长宽比后，通过查表法即可得到符合用户口味的烹饪模式，并控制烹饪器具工作，缩短了处理时间。
图5是根据本申请实施例的一种智能电饭煲烹饪米饭的流程图。如图5所示，大米识别流程开始前，由训练样本集对Faster RCNN神经网络进行训练，从样本集中提取大米的轮廓信息进行标注，并加上该米种的种类、颜色等参数。完成标注后的样本集即送入初始化Faster RCNN神经网络进行训练，得到该网络中各卷积层的具体权重和偏置参数。训练完成后，大米识别流程开始。首先采集当前待烹饪大米样本的图像，送入Faster RCNN网络进行卷积计算，得出识别结果，结果中包括大米种类、大米颜色、大米长宽比三种输出。根据Faster RCNN中所得的识别结果，进行烹饪模式的选择。其中烹饪模式为预先设定好地各米种烹饪方法，其依据为各种大米的长宽比、颜色综合所得的一个大米烹饪曲线。策略选择完成后，即可开始进行米饭烹饪。
可选地，将上述基于米粒识别结果确定烹饪模式的方法应用于烹饪器具中，上述烹饪器具可以包括加热部件、计时模块、决策模块、显示模块、通信模块和报警模块。
可选地，在使用深度神经网络模型Faster RCNN对米粒图像进行识别，得到识别结果之后，方法还包括：决策模块根据设定的烹饪数据和米粒的类型，确定烹饪数据，其中，烹饪数据至少包括：加热电阻的加热数据、排气阀的排气时间和不同烹饪阶段的加热温度；基于烹饪数据控制烹饪器具对米粒进行烹饪。
一种可选方案中，决策模块内部具有执行机构，例如加热电阻、计时模块等。上述设定的烹饪数据可以为用户预先设定的烹饪数据，例如口感与偏好(偏软、适中、偏硬、煮粥、煲汤等模式)。
决策模块根据卷积神经网络模型输出的米粒的类型，结合用户喜好设定，自动选择烹饪方式，例如泡米时间、加热电阻的加热温度、加热时间、排气阀的排气时间、排气阀开度和保温时间等，以便获得最佳的烹饪方式，保证米粒的口感，同时确保营养不会流失。
可选地，在决策模块根据设定的烹饪数据和米粒的类型，确定烹饪数据之前，方法还包括：决策模块接收通信模块传输的米粒图像中米粒的类型，并接收到外部交互界面接收到的烹饪数据。
一种可选方案中，上述通信模块可以为有线通信模块或无线通信模块，例如wifi模块。上述外部交互界面可以为设置于烹饪器具外表面的显示面板，也可以为遥控器。
在实际烹饪过程中，卷积神经网络识别出的米粒类型通过通信模块传输给决策模块，决策模块可以结合用户预先设定的烹饪数据和米粒的类型，选择最佳的烹饪数据。
可选地，通信模块还用于接收远程服务器传输的更新指令，其中，更新指令用于对烹饪器具的功能进行升级。
功能不变的烹饪器具势必满足不了需求不断增加的用户，当有新的功能开发出来后，服务器可以通过通信模块将新版本的运行程序传输给电饭煲，实现远程更新，使服务效果更理想。
上述方案通过电饭煲结合Faster RCNN神经网络进行大米种类识别，并通过识别结果选择合适的烹饪曲线，实现电饭煲的智能烹饪功能，使米饭口感始终如一。
实施例2
根据本发明实施例，提供了一种基于米粒识别结果确定烹饪模式的装置，图6是根据本申请实施例的基于米粒识别结果确定烹饪模式的装置示意图。如图6所示，该装置600包括：
采集模块602，用于采集拍摄得到的米粒图像，其中，米粒图像为内置在烹饪器具内的拍摄装置拍摄待烹饪的米粒得到的图像。
识别模块604，用于使用深度神经网络模型Faster RCNN对米粒图像进行识别，得到识别结果，其中，识别结果包括：米粒的种类以及特征参数.
查询模块606，用于基于识别结果，查询得到对应的烹饪模式。
可选地，识别模块包括：计算模块，用于通过深度神经网络模型Faster RCNN将米粒图像输入至VGG16卷积神经网络进行卷积计算，得到米粒图像的特征图；筛选模块，用于将米粒图像的特征图输入至RPN网络进行筛选，得到筛选结果，其中，筛选结果包括：米粒图像中存在米粒的概率值，以及每个米粒的外接矩形的参数；池化模块，用于将RPN网络的筛选结果和米粒图像的特征图输入至池化层，进行池化处理；转换模块，用于将池化处理结果输入至全连接层，其中，全连接层将分类处理结果进行转换，得到米粒图像中每个米粒的图像特征；分析模块，用于通过深度神经网络模型的softmax层分析每个米粒的图像特征，得到米粒的种类和特征参数，其中，米粒种类包括如下至少之一：大米、籼米、粳米和糯米，特征参数包括如下至少之一：米粒大小、颜色和长宽比。
可选地，装置还包括：样本获取模块，用于在使用深度神经网络模型Faster RCNN对米粒图像进行识别，得到识别结果之前，获取训练样本集，其中，训练样本集包括多种类型的米粒样本图像；标注模块，用于标注训练样本集中米粒样本图像的米粒信息，其中，米粒信息包括：轮廓信息、种类以及特征参数；训练模块，用于将标注后的训练样本集输入至初始化的Faster RCNN神经网络进行训练，得到深度神经网络模型。
可选地，标注模块包括：提取模块，用于从米粒样本图像中提取米粒的轮廓图；计算模块，用于根据米粒的轮廓图计算得到最小外接矩形，并基于最小外接矩形确定米粒的长宽比；坐标获取模块，用于获取最小外接矩形中预定位置的坐标值；标注子模块，用于将米粒的长宽比、大小、颜色和坐标值作为标注信息标注至米粒样本图像中。
可选地，训练模块包括：第一训练模块，用于使用标注后的训练样本集分别训练RPN网络和Fast-RCNN网络，其中，训练RPN网络输出米粒样本图像中米粒的矩形框，且矩形框作为检测网络的数据输入至Fast-RCNN网络；第二训练模块，用于再次训练RPN网络，并使用Fast-RCNN网络的训练结果微调RPN网络，其中，微调过程中，RPN网络中的公共参数固定不变，更新RPN网络中的独有参数；第三训练模块，再次训练Fast-RCNN网络，并使用再次训练RPN网络的训练结果微调Fast-RCNN网络，其中，微调过程中，Fast-RCNN网络中的公共参数固定不变，更新Fast-RCNN网络中的独有参数。
可选地，训练模块还包括：加载模块，用于使用预训练模型向RPN网络和Fast-RCNN网络加载网络参数，其中，网络参数包括：固定参数和独有参数。
可选地，查询模块包括：匹配模块，用于基于识别结果，从烹饪曲线中匹配得到对应的烹饪模式，其中，依据不同种类的米粒的至少一个米粒信息和对应的烹饪模式，获取烹饪曲线；控制模块，用于控制烹饪器具按照匹配得到的煲饭模式进行工作。
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实施例1中的基于米粒识别结果确定烹饪模式的方法。
实施例4
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，程序运行时执行实施例1中的基于米粒识别结果确定烹饪模式的方法。
实施例5
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，用于采集待烹饪的米粒图像，其中，图像采集装置内置在烹饪器具内部顶端。
控制器，用于使用深度神经网络模型Faster RCNN对米粒图像进行识别，得到识别结果，其中，识别结果包括：米粒的种类以及特征参数；基于识别结果，查询得到对应的烹饪模式。
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 (17)
1.一种基于米粒识别结果确定烹饪模式的方法，包括：
采集拍摄得到的米粒图像，其中，所述米粒图像为内置在烹饪器具内的拍摄装置拍摄待烹饪的米粒得到的图像；
使用深度神经网络模型Faster RCNN对米粒图像进行识别，得到识别结果，其中，所述识别结果包括：所述米粒的种类以及特征参数；
基于所述识别结果，查询得到对应的烹饪模式。
2.根据权利要求1所述的方法，其特征在于，使用深度神经网络模型Faster RCNN对米粒图像进行识别，得到识别结果，包括：
通过所述深度神经网络模型Faster RCNN将所述米粒图像输入至VGG16卷积神经网络进行卷积计算，得到所述米粒图像的特征图；
将所述米粒图像的特征图输入至RPN网络进行筛选，得到筛选结果，其中，所述筛选结果包括：所述米粒图像中存在米粒的概率值，以及每个米粒的外接矩形的参数；
将所述RPN网络的筛选结果和所述米粒图像的特征图输入至池化层，进行分类处理；
将分类处理结果输入至全连接层，其中，所述全连接层将所述分类处理结果进行转换，得到所述米粒图像中每个米粒的图像特征；
通过所述深度神经网络模型的softmax层分析所述每个米粒的图像特征，得到所述米粒的种类和特征参数，其中，所述米粒种类包括如下至少之一：大米、籼米、粳米和糯米，所述特征参数包括如下至少之一：米粒大小、颜色和长宽比。
3.根据权利要求1所述的方法，其特征在于，在使用深度神经网络模型Faster RCNN对米粒图像进行识别，得到识别结果之前，所述方法还包括：
获取训练样本集，其中，所述训练样本集包括多种类型的米粒样本图像；
标注所述训练样本集中米粒样本图像的米粒信息，其中，所述米粒信息包括：轮廓信息、种类以及特征参数；
将标注后的训练样本集输入至初始化的Faster RCNN神经网络进行训练，得到所述深度神经网络模型。
4.根据权利要求3所述的方法，其特征在于，标注所述训练样本集中米粒样本图像的米粒信息，包括：
从所述米粒样本图像中提取米粒的轮廓图；
根据所述米粒的轮廓图计算得到最小外接矩形，并基于所述最小外接矩形确定所述米粒的长宽比；
获取所述最小外接矩形中预定位置的坐标值；
将所述米粒的长宽比、大小、颜色和坐标值作为标注信息标注至所述米粒样本图像中。
5.根据权利要求3所述的方法，其特征在于，将标注后的训练样本集输入至初始化的Faster RCNN神经网络进行训练，得到所述深度神经网络模型，包括：
使用所述标注后的训练样本集分别训练RPN网络和Fast-RCNN网络，其中，训练所述RPN网络输出米粒样本图像中米粒的矩形框，且所述矩形框作为检测网络的数据输入至所述Fast-RCNN网络；
再次训练所述RPN网络，并使用Fast-RCNN网络的训练结果微调所述RPN网络，其中，微调过程中，所述RPN网络中的公共参数固定不变，更新所述RPN网络中的独有参数；
再次训练所述Fast-RCNN网络，并使用再次训练所述RPN网络的训练结果微调所述Fast-RCNN网络，其中，微调过程中，所述Fast-RCNN网络中的公共参数固定不变，更新所述Fast-RCNN网络中的独有参数。
6.根据权利要求5所述的方法，其特征在于，使用预训练模型向所述RPN网络和Fast-RCNN网络加载网络参数，其中，所述网络参数包括：固定参数和独有参数。
7.根据权利要求1至6中任意一项所述的方法，其特征在于，基于所述识别结果，查询得到对应的烹饪模式，包括：
基于所述识别结果，从烹饪曲线中匹配得到对应的烹饪模式，其中，依据不同种类的米粒的至少一个米粒信息和对应的烹饪模式，获取所述烹饪曲线；
控制烹饪器具按照匹配得到的煲饭模式进行工作。
8.一种基于米粒识别结果确定烹饪模式的装置，包括：
采集模块，用于采集拍摄得到的米粒图像，其中，所述米粒图像为内置在烹饪器具内的拍摄装置拍摄待烹饪的米粒得到的图像；
识别模块，用于使用深度神经网络模型Faster RCNN对米粒图像进行识别，得到识别结果，其中，所述识别结果包括：所述米粒的种类以及特征参数；
查询模块，用于基于所述识别结果，查询得到对应的烹饪模式。
9.根据权利要求8所述的装置，其特征在于，所述识别模块包括：
计算模块，用于通过所述深度神经网络模型Faster RCNN将所述米粒图像输入至VGG16卷积神经网络进行卷积计算，得到所述米粒图像的特征图；
筛选模块，用于将所述米粒图像的特征图输入至RPN网络进行筛选，得到筛选结果，其中，所述筛选结果包括：所述米粒图像中存在米粒的概率值，以及每个米粒的外接矩形的参数；
池化模块，用于将所述RPN网络的筛选结果和所述米粒图像的特征图输入至池化层，进行池化处理；
转换模块，用于将池化处理结果输入至全连接层，其中，所述全连接层将处理结果进行转换，得到所述米粒图像中每个米粒的图像特征；
分析模块，用于通过所述深度神经网络模型的softmax层分析所述每个米粒的图像特征，得到所述米粒的种类和特征参数，其中，所述米粒种类包括如下至少之一：大米、籼米、粳米和糯米，所述特征参数包括如下至少之一：米粒大小、颜色和长宽比。
10.根据权利要求8所述的装置，其特征在于，所述装置还包括：
样本获取模块，用于在使用深度神经网络模型Faster RCNN对米粒图像进行识别，得到识别结果之前，获取训练样本集，其中，所述训练样本集包括多种类型的米粒样本图像；
标注模块，用于标注所述训练样本集中米粒样本图像的米粒信息，其中，所述米粒信息包括：轮廓信息、种类以及特征参数；
训练模块，用于将标注后的训练样本集输入至初始化的Faster RCNN神经网络进行训练，得到所述深度神经网络模型。
11.根据权利要求10所述的装置，其特征在于，所述标注模块包括：
提取模块，用于从所述米粒样本图像中提取米粒的轮廓图；
计算模块，用于根据所述米粒的轮廓图计算得到最小外接矩形，并基于所述最小外接矩形确定所述米粒的长宽比；
坐标获取模块，用于获取所述最小外接矩形中预定位置的坐标值；
标注子模块，用于将所述米粒的长宽比、大小、颜色和坐标值作为标注信息标注至所述米粒样本图像中。
12.根据权利要求10所述的装置，其特征在于，所述训练模块包括：
第一训练模块，用于使用所述标注后的训练样本集分别训练RPN网络和Fast-RCNN网络，其中，训练所述RPN网络输出米粒样本图像中米粒的矩形框，且所述矩形框作为检测网络的数据输入至所述Fast-RCNN网络；
第二训练模块，用于再次训练所述RPN网络，并使用Fast-RCNN网络的训练结果微调所述RPN网络，其中，微调过程中，所述RPN网络中的公共参数固定不变，更新所述RPN网络中的独有参数；
第三训练模块，再次训练所述Fast-RCNN网络，并使用再次训练所述RPN网络的训练结果微调所述Fast-RCNN网络，其中，微调过程中，所述Fast-RCNN网络中的公共参数固定不变，更新所述Fast-RCNN网络中的独有参数。
13.根据权利要求12所述的装置，其特征在于，所述训练模块还包括：
加载模块，用于使用预训练模型向所述RPN网络和Fast-RCNN网络加载网络参数，其中，所述网络参数包括：固定参数和独有参数。
14.根据权利要求8至13中任意一项所述的装置，其特征在于，所述查询模块包括：
匹配模块，用于基于所述识别结果，从烹饪曲线中匹配得到对应的烹饪模式，其中，依据不同种类的米粒的至少一个米粒信息和对应的烹饪模式，获取所述烹饪曲线；
控制模块，用于控制烹饪器具按照匹配得到的煲饭模式进行工作。
15.一种存储介质，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7中任意一项所述的基于米粒识别结果确定烹饪模式的方法。
16.一种处理器，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7中任意一项所述的基于米粒识别结果确定烹饪模式的方法。
17.一种烹饪器具，其特征在于，包括：
图像采集装置，用于采集待烹饪的米粒图像，其中，所述图像采集装置内置在烹饪器具内部顶端；
控制器，用于使用深度神经网络模型Faster RCNN对米粒图像进行识别，得到识别结果，其中，所述识别结果包括：所述米粒的种类以及特征参数；基于所述识别结果，查询得到对应的烹饪模式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910033082.2A CN111435426A (zh) | 2019-01-14 | 2019-01-14 | 基于米粒识别结果确定烹饪模式的方法、装置和烹饪器具 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910033082.2A CN111435426A (zh) | 2019-01-14 | 2019-01-14 | 基于米粒识别结果确定烹饪模式的方法、装置和烹饪器具 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111435426A true CN111435426A (zh) | 2020-07-21 |
Family
ID=71580606
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910033082.2A Pending CN111435426A (zh) | 2019-01-14 | 2019-01-14 | 基于米粒识别结果确定烹饪模式的方法、装置和烹饪器具 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111435426A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112528941A (zh) * | 2020-12-23 | 2021-03-19 | 泰州市朗嘉馨网络科技有限公司 | 基于神经网络的自动化参数设定系统 |
| CN113361338A (zh) * | 2021-05-20 | 2021-09-07 | 江苏大学 | 基于杂粮米饭营养特性及配比的烹饪工艺参数智能决策系统及其方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002312762A (ja) * | 2001-04-12 | 2002-10-25 | Seirei Ind Co Ltd | ニューラルネットワークを利用した穀粒選別装置 |
| JP2010185719A (ja) * | 2009-02-10 | 2010-08-26 | National Agriculture & Food Research Organization | 穀粉の判別方法及び装置 |
| CN107368859A (zh) * | 2017-07-18 | 2017-11-21 | 北京华信佳音医疗科技发展有限责任公司 | 病变识别模型的训练方法、验证方法和病变图像识别装置 |
| CN107550234A (zh) * | 2017-08-10 | 2018-01-09 | 深圳益创信息科技有限公司 | 一种智能煮饭方法及电饭煲 |
| CN107609601A (zh) * | 2017-09-28 | 2018-01-19 | 北京计算机技术及应用研究所 | 一种基于多层卷积神经网络的舰船目标识别方法 |
| CN108090517A (zh) * | 2017-12-29 | 2018-05-29 | 美的集团股份有限公司 | 一种谷物识别方法、装置和计算机存储介质 |
| CN108090518A (zh) * | 2017-12-29 | 2018-05-29 | 美的集团股份有限公司 | 一种谷物识别方法、装置和计算机存储介质 |
| CN108230292A (zh) * | 2017-04-11 | 2018-06-29 | 北京市商汤科技开发有限公司 | 物体检测方法和神经网络的训练方法、装置及电子设备 |
| CN108491765A (zh) * | 2018-03-05 | 2018-09-04 | 中国农业大学 | 一种蔬菜图像的分类识别方法及系统 |
-
2019
- 2019-01-14 CN CN201910033082.2A patent/CN111435426A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002312762A (ja) * | 2001-04-12 | 2002-10-25 | Seirei Ind Co Ltd | ニューラルネットワークを利用した穀粒選別装置 |
| JP2010185719A (ja) * | 2009-02-10 | 2010-08-26 | National Agriculture & Food Research Organization | 穀粉の判別方法及び装置 |
| CN108230292A (zh) * | 2017-04-11 | 2018-06-29 | 北京市商汤科技开发有限公司 | 物体检测方法和神经网络的训练方法、装置及电子设备 |
| CN107368859A (zh) * | 2017-07-18 | 2017-11-21 | 北京华信佳音医疗科技发展有限责任公司 | 病变识别模型的训练方法、验证方法和病变图像识别装置 |
| CN107550234A (zh) * | 2017-08-10 | 2018-01-09 | 深圳益创信息科技有限公司 | 一种智能煮饭方法及电饭煲 |
| CN107609601A (zh) * | 2017-09-28 | 2018-01-19 | 北京计算机技术及应用研究所 | 一种基于多层卷积神经网络的舰船目标识别方法 |
| CN108090517A (zh) * | 2017-12-29 | 2018-05-29 | 美的集团股份有限公司 | 一种谷物识别方法、装置和计算机存储介质 |
| CN108090518A (zh) * | 2017-12-29 | 2018-05-29 | 美的集团股份有限公司 | 一种谷物识别方法、装置和计算机存储介质 |
| CN108491765A (zh) * | 2018-03-05 | 2018-09-04 | 中国农业大学 | 一种蔬菜图像的分类识别方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 尚泽元;: "基于深度区域卷积神经网络图像识别的研究" * |
| 杨洋;张亚兰;苗伟;张铁;陈黎卿;黄莉莉;: "基于卷积神经网络的玉米根茎精确识别与定位研究" * |
| 王正;: "有导师学习神经网络的大米识别" * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112528941A (zh) * | 2020-12-23 | 2021-03-19 | 泰州市朗嘉馨网络科技有限公司 | 基于神经网络的自动化参数设定系统 |
| CN112528941B (zh) * | 2020-12-23 | 2021-11-19 | 芜湖神图驭器智能科技有限公司 | 基于神经网络的自动化参数设定系统 |
| CN113361338A (zh) * | 2021-05-20 | 2021-09-07 | 江苏大学 | 基于杂粮米饭营养特性及配比的烹饪工艺参数智能决策系统及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109998360B (zh) | 一种用于自动烹饪食物的方法和装置 | |
| CN111684368A (zh) | 基于成分识别的食物制备方法和系统 | |
| CN108107762A (zh) | 烹饪控制方法及烹饪控制装置、存储介质和烹饪设备 | |
| CN110780628A (zh) | 烹饪设备的控制方法、装置、烹饪设备及存储介质 | |
| CN110824942B (zh) | 烹饪设备及其控制方法、控制系统、计算机可读存储介质 | |
| CN107752794B (zh) | 烘焙方法及装置 | |
| CN111435426A (zh) | 基于米粒识别结果确定烹饪模式的方法、装置和烹饪器具 | |
| CN110941203A (zh) | 烹饪食物的控制方法及装置、烹饪器 | |
| CN109602264A (zh) | 一种基于卷积神经网络的食物识别智能烹饪控制方法 | |
| CN110934508A (zh) | 烤箱的控制方法及装置 | |
| CN108090517A (zh) | 一种谷物识别方法、装置和计算机存储介质 | |
| CN108090518A (zh) | 一种谷物识别方法、装置和计算机存储介质 | |
| CN111345699B (zh) | 一种烹饪设备的控制方法和烹饪设备 | |
| CN111435229A (zh) | 控制烹饪模式的方法、装置和烹饪器具 | |
| CN111435541A (zh) | 获取米粒的垩白度的方法、装置和烹饪器具 | |
| CN111419096B (zh) | 一种食物加工的方法、控制器及食物加工设备 | |
| CN117462016A (zh) | 烹饪设备的控制方法、装置、存储介质及烹饪设备 | |
| CN116802681A (zh) | 用于确定食物的烹饪时间结束的方法以及家用烹饪器具 | |
| CN110448144B (zh) | 智能蒸煮控制方法、装置、计算机设备及存储介质 | |
| CN111434291B (zh) | 确定谷物的烹饪模式的方法、装置和烹饪器具 | |
| CN112906758A (zh) | 食材新鲜程度识别模型的训练方法、识别方法和设备 | |
| CN111329324A (zh) | 一种煲汤机的煲汤控制方法、装置、存储介质及煲汤机 | |
| CN112890572B (zh) | 一种食材烹调智能控制系统及方法 | |
| CN113218141B (zh) | 冰箱的食材检测方法、冰箱及存储介质 | |
| CN111435454A (zh) | 识别米粒的种类的方法、装置和烹饪器具 |
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 |
Application publication date: 20200721 |