CN112040817A - 多用途智能电饭煲 - Google Patents

多用途智能电饭煲 Download PDF

Info

Publication number
CN112040817A
CN112040817A CN201880092258.5A CN201880092258A CN112040817A CN 112040817 A CN112040817 A CN 112040817A CN 201880092258 A CN201880092258 A CN 201880092258A CN 112040817 A CN112040817 A CN 112040817A
Authority
CN
China
Prior art keywords
food
chamber
rice cooker
types
camera
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.)
Granted
Application number
CN201880092258.5A
Other languages
English (en)
Other versions
CN112040817B (zh
Inventor
李晓春
朱林楠
周华
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.)
Midea Group Co Ltd
Original Assignee
Midea Group 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 Midea Group Co Ltd filed Critical Midea Group Co Ltd
Publication of CN112040817A publication Critical patent/CN112040817A/zh
Application granted granted Critical
Publication of CN112040817B publication Critical patent/CN112040817B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • A47J27/00—Cooking-vessels
    • A47J27/08—Pressure-cookers; Lids or locking devices specially adapted therefor
    • A47J27/0802—Control mechanisms for pressure-cookers
    • 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
    • A47J36/32—Time-controlled igniting mechanisms or alarm devices
    • A47J36/321—Time-controlled igniting mechanisms or alarm devices the electronic control being performed over a network, e.g. by means of a handheld device
    • 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
    • A47J27/00—Cooking-vessels
    • A47J27/21—Water-boiling vessels, e.g. kettles
    • A47J27/21008—Water-boiling vessels, e.g. kettles electrically heated
    • A47J27/21058—Control devices to avoid overheating, i.e. "dry" boiling, or to detect boiling of the water
    • A47J27/21083—Control devices to avoid overheating, i.e. "dry" boiling, or to detect boiling of the water with variable operating parameters, e.g. temperature or boiling period
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Food Science & Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Cookers (AREA)
  • Electric Stoves And Ranges (AREA)

Abstract

电饭煲(100)使用机器学习模型(220)来识别存储的不同类型的食物(150)并对该食物进行分类。电饭煲(100)具有腔室(110)，该腔室包括用于存储不同类型的食物(150)的不同隔间(116)。照相机(112)被定位成观察腔室(110)的内部。照相机(112)拍摄腔室(110)的容纳物的图像。机器学习模型(220)根据这些图像对存储的不同类型的食物(150)进行分类。电饭煲(100)基于营养价值和/或口感来确定不同类型的食物(150)的混合物。电饭煲(100)产生混合物并相应地控制烹饪过程。一个或多个机器学习模型(220)可以驻留在电饭煲(100)中或者可以通过网络(520)访问一个或多个机器学习模型。

Description

多用途智能电饭煲
技术领域
本公开总体涉及对诸如电饭煲的烹饪用具的控制。
背景技术
大米是主要的食物来源。出于健康和/或口感的原因，很多人喜欢把米饭和其他配料混合在一起。与不同配料混合的米饭混合物需要不同的烹饪环境。然而，传统的电饭煲不能为用户提供控制以烹饪不同的米饭混合物，从而达到米饭混合物的最佳口感。用户能够选择诸如白米饭、糙米饭或快速烹饪的烹饪模式，但没有更多的烹饪模式。一旦设置好，电饭煲会盲目执行用户的指令，而不考虑正在烹饪的是什么米饭混合物、用户的选择是否会产生米饭混合物的最佳口感、或者米饭混合物在烹饪时间结束时是否煮得过熟或未煮熟。另外，传统的电饭煲不会向用户建议米饭混合物的最佳组合。因此，需要更智能的电饭煲。
发明内容
电饭煲组件使用机器学习模型来识别不同类型的食物并对其进行分类。电饭煲组件包括一个用于接纳食物的腔室和另一个包括可用于存储不同类型的食物的不同隔间的腔室。电饭煲组件包括照相机，该照相机被定位成观察一个或两个腔室的内部。照相机拍摄腔室的容纳物的图像。机器学习模型根据这些图像来对不同类型的食物进行分类。电饭煲组件确定腔室的哪个隔间用来存储特定类型的食物。电饭煲根据营养价值和/或口感来确定不同类型的食物的混合物。电饭煲产生混合物并相应地控制烹饪过程。一个或多个机器学习模型可以驻留在电饭煲中或者可以通过网络进行访问一个或多个机器学习模型。
该过程可用于设置电饭煲的初始烹饪过程，包括选择合适的烹饪模式并设置烹饪的温度-时间曲线。该过程还可用于随着烹饪进行自动调节烹饪过程。对烹饪过程的控制还可基于用户输入、温度感测、历史性能数据和其他因素进行。
其他方面包括部件、设备、系统、改进、方法、过程、应用、计算机可读介质以及与以上方面中的任何一个有关的其他技术。
附图说明
本公开的实施例具有其他优点和特征，当结合附图考虑时，根据以下详细描述和所附权利要求，这些优点和特征将更加显而易见，在附图中：
图1是根据实施例的电饭煲组件的截面图。
图2是示出了对根据实施例的电饭煲进行控制的框图。
图3A是根据实施例的存储腔室组件的透视图。
图3B是根据实施例的存储腔室组件的透视图。
图3C是根据实施例的存储腔室组件的截面图。
图4A是示出了根据实施例的机器学习模型的训练和操作的流程图。
图4B示出了根据实施例的示例性训练样本。
图4C示出了根据实施例的示例性训练样本。
图4D示出了根据实施例的示例性训练样本。
图5是根据实施例的包括电饭煲的居住环境的框图。
附图仅出于说明的目的而描绘了各个实施例。本领域技术人员将很容易从以下讨论中认识到，在不脱离本文所述原理的情况下可以采用本文所述的结构和方法的替代实施例。
具体实施方式
附图和以下描述涉及仅以说明的方式给出的优选实施例。应当注意的是，根据以下讨论，本文公开的结构和方法的替代实施例将很容易被认为是可以在不脱离所要求保护的原理的情况下采用的可行的替代方案。
图1是根据实施例的电饭煲组件100的截面图。电饭煲组件100包括存储腔室110、导管120、烹饪腔室130以及预存储腔室140。食物150被放置在存储腔室110中以进行存储。存储腔室110可以包括用于存储食物150的一个或多个隔间116。不同隔间可以用于存储不同类型的食物(例如，谷物、坚果、干果等)。例如，如图所示，隔间116a存储第一种类型的食物150a，隔间116b存储第二种类型的食物150b。附图标记后面的字母(例如“116a”)表示，该文本专门指代具有该特定附图标记的元件，而文本中不带后续字母的附图标记(例如“116”)指代图中带有该附图标记的任何元件或所有元件。
在食物150被转移至存储腔室110以进行存储之前，预存储腔室140接收并且临时存放食物150。预存储腔室140由诸如玻璃或丙烯酸的透明材料制成，该透明材料优选地是抗刮伤的。预存储腔室140包括一个或多个门(未示出)，该一个或多个门被构造成在预存储腔室140的底部支撑件上形成一个或多个开口，从而使食物150能够从预存储腔室140转移至存储腔室110。一个或多个开口可以位于存储腔室110的不同位置处。不同位置可对应于存储腔室110的不同隔间。如此，食物150可以从预存储腔室140分配到存储腔室110的不同隔间中。
电饭煲组件100包括照相机112，该照相机被定位成观察预存储腔室140的内部。在示出的示例中，照相机112位于预存储腔室140的侧壁的外表面上。照相机的视野由虚线表示。在其他实施例中，照相机112位于预存储腔室140的底部支撑件上或顶盖上。例如，照相机112位于底部支撑件或侧壁的外表面上。外表面可以包括光学涂层以减少反射，从而使照相机能够拍摄更好质量的图像。照相机112可以拍摄存储腔室110的容纳物(例如食物150)的彩色照片。
可以使用由照相机112拍摄的照片对食物150进行分类。根据该分类，食物150可以分配到存储腔室110的不同隔间中进行存储。例如，如图所示，由预存储腔室140存放的食物150b分配到存储腔室110的隔间116b中进行存储。存储腔室110的隔间116a用于存储不同类型的食物150a。可以通过控制预存储腔室140的一个或多个门来调节食物150到存储腔室100的特定隔间中的分配。例如，预存储腔室140的一个或多个门被控制成形成到腔室116b的开口，以使食物150b能够从预存储腔室140分配到腔室116b中而不是腔室116a中。电饭煲组件100追踪存储在存储腔室110的不同隔间中的不同类型的食物。
如图所示，预存储腔室140是圆筒形的。预存储腔室140可被设计成其他形状，例如立方体形、金字塔形、锥形、圆筒形等。在进一步的实施例中，预存储腔室140被构造成能够旋转。在示出的示例中，预存储腔室140直接附接到存储腔室110。在其他实施例中，预存储腔室140通过导管(未示出)附接到存储腔室110。该导管是中空的并且包括两个端部：一个端部附接到存储腔室110，另一端部附接到存储腔室110或靠近存储腔室110。在这些情况下，预存储腔室140包括门，该门被构造成在预存储腔室140的底部支撑件上形成开口20。该门位于预存储腔室140的底部支撑件的中心。导管附接到门，以引导食物150从预存储腔室140被转移至存储腔室110。预存储腔室140的旋转或导管的旋转调节导管的附接到存储腔室110或靠近存储腔室110的端部的位置。如此，食物150可以通过导管被分配到存储腔室110的不同隔间中。
存储腔室110可以由诸如玻璃或丙烯酸的透明材料制成，该透明材料优选地是抗刮伤的。在其他实施例中，存储腔室110由不透明材料或透明材料制成。存储腔室110包括一个或多个门114。打开门114，以在存储腔室110的底部支撑件上形成开口。该开口使食物150能够从存储腔室110中分配出去。门114可以被构造成形成横跨多个隔间116的开口，从而分配存储在多个隔间中的食物。作为一个示例，如果隔间116a存储大米，而另一隔间116b存储绿豆；则门114被构造成使得如果打开门114则大米和绿豆均可以被分配。门114被构造成使得可以调节穿过存储腔室110的开口的尺寸。可以单独调节穿过每个隔间的开口的尺寸。
在一些实施例中，电饭煲组件100包括另一照相机，该另一照相机位于存储腔室110的外表面上以拍摄存储腔室110中的容纳物。照相机可以位于存储腔室110的侧壁、底部支撑件或顶盖上。照相机被构造成使照相机的位置移动，例如从定位在隔间116b上方的位置移动到隔间116a上方的位置。通过移动照相机的位置，照相机112可以拍摄存储腔室110的不同隔间或不同部段中的容纳物的照片。在其他实施例中，存储腔室110被构造成调节照相机相对于存储腔室110的不同部分的位置。例如，存储腔室110被构造成能够旋转，因此，照相机被定位在腔室110的不同部段上方或在腔室110的不同隔间上方。
在进一步的实施例中，电饭煲组件100包括用于固定照相机342的照相机保持器(例如，图3C示出的照相机保持器340)。照相机342可能不直接与存储腔室110接触。存储腔室110被构造成进行移动，使得照相机342拍摄存储腔室110的不同部分的照片或存储腔室110的不同隔间的照片。
电饭煲组件100可以包括烹饪食物150所在的烹饪腔室130。烹饪腔室130可以连接到诸如水箱的水源(未示出)。水源可以是电饭煲组件100的一部分。在一些实施例中，烹饪腔室130包括用于测量待烹饪的食物的量的刻度。
导管120使食物150能够从存储腔室110移动到烹饪腔室130以进行烹饪。导管120是中空的。
图2是示出了对电饭煲组件100进行控制的框图。控制系统210大致分为一个或多个机器学习模型220和输出控制器230。一个或多个机器学习模型220接收由照相机112拍摄的图像。
机器学习模型220根据这些输入(可能与其他附加输入进行组合)来确定在预存储腔室140中和/或存储腔室110中的容纳物。优选地，机器学习模型根据图像来识别食物150并对该食物进行分类。例如，机器学习模型识别食物150的类型，例如白米、糙米、红米等。如果存储腔室110包括多个隔间，则机器学习模型220识别存储在隔间中的食物150的类型。
输出控制器230根据由机器学习模型220确定的识别和分类来控制食物从预存储腔室140到存储腔室110的分配。例如，输出控制器230控制预存储腔室140的门的打开、预存储腔室140的旋转和/或导管的旋转。
输出控制器230根据由机器学习模型220确定的识别和分类来控制门114的打开。不同类型的食物150的混合物具有不同的营养价值。用户可以在不同时间从不同的营养物中获益。另外，不同人可能对不同的混合物有不同的偏好。通过控制门114的打开，输出控制器230可以调节进入烹饪腔室130中的食物150的量。例如，通过调节由于门114的打开而形成的开口的尺寸，输出控制器230可以控制每单位时间通过开口的食物150的量。如此，输出控制器230可以调节烹饪腔室130中的不同类型的食物150的混合物。至少基于所分类的食物类型，控制器230可以选择最佳的混合物。也就是说，控制器230选择一种类型的食物与另一种类型的食物的比例。不同类型的食物的比例可以根据由营养学家推荐的健康食谱确定。
此外，不同类型的谷物将以不同的方式进行烹饪，包括使用不同的温度和时间以及不同的水量。当与其他类型的非谷物食物(例如坚果或水果)混合时，对混合物的烹饪要求可能会进一步变化。此外，不同用户可能对质地(例如，硬度、粘性等)具有不同的偏好。
输出控制器230根据由机器学习模型220确定的识别和分类来控制食物的烹饪过程。由输出控制器230控制的一个方面通常是用于烹饪食物150的温度-时间曲线。至少基于所分类的一种或多种类型的食物成分，控制器230可以选择正确的温度和正确的烹饪时间。还可以基于待烹饪的食物的量来选择正确的温度和正确的烹饪时间。此外，控制器可以指定随时间改变温度的温度-时间曲线，而不是在恒定温度下烹饪一定时间(例如，煮沸20分钟)。控制器230可以进一步选择用于烹饪食物的水量。
控制器230还可以考虑其他因素，例如用户输入或者对烹饪腔室或食物的温度监测。用户对质地的偏好将影响比例的确定。可以基于对烹饪腔室130的容纳物的监测来主动监测混合。例如，对于特定类型的食物，如果量表指示混合物已经达到正确的食物重量，则输出控制器130可以关闭门114。用户对质地的偏好(例如，粘性、硬度)将会影响温度-时间曲线。另外，可以基于对烹饪腔室或食物的温度的监测来主动监测烹饪。例如，如果温度计指示混合物已经达到正确的内部温度，则即使尚未达到指定的烹饪时间，控制器也可以结束烹饪过程。
除了温度-时间曲线，控制器230还可调节其他量。例如，如果电饭煲具有不同的烹饪模式，则控制器可以针对检测到的食物成分类型来选择正确的烹饪模式。烹饪模式的示例包括白米、糙米和混合米。也可能是更复杂的烹饪模式。例如，白米烹饪模式可以细分为具有一定硬度水平的白米和/或具有一定粘性水平的白米，硬度水平和/或粘性水平各自可从一范围内选择。如果烹饪过程具有不同阶段，例如浸泡、预加热、煮沸、完成和保温，则控制器230可以确定何时从一个阶段过渡到下一阶段。控制器还可以在烹饪过程完成时发出通知。
除了控制烹饪过程以外，控制系统210还控制是否应当清空或重新填充存储腔室110。例如，如果存储腔室110中的食物水平较低，则输出控制器230确定应当重新填充存储腔室110。例如，输出控制器230生成警告用户重新填充存储腔室110的信号。如果存储存储腔室存储不同类型的食物，输出控制器也可以发出通知。
图3A是根据实施例的存储腔室组件的透视图。存储腔室110包括多个隔间302。存储腔室进一步包括门114，并且电饭煲组件包括照相机112，结合图1对门和照相机进行了描述。在此省略了对照相机112和门114的描述。如图所示，存储腔室110和隔间为圆筒形形状。存储腔室110和隔间可被设计成其他形状，例如立方体形、金字塔形、锥形等。例如，如图3B所示，存储腔室110是梯形的。存储腔室110包括隔间312，该隔间也是梯形的。与图3A所示的实施例类似，存储腔室110包括门114，并且电饭煲组件包括照相机112。门114位于存储腔室110的底表面上，使得该门与所有的隔间重叠。隔间302可具有不同尺寸。例如，较大隔间用于存储较为经常食用的食物(例如大米)，较小隔间用于存储较少食用的食物(例如绿豆)。
图4A是示出了根据实施例的一个或多个机器学习模型220的训练和操作的流程图。该过程包括两个主要阶段：一个或多个机器学习模型220的训练410以及一个或多个机器学习模型220的推理(操作)420。
训练模块(未示出)执行对一个或多个机器学习模型220的训练410。在一些实施例中，机器学习模型220由具有一定数量的层和节点的架构来限定，在节点之间具有偏差和加权连接(参数)。在一个示例中，机器学习模型220包括基于卷积神经网络(ConvolutionalNeural Network，CNN)的机器学习模型。基于CNN的机械学习模型可以是基于诸如AlexNet、VGGNet、GoogleNet、ResNet等的各种架构。在训练410期间，训练模块基于训练样本集来确定机器学习模型220的参数(例如，权重和偏差)的值。
训练模块接收411训练集以进行训练。训练集中的训练样本包括由照相机112在许多不同情况下拍摄的图像：不同类型的食物、食物的不同混合物、不同的光照条件等。对于监督式学习，训练集通常还包括图像标签。标签包括待训练的属性：不同食物的类型、不同类型的食物之间的比例等。在一些实施例中，训练模块应用反向传播算法来优化模型参数。训练模块可以应用随机梯度下降方法来更新模型参数。图4B至图4D示出了示例性训练样本。该训练样本是不同类型的谷物的图片：黑米、红豆和绿豆。
在典型的训练412中，训练样本呈现为机器学习模型220的输入，然后该机器学习模型产生用于特定标识和/或用于特定分类的输出。一个或多个机器学习模型可用于对特定类型的食物进行分类、识别食物是否包括不同类型的食物成分、和/或对每个已识别的食物成分进行分类。训练模块利用机器学习模型的输出与已知良好输出之间的差异来调节机器学习模型220中的参数值。对许多不同的训练样本重复此操作以改善机器学习模型220的性能。
训练模块通常也基于附加的验证样本来验证413训练好的机器学习模型220。例如，训练模块将机器学习模型220应用于验证样本集，以量化机器学习模型220的准确率(accuracy)。验证样本集包括图像及其已知的属性。机器学习模型220的输出可与已知的基本事实进行比较。准确率测量中的常用度量包括：精确率(precision)和召回率(recall)，精确率＝TP/(TP+FP)，召回率＝TP/(TP+FN)，其中，TP是真正例(true positive)的数量，FP是假正例(false positive)的数量，FN是假反例(false negative)的数量。精确率是指：相对于在机器学习模型预测的、具有目标属性(TP+FP)的所有结果，机器学习模型220正确预测了多少具有目标属性(TP)的结果。召回率是指：相对于在实际上确实具有目标属性(TP+FN)的验证样本的总数，机器学习模型220正确预测了多少具有属性(TP)的结果。F得分(F得分＝2*精确率*召回率/(精确率+召回率))将精确率和召回率统一为单个量度。在准确率测量中应用的常用度量还包括排名第1(Top-1)准确率和排名前5(Top-5)准确率。在排名第1准确率下，当由经训练的模型预测的排名第1预测结果(即概率最高的预测结果)正确时，经训练的模型是准确的。在排名前5准确率下，当排名前5预测结果(例如，概率最高的五个预测结果)中的一个正确时，经训练的模型是准确的。
训练模块可以使用其他类型的度量来量化经训练的模型的准确率。在一个实施例中，训练模块对机器学习模型进行训练直到出现停止条件为止，该停止条件例如为指示经训练的模型足够准确的准确率测量结果指示，或者已经进行的多轮训练。
对机器学习模型220的训练410最好离线进行，作为电饭煲产品开发的一部分。接着，经训练的模型220被安装在卖给消费者的电饭煲上。电饭煲可以使用比训练所需的计算资源更少的计算资源来执行机器学习模型。在一些情况下，机器学习模型220被连续训练410或被更新。例如，训练模块使用由照相机112在视野中拍摄的图像来对机器学习模型220进行进一步训练。由于训练410的计算强度更大，因此该训练410可能是基于云计算的或者在具有更强的计算能力的独立家用设备上进行。对机器学习模型220的更新被分配给电饭煲。
在操作420中，机器学习模型220将由照相机112拍摄的图像421用作输入422。照相机112拍摄存储腔室的容纳物的图像、存储腔室的不同部分的图像、存储腔室的不同隔间的图像和/或预存储腔室的图像。机器学习模型220对图像中拍摄的容纳物进行分类423。
机器学习模型220对食物的类型进行分类423。在一个架构中，机器学习模型220计算可能存在的不同结果的概率，例如容纳物是某种类型的谷物、某种类型非谷物食物等的概率。机器学习模型220基于所计算的概率来识别哪种分类是最有可能的。例如，机器学习模型220可能会识别出绿豆是最有可能的谷物类型。在没有明确获胜者的情况下，机器学习模型220可以识别出多种分类并要求用户进行验证。例如，机器学习模型可能会报告绿豆和红豆都有可能，并由用户来验证是哪一种。
控制器230至少基于分类来确定424不同类型的食物的混合物。该混合物可根据不同类型的食物的营养价值来确定。控制器230确定混合物，使得混合物向用户提供最佳的营养价值。最佳营养价值可以基于温度、季节、用户的健康或医疗信息、用户年龄信息、健康食谱等来确定。在一些实施例中，控制器230确定第一种类型的食物与第二种类型的食物之间的比例，从而确定最佳的营养成分。另外，该混合物可根据不同类型的食物的口感来确定。控制器230确定混合物，使得混合物具有最佳口感。控制器230可以控制腔室的门，以根据所确定的混合物分配存储的食物。
控制器230可以基于识别和分类来确定存储腔室的哪一个隔间存储特定类型的食物。例如，如果正被存放在预存储腔室中的食物被分类为大米，则控制器230确定食物将从预存储腔室转移至存储腔室的用于存储大米的隔间中。
然后，控制器230基于混合物来控制425电饭煲。
在一些实施例中，由照相机112拍摄的原始图像在被输入到机器学习模型220中之前可以进行预处理以增强对比度。例如，可以应用线性变化算法、指数变化算法、直方图变化算法等图像处理机制。这样做可以使图像特征更加明显，从而提高机器学习模型的输出的准确率。
在另一方面，电饭煲可以是家庭网络的一部分。图5是根据实施例的包括电饭煲的居住环境的框图。居住环境500是被设计为用于人们居住的环境。居住环境500可以是例如为房屋、商品房、公寓或宿舍的住宅。居住环境500包括家用设备510A-N，该家用设备包括上述烹饪用具。该居住环境还包括连接家用设备510的家用设备网络520以及包含居民对家用设备的偏好的居民档案数据库530。图5中的部件被示出为单独的框，但是这些部件可以根据实施方式进行组合。例如，居民档案530可以是家庭设备510的一部分。此外，居住环境500可以包括用于网络520的集线器。该集线器还可以控制家用设备510。网络520优选地还提供对外部设备的访问(例如基于云的服务)。
家用设备510是可供与居住环境500相关联的不同人使用的家庭设备。其他家用设备510的示例包括HVAC设备(例如，空调、加热器、通风设备)、照明装置、电动窗户以及门处理装置(例如，门锁、电动百叶窗帘和遮光帘)、电动家具或陈设(例如，办公桌、躺椅)、音频设备(例如，音乐播放器)、视频设备(例如，电视、家庭影院)、环境控制装置(例如，空气过滤器、空气清新器)、厨房用具(例如电饭煲、咖啡机、冰箱)、浴室用具和家庭机器人设备(例如真空清扫机器人、机器人管家)。家用设备510可以包括可在家庭中使用的其他类型的设备。
居民档案530通常包括有关不同居民的信息，例如，姓名、该系统使用的标识符、年龄、性别和健康信息。居民档案530还可以包括由不同居民选择的对家用设备510的设置和其他偏好。
网络520提供居住环境500的不同部件之间的连通，并且使部件能够彼此交换数据。术语“网络”是广义的。该网络可以包括具有标准定义协议的正式网络，例如以太网和无线宽带。在一个实施例中，网络520是局域网络，该局域网络的网络设备和互连体是在居住环境500内进行管理的。网络520还可对不同类型的连通进行组合。网络520可以包括使用有线链路和/或无线链路的局域网络和/或广域网络的组合。部件之间交换的数据可以使用任何合适的格式表示。在一些实施例中，可以对所有或一些数据和通信进行加密。
可以在单个烹饪用具(家用设备510之一)、集线器、基于云的服务中或者在可被烹饪用具经由网络520访问的其他位置处物理地实现上述功能。
尽管该详细描述包含许多细节，但是这些细节不应被解释为对本发明的范围进行限制，而仅用于说明不同的示例。应当理解的是，本公开的范围包括上文未详细讨论的其他实施例。例如，尽管烤箱被用作主要示例，但是也可以使用其他烹饪用具。这些烹饪用具包括蒸锅、微波炉和烤面包机。在不脱离所附权利要求所限定的精神和范围的情况下，可以对本文公开的方法和装置的布置、操作和细节进行各种其他修改、改变和变化，这些修改、改变和变化对本领域技术人员而言是显而易见的。因此，本发明的范围应当由所附权利要求及其合法等同物来确定。
替代实施例在计算机硬件、固件、软件和/或其组合中实现。可以在有形地体现在机器可读存储设备中以由可编程处理器执行的计算机程序产品中实施该实施方式；可以通过执行指令程序的可编程处理器来执行方法步骤，以通过对输入数据进行操作并生成输出来执行功能。可以在一个或多个计算机程序上有利地实施各实施例，该一个或多个计算机程序可以在包括至少一个可编程处理器的可编程系统上执行，该至少一个可编程处理器被耦合以接收来自数据存储系统、至少一个输入设备以及至少一个输出设备的数据和指令，并将数据和指令传输至该数据存储系统、至少一个输入设备以及至少一个输出设备。每个计算机程序都可以以高级程序编程语言或面向对象的编程语言来实施，或者根据需要以汇编语言或机器语言来实施；在任何情况下，该语言都可以是编译型语言或解释型语言。合适的处理器例如包括通用微处理器和专用微处理器。通常，处理器将接收来自只读存储器和/或随机存取存储器的指令和数据。通常，计算机将包括用于存储数据文件的一个或多个大容量存储设备；这些设备包括磁盘，例如内部硬盘和可移动盘；磁光盘；以及光盘。适用于有形地体现计算机程序指令和数据的存储设备包括所有形式的非易失性存储器，该非易失性存储器例如包括半导体存储设备，例如EPROM、EEPROM和闪存设备；磁盘，例如内部硬盘和可移动盘；磁光盘；和CD-ROM盘。上述任何一种设备可由ASICs(专用集成电路)和其他形式的硬件补充或并入ASICs(专用集成电路)和其他形式的硬件。

Claims (21)

1.一种电饭煲，所述电饭煲包括：
腔室，所述腔室被构造成存放多种类型的食物；
照相机；以及
处理系统，所述处理系统被配置成：
使所述照相机拍摄所述多种类型的食物的一个或多个图像；
将拍摄的图像作为输入提供给一个或多个机器学习模型，所述一个或多个机器学习模型被配置成对所述多种类型的食物的类型进行分类；以及
基于所述分类确定所述多种类型的食物的混合物，所述混合物包括所述多种类型的食物中的至少两种类型的食物。
2.根据权利要求1所述的电饭煲，其中，所述第一腔室包括多个隔间，所述电饭煲进一步包括：
第二腔室，所述第二腔室被构造成存放食物并耦合至所述第一腔室，所述照相机被定位成对所述第二腔室的内部进行观察；
其中，所述处理系统进一步被配置成：
使所述照相机拍摄所述第二腔室中的容纳物的一个或多个图像；和
基于所述分类确定多个腔室中的用于存储所述第二腔室中的食物的腔室。
3.根据权利要求1所述的电饭煲，其中，所述处理系统被进一步配置成根据所述混合物控制烹饪过程。
4.根据权利要求1所述的电饭煲，其中，所述腔室包括多个隔间以及位于所述腔室的底部支撑件上的一个或多个门，所述门被构造成形成穿过所述腔室的一个或多个开口。
5.根据权利要求4所述的电饭煲，其中，所述处理系统被配置成使所述一个或多个门形成穿过第一隔间的第一开口和穿过第二隔间的第二开口，所述第一开口的尺寸和所述第二开口的尺寸根据第一种类型的食物和第二种类型食物来确定。
6.根据权利要求5所述的电饭煲，其中，所述处理系统被配置成，响应于确定所述第一种类型的食物的单位尺寸大于所述第二种类型的食物的单位尺寸，确定所述第一开口的尺寸大于所述第二开口的尺寸。
7.根据权利要求4所述的电饭煲，其中，所述照相机被构造成从所述腔室的一部分移动到所述腔室的另一部分。
8.根据权利要求1所述的电饭煲，所述电饭煲进一步包括附接到所述腔室的导管，所述导管被构造成将所述腔室的容纳物分配到另一腔室中以进行烹饪。
9.根据权利要求1所述的电饭煲，其中，所述照相机位于所述腔室的顶盖上。
10.根据权利要求1所述的电饭煲，其中，所述照相机被固定到与所述腔室独立的照相机保持器上，并且所述腔室被构造成能够旋转。
11.根据权利要求1所述的电饭煲，所述电饭煲进一步包括第二腔室，所述第二腔室被构造成附接到所述第一腔室，所述第二腔室被构造成存储所述多种类型的食物以进行烹饪。
12.根据权利要求1所述的电饭煲，其中，所述一个或多个机器学习模型物理上远离电饭煲，所述电饭煲通过网络连接访问所述一个或多个机器学习模型。
13.根据权利要求1所述的电饭煲，其中，所述一个或多个机器学习模型物理上位于所述电饭煲中。
14.一种用于控制电饭煲的由计算机实施的方法，所述方法包括：
在一段时间内拍摄腔室内的容纳物的图像，所述容纳物包括多种类型的食物；
将拍摄的图像作为输入提供给一个或多个机器学习模型，所述一个或多个机器学习模型被配置成对所述多种类型的食物中的每一种类型的食物进行分类；以及
基于所述分类确定所述多种类型的食物的混合物，所述混合物包括所述多种类型的食物中的至少两种类型的食物。
15.根据权利要求14所述的由计算机实施的方法，所述方法进一步包括：确定用于存储一种类型的食物的隔间并将这种类型的食物从所述腔室转移到所述隔间。
16.根据权利要求14所述的由计算机实施的方法，所述方法进一步包括根据所述混合物控制烹饪过程，并且其中，控制所述烹饪过程包括根据所述混合物控制用于所述电饭煲的温度-时间曲线。
17.根据权利要求16所述的由计算机实施的方法，其中，确定所述混合物包括确定第一种类型的食物与第二种类型的食物之间的比例，并且其中，根据所述比例进一步控制所述烹饪过程。
18.根据权利要求14所述的由计算机实施的方法，所述方法进一步包括基于确定的混合物对所述多种类型的食物进行混合。
19.根据权利要求18所述的由计算机实施的方法，其中，所述腔室包括门，并且其中，基于所述混合物对所述多种类型的食物进行混合包括控制所述门的开口。
20.根据权利要求19所述的由计算机实施的方法，其中，控制所述门的开口包括：响应于确定第一种类型的食物的第一尺寸大于第二种类型的食物的第二尺寸，控制所述门的开口使得被构造成分配所述第一种类型的食物的第一开口大于被构造成分配所述第二种类型的食物的第二开口。
21.根据权利要求14所述的由计算机实施的方法，所述方法进一步包括：
响应于确定所述多种类型的食物中的一种类型的食物的水平低于阈值水平，产生包括警报以提示用户重新填充所述腔室的信号。
CN201880092258.5A 2018-04-16 2018-04-16 多用途智能电饭煲 Active CN112040817B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2018/083175 WO2019200504A1 (en) 2018-04-16 2018-04-16 Multi-purpose smart rice cookers

Publications (2)

Publication Number Publication Date
CN112040817A true CN112040817A (zh) 2020-12-04
CN112040817B CN112040817B (zh) 2022-03-15

Family

ID=68160657

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880092258.5A Active CN112040817B (zh) 2018-04-16 2018-04-16 多用途智能电饭煲

Country Status (4)

Country Link
US (1) US10863849B2 (zh)
JP (1) JP7106806B2 (zh)
CN (1) CN112040817B (zh)
WO (1) WO2019200504A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113367586A (zh) * 2021-07-29 2021-09-10 广东长柏电器实业有限公司 一种多功能厨房料理机及营养分析方法

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112716274A (zh) 2017-08-09 2021-04-30 沙克忍者运营有限责任公司 烹饪系统
US11751710B2 (en) 2019-02-25 2023-09-12 Sharkninja Operating Llc Guard for cooking system
CN110991649A (zh) * 2019-10-28 2020-04-10 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 深度学习模型搭建方法、装置、设备和存储介质
US11647861B2 (en) 2020-03-30 2023-05-16 Sharkninja Operating Llc Cooking device and components thereof
CN111552332B (zh) * 2020-05-21 2021-03-05 浙江吉祥厨具股份有限公司 蒸柜控制方法、蒸柜控制装置以及蒸柜
KR102514037B1 (ko) * 2021-12-14 2023-03-24 엘지전자 주식회사 곡물 디스펜서 및 그 곡물 디스펜서의 제어 방법
KR102514038B1 (ko) * 2021-12-16 2023-03-24 엘지전자 주식회사 곡물 디스펜서 및 그 곡물 디스펜서의 제어 방법
USD1011821S1 (en) 2022-02-17 2024-01-23 Whirlpool Corporation Countertop cooking appliance

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005118150A (ja) * 2003-10-14 2005-05-12 Toshiba Home Technology Corp 炊飯器
CN2740097Y (zh) * 2004-10-08 2005-11-16 刘文斌 全自动电饭煲
CN101596066A (zh) * 2009-06-26 2009-12-09 暨南大学 远程控制洗煮一体化煮饭装置
CN102824099A (zh) * 2012-09-20 2012-12-19 张捷 物联网全自动自主学习电饭煲及其实现方法
CN205018799U (zh) * 2015-09-18 2016-02-10 杨健 全自动煮饭系统
CN105962802A (zh) * 2016-06-30 2016-09-28 北京小米移动软件有限公司 控制豆浆机的方法、装置和豆浆机
CN106055648A (zh) * 2016-05-31 2016-10-26 北京小米移动软件有限公司 食谱的确定方法、装置和用于确定食谱的装置
CN106154888A (zh) * 2016-08-31 2016-11-23 广东格兰仕集团有限公司 一种基于图像识别的电饭煲控制方法
CN106326611A (zh) * 2015-06-16 2017-01-11 株式会社日立制作所 食谱设计装置和食谱设计方法
CN106490959A (zh) * 2016-11-09 2017-03-15 四川长虹电器股份有限公司 智能投料电饭煲及其工作方法
CN106580062A (zh) * 2016-12-02 2017-04-26 房振 一种全自动一体式电饭锅
CN106963233A (zh) * 2017-05-18 2017-07-21 岭南师范学院 一种全自动量米洗米智能电饭煲及其控制方法
CN206499356U (zh) * 2016-12-07 2017-09-19 杭州点厨科技有限公司 智能电饭煲
CN107249403A (zh) * 2014-12-22 2017-10-13 厨师步骤有限公司 食物制备指导系统
CN107440475A (zh) * 2017-04-28 2017-12-08 浙江苏泊尔家电制造有限公司 烹饪的方法、烹饪器具及计算机存储介质
KR20170136198A (ko) * 2016-06-01 2017-12-11 주식회사 그루터기 복합가열식 즉석조리시스템의 제품식별장치
CN107736794A (zh) * 2017-11-14 2018-02-27 重庆羽狐科技有限公司 全自动电饭煲
DE102016119230A1 (de) * 2016-10-10 2018-04-12 Miele & Cie. Kg Gargerät und System mit einem Gargerät und einem Gargutträger
CN111801033A (zh) * 2018-03-08 2020-10-20 美的集团股份有限公司 能够进行混合谷物烹饪和异常情况检测的智能电饭煲

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR0180947B1 (ko) * 1994-12-30 1999-02-01 강성필 밥 자동 취사장치 및 그 제어방법
JP4305366B2 (ja) 2004-11-02 2009-07-29 パナソニック株式会社 炊飯器
KR100777116B1 (ko) * 2006-05-19 2007-11-28 주식회사 바퍼텍 무인 자동 취사장치
US10518409B2 (en) * 2014-09-02 2019-12-31 Mark Oleynik Robotic manipulation methods and systems for executing a domain-specific application in an instrumented environment with electronic minimanipulation libraries
WO2016160732A1 (en) * 2015-03-27 2016-10-06 Prashant Choudhary Autonomous cooking device to prepare food from a recipe file and method for creating recipe files

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005118150A (ja) * 2003-10-14 2005-05-12 Toshiba Home Technology Corp 炊飯器
CN2740097Y (zh) * 2004-10-08 2005-11-16 刘文斌 全自动电饭煲
CN101596066A (zh) * 2009-06-26 2009-12-09 暨南大学 远程控制洗煮一体化煮饭装置
CN102824099A (zh) * 2012-09-20 2012-12-19 张捷 物联网全自动自主学习电饭煲及其实现方法
CN107249403A (zh) * 2014-12-22 2017-10-13 厨师步骤有限公司 食物制备指导系统
CN106326611A (zh) * 2015-06-16 2017-01-11 株式会社日立制作所 食谱设计装置和食谱设计方法
CN205018799U (zh) * 2015-09-18 2016-02-10 杨健 全自动煮饭系统
CN106055648A (zh) * 2016-05-31 2016-10-26 北京小米移动软件有限公司 食谱的确定方法、装置和用于确定食谱的装置
KR20170136198A (ko) * 2016-06-01 2017-12-11 주식회사 그루터기 복합가열식 즉석조리시스템의 제품식별장치
CN105962802A (zh) * 2016-06-30 2016-09-28 北京小米移动软件有限公司 控制豆浆机的方法、装置和豆浆机
CN106154888A (zh) * 2016-08-31 2016-11-23 广东格兰仕集团有限公司 一种基于图像识别的电饭煲控制方法
DE102016119230A1 (de) * 2016-10-10 2018-04-12 Miele & Cie. Kg Gargerät und System mit einem Gargerät und einem Gargutträger
CN106490959A (zh) * 2016-11-09 2017-03-15 四川长虹电器股份有限公司 智能投料电饭煲及其工作方法
CN106580062A (zh) * 2016-12-02 2017-04-26 房振 一种全自动一体式电饭锅
CN206499356U (zh) * 2016-12-07 2017-09-19 杭州点厨科技有限公司 智能电饭煲
CN107440475A (zh) * 2017-04-28 2017-12-08 浙江苏泊尔家电制造有限公司 烹饪的方法、烹饪器具及计算机存储介质
CN106963233A (zh) * 2017-05-18 2017-07-21 岭南师范学院 一种全自动量米洗米智能电饭煲及其控制方法
CN107736794A (zh) * 2017-11-14 2018-02-27 重庆羽狐科技有限公司 全自动电饭煲
CN111801033A (zh) * 2018-03-08 2020-10-20 美的集团股份有限公司 能够进行混合谷物烹饪和异常情况检测的智能电饭煲

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113367586A (zh) * 2021-07-29 2021-09-10 广东长柏电器实业有限公司 一种多功能厨房料理机及营养分析方法
CN113367586B (zh) * 2021-07-29 2024-05-07 广东联柏科技集团有限公司 一种多功能厨房料理机及营养分析方法

Also Published As

Publication number Publication date
US20190313833A1 (en) 2019-10-17
JP7106806B2 (ja) 2022-07-27
WO2019200504A1 (en) 2019-10-24
CN112040817B (zh) 2022-03-15
US10863849B2 (en) 2020-12-15
JP2021519193A (ja) 2021-08-10

Similar Documents

Publication Publication Date Title
CN112040817B (zh) 多用途智能电饭煲
CN111684368B (zh) 基于成分识别的食物制备方法和系统
US20190110638A1 (en) Machine learning control of cooking appliances
US20230269832A1 (en) Configurable cooking systems and methods
CN111801033B (zh) 能够进行混合谷物烹饪和异常情况检测的智能电饭煲
RU2719032C2 (ru) Способ и аппарат для управления процессом приготовления пищевого продукта
CN111148944B (zh) 自动烹饪设备和方法
JP6542802B2 (ja) 食品の調理プロセスを制御する方法及び調理装置
KR102501347B1 (ko) 조리 기구
AU2017380938B2 (en) Food preparation entity
US11534023B2 (en) Cooking device and cooking method
US20220163261A1 (en) Appliances and Methods for Adaptive Zonal Cooking
US20190327796A1 (en) Oven appliance and a method for operating an oven appliance for customized cooking outcome
US20230375182A1 (en) System and method for moisture and ambient humidity level prediction for food doneness
US20240071077A1 (en) Cooking apparatus and method of controlling the same
KR20240057959A (ko) 조리 기기 및 그 제어 방법
JP2023077887A (ja) メニュー提供装置、メニュー提供システム、メニュー提供方法、及び、プログラム
KR20220073638A (ko) 조리 기기 및 그 제어 방법
TW202024541A (zh) 用於製備食品的系統及方法
KR20230109395A (ko) 전자 장치 및 그 제어 방법
JP2022160322A (ja) 加熱調理器システム

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