CN112067326A - 智能烹饪设备性能测试方法、装置、电子设备和存储介质 - Google Patents
智能烹饪设备性能测试方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112067326A CN112067326A CN202010790939.8A CN202010790939A CN112067326A CN 112067326 A CN112067326 A CN 112067326A CN 202010790939 A CN202010790939 A CN 202010790939A CN 112067326 A CN112067326 A CN 112067326A
- Authority
- CN
- China
- Prior art keywords
- curve
- template
- test
- cooking
- area
- 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
Links
- 238000010411 cooking Methods 0.000 title claims abstract description 167
- 238000012360 testing method Methods 0.000 title claims abstract description 164
- 230000006870 function Effects 0.000 claims abstract description 83
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000012544 monitoring process Methods 0.000 claims abstract description 23
- 238000011056 performance test Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 241000209094 Oryza Species 0.000 description 3
- 235000007164 Oryza sativa Nutrition 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 235000009566 rice Nutrition 0.000 description 3
- 230000010365 information processing Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/002—Thermal testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请公开了一种智能烹饪设备性能测试方法、装置、电子设备和存储介质。用于解决智能烹饪设备的性能测试中由于烹饪曲线监测仪的监测时间过早导致的测试不合格的问题。本申请实施例中,智能烹饪设备的指定功能均对应一条标准曲线,标准曲线中每个烹饪阶段对应一个曲线模板,采用烹饪曲线监测仪对智能烹饪设备的指定功能进行测试,获取针对指定功能的测试曲线;在该测试曲线中为每个曲线模板搜索匹配的曲线区域;当每个曲线模板均搜索到匹配区域时,且烹饪曲线监测仪对指定功能的测试结果为测试不合格,则确测试不合格的原因为由于烹饪曲线监测仪的监测时间过早导致的测试不合格。
Description
技术领域
本申请涉及智能烹饪设备技术领域,特别涉及一种智能烹饪设备性能测试方法、装置、电子设备和存储介质。
背景技术
电饭煲不同烹饪模式对烹饪温度有着不同要求,同一烹饪模式下包含不同烹饪阶段,每个阶段对温度的要求也各不相同,因此对电饭煲烹饪温度曲线的监测是电饭煲性能测试的重要一环。现有技术中每个烹饪模式均对应一个标准曲线,将标准曲线与实测的烹饪曲线做对比,可测试电饭煲是否合格。
传统的烹饪曲线对比方法多为将烹饪曲线与标准曲线直接比较,监测的时间过早时会导致待测曲线中包含无用的信息,与标准曲线整体差异较大。不能检测是否由于监测开始时间过早导致的判定测试结果为不合格问题。
发明内容
本申请的目的是提供一种智能烹饪设备的性能测试方法、装置、电子设备和存储介质,用于解决以下问题:检测出是否是由于监测时间过早导致的不合格问题。
第一方面,本申请实施例提供了一种智能烹饪设备性能测试方法,所述智能烹饪设备的指定功能对应标准曲线,且标准曲线中每个烹饪阶段对应一个曲线模板,该方法包括:
获取针对所述指定功能的测试曲线;其中,所述测试曲线是采用烹饪曲线监测仪对所述智能烹饪设备的所述指定功能进行测试得到的;
在所述测试曲线中为每个所述曲线模板分别搜索匹配的曲线区域;
当每个曲线模板均搜索到匹配区域时,且所述烹饪曲线监测仪对所述指定功能的测试结果为测试不合格,则确定所述测试不合格的原因为由于所述烹饪曲线检测仪的监测时间过早导致的测试不合格。
在一些实施例中,所述获取针对所述指定功能的测试曲线,包括:
将所述烹饪曲线监测仪输出的目标图像进行去噪处理,得到所述测试曲线。
在一些实施例中,将所述烹饪曲线监测仪输出的目标图像进行去噪处理,得到所述测试曲线,包括:
将所述烹饪曲线监测仪输出的目标图像进行图像掩模处理得到所述测试曲线的掩模图像;
基于所述掩模图像,从所述目标图像中提取出所述测试曲线。
在一些实施例中,所述方法还包括:
根据以下方法从所述标准曲线中提取每个烹饪阶段对应的曲线模板;
获取每个烹饪阶段的时间起点以及时间终点,温度起点以及温度终点;
以所述时间起点和所述温度起点、所述时间终点和所述温度终点为多边形顶点,从所述标准曲线中截取多边形区域作为所述烹饪阶段对应的曲线模板。
在一些实施例中,在所述测试曲线中为每个所述曲线模板分别搜索匹配的曲线区域,包括:
针对每个曲线模板,在所述测试曲线中进行模板匹配,获得与所述曲线模板匹配度最高的曲线区域;
若所述曲线区域与所述曲线模板的匹配度高于预设值,则确定在所述测试曲线中搜索到与所述曲线模板匹配的曲线区域。
在一些实施例中,采用指定匹配度算法计算所述曲线模板和曲线区域之间的匹配度,其中所述指定匹配度算法中包括指数函数表达式;且所述指数函数的底数大于1;
针对每个曲线模板,在所述测试曲线中进行模板匹配,获得与所述曲线模板匹配度最高的曲线区域,包括:
针对所述测试曲线上的每个曲线区域,按照所述指定匹配度算法,确定所述曲线模板与所述曲线区域之间的所述指数函数的指数;
选择指数最大的曲线区域作为与所述曲线模板匹配度最高的曲线区域。
在一些实施例中,确定所述曲线区域与所述曲线模板的匹配度,包括:
采用多种匹配度计算方法,分别得出所述曲线区域与所述曲线模板的匹配度,并获取每种匹配度计算方法对应的权重;
采用加权求和的方式得出所述曲线区域与所述曲线模板的匹配度。
第二方面,本申请实施例还提供了一种智能烹饪设备性能测试装置,包括:
测试曲线获取模块,用于获取针对所述指定功能的测试曲线;其中,所述测试曲线是采用烹饪曲线监测仪对所述智能烹饪设备的所述指定功能进行测试得到的;
搜索模块,用于在所述测试曲线中为每个所述曲线模板分别搜索匹配的曲线区域;
判定模块,用于当每个曲线模板均搜索到匹配区域时,且所述烹饪曲线监测仪对所述指定功能的测试结果为测试不合格,则确定所述测试不合格的原因为由于所述烹饪曲线监测仪的监测时间过早导致的测试不合格。
所述测试曲线获取模块,包括:
去噪单元,用于将所述烹饪曲线监测仪输出的目标图像进行去噪处理,得到所述测试曲线。
所述去噪单元用于将所述烹饪曲线监测仪输出的目标图像进行图像掩模处理得到所述测试曲线的掩模图像;
基于所述掩模图像,从所述目标图像中提取出所述测试曲线。
所述装置还包括:
标注模板解析模块,用于根据以下方法从所述标准曲线中提取每个烹饪阶段对应的曲线模板;
获取每个烹饪阶段的时间起点以及时间终点,温度起点以及温度终点;
从所述标准曲线中选取以所述时间起点和所述温度起点、所述时间终点和所述温度终点为多边形顶点,从所述标准曲线中截取所述多边形区域作为所述烹饪阶段对应的曲线模板。
搜索模块,包括:
曲线区域获取单元,用于针对每个曲线模板,在所述测试曲线中进行模板匹配,获得与所述曲线模板匹配度最高的曲线区域;
曲线区域确定单元,用于若所述曲线区域与所述曲线模板的匹配度高于预设值,则确定在所述测试曲线中搜索到与所述曲线模板匹配的曲线区域。
采用指定匹配度算法计算所述曲线模板和曲线区域之间的匹配度,其中所述指定匹配度算法中包括指数函数表达式;且所述指数函数的底数大于1;
曲线区域获取单元,用于:
针对所述测试曲线上的每个曲线区域,按照所述指定匹配度算法,确定所述曲线模板与所述曲线区域之间的所述指数函数的指数;
选择指数最大的曲线区域作为与所述曲线模板匹配度最高的曲线区域。
所述装置还包括:
匹配度确定模块,用于根据一些方法确定所述曲线区域与所述曲线模板的匹配度:
采用多种匹配度计算方法,分别得出所述曲线区域与所述曲线模板的匹配度,并获取每种匹配度计算方法对应的权重;
采用加权求和的方式得出所述曲线区域与所述曲线模板的匹配度。
第三方面,本申请另一实施例还提供了一种电子设备,包括至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请第一方面实施例提供的任一方法。
第四方面,本申请另一实施例还提供了一种计算机可读存储介质,其中,所述计算机可读存储介质存储有计算机程序,所述计算机程序用于使计算机执行本申请第一方面实施例提供的任一方法。
本申请实施例,将标准烹饪曲线按照不同的烹饪阶段分解为不同的曲线模板,每个曲线模板都在待测烹饪曲线中搜索与该曲线模板匹配的区域,若每个曲线模板都在待测烹饪曲线中搜索到匹配的区域,且烹饪曲线监测仪的测试结果为不合格,则可以确定是由于监测时间过早导致的测试不合格问题。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,显而易见地,下面所介绍的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的智能烹饪设备的性能测试方法的应用场景示意图;
图2为本申请实施例提供的智能烹饪设备的性能测试方法的曲线模板选取示意图;
图3为本申请实施例提供的智能烹饪设备的性能测试方法的流程示意图;
图4为本申请实施例提供的智能烹饪设备的性能测试方法的掩模图像原理图;
图5为本申请实施例提供的智能烹饪设备的性能测试方法的曲线模板在待测曲线上的搜索匹配的曲线区域的示意图;
图6为本申请实施例提供的智能烹饪设备的性能测试方法的整体流程示意图;图7为本申请实施例提供的智能烹饪设备的性能测试方法的装置示意图;
图8为本申请实施例提供的智能烹饪设备的性能测试方法的电子设备示意图。
具体实施方式
发明人研究发现,现有技术中烹饪曲线对比方法多为两曲线直接比较。测试过程中,如果烹饪曲线监测仪器开始工作时,待测电饭煲还未开始工作,即监测的开始时间早于待测曲线开始时间,则会导致待测曲线中包含无用的信息,与标准曲线整体差异较大。传统对比方法直接将此测试结果判定不合格,不能检测是否由于监测开始时间过早导致。针对这种曲线对比中普遍存在的问题,如何准确对比每个烹饪阶段烹饪曲线的温度变化情况,进而准确分析电饭煲的烹饪温度曲线图,成为智能烹饪设备性能测试结果分析中亟待解决的问题。
有鉴于此,本申请提出了一种智能烹饪设备的性能测试方法、装置、电子设备和存储介质,用于解决上述问题。
本申请的发明构思为:对智能烹饪设备的指定功能而言,该指定功能会对应一条标准曲线,标准曲线中包括多个烹饪阶段。本申请的方案中预先按烹饪节点,对标准曲线进行划分,会得到每个烹饪阶段分别对应的一个曲线模板。在对指定烹饪设备的指定功能进行测试时,采用烹饪曲线监测仪对智能烹饪设备的指定功能进行测试,获取针对指定功能的测试曲线;在该测试曲线中为每个曲线模板搜索匹配的曲线区域;当每个曲线模板均搜索到匹配区域时说明每个烹饪节点都能和标注曲线匹配上,假若烹饪曲线监测仪采用传统方法对指定功能的测试结果为测试不合格,由此可确定测试不合格的原因为由于烹饪曲线监测仪的监测时间过早。
本申请实施例,为每个曲线模板在烹饪曲线中搜索与该曲线模板匹配的区域,可以有效的筛查出由于监测时间过早导致的测试不合格问题。
本申请提供的智能烹饪设备的性能测试方法适用于各种智能烹饪设备,如包括但不限于电饭煲、电磁炉、电饼铛等能够烹饪的设备,或是其它类型的能够烹饪的智能设备。
下面结合附图对本申请实施例中的智能烹饪设备的性能测试方法进行详细说明。
在一个实施例中,如图1所示,为本申请实施例中以电饭煲为例对智能烹饪设备的性能测试方法进行说明的应用场景图。
包括:电饭煲101,烹饪曲线监测仪102,计算设备103;
电饭煲的指定功能对应一个标准曲线,且标准曲线中每个烹饪阶段对应一个曲线模板。测试时烹饪曲线监测仪对电饭煲的烹饪功能进行检测,获取针对指定功能的测试曲线;并且烹饪曲线检测仪在测试曲线中为每个曲线模板分别搜索匹配的曲线区域;当每个曲线模板均搜索到匹配区域时,且烹饪曲线监测仪对指定功能的测试结果为测试不合格,则确定测试不合格的原因为由于烹饪曲线监测仪的监测时间过早导致的测试不合格。
当然,在另一实施例中,可以由计算设备获取烹饪曲线检测仪检测的测试曲线,然后由计算设备在测试曲线中为每个曲线模板分别搜索匹配的曲线区域;当每个曲线模板均搜索到匹配区域时,且烹饪曲线监测仪对指定功能的测试结果为测试不合格,则确定测试不合格的原因为由于烹饪曲线监测仪的监测时间过早导致的测试不合格。
在一个实施例中,电饭煲的烹饪曲线监测仪在监测电饭煲性能之前首先根据电饭煲的每个指定功能对应的标准曲线,烹饪曲线监测仪分解标准烹饪曲线中的不同烹饪阶段,根据不同的烹饪阶段将烹饪曲线保存为各个烹饪阶段对应的曲线模板,在后续的性能测试中可直接提取该曲线模板作为标准模板使用。
提取出待测曲线后在标准模板中提取出指定功能对应的曲线模板,通过计算待测曲线与曲线模板的相似度来判定是否是由于监测时间过早导致的不合格问题。
提取曲线模板的具体实施方式为,如图2所示,自动获取每个烹饪阶段的时间起点t1以及时间终点t2,温度起点T1以及温度终点T2;
从标准曲线中选取以时间起点和温度起点、时间终点和温度终点为多边形顶点,从标准曲线中截取该多边形区域作为烹饪阶段对应的曲线模板。实施时,可采用矩形为多边形。
在获取到曲线模板后,针对智能烹饪设备的任一指定功能,可参考图3,对其性能进行测试,如前文所述,智能烹饪设备的指定功能对应标准曲线,且标准曲线中每个烹饪阶段对应一个曲线模板,实施时可包括以下步骤:
步骤301:对智能烹饪设备的指定功能进行测试,获取针对该指定功能的测试曲线;
在一个实施例中,现有技术中实际测试的烹饪曲线图中除测试曲线外还常包含干扰因素,比如和测试曲线相似颜色的背景会影响测试曲线的提取及后续测试。
为了能够准确的提取测试曲线,降低噪声点对测试结果的影响,在获取针对该指定功能的测试曲线时,可实施为:将烹饪曲线监测仪输出的目标图像进行去噪处理,得到测试曲线。例如,去掉曲线外独立的点,完成去噪。由此,通过去噪处理能够使得提取的测试曲线更加准确,有利于提高测试的准确性。
在一些实施例中,本申请实施例提供的去噪处理可实施为将烹饪曲线监测仪输出的目标图像进行图像掩模处理得到测试曲线的掩模图像;基于该掩模图像,从目标图像中提取出测试曲线。
采用掩模图像进行去噪处理时,可以先将目标图像转换到颜色空间模型(Hue,Saturation,Val ue),hsv),hsv颜色空间中H(hue,色调)分量取值0-180,能够直接表示各种颜色,相较于其他颜色空间能够更直接的提取颜色。设定hsv颜色空间中待测曲线的颜色对应的hsv范围值,根据时间和温度坐标轴的颜色在hsv空间中设定h、s、v分别对应的数值范围。通过设定的hsv范围值,构建测试曲线的掩模图像。如图4所示,在得到掩模图像之后,将掩模图像和目标图像进行叠加,即用掩模图像对目标图像进行遮挡,来控制图像处理的区域或处理过程;掩模图像中为1的位置的像素值在原图中的位置保留,掩模图像中为0的位置在原图中对应的位置被掩模图像覆盖。叠加时,掩模图像与目标图像进行按位与运算,得到待测曲线,达到去除和待测曲线具有相似颜色的背景点等干扰因素的目的。
上述实施例中提到的颜色空间模型可以替换为HSL、HIS等其他的颜色空间模型,本申请对此不作具体限定。
步骤302:在测试曲线中为每个曲线模板分别搜索匹配的曲线区域;
在一些实施例中,为了能够为每个曲线模板进行模板匹配,由于每个曲线模板的操作方式相同,这里仅就一个曲线模板进行说明。实施时,针对每个曲线模板可实施以下操作:对曲线模板在测试曲线中进行模板匹配,获得与曲线模板匹配度最高的曲线区域;若曲线区域与曲线模板的匹配度高于预设值,则确定在测试曲线中搜索到与曲线模板匹配的曲线区域。
也即,本申请要求得到匹配度最高且能够超过预设值的曲线区域才能作为与曲线模板匹配的曲线区域。当所有曲线模板都能够找到满足上述要求的曲线区域时,说明测试的指定功能的标准曲线能够与测试曲线相吻合。以一个标准模板为例对此进行说明,如图5所示,标准模板为搜索模板T(m×n个像素),待测曲线图为被搜索图S(W×H个像素),将搜索模板T在被搜索图S上平移搜索,搜索模板T覆盖被搜索图S的区域为子图Sij。以子图T’为例,i,j表示T’左上角(即图中A点)在被搜索图S上的位置坐标。搜索范围是:1≤i≤W–m;1≤j≤H–n。搜索方式是以像素点为单位对搜索模板S进行平移,然后计算搜索模板T与平移的每个子图Sij的匹配度,最终得到匹配度最高的子图,并记录该子图的位置。
本申请实施例中,当通过逐像素点平移计算每个子图与标准模板匹配度时,计算量较大。为了降低计算复杂度,提高搜索效率,通过指数函数表达式的方式以达到无需计算各子图中的精确相似度的目的来减少计算量。本申请可实施为以下两种方案中的任一种:
方式1,可以采用指定差异度算法计算曲线模板和曲线区域之间的差异度,其中指定差异度算法中包括指数函数表达式;且指数函数的底数大于1;也即,可以将原始的复杂的计算差异度的表达式简化成底数大于1的指数函数表达式。然后,针对每个曲线模板,针对测试曲线上的每个曲线区域,按照指定差异度算法,确定曲线模板与曲线区域之间的指数函数的指数;并选择指数最小的曲线区域作为与曲线模板差异度最小的曲线区域,也即匹配度最高的曲线区域。
由于将原始的复杂的计算差异度的表达式简化成底数大于1的指数函数表达式,故此,指数函数的指数越小则表示相应的差异度越小也即匹配度越高。
针对每个子图,可以看指数函数的指数,优先挑取指数小的子图作为最匹配的子图。由于,不必计算每个子图和曲线模板的差异度的精确值。仅仅参看指数即可,基于此,能够达到简化计算量的目的。
例如,计算匹配度的公式可简化为P=f(ax),其中,P表示匹配度,f(ax)表示含有以a为底数(a>1),x为自变量的表达式。可以先搜索几个子图,然后确定每个子图的指数即每个子图对应的x值。从中选择x值最小的子图作为最小匹配误差,然后继续搜索下一个子图,若下一个子图的指数大于最小匹配误差,则该子图不是最佳匹配区域,可以提前结束对该子图计算,进入下一子图的计算;若下一个子图的指数小于最小匹配误差,则就用当前计算结果替换最小匹配误差,并把当前指数最小的子图作为潜在的最佳匹配位置记录下来,直至找到最佳匹配位置。
方式2,可以采用指定匹配度算法计算曲线模板和曲线区域之间的匹配度,其中指定匹配度算法中包括指数函数表达式;且指数函数的底数大于1;也即,可以将原始的复杂的计算匹配度的表达式简化成底数大于1的指数函数表达式。然后,针对每个曲线模板,针对测试曲线上的每个曲线区域,按照指定匹配度算法,确定曲线模板与曲线区域之间的指数函数的指数;并选择指数最大的曲线区域作为与曲线模板匹配度最高的曲线区域。
由于将原始的复杂的计算匹配度的表达式简化成底数大于1的指数函数表达式,故此,指数函数的指数越大则表示相应的匹配度越高。故此,针对每个子图,可以看指数函数的指数,优先挑取指数大的子图作为最匹配的子图。由于,不必计算每个子图和曲线模板的匹配度的精确值。仅仅参看指数即可,基于此,能够达到简化计算量的目的。
例如,计算匹配度的公式可简化为P=f(ax),其中,P表示匹配度,f(ax)表示含有以a为底数(a>1),x为自变量的表达式。可以先搜索几个子图,然后确定每个子图的数量级即每个子图对应的x值。从中选择x值最大的子图作为最大限制误差,然后继续搜索下一个子图,若下一个子图的指数小于最大限制误差,则该子图不是最佳匹配区域,可以提前结束对该子图计算,进入下一子图的计算;若下一个子图的指数大于最大限制误差,则就用当前计算结果替换最大限制误差,并把当前指数最大的子图作为潜在的最佳匹配位置记录下来,直至找到最佳匹配位置。
经过上述两种方法处理后,匹配度的计算量可以大大降低,改进了现有技术中的模板匹配方法。
在找到最匹配的曲线区域之后,可以精确的计算最匹配的曲线区域与曲线模板之间的匹配度,确定匹配度时,为了提高匹配度的准确性,本申请实施例中可采用多种匹配度计算方法,分别得出最匹配的曲线区域与曲线模板的匹配度,并获取每种匹配度计算方法对应的权重;然后采用加权求和的方式得出曲线区域与曲线模板的匹配度。
例如,匹配度计算方法可包括以下几种中的至少两种:平方差匹配法、归一化平方差匹配法、相关匹配法、归一化相关匹配法、系数匹配法、归一化相关系数匹配法;在本申请的实施例中,综合各种方法在模板匹配中运用的广泛性及准确性,对匹配度计算方式进行加权计算,实施时可基于经验值为上述六种方法分别赋予权重,由此得到一种改进的匹配度计算方式。
本领域内的技术人员应明白,本申请的实施例提供的匹配度计算方法中赋予各个计算方法的权重并不唯一,可以根据实际需求设置各种计算方法的权重。
步骤303:若每个曲线模板均搜索到匹配区域,且烹饪曲线监测仪对指定功能的测试结果为测试不合格,则确定测试不合格的原因为由于所述烹饪曲线监测仪的监测时间过早导致的测试不合格。
为了便于理解,如图6所示,下面将对本申请实施例提供的智能烹饪设备的性能测试方法的整体流程进行说明。
在步骤601中,采用烹饪曲线监测仪对电饭煲的指定性能进行测试,得到目标图像。
在步骤602中:运用掩模图像去除目标图像中和测试曲线具有相似颜色的背景点,得到测试曲线;
在步骤603中:获取预存的标准曲线中每个烹饪阶段分别对应的标准模板;
在步骤604中:对每个标准模板与测试曲线进行模板匹配,并在匹配过程中采用匹配度的指数函数表达式得到曲线模板和曲线区域之间的匹配度指数函数中的指数;在步骤605中:根据指数的大小,找到指数最大的曲线区域作为与曲线模板匹配度最高的曲线区域;
在步骤606中:采用匹配度多种计算方法中的至少两种,得到每一种匹配度计算方法计算的匹配度,并对各种方法计算的匹配度进行加权求和得到的精确的匹配度;
在一个实施例中,设测试曲线中与曲线模板匹配度最高的曲线区域与曲线模板的匹配度为p。
在步骤607中:比较匹配度p与预设达到测试合格允许的最低匹配度p0进行比较;若p大于等于p0,则进入步骤608;若p小于p0,则进入步骤609;
在步骤608中:将待测烹饪曲线中的该曲线区域作为与曲线模板相同的烹饪阶段;
在步骤609中:确定待测烹饪曲线中的该曲线区域与曲线模板不在相同的烹饪阶段,之后执行步骤610。
在步骤610中:以烹饪曲线检测仪的输出结果为准;
在步骤611中:判断待测烹饪曲线中所有烹饪阶段是否都能与标准模板进行匹配;
若待测烹饪曲线中所有烹饪阶段都能与标准模板进行匹配,则进入步骤612;
若待测烹饪曲线中所有烹饪阶段不能都与标准模板进行匹配,则进入步骤610;
在步骤612中:烹饪曲线检测仪的输出结果为测试不合格;
在步骤613中:判定是由于监测时间过早导致的测试不合格。
基于相同的发明构思,本申请实施例还提供一种智能烹饪设备性能测试装置,该装置的原理和有益效果与上述方法实施例中所述内容相似,在此不再赘述。
如图7所示,为该装置的结构示意图,所述装置包括:
测试曲线获取单元7001,采用烹饪曲线监测仪对智能烹饪设备的指定功能进行测试,获取针对指定功能的测试曲线;
搜索单元7002,在测试曲线中为每个曲线模板分别搜索匹配的曲线区域;
判定单元7003,当每个曲线模板均搜索到匹配区域时,且烹饪曲线监测仪对指定功能的测试结果为测试不合格,则确定测试不合格的原因为由于烹饪曲线监测仪的监测时间过早导致的测试不合格。
在一些实施例中,测试曲线获取单元,包括:
将烹饪曲线监测仪输出的目标图像进行去噪处理,得到测试曲线。
在一些实施例中,将烹饪曲线监测仪输出的目标图像进行去噪处理,得到测试曲线,包括:
将烹饪曲线监测仪输出的目标图像进行图像掩模处理得到测试曲线的掩模图像;
基于掩模图像,从目标图像中提取出测试曲线。
在一些实施例中,根据以下方法从标准曲线中提取每个烹饪阶段对应的曲线模板;
获取每个烹饪阶段的时间起点以及时间终点,温度起点以及温度终点;
从标准曲线中选取以时间起点和温度起点、时间终点和温度终点为多边形顶点,从标准曲线中截取多边形区域作为烹饪阶段对应的曲线模板。
在一些实施例中,针对每个曲线模板,在测试曲线中进行模板匹配,获得与曲线模板匹配度最高的曲线区域;
若曲线区域与曲线模板的匹配度高于预设值,则确定在测试曲线中搜索到与曲线模板匹配的曲线区域。
在一些实施例中,采用指定匹配度算法计算曲线模板和曲线区域之间的匹配度,其中指定匹配度算法中包括指数函数表达式;且指数函数的底数大于1;
针对每个曲线模板,在测试曲线中进行模板匹配,获得与曲线模板匹配度最高的曲线区域,包括:
针对测试曲线上的每个曲线区域,按照指定匹配度算法,确定曲线模板与曲线区域之间的指数函数的指数;
选择指数最小的曲线区域作为与曲线模板匹配度最高的曲线区域。
在一些实施例中,确定曲线区域与曲线模板的匹配度,包括:
采用多种匹配度计算方法,分别得出曲线区域与曲线模板的匹配度,并获取每种匹配度计算方法对应的权重;
采用加权求和的方式得出曲线区域与曲线模板的匹配度。
在介绍了本申请示例性实施方式的一种智能烹饪设备的性能测试方法和装置之后,接下来,介绍根据本申请的另一示例性实施方式的电子设备。
所属技术领域的技术人员能够理解,本申请的各个方面可以实现为系统、方法或程序产品。因此,本申请的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中,根据本申请的电子设备可以至少包括至少一个处理器、以及至少一个存储器。其中,存储器存储有程序代码,当程序代码被处理器执行时,使得处理器执行本说明书上述描述的根据本申请各种示例性实施方式的智能终端的信息处理方法中的步骤。例如,处理器可以执行如图3所示的步骤。
下面参照图8来描述根据本申请的这种实施方式的电子设备130。图8显示的电子设备130仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示,电子设备130以通用电子设备的形式表现。电子设备130的组件可以包括但不限于:上述至少一个处理器131、上述至少一个存储器132、连接不同系统组件(包括存储器132和处理器131)的总线133。
存储器132可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)1321和/或高速缓存存储器1322,还可以进一步包括只读存储器(ROM)1323。
存储器132还可以包括具有一组(至少一个)程序模块1324的程序/实用工具1325,这样的程序模块1324包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备130也可以与一个或多个外部设备134(例如键盘、指向设备等)通信,还可与一个或者多个使得用户能与电子设备130交互的设备通信,和/或与使得该电子设备130能与一个或多个其它电子设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口135进行。并且,电子设备130还可以通过网络适配器136与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器136通过总线133与用于电子设备130的其它模块通信。应当理解,尽管图中未示出,可以结合电子设备130使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中,本公开提供的一种智能烹饪设备性能测试方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在计算机设备上运行时,程序代码用于使计算机设备执行本说明书上述描述的根据本公开各种示例性实施方式的一种智能终端的信息处理方法中的步骤,例如,智能终端设备可以执行如图3所示的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本公开的实施方式的用于一种智能烹饪设备性能测试的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在电子设备上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务器上执行。在涉及远程电子设备的情形中,远程电子设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户电子设备,或者,可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (16)
1.一种智能烹饪设备性能测试方法,其特征在于,所述智能烹饪设备的指定功能对应标准曲线,且标准曲线中每个烹饪阶段对应一个曲线模板,所述方法包括:
获取针对所述指定功能的测试曲线;其中,所述测试曲线是采用烹饪曲线监测仪对所述智能烹饪设备的所述指定功能进行测试得到的;
在所述测试曲线中为每个所述曲线模板分别搜索匹配的曲线区域;
当每个曲线模板均搜索到匹配区域时,且所述烹饪曲线监测仪对所述指定功能的测试结果为测试不合格,则确定所述测试不合格的原因为由于所述烹饪曲线监测仪的监测时间过早导致的测试不合格。
2.根据权利要求1所述的方法,其特征在于,所述获取针对所述指定功能的测试曲线,包括:
将所述烹饪曲线监测仪输出的目标图像进行去噪处理,得到所述测试曲线。
3.根据权利要求2所述的方法,其特征在于,所述将所述烹饪曲线监测仪输出的目标图像进行去噪处理,得到所述测试曲线,包括:
将所述烹饪曲线监测仪输出的目标图像进行图像掩模处理得到所述测试曲线的掩模图像;
基于所述掩模图像,从所述目标图像中提取出所述测试曲线。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据以下方法从所述标准曲线中提取每个烹饪阶段对应的曲线模板;
获取每个烹饪阶段的时间起点以及时间终点,温度起点以及温度终点;
以所述时间起点和所述温度起点、所述时间终点和所述温度终点为多边形顶点,从所述标准曲线中截取多边形区域作为所述烹饪阶段对应的曲线模板。
5.根据权利要求1所述的方法,其特征在于,在所述测试曲线中为每个所述曲线模板分别搜索匹配的曲线区域,包括:
针对每个曲线模板,在所述测试曲线中进行模板匹配,获得与所述曲线模板匹配度最高的曲线区域;
若所述曲线区域与所述曲线模板的匹配度高于预设值,则确定在所述测试曲线中搜索到与所述曲线模板匹配的曲线区域。
6.根据权利要求5所述的方法,其特征在于,采用指定匹配度算法计算所述曲线模板和曲线区域之间的匹配度,其中所述指定匹配度算法中包括指数函数表达式;且所述指数函数的底数大于1;
针对每个曲线模板,在所述测试曲线中进行模板匹配,获得与所述曲线模板匹配度最高的曲线区域,包括:
针对所述测试曲线上的每个曲线区域,按照所述指定匹配度算法,确定所述曲线模板与所述曲线区域之间的所述指数函数的指数;
选择指数最大的曲线区域作为与所述曲线模板匹配度最高的曲线区域。
7.根据权利要求5或6所述的方法,其特征在于,确定所述曲线区域与所述曲线模板的匹配度,包括:
采用多种匹配度计算方法,分别得出所述曲线区域与所述曲线模板的匹配度,并获取每种匹配度计算方法对应的权重;
采用加权求和的方式得出所述曲线区域与所述曲线模板的匹配度。
8.一种智能烹饪设备性能测试装置,其特征在于,所述智能烹饪设备的指定功能对应标准曲线,且标准曲线中每个烹饪阶段对应一个曲线模板,所述装置包括:
测试曲线获取模块,用于获取针对所述指定功能的测试曲线;其中,所述测试曲线是采用烹饪曲线监测仪对所述智能烹饪设备的所述指定功能进行测试得到的;
搜索模块,用于在所述测试曲线中为每个所述曲线模板分别搜索匹配的曲线区域;
判定模块,用于当每个曲线模板均搜索到匹配区域时,且所述烹饪曲线监测仪对所述指定功能的测试结果为测试不合格,则确定所述测试不合格的原因为由于所述烹饪曲线监测仪的监测时间过早导致的测试不合格。
9.根据权利要求8所述的装置,其特征在于,所述测试曲线获取模块,包括:
去噪单元,用于将所述烹饪曲线监测仪输出的目标图像进行去噪处理,得到所述测试曲线。
10.根据权利要求9所述的装置,其特征在于,所述去噪单元用于将所述烹饪曲线监测仪输出的目标图像进行图像掩模处理得到所述测试曲线的掩模图像;
基于所述掩模图像,从所述目标图像中提取出所述测试曲线。
11.根据权利要求8所述的装置,其特征在于,所述装置还包括:
标注模板解析模块,用于根据以下方法从所述标准曲线中提取每个烹饪阶段对应的曲线模板;
获取每个烹饪阶段的时间起点以及时间终点,温度起点以及温度终点;
从所述标准曲线中选取以所述时间起点和所述温度起点、所述时间终点和所述温度终点为多边形顶点,从所述标准曲线中截取所述多边形区域作为所述烹饪阶段对应的曲线模板。
12.根据权利要求8所述的装置,其特征在于,搜索模块,包括:
曲线区域获取单元,用于针对每个曲线模板,在所述测试曲线中进行模板匹配,获得与所述曲线模板匹配度最高的曲线区域;
曲线区域确定单元,用于若所述曲线区域与所述曲线模板的匹配度高于预设值,则确定在所述测试曲线中搜索到与所述曲线模板匹配的曲线区域。
13.根据权利要求12所述的装置,其特征在于,采用指定匹配度算法计算所述曲线模板和曲线区域之间的匹配度,其中所述指定匹配度算法中包括指数函数表达式;且所述指数函数的底数大于1;
曲线区域获取单元,用于:
针对所述测试曲线上的每个曲线区域,按照所述指定匹配度算法,确定所述曲线模板与所述曲线区域之间的所述指数函数的指数;
选择指数最大的曲线区域作为与所述曲线模板匹配度最高的曲线区域。
14.根据权利要求12或13所述的装置,其特征在于,所述装置还包括:
匹配度确定模块,用于根据以下方法确定所述曲线区域与所述曲线模板的匹配度:
采用多种匹配度计算方法,分别得出所述曲线区域与所述曲线模板的匹配度,并获取每种匹配度计算方法对应的权重;
采用加权求和的方式得出所述曲线区域与所述曲线模板的匹配度。
15.一种电子设备,其特征在于,包括:
处理器;
被配置为存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1-7中任一项所述的智能烹饪设备性能测试方法。
16.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述智能烹饪设备存储介质可执行指令被配置为执行如权利要求1-7中任一项所述的智能烹饪设备性能测试方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010790939.8A CN112067326B (zh) | 2020-08-07 | 2020-08-07 | 智能烹饪设备性能测试方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010790939.8A CN112067326B (zh) | 2020-08-07 | 2020-08-07 | 智能烹饪设备性能测试方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112067326A true CN112067326A (zh) | 2020-12-11 |
CN112067326B CN112067326B (zh) | 2021-07-13 |
Family
ID=73660870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010790939.8A Active CN112067326B (zh) | 2020-08-07 | 2020-08-07 | 智能烹饪设备性能测试方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112067326B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999011978A2 (en) * | 1997-09-04 | 1999-03-11 | Technology Licensing Corporation | Diagnostic system for monitoring cooking profiles |
CN102381340A (zh) * | 2010-08-27 | 2012-03-21 | 卡斯柯信号有限公司 | 基于功率曲线的提速道岔故障信息处理方法及装置 |
CN102890041A (zh) * | 2012-10-23 | 2013-01-23 | 林志华 | 一种食用油脂品质检测方法及系统 |
CN107367959A (zh) * | 2016-05-13 | 2017-11-21 | 佛山市顺德区美的电热电器制造有限公司 | 智能电饭煲的控制方法及装置 |
EP3258176A1 (de) * | 2016-04-14 | 2017-12-20 | BSH Hausgeräte GmbH | Haushalts-gargerät mit garsensor |
CN109472510A (zh) * | 2018-11-22 | 2019-03-15 | 珠海格力电器股份有限公司 | 一种烹饪效果的智能评分方法、烹饪系统及烹饪器具 |
CN110500706A (zh) * | 2019-08-26 | 2019-11-26 | 珠海格力电器股份有限公司 | 空调故障处理方法与装置 |
CN110750062A (zh) * | 2019-10-25 | 2020-02-04 | 佛山市顺德区美的洗涤电器制造有限公司 | 检测方法、烹饪器具、烹饪系统及计算机可读存储介质 |
CN110794694A (zh) * | 2019-10-17 | 2020-02-14 | 佛山市云米电器科技有限公司 | 一种进行菜谱的智能烹饪方法及灶具 |
CN111123803A (zh) * | 2020-01-02 | 2020-05-08 | 珠海格力电器股份有限公司 | 一种烹饪控制方法、烹饪控制系统及智慧灶台 |
-
2020
- 2020-08-07 CN CN202010790939.8A patent/CN112067326B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999011978A2 (en) * | 1997-09-04 | 1999-03-11 | Technology Licensing Corporation | Diagnostic system for monitoring cooking profiles |
CN102381340A (zh) * | 2010-08-27 | 2012-03-21 | 卡斯柯信号有限公司 | 基于功率曲线的提速道岔故障信息处理方法及装置 |
CN102890041A (zh) * | 2012-10-23 | 2013-01-23 | 林志华 | 一种食用油脂品质检测方法及系统 |
EP3258176A1 (de) * | 2016-04-14 | 2017-12-20 | BSH Hausgeräte GmbH | Haushalts-gargerät mit garsensor |
CN107367959A (zh) * | 2016-05-13 | 2017-11-21 | 佛山市顺德区美的电热电器制造有限公司 | 智能电饭煲的控制方法及装置 |
CN109472510A (zh) * | 2018-11-22 | 2019-03-15 | 珠海格力电器股份有限公司 | 一种烹饪效果的智能评分方法、烹饪系统及烹饪器具 |
CN110500706A (zh) * | 2019-08-26 | 2019-11-26 | 珠海格力电器股份有限公司 | 空调故障处理方法与装置 |
CN110794694A (zh) * | 2019-10-17 | 2020-02-14 | 佛山市云米电器科技有限公司 | 一种进行菜谱的智能烹饪方法及灶具 |
CN110750062A (zh) * | 2019-10-25 | 2020-02-04 | 佛山市顺德区美的洗涤电器制造有限公司 | 检测方法、烹饪器具、烹饪系统及计算机可读存储介质 |
CN111123803A (zh) * | 2020-01-02 | 2020-05-08 | 珠海格力电器股份有限公司 | 一种烹饪控制方法、烹饪控制系统及智慧灶台 |
Non-Patent Citations (2)
Title |
---|
孔进喜: "IH电饭煲烹饪过程温度分布均匀性研究", 《家电科技》 * |
阳振敏: "微波炉变频器控制电路的设计", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112067326B (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11144817B2 (en) | Device and method for determining convolutional neural network model for database | |
US20210150264A1 (en) | Semi-supervised iterative keypoint and viewpoint invariant feature learning for visual recognition | |
CN111104335B (zh) | 一种基于多层次分析的c语言缺陷检测方法及装置 | |
CN111695620B (zh) | 一种电力系统时间序列异常数据检测与修正方法及系统 | |
AU2017206289A1 (en) | Improved patch match convergence using metropolis-hastings | |
US11507348B2 (en) | Method and apparatus for generating chip-based computing function, device, and storage medium | |
CN116304909A (zh) | 一种异常检测模型训练方法、故障场景定位方法及装置 | |
US8245084B2 (en) | Two-level representative workload phase detection | |
JP6588495B2 (ja) | 分析システム、設定方法および設定プログラム | |
CN117474918B (zh) | 异常检测方法和装置、电子设备以及存储介质 | |
CN112067326B (zh) | 智能烹饪设备性能测试方法、装置、电子设备和存储介质 | |
JP2005166019A (ja) | 光源推定システムおよび方法 | |
CN114255219B (zh) | 征象识别方法、装置、电子设备和存储介质 | |
CN116484184A (zh) | 一种电力设备局部放电缺陷样本增强方法及装置 | |
CN115455407A (zh) | 一种基于机器学习的GitHub敏感信息泄露监控方法 | |
CN114355234A (zh) | 一种电源模块的智能化质量检测方法及系统 | |
CN114003466A (zh) | 一种用于微服务应用程序的故障根因定位方法 | |
WO2020164283A1 (zh) | 测试设备的共享方法、装置、存储介质及计算机设备 | |
CN109766266A (zh) | 测试工具选择方法、装置、计算机装置及可读存储介质 | |
CN117076282B (zh) | 硬件算子时间性能的检测方法及装置 | |
US20230280318A1 (en) | Learning data producing method, waveform analysis device, waveform analysis method, and recording medium | |
Finardi et al. | Evaluating the application of a computer vision model in the customer service chatbot of an electric utility | |
CN118151996A (zh) | 应用于软件开发的数据优化方法及系统 | |
CN117472751A (zh) | 一种车辆系统功能分析方法、装置、设备及介质 | |
CN109559343A (zh) | 用于容器的图像处理方法和装置 |
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 |