CN112512391A - 人工智能烹饪装置 - Google Patents

Abstract

本发明公开了一种人工智能烹饪装置。根据本发明的实施例的人工智能烹饪装置包括：加热部，其用于加热烹饪容器的内容物；振动传感器，其对所述烹饪容器的内容物的振动信号进行检测；以及处理器，其通过将与所述振动信号相对应的数据提供到人工智能模型，来获取与所述烹饪容器的内容物是否煮沸相关的信息，并且执行与获取到的所述信息相对应的控制。

Description

人工智能烹饪装置

技术领域

本发明涉及一种通过将烹饪容器的振动信号输入到人工智能模型，来能够对烹饪容器的内容物是否煮沸进行判断的人工智能烹饪装置。

背景技术

人工智能(artificial intelligence)是研究使计算机能够进行由人类的智能所实现的思考、学习、自主开发等的方法的计算机工学和信息技术的一个领域，其是指计算机能够模仿人类的智能性行动。

并且，人工智能并不存在于其本身，而是与计算机科学的其他领域存在有直接或间接的较多的关联。尤其是，现代的信息技术的多个领域中引入人工智能要素，并积极地展开着将人工智能应用到该领域的问题解决的尝试。

另外，积极地研究着利用人工智能来认知和学习周边的状况，并且将用户所需的信息以所需的形态提供，或者执行用户所意愿的动作或功能的技术。

此外，可以将提供这样的各种动作和功能的电子装置称为人工智能设备。

另外，在通过烹饪装置的动作持续地煮沸烹饪容器的内容物的情况下，可能会发生内容物的煮沸溢出、火灾等问题。此外，为了防止这样的问题，用户需要不断地确认内容物是否煮沸。

为了防止这样的不便之处，在韩国授权专利公报KR1390397B1、美国授权专利公报US6301521、美国授权专利公报US9395078等中，提示了对烹饪装置的内容物是否煮沸进行判断的技术。

在韩国授权专利公报KR1390397B1和美国授权专利公报US6301521中，提示了组合振动传感器、红外线传感器、重量传感器、声波传感器、光电传感器、定时器、声响传感器(acoustic sensor)、光学传感器、温度传感器等多种传感器的技术。但是，这样的技术中需要配备较多的传感器，并且存在有需要配备用于对由较多的传感器收集到的数据进行处理并组合的复杂的逻辑的缺点。

并且，美国授权专利公报US9395078中提示了按照时间顺序提取由针对内容物的加热所引起的振动信号的变化，并且通过分析各个步骤中的信号来判断内容物的煮沸与否的技术。但是，在定型化了的时间顺序的逻辑被打破的情况下，这样的技术发生误判的可能性非常大，并且存在只有在有限的条件(时间的流逝、外部噪音的构件)下才能使用的缺点。

发明内容

发明所要解决的问题

为了解决上述的问题，本发明的目的在于提供一种，通过将烹饪容器的振动信号输入到人工智能模型，来能够判断烹饪容器的内容物是否煮沸的人工智能烹饪装置。

解决问题的技术方案

本发明的一实施例的人工智能烹饪装置，其包括：加热部，其用于加热烹饪容器的内容物；振动传感器，其对所述烹饪容器的内容物的振动信号进行检测；以及处理器(processor)，其通过将与所述振动信号相对应的数据提供到人工智能模型，来获取与所述烹饪容器的内容物是否煮沸相关的信息，并且执行与获取到的所述信息相对应的控制。

发明效果

由于利用学习了因内容物煮沸而产生的振动的特征(强度、频率、模式(pattern))的人工智能模型来确定内容物的煮沸与否，因此具有能够提高针对煮沸与否的判断的准确度。

并且，根据本发明，将一定时间单位(例如，一秒)的数据输入到人工智能模型，并且人工智能模型仅仅考虑到当前的时间段的数据(即，无需一同考虑之前时间段的数据)也能判断煮沸与否。即，相比于按照时间顺序提取由振动信号的变化所产生的特征并检测煮沸的美国授权专利公报US9395078，存在有误判的可能性非常小且能够表现出更高的准确度的优点。

并且，根据本发明，存在有与内容物的种类、烹饪容器的种类、内容物的量等的变化无关地，也能实现准确的预测的优点。

并且，根据本发明，由于将振动信号以普通的信号处理方式进行处理之后输入到人工智能模型即可，因此具有能够使处理算法简单化的优点。

根据本发明，当与连续的多个时间段的数据对应而获取的多个信息全部表示烹饪容器的内容物正在煮沸时，将确定为烹饪容器的内容物正在煮沸，因此，具有能够进一步提高预测的准确度的优点。

根据本发明，由于检测内容物的煮沸与否并执行与其相对应的控制，因此，能够防止内容物的煮沸溢出、火灾等，并且能够防止因用户需要持续确认内容物是否煮沸所引起的不便之处。

根据本发明，具有仅仅利用用户的温度设定来便能执行适合于多种多样的烹饪方法的烹饪的优点。

根据本发明，振动传感器模块160容纳在本体11的内部空间。由此，能够使振动传感器610对感应加热烹饪装置1的外部所产生的振动信号(例如，因使用菜板、搅拌器等而引起的周边噪音等)进行检测的情形最小化。

并且，根据本发明，用于容纳振动传感器模块610的外部支架(holder)630连接在板12并被固定。由此，能够使振动传感器610对经由不是板12的其他结构而传递的振动信号(例如，经由本体12传递的振动)进行检测的情形最小化。

另外，根据本发明，外部支架630以紧贴在板12的底面15的方式配置，并围绕振动传感器610的侧部和下部。由此，能够使振动传感器610对外部所产生的振动信号(例如，因使用菜板、搅拌器等而引起的周边噪音等)进行检测的情形最小化。

根据本发明，利用加压机构的按压来将壳体紧贴在板12，由此能够使经由除了板12以外的其他渠道而传递的振动信号传递到振动传感器710的情形最小化。

附图说明

图1示出本发明的一实施例的AI装置100。

图2示出本发明的一实施例的AI服务器200。

图3示出本发明的一实施例的AI系统1。

图4是本发明的实施例的感应加热烹饪装置的立体图。

图5是图1的II-II`的剖视图。

图6是用于说明本发明的第一实施例的振动传感器模块106的分解立体图。

图7是用于说明本发明的又一实施例的振动传感器模块和加压机构的分解立体图。

图8是简略示出感应加热烹饪装置的电路结构的图。

图9是用于说明本发明的实施例的人工智能烹饪装置的动作方法的图。

图10是将内容物煮沸时的振动信号和内容物未煮沸时的振动信号以2D图像的形式图示化并示出的图。

图11是用于说明本发明的实施例的人工智能模型的生成方法的图。

图12是用于说明本发明的实施例的判断烹饪容器的内容物是否煮沸的方法的图。

图13是用于说明本发明的实施例的人工智能烹饪装置的内容物煮沸时间的动作的图。

图14是用于说明本发明的又一实施例的人工智能烹饪装置的动作方法的图。

具体实施方式

以下，参照附图对本说明书所揭示的实施例进行详细的说明，在此，与附图标记无关的对相同或类似的结构要素赋予相同的参照标记，并将省去对其重复的说明。在以下说明中使用的针对结构要素的接尾词“模块”及“部”仅是考虑到便于说明书的撰写而被赋予或混用，其自身并不带有相互区分的含义或作用。并且，在对本发明揭示的实施例进行说明的过程中，如果判断为对于相关的公知技术的具体说明会导致混淆本说明书所揭示的实施例的技术思想，则将省去对其详细的说明。并且，所附的附图仅是为了容易理解本说明书所揭示的实施例，不应由所附的附图来限定本发明所揭示的技术思想，而是应当涵盖了本发明的思想及技术范围中所包括的所有变更、均等物乃至替代物。

诸如第一、第二等包括序数的术语可以使用于说明多种多样的结构要素，但是所述结构要素并非由所述术语进行限定。所述术语仅作为将一个结构要素与其他结构要素相区别的目的而使用。

如果提及到某个结构要素“连接”或“接触”于另一结构要素，其可能是直接连接于或接触于另一结构要素，但也可被理解为是他们中间存在有其他结构要素。反之，如果提及到某个结构要素“直接连接”或“直接接触”于另一结构要素，则应当被理解为是他们之间不存在有其他结构要素。

<人工智能(AI：Artificial Intelligence)>

人工智能是指研究人工智能或者能够研制出该人工智能的方法论的领域；机器学习(机械学习，Machine Learning)是指，对在人工智能领域中涉及的多种多样的问题进行定义，并且研究用于解决其的方法论的领域。机器学习也可以被定义为，通过针对某个作业的不断的经验来提高针对该作业的性能的算法。

人工神经网络(ANN：Artificial Neural Network)为在机器学习中使用的模型，其可以是指由利用突触(synapse)的结合来形成网络的人工神经元(节点(node))构成的、具有问题解决能力的模型整体。人工神经网络可以由不同的层(layer)的神经元之间的连接模式、用于更新模型参数的学习过程、用于生成输出值的激活函数(ActivationFunction)定义。

人工神经网络可以包括输入层(Input Layer)、输出层(Output Layer)以及选择性的一个以上的隐藏层(Hidden Layer)。各个层包括一个以上的神经元，人工神经网络可以包括用于使神经元和神经元相连接的突触。在人工神经网络中，各个神经元可以输出通过突触来输入的输入信号、加权值、针对偏向的激活函数的函数值。

模型参数是指通过学习来决定的参数，其包括突触连接的加权值和神经元的偏向等。此外，超参数(hyperparameter)是指在机器学习算法中学习之前需要设定的参数，其包括学习率(Learning Rate)、反复次数、小批量大小、初始化函数等。

人工神经网络的学习的目的，可以被看作用于决定使损失函数最小化的模型参数。损失函数，可以在人工神经网络的学习过程中可以被利用为用于决定最佳的模型参数的指标。

机器学习可以根据学习方式分类为监督学习(Supervised Learning)、无监督学习(Unsupervised Learning)、强化学习(Reinforcement Learning)。

监督学习可以是指，在给出了针对学习数据的标签(label)的状态下，使人工神经网络进行学习的方法；标签可以是指，在学习数据输入到人工神经网络的情况下，人工神经网络需要推力出的正解(或者结果值)。无监督学习可以是指，在未给出针对学习数据的标签的状态下，使人工神经网络进行学习的方法。强化学习可以是，使在某个环境内被定义的代理(agent)进行学习，使得其在各个状态下选择用于使累积补偿最大化的行动或行动顺序的学习方法。

在人工神经网络中，将由包括多个隐藏层的深层神经网络(DNN：Deep NeuralNetwork)所实现的机器学习又称为深度学习(深层学习，Deep Learning)，深度学习为机器学习的一部分。以下，机器学习以包含深度学习的含义使用。

<机器人(Robot)>

机器人可以是指，自行利用其所具有的能力来自动地对给出的任务进行处理或运转的机械。尤其是，可以将具有识别环境并自行判断而执行动作的功能的机器人称为智能型机器人。

根据使用目的或领域，机器人分类为工业用、医疗用、家庭用、军事用等。

机器人具有包括致动器或马达的驱动部，从而能够执行用于使机器人关节进行移动等多种多样的物理性动作。并且，对于可移动的机器人而言，驱动部包括轮(wheel)、制动器、螺旋桨等，从而通过驱动部能够在地面上行驶或在空中飞行。

<自主行驶(Self-Driving)>

自主行驶是指自行行驶的技术，自主行驶车辆是指在没有用户操作的情况下，或者以用户的最小限度的操作而进行行驶的车辆(Vehicle)。

例如，自主行驶中可以都包括：用于保持行驶中的车线的技术、如自适应式巡航控制(adaptive cruise control)那样自动调节速度的技术、沿着设定的路径自动行驶的技术、若设定了目的地则自动设定路径并行驶的技术等。

车辆均包括只具有内燃机的车辆、内燃机和电动机全部具备的混合动力车辆、以及只具有电动机的电动车辆，并且除了汽车以外，还可以包括火车、摩托车等。

此时，自主行驶车辆可以被当作具有自主行驶功能的机器人。

<扩展现实(XR：eXtended Reality)>

扩展现实是虚拟现实(VR：Virtual Reality)、增强现实(AR：AugmentedReality)、混合现实(MR：Mixed Reality)的总称。VR技术将现实世界的客体或背景等只提供为CG影像，AR技术在实际物体影像上将以虚拟方式制成的CG影像一同提供，MR技术是在现实世界中混合虚拟客体并结合提供的计算机图形技术。

MR技术在将现实客体和虚拟客体一同呈现出的方面上与AR技术类似。但是，两者的区别在于，在AR技术中，虚拟客体以补充现实客体的形态使用，另一方面，在MR技术中，虚拟客体和现实客体以同等的性质使用。

XR技术可以应用于HMD(Head-Mount Display：头戴式荧屏显示器)、HUD(Head-UpDisplay：平视显示器)、手机、掌上PC、膝上型计算机、台式计算机、TV、数字标记等，可以将应用有XR技术的装置称为XR装置(XR Device)。

图1示出本发明的一实施例的AI装置100。

AI装置100可以由诸如TV、投影仪、手机、智能手机、台式计算机、笔记本、数字广播用终端、PDA(personal digital assistants：个人数字助理)、PMP(portable multimediaplayer：便携式多媒体播放器)、导航仪、掌上PC、可穿戴装置、机顶盒STB、DMB接收器、收音机、洗衣机、冰箱、台式计算机、数字标记、机器人、车辆等的固定型装置或可移动的装置等实现。

参照图1，终端100可以包括通信部110、输入部120、学习处理器130、检测部140、输出部150、存储器170以及处理器180等。

通信部110可以利用有线无线通信技术，与其他AI装置(100a至100e)或AI服务器200等的外部装置收发数据。例如，通信部110可以与外部装置收发传感器信息、用户输入、学习模型以及控制信号等。

此时，通信部110所利用的通信技术有GSM(Global System for Mobilecommunication：全球移动通信系统)、CDMA(Code Division Multi Access：码分多址)、LTE(Long Term Evolution：长期演进)、5G、WLAN(Wireless LAN：无线局域网)、Wi-Fi(Wireless-Fidelity：无线保真)、蓝牙(Bluetooth^TM)、RFID(Radio FrequencyIdentification：射频识别)、红外线通信(Infrared Data Association；IrDA)、ZigBee、NFC(Near Field Communication：近距离无线通信)等。

输入部120可以获取各种种类的数据。

此时，输入部120可以包括用于输入影像信号的摄像头、用于接收音频信号的麦克风、用于从用户输入信息的用户输入部等。其中，可以将摄像头或麦克风当作为传感器，由此也可以将由摄像头或麦克风获取到的信号称为检测数据或传感器信息。

输入部120可以利用用于进行模型学习的学习数据和学习模型，来获取在获取输出时将要使用的输入数据等。输入部120也可以获取未被加工的输入数据，在此情况下，处理器180或学习处理器130可以对输入数据进行预处理，由此提取输入特征点(inputfeature)。

学习处理器130可以利用学习数据，使由人工神经网络构成的模型进行学习。其中，可以将所学习的人工神经网络称为学习模型。学习模型可以在对不是学习数据的新的输入数据推断出结果值的情形中使用，并且，推断出的值可以作为用于执行某种动作的判断的基础而利用。

此时，学习处理器130可以与AI服务器200的学习处理器240一同执行AI处理。

此时，学习处理器130可以包括整合或实现在AI装置100的存储器。或者，学习处理器130也可以使用直接结合于存储器170、AI装置100的外部存储器、或保持在外部装置中的存储器来实现。

检测部140可以利用多种多样的传感器，来获取AI装置100的内部信息、AI装置100的周边环境信息以及用户信息中的一种以上。

此时，检测部140中包括的传感器可以有：接近传感器、照度传感器、加速度传感器、磁传感器、陀螺仪传感器、惯性传感器、RGB传感器、IR传感器、指纹识别传感器、超声波传感器、光传感器、麦克风、激光雷达、雷达等。

输出部150可以产生与视觉、听觉或触觉等相关的输出。

此时，在输出部150中可以包括用于输出视觉信息的显示器部、用于输出听觉信息的扬声器、输出触觉信息的触觉模块等。

存储器170可以存储用于支持AI装置100的多种多样的功能的数据。例如，存储器170可以存储由输入部120获取到的输入数据、学习数据、学习模型、学习历史等。

处理器180可以基于利用数据分析算法或机器学习算法来决定或所生成的信息，决定AI装置100的至少一个可执行的动作。此外，处理器180可以控制AI装置100的结构要素，由此执行所决定的动作。

为此，处理器180可以请求、检索、接收或应用学习处理器130或存储器170中的数据，并且可以对AI装置100的结构要素进行控制，以执行所述至少一个可执行的动作中的预测到的动作、或被判断为优选的动作。

此时，在为了执行所决定的动作而需要与外部装置进行联系的情况下，处理器180可以生成用于控制相应的外部装置的控制信号，并且将所生成的控制信号传送到相应的外部装置。

处理器180可以针对用户输入获取意图信息，并其基于获取到的意图信息而决定用户的要求事项。

此时，处理器180可以利用用于将语音输入变换为字符串的STT(Speech To Text：声转文)引擎、或用于获取自然语的意图信息的自然语言处理(NLP：Natural LanguageProcessing)引擎中的一种以上，来获取与用户输入相应的意图信息。

此时，STT引擎或NLP引擎中的至少一个以上，其至少一部分可以由根据机器学习算法而学习到的人工神经网络构成。此外，STT引擎或NLP引擎中的至少一个以上可以是，由学习处理器130学习到的，或者由AI服务器200的学习处理器240学习到的，或者由这些的分散处理学习到的。

处理器180可以收集包含AI装置100的动作内容或用户针对动作的反馈等的履历信息，并且将其存储在存储器170或学习处理器130，或者将其传送到AI服务器200等外部装置。收集到的履历信息，可以利用在更新学习模型中。

为了驱动存储于存储器170中的应用程序，处理器180可以对AI装置100的结构要素中的至少一部分进行控制。进一步，为了驱动所述应用程序，处理器180可以将AI装置100所包括的结构要素中的两个以上彼此组合并进行动作。

图2示出本发明的一实施例的AI服务器200。

参照图2，AI服务器200可以是指，利用机器学习算法来使人工神经网络进行学习，或者使用被学习的人工神经网络的装置。其中，AI服务器200可以由多个服务器构成并执行分散处理，也可以被定义为5G网络。此时，AI服务器200也可以作为AI装置100的一部分结构而包括在其中，并其一同执行AI处理中的至少一部分。

AI服务器200可以包括通信部210、存储器230、学习处理器240以及处理器260等。

通信部210可以与AI装置100等外部装置收发数据。

存储器230可以包括模型存储部231。模型存储部231可以通过学习处理器240来存储处于学习中的、或被学习的模型(或者人工神经网络231a)。

学习处理器240可以利用学习数据来使人工神经网络231a进行学习。学习模型可以在搭载于人工神经网络的AI服务器200的状态下使用，或者搭载于AI装置100等外部装置而使用。

学习模型可以由硬件、软件或者硬件和软件的组合实现。在学习模型的一部分或全部由软件实现的情况下，构成学习模型的一个以上的命令(instruction)可以存储在存储器230。

处理器260可以利用学习模型来对新的输入数据推断出结果值，并且生成以所推断出的结果值作为基础的响应或控制命令。

图3示出本发明的一实施例的AI系统1。

参照图3，在AI系统1中，AI服务器200、机器人100a、自主行驶车辆100b、XR装置100c、智能手机100d或家用电器100e中的至少一种以上与云网络10相连接。其中，可以将应用了AI技术的机器人100a、自主行驶车辆100b、XR装置100c、智能手机100d或家用电器100e等称为AI装置(100a至100e)。

云网络10可以是指，构成云计算基础网(computing infra)的一部分，或者存在于云计算基础网内的网络。其中，云网络10可以利用3G网络、4G、LTE(Long Term Evolution：长期演进)网络或5G网络等来构成。

即，构成AI系统1的各个装置(100a至100e，200)可以经由云网络10彼此连接。尤其是，各个装置(100a至100e，200)可以经由基站彼此进行通信，但是，也可以不经由基站直接彼此进行通信。

AI服务器200可以包括：执行AI处理的服务器；和执行与大数据相关的运算的服务器。

AI服务器200可以经由云网络10而与作为构成AI系统1的AI装置的机器人100a、自主行驶车辆100b、XR装置100c、智能手机100d或家用电器100e中的至少一种以上相连接，并且有助于所连接的AI装置(100a至100e)的AI处理的至少一部分。

此时，AI服务器200可以代替AI装置(100a至100e)，根据机器学习算法而使人工神经网络进行学习，并且可以直接存储学习模型，或者将其传送给AI装置(100a至100e)。

此时，AI服务器200可以从AI装置(100a至100e)接收输入数据，利用学习模型来对所接收的输入数据推断出结果值，并且生成以所推断出的结果值为基础的响应或控制命令，并将其传送到AI装置(100a至100e)。

或者，AI装置(100a至100e)也可以直接利用学习模型来对输入数据推断出结果值，并生成以所推断出的结果值为基础的响应或控制命令。

以下，对适用了上述的技术的AI装置(100a至100e)的多种多样的实施例进行说明。其中，图3所示的AI装置(100a至100e)可以看作是图1所示的AI装置100的具体的实施例。

<AI+机器人>

机器人100a可以采用AI技术，从而可以以向导机器人、搬运机器人、清扫机器人、可穿戴机器人、娱乐机器人、宠物机器人、无人飞行机器人等实现。

机器人100a可以包括用于控制动作的机器人控制模块，机器人控制模块可以是指软件模块或用硬件实现所述软件模块的芯片。

机器人100a可以利用由多种多样的种类的传感器获取到的传感器信息，来获取机器人100a的状态信息，或者检测(识别)周边环境和客体，或者生成地图数据，或者确定移动路径和行驶计划，或者确定针对用户的相互作用的响应，或者确定动作。

其中，为了确定移动路径和行驶计划，机器人100a可以利用从激光雷达、雷达、摄像头中的一种以上的传感器获取的传感器信息。

机器人100a可以利用至少由一个以上的人工神经网络而构成的学习模型，来执行上述的动作。例如，机器人100a可以利用学习模型来识别周边环境和客体，并且可以利用被识别到的周边环境信息或客体信息来确定动作。其中，学习模型可以是，直接在机器人100a中学习的，或者在AI服务器200等外部装置中学习的。

此时，机器人100a可以直接利用学习模型来生成结果，并执行动作，但是，向AI服务器200等外部装置传送传感器信息，并且接收基于其生成的结果而执行动作也可。

机器人100a可以利用地图数据、由传感器信息检测到的客体信息、或者从外部装置获取到的客体信息中的一种以上，来确定移动路径和行驶计划，并且，通过控制驱动部来使机器人100a按照所确定的移动路径和行驶计划进行行驶。

在地图数据中，可以包含针对配置于机器人100a进行移动的空间中的各种客体的客体识别信息。例如，地图数据中可以包含关于墙、门等固定客体以及花盆、书桌等可移动客体的客体识别信息。此外，客体识别信息可以包含名称、种类、距离、位置等。

并且，机器人100a可以基于用户的控制/相互作用而控制驱动部，从而执行动作或行驶。此时，机器人100a可以获取与用户的动作或语音发话相对应的相互作用的意图信息，并且基于获取到的意图信息而确定响应，从而可以执行动作。

<AI+自主行驶>

自主行驶车辆100b可以采用AI技术，从而可以以移动型机器人、车辆、无人飞行器等实现。

自主行驶车辆100b可以包括用于对自主行驶功能进行的自主行驶控制模块，自主行驶控制模块可以设置软件模块或用硬件实现所述软件模块的芯片。自主行驶控制模块可以作为自主行驶车辆100b的结构元件包括在其内部，但是，也可以在自主行驶车辆100b的外部构成为额外的硬件并连接。

自主行驶车辆100b可以利用从各种类型的传感器获取到的传感器信息，来获取自主行驶车辆100b的状态信息，或者检测(识别)周边环境和客体，或者生成地图数据，或者确定移动路径和行驶计划，或者确定动作。

其中，自主行驶车辆100b为了确定移动路径和行驶计划，与机器人100a同样地，可以利用由激光雷达、雷达、摄像头中的一种以上的传感器获取到的传感器信息。

尤其是，针对视野被遮挡的区域、或一定距离以上的区域的环境或客体，自主行驶车辆100b可以从外部装置接收传感器信息并进行识别，或者从外部装置直接接收被识别到的信息。

自主行驶车辆100b可以利用至少由一个以上的人工神经网络而构成的学习模型，执行上述的动作。例如，自主行驶车辆100b可以利用学习模型来识别周边环境和客体，并且可以利用被识别到的周边环境信息或客体信息来确定行驶路线。其中，学习模型可以是，直接在自主行驶车辆100b中学习的，或者在AI服务器200等外部装置中学习的。

此时，自主行驶车辆100b可以直接利用学习模型来生成结果，并执行动作，但是，向AI服务器200等外部装置传送传感器信息，并且接收基于其生成的结果而执行动作也可。

自主行驶车辆100b可以利用地图数据、由传感器信息检测到的客体信息从外部装置获取到的客体信息中的一种以上，来确定移动路径和行驶计划，并且，通过控制驱动部来使自主行驶车辆100b按照所确定的移动路径和行驶计划进行行驶。

在地图数据中，可以包含与配置于自主行驶车辆100b进行行驶的空间(例如，道路)中的各种客体相关的客体识别信息。例如，地图数据中可以包含关于路灯、岩石、建筑物等固定客体以及车辆、行人等可移动客体的客体识别信息。此外，客体识别信息中可以包含名称、种类、距离、位置等。

并且，自主行驶车辆100b可以基于用户的控制/相互作用而控制驱动部，从而执行动作或行驶。此时，自主行驶车辆100b可以获取与用户的动作或语音发话相对应的相互作用的意图信息，并且基于所获取到的意图信息而确定响应，从而可以执行动作。

<AI+XR>

XR装置100c可以采用AI技术，从而可以以HMD(Head-Mount Display：头戴式荧屏显示器)、设置在车辆的HUD(Head-Up Display：平视显示器)、电视、手机、智能手机、计算机、可穿戴设备、家电装置、数字标记、车辆、固定型机器人或移动型机器人等实现。

XR装置100c可以对通过多种多样的传感器或从外部装置获取到的三维点云数据或图像数据进行分析，来生成三维点相关的位置数据和属性数据，从而获取针对周边空间或现实客体的信息，并且对将要输出的XR客体进行渲染并输出。例如，XR装置100c可以将XR客体(其包含针对识别到的物体的追加信息)对应于所述被识别的物体而输出。

XR装置100c可以利用至少由一个以上的人工神经网络而构成的学习模型，来执行上述的动作。例如，XR装置100c可以利用学习模型来从三维点云数据或图像数据中识别出现实客体，并且提供与所识别到的现实客体相应的信息。其中，学习模型可以是，直接从XR装置100c进行学习的，或者在AI服务器200等外部装置中学习的。

此时，XR装置100c可以直接利用学习模型来生成结果，并执行动作，但是，向AI服务器200等外部装置传送传感器信息，并且接收基于其生成的结果而执行动作也可。

<AI+机器人+自主行驶>

机器人100a可以采用AI技术及自主行驶技术，从而可以以向导机器人、搬运机器人、清扫机器人、可穿戴机器人、娱乐机器人、宠物机器人、无人飞行机器人等实现。

采用了AI技术和自主行驶技术的机器人100a，可以是指具有自主行驶功能的机器人本身、或与自主行驶车辆100b进行相互作用的机器人100a等。

具有自主行驶功能的机器人100a可以是，在没有用户控制的情况下也能沿着指定的路线自行进行移动，或者自行地确定路线并进行移动的装置的统称。

为了确定移动路径或行驶计划中的一种以上，具有自主行驶功能的机器人100a和自主行驶车辆100b可以使用共同的检测方法。例如，具有自主行驶功能的机器人100a和自主行驶车辆100b，可以利用由激光雷达、雷达、摄像头检测到的信息，来确定移动路径或行驶计划中的一种以上。

与自主行驶车辆100b进行相互作用的机器人100a，可以与自主行驶车辆100b独立地存在，并且执行在自主行驶车辆100b的内部与自主行驶功能联系、或与搭乘于自主行驶车辆100b中的用户联系的动作。

此时，与自主行驶车辆100b进行相互作用的机器人100a可以代替自主行驶车辆100b而获取传感器信息，并将其提供给自主行驶车辆100b，或者获取传感器信息而生成周边环境信息或客体信息，并将其提供给自主行驶车辆100b，从而控制或辅助自主行驶车辆100b的自主行驶功能。

或者，与自主行驶车辆100b进行相互作用的机器人100a，可以通过监控搭乘于自主行驶车辆100b中的用户或与用户之间的相互作用，来控制自主行驶车辆100b的功能。例如，机器人100a在判断为驾驶者处于瞌睡状态的情况下，可以激活自主行驶车辆100b的自主行驶功能，或者辅助自主行驶车辆100b的驱动部的控制。其中，由机器人100a控制的自主行驶车辆100b的功能，不仅单纯地包含自主行驶功能，还可以包含由设置于自主行驶车辆100b内部的导航系统或音频系统所提供的功能。

或者，与自主行驶车辆100b进行相互作用的机器人100a，可以在自主行驶车辆100b的外部将信息或辅助其功能提供给自主行驶车辆100b。例如，如智能信号灯那样，机器人100a可以向自主行驶车辆100b提供包含信号信息等的交通信息，如电动车辆的自动电充电器那样，与自主行驶车辆100b进行相互作用而将电充电器自动地连接到充电端口。

<AI+机器人+XR>

机器人100a可以采用AI技术及XR技术，从而可以以向导机器人、搬运机器人、清扫机器人、可穿戴机器人、娱乐机器人、宠物机器人、无人飞行机器人、无人机等实现。

应用了XR技术的机器人100a，可以是指作为XR影像内的控制/相互作用的对象的机器人。在此情况下，机器人100a可以与XR装置100c区分并彼此进行联动。

作为在XR影像内的控制/相互作用的对象的机器人100a，在从包括摄像头的传感器获取到传感器信息时，机器人100a或XR装置100c可以生成基于传感器信息的XR影像，XR装置100c可以输出所生成的XR影像。此外，这样的机器人100a可以以经由XR装置100c而输入的控制信号或用户的相互作用作为基础进行动作。

例如，用户可以通过XR装置100c等的外部装置来确认与以远程的方式联动的机器人100a的时点相应的XR影像，并且可以通过相互作用来对机器人100a的自主行驶路径进行调整，或者控制动作或行驶，或者确认周边客体的信息。

<AI+自主行驶+XR>

自主行驶车辆100b可以采用AI技术及XR技术，从而可以以移动型机器人、车辆、无人飞行器等实现。

应用了XR技术的自主行驶车辆100b，可以是指具备用于提供XR影像的单元的自主行驶车辆，或者作为在XR影像内的控制/相互作用的对象的自主行驶车辆等。尤其是，作为在XR影像内的控制/相互作用的对象的自主行驶车辆100b，可以区别于XR装置100c而彼此进行联动。

具备用于提供XR影像的单元的自主行驶车辆100b，可以从包括摄像头的传感器获取到传感器信息，并且输出基于所获取的传感器信息而生成的XR影像。例如，自主行驶车辆100b通过具备HUD并输出XR影像，由此能够向搭乘者提供与现实客体或画面内的客体相对应的XR客体。

此时，在XR客体输出于HUD的情况下，可以以XR客体的至少一部分与面向搭乘者视线的实际客体重叠的方式输出。另一方面，在XR客体输出于显示器(其设置于自主行驶车辆100b的内部)的情况下，可以以XR客体的至少一部分与画面内的客体重叠的方式输出。例如，自主行驶车辆100b可以输出与诸如车道、其他车辆、信号灯、交通标识牌、二轮车、行人、建筑物等客体相对应的XR客体。

作为在XR影像内的控制/相互作用的对象的自主行驶车辆100b，若从包括摄像头的传感器获取到传感器信息，则自主行驶车辆100b或XR装置100c可以生成基于传感器信息的XR影像，并且，XR装置100c输出所生成的XR影像。此外，这样的自主行驶车辆100b可以以经由XR装置100c等外部装置而输入的控制信号或用户的相互作用作为基础而进行动作。

图4至图8是用于说明本发明的实施例的人工智能烹饪装置的图。

以下，以感应加热烹饪装置为一例，对人工智能烹饪装置进行说明。

感应加热烹饪装置是，将高频电流流向工作线圈(Working Coil)或加热线圈，当由此所产生的强力的磁力线经过负载(或者，烹饪容器)时，通过使涡流电流(EddyCurrent)流动而使容器自身加热的方式来执行烹饪功能的电烹饪装置。

对这样的感应加热烹饪装置的基本加热原理进行描述，随着向加热线圈施加电流，作为磁性体的加热负载通过感应(Induction)加热来生成热量，在如次生成的热量的作用下，加热负载自身被加热，从而进行烹饪。

感应加热烹饪装置中所使用的逆变器，起到向加热线圈中施加的电压进行切换，以在加热线圈中流动有高频电流的作用。逆变器通过驱动通常由IGBT(Insulated GateBipolar Transistor：绝缘栅双极晶体管)构成的开关元件，来使高频电流流向加热线圈，从而在加热线圈中形成高频磁场。

图4是本发明的实施例的感应加热烹饪装置的立体图。

感应加热烹饪装置，可以包括：本体11；板12；加热区域，其设置于板12并用于放置加热负载，并可以对所述加热负载进行加热；操作部，其通过用户用于对感应加热烹饪装置的动作进行控制。

其中，板(plate)12可以是用于形成本体的上部外观的上板。

参照图4，感应加热烹饪装置1可以包括本体11，所述本体11形成用于内置多个部件的内部空间。所述本体11可以形成所述感应加热烹饪装置1的下侧外观。

所述本体11还可以包括加热部100，所述加热部100通过产生磁场来提供热源。

并且，所述本体11还可以包括：处理器180，其用于控制所述加热部100；供电部(图8的附图标记17)，其用于向所述加热部100和所述处理器180中的至少一个供应电源。所述处理器180可以以后述的操作部13的信号作为基础而进行运转。此外，所述处理器180可以将所述供电部17的电源传送到所述加热部100。

若向所述加热部100供应电源，则在从所述加热部100中所产生的磁场的作用下，放置于所述板12的烹饪容器可以被加热。此外，盛放于所述烹饪容器中的内容物(例如，水、食物等)可以被烹饪。作为一例，所述烹饪容器的至少一部分可以由铁(iron)、钢(steel)等磁性体构成。

另外，所述板12可以形成为具有规定的厚度。作为一例，所述板12可以由陶瓷材料的热钢化玻璃形成，从而具有较强的耐热性质。

在与所述加热部100对应的所述板12的上部面，可以形成有用于执行烹饪的加热区域102。当所述烹饪容器安置在所述加热区域102时，可以加热所述烹饪容器中的内容物。所述加热区域102可以形成为与所述加热部100的大小相对应的大小。

在所述板12，可以形成有引导线(guide line)101，所述引导线101用于对所述烹饪容器进行引导，使得所述烹饪容易能够安置于所述加热区域102的正确位置。

另外，在所述加热部100设置有多个的情况下，所述引导线110可以设置有与所述加热部的数量对应的数量。所述引导线101可以形成为与所述加热区域的外围部相同，或者形成为更大。

所述板12可以包括用于对所述处理器180的动作进行控制的操作部13。所述操作部13可以应用为按键、旋钮以及触摸屏等多种多样的方式。由此，用户可以利用所述操作部13来将所述感应加热烹饪装置1设定成与所需的目的匹配。作为一例，用户可以利用所述操作部13来确定所述加热部100的加热等级(或者，加热强度)。此外，所述加热部100可以以设定的加热等级进行运转。所述加热部100的加热等级，可以由施加于所述加热部100的磁场的强度而确定。

所述板12还可以包括显示部14，所述显示部14是用于显示所述加热部100和安置于所述加热部100的负载的信息和状态的单元。所述显示部14可以显示输入到所述操作部13中的信息。作为一例，在所述显示部14中可以显示经由所述操作部13而设定的所述加热部100的加热等级。

并且，在所述感应加热烹饪装置1的烹饪中断，或者所述感应加热烹饪装置1的状态发生异常的情况下，所述显示部14可以显示能够使用户识别到的消息。

另外，振动传感器模块160可以配置在与加热区域102不同的区域，并且能够对板12的振动进行检测。与此相关的内容将在后面进行具体的说明。

图5是图1的II-II`的剖视图，图8是简略地示出感应加热烹饪装置的电路结构的图。

所述加热部100，可以包括作为电感应加热要素的工作线圈(working coil)103。若电流施加于所述工作线圈103，则作为磁性体的加热负载因感应(Induction)加热而生成热量，并且加热负载可以被所生成的热量加热，由此可以执行烹饪。

另外，为了向所述工作线圈103供应电流，所述本体11可以包括功率转换装置，所述功率转换装置用于对从供电部17提供的电源进行变换，并将其供应到加热部100。其中，功率转换装置可以是逆变器19，逆变器19可以对施加于工作线圈103的电压进行切换。此外，在所述逆变器19的作用下，高频电流可以流向所述工作线圈103中。

并且，为了供应用于驱动所述逆变器19的电源，所述本体11还可以包括整流部18，所述整流部18用于整流由供电部17供应的电源。另外，逆变器19可以被所述处理器180控制，从而切换所接通的电源。

综上所述，所述整流部18可以将从所述供电部17供应的电源整流为用于向所述逆变器19供应的电源。此外，被所述整流部18整流的电源可以施加到所述逆变器19。为了使高频电流流向工作线圈103中，所述逆变器19可以对施加于所述工作线圈103中的电压进行切换。由此，在工作线圈103可以形成高频磁场。此外，在安置于所述加热区域102的加热负载流动有涡流电流(eddy current)，从而能够执行烹饪。

在板12的下部，可以配置有振动传感器模块106。

并且，振动传感器模块160可以配置在与加热区域102不同的区域，即配置在未配置有加热部的区域。另外，在烹饪容器安置于加热区域102并产生振动的情况下，振动信号可以经由板12传递到振动传感器模块106。

图6是用于说明本发明的第一实施例的振动传感器模块106的分解立体图。

一同参照图5进行说明。

感应加热烹饪装置1可以包括振动传感器模块106。

振动传感器模块160可以容纳于本体11的内部空间。具体而言，振动传感器模块160可以配置于形成在板12和本体11之间的空间。由此，能够使振动传感器610对由感应加热烹饪装置1的外部所产生的振动信号进行检测的情形最小化。

另外，振动传感器模块160可以包括振动传感器610和外部支架630。

外部支架630可以配置在板12的下部。在此情况下，外部支架630可以与板12的底面相接触。

具体而言，外部支架630可以连接于板12的底面15并固定，在此情况下，外部支架630的顶面可以与板12的底面15相接触。另外，感应加热烹饪装置1可以包括紧固构件(未图示)，所述紧固构件用于将外部支架630与板12的底面15相连接并固定。

另外，虽然对外部支架630与板12的底面15相连接而被固定的情况进行了说明，但本发明并不限于此，外部支架630可以与板12的底面15隔开而配置。在此情况下，感应加热烹饪装置1可以包括紧固构件(未图示)，所述紧固构件用于将板12或本体11与外部支架630相连接，并且支撑外部支架630。

另外，振动传感器610可以容纳于外部支架630。并且，外部支架630的顶面可以开放，使得振动传感器610的顶面与板12的底面15相向。其中，外部支架630的顶面开放，可以是指外部支架630的顶面整体被开放，也可以指示外部支架630的顶面一部分开放。

在此情况下，振动传感器610的顶面可以与板12的底面15隔开，振动传感器610的顶面也可以与板12的底面15相接触。

另外，外部支架630可以围绕振动传感器610的侧部和下部。在此情况下，外部支架630可以与振动传感器610隔开并围绕振动传感器610，也可以与振动传感器610接触并围绕振动传感器610。其中，围绕振动传感器610的侧部和下部，可以是指围绕振动传感器610的侧部和下部整体，也可以指示围绕振动传感器610的侧部和下部的一部分。

在外部支架630与振动传感器610隔开并围绕振动传感器610的情况下，振动传感器模块106还可以包括连接件(connector)，所述连接件与外部支架和振动传感器相连接，并支撑振动传感器。

另外，振动传感器模块160还可以包括内部支架(inner holder)620和连接件640。

振动传感器610可以容纳于内部支架620。在此情况下，内部支架620可以绕振动传感器610的侧部和下部。其中，围绕振动传感器610的侧部和下部，可以是指围绕振动传感器610的侧部和下部整体，也可以是指围绕振动传感器610的侧部和下部的一部分。

另外，内部支架620可以由弹性材料构成。由此，内部支架620可以减少除了经由板12而接收到的振动信号以外的其他振动信号传递到振动传感器610的情形。

外部支架630可以具有中空结构，内部支架620可以容纳于外部支架630的内部空间。在此情况下，连接件640可以将外部支架630和内部支架620相连接，并支撑内部支架620。

另外，外部支架630可以包括下部支架631和上部支架632。

上部支架632可以包括容纳部650。其中，容纳部650可以为孔(hole)形状，内部支架620可以容纳在容纳部620的内部。

另外，下部支架631可以具有中空结构，连接件640可以配置于下部支架631的内部空间。此外，连接件640可以连接于内部支架620和下部支架631，并支撑内部支架620。

另外，在内部支架620和外部支架630可以形成有开口660，所述开口660用于将振动传感器610的侧面或底面的一部分露出到振动传感器模块106的外部。在此情况下，可以形成有经由开口660而使振动传感器610和处理器180相连接的配线。

根据本发明，振动传感器模块160容纳在本体11的内部空间。由此，能够使振动传感器610对由感应加热烹饪装置1的外部所产生的振动信号(例如，因使用菜板、搅拌器等而引起的周边噪音等)进行检测的情形最小化。

并且，根据本发明，用于容纳振动传感器模块610的外部支架630连接并固定于板12。由此，能够使振动传感器610对经由不是板12的其他结构而传递的振动信号(例如，经由本体12传递的振动)进行检测的情形最小化。

另外，根据本发明，外部支架630紧贴在板12的底面15而配置，并围绕振动传感器610的侧部和下部。由此，能够使振动传感器610对由外部所产生的振动信号(例如，由使用菜板、搅拌器等而引起的周边噪音等)进行检测的情形最小化。

图7是用于说明本发明的又一实施例的振动传感器模块和加压机构的分解立体图。

一同参照图5进行说明。

振动传感器模块700可以包括：振动传感器710和用于容纳振动传感器710的壳体720。

振动传感器710可以容纳在壳体720。在此情况下，壳体720可以包括容纳部721，振动传感器710可以容纳在容纳部721。

并且，壳体720可以围绕振动传感器710的侧部和下部。并且，壳体720的顶面可以开放，使得振动传感器710的顶面与板12的底面15相对。在此情况下，振动传感器710的顶面可以与板12的底面15隔开，振动传感器610的顶面也可以与板12的底面15相接触。

另外，加压机构800可以包括弹簧750、弹簧支撑件(supporter)760以及弹簧壳体740。

弹簧支撑件760可以连接于本体11的下板16。并且，弹簧750可以安装在弹簧支撑件760，在此情况下，弹簧支撑件760可以支撑弹簧750，使得弹簧750朝向上板12的方向。

另外，弹簧壳体740可以包括弹簧容纳部741。在此情况下，弹簧750的一部分可以容纳在弹簧容纳部741。

另外，加压机构800可以朝向上板12的方向按压振动传感器模块700。

具体而言，振动传感器模块700可以配置在弹簧壳体740的上部，由弹簧750的弹性力所产生的压力可以沿着配置有上板12的方向产生作用。此外，弹簧750的弹性力可以传递到振动传感器模块700，使得振动传感器模块700朝向配置有上板12的方向被按压。在此情况下，振动传感器模块700可以与加压机构800直接连接，也可以在两者之间设有振动吸收机构730而间接连接。

另外，壳体720可以配置在板12的下部。在此情况下，壳体720可以在加压机构800的压力的作用下与板12的底面相接触。

根据如上所述的本结构，利用加压机构800的压力来将壳体紧贴在板12，从而具有能够使经由板12以外的其他渠道而传递的振动信号向振动传感器710传递的情形最小化的优点。

另外，振动吸收机构730可以由橡胶等弹性体构成。并且，振动吸收机构730可以吸收经由下板16传递而至的振动信号，从而能够防止所述振动信号传递到振动传感器710。

另外，以感应加热烹饪装置为一例，对人工智能烹饪装置进行了说明，但本发明并不限于此。

例如，本发明中说明的人工智能烹饪装置可以适用于燃气炉、电炉、烤箱、微波炉、感应炉、混合加热器(hybrid)、高光加热器(highlight)等能够加热烹饪容器的内容物的所有产品。

另外，人工智能烹饪装置可以包括图1所述的AI装置100的结构元素的一部分或全部，并且能够执行AI装置100所执行的功能。

图9是用于说明本发明的实施例的人工智能烹饪装置的动作方法的图。

本发明的实施例的人工智能烹饪装置的动作方法可以包括：对烹饪容器的内容物的振动信号进行检测的步骤S910；通过将对应于振动信号的数据提供到人工智能模型，来获取与烹饪容器的内容物是否煮沸相关的信息的步骤S930；以及执行与获取到的信息相对应的控制的步骤S950。

首先，对振动信号进行说明。

振动信号可以是指，随着烹饪容器的内容物被加热而产生的物理振动。

此外，对于振动信号而言，根据烹饪容器的内容物的温度，其振动的强度、频率以及模式(pattern)中的至少一种变得不同。因此，在烹饪容器的内容物被煮沸的情况下，振动信号将可以呈现出固有的特色。

图10是将内容物煮沸时的振动信号和内容物未被煮沸时的振动信号以2D图像的形式图像化并示出的图。

图10a、图10b、图10c、图10d、图10e中，将烹饪容器的大小和内容物的种类、内容物的量形成为不同的五个样品的振动信号以2D图像进行了图示化。

此外，左侧图像是内容物未被煮沸时由内容物所产生的振动信号，而右侧图像是内容物处于煮沸时由内容物所产生的振动信号。

例如，图10a的左侧图像是盛放于第一烹饪容器中的水被煮沸之前检测到的振动信号，图10a的右侧图像是盛放于第一烹饪容器中的水正被煮沸的过程中检测到的振动信号。作为另一例，图10b的左侧图像是盛放于第二烹饪容器中的汤被煮沸之前检测到的振动信号，而图10b的右侧图像是盛放于第二烹饪容器中的汤正被煮沸的过程中检测到的振动信号。

参照图10，可以确认到内容物被煮沸时或内容物未被煮沸时的振动信号呈现出不同的特性，这起因于振动的强度、频率以及模式中的至少一种根据烹饪容器的内容物的温度而会变得不同。

因此，如果能够提取内容物被煮沸时的振动信号的特征并对其进行分析，则仅仅利用振动信号来就能够对内容物进行煮沸或未煮沸进行判断。

图11是用于说明本发明的实施例的人工智能模型的生成方法的图。

首先，对人工智能进行简单的说明。

人工智能(artificial intelligence，AI)是研究使计算机能够进行由人类的智能所实现的思考、学习、自主开发等的方法的计算机工学和信息技术的一个领域，其是指计算机能够模仿人类的智能性行动。

并且，人工智能并不存在于其本身，而是与计算机科学的其他领域存在有直接或间接的较多的关联。尤其是，现代的信息技术的多个领域中引入人工智能要素，并积极地展开着将人工智能应用到该领域的问题解决的尝试。

机器学习(machine learning)为人工智能的一个领域，其为向计算机赋予在没有明示的程序的情况下能够进行学习的能力的研究领域。

具体而言，机器学习可以是指，研究和构建基于经验数据进行学习并执行预测，并且提高自身性能的系统以及用于该系统的算法的技术。机器学习的算法并不执行严格定义了的静态的程序命令，而是采取构建特定模型，以将输入数据为基础而进行预测或激发决策的方式。

术语“机器学习”可以与术语“机械学习”混用。

在机械学习中，针对如何分类数据，已经开发了许多的机械学习算法。其典型例子包括决策树(Decision Tree)或贝叶斯网络(Bayesian network)、支持向量机(supportvector machine，SVM)以及人工神经网络(Artificial neural network)等。

决策树是，通过将决策规则(Decision Rule)以树结构进行图表化来执行分类和预测的分析方法。

贝叶斯网络是，以图表结构表示多个变量之间的概率关系(条件独立性：conditional independence)的模型。贝叶斯网络适合于基于无监督学习(unsupervisedlearning)的数据挖掘(data mining)。

支持向量机，用于进行模式识别(pattern recognition)和数据分析的监督学习(supervised learning)的模型，主要用于分类和回归分析。

人工神经网络是生物神经元的工作原理和神经元之间的连接关系的模型，并且是被称为节点(node)或处理元素(processing element)的多个神经元以层(Layer)结构的形式连接的信息处理系统。

人工神经网络是在机械学习中所使用的模型，是一种受机械学习和认知科学中的生物学神经网络(尤其是动物的中枢神经系统中的大脑)启发的统计学习算法。

具体而言，人工神经网络可以表示一个整体模型，其中，由突触(synapse)的结合而形成网络的人工神经元(节点)通过学习来改变突触的结合强度，从而具有解决问题能力。

术语“人工神经网络”可以与术语神经网络(Neural Network)混用。

人工神经网络可以包括多个层(layer)，每个层可以包括多个神经元。并且，人工神经网络可以包括使神经元和神经元相连接的突触。

人工神经网络通常可以由以下三个因素定义，即，(1)不同的层(layer)的神经元之间的连接模式，(2)对连接的权重进行更新的学习过程，以及(3)对从之前的层(layer)接收到的输入进行加权求和，由此生成输出值的激活函数。

人工神经网络可以包括诸如深度神经网络(DNN：Deep Neural Network)、递归神经网络(RNN：Recurrent Neural Network)、双向递归深度神经网络(BRDNN：BidirectionalRecurrent Deep Neural Network)、多层感知器(MLP：Multilayer Perceptron)、卷积神经网络(CNN：Convolutional Neural Network)方式的网络模型，但并不限于此。

本说明书中，术语“层”可以与术语“阶层”混用。

根据阶层数，人工神经网络分为单层神经网络(Single Layer Neural Networks)和多层神经网络(Multi Layer Neural Networks)。

通常的单层神经网络由输入层和输出层构成。

并且，通常的多层神经网络由输入层(Input Layer)和一个以上的隐藏层(HiddenLayer)、输出层(Output Layer)构成。

输入层是接收外部的数据的层，输入层的神经元数量与所输入的变量的数量相同，隐藏层位于输入层和输出层之间，所述隐藏层从输入层接收信号并提取特征，然后传输到输出层。输出层从隐藏层接收信号，并输出基于所接收到的信号的输出值。神经元之间的输入信号与各自的连接强度(加权值)相乘之后被求和，若该值大于神经元的临界值，则神经元被激活，并且输出通过激活函数来获取到的输出值。

另外，在输入层和输出层之间包括多个隐藏层的深度神经网络可以是实现作为机械学习技术的一种类型的深度学习的典型的人工神经网络。

另外，术语“深度学习”可以与术语“深层学习”混用。

人工神经网络可以利用训练数据(training data)进行学习(training)。在此，学习可以是指，为了实现对输入数据进行分类(classification)、回归分析(regression)或聚类(clustering)等目的，利用学习数据确定人工神经网络的参数(parameter)的过程。作为人工神经网络的参数的典型例子，可以举出赋予突触的权重(weight)或应用于神经元的偏差(bias)。

通过训练数据来学习到的人工神经网络可以根据输入数据所具有的模式对输入数据进行分类或聚类。

另外，，在本说明书中，可以将利用训练数据来学习了的人工神经网络称为学习模型(a trained model)。

接着，对人工神经网络的学习方式进行描述。

人工神经网络的学习方式可以大体上划分为监督学习、无监督学习、半监督学习(semi-supervised learning)以及强化学习(Reinforcement learning)。

监督学习是，一种用于从训练数据(Training Data)推导出一个函数的机械学习(Machine Learning)中的方法

此外，在以如上所述的方式推导出的函数中，输出连续值可以被称为回归分析(Regression)，预测输入向量的类别(class)并输出可以被称为分类(Classification)。

在监督学习中，在提供了针对训练数据的标签(label)的状态下，使人工神经网络进行学习。

其中，标签可以表示，当训练数据被输入到人工神经网络时，由人工神经网络需要推断出正确答案(或结果值)。

本说明书中，当训练数据被输入时，由人工神经网络需要推断出的正确答案(或结果值)被称为标签或标记数据(labeling data)。

并且，本说明书中，将为了使人工神经网络进行学习而向训练数据设定标签称为，在训练数据标记(labeling)标记数据。

在此情况下，训练数据和与训练数据相对应的标签构成一个训练集(trainingset)，并且可以以训练集的形式输入到人工神经网络。

另外，训练数据表示多个特征(feature)，在训练数据标记出标签可以是指在训练数据所表示的特征标有标签。在该情况下，训练数据可以以向量形式表示输入个体的特征。

人工神经网络可以利用训练数据和标记数据来推导出针对训练数据和标记数据之间的关联关系的函数。并且，人工神经网络可以通过对推导出的函数的评价来确定(最优化)人工神经网络的参数。

无监督学习作为机械学习中的一种，其不存在针对训练数据的标签。

具体而言，无监督学习可以是，使人工神经网络进行学习的学习方法，以在训练数据本身寻找模式并进行分类，而不是训练数据和与训练数据相对应的标签之间的关联关系。

作为无监督学习的例子，可以举出聚类(Clustering)或独立成分分析。

本说明书中，术语“集群化”可以与术语“聚类(Clustering)”混用。

作为利用无监督学习的人工神经网络的一例，可以举出生成对抗神经网络(GAN：Generative Adversarial Network)、自动编码器(AE：Autoencoder)。

生成式对抗神经网络是，生成器(generator)和鉴别器(discriminator)两个不同的人工智能竞争并改善性能的机器学习方法。

在此情况下，生成器作为创造新的数据的模型，可以基于原始数据生成新的数据。

并且，判别器作为用于识别数据模式的模型，其可以执行：对所输入的数据是否为原本数据还是由生成器所生成的新的数据进行鉴别的作用。

此外，生成器可以接收未能欺骗鉴别器的数据并进行学习，鉴别器可以从生成器接收被欺骗了的数据并进行学习。由此，生成器可以进化成能够最大程度地欺骗鉴别器，并且，可以进化成能够更好地对由鉴别器的原始数据和生成器生成的数据进行区分。

自动编码器是，以将输入本身再现成输出作为目的的神经网络。

自动编码器可以包括输入层、至少一个隐藏层以及输出层。

在此情况下，由于隐藏层的节点数小于输入层的节点数，因此减小了数据的维数，由此执行压缩或编码。

并且，从隐藏层输出的数据将会进入到输出层。在该情况下，由于输出层的节点数大于隐藏层的节点数，因此增加了数据的维数，据此，将会执行解压缩或解码。

另外，自动编码器通过学习来调整神经元的连接强度，由此使输入数据由隐藏层数据表示。在隐藏层中，信息以数量少于输入层的神经元表示，并且，将输入数据再现成输出可以是指隐藏层从输入数据中发现隐藏了的模式并进行了表示。

半监督学习作为机械学习中的一种，可以是指同时使用标记了标签的训练数据和未标记标签的训练数据的学习方法。

作为半监督学习的技术(technique)中的一种，有着一种在对未标记标签的训练数据的标签进行推断之后，利用所推断出的标签进行学习的技术，这种技术可以在标记中消耗的成本较高的情况下使用。

强化学习是一种理论，即，若给出了代理(Agent)在每个瞬间能够判断出需要进行哪种行动的环境，则可以在没有数据的情况下通过经验寻找最佳途径。

强化学习主要通过马尔可夫决策过程(MDP：Markov Decision Process)能够执行。

对马尔可夫决策过程进行说明，第一、给出由代理采取下一个行动所需的信息所构成的环境，第二、定义代理在该环境中如何进行行动，第三、定义为若代理成功采取某种行为则给予奖励(reward)，若未能采取某种行为则给予惩罚(penalty)，第四，重复进行经验，直至将来的奖励达到最高点，从而导出最佳的策略(policy)。

人工神经网络的结构可以由模型的构成、激活函数(Activation Function)、损失函数(Loss Function)或费用函数(Cost Function)、学习算法、最优化算法等而被特定，超参数(Hyperparameter)在学习之前被预先设定，并且之后通过学习来设定模型参数(ModelParameter)，由此能够特定内容。

例如，用于确定人工神经网络的结构的要素可以包括隐藏层的数量、各个隐藏层中所包含的隐藏节点的数量、输入特征向量(Input Feature Vector)、对象特征向量(Target Feature Vector)等。

超参数包括多种参数，多种所述参数如模型参数的初始值等那样为了进行学习而需要在初期设定。此外，模型参数包括通过学习来欲确定的多种参数。

例如，超参数可以包括：节点之间的加权值初始值、节点之间的偏向初始值、小批量(Mini-batch)大小、学习反复次数、学习率(Learning Rate)等。此外，模型参数中可以包括节点间加权值、节点间偏向等。

损失函数可以在人工神经网络的学习过程中被用作用于确定最佳的模型参数的指标(基准)。在人工神经网络中，学习是指为了减少损失函数而对多个模型参数进行操作的过程，学习的目的可以被认为是确定用于使损失函数最小化的模型参数。

损失函数主要可以使用均方误差(MSE：Mean Squared Error)或交叉熵误差(CEE，Cross Entropy Error)，本发明并不限定于此。

交叉熵误差可以在正解标签已被独热编码(one-hot encoding)的情况下使用。独热编码是，只针对相当于正解的神经元将正解标签值设定为1，而针对不是正解的神经元将正解标签值设定为0的编码方法。

在机器学习或深度学习中，为了使损失函数最小化，可以利用学习最优化算法，学习最优化算法中包括梯度下降法(GD：Gradient Descent)、概率梯度下降法(SGD：Stochastic Gradient Descent)、动量(Momentum)、NAG(Nesterov AccelerateGradient)、Adagrad、AdaDelta、RMSProp、Adam、Nadam等。

梯度下降法是，在当前状态下考虑到损失函数的梯度，将模型参数朝着减小损失函数值的方向进行调整的方法。

调整模型参数的方向可以称为步(step)方向，调整的大小称为步长(size)。

此时，步长可以是指学习率。

对于梯度下降法而言，可以利用各模型参数对损失函数进行偏微分，由此获取梯度，并且将多个模型参数朝着所获取的梯度方向变更与学习率相当的大小，并进行更新。

概率梯度下降法是，将学习数据划分为小批量，并且对每个小批量执行梯度下降法，由此提高梯度下降的频度的方法。

Adagrad、AdaDelta以及RMSProp是，在SGD中通过调节步长来提高最优化准确度的方法。在SGD中，动量和NAG是通过调节步方向来提高最优化准确度的方法。Adam是，通过将动量和RMSProp进行组合来调节步长和步方向，由此提高最优化准确度的方法。Nadam是，通过将NAG和RMSProp进行组合来调节步长和步方向，由此提高最优化准确度的方法。

人工神经网络的学习速度和准确度不仅取决于人工神经网络的结构和学习最优化算法的种类，还被较大取决于超参数的特征。因此，为了获取较好的学习模型，不仅确定适当的人工神经网络的结构和学习算法，而且设定适当的超参数同样重要。

通常，超参数以实验的方式设定各种值，并且尝试使人工神经网络进行学习，根据学习结果将其设定为提供稳定的学习速度和准确度的最佳的值。

本发明的实施例的人工智能模型可以被训练成对内容物是否煮沸或是否未煮沸进行预测，或者被训练成对内容物的温度进行预测。

首先，参照图11a，说明以对内容物是煮沸还是未煮沸进行预测的方式进行训练的方法。

学习装置200可以将针对煮沸与否的信息标记到与振动信号相对应的数据，从而使神经网络1110进行训练。

具体而言，学习装置200可以利用振动传感器来检测振动信号，并且将检测到的振动信号转换为与振动信号相对应的数据。此外，学习装置200可以将对应于振动信号的数据用作输入值，并且将在生成所述振动信号时的内容物的状态(内容物煮沸或未煮沸)用作输出值，由此使神经网络进行训练。其中，内容物的状态(内容物煮沸或未煮沸)可以是神经网络利用与振动信号相对应的数据来需要进行推断的正解。

因此，学习装置200可以将针对煮沸与否的信息(煮沸或未煮沸)标记到与振动信号相对应的数据中，并将其提供到神经网络。

在此情况下，神经网络可以利用与振动信号相对应的数据和针对煮沸与否的信息(煮沸或未煮沸)，来类推出与对应于振动信号的数据和针对煮沸与否的信息的关联关系相关的函数。此外，通过针对在神经网络中类推出的函数的评价，来能够确定(最优化)神经网络的参数(加权值(weight)、偏向(bias)等)。

另外，学习装置200可以利用一定大小的时间段的数据，来使神经网络进行训练。

具体而言，在加热内容物的过程中，可以按照时间序列对振动信号进行检测，因此，与振动信号相对应的数据也可以是按照时间序列收集的数据。

在此情况下，学习装置200可以将按照时间序列收集到的数据以一定大小的时间段进行分离，并且将针对煮沸与否的信息标记到被分离的数据中，由此使神经网络进行训练。

例如，学习装置200可以将按照时间序列收集到的数据以一秒单位进行分离。此外，学习装置200可以将针对煮沸与否的信息标记到对应于一秒的时间段的数据中，然后，将针对煮沸与否的信息标记到对应于下一个一秒的时间段的数据中，由此使神经网络进行训练。

另外，学习装置200可以利用各种各样的种类的烹饪容器、各种各样的种类的内容物、由各种各样的量的内容物所产生的振动信号以及生成所述振动信号时的内容物的状态(内容物煮沸或未煮沸)，来使神经网络进行训练。

其中，烹饪容器的种类为各种各样可以是指，烹饪容器的形状、模样、大小以及材质中的一种以上为不同。

并且，内容物为各种各样可以指，内容物的成分(例如，水、汤、煲、清蒸、粥、炖煮等)为不同。

并且，内容物的量为各种各样可以是指，内容物的质量或体积为不同。

另外，学习装置200可以将由振动传感器检测到的振动信号转换为振动数据，并且利用与振动信号相对应的振动数据来使神经网络进行训练。

在此情况下，振动数据可以以各种各样的形式表现振动信号。

作为一例，振动数据可以是，对振动信号进行采样，并且在时间域(time domain)表示的数据。作为另一例，振动数据可以是，对振动信号进行采样，之后对其进行高速傅立叶变换(fast Fourier transform)并将振动信号在频域表示的数据。作为另一例，振动数据可以是，对振动信号进行采样并进行差分(difference)，从而在时间域表示的数据。作为又一例，振动数据可以是，对振动信号进行采样并差分(difference)，之后对其进行高速傅立叶变换(fast Fourier transform)并在频域表示的数据。

作为又一例，用于表示振动信号的特征(振幅、频率、模式等)的图像、例如图10所示的2D图像可以用作提供到神经网络的训练数据。

即，能够表示振动信号的特征(振幅、频率、模式等)的所有种类的数据，可以用作神经网络的训练数据。

以下，参照图11b，说明使人工智能模型以对内容物的温度进行预测的方式进行训练的方法。并且，只对与图11a所述的内容不同之处进行说明。

学习装置200可以将对应于振动信号的数据作为输入值，将生成所述振动信号时的内容物的温度作为输出值，由此使神经网络1120进行训练。其中，内容物的温度可以是，神经网络利用与振动信号对应的数据，来需要推断的正解。

因此，学习装置200可以将温度信息标记到与振动信号相对应的数据中，并将其提供到神经网络。

在此情况下，神经网络可以利用对应于振动信号的数据和温度信息，来类推出与信息(其与对应于振动信号的数据和温度相关)的关联关系相关的函数。此外，通过对神经网络中类推的函数的评价，来能够确定(最优化)神经网络的参数(加权值(weight)、偏向(bias)等)。

并且，学习装置200可以将按照时间序列收集到的数据以一定大小的时间段进行分离，并且将温度信息标记到被分离的数据中，由此使神经网络进行训练。

另外，温度可以以连续的值表现，而不是如煮沸或未煮沸那样按照类(class)进行分类。因此，神经网络可以利用回归分析(Regression)算法进行训练。

另外，可以将以如上所述的方式训练了的神经网络命名为人工智能模型。

另外，人工智能模型可以搭载于人工智能烹饪装置。

具体而言，人工智能模型可以由硬件、软件或硬件和软件的组合实现。此外，在人工智能模型的一部分或全部由软件实现的情况下，构成人工智能模型的一个以上的命令可以存储在人工智能烹饪装置的存储器170。

另外，在利用与振动信号相对应的数据来使神经网络进行训练的情况下，可以将这样的数据命名为与振动信号相对应的训练用数据。

图12是用于说明本发明的实施例的判断烹饪容器的内容物是否煮沸的方法的图。

振动传感器610可以对烹饪容器的内容物的振动信号进行检测。例如，振动传感器610可以是麦克风，在此情况下，振动传感器610可以对经由烹饪容器、板12以及空气中的一种以上而传递的振动信号进行检测。

但是，本发明并不限于麦克风，能够对烹饪容器的内容物的振动进行检测的各种各样的方式可以应用于振动传感器610的驱动。

另外，处理器180可以获取对应于振动信号的数据。

具体而言，处理器180可以将由振动传感器610检测到的振动信号转换为对应于振动信号的数据。其中，对应于振动信号的数据可以是用于表示振动的强度、频率以及模式中的一种以上的特征向量。

在此情况下，处理器180可以将振动信号转换为，与用作人工智能模型的训练数据的数据相同的形式的数据。例如，在将对振动信号进行采样并在时间域表示的数据用作训练数据，由此生成人工智能模型的情况下，处理器180可以对由振动传感器610检测到的振动信号进行采样，并且转换为在时间域表示的数据。

另外，在将特定大小的时间段的数据用作训练数据并生成人工智能模型的情况下，处理器180可以将上述特定大小的时间段的数据提供给人工智能模型。

具体而言，在对烹饪容器的内容物进行加热的过程中，可以按照时间序列检测振动信号，因此，对应于振动信号的数据也可以是按照时间序列收集到的数据。

此外，处理器180可以将按照时间序列收集到的数据以所述特定大小的时间段进行分离。例如，在将对应于一秒的时间段的数据用作训练数据，并生成人工智能模型的情况下，处理器180可以将按照时间序列收集到的数据以一秒的时间单位进行分离，并且将对应于一秒的时间段的数据输入给人工智能模型。

另外，多个时间段可以是连续的，但本发明并不限于此，多个时间段也可以是不连续的，也可以是彼此重复的。

例如，在多个时间段连续的情况下，对应于第一时间段的数据可以是，与从开始加热的时间点到500秒-501秒的时间段的振动信号相对应的数据；对应于第二时间段的数据可以是，与从开始加热的时间点到501秒-502秒的时间段的振动信号相对应的数据。

作为另一例，在多个时间段不连续的情况下，对应于第一时间段的数据可以是，与从开始加热的时间点到500秒-501秒的时间段的振动信号相对应的数据；对应于第二时间段的数据可以是，与从开始加热的时间点到502秒-503秒的时间段的振动信号相对应的数据。

举出又一例子，在多个时间段重复的情况下，与第一时间段相应的数据可以是，与从开始加热的时间点到500秒-501秒的时间段的振动信号相对应的数据；与第二时间段相应的数据可以是，与从开始加热的时间点到500.5秒-501.5秒的时间段的振动信号相对应的数据。

另外，之前说明了对应于振动信号的数据是按照时间序列进行收集的数据。此外，处理器180可以将与振动信号相对应的数据实时地提供给人工智能模型。

具体而言，若获取到对应于特定大小的时间段的数据，则处理器180可以将对应于特定大小的时间段的数据实时地输入给人工智能模型。例如，假设特定大小为一秒的情况下，处理器可以在获取到500秒-501秒的时间段的数据时立即将500秒-501秒的时间段的数据输入到人工智能模型，然后，在获取到501秒-502秒的时间段的数据时立即将501秒-502秒的时间段的数据输入到人工智能模型。

另外，处理器180可以按照多个时间段的时间顺序，将多个时间段的数据依次地输入到人工智能模型。

例如，在第一时间段为500秒-501秒、第二时间段为501秒-502秒、第三时间段为502秒-503秒的情况下，处理器180可以将对应于第一时间段的数据、对应于第二时间段的数据、以及对应于第三时间段的数据依次输入到人工智能模型。

即，根据本发明，通过对与振动信号相对应的数据实时地进行处理并依次输入到人工智能模型，来能够最大限度地获取与内容物是否煮沸相关的信息。

另外，处理器180可以将与振动信号相对应的数据提供到人工智能模型，从而获取与烹饪容器的内容物是否煮沸相关的信息。

具体而言，处理器180可以将与振动信号相对应的数据提供到人工智能模型。其中，人工智能模型可以是，将与内容物是否煮沸相关的信息用作标记数据而进行了训练的神经网络；在此情况下，人工智能模型可以输出与结果值、例如与多个类(煮沸/未煮沸)每一个相对应的分数或概率。

此外，将人工智能模型利用提供到人工智能模型的数据来输出的结果值作为基础，处理器可以获取与烹饪容器的内容物是否煮沸相关的信息。例如，在人工智能模型将内容物煮沸的概率输出为97％的情况下，处理器180可以确定为烹饪容器的内容物正煮沸中。

接着，参照图12，按照时间顺序说明人工智能烹饪装置的动作方法。在图12中，示出了内容物的温度T随着时间t的流逝发生变化的图表。

处理器180可以将对应于第一时间段P1的数据输入到人工智能模型。在此情况下，人工智能模型可以输出用于表示内容物未煮沸的信息(或，概率值)，由此，处理器180可以确定为内容物未煮沸。此外，处理器180可以反复进行这样的过程。

另外，内容物的温度达到煮沸的点A，并从特定的时间点B开始煮沸。

此外，处理器180可以将对应于第四时间段P4的数据输入到人工智能模型。在此情况下，人工智能模型可以输出结果值，处理器180根据烹饪容器的内容物煮沸的概率为预设定的值以上，确定为烹饪容器的内容物煮沸。

以下是记载了将四个样本的振动信号以各种形式组合而进行训练的人工智能模型的预测的准确度的表。

【表1】

	A条件训练数据	B条件训练数据	C条件训练数据	D条件训练数据	合计
						A条件测试数据	96.10％	97.07％	98.13％	97.72％	97.80％
B条件测试数据	96.03％	97.40％	96.03％	96.72％	95.95％
						C条件测试数据	93.27％	96.54％	97.12％	97.79％	97.60％
D条件测试数据	95.31％	97.08％	97.17％	98.32％	97.43％
						合计	95.27％	97.05％	97.09％	97.60％	97.15％

参照表1，A条件训练数据是指，利用A条件(例如，500ml的水)下获取到的振动信号，来训练了神经网络；B条件训练数据是指，利用B条件(例如，1000ml的汤)下获取到的振动信号，来训练了神经网络。

并且，A条件测试数据是指，将A条件下获取到的振动信号输入到训练了的神经网络中，由此测量了准确度；B条件测试数据是指，将B条件下获取到的振动信号输入到训练了的神经网络并测量了准确度。

参照表1，从将A条件下的振动信号输入到利用A条件下的振动信号来训练了的神经网络中的情况(96.10％的准确度)、在将B条件下的振动信号输入到利用B条件下的振动信号来训练了的神经网络中的情况(97.40％的准确度)、在将C条件下的振动信号输入到利用C条件下的振动信号来训练了的神经网络中的情况(97.12％的准确度)、在将D条件下的振动信号输入到利用D条件下的振动信号来训练了的神经网络中的情况(98.32％的准确度)中，获得了表示高准确度的倾向性。这可以意味着，利用训练数据来训练了神经网络，由此使神经网络的参数(加权值、偏向等)形成为最优化。

并且，参照表1，从将A条件下的振动信号输入到利用A、B、C、D条件下的振动信号来训练了的神经网络中的情况(97.80％的准确度)、在将B条件下的振动信号输入到利用A、B、C、D条件下的振动信号来训练了的神经网络中的情况(95.95％的准确度)、在将C条件下的振动信号输入到利用A、B、C、D条件下的振动信号来训练了的神经网络中的情况(97.60％的准确度)、在将D条件下的振动信号输入到利用A、B、C、D条件下的振动信号来训练了的神经网络中的情况(97.43％的准确度)中，获得了表示高准确度的倾向性。这可以意味着，利用各种各样的训练数据来训练了神经网络，由此能够使神经网络的参数(加权值、偏向等)形成为更加最优化。

并且，参照表1，在将A条件下的振动信号、B条件下的振动信号、C条件下的振动信号以及D条件下的振动信号输入到利用A、B、C、D条件下的振动信号来训练了的神经网络中并进行测试的情况下，整体准确度显示为97.15％。这表示，被训练了的神经网络在各种各样的状况下能够以非常准确的概率预测出内容物的煮沸与否。

如上所述，根据本发明，由于利用人工智能模型(其学习了因内容物煮沸而产生的振动的特征(强度、频率、模式))来确定内容物的煮沸与否，因此能够提高判断煮沸与否的准确度。

并且，根据本发明，将一定时间单位(例如，一秒)的数据输入到人工智能模型，人工智能模型即使只考虑当前的时间段的数据(即，无需将之前时间段的数据一并考虑)，也能判断煮沸与否。即，相比于将由振动信号的变化而产生的特征以时间顺序提取而检测煮沸的美国授权专利公报US9395078，存在有误判的可能性非常小，并且能够表现出更高的准确度的优点。

并且，根据本发明，具有即使内容物的种类、烹饪容器的种类、内容物的量等发生变化，也能实现准确的预测的优点。

并且，根据本发明，由于以一般的信号处理方式对振动信号进行处理，之后只需输入到人工智能模型即可，因此能够使处理算法简单化。

另外，若从温度非常低的区间(例如，P1)开始继续地向人工智能模型输入数据，则将会加重人工智能模型的处理负担。因此，处理器180可以在振动的强度为一定大小以上的情况下，将与振动信号相对应的数据提供到人工智能模型。

例如，内容物的温度越上升，振动的强度越变大。此外，在特定的时间点C上检测到振动的强度为一定大小以上的情况下，处理器180可以将与特定的时间点C以后的时间段P2、P3、P4、P5相对应的数据输入到人工智能模型。

另外，处理器180可以将连续的多个时间段的数据输入到人工智能模型，并且，考虑到通过将连续的多个时间段的数据输入到人工智能模型来获取到的信息，可以确定为烹饪容器的内容物煮沸。

具体而言，处理器180可以将第四时间段P4的数据提供到人工智能模型，从而能够获取与烹饪容器的内容物是否煮沸相关的第一信息。

并且，处理器180可以将第四时间段P4的下一个时间段的、即第五时间段P5的数据提供到人工智能模型，从而获取与烹饪容器的内容物是否煮沸相关的第二信息。

并且，处理器180可以利用第一信息和第二信息来确定烹饪容器的内容物煮沸与否。

具体而言，在第一信息和第二信息表示为烹饪容器的内容物正煮沸的情况下，处理器180可以确定为烹饪容器的内容物正煮沸。

并且，在第一信息表示烹饪容器的内容物正煮沸，而第二信息表示烹饪容器的内容物未煮沸的情况下，处理器180可以确定为烹饪容器的内容物未煮沸。

另外，处理器180可以将第五时间段P5的下一个时间段的、即第六时间段的数据提供给人工智能模型，从而获取与烹饪容器的内容物是否煮沸相关的第三信息。此外，在第一信息表示烹饪容器的内容物未煮沸，而第二信息表示烹饪容器的内容物正煮沸的情况下，处理器180可以利用第二信息和第三信息来确定烹饪容器的内容物是否煮沸。例如，在第二信息和第三信息均表示为烹饪容器的内容物正煮沸的情况下，处理器180可以确定为烹饪容器的内容物正煮沸。

假设人工智能模型的能够准确预测的概率为97％。虽然97％为非常高的概率，但是错误预测的概率仍然存在有3％。不过，根据本发明，当对应于连续的多个时间段的数据而获取到的多个信息均表示为烹饪容器的内容物正在煮沸时，将会确定为烹饪容器的内容物正在煮沸，因此，具有能够进一步提高预测准确度的优点。

另外，处理器180可以执行与针对烹饪容器的内容物是否煮沸的信息相对应的控制。

与此相关的内容将参照图13进行说明。

图13是用于说明本发明的实施例的内容物煮沸的情况下的人工智能烹饪装置的动作的图。

当煮沸烹饪容器的内容物时，处理器可以对功率转换装置进行控制，以减小加热部的加热强度，或者中断加热部的加热动作。

例如，在功率转换装置为逆变器19的情况下，处理器180可以控制逆变器19，以切断接通于加热部(工作线圈)的电压，或者降低接通于加热部(工作线圈)的电压。

并且，人工智能烹饪装置可以包括扬声器。此外，在烹饪容器的内容物被煮沸的情况下，处理器180可以通过扬声器输出警报。

并且，也可以进行与其他装置的联动动作。

具体而言，人工智能烹饪装置可以与移动终端1420和抽油烟机1410等其他装置进行通信。

并且，在烹饪容器的内容物被煮沸的情况下，处理器180可以传输用于使其他装置进行动作的控制命令。例如，在烹饪容器的内容物被煮沸的情况下，处理器180可以传输用于使抽油烟机1410进行动作的控制命令。

并且，处理器180可以向其他装置传输警报，并且从其他装置接收控制命令。

例如，在烹饪容器的内容物被煮沸的情况下，处理器180可以向移动终端1420传输用于表示烹饪容器的内容物正在煮沸的提醒。并且，在对应于所传输的提醒而从移动终端1420接收控制命令的情况下，处理器180可以基于接收到的控制命令而减小加热部的加热强度，或者中断加热部的动作。

如上所述，根据本发明，由于对内容物的煮沸与否进行检测并执行基于其的控制，因此，能够预防内容物的煮沸溢出、火灾等，并且能够防止用户需持续确认内容物是否被煮沸所带来的不便。

以下，对获取内容物的温度信息，并且基于内容物的温度信息而获取与烹饪容器的内容物是否煮沸相关的信息的方法进行说明。

处理器180可以将与振动信号相对应的数据提供到人工智能模型，与此获取与烹饪容器的内容物是否煮沸相关的信息。

具体而言，处理器180可以将与振动信号相对应的数据提供到人工智能模型。其中，人工智能模型可以是将内容物的温度信息用作标记数据而训练了的神经网络，在此情况下，人工智能模型可以输出结果值，例如可以输出内容物的温度信息。

此外，处理器基于人工智能模型利用提供到人工智能模型的数据来输出的温度信息，可以获取与烹饪容器的内容物是否煮沸相关的信息。例如，在人工智能模型输出100度的温度信息的情况下，处理器180可以确定为烹饪容器的内容物被煮沸。

另外，在人工智能模型输出温度信息的情况下，可以在内容物被煮沸之前对加热部进行控制。

具体而言，处理器180可以基于温度信息而对功率转换装置进行控制，以在内容物的温度大于预设的值时，减小加热部的加热强度，或者中断加热部的加热动作。

并且，预设的值可以是小于煮沸点的值。例如，若内容物的温度高于95度，则处理器180可以对功率转换装置进行控制，以减小加热部的加热强度，或者中断加热部的加热动作。

如上所述，根据本发明，具有通过预测内容物的温度来能够事先预防内容物煮沸的优点。

另外，处理器可以利用由人工智能模型输出的温度信息和由用户设定的温度信息来控制加热部，使得内容物保持被用户设定的温度。

具体而言，处理器可以经由输入部接收用于设定温度信息的输入。

并且，处理器可以将由用户设定的温度信息和由人工智能模型输出的温度信息进行比较，并且执行与比较结果相对应的控制，从而控制成使内容物保持被用户设定的温度。

例如，在用户设定为70度，而人工智能模型输出了75度的温度信息的情况下，处理器180可以将功率转换装置控制成减小加热强度。

作为另一例，在用户设定了70度，而人工智能模型输出了65度的温度信息的情况下，处理器180可以将功率转换装置控制成增加加热强度。

作为另一例，在用户设定成10分钟的期间为100度，之后10分钟的期间为70度的情况下，处理器180可以基于由用户设定的温度信息和由人工智能模型输出的温度信息而对功率转换装置进行控制。

最近，除了单纯地煮沸的方式的烹饪方法以外，还出现了真空低温(sous vide)方法等保持一定温度较为重要的烹饪方法。此外，根据本发明，仅仅仅通过用户的温度设定来便能执行适合于各种各样的烹饪方法的烹饪。

图14是用于说明本发明的又一实施例的人工智能烹饪装置的动作方法的图。

先前的实施例中，说明了人工智能模型搭载于人工智能烹饪装置中的情形。但是本发明并不限于此，人工智能模型可以搭载于人工智能服务器1330。

另外，人工智能服务器1330可以与多个人工智能烹饪装置1、1310、1320进行通信，并且可以向多个人工智能烹饪装置1、1310、1320提供检测煮沸与否的服务。

具体而言，人工智能烹饪装置1可以将与振动信号相对应的数据传输到人工智能服务器1330。

在此情况下，人工智能服务器1330可以接收与振动信号相对应的数据，并且将与振动信号相对应的数据输入到人工智能模型，由此获取与烹饪容器的内容物是否煮沸相关的信息。

并且，人工智能服务器1330可以将与烹饪容器的内容物是否煮沸相关的信息传输到人工智能烹饪装置1。

另外，人工智能烹饪装置1可以接收与烹饪容器的内容物是否煮沸相关的信息，并且执行与接收到的信息相对应的控制。

前述的本发明可以由计算机可以对存储有程序的介质中读取的代码实现。计算机可读取的介质，包括存储有计算机系统可读取的数据的所有种类的存储装置。计算机可读取的介质的例有HDD(Hard Disk Drive：硬盘)、SSD(Solid State Disk：固态硬盘)、SDD(Silicon Disk Drive：硅磁硬盘)、ROM、RAM、CD-ROM、磁带、软盘、光数据存储装置等。并且，所述计算机可以包括终端的控制部180。因此，以上所述的详细说明在所有方面上不应被解释为限定性的，而是应当考虑为例示性的。本发明的范围应当由针对所附的权利要求书的合理解释来决定，本发明的等价范围内的所有变更将落入本发明的范围。

Claims (15)

1.一种人工智能烹饪装置，其中，包括：

加热部，用于加热烹饪容器的内容物；

振动传感器，对所述烹饪容器的内容物的振动信号进行检测；以及

处理器，通过将与所述振动信号相对应的数据提供到人工智能模型，来获取与所述烹饪容器的内容物是否煮沸相关的信息，并且执行与获取到的所述信息相对应的控制。

2.根据权利要求1所述的人工智能烹饪装置，其中，

所述人工智能模型是神经网络，所述神经网络通过将与是否煮沸相关的信息标记到与振动信号相对应的训练用数据来训练。

3.根据权利要求2所述的人工智能烹饪装置，其中，

所述处理器将与所述振动信号相对应的数据提供到人工智能模型，并且基于所述人工智能模型利用所提供的所述数据来输出的结果值，获取与所述烹饪容器的内容物是否煮沸相关的信息。

4.根据权利要求1所述的人工智能烹饪装置，其中，

所述人工智能模型是神经网络，所述神经网络通过将温度信息标记到与振动信号相对应的训练用数据来训练。

5.根据权利要求4所述的人工智能烹饪装置，其中，

所述处理器将与所述振动信号相对应的数据提供到所述人工智能模型；并且基于所述人工智能模型利用所提供的所述数据来输出的温度信息，获取与所述烹饪容器内的内容物是否煮沸相关的信息。

6.根据权利要求1所述的人工智能烹饪装置，其中，

与所述振动信号相对应的数据是用于表示振动的强度、频率以及模式中的一种以上的特征向量。

7.根据权利要求1所述的人工智能烹饪装置，其中，

所述处理器通过将与所述振动信号相对应的第一时间段的数据提供到所述人工智能模型，来获取与所述烹饪容器内的内容物是否煮沸相关的第一信息，

所述处理器通过将所述第一时间段的下一个时间段、即第二时间段的数据提供到所述人工智能模型，来获取与所述烹饪容器的内容物是否煮沸相关的第二信息，

在所述第一信息和所述第二信息表示所述烹饪容器的内容物正在煮沸的情况下，所述处理器确定为所述烹饪容器内的内容物正在煮沸。

8.根据权利要求1所述的人工智能烹饪装置，其中，

还包括功率转换装置，所述功率转换装置用于向所述加热部供应电压，

在所述烹饪容器的内容物正在煮沸的情况下，所述处理器控制所述功率转换装置，以减小所述加热部的加热强度或中断所述加热部的加热动作。

9.根据权利要求4所述的人工智能烹饪装置，其中，

所述处理器将与所述振动信号相对应的数据提供到所述人工智能模型，

所述处理器基于所述人工智能模型利用所提供的所述数据来输出的温度信息，对所述功率转换装置进行控制，以在所述内容物的温度大于预设值时，减小所述加热部的加热强度或中断所述加热部的加热动作。

10.根据权利要求1所述的人工智能烹饪装置，其中，还包括：

板，用于安置所述烹饪容器；

本体，用于形成所述人工智能烹饪装置的下侧外观；以及

振动传感器模块，包括所述振动传感器，

所述振动传感器模块容纳于所述本体的内部空间。

11.根据权利要求10所述的人工智能烹饪装置，其中，

所述振动传感器模块还包括外部支架，所述外部支架用于容纳所述振动传感器并配置于所述板的下部，

所述外部支架的顶面开放，使得所述振动传感器的顶面与所述板的底面相向。

12.根据权利要求11所述的人工智能烹饪装置，其中，

所述外部支架与所述板的底面相接触。

13.根据权利要求11所述的人工智能烹饪装置，其中，

所述外部支架围绕所述振动传感器的侧部和下部。

14.根据权利要求11所述的人工智能烹饪装置，其中，

所述振动传感器模块还包括：

内部支架，用于容纳所述振动传感器；以及

连接件，与所述外部支架和所述内部支架相连接并支撑所述内部支架。

15.根据权利要求1所述的人工智能烹饪装置，其中，还包括：

本体，用于形成所述人工智能烹饪装置的下侧外观；

振动传感器模块，包括所述振动传感器和用于容纳所述振动传感器的壳体；以及

加压机构，包括弹簧和弹簧支撑件，所述弹簧支撑件连接于所述本体的下板并支撑所述弹簧，所述加压机构朝向所述板的方向按压所述振动传感器模块。

Images