CN112883859A - 烹饪场景的检测方法、系统、电子设备及存储介质 - Google Patents
烹饪场景的检测方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112883859A CN112883859A CN202110168940.1A CN202110168940A CN112883859A CN 112883859 A CN112883859 A CN 112883859A CN 202110168940 A CN202110168940 A CN 202110168940A CN 112883859 A CN112883859 A CN 112883859A
- Authority
- CN
- China
- Prior art keywords
- cooking
- scene
- oil smoke
- information
- smoke concentration
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/36—Indoor scenes
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24C—DOMESTIC STOVES OR RANGES ; DETAILS OF DOMESTIC STOVES OR RANGES, OF GENERAL APPLICATION
- F24C15/00—Details
- F24C15/20—Removing cooking fumes
- F24C15/2021—Arrangement or mounting of control or safety systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种烹饪场景的检测方法、系统、电子设备及存储介质。其中,烹饪场景分类模型的训练方法,包括:采集多张原始烹饪图像,所述原始烹饪图像标记有烹饪场景类别,所述烹饪场景类别对应多维场景信息,所述多维场景信息在包括油烟浓度类别信息之外还包括锅盖信息、烹饪工具信息、食材信息、锅具信息中的至少一种;利用采集到的多张原始烹饪图像训练烹饪场景分类模型,所述烹饪场景分类模型以原始烹饪图像为输入,以输入的原始烹饪图像对应的烹饪场景类别为输出。本发明能够基于图像分类的方式实现烹饪场景类别的识别,进而实现油烟浓度类别的识别,相比于直接识别烹饪图像的油烟浓度,本发明更加科学、客观且具有普适性。
Description
技术领域
本发明涉及电子技术领域,尤其涉及一种烹饪场景的检测方法、系统、电子设备及存储介质。
背景技术
厨房是每个家庭每天进行烹饪处理的必要场景,厨房油烟处理的效果直接影响到了家庭成员的身体健康及生活品质。随着科技不断地更新迭代与发展进步,传统油烟机的档位调节风力大小已不仅仅是当前调节风量的唯一方式,基于视觉的油烟浓度检测技术慢慢地进入了人们的视野中。
现有基于图像处理的油烟浓度检测通常是通过帧差法来检测前景和背景之间的差异来初步检测当前图像中的运动区域,然后利用基于方差的平滑度策略及灰度平均值来进行运动干扰区域的排除,最后再通过灰度直方图的方式来确定阈值来进行油烟浓度分级,从而得到当前图像帧中的油烟浓度。该方法在进行油烟浓度的划分时基于先验知识来对阈值进行区间划分,并没有统一的标准,使得分类没有普适性。
发明内容
本发明要解决的技术问题是为了克服现有技术中基于图像处理的油烟浓度缺乏客观性、普适性的缺陷,提供一种烹饪场景的检测方法、系统、电子设备及存储介质。
本发明是通过下述技术方案来解决上述技术问题:
一种烹饪场景分类模型的训练方法,包括:
采集多张原始烹饪图像,所述原始烹饪图像标记有烹饪场景类别,所述烹饪场景类别对应多维场景信息,所述多维场景信息在包括油烟浓度类别信息之外还包括锅盖信息、烹饪工具信息、食材信息、锅具信息中的至少一种;
利用采集到的多张原始烹饪图像训练烹饪场景分类模型,所述烹饪场景分类模型以原始烹饪图像为输入,以输入的原始烹饪图像对应的烹饪场景类别为输出。
较佳地,所述油烟浓度类别信息由以下步骤获取得到:
在采集原始烹饪图像的同时,分别采集锅具上方呈正多边形分布的多个油烟浓度采集点的原始油烟浓度;
计算采集到的多个原始油烟浓度的平均值得到平均油烟浓度;
根据所述平均油烟浓度确定所述油烟浓度类别信息。
一种烹饪场景的检测方法,包括:
采集当前烹饪图像;
将当前烹饪图像输入训练好的烹饪场景分类模型,输出当前烹饪场景类别,其中,所述烹饪场景分类模型利用上述任一种烹饪场景分类模型的训练方法训练得到。
较佳地,在所述输出当前烹饪场景类别的步骤之后还包括:
根据当前烹饪场景类别对应的油烟浓度类别信息控制烟机的运行档位;
或者,
在所述输出当前烹饪场景类别的步骤之后还包括:
根据预设映射关系以及当前烹饪场景类别确定当前油烟浓度数值,其中,所述预设映射关系用于表征烹饪场景类别与油烟浓度数值之间的对应关系;
根据确定得到的当前油烟浓度数值控制烟机的运行档位。
一种烹饪场景分类模型的训练系统,包括:
第一图像采集模块,用于采集多张原始烹饪图像,所述原始烹饪图像标记有烹饪场景类别,所述烹饪场景类别对应多维场景信息,所述多维场景信息在包括油烟浓度类别信息之外还包括锅盖信息、烹饪工具信息、食材信息、锅具信息中的至少一种;
训练模块,用于利用采集到的多张原始烹饪图像训练烹饪场景分类模型,所述烹饪场景分类模型以原始烹饪图像为输入,以输入的原始烹饪图像对应的烹饪场景类别为输出。
较佳地,所述训练系统还包括:
多个油烟浓度采集模块,在锅具上方呈正多边形分布,用于在所述第一图像采集模块采集原始烹饪图像的同时,分别采集原始油烟浓度;
计算模块,用于计算采集到的多个原始油烟浓度的平均值得到平均油烟浓度;
第一确定模块,用于根据所述平均油烟浓度确定所述油烟浓度类别信息。
一种烹饪场景的检测系统,包括:
第二图像采集模块,用于采集当前烹饪图像;
分类模块,用于将当前烹饪图像输入训练好的烹饪场景分类模型,输出当前烹饪场景类别,其中,所述烹饪场景分类模型利用上述任一种烹饪场景分类模型的训练方法训练得到。
较佳地,所述检测系统还包括:
第一控制模块,用于根据当前烹饪场景类别对应的油烟浓度类别信息控制烟机的运行档位;
或者,
所述检测系统还包括:
第二确定模块,用于根据预设映射关系以及当前烹饪场景类别确定当前油烟浓度数值,其中,所述预设映射关系用于表征烹饪场景类别与油烟浓度数值之间的对应关系;
第二控制模块,用于根据确定得到的当前油烟浓度数值控制烟机的运行档位。
一种烟机,包括上述任一种烹饪场景的检测系统。
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一种烹饪场景分类模型的训练方法,或者,实现上述任一种烹饪场景的检测方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一种烹饪场景分类模型的训练方法的步骤,或者,实现上述任一种烹饪场景的检测方法的步骤。
本发明的积极进步效果在于:本发明基于烹饪场景分类模型能够识别出烹饪图像所对应的烹饪场景类别,其中,烹饪场景类别对应包括油烟浓度类别信息以及锅盖信息、烹饪工具信息、食材信息、锅具信息等的多维场景信息,从而,能够基于图像分类的方式实现烹饪场景类别的识别,进而实现油烟浓度类别的识别,相比于直接识别烹饪图像的油烟浓度,本发明基于烹饪场景类别的识别,能够避免由于烹饪图像本身的分辨率以及拖影等问题所导致的油烟浓度类别难以区分的情况,更加科学、客观且具有普适性。
附图说明
图1为根据本发明实施例1的烹饪场景分类模型的训练方法的流程图。
图2为根据本发明实施例1的烹饪场景分类模型的训练方法中烹饪场景分类的示意图。
图3为根据本发明实施例1的烹饪场景分类模型的训练方法中获取油烟浓度类别信息的流程图。
图4为根据本发明实施例1的烹饪场景分类模型的训练方法中油烟浓度采集点的分布示意图。
图5为根据本发明实施例2的油烟浓度的检测方法的流程图。
图6为根据本发明实施例3的油烟浓度的检测方法的流程图。
图7为根据本发明实施例4的烹饪场景分类模型的训练系统的模块示意图。
图8为根据本发明实施例5的油烟浓度的检测系统的模块示意图。
图9为根据本发明实施例6的油烟浓度的检测系统的模块示意图。
图10为根据本发明实施例8的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
本实施例提供一种烹饪场景分类模型的训练方法,参照图1,本实施例的训练方法包括:
S111、采集多张原始烹饪图像;
S112、利用采集到的多张原始烹饪图像训练烹饪场景分类模型。
在本实施例中,首先采集烹饪区域的相关场景图像,然后根据油烟识别区在整个场景中的相对位置来确定两个烹饪区域的相对位置,以获取烹饪区域的原始烹饪图像。此外,在本实施例中,烹饪场景分类模型以原始烹饪图像为输入,以输入的原始烹饪图像对应的烹饪场景类别为输出。原始烹饪图像标记有烹饪场景类别,烹饪场景类别对应多维场景信息,多维场景信息在包括油烟浓度类别信息之外还包括锅盖信息、烹饪工具信息、食材信息、锅具信息中的至少一种。
具体地,油烟浓度类别信息对应的油烟浓度类别可以结合烟机档位进行划分,例如,常见的烟机档位包括无烟、小中烟、大烟三个档位时,油烟浓度类别相应地可以划分为无烟、小中烟、大烟三个类别。锅盖信息可以包括锅盖有无、锅盖材质等,烹饪工具信息可以包括烹饪工具有无、烹饪工具类别等(其中,烹饪工具类别例如可以包括锅铲、汤勺等),食材信息可以包括食材有无、食材多少等,锅具信息可以包括锅具类别、锅具材质等(其中,锅具类别例如可以包括铁锅、砂锅等)。
应当理解,锅盖信息、烹饪工具信息、食材信息、锅具信息等与油烟浓度类别信息或者说油烟浓度数值大小存在潜在的联系。例如,相同烹饪条件下,锅具上盖有锅盖时所产生的油烟浓度往往小于锅具上未盖有锅盖时所产生的油烟浓度。又例如,相同烹饪条件下,利用锅铲翻炒时所产生的油烟浓度往往大于未利用锅铲翻炒时所产生的油烟浓度。这样便可以使得烹饪场景类别的划分更加贴近生活场景,烹饪场景类别的识别准确性更高,从而使得油烟浓度类别的识别准确性更高。
图2示出了本实施例中烹饪场景类别的一种划分方式,其以树形结构将烹饪场景类别细分为19个类别,具体地,其中以不同节点作为分类依据,例如,根节点代表采集到的烹饪图像中潜在的场景信息,叶节点代表单帧烹饪图像整体的油烟情况,通过有无来表示,对于锅具中存在食材的情况则直接给出该烹饪图像中的油烟浓度类别信息。并且其中每一类别均对应一个具体的多维场景信息,例如,编号为01的烹饪场景类别所对应的多维场景信息包括有锅盖、锅盖透明、有内容物、有烟、小中烟等多个场景信息,又例如,编号为09的烹饪场景类别所对应的多维场景信息包括有无锅盖、无内容物、油烟、80%的概率是小中烟、20%的概率是大烟,因此,本实施例中烹饪场景类别的划分不仅仅能够利用多维场景信息来细致地描述烹饪图像中所包含的信息,还有利于烹饪图像的准确区分。
进一步地,图2也示出了当前烹饪过程中锅盖信息、烹饪工具信息、食材信息等往往与油烟浓度类别或者油烟浓度数值大小存在一定关联,例如,在烹饪图像中存在锅铲并且锅具内有食材的情况下,若当前帧采集到的烹饪图像存在模糊拖影的现象,一般情况下可以认为采集到的烹饪图像为翻炒的图像,此时油烟浓度往往偏高,符合基本真实场景下的油烟情况。
参照图3,在本实施例中的油烟浓度类别信息可以由以下步骤获取得到:
S121、在采集原始烹饪图像的同时,分别采集锅具上方呈正多边形分布的多个油烟浓度采集点的原始油烟浓度;
S122、计算采集到的多个原始油烟浓度的平均值得到平均油烟浓度;
S123、根据平均油烟浓度确定油烟浓度类别信息。
参照图4,本实施例中可以采用呈等边三角形放置在锅具区域上方10-15cm处的3个油烟浓度采集模块来作为油烟浓度采集点以采集原始油烟浓度,确保油烟浓度采集模块在可接受的高温环境下尽可能达到实时检测当前油烟浓度的目的,此外,由于油烟本身在升腾过程中各个点位的实时浓度会有一定的差异,故将3个采集点得到的油烟浓度的均值作为当前时刻的实际油烟浓度数值,以提高油烟浓度检测的准确性并避免出现油烟浓度检测迟滞的情况发生。进一步地,在本实施例中,油烟浓度采集模块优选采用PM2.5传感器,以克服传统的基于红外反射法和物理颗粒物检测所存在的检测不准确、意外障碍物干扰、无法实时检测等缺陷,但本实施例并不以此为限。
本实施例基于烹饪场景分类模型能够识别出烹饪图像所对应的烹饪场景类别,其中,烹饪场景类别对应包括油烟浓度类别信息以及锅盖信息、烹饪工具信息、食材信息、锅具信息等的多维场景信息,从而,能够基于图像分类的方式实现烹饪场景类别的识别,进而实现油烟浓度类别的识别,相比于直接识别烹饪图像的油烟浓度,本实施例基于烹饪场景类别的识别,能够避免由于烹饪图像本身的分辨率以及拖影等问题所导致的油烟浓度类别难以区分的情况,更加科学、客观且具有普适性。
实施例2
本实施例提供一种烹饪场景的检测方法,参照图5,本实施例的检测方法包括:
S21、采集当前烹饪图像;
S22、将当前烹饪图像输入训练好的烹饪场景分类模型,输出当前烹饪场景类别。
在本实施例中,烹饪场景分类模型利用实施例1提供的烹饪场景分类模型的训练方法训练得到,从而,输出的当前烹饪图像的当前烹饪场景类别对应包括有油烟浓度类别信息的多维场景信息,因此,可以基于当前烹饪图像所属烹饪场景类别的识别,来确定当前烹饪图像所对应的油烟浓度类别信息。
参照图5,本实施例在步骤S22之后还包括:
S23、根据当前烹饪场景类别对应的油烟浓度类别信息控制烟机的运行档位。
在本实施例中,基于当前烹饪图像实现了当前烹饪场景类别的识别,进而实现了当前油烟浓度类别信息的识别,并基于识别到的当前油烟浓度类别信息来实现对烟机运行档位的控制,例如,当前油烟浓度类别信息为小中烟时,控制烟机运行在小中烟档位。
本实施例在实施例1的基础上,在实现了烹饪场景的科学、客观、准确检测之余,还实现了烟机运行档位的自动控制,减轻了用户的负担,有利于提升用户体验。
实施例3
本实施例提供一种烹饪场景的检测方法,参照图6,本实施例的检测方法包括:
S31、采集当前烹饪图像;
S32、将当前烹饪图像输入训练好的烹饪场景分类模型,输出当前烹饪场景类别。
在本实施例中,烹饪场景分类模型利用实施例1提供的烹饪场景分类模型的训练方法训练得到,从而,输出的当前烹饪图像的当前烹饪场景类别对应包括有油烟浓度类别信息的多维场景信息,因此,可以基于当前烹饪图像所属烹饪场景类别的识别,来确定当前烹饪图像所对应的油烟浓度类别信息。
参照图6,本实施例在步骤S32之后还包括:
S33、根据预设映射关系以及当前烹饪场景类别确定当前油烟浓度数值;
S34、根据确定得到的当前油烟浓度数值控制烟机的运行档位。
具体地,预设映射关系用于表征烹饪场景类别与油烟浓度数值之间的对应关系,以实现烹饪场景类别中油烟浓度的数值化,进而基于油烟浓度数值来实现烟机的档位控制,以避免烹饪场景分类模型所对应的油烟浓度类别信息的划分与烟机运行档位之间的不对应匹配,例如,在油烟浓度类别信息对应有四个油烟浓度类别而烟机运行档位仅对应有三档时,可以基于油烟浓度数值来确定烟机运行档位。
本实施例在实施例1的基础上,在实现了烹饪场景的科学、客观、准确检测之余,还实现了烟机运行档位的自动控制,减轻了用户的负担,有利于提升用户体验。
实施例4
本实施例提供一种烹饪场景分类模型的训练系统,参照图7,本实施例的训练系统包括:
第一图像采集模块411,用于采集多张原始烹饪图像;
训练模块412,用于利用采集到的多张原始烹饪图像训练烹饪场景分类模型。
在本实施例中,首先采集烹饪区域的相关场景图像,然后根据油烟识别区在整个场景中的相对位置来确定两个烹饪区域的相对位置,以获取烹饪区域的原始烹饪图像。此外,在本实施例中,烹饪场景分类模型以原始烹饪图像为输入,以输入的原始烹饪图像对应的烹饪场景类别为输出,原始烹饪图像标记有烹饪场景类别,烹饪场景类别对应多维场景信息。多维场景信息在包括油烟浓度类别信息之外还包括锅盖信息、烹饪工具信息、食材信息、锅具信息中的至少一种。
具体地,油烟浓度类别信息对应的油烟浓度类别可以结合烟机档位进行划分,例如,常见的烟机档位包括无烟、小中烟、大烟三个档位时,油烟浓度类别相应地可以划分为无烟、小中烟、大烟三个类别。锅盖信息可以包括锅盖有无、锅盖材质等,烹饪工具信息可以包括烹饪工具有无、烹饪工具类别等(其中,烹饪工具类别例如可以包括锅铲、汤勺等),食材信息可以包括食材有无、食材多少等,锅具信息可以包括锅具类别、锅具材质等(其中,锅具类别例如可以包括铁锅、砂锅等)。
应当理解,锅盖信息、烹饪工具信息、食材信息、锅具信息等与油烟浓度类别信息或者说油烟浓度数值大小存在潜在的联系。例如,相同烹饪条件下,锅具上盖有锅盖时所产生的油烟浓度往往小于锅具上未盖有锅盖时所产生的油烟浓度。又例如,相同烹饪条件下,利用锅铲翻炒时所产生的油烟浓度往往大于未利用锅铲翻炒时所产生的油烟浓度。这样便可以使得烹饪场景类别的划分更加贴近生活场景,烹饪场景类别的识别准确性更高,从而使得油烟浓度类别的识别准确性更高。
图2示出了本实施例中烹饪场景类别的一种划分方式,其以树形结构将烹饪场景类别细分为19个类别,具体地,其中以不同节点作为分类依据,例如,根节点代表采集到的烹饪图像中潜在的场景信息,叶节点代表单帧烹饪图像整体的油烟情况,通过有无来表示,对于锅具中存在食材的情况则直接给出该烹饪图像中的油烟浓度类别信息。并且其中每一类别均对应一个具体的多维场景信息,例如,编号为01的烹饪场景类别所对应的多维场景信息包括有锅盖、锅盖透明、有内容物、有烟、小中烟等多个场景信息,又例如,编号为09的烹饪场景类别所对应的多维场景信息包括有无锅盖、无内容物、油烟、80%的概率是小中烟、20%的概率是大烟,因此,本实施例中烹饪场景类别的划分不仅仅能够利用多维场景信息来细致地描述烹饪图像中所包含的信息,还有利于烹饪图像的准确区分。
进一步地,图2也示出了当前烹饪过程中锅盖信息、烹饪工具信息、食材信息等往往与油烟浓度类别或者油烟浓度数值大小存在一定关联,例如,在烹饪图像中存在锅铲并且锅具内有食材的情况下,若当前帧采集到的烹饪图像存在模糊拖影的现象,一般情况下可以认为采集到的烹饪图像为翻炒的图像,此时油烟浓度往往偏高,符合基本真实场景下的油烟情况。
参照图7,在本实施例的训练系统还可以包括:
多个油烟浓度采集模块421,用于在采集原始烹饪图像的同时,分别采集锅具上方呈正多边形分布的多个油烟浓度采集点的原始油烟浓度;
计算模块422,用于计算采集到的多个原始油烟浓度的平均值得到平均油烟浓度;
第一确定模块423,用于根据平均油烟浓度确定油烟浓度类别信息。
参照图4,本实施例中可以采用呈等边三角形放置在锅具区域上方10-15cm处的3个油烟浓度采集模块来作为油烟浓度采集点以采集原始油烟浓度,确保油烟浓度采集模块在可接受的高温环境下尽可能达到实时检测当前油烟浓度的目的,此外,由于油烟本身在升腾过程中各个点位的实时浓度会有一定的差异,故将3个采集点得到的油烟浓度的均值作为当前时刻的实际油烟浓度数值,以提高油烟浓度检测的准确性并避免出现油烟浓度检测迟滞的情况发生。进一步地,在本实施例中,油烟浓度采集模块优选采用PM2.5传感器,以克服传统的基于红外反射法和物理颗粒物检测所存在的检测不准确、意外障碍物干扰、无法实时检测等缺陷,但本实施例并不以此为限。
本实施例基于烹饪场景分类模型能够识别出烹饪图像所对应的烹饪场景类别,其中,烹饪场景类别对应包括油烟浓度类别信息以及锅盖信息、烹饪工具信息、食材信息、锅具信息等的多维场景信息,从而,能够基于图像分类的方式实现烹饪场景类别的识别,进而实现油烟浓度类别的识别,相比于直接识别烹饪图像的油烟浓度,本实施例基于烹饪场景类别的识别,能够避免由于烹饪图像本身的分辨率以及拖影等问题所导致的油烟浓度类别难以区分的情况,更加科学、客观且具有普适性。
实施例5
本实施例提供一种烹饪场景的检测系统,参照图8,本实施例的检测系统包括:
第二图像采集模块51,用于采集当前烹饪图像;
分类模块52,用于将当前烹饪图像输入训练好的烹饪场景分类模型,输出当前烹饪场景类别。
在本实施例中,烹饪场景分类模型利用实施例3提供的烹饪场景分类模型的训练系统训练得到,从而,输出的当前烹饪图像的当前烹饪场景类别对应包括有油烟浓度类别信息的多维场景信息,因此,可以基于当前烹饪图像所属烹饪场景类别的识别,来确定当前烹饪图像所对应的油烟浓度类别信息。
参照图8,本实施例的检测系统还包括:
第一控制模块53,用于根据当前烹饪场景类别对应的油烟浓度类别信息控制烟机的运行档位。
在本实施例中,基于当前烹饪图像实现了当前烹饪场景类别的识别,进而实现了当前油烟浓度类别信息的识别,并基于识别到的当前油烟浓度类别信息来实现对烟机运行档位的控制,例如,当前油烟浓度类别信息为小中烟时,控制烟机运行在小中烟档位。
本实施例在实施例4的基础上,在实现了烹饪场景的科学、客观、准确检测之余,还实现了烟机运行档位的自动控制,减轻了用户的负担,有利于提升用户体验。
实施例6
本实施例提供一种烹饪场景的检测系统,参照图9,本实施例的检测系统包括:
第二图像采集模块61,用于采集当前烹饪图像;
分类模块62,用于将当前烹饪图像输入训练好的烹饪场景分类模型,输出当前烹饪场景类别。
在本实施例中,烹饪场景分类模型利用实施例3提供的烹饪场景分类模型的训练系统训练得到,从而,输出的当前烹饪图像的当前烹饪场景类别对应包括有油烟浓度类别信息的多维场景信息,因此,可以基于当前烹饪图像所属烹饪场景类别的识别,来确定当前烹饪图像所对应的油烟浓度类别信息。
参照图9,本实施例的检测系统还包括:
第二确定模块63,用于根据预设映射关系以及当前烹饪场景类别确定当前油烟浓度数值;
第二控制模块64,用于根据确定得到的当前油烟浓度数值控制烟机的运行档位。
具体地,预设映射关系用于表征烹饪场景类别与油烟浓度数值之间的对应关系,以实现烹饪场景类别中油烟浓度的数值化,进而基于油烟浓度数值来实现烟机的档位控制,以避免烹饪场景分类模型所对应的油烟浓度类别信息的划分与烟机运行档位之间的不对应匹配,例如,在油烟浓度类别信息对应有四个油烟浓度类别而烟机运行档位仅对应有三档时,可以基于油烟浓度数值来确定烟机运行档位。
本实施例在实施例4的基础上,在实现了烹饪场景的科学、客观、准确检测之余,还实现了烟机运行档位的自动控制,减轻了用户的负担,有利于提升用户体验。
实施例7
本实施例提供一种烟机,包括实施例4或5提供的烹饪场景的检测系统,本实施例在实施例4或5的基础上,在实现了烹饪场景的科学、客观、准确检测之余,还实现了烟机运行档位的自动控制,减轻了用户的负担,有利于提升用户体验。
实施例8
本实施例提供一种电子设备,电子设备可以通过计算设备的形式表现(例如可以为服务器设备),包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中处理器执行计算机程序时可以实现实施例1提供的烹饪场景分类模型的训练方法,或者,实施例2或3提供的烹饪场景的检测方法。
图10示出了本实施例的硬件结构示意图,如图10所示,电子设备9具体包括:
至少一个处理器91、至少一个存储器92以及用于连接不同系统组件(包括处理器91和存储器92)的总线93,其中:
总线93包括数据总线、地址总线和控制总线。
存储器92包括易失性存储器,例如随机存取存储器(RAM)921和/或高速缓存存储器922,还可以进一步包括只读存储器(ROM)923。
存储器92还包括具有一组(至少一个)程序模块924的程序/实用工具925,这样的程序模块924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。
处理器91通过运行存储在存储器92中的计算机程序,从而执行各种功能应用以及数据处理,例如本发明实施例1所提供的烹饪场景分类模型的训练方法,或者,实施例2或3提供的烹饪场景的检测方法。
电子设备9进一步可以与一个或多个外部设备94(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口95进行。并且,电子设备9还可以通过网络适配器96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。网络适配器96通过总线93与电子设备9的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备9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(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例9
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现实施例1所提供的烹饪场景分类模型的训练方法的步骤,或者,实施例2或3提供的烹饪场景的检测方法的步骤。
其中,可读存储介质可以采用的更具体可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行实现实施例1所述的烹饪场景分类模型的训练方法的步骤,或者,实施例2或3提供的烹饪场景的检测方法的步骤。
其中,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发明的程序代码,所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (11)
1.一种烹饪场景分类模型的训练方法,其特征在于,包括:
采集多张原始烹饪图像,所述原始烹饪图像标记有烹饪场景类别,所述烹饪场景类别对应多维场景信息,所述多维场景信息在包括油烟浓度类别信息之外还包括锅盖信息、烹饪工具信息、食材信息、锅具信息中的至少一种;
利用采集到的多张原始烹饪图像训练烹饪场景分类模型,所述烹饪场景分类模型以原始烹饪图像为输入,以输入的原始烹饪图像对应的烹饪场景类别为输出。
2.如权利要求1所述的烹饪场景分类模型的训练方法,其特征在于,所述油烟浓度类别信息由以下步骤获取得到:
在采集原始烹饪图像的同时,分别采集锅具上方呈正多边形分布的多个油烟浓度采集点的原始油烟浓度;
计算采集到的多个原始油烟浓度的平均值得到平均油烟浓度;
根据所述平均油烟浓度确定所述油烟浓度类别信息。
3.一种烹饪场景的检测方法,其特征在于,包括:
采集当前烹饪图像;
将当前烹饪图像输入训练好的烹饪场景分类模型,输出当前烹饪场景类别,其中,所述烹饪场景分类模型利用如权利要求1或2所述的烹饪场景分类模型的训练方法训练得到。
4.如权利要求3所述的烹饪场景的检测方法,其特征在于,在所述输出当前烹饪场景类别的步骤之后还包括:
根据当前烹饪场景类别对应的油烟浓度类别信息控制烟机的运行档位;
或者,
在所述输出当前烹饪场景类别的步骤之后还包括:
根据预设映射关系以及当前烹饪场景类别确定当前油烟浓度数值,其中,所述预设映射关系用于表征烹饪场景类别与油烟浓度数值之间的对应关系;
根据确定得到的当前油烟浓度数值控制烟机的运行档位。
5.一种烹饪场景分类模型的训练系统,其特征在于,包括:
第一图像采集模块,用于采集多张原始烹饪图像,所述原始烹饪图像标记有烹饪场景类别,所述烹饪场景类别对应多维场景信息,所述多维场景信息在包括油烟浓度类别信息之外还包括锅盖信息、烹饪工具信息、食材信息、锅具信息中的至少一种;
训练模块,用于利用采集到的多张原始烹饪图像训练烹饪场景分类模型,所述烹饪场景分类模型以原始烹饪图像为输入,以输入的原始烹饪图像对应的烹饪场景类别为输出。
6.如权利要求5所述的烹饪场景分类模型的训练系统,其特征在于,所述训练系统还包括:
多个油烟浓度采集模块,在锅具上方呈正多边形分布,用于在所述第一图像采集模块采集原始烹饪图像的同时,分别采集原始油烟浓度;
计算模块,用于计算采集到的多个原始油烟浓度的平均值得到平均油烟浓度;
第一确定模块,用于根据所述平均油烟浓度确定所述油烟浓度类别信息。
7.一种烹饪场景的检测系统,其特征在于,包括:
第二图像采集模块,用于采集当前烹饪图像;
分类模块,用于将当前烹饪图像输入训练好的烹饪场景分类模型,输出当前烹饪场景类别,其中,所述烹饪场景分类模型利用如权利要求1或2所述的烹饪场景分类模型的训练方法训练得到。
8.如权利要求7所述的烹饪场景的检测系统,其特征在于,所述检测系统还包括:
第一控制模块,用于根据当前烹饪场景类别对应的油烟浓度类别信息控制烟机的运行档位;
或者,
所述检测系统还包括:
第二确定模块,用于根据预设映射关系以及当前烹饪场景类别确定当前油烟浓度数值,其中,所述预设映射关系用于表征烹饪场景类别与油烟浓度数值之间的对应关系;
第二控制模块,用于根据确定得到的当前油烟浓度数值控制烟机的运行档位。
9.一种烟机,其特征在于,包括如权利要求7或8所述的烹饪场景的检测系统。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1或2所述的烹饪场景分类模型的训练方法,或者,实现如权利要求3或4所述的烹饪场景的检测方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1或2所述的烹饪场景分类模型的训练方法的步骤,或者,实现如权利要求3或4所述的烹饪场景的检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110168940.1A CN112883859A (zh) | 2021-02-07 | 2021-02-07 | 烹饪场景的检测方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110168940.1A CN112883859A (zh) | 2021-02-07 | 2021-02-07 | 烹饪场景的检测方法、系统、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112883859A true CN112883859A (zh) | 2021-06-01 |
Family
ID=76056033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110168940.1A Pending CN112883859A (zh) | 2021-02-07 | 2021-02-07 | 烹饪场景的检测方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883859A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435279A (zh) * | 2021-06-17 | 2021-09-24 | 青岛海尔科技有限公司 | 烹饪时长的提醒方法及装置、存储介质及电子装置 |
CN114674023A (zh) * | 2022-05-31 | 2022-06-28 | 杭州老板电器股份有限公司 | 烟机自适应调节控制系统及其调节控制方法、吸油烟机 |
-
2021
- 2021-02-07 CN CN202110168940.1A patent/CN112883859A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435279A (zh) * | 2021-06-17 | 2021-09-24 | 青岛海尔科技有限公司 | 烹饪时长的提醒方法及装置、存储介质及电子装置 |
CN113435279B (zh) * | 2021-06-17 | 2023-12-19 | 青岛海尔科技有限公司 | 烹饪时长的提醒方法及装置、存储介质及电子装置 |
CN114674023A (zh) * | 2022-05-31 | 2022-06-28 | 杭州老板电器股份有限公司 | 烟机自适应调节控制系统及其调节控制方法、吸油烟机 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106971152B (zh) | 一种基于航拍图像的检测输电线路中鸟巢的方法 | |
Zhen et al. | Agent-based region growing for individual tree crown delineation from airborne laser scanning (ALS) data | |
CN112883859A (zh) | 烹饪场景的检测方法、系统、电子设备及存储介质 | |
CN107679183A (zh) | 分类器用训练数据获取方法和装置、服务器及存储介质 | |
CN110853070A (zh) | 基于显著性与Grabcut的水下海参图像分割方法 | |
CN113076849A (zh) | 基于动作识别的油烟机控制方法、系统、设备及存储介质 | |
Zhang et al. | Joint information fusion and multi-scale network model for pedestrian detection | |
CN109579092A (zh) | 一种根据工作环境进行烟灶联动的油烟机 | |
CN112903550B (zh) | 油烟浓度数据集生成方法、装置、系统、设备及介质 | |
CN106529455B (zh) | 一种基于SoC FPGA的快速人体姿态识别方法 | |
CN114898405A (zh) | 基于边缘计算的便携式肉鸡异常监测系统 | |
CN111783900A (zh) | 油烟浓度检测模型的训练方法以及烟机档位的控制方法 | |
Hua et al. | Kinect-based real-time acquisition algorithm of crop growth depth images | |
CN209487160U (zh) | 一种能对使用油品与历史数据对进行健康等级划分的油烟机 | |
Su | Data research on tobacco leaf image collection based on computer vision sensor | |
Tao et al. | Image edge detection based on ACO-PSO algorithm | |
CN109654559A (zh) | 一种能识别水汽与油烟的健康烹饪系统 | |
Zendel et al. | Vitro-model based vision testing for robustness | |
CN110619943A (zh) | 一种食谱推荐方法、装置、烹饪电器和计算机存储介质 | |
CN109712713A (zh) | 一种能对使用油品与历史数据对进行健康等级划分的油烟机 | |
CN109631111A (zh) | 一种能与健康营食资料库比对的自动烟灶系统 | |
CN111601418B (zh) | 色温调节方法、装置、存储介质和处理器 | |
CN115363432A (zh) | 模型训练方法、烹饪控制方法、系统、设备及介质 | |
CN110633679B (zh) | 一种基于遗传算法的指针式仪表示数自动识别方法及系统 | |
Bell et al. | Watching plants grow–a position paper on computer vision and Arabidopsis thaliana |
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 |