CN112906758A - 食材新鲜程度识别模型的训练方法、识别方法和设备 - Google Patents

食材新鲜程度识别模型的训练方法、识别方法和设备 Download PDF

Info

Publication number
CN112906758A
CN112906758A CN202110128693.2A CN202110128693A CN112906758A CN 112906758 A CN112906758 A CN 112906758A CN 202110128693 A CN202110128693 A CN 202110128693A CN 112906758 A CN112906758 A CN 112906758A
Authority
CN
China
Prior art keywords
freshness
food material
food
food materials
detection data
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
Application number
CN202110128693.2A
Other languages
English (en)
Inventor
傅峰峰
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.)
Guangzhou Fugang Life Intelligent Technology Co Ltd
Original Assignee
Guangzhou Fugang Wanjia Intelligent Technology 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 Guangzhou Fugang Wanjia Intelligent Technology Co Ltd filed Critical Guangzhou Fugang Wanjia Intelligent Technology Co Ltd
Priority to CN202110128693.2A priority Critical patent/CN112906758A/zh
Publication of CN112906758A publication Critical patent/CN112906758A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Nutrition Science (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Epidemiology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Preparation And Processing Of Foods (AREA)

Abstract

本发明公开了一种食材新鲜程度识别模型的训练方法、食材新鲜程度识别方法、存储介质和设备。该方法包括：步骤A.对在多个新鲜程度下的食材执行下述步骤，从而获得多组学习样本：S1.获取食材的气味检测数据，S2.以所述食材的气味检测数据作为输入信号，以所述新鲜程度作为输出信号，构成供人工神经网络进行新鲜程度识别训练的一组学习样本，步骤B.采用所述多组学习样本对人工神经网络进行新鲜程度识别训练，直至该人工神经网络具备根据食材的气味检测数据识别出该食材的新鲜程度的识别能力。使用该训练方法进行训练之后，能够对食材的新鲜变化过程进行新鲜程度识别，从而避免烹饪的食物已经变质的问题。

Description

食材新鲜程度识别模型的训练方法、识别方法和设备
技术领域
本发明涉及食材新鲜度检测技术领域，尤其涉及一种食材新鲜程度识别模型的训练方法、识别方法和设备。
背景技术
目前的智能烹饪设备，能够自动从冰箱中取出食材，然后进行烹饪。但是可能有部分食材因为存储不当而导致变质。现有技术中，有些智能冰箱会在每个存储室内设有气味扫描仪，通过气味扫描仪来检测存储室内的食材是否变质，目前这类智能冰箱的检测方式仅是采用单一的气味识别来判断是否变质，但是不能对食材的新鲜变化过程进行新鲜程度判断。
发明内容
本发明所要解决的技术问题是提供一种食材新鲜程度识别模型的训练方法、新鲜程度识别方法、用于存储被执行时可实现上述两个方法中任意一个方法的计算机可读存储介质以及包括该存储介质的智能烹饪设备，其训练得到的识别模型能对食材的新鲜变化过程进行新鲜程度识别。
为了解决上述技术问题，本发明的一种食材新鲜程度识别模型的训练方法，包括：
步骤A.分别对在多个新鲜程度下的食材执行下述步骤，从而获得多组学习样本：
——S1.获取食材的气味检测数据；
——S2.以所述食材的气味检测数据作为输入信号，以所述新鲜程度作为输出信号，构成供人工神经网络进行新鲜程度识别训练的一组学习样本；
步骤B.采用所述多组学习样本对人工神经网络进行新鲜程度识别训练，直至该人工神经网络具备根据食材的气味检测数据识别出该食材的新鲜程度的识别能力。
可选的，在所述步骤A中，所述食材是多种不同食材，在所述步骤S2中，增加食材的名称作为输入信号。
一种食材新鲜程度识别方法，包括：
步骤a.获取食材的气味检测数据；
步骤b.把所述气味检测数据输入已经训练好的食材新鲜程度识别模型中，从而获得所述食材的新鲜程度。
可选的，在所述步骤a之前，还包括步骤x.获取食材的名称；在所述步骤b中，把所述气味检测数据和所述食材的名称输入已经训练好的食材新鲜程度识别模型中。
可选的，在所述步骤a中，还包括在获取食材的气味检测数据之前，把需加热烹饪的食材加热至预设温度，从而使所述食材加速散发气味。
可选的，所述预设温度根据不同食材的种类确定。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如上所述的食材新鲜程度识别模型的训练方法或如上所述的食材新鲜程度识别方法。
一种智能烹饪设备，包括处理器以及存储有计算机程序的计算机可读存储介质，所述计算机程序被所述处理器执行时实现如上所述的食材新鲜程度识别方法。
可选的，包括电连接所述处理器的检测仓，所述检测仓中设有气味扫描仪和加热模块，所述气味扫描仪用于获取检测仓内的食材的气味检测数据，所述加热模块用于把所述检测仓内的食材加热至预设温度。
可选的，所述检测仓是可封闭的。
该食材新鲜程度识别模型的训练方法对在多个新鲜程度下的食材执行下述步骤，从而获得多组学习样本：获取食材的气味检测数据；然后以食材的气味检测数据作为输入信号，以所述新鲜程度作为输出信号，构成一组学习样本；然后采用所述多组学习样本对人工神经网络进行新鲜程度识别训练，使得该人工神经网络具备根据食材的气味检测数据识别出该食材的新鲜程度的识别能力，能够对食材的新鲜变化过程进行新鲜程度识别，从而避免烹饪的食物已经变质的问题。
附图说明
图1是食材新鲜程度识别模型的训练方法一的流程示意图；
图2是食材新鲜程度识别模型的训练方法二的流程示意图；
图3是食材新鲜程度检测方法的流程示意图；
图4是图3中的食材新鲜程度检测方法中的第二步的具体流程示意图；
图5是食材新鲜程度识别方法一的流程示意图；
图6是食材新鲜程度识别方法二的流程示意图；
图7是食材新鲜程度识别方法三的流程示意图；
图8是本发明提供的一种智能烹饪设备的结构框图。
具体实施方式
以下结合具体实施方式对本发明创造作进一步详细说明。
实施例一
如图8所示，一种智能烹饪设备，包括处理器和存储有计算机程序的计算机可读存储介质，所述计算机程序被所述处理器执行时实现该智能烹饪设备的功能。
该智能烹饪设备包括电连接处理器的机械手，能够根据烹饪订单控制机械手自动从冰箱中取出相应的食材并进行烹饪，无需人工参与。由于食材可能因为存储不当而变质，为避免取出变质的食材进行烹饪，智能烹饪设备在对食材进行加热烹饪之前先对食材进行新鲜程度检测。如图1所示，为了让人工神经网络具备根据食材的气味检测数据识别出该食材的新鲜程度的识别能力，需要采用多组学习样本对人工神经网络进行训练，训练方法如下：
步骤A.分别对在多个新鲜程度下的食材执行下述步骤，从而获得多组学习样本：
——S1.获取食材的气味检测数据，
——S2.以食材的气味检测数据作为输入信号，以新鲜程度作为输出信号，构成供人工神经网络进行新鲜程度识别训练的一组学习样本，
步骤B.采用所述多组学习样本对人工神经网络进行新鲜程度识别训练，直至该人工神经网络具备根据食材的气味检测数据识别出该食材的新鲜程度的识别能力。
以空心菜为例，对上述步骤A的具体过程进行说明：分别获取空心菜在优、良、中、差四个新鲜程度下的气味检测数据。然后以新鲜程度为优的空心菜的气味检测数据作为输入信号，以新鲜程度为优作为输出信号，构成第一组学习样本；以新鲜程度为良的空心菜的气味检测数据作为输入信号，以新鲜程度为良作为输出信号，构成第二组学习样本；以此类推，获得四组不同新鲜程度的学习样本。需要说明的是，同属于一个新鲜程度下的空心菜的气味检测数据可能会有所差异，因此，每个新鲜程度下的空心菜的学习样本的组数可以有多组。
由于人们常用的食材的种类有很多，例如，空心菜、芹菜、西红柿、娃娃菜、蒜苗、牛肉、猪肉、鸡肉等等，人工神经网络仅具备识别空心菜一种食材的新鲜程度的识别能力是远远不够的，因此，参照获得空心菜的学习样本的过程，分别获得上述的芹菜、西红柿、娃娃菜、蒜苗、牛肉、猪肉、鸡肉等各种食材的多组不同新鲜程度的学习样本。需要说明的是，常用的食材种类并不止所列举的例子，还可包括其他种类的食材。
在获得了空心菜、芹菜、西红柿、娃娃菜、蒜苗、牛肉、猪肉、鸡肉等各种食材在不同新鲜程度下的多组学习样本之后，采用这些学习样本对人工神经网络进行新鲜程度识别训练，直至该人工神经网络具备根据上述食材中的任意一种食材的气味检测数据识别出其新鲜程度的识别能力，也就是得到了能够根据上述食材中的任意一种食材的气味检测数据识别出其新鲜程度的食材新鲜程度识别模型，如此则可以利用该识别模型进行常用的各种食材的新鲜程度检测了。
假设智能烹饪设备接收到的烹饪订单所订的菜品为清炒空心菜，智能烹饪设备则控制机械手从冰箱中取出该烹饪订单所需的空心菜，然后按照如图3和4所示的检测方法对空心菜进行新鲜程度检测，该检测方法包括以下步骤：
判断食材是否需要进行加热烹饪，若是，则把需加热烹饪的所述食材加热至预设温度，从而使所述食材加速散发气味；
根据气味扫描仪采集到的气味检测数据确定所述食材的新鲜程度。
通过以下示例来说明该检测方法的具体过程：该智能烹饪设备包括电连接处理器的检测仓，如图8所示，该检测仓中设有加热模块和气味扫描仪，该检测仓可以是类似电饭锅的形状，作为独立模块设置于智能烹饪设备中。在机械手把一份空心菜从冰箱中取出之后，处理器控制检测仓打开，然后控制机械手将空心菜放入到检测仓中，随后封闭检测仓，然后控制检测仓启动加热模块往仓内输入暖气。在本实施例中，根据所要检测的食材的种类来确定检测仓所要加热到的温度，其中：蔬菜类食材的预设温度设为35℃，肉类食材的预设温度设为40℃。空心菜属于蔬菜类食材，因此，检测仓把空心菜加热至预设的35℃，从而使空心菜加速散发气味。气味扫描仪则采集空心菜的气味检测数据并将其传送给处理器。由于是在空心菜即将用于烹饪之前执行，空心菜本身需要加热烹饪，故对空心菜进行轻微加热不会影响其品质及口感。
处理器采用如图5或7所示的食材新鲜程度识别方法对空心菜的新鲜程度进行识别，该识别方法包括：
步骤a.获取食材的气味检测数据；
步骤b.把所述气味检测数据输入如上所述的已经训练好的食材新鲜程度识别模型中，从而获得所述食材的新鲜程度。
具体识别过程如下：处理器接收到空心菜的气味检测数据后，把空心菜的气味检测数据输入到已训练好的食材新鲜程度识别模型中，由该识别模型识别出该份空心菜的新鲜程度。若识别出该份空心菜的新鲜程度为优、良或中，意味着该份空心菜尚未变质，则控制机械手把该份空心菜抓取至烹饪区从而对空心菜进行烹饪，从而烹饪出清炒空心菜。若识别出该份空心菜的新鲜程度为差，意味着该份空心菜已变质，则控制机械手将该份空心菜传送至变质食材处理区，并控制机械手重新从冰箱中取出另一份空心菜并对新取出的空心菜进行新鲜程度检测，直至取出的空心菜是未变质的为止，然后对该空心菜进行烹饪从而烹饪出清炒空心菜。
实施例二
本实施例与实施例一基本相同，下文仅描述本实施例与实施例一的不同之处，相同之处不再赘述，请参考实施例一。
由于不同种类的食材的气味检测数据可能会相似，但两者的新鲜程度不同，若采用上述学习样本训练同一个人工神经网络，可能会出现识别结果偏差很大的问题，因此，本实施例采用的学习样本与实施例一不同，使得识别结果更加准确。
参阅图2，本实施例以食材的气味检测数据和食材的名称作为输入信号，以新鲜程度作为输出信号，构成供人工神经网络进行新鲜程度识别训练的一组学习样本。
以空心菜为例，其各个新鲜程度下的学习样本为：以新鲜程度为优的空心菜的气味检测数据和空心菜的名称作为输入信号，以新鲜程度为优作为输出信号，构成第一组学习样本；以新鲜程度为良的空心菜的气味检测数据和空心菜的名称作为输入信号，以新鲜程度为良作为输出信号，构成第二组学习样本；以此类推，获得四组不同新鲜程度的学习样本。同理，按照上述过程，分别获得上述的芹菜、西红柿、娃娃菜、蒜苗、牛肉、猪肉、鸡肉等各种食材的多组不同新鲜程度的学习样本。在获得了空心菜、芹菜、西红柿、娃娃菜、蒜苗、牛肉、猪肉、鸡肉等各种食材在不同新鲜程度下的多组学习样本之后，采用这些学习样本对人工神经网络进行新鲜程度识别训练，直至该人工神经网络具备根据上述食材中的任意一种食材的气味检测数据识别出其新鲜程度的识别能力。采用本实施例的学习样本训练得到的食材新鲜程度识别模型的识别准确率更高。
与实施例一不同，本实施例采用如图6所示的识别方法，仍以空心菜为例，处理器在接收到空心菜的气味检测数据之后，不仅把气味检测数据输入已训练好的食材新鲜程度识别模型中，还同时把空心菜的名称输入到上述食材新鲜程度识别模型中，由该食材新鲜程度识别模型识别出该份空心菜的新鲜程度。由于本实施例中增加了食材的名称作为输入信号，意味着增多了一个辅助识别的特征参数，故识别模型输出的识别结果更为准确。
最后应说明的是：本发明实施例公开的食材新鲜程度识别模型的训练方法和食材新鲜程度识别方法所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

Claims (10)

1.一种食材新鲜程度识别模型的训练方法，其特征是包括：
步骤A.分别对在多个新鲜程度下的食材执行下述步骤，从而获得多组学习样本：
——S1.获取食材的气味检测数据，
——S2.以所述食材的气味检测数据作为输入信号，以所述新鲜程度作为输出信号，构成供人工神经网络进行新鲜程度识别训练的一组学习样本；
步骤B.采用所述多组学习样本对人工神经网络进行新鲜程度识别训练，直至该人工神经网络具备根据食材的气味检测数据识别出该食材的新鲜程度的识别能力。
2.如权利要求1所述的食材新鲜程度识别模型的训练方法，其特征是：在所述步骤A中，所述食材是多种不同食材，在所述步骤S2中，增加食材的名称作为输入信号。
3.一种食材新鲜程度识别方法，其特征是包括：
步骤a.获取食材的气味检测数据；
步骤b.把所述气味检测数据输入如权利要求1所述的已经训练好的食材新鲜程度识别模型中，从而获得所述食材的新鲜程度。
4.如权利要求3所述的食材新鲜程度识别方法，其特征是：在所述步骤a之前，还包括步骤x.获取食材的名称；在所述步骤b中，把所述气味检测数据和所述食材的名称输入如权利要求2所述的已经训练好的食材新鲜程度识别模型中，从而获得食材的新鲜程度。
5.如权利要求3或4所述的食材新鲜程度识别方法，其特征是：在所述步骤a中，还包括在获取食材的气味检测数据之前，把需加热烹饪的食材加热至预设温度，从而使所述食材加速散发气味。
6.如权利要求5所述的食材新鲜程度识别方法，其特征是：所述预设温度根据不同食材的种类确定。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征是：所述计算机程序被执行时实现如权利要求1或2所述的食材新鲜程度识别模型的训练方法或如权利要求3至5中任一项所述的食材新鲜程度识别方法。
8.一种智能烹饪设备，包括处理器以及存储有计算机程序的计算机可读存储介质，其特征是：所述计算机程序被所述处理器执行时实现如权利要求3至8中任一项所述的食材新鲜程度识别方法。
9.如权利要求8所述的智能烹饪设备，其特征是：包括电连接所述处理器的检测仓，所述检测仓中设有气味扫描仪和加热模块，所述气味扫描仪用于获取检测仓内的食材的气味检测数据，所述加热模块用于把所述检测仓内的食材加热至预设温度。
10.如权利要求9所述的智能烹饪设备，其特征是：所述检测仓是可封闭的。
CN202110128693.2A 2021-01-29 2021-01-29 食材新鲜程度识别模型的训练方法、识别方法和设备 Pending CN112906758A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110128693.2A CN112906758A (zh) 2021-01-29 2021-01-29 食材新鲜程度识别模型的训练方法、识别方法和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110128693.2A CN112906758A (zh) 2021-01-29 2021-01-29 食材新鲜程度识别模型的训练方法、识别方法和设备

Publications (1)

Publication Number Publication Date
CN112906758A true CN112906758A (zh) 2021-06-04

Family

ID=76121377

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110128693.2A Pending CN112906758A (zh) 2021-01-29 2021-01-29 食材新鲜程度识别模型的训练方法、识别方法和设备

Country Status (1)

Country Link
CN (1) CN112906758A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113689408A (zh) * 2021-08-25 2021-11-23 东莞市春福润茶叶有限公司 训练神经网络识别茶饼发酵变化度的方法、发酵变化度识别方法、品质识别方法和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102680530A (zh) * 2011-03-17 2012-09-19 伊莱克斯家用产品股份有限公司 获得烹饪过程中的或用于烹饪过程的食物原料的信息的方法
CN105866190A (zh) * 2016-05-27 2016-08-17 南京信息工程大学 一种用于食品检测的电子鼻装置及检测方法
CN105911237A (zh) * 2016-06-28 2016-08-31 广东美的厨房电器制造有限公司 一种烹饪方法及烹饪装置
CN206601354U (zh) * 2017-04-16 2017-10-31 江苏农牧科技职业学院 一种基于电子鼻系统对猪肉新鲜度检测的简易实验系统
CN111665715A (zh) * 2020-05-15 2020-09-15 广州富港万嘉智能科技有限公司 对人工神经网络的训练方法、自动烹饪方法、计算机可读存储介质及烹饪设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102680530A (zh) * 2011-03-17 2012-09-19 伊莱克斯家用产品股份有限公司 获得烹饪过程中的或用于烹饪过程的食物原料的信息的方法
CN105866190A (zh) * 2016-05-27 2016-08-17 南京信息工程大学 一种用于食品检测的电子鼻装置及检测方法
CN105911237A (zh) * 2016-06-28 2016-08-31 广东美的厨房电器制造有限公司 一种烹饪方法及烹饪装置
CN206601354U (zh) * 2017-04-16 2017-10-31 江苏农牧科技职业学院 一种基于电子鼻系统对猪肉新鲜度检测的简易实验系统
CN111665715A (zh) * 2020-05-15 2020-09-15 广州富港万嘉智能科技有限公司 对人工神经网络的训练方法、自动烹饪方法、计算机可读存储介质及烹饪设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
石志标;佟月英;陈东辉;李扬;: "牛肉新鲜度的电子鼻检测技术", 农业机械学报, no. 11, pages 184 - 188 *
蒋爱民等: "《食品原料学 第3版》", 31 August 2018, 中国轻工业出版社, pages: 166 - 167 *
魏文松;邢瑶瑶;李永玉;彭彦昆;张文平;: "适于餐厅与家庭的叶菜外部品质在线检测与分级系统", 农业工程学报, no. 05, 8 March 2018 (2018-03-08), pages 264 - 273 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113689408A (zh) * 2021-08-25 2021-11-23 东莞市春福润茶叶有限公司 训练神经网络识别茶饼发酵变化度的方法、发酵变化度识别方法、品质识别方法和存储介质

Similar Documents

Publication Publication Date Title
CN109998360B (zh) 一种用于自动烹饪食物的方法和装置
CN106292368B (zh) 一种水槽及其智能控制方法
CN110780628A (zh) 烹饪设备的控制方法、装置、烹饪设备及存储介质
CN108133743A (zh) 一种信息推送的方法、装置和系统
CN110488696B (zh) 一种智能防干烧方法及系统
CN105938341A (zh) 自动化厨房系统及自动化烹饪方法
CN107095590A (zh) 烹饪方法及装置
AU2017380938B2 (en) Food preparation entity
CN112817237A (zh) 一种烹饪控制方法、装置、设备及存储介质
CN109581899B (zh) 一种烹饪任务执行方法、装置及储存介质
CN112906758A (zh) 食材新鲜程度识别模型的训练方法、识别方法和设备
CN111651982A (zh) 得到菜肴温度信息的方法及其神经网络训练方法、存储介质和菜肴风味重现方法
CN110989389A (zh) 一种菜谱的调整方法和装置
CN109691864B (zh) 一种烹饪控制方法、装置、烹饪设备及计算机存储介质
CN114092806A (zh) 识别方法及其装置、烹饪设备及其控制方法和存储介质
CN108013733A (zh) 烹饪控制方法、装置及系统
CN111723760B (zh) 一种适用于智慧厨房系统的数字菜谱生成方法及装置
CN114224189A (zh) 烹饪设备控制方法、装置及烹饪设备
CN111990902A (zh) 一种烹饪控制方法及装置、电子设备及存储介质
CN112782376A (zh) 食材新鲜程度检测方法、存储介质和智能烹饪设备
CN111103815A (zh) 一种菜谱的制作方法和装置
CN108134809A (zh) 一种信息推送的方法、装置和系统
CN110986105A (zh) 一种智能灶具的提示方法及具有提示功能的智能灶具
CN111419096B (zh) 一种食物加工的方法、控制器及食物加工设备
CN113936272A (zh) 烘焙指导方法、装置、电子设备及存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20211021

Address after: 510700 501-2, Guangzheng science and Technology Industrial Park, No. 11, Nanyun 5th Road, Science City, Huangpu District, Guangzhou City, Guangdong Province

Applicant after: GUANGZHOU FUGANG LIFE INTELLIGENT TECHNOLOGY Co.,Ltd.

Address before: 510700 501-1, Guangzheng science and Technology Industrial Park, No. 11, Yunwu Road, Science City, Huangpu District, Guangzhou City, Guangdong Province

Applicant before: GUANGZHOU FUGANG WANJIA INTELLIGENT TECHNOLOGY Co.,Ltd.