CN113218880A - 冰箱的食材检测方法、冰箱及存储介质 - Google Patents
冰箱的食材检测方法、冰箱及存储介质 Download PDFInfo
- Publication number
- CN113218880A CN113218880A CN202010070116.8A CN202010070116A CN113218880A CN 113218880 A CN113218880 A CN 113218880A CN 202010070116 A CN202010070116 A CN 202010070116A CN 113218880 A CN113218880 A CN 113218880A
- Authority
- CN
- China
- Prior art keywords
- food material
- refrigerator
- information
- spectral
- mathematical model
- 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
- 235000013305 food Nutrition 0.000 title claims abstract description 206
- 239000000463 material Substances 0.000 title claims abstract description 137
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000013178 mathematical model Methods 0.000 claims abstract description 122
- 230000003595 spectral effect Effects 0.000 claims abstract description 120
- 238000001228 spectrum Methods 0.000 claims description 51
- 238000000034 method Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 12
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000010183 spectrum analysis Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000009499 grossing Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000004321 preservation Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 241001122767 Theaceae Species 0.000 description 2
- RYYVLZVUVIJVGH-UHFFFAOYSA-N caffeine Chemical compound CN1C(=O)N(C)C(=O)C2=C1N=CN2C RYYVLZVUVIJVGH-UHFFFAOYSA-N 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 108010068370 Glutens Proteins 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- LPHGQDQBBGAPDZ-UHFFFAOYSA-N Isocaffeine Natural products CN1C(=O)N(C)C(=O)C2=C1N(C)C=N2 LPHGQDQBBGAPDZ-UHFFFAOYSA-N 0.000 description 1
- 229920002472 Starch Polymers 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 229960001948 caffeine Drugs 0.000 description 1
- VJEONQKOZGKCAK-UHFFFAOYSA-N caffeine Natural products CN1C(=O)N(C)C(=O)C2=C1C=CN2C VJEONQKOZGKCAK-UHFFFAOYSA-N 0.000 description 1
- 229920002678 cellulose Polymers 0.000 description 1
- 239000001913 cellulose Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000021312 gluten Nutrition 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- -1 moisture Substances 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 150000008442 polyphenolic compounds Chemical class 0.000 description 1
- 235000013824 polyphenols Nutrition 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 235000018102 proteins Nutrition 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000008107 starch Substances 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D11/00—Self-contained movable devices, e.g. domestic refrigerators
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D29/00—Arrangement or mounting of control or safety devices
- F25D29/003—Arrangement or mounting of control or safety devices for movable devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D29/00—Arrangement or mounting of control or safety devices
- F25D29/005—Mounting of control devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
Abstract
本发明揭示了一种冰箱的食材检测方法、冰箱及存储介质，食材检测方法通过对同一地区的多个冰箱的光谱数学模型进行汇总并分析其中可靠性更好的模型，有利于建立更为准确的标准光谱数学模型，由于同一个地区内用户能获取到的食材大体接近，扫描出的光谱信息也更加接近，在同一地区内设定该地区内的标准光谱数学模型，当该地区内新增冰箱后，直接获取该标准光谱数学模型能更快更方便地对食物进行检测，实现了智能保鲜，使冰箱的智能化程度更高，满足智能家庭的需求。
Description
技术领域
本发明涉及制冷设备领域，尤其涉及一种冰箱的食材检测方法、冰箱及存储介质。
背景技术
随着智能家居的发展，人们对家居设备的智能化提出了越来越高的要求，例如希望家居设备更懂自己的喜好，提供更智能化的服务，冰箱作为生活中高频使用的设备，智能化的前提包括了对存储物品的识别检测，在此基础上才能提供更多的扩展服务。
为了方便对食材进行识别，目前有通过拍照识别的方式的专利，但受到摆放方式和光线的限制，拍照识别本身存在识别结果不准确的问题，其次对于同一类型的食物存在多个品种，不同品种之间、不同产地之间都会有很大的差别，例如北方家庭冰箱内的食材构成和南方家庭的食材构成会有很大的差别，仅靠图像识别无法反应不同食材的差别，也无法进行更深度的分析，制约了冰箱的智能化的发展，无法满足智能家庭的需求。
发明内容
为解决现有技术中的问题，本发明的目的在于提供一种冰箱的食材检测方法、冰箱及存储介质。
为实现上述发明目的之一，本发明一实施例提供了一种冰箱的食材检测方法，包括步骤：
向服务器发送所述冰箱所在的位置信息、食材信息、以及与所述食材信息对应的光谱数学模型；
根据所述位置信息和所述食材信息设定模型区域范围；
对所述模型区域范围内的多个所述光谱数学模型按所述食材信息进行分类；
将同一所述食材信息的每个光谱数学模型均设置相等的初始权重值，所述光谱数学模型的实际权重值通过识别准确程度在所述初始权重值的基础上进行增加或减少，识别准确次数越多则所述实际权重值越高，识别不准确次数越多则所述实际权重值越低，识别次数越少则所述实际权重值趋近于所述初始权重值；
对同一食材信息的多个不同的所述光谱数学模型，选择所述实际权重值最高的光谱数学模型作为与所述食材信息对应的标准光谱数学模型。
作为本发明一实施例的进一步改进，还包括步骤：
在所述模型区域范围内匹配所述冰箱的位置信息，向所述冰箱发送所述模型区域范围内的多个食材信息的所述标准光谱数学模型。
作为本发明一实施例的进一步改进，在所述冰箱内放入食材后，若扫描的光谱信息冰箱内没有标准光谱数学模型匹配时，将所述光谱信息和所述位置信息发送到所述服务器；
根据所述光谱信息和所述位置信息在所述标准光谱数学模型中匹配出指定光谱数学模型。
作为本发明一实施例的进一步改进，还包括步骤：向所述冰箱发送所述指定光谱数学模型。
作为本发明一实施例的进一步改进，向所述冰箱发送所述指定光谱数学模型对应的食材信息。
作为本发明一实施例的进一步改进，所述食材信息包括食材的种类信息和产地信息。
作为本发明一实施例的进一步改进，所述步骤“根据所述位置信息和所述食材信息设定模型区域范围”包括：按相同的种类信息和产地信息在对应的所述位置信息上的富集比例设定所述模型区域范围。
作为本发明一实施例的进一步改进，所述位置信息由定位装置和/或所述冰箱所在网络的IP地址确定。
作为本发明一实施例的进一步改进，还包括步骤：
计算同一食材的多个参考光谱数学模型的权重相加后的总值除以对应的所述参考光谱数学模型的数量，其结果作为所述初始权重值，所述参考光谱数学模型为识别次数大于等于设定最低值的光谱数学模型。
为实现上述发明目的之一，本发明一实施例提供了一种冰箱，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，包括：
定位模块，检测所述冰箱所在的位置信息；
发送模块，向服务器发送所述位置信息、食材信息、以及与所述食材信息对应的光谱数学模型；
接收模块，接收所述服务器的标准光谱数学模型；
所述处理器执行所述计算机程序时可实现上述的冰箱的食材检测方法中的步骤。
为实现上述发明目的之一，本发明一实施例提供了一种存储介质，其存储有计算机程序，该计算机程序被处理器执行时可实现上述的冰箱的食材检测方法中的步骤。
与现有技术相比，本发明具有以下有益效果：通过对同一地区的多个冰箱的光谱数学模型进行汇总并分析其中可靠性更好的模型，有利于建立更为准确的标准光谱数学模型，由于同一个地区内用户能获取到的食材大体接近，扫描出的光谱信息也更加接近，在同一地区内设定该地区内的标准光谱数学模型，当该地区内新增冰箱后，直接获取该标准光谱数学模型能更快更方便地对食物进行检测，实现了智能保鲜，使冰箱的智能化程度更高，满足智能家庭的需求。
附图说明
图1是本发明冰箱的食材检测方法一实施例的流程图；
图2是本发明一实施例的结构示意图；
其中，1、定位模块；2、发送模块；3、接收模块；4、处理器；5、存储器；6、服务器。
具体实施方式
以下将结合附图所示的具体实施方式对本发明进行详细描述。但这些实施方式并不限制本发明，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
本发明一实施例提供本发明一实施例提供一种冰箱的食材检测方法、冰箱及存储介质，通过对食材进行光谱分析，并建立与之匹配的光谱数学模型，并持续的检验完善该模型，使得建立的光谱数学模型能准确与食材信息对应，从而实现用光谱分析的方法识别检测食物，实现了智能保鲜，使冰箱的智能化程度更高。
具体步骤包括：
1)在所述冰箱内放入第一食材，输入所述第一食材的食材信息；
检测所述第一食材的光谱信息，根据所述第一食材的食材信息和所述光谱信息建立所述第一食材的光谱数学模型；
2)在所述冰箱内放入与所述第一食材食材信息相同的第二食材，检测所述第二食材的光谱信息；
判断所述第二食材的光谱信息是否与所述第一光谱数学模型吻合；
若所述第二食材的光谱信息与所述第一光谱数学模型不吻合，根据所述第二食材的所述食材信息与所述光谱信息建立第二光谱数学模型；
若所述第二食材的光谱信息与所述第一光谱数学模型吻合，增加所述第一光谱数学模型的权重；
3)重复上述步骤2)，在所述冰箱内放入与所述第一食材食材信息相同的新的食材，检测所述新的食材的光谱信息；
判断所述新的食材的光谱信息是否与相同食材信息的若干光谱数学模型吻合，若与其一光谱数学模型吻合，增加所述光谱数学模型权重；
若新的食材的光谱信息与所有光谱数学模型均不吻合，根据新的食材的所述食材信息与所述光谱信息建立新的光谱数学模型；
4)将权重最高的光谱数学模型确定为该食材信息对应的光谱数学模型。
第一食材、第二食材和新的食材，可以是同一批次的水果、蔬菜或其他食物，这些食材的光谱信息大致相等，但由于个体信息不同存在差异，
所述食材信息包括所述食材的种类信息、产地和新鲜度，用户可以重复上述步骤，对不同产地、不同新鲜度、不同种类的食材进行多次操作，从而建立不同的食材的不同光谱数学模型。
用户在放入待冷藏或冷冻的食物时，根据食物本身的标签，对冰箱输入食物相关的信息，信息内容包括食物的种类，食物的产地，以及对新鲜度的大致判断，作为该食物信息的预设值。光谱仪对放入的食物进行扫描，获取该食物对应的光谱，将光谱信息与食物信息进行对应的标记和处理。
在初期阶段，可以通过两种途径进行光谱数学模型的录入，说明如下。
途径1
系统主要通过用户操作进行光谱数学模型的建立。例如用户放入多个桔子，产地为本地，新鲜度为成熟，光谱仪扫描出该食物的光谱信息，分析处理器将光谱信息与客户输入的信息进行匹配，再通过分析软件进行数据的处理，得到该类型的桔子的光谱数学模型。
途径2
冰箱内预设主要类型的食物的光谱数学模型的数据，该数据可以在出厂时预先存储，也可以在冰箱上设置连接服务器的接口，在服务器内存储主要的食物的光谱数学模型，再将其传输到冰箱中，这样该光谱数学模型的数据可以获得更新。
服务器内的光谱数学模型，可以通过上述的方法预先建立。用户冰箱内的模型，可以在已有的光谱数学模型的基础上，自定义的建立一些模型，例如用户当地的一些外地不常见的食材，可以由用户进行完善。对于处于同一区域的用户，日常购买到的相同的食材通常产地相同，光谱数据通常是较为接近的，服务器可以根据用户的所在地信息，传输对应区域的光谱数学模型的数据给用户，以帮助该冰箱快速建立光谱数学模型，实现了智能保鲜，使冰箱的智能化程度更高，满足智能家庭的需求。
具体地，包括步骤：
向服务器发送所述冰箱所在的位置信息、食材信息、以及与所述食材信息对应的光谱数学模型；
根据所述位置信息和所述食材信息设定模型区域范围；
对所述模型区域范围内的多个所述光谱数学模型按所述食材信息进行分类；
将同一所述食材信息的每个光谱数学模型均设置相等的初始权重值，所述光谱数学模型的实际权重值通过识别准确程度在所述初始权重值的基础上进行增加或减少，识别准确次数越多则所述实际权重值越高，识别不准确次数越多则所述实际权重值越低，识别次数越少则所述实际权重值趋近于所述初始权重值；
对同一食材信息的多个不同的所述光谱数学模型，选择所述实际权重值最高的光谱数学模型作为与所述食材信息对应的标准光谱数学模型。
进一步地，还包括步骤：
计算同一食材的多个参考光谱数学模型的权重相加后的总值除以对应的所述参考光谱数学模型的数量，其结果作为所述初始权重值，所述参考光谱数学模型为识别次数大于等于设定最低值的光谱数学模型。
多个食材信息对应的标准光谱数学模型可以组成标准光谱数学模型的模型库，该模型库内存储模型区域范围内的一些识别精准的食材信息，该模型库可以通过下述步骤来建立，设定一个参考值，得分大于该参考值的光谱数学模型进入该模型库，参考值由下述方法计算出：食材的光谱数学模型的权重乘以该光谱模型的识别次数，再加上初始权重值乘以所述设定最低值，将其结果除以该光谱模型的识别次数加上设定最低值的总和。
进一步地，在所述模型区域范围内匹配所述冰箱的位置信息，向所述冰箱发送所述模型区域范围内的多个食材信息的所述标准光谱数学模型。
进一步地，在所述冰箱内放入食材后，若扫描的光谱信息冰箱内没有标准光谱数学模型匹配时，将所述光谱信息和所述位置信息发送到所述服务器；
根据所述光谱信息和所述位置信息在所述标准光谱数学模型中匹配出指定光谱数学模型。
在服务器匹配出该食材对应的指定光谱数学模型后，可以采取两种方式进一步操作，其一实施例，是向所述冰箱发送所述指定光谱数学模型。
冰箱在获取该指定光谱数学模型后，后期对相同食材信息的食物能更方便的检测识别。
另一实施例，是向所述冰箱发送所述指定光谱数学模型对应的食材信息，这样减少冰箱的存储压力。
进一步地，所述食材信息包括食材的种类信息和产地信息。
通过种类信息可明确是什么食材，例如是苹果，产地信息可大体判断是什么品种，例如产地是阿克苏，则可能是阿克苏苹果，方便对食材信息归类，另外食材信息还可以包括食材的新鲜度的信息，对同一品种的食材的不同新鲜度进行不同阶段的区分。
进一步地，所述步骤“根据所述位置信息和所述食材信息设定模型区域范围”包括：按相同的种类信息和产地信息在对应的所述位置信息上的富集比例设定所述模型区域范围。
该富集比例可以人为设置，富集比例可以理解为密度，即同一食材信息在单位区域内的富集程度，该富集比例大于设定的值，即可人为该区域内持有该食材的用户较多，从而判断他们能购买到的其他食材种类也会大体接近，将他们划为同一模型区域范围。
进一步地，所述位置信息由定位装置和/或所述冰箱所在网络的IP地址确定。
进一步地，冰箱包括存储器5和处理器4，所述存储器5存储有可在处理器4上运行的计算机程序，包括：
定位模块1，检测所述冰箱所在的位置信息；
发送模块2，向服务器6发送所述位置信息、食材信息、以及与所述食材信息对应的光谱数学模型；
接收模块3，接收所述服务器6的标准光谱数学模型；
所述处理器4执行所述计算机程序时可实现上述的冰箱的食材检测方法中的任意一个步骤，也就是说，实现上述冰箱的食材检测方法中的任意一个技术方案中的步骤。
进一步地，本发明一实施例提供了一种存储介质，其存储有计算机程序，该计算机程序被处理器执行时可实现上述的冰箱的食材检测方法中的任意一个步骤，也就是说，实现上述冰箱的食材检测方法中的任意一个技术方案中的步骤。
服务器根据冰箱的所在网络对冰箱进行定位，或是用户自行输入冰箱的所在地址，或内置定位模块进行定位，服务器根据定位信息确定冰箱的位置，在同一区域内，该区域可以是一个城市，或者是一个区，可以是人为划定的一片范围，对一片区域内若多数食材的光谱数学模型都较为接近，则判断为所在位置接近，对该区域内的新的用户反馈该区域的光谱数学模型的均值。
在系统建立初步的数学模型后，将该数学模型与该食物对应进行保存，对于后期放入食材通过光谱数学模型检测出的食材信息与食材实际的食材信息不一致的食物，提示用户输入新的食物信息，且将该光谱数学模型不再对应该食材。若后期放入的光谱信息近似的食物，按下述步骤执行：
通过光谱仪扫描并经过软件处理分析后，将其与已有的光谱数学模型进行比较，若检测到的新的食物的光谱数学模型与已有某种食物的光谱数学模型判定结果为相同或近似时，则初步预判出放入的食物信息，例如是桔子，并增加该光谱数学模型判断为桔子的权重。
询问客户是否是桔子，以及新鲜度是否是当下桔子的状态，若用户选择识别不准确，提示输入该新的食物的信息，例如用户输入新的食物为橙子，系统建立该橙子的光谱数学模型，并将该光谱数据同时标记初步预判的食物信息和新的食物信息，例如标记为橙子-桔子副本，减少该光谱数学模型识别为橙子的权重；若用户选择识别准确，则将该光谱数据继续标记为对应的食物信息，例如桔子-副本，增加该光谱数学模型识别为桔子的权重。
待下次客户放入该光谱信息近似的食物后，例如光谱分析仍识别为第一次检测的桔子对应的光谱模型，咨询用户是第一次的光谱数学模型的食物信息，还是新录入的食物信息，例如咨询用户是桔子还是橙子，若用户确认是桔子，对该光谱数学模型判断为桔子的权重增加，判断为橙子的权重减小；若用户判断为橙子，对该光谱数学模型判断为橙子的权重增加，判断为桔子的权重减小，对于光谱分析识别为第二次检测的橙子对应的光谱模型同理。若用户判断都不是，重复提示用户输入该新的食物的信息的步骤，并建立新的光谱数学模型，在下次检测时对新的食物提示用户判断，并增加相应权重。
重复上述步骤多次后，某一类食物的权重最高，则判断该模型对应的食物的信息的光谱数学模型最接近真实情况，用户端的冰箱的光谱数学模型的建立确认基本完成。
光谱识别分析可以分为多个阶段进行，初期使用时，在客户放入食物，输入食物信息后，光谱分析针对当前食物的种类，进行该种类的特定的成分或性质的分析，不同种类的食物需要检测的内容分析的参数可以系统预先存储或从服务器获取，例如对于面包类的烘焙食品，主要检测指标包括脂肪、蛋白质、水分、淀粉、面筋等，例如对于水果类的食品，主要检测指标包括糖分、酸度、维生素、水分、纤维素、品质分级、成熟度、硬度等，例如放置的是茶叶，主要检测指标包括老嫩度、茶多酚、氨基酸、咖啡碱、品质分级、总氮、水分、品种鉴定、真假识别等。
在后期使用的过程中，通过多次放入食品，已经能通过光谱分析识别出放置的食物信息后，根据分析出的食物种类和产地等信息，进行该食物的特定的成分或性质的具体分析，对于特定的食物特定成分的分析，使得识别出的结果更加专业具体，符合用户的需求。
光谱分析可以采用近红外光谱分析或高光谱分析，这些分析技术较为成熟，记录了含氢基团，如C-O、O-H、N-H、S-H、P-H等信息，对不同基团的检测都很准确，非常适合应用于有机物的检测，能对食物进行定性和定量的识别。
在光谱数学建模的过程中，包括扫描识别采集数据、识别出食物所在的背景信息、测定食物中各物质和成分的化学值、去除异常值、选择合适的光谱区域、选择合适的算法和参数进行建模、检验校准模型等多个阶段，详细展开如下：
为了减少不同次识别出现的随机误差，将冰箱中的某一区域设定为专门用于光谱分析的区域，例如选取在保鲜抽屉的范围专门进行光谱分析，这样的好处是使得整个光谱检测空间不会做得过大，每次检测食物光谱到食物的距离相近，且该区域内温度、湿度通常稳定，不易因直冷冰箱的冷热不均、风冷冰箱的空气流通导致湿度不均产生过大的波动，在该区域内布设光谱分析仪，对食物进行光谱扫描分析。
对于保鲜抽屉内的具体空间，食物的背景大多一致，光谱分析针对该背景扫描到得到背景的光谱信息，在后期对食物的扫描过程中，每次也都包括相同的背景信息，即可通过算法将该类背景信息识别并针对性的去除该背景信息分析食物本身，防止不同位置的背景不同导致检测结果的差异。
通过检测到的食物光谱，进行食物种类的分析，或者在被告知具体食物信息后，对该类型的食物进行对应的分析，获得该待测定的食物的各物质和成分的化学值的数据。
剔除异常值，当某个食物录入的信息与光谱检测到的信息有巨大差异，例如由于随机的原因产生严重的失真时，该检测值称为异常值。对于检测本身产生的异常值，可以称为噪音的部分，可以通过数学方法进行去除，常用的方法包括平滑算法、导数算法、多元散射矫正、数据增强算法等，平滑算法可以通过包括卷积平滑算法、移动平滑算法等，导数算法运用一阶和二阶导数进行校正处理，多元散射矫正消除分布不均产生的影响，数据增强算法包括均值中心化、标准化和归一化等，将上述噪音去除，得到更符合食物本身的真实特性的光谱数据。
选择合适的光谱区域，若光谱数据越多，真实性越好，但误差也会变多，所以选择合适的能体现食物特性部分的光谱区域进行保留，能减少其他误差大的或失真的数据的分析，减小了工作量，也提高了检测精度。
根据得到的参数，选择合适的算法，常用的算法包括偏最小二乘法、逐步回归分析、主成分回归分析等，利用光谱的数据，消除背景的噪声，可以利用滤波、求导、傅里叶变换等方式降低光谱的背景噪音，建立更准确的光谱数学模型。针对不同的食物类型建立各自合适的光谱数学模型，有的食物也可以同时建立多套模型。
在光谱数学模型建立后，即可对后期放入的食物进行分析，若该光谱数学模型分析得到的信息用户判断为不一致，则做出调整，对于多套模型，则对不同模型得到的结果进行评价，迭代多次后得出吻合最好的模型。
与现有技术相比，本实施例具有以下有益效果：利用光谱分析的方法对食材的信息进行建模，得出食材信息-光谱数学模型之间的关系，并通过多次迭代、学习的方式增强该光谱数学模型的精准程度，完善出更能体现食材信息的光谱数学模型，从而在后期使用过程中通过光谱分析能更准确的判断食材的信息，实现了智能保鲜，使冰箱的智能化程度更高，满足智能家庭的需求。
上文所列出的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
Claims (11)
1.一种冰箱的食材检测方法，其特征在于，包括步骤：
向服务器发送所述冰箱所在的位置信息、食材信息、以及与所述食材信息对应的光谱数学模型；
根据所述位置信息和所述食材信息设定模型区域范围；
对所述模型区域范围内的多个所述光谱数学模型按所述食材信息进行分类；
将同一所述食材信息的每个光谱数学模型均设置相等的初始权重值，所述光谱数学模型的实际权重值通过识别准确程度在所述初始权重值的基础上进行增加或减少，识别准确次数越多则所述实际权重值越高，识别不准确次数越多则所述实际权重值越低，识别次数越少则所述实际权重值趋近于所述初始权重值；
对同一食材信息的多个不同的所述光谱数学模型，选择所述实际权重值最高的光谱数学模型作为与所述食材信息对应的标准光谱数学模型。
2.根据权利要求1所述的冰箱的食材检测方法，其特征在于，还包括步骤：
在所述模型区域范围内匹配所述冰箱的位置信息，向所述冰箱发送所述模型区域范围内的多个食材信息的所述标准光谱数学模型。
3.根据权利要求1所述的冰箱的食材检测方法，其特征在于，在所述冰箱内放入食材后，若扫描的光谱信息冰箱内没有标准光谱数学模型匹配时，将所述光谱信息和所述位置信息发送到所述服务器；
根据所述光谱信息和所述位置信息在所述标准光谱数学模型中匹配出指定光谱数学模型。
4.根据权利要求3所述的冰箱的食材检测方法，其特征在于，还包括步骤：向所述冰箱发送所述指定光谱数学模型。
5.根据权利要求3所述的冰箱的食材检测方法，其特征在于，向所述冰箱发送所述指定光谱数学模型对应的食材信息。
6.根据权利要求1所述的冰箱的食材检测方法，其特征在于，所述食材信息包括食材的种类信息和产地信息。
7.根据权利要求6所述的冰箱的食材检测方法，其特征在于，所述步骤“根据所述位置信息和所述食材信息设定模型区域范围”包括：按相同的种类信息和产地信息在对应的所述位置信息上的富集比例设定所述模型区域范围。
8.根据权利要求1所述的冰箱的食材检测方法，其特征在于，所述位置信息由定位装置和/或所述冰箱所在网络的IP地址确定。
9.根据权利要求1所述的冰箱的食材检测方法，其特征在于，还包括步骤：
计算同一食材的多个参考光谱数学模型的权重相加后的总值除以对应的所述参考光谱数学模型的数量，其结果作为所述初始权重值，所述参考光谱数学模型为识别次数大于等于设定最低值的光谱数学模型。
10.一种冰箱，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，其特征在于，包括：
定位模块，检测所述冰箱所在的位置信息；
发送模块，向服务器发送所述位置信息、食材信息、以及与所述食材信息对应的光谱数学模型；
接收模块，接收所述服务器的标准光谱数学模型；
所述处理器执行所述计算机程序时可实现权利要求1至9中任意一项所述的冰箱的食材检测方法中的步骤。
11.一种存储介质，其存储有计算机程序，其特征在于，该计算机程序被处理器执行时可实现权利要求1至9中任意一项所述的冰箱的食材检测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010070116.8A CN113218880B (zh) | 2020-01-21 | 2020-01-21 | 冰箱的食材检测方法、冰箱及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010070116.8A CN113218880B (zh) | 2020-01-21 | 2020-01-21 | 冰箱的食材检测方法、冰箱及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113218880A true CN113218880A (zh) | 2021-08-06 |
| CN113218880B CN113218880B (zh) | 2023-05-16 |
Family
ID=77085192
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010070116.8A Active CN113218880B (zh) | 2020-01-21 | 2020-01-21 | 冰箱的食材检测方法、冰箱及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113218880B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011257218A (ja) * | 2010-06-08 | 2011-12-22 | Sharp Corp | 成分分析装置、成分分析システム、および成分分析方法 |
| US20120286046A1 (en) * | 2010-10-15 | 2012-11-15 | Verrana, Llc | Data word analysis by spectroscopy |
| CN104062263A (zh) * | 2014-07-11 | 2014-09-24 | 中国农业大学 | 光物性相近水果品质指标的近红外通用模型检测方法 |
| US20160150213A1 (en) * | 2014-11-21 | 2016-05-26 | Christopher M. MUTTI | Imaging system for object recognition and assessment |
| CN106871568A (zh) * | 2016-12-30 | 2017-06-20 | 青岛海尔智能技术研发有限公司 | 冰箱内部食物的种类识别方法与冰箱 |
| WO2017135742A1 (ko) * | 2016-02-03 | 2017-08-10 | 주식회사 원더풀플랫폼 | 식재료 관리 시스템 및 식재료 관리 방법, 식재료를 이용한 레시피 제공 방법 및 이를 실행하는 서버, 식재료를 이용한 창작 레시피 생성방법 |
| US20170262973A1 (en) * | 2016-03-14 | 2017-09-14 | Amazon Technologies, Inc. | Image-based spoilage sensing refrigerator |
| CN107886028A (zh) * | 2016-09-29 | 2018-04-06 | 九阳股份有限公司 | 一种冰箱的食材录入方法及食材录入装置 |
| CN108319968A (zh) * | 2017-12-27 | 2018-07-24 | 中国农业大学 | 一种基于模型融合的果蔬图像分类识别方法及系统 |
| CN108662843A (zh) * | 2017-03-27 | 2018-10-16 | 青岛海尔智能技术研发有限公司 | 冰箱内食物的检测系统与冰箱 |
| CN108662842A (zh) * | 2017-03-27 | 2018-10-16 | 青岛海尔智能技术研发有限公司 | 冰箱内食物的检测系统与冰箱 |
| CN108846314A (zh) * | 2018-05-08 | 2018-11-20 | 天津大学 | 一种基于深度学习的食材辨识系统和食材辨识方法 |
| WO2019112364A1 (ko) * | 2017-12-08 | 2019-06-13 | 한양대학교에리카산학협력단 | 식품 정보 관리 장치 및 식품 정보 관리 방법 |
-
2020
- 2020-01-21 CN CN202010070116.8A patent/CN113218880B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011257218A (ja) * | 2010-06-08 | 2011-12-22 | Sharp Corp | 成分分析装置、成分分析システム、および成分分析方法 |
| US20120286046A1 (en) * | 2010-10-15 | 2012-11-15 | Verrana, Llc | Data word analysis by spectroscopy |
| CN104062263A (zh) * | 2014-07-11 | 2014-09-24 | 中国农业大学 | 光物性相近水果品质指标的近红外通用模型检测方法 |
| US20160150213A1 (en) * | 2014-11-21 | 2016-05-26 | Christopher M. MUTTI | Imaging system for object recognition and assessment |
| WO2017135742A1 (ko) * | 2016-02-03 | 2017-08-10 | 주식회사 원더풀플랫폼 | 식재료 관리 시스템 및 식재료 관리 방법, 식재료를 이용한 레시피 제공 방법 및 이를 실행하는 서버, 식재료를 이용한 창작 레시피 생성방법 |
| US20170262973A1 (en) * | 2016-03-14 | 2017-09-14 | Amazon Technologies, Inc. | Image-based spoilage sensing refrigerator |
| CN107886028A (zh) * | 2016-09-29 | 2018-04-06 | 九阳股份有限公司 | 一种冰箱的食材录入方法及食材录入装置 |
| CN106871568A (zh) * | 2016-12-30 | 2017-06-20 | 青岛海尔智能技术研发有限公司 | 冰箱内部食物的种类识别方法与冰箱 |
| CN108662843A (zh) * | 2017-03-27 | 2018-10-16 | 青岛海尔智能技术研发有限公司 | 冰箱内食物的检测系统与冰箱 |
| CN108662842A (zh) * | 2017-03-27 | 2018-10-16 | 青岛海尔智能技术研发有限公司 | 冰箱内食物的检测系统与冰箱 |
| WO2019112364A1 (ko) * | 2017-12-08 | 2019-06-13 | 한양대학교에리카산학협력단 | 식품 정보 관리 장치 및 식품 정보 관리 방법 |
| CN108319968A (zh) * | 2017-12-27 | 2018-07-24 | 中国农业大学 | 一种基于模型融合的果蔬图像分类识别方法及系统 |
| CN108846314A (zh) * | 2018-05-08 | 2018-11-20 | 天津大学 | 一种基于深度学习的食材辨识系统和食材辨识方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113218880B (zh) | 2023-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110411957B (zh) | 水果货架期及新鲜程度的无损快速预测方法及装置 | |
| CN109100323B (zh) | 一种苹果水心病的透射光谱无损定量评价方法 | |
| CN107219184A (zh) | 一种应用于产地溯源的肉类鉴别方法及装置 | |
| CN110987865A (zh) | 一种基于近红外光谱检测无花果品质的方法 | |
| CN109142269A (zh) | 一种冰鲜牛肉不同储存时间的快速鉴别方法 | |
| Rafiq et al. | Application of computer vision system in food processing | |
| CN110702637A (zh) | 一种热鲜和冷鲜羊肉的近红外在线融合快速判别方法 | |
| CN112986174A (zh) | 一种基于近红外光谱的果蔬优选分拣方法、系统及可读存储介质 | |
| CN116485418A (zh) | 一种茶叶精制生产溯源方法及系统 | |
| CN110308111B (zh) | 一种应用近红外光谱技术快速预测远安黄茶闷黄时间的方法 | |
| Liu et al. | Identification of heat damage in imported soybeans based on hyperspectral imaging technology | |
| CN108169168A (zh) | 检测分析水稻籽粒蛋白质含量数学模型及构建方法和应用 | |
| CN112974303B (zh) | 一种基于高光谱的果品品质检测方法、设备及介质 | |
| US20230187030A1 (en) | Rapid quantitative evaluation method for taste characteristics of fried rice | |
| CN113218880B (zh) | 冰箱的食材检测方法、冰箱及存储介质 | |
| CN113218141B (zh) | 冰箱的食材检测方法、冰箱及存储介质 | |
| CN113310937A (zh) | 高温灭菌牛奶、巴氏杀菌奶牛鲜奶及奶粉复原牛奶的快速鉴定方法 | |
| CN113449792A (zh) | 一种无损快速检测食品质量的方法 | |
| CN113220658B (zh) | 冰箱的食材检测方法、冰箱及存储介质 | |
| CN102519903B (zh) | 一种近红外光谱测定双孢蘑菇白度值的方法 | |
| CN110320174B (zh) | 应用polynomial net结构人工神经网络快速预测远安黄茶闷黄时间的方法 | |
| CN113218878A (zh) | 冰箱的食材新鲜度的判断方法、冰箱及存储介质 | |
| Liu et al. | Feasibility of nondestructive detection of apple crispness based on spectroscopy and machine vision | |
| CN114036335A (zh) | 一种食物质量等级判断方法、系统、智能终端及存储介质 | |
| CN113218879A (zh) | 冰箱的食材存储方法、冰箱及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |