CN113409318A - 一种基于图像处理的厨房油烟检测方法 - Google Patents

一种基于图像处理的厨房油烟检测方法 Download PDF

Info

Publication number
CN113409318A
CN113409318A CN202110957029.9A CN202110957029A CN113409318A CN 113409318 A CN113409318 A CN 113409318A CN 202110957029 A CN202110957029 A CN 202110957029A CN 113409318 A CN113409318 A CN 113409318A
Authority
CN
China
Prior art keywords
oil smoke
action
reward
value
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.)
Granted
Application number
CN202110957029.9A
Other languages
English (en)
Other versions
CN113409318B (zh
Inventor
程小康
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.)
Jiangsu Le'er Environmental Technology Co ltd
Original Assignee
Jiangsu Le'er Environmental 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 Jiangsu Le'er Environmental Technology Co ltd filed Critical Jiangsu Le'er Environmental Technology Co ltd
Priority to CN202110957029.9A priority Critical patent/CN113409318B/zh
Publication of CN113409318A publication Critical patent/CN113409318A/zh
Application granted granted Critical
Publication of CN113409318B publication Critical patent/CN113409318B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Dispersion Chemistry (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明一种基于图像处理的厨房油烟检测方法，包括以下步骤：步骤
Figure 100004_DEST_PATH_IMAGE002
：基础信息获取，括人员信息感知和油烟浓度信息感知，获取人员信息和油烟浓度信息，用于后续进行奖励矩阵的生成；步骤
Figure 100004_DEST_PATH_IMAGE004
：基于油烟浓度和人员动作生成奖励矩阵,用于获取基准人员动作序列；步骤
Figure 100004_DEST_PATH_IMAGE006
：帧差间隔确定，用于自适应获取帧差间隔，以提高油烟检测的准确率；步骤

Description

一种基于图像处理的厨房油烟检测方法
技术领域
本申请涉及油烟检测技术领域，具体涉及一种基于图像处理的厨房油烟检测方法。
背景技术
目前，在现有技术中油烟检测通常直接通过帧差法进行检测，如中国专利授权公开号为CN108760590B，公开了一种基于图像处理的厨房油烟浓度检测与干扰排除方法，其直接以固定帧进行帧差操作处理，进而获取油烟运动信息，采用该方法，若所选取帧数较小，可能存在油烟变化不明显，不易分辨出油烟变化情况；若选取帧数较大，可能存在油烟变化程度过大，导致变化过程细节信息丢失，不仅不便于获取基准油烟浓度变化信息，同时也使得油烟检测的准确率不高。
发明内容
针对上述问题，本发明提出了一种基于图像处理的厨房油烟检测方法，该方法包括以下步骤：
步骤
Figure DEST_PATH_IMAGE001
：基础信息获取，括人员信息感知和油烟浓度信息感知，获取人员信息和油烟浓度信息，用于后续进行奖励矩阵的生成；
步骤
Figure 101238DEST_PATH_IMAGE002
：基于油烟浓度和人员动作生成奖励矩阵,用于获取基准人员动作序列；
步骤
Figure DEST_PATH_IMAGE003
：帧差间隔确定，用于自适应获取帧差间隔，以提高油烟检测的准确率；
步骤
Figure 549537DEST_PATH_IMAGE004
：油烟检测，用于感知油烟浓度，进而进行油烟机风口控制。
有益效果：
（1）基于本申请所述奖励矩阵获取步骤，相较于现有技术有益效果在于通过奖励值确定当前浓度下的基准动作，便于获取基准油烟浓度变化信息；
（2）基于本申请所述帧差间隔确定步骤，相较于现有技术有益效果在于根据实际动作序列信息与动作序列信息对比获取偏差量，进而帧差间隔的自适应获取，提高了基于帧差法进行油烟检测的准确率。
具体实施方式
为了让本领域技术人员更好的理解本发明，下面结合实施例和附图对本发明展开描述。
为了实现本发明所述内容，本发明设计了一种基于图像处理的厨房油烟检测方法，包括以下步骤：
步骤
Figure 361898DEST_PATH_IMAGE001
，基础信息获取，该步骤的目的：获取人员信息和油烟浓度信息，能够带来的好处:用于后续进行奖励矩阵的生成，所用先验知识为：关键点检测网络。
输入为：视频序列和传感器检测值序列，进行人员信息感知和油烟浓度信息感知处理，输出为：人员信息和油烟浓度信息。
其中，所述人员信息感知具体为：通过关键点检测网络获取人体关键点、厨具关键点和容器关键点，所述人体关键点包括头部、手部、肘部、肩部和根节点共8个关键点类别；即上述网络输出为十个通道的热力图；所述厨具包括如锅铲、勺、筷子等；所述容器包括碗、罐等；关键点网络的输入为单帧图像，输出为关键点热力图，在本申请中以已知时间戳的视频序列中的各帧图像作为输入，获取对应的关键点热力图；
需要说明的是，在本发明中默认烹饪用具位置固定不变，又由于本申请相机位姿固定，则易将烹饪用具中心点位置在图像中标注出来，该操作由实施者根据厨房环境信息自行标注；以烹饪用具中心点为圆心，设置第一半径
Figure DEST_PATH_IMAGE005
和第二半径
Figure 288265DEST_PATH_IMAGE006
，以圆心和第一半径生成第一圆形区域作为第一感兴趣区域，以圆心和第二半径生成第二圆形区域，第二圆形区域中不属于第一圆形区域的区域为第二感兴趣区域，需要说明的是，第二半径
Figure 368217DEST_PATH_IMAGE006
大于第一半径
Figure 456259DEST_PATH_IMAGE005
；当某帧图像中手部关键点位于第二感兴趣区域且厨具关键点位于第一感兴趣区域，则判该帧为翻炒动作，动作类别标识为2；当某帧图像中手部关键点位于第二感兴趣区域且容器关键点位于第一感兴趣区域，则判该帧为倾倒动作，动作类别标识为3；否则，判断为等待动作动作类别标识为1；各帧动作信息即为人员信息；
其中，所述油烟浓度信息感知具体为：通过油烟浓度检测传感器获取各时刻的油烟浓度，各时刻油烟浓度以采集信息的时间戳作为时间标识；上述人员信息和油烟浓度信息通过时间戳进行一一对应；
步骤
Figure 988871DEST_PATH_IMAGE002
，奖励矩阵获取：该步骤的目的：获取以浓度和动作为行信息和列信息的奖励矩阵，能够带来的好处:可基于奖励信息获取基准油烟浓度变化信息，考虑到人员动作及动作发生时间对油烟浓度变化的影响，获取到较为准确的基准油烟浓度变化信息；
输入为：人员信息和油烟浓度信息，进行奖励矩阵获取处理，输出为：奖励矩阵。
所述奖励矩阵获取具体为:
1）以油烟浓度作为行信息，以人员动作作为列信息生成初始奖励矩阵，初始奖励矩阵中元素值均为0，例如油烟浓度分为十个区间，为细化奖励矩阵以获取更好的分析效果，实施者可将区间个数设置为较大的值，人员动作基于上述人员信息获取为三个类别，则矩阵尺寸为10*3;
2）在不考虑人员动作自身特性影响的情况下，一组油烟浓度和人员动作可唯一对应一个奖励值，即在某个油烟浓度下，采取某种动作的奖励值，第
Figure DEST_PATH_IMAGE007
个区间的油烟浓度以
Figure 718930DEST_PATH_IMAGE008
表示，第
Figure DEST_PATH_IMAGE009
个类别人员动作以
Figure 918967DEST_PATH_IMAGE010
表示，则奖励值可表示为
Figure DEST_PATH_IMAGE011
，
Figure 443489DEST_PATH_IMAGE012
表示以
Figure DEST_PATH_IMAGE013
和
Figure 994556DEST_PATH_IMAGE014
为参数的映射函数，奖励值与油烟浓度变化值
Figure DEST_PATH_IMAGE015
呈负相关关系，显然，在烹饪过程中，无论油烟浓度为任何值，动作对应的奖励值大小均应为
Figure 761262DEST_PATH_IMAGE016
，其中，
Figure DEST_PATH_IMAGE017
表示在油烟浓度位于第
Figure 815805DEST_PATH_IMAGE007
个区间时采取倾倒动作的奖励值，
Figure 511229DEST_PATH_IMAGE018
表示在油烟浓度位于第
Figure 18434DEST_PATH_IMAGE007
个区间时采取翻炒动作的奖励值，
Figure 559136DEST_PATH_IMAGE017
表示在油烟浓度位于第
Figure 468187DEST_PATH_IMAGE007
个区间时采取等待动作的奖励值;
3）构建奖励矩阵生成网络，网络输入为离散时序下的
Figure DEST_PATH_IMAGE019
序列；
Figure 334511DEST_PATH_IMAGE019
序列送入特征提取编码器中获取特征张量，特征张量送入奖励矩阵生成解码器中，输出奖励矩阵，也即网络输出为奖励矩阵，该奖励矩阵与初始奖励矩阵尺寸一致。
其中，奖励矩阵生成网络训练过程具体为：将多组基于不同场景下不同烹饪内容的视频序列获取的
Figure 329012DEST_PATH_IMAGE019
作为训练数据集，该网络的训练无需人为标注，网络的损失函数为
Figure 938985DEST_PATH_IMAGE020
；其中，
Figure DEST_PATH_IMAGE021
为动作损失，具体地，
Figure 968121DEST_PATH_IMAGE022
,
Figure 5347DEST_PATH_IMAGE021
损失用于确保动作对应的奖励值大小满足
Figure 221565DEST_PATH_IMAGE016
，采用指数函数的目的为令变量小于0时，
Figure 871114DEST_PATH_IMAGE021
项较小，为小于1的数，变量大于0时，
Figure 489177DEST_PATH_IMAGE021
项较大，为大于1的数，同时为了扩大影响关系，添加了放缩系数
Figure DEST_PATH_IMAGE023
，
Figure 962884DEST_PATH_IMAGE023
为大整数；
Figure 666398DEST_PATH_IMAGE024
为变化量损失，具体地，
Figure DEST_PATH_IMAGE025
，即当浓度值变大时，当前奖励值应大于未来时刻的奖励值，反之亦然，通常采用放缩系数Q和指数函数来确保
Figure 883753DEST_PATH_IMAGE026
为小于0的数。
步骤
Figure 621901DEST_PATH_IMAGE003
，帧差间隔确定，该步骤的目的：自适应确定帧差法的帧差间隔，能够带来的好处:提高通过帧差法进行油烟检测的准确率。
输入为：奖励矩阵，进行帧差间隔获取处理，输出为：帧差间隔。
所述帧差间隔获取具体为：
1）根据上述所获取的奖励矩阵，基于初始状态进行最优动作组合选取，此时应考虑到人员动作自身特性影响，即对于烹饪过程而言，在未完成烹饪时，长时间处于等待状态会影响烹饪质量，本申请以炒菜过程为例，默认如蒸煮等烹饪方式不会产生较大的油烟；
2）最优动作组合选取策略为：获取烹饪过程持续时间
Figure DEST_PATH_IMAGE027
、当前动作类别
Figure 266509DEST_PATH_IMAGE028
和当前动作持续时间
Figure DEST_PATH_IMAGE029
，通过统计获取当前情况下各动作出现概率
Figure 722899DEST_PATH_IMAGE030
，并基于动作类别以该概率值与奖励矩阵元素分别相乘，获取修正奖励矩阵；
3）根据修正奖励矩阵，基于遗忘思想进行当前最优奖励选取，即
Figure DEST_PATH_IMAGE031
,式中，
Figure 478365DEST_PATH_IMAGE032
为选择动作类别
Figure 805441DEST_PATH_IMAGE009
的最终奖励评价，
Figure DEST_PATH_IMAGE033
为选择动作类别
Figure 385065DEST_PATH_IMAGE009
的当前时刻奖励值，
Figure 63171DEST_PATH_IMAGE034
为选择动作类别
Figure 356749DEST_PATH_IMAGE009
的未来奖励值；
Figure DEST_PATH_IMAGE035
为遗忘系数，用于确定考虑之后奖励的程度，在本发明中设置为0.8；选择
Figure 69490DEST_PATH_IMAGE036
对应的动作类别作为当前选取的动作类别；
4）根据所选择的动作类别更新烹饪过程持续时间
Figure DEST_PATH_IMAGE037
、当前动作类别
Figure 790321DEST_PATH_IMAGE038
和当前动作持续时间
Figure DEST_PATH_IMAGE039
，重复步骤
Figure 221303DEST_PATH_IMAGE040
，直至
Figure DEST_PATH_IMAGE041
，
Figure 318572DEST_PATH_IMAGE042
为预期烹饪时长，为经验值；至此，获取最优动作序列；
5）根据实际动作序列与基准动作序列进行偏差分析，具体地，进行逐帧对比，当存在差异时，将差异大小（也即动作类别标识差值，范围为-2，-1，1，2）通过修改的Sigmoid函数进行映射，映射值向下取整后即为帧间间隔修正值，所述修改的Sigmoid函数具体为：
Figure DEST_PATH_IMAGE043
，初始帧间间隔由实施者自行设置，本申请中设置为4帧；
6）至此，实现自适应的帧间间隔获取，以用于提高后续帧差法检测油烟的准确率。
步骤
Figure 416978DEST_PATH_IMAGE004
，油烟检测，该步骤的目的：进行油烟浓度检测，能够带来的好处:准确感知油烟浓度，并根据油烟浓度进行通风口控制；
输入为：帧差间隔，根据帧差间隔采用帧差法进行处理，输出为：油烟浓度。
所述帧差法进行油烟检测为现有技术，在此不作赘述，实施者可选择现有实现方法即可，本申请提出的方案目的为给出自适应的帧差间隔后，再以帧差间隔选取视频帧进行帧差法检测油烟浓度，以提高油烟浓度的准确率。

Claims (5)

1.一种基于图像处理的厨房油烟检测方法，其特征在于，包括以下步骤；
步骤
Figure DEST_PATH_IMAGE002
：基础信息获取，括人员信息感知和油烟浓度信息感知，获取人员信息和油烟浓度信息，用于后续进行奖励矩阵的生成；
步骤
Figure DEST_PATH_IMAGE004
：基于油烟浓度和人员动作生成奖励矩阵,用于获取基准人员动作序列；
所述奖励矩阵获取具体步骤为：
1）以油烟浓度作为行信息，以人员动作作为列信息生成初始奖励矩阵，初始奖励矩阵中元素值均为0；
2）设定一组油烟浓度和人员动作可唯一对应一个奖励值，即在某个油烟浓度下，采取某种动作的奖励值，第
Figure DEST_PATH_IMAGE006
个区间的油烟浓度以
Figure DEST_PATH_IMAGE008
表示，第
Figure DEST_PATH_IMAGE010
个类别人员动作以
Figure DEST_PATH_IMAGE012
表示，则奖励值可表示为
Figure DEST_PATH_IMAGE014
，
Figure DEST_PATH_IMAGE016
表示以
Figure DEST_PATH_IMAGE018
和
Figure DEST_PATH_IMAGE020
为参数的映射函数，奖励值与油烟浓度变化值
Figure DEST_PATH_IMAGE022
呈负相关关系，在烹饪过程中，无论油烟浓度为任何值，动作对应的奖励值大小均应为
Figure DEST_PATH_IMAGE024
，其中，
Figure DEST_PATH_IMAGE026
表示在油烟浓度位于第
Figure 245709DEST_PATH_IMAGE006
个区间时采取倾倒动作的奖励值，
Figure DEST_PATH_IMAGE028
表示在油烟浓度位于第
Figure 57457DEST_PATH_IMAGE006
个区间时采取翻炒动作的奖励值，
Figure 102773DEST_PATH_IMAGE026
表示在油烟浓度位于第
Figure 825878DEST_PATH_IMAGE006
个区间时采取等待动作的奖励值；
3）构建奖励矩阵生成网络，网络输入为离散时序下的
Figure DEST_PATH_IMAGE030
序列；
Figure 968147DEST_PATH_IMAGE030
序列送入特征提取编码器中获取特征张量，特征张量送入奖励矩阵生成解码器中，输出奖励矩阵，也即网络输出为奖励矩阵，该奖励矩阵与初始奖励矩阵尺寸一致；
步骤
Figure DEST_PATH_IMAGE032
：帧差间隔确定，用于自适应获取帧差间隔，以提高油烟检测的准确率；
步骤
Figure DEST_PATH_IMAGE034
：油烟检测，用于感知油烟浓度，进而进行油烟机风口控制。
2.根据权利要求1所述的基于图像处理的厨房油烟检测方法，其特征在于，所述步骤
Figure 213446DEST_PATH_IMAGE002
中人员信息感知具体为：通过关键点检测网络获取人体关键点、厨具关键点和容器关键点，关键点网络的输入为单帧图像，输出为关键点热力图，以已知时间戳的视频序列中的各帧图像作为输入，获取对应的关键点热力图；所述油烟浓度信息感知具体为：通过油烟浓度检测传感器获取各时刻的油烟浓度，各时刻油烟浓度以采集信息的时间戳作为时间标识，且人员信息和油烟浓度信息通过时间戳进行一一对应。
3.根据权利要求2所述的基于图像处理的厨房油烟检测方法其特征在于，所述人体关键点包括头部、手部、肘部、肩部和根节点共8个关键点类别，所述厨具关键点包括锅、铲、勺和筷子，所述容器关键点包括碗、瓶和罐。
4.根据权利要求3所述的基于图像处理的厨房油烟检测方法，其特征在于，所述奖励矩阵生成网络训练过程具体为：将多组基于不同场景下不同烹饪内容的视频序列获取的
Figure 746058DEST_PATH_IMAGE030
作为训练数据集，网络的损失函数为
Figure DEST_PATH_IMAGE036
；其中，
Figure DEST_PATH_IMAGE038
为动作损失，具体地，
Figure DEST_PATH_IMAGE040
,
Figure 161602DEST_PATH_IMAGE038
损失用于确保动作对应的奖励值大小满足
Figure 158377DEST_PATH_IMAGE024
，采用指数函数的目的为令变量小于0时，
Figure 214058DEST_PATH_IMAGE038
较小，为小于1的数，变量大于0时，
Figure 532169DEST_PATH_IMAGE038
项较大，为大于1的数，同时为了扩大影响关系，添加了放缩系数
Figure DEST_PATH_IMAGE042
，
Figure 128236DEST_PATH_IMAGE042
为大整数；
Figure DEST_PATH_IMAGE044
为变化量损失，具体地，
Figure DEST_PATH_IMAGE046
，即当浓度值变大时，当前奖励值应大于未来时刻的奖励值，反之亦然，通常采用放缩系数Q和指数函数来确保
Figure DEST_PATH_IMAGE048
为小于0的数。
5.根据权利要求4所述的基于图像处理的厨房油烟检测方法，其特征在于，所述步骤
Figure 354685DEST_PATH_IMAGE032
中帧差间隔获取具体为：
1）根据所获取的奖励矩阵，基于初始状态进行最优动作组合选取，此时应考虑到人员动作自身特性影响，即对于烹饪过程而言，在未完成烹饪时，长时间处于等待状态会影响烹饪质量，本申请以炒菜过程为例，默认如蒸煮烹饪方式不会产生较大的油烟；
2）最优动作组合选取策略为：获取烹饪过程持续时间
Figure DEST_PATH_IMAGE050
、当前动作类别
Figure DEST_PATH_IMAGE052
和当前动作持续时间
Figure DEST_PATH_IMAGE054
，通过统计获取当前情况下各动作出现概率
Figure DEST_PATH_IMAGE056
，并基于动作类别以该概率值与奖励矩阵元素分别相乘，获取修正奖励矩阵；
3）根据修正奖励矩阵，基于遗忘思想进行当前最优奖励选取，即
Figure DEST_PATH_IMAGE058
,式中，
Figure DEST_PATH_IMAGE060
为选择动作类别
Figure 659895DEST_PATH_IMAGE010
的最终奖励评价，
Figure DEST_PATH_IMAGE062
为选择动作类别
Figure 993531DEST_PATH_IMAGE010
的当前时刻奖励值，
Figure DEST_PATH_IMAGE064
为选择动作类别
Figure 862130DEST_PATH_IMAGE010
的未来奖励值；
Figure DEST_PATH_IMAGE066
为遗忘系数，用于确定考虑之后奖励的程度，在本发明中设置为0.8；选择
Figure DEST_PATH_IMAGE068
对应的动作类别作为当前选取的动作类别；
4）根据所选择的动作类别更新烹饪过程持续时间
Figure DEST_PATH_IMAGE070
、当前动作类别
Figure DEST_PATH_IMAGE072
和当前动作持续时间
Figure DEST_PATH_IMAGE074
，重复步骤
Figure DEST_PATH_IMAGE076
，直至
Figure DEST_PATH_IMAGE078
，
Figure DEST_PATH_IMAGE080
为预期烹饪时长，为经验值；至此，获取最优动作序列；
5）根据实际动作序列与基准动作序列进行偏差分析，进行逐帧对比，当存在差异时，将差异大小通过修改的Sigmoid函数进行映射，映射值向下取整后即为帧间间隔修正值，所述修改的Sigmoid函数具体为：
Figure DEST_PATH_IMAGE082
。
CN202110957029.9A 2021-08-19 2021-08-19 一种基于图像处理的厨房油烟检测方法 Active CN113409318B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110957029.9A CN113409318B (zh) 2021-08-19 2021-08-19 一种基于图像处理的厨房油烟检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110957029.9A CN113409318B (zh) 2021-08-19 2021-08-19 一种基于图像处理的厨房油烟检测方法

Publications (2)

Publication Number Publication Date
CN113409318A true CN113409318A (zh) 2021-09-17
CN113409318B CN113409318B (zh) 2021-12-03

Family

ID=77689049

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110957029.9A Active CN113409318B (zh) 2021-08-19 2021-08-19 一种基于图像处理的厨房油烟检测方法

Country Status (1)

Country Link
CN (1) CN113409318B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115586307A (zh) * 2022-10-21 2023-01-10 江西江南厨业有限公司 厨房油烟在线监测系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447063A (zh) * 2018-09-29 2019-03-08 佛山市云米电器科技有限公司 一种基于图像处理的厨房油烟浓度检测方法
CN209101365U (zh) * 2018-09-29 2019-07-12 佛山市云米电器科技有限公司 一种具无人识别功能的烟灶一体机
DE102018128934A1 (de) * 2018-11-19 2020-05-20 minEnergy GmbH Dunstabzugshaube
CN111637501A (zh) * 2019-03-01 2020-09-08 九阳股份有限公司 一种油烟机的烟雾检测方法和油烟机
CN112989933A (zh) * 2021-02-05 2021-06-18 宁波方太厨具有限公司 油烟浓度的识别方法、系统、电子设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447063A (zh) * 2018-09-29 2019-03-08 佛山市云米电器科技有限公司 一种基于图像处理的厨房油烟浓度检测方法
CN209101365U (zh) * 2018-09-29 2019-07-12 佛山市云米电器科技有限公司 一种具无人识别功能的烟灶一体机
DE102018128934A1 (de) * 2018-11-19 2020-05-20 minEnergy GmbH Dunstabzugshaube
CN111637501A (zh) * 2019-03-01 2020-09-08 九阳股份有限公司 一种油烟机的烟雾检测方法和油烟机
CN112989933A (zh) * 2021-02-05 2021-06-18 宁波方太厨具有限公司 油烟浓度的识别方法、系统、电子设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115586307A (zh) * 2022-10-21 2023-01-10 江西江南厨业有限公司 厨房油烟在线监测系统及方法
CN115586307B (zh) * 2022-10-21 2023-11-07 江西江南厨业有限公司 厨房油烟在线监测系统及方法

Also Published As

Publication number Publication date
CN113409318B (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
CN103181156B (zh) 模糊处理装置及方法
JP6577365B2 (ja) 栄養素量算出装置およびそれを備えた冷蔵庫
CN108734108B (zh) 一种基于ssd网络的裂纹舌识别方法
CN109102515A (zh) 一种基于多列深浅卷积神经网络的细胞计数方法
CN113409318B (zh) 一种基于图像处理的厨房油烟检测方法
JP2012014678A (ja) 情報処理装置
CN112056945A (zh) 一种烹饪设备食物烹饪状态的提醒方法
EP3326109A1 (de) System und verfahren zur bereitstellung eines rezeptes
CN112084851A (zh) 手卫生效果检测方法、装置、设备及介质
CN116630080B (zh) 基于图像识别的水产集约化养殖饲料容量确定方法及系统
CN108053418A (zh) 一种动物背景建模方法及装置
CN110302539B (zh) 一种游戏策略计算方法、装置、系统及可读存储介质
CN111754118A (zh) 基于自适应学习的智能菜谱优化系统
CN107220605A (zh) 一种基于图像结构相似度的烟雾浓度测量方法和系统
CN107944365A (zh) 一种陶瓷文物智能识别的系统及方法
CN115965161B (zh) 一种基于人工智能和历史数据的农作物产量预测方法
CN112184627A (zh) 基于图像处理与神经网络的柑橘保鲜品质检测方法及应用
CN110705408A (zh) 基于混合高斯人数分布学习的室内人数统计方法及系统
CN116050253A (zh) 菜品风味智能识别方法、装置、设备及存储介质
CN112784641A (zh) 食材投料方法、装置及炒菜机
JP6931418B2 (ja) 画像処理方法、画像処理装置、ユーザインタフェース装置、画像処理システム、サーバ、および画像処理プログラム
CN110762943B (zh) 物品的展示方法、装置以及家电设备
Vizzini et al. A new Cortinarius of section Calochroi (Basidiomycota, Agaricomycetes) from Mediterranean Quercus woodlands (Italy)
CN114468070A (zh) 一种针对炒茶含水量的加热系统
JP2006201893A (ja) 栄養素算出方法およびそのシステム

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Wang Yu

Inventor after: Cheng Xiaokang

Inventor before: Cheng Xiaokang