CN113723498A - 食物熟度识别方法、装置、系统、电器、服务器及介质 - Google Patents
食物熟度识别方法、装置、系统、电器、服务器及介质 Download PDFInfo
- Publication number
- CN113723498A CN113723498A CN202110993333.9A CN202110993333A CN113723498A CN 113723498 A CN113723498 A CN 113723498A CN 202110993333 A CN202110993333 A CN 202110993333A CN 113723498 A CN113723498 A CN 113723498A
- Authority
- CN
- China
- Prior art keywords
- food
- image
- doneness
- state image
- initial state
- 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
- 235000013305 food Nutrition 0.000 title claims abstract description 215
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims abstract description 64
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 42
- 238000010411 cooking Methods 0.000 claims description 67
- 238000012545 processing Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010438 heat treatment Methods 0.000 description 16
- 238000001514 detection method Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 6
- 239000000523 sample Substances 0.000 description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 229910052760 oxygen Inorganic materials 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 235000021168 barbecue Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000002864 food coloring agent Nutrition 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种食物熟度识别方法、装置、系统、电器、服务器以及介质。食物熟度识别方法,包括:获取食物的初始状态图像;根据初始状态图像和预设对抗神经网络模型,获得目标图像,目标图像表示食物到达要求熟度时的图像;获取食物的当前状态图像;比较目标图像和当前状态图像的相似度,获得食物熟度。上述食物熟度识别方法,通过比较目标图像和当前状态图像的相似度获得食物的熟度,能够适应各类型食物的熟度判断的需求,泛化程度较高,此外,该种方法占用计算资源较小,减少熟度判断的成本。
Description
技术领域
本发明涉及家用电器技术领域,特别涉及一种食物熟度识别方法、装置、系统、电器、服务器以及介质。
背景技术
随着科技发展,智能烹饪设备例如烤箱在普通家庭中越来越普及,大大便利了日常的生活。
然而,现有的判断食物烹饪到的熟度的方法中,部分烹饪设备通过加入探针来实施检测食物温度,但是探针的插入和清洗麻烦,且探针通常只能用在较厚的食物上,泛化程度较低。
发明内容
本发明的实施方式提供一种食物熟度识别方法、装置、系统、电器、服务器以及介质。
本发明实施方式的一种食物熟度识别方法,包括:获取食物的初始状态图像;
根据所述初始状态图像和预设对抗神经网络模型,获得目标图像,所述目标图像表示所述食物到达要求熟度时的图像;
获取所述食物的当前状态图像;
比较所述目标图像和所述当前状态图像的相似度,获得食物熟度。
在某些实施方式中,所述根据所述初始状态图像和预设对抗神经网络模型,获得目标图像,包括:
根据所述初始状态图像和所述预设对抗神经网络模型,获取所述初始状态图像的特征信息;
根据所述特征信息和所述预设对抗神经网络模型,获得所述目标图像。
在某些实施方式中,所述预设对抗神经网络模型包括与不同类型食物对应的若干子神经网络模型,
所述根据所述初始状态图像和预设对抗神经网络模型,获得目标图像,包括:
根据所述初始状态图像,查找所述预设对抗神经网络模型,获得对应的子神经网络模型;
将所述初始状态图像输入所述子神经网络模型,获取所述初始状态图像的特征信息;
根据所述特征信息和所述子神经网络模型,获得所述目标图像。
在某些实施方式中,所述比较所述目标图像和所述当前状态图像的相似度,获得食物熟度,包括:
获取所述目标图像的各像素点对应的像素值以及所述当前状态图像的各像素点对应的像素值;
将所述目标图像的像素点的像素值与所述当前状态图像的像素点的像素值求差,获得像素差值;
在所述像素差值小于预设阈值的情况下,确定对应的两像素点相似;
在所述像素差值大于所述预设阈值的情况下,确定对应的两像素点不相似;
计算相似的像素点占全部像素点的比例,获得所述相似度,所述相似度表征所述食物熟度。
在某些实施方式中,所述比较所述目标图像和所述当前状态图像的相似度,获得食物熟度,包括:
在所述相似度小于预设熟度阈值的情况下,获取当前食物熟度为未熟;
在所述相似度大于所述预设熟度阈值的情况下,获取当前食物熟度为已熟。
本发明实施方式的一种食物熟度识别装置,包括:图像采集模块,用于获取食物的初始状态图像以及获取食物的当前状态图像;
图像处理模块,用于根据所述初始状态图像和预设对抗神经网络模型,获得目标图像,所述目标图像表示所述食物到达要求熟度时的图像;
图像比较模块,用于比较所述目标图像和所述当前状态图像的相似度,获得食物熟度。
本发明实施方式的一种烹饪电器,包括上述食物熟度识别装置。
本发明实施方式的一种服务器,包括通信模块,用于接收烹饪电器上传的食物的初始状态图像和所述食物的当前状态图像;
图像处理模块,用于根据所述初始状态图像和预设对抗神经网络模型,获得目标图像,所述目标图像表示所述食物到达要求熟度时的图像;
图像比较模块,用于比较所述目标图像和所述当前状态图像的相似度,获得食物熟度,以将所述食物熟度传至烹饪电器。
本发明实施方式的一种食物熟度识别系统,所述食物熟度识别系统包括烹饪电器和服务器,
所述烹饪电器包括图像采集模块以及图像比较模块,所述图像采集模块用于获取食物的初始状态图像、所述食物的当前状态图像,以将所述初始状态图像和所述当前状态图像传输至所述服务器,所述图像比较模块用于比较所述目标图像和所述当前状态图像的相似度,获得食物熟度;
所述服务器包括图像处理模块,所述图像处理模块用于根据所述初始状态图像和预设对抗神经网络模型,获得所述目标图像,以将所述目标图像传输至所述烹饪电器。
本发明实施方式又提供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,实现上述任一实施方式的食物熟度识别方法的步骤。
上述食物熟度识别方法、装置、系统、电器、服务器以及介质,通过比较所述目标图像和所述当前状态图像的相似度获得食物的熟度,能够适应各类型食物的熟度判断的需求,泛化程度较高,此外,该种方法占用计算资源较小,减少熟度判断的成本。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明实施方式的食物熟度识别方法的流程示意图;
图2是本发明实施方式的食物熟度识别方法的另一流程示意图;
图3是本发明实施方式的食物熟度识别方法的又一流程示意图;
图4是本发明实施方式的食物熟度识别方法的再一流程示意图;
图5是本发明实施方式的食物熟度识别方法的再一流程示意图;
图6是本发明实施方式的食物熟度识别装置的模块图;
图7是本发明实施方式的烹饪电器的模块图;
图8是本发明实施方式的服务器的模块图;
图9是本发明实施方式的食物熟度识别系统的模块图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
在本发明的实施方式的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的实施方式的描述中,“多个”的含义是两个或两个以上。
请参阅图1,本发明实施方式提供的一种食物熟度识别方法,包括:
S10,获取食物的初始状态图像;
S20,根据初始状态图像和预设对抗神经网络模型,获得目标图像,目标图像表示食物到达要求熟度时的图像;
S30,获取食物的当前状态图像;
S40,比较目标图像和当前状态图像的相似度,获得食物熟度。
上述食物熟度识别方法,通过比较所述目标图像和所述当前状态图像的相似度获得食物的熟度,能够适应各类型食物的熟度判断的需求,泛化程度较高,此外,该种方法占用计算资源较小,减少熟度判断的成本。
具体的,现有的判断食物烹饪到的熟度的方法中,部分烹饪设备通过加入探针来实施检测食物温度,但是探针的插入和清洗麻烦,且探针通常只能用在较厚的食物上,泛化程度较低;部分烹饪设备通过结合氧传感器来进行熟度判断,通过测量烤箱腔体内的氧含量变化来判断熟度变化,当氧含量低于某个设定好的阈值时认为食物烹饪到可食用的熟度。但是支持熟度判断的食物种类比较少,仅限于支持少许烘焙类或肉类,且需要用户在使用过程中输入自己要进行烹饪的食材才可以初始化对应的菜谱的氧传感器阈值,因此智能的泛化程度不高,给用户带来的使用体验较差。
本发明实施方式的食物熟度识别方法,通过预设对抗神经网络模型生成与初始状态图像对应的目标图像,使得在获取食物的当前状态图像时,根据相似度即可得知当前食物的状态,如此,可以判断多种类型的食物熟度,此外,判断相似度的需要占用的计算资源,能够减少熟度判断的成本。
具体的,食物的初始状态图像为包括食物初始状态的图像,该图像可以是包括食物、烤盘、环境等元素的图像,该图像可以是包括烹饪电器200内全部食物的图像,该图像还可以是包括烹饪电器200内部分食物的图像,在此不做具体限制。
值得说明的是,可以对图像采集装置采集到的原始图像进行处理,将图像中的烤盘、腔体等元素剔除,使得原始图像中表示烤盘、腔体等元素的像素呈黑色,仅保留表示食物的像素,将处理后的原始图像作为食物的初始状态图像。食物的当前状态图像的形式应与食物的初始状态图像相同,即,若食物的初始状态图像包括食物、烤盘、环境等元素,则食物的当前状态图像也应包括食物、烤盘、环境等元素,食物的当前状态图像和食物的初始状态图像应从同一位置的图像采集装置采集。
可以理解的是,目标图像和当前状态图像的相似度越高,则当前状态图像越接近食物要求的熟度,即食物的当前状态越接近所要求的熟度。需要注意的是,获取当前状态图像的时间不应与获取食物的初始状态图像的时间间隔过久,以避免食物已到达要求熟度之后才拍摄到当前状态图像,使得食物做糊的问题。
值得说明的是,初始状态图像包括但不限于生食物的状态图像,即初始状态图像可是食物刚放入烹饪电器200时就采集的图像,初始状态图像也可以是食物放入烹饪电器200一段时间之后采集的图像,在此不做具体限制。
预设对抗神经网络模型可以是基于ACGAN(Auxiliary Classifier GenerativeAdversarial Network,基于生成对抗网络模型的带有辅助分类信息网络)、CGAN(Conditional Generative Adversarial Nets,条件生成对抗网络)等的对抗神经网络模型。
在某些实施方式中,请参阅图2,步骤S20包括:
步骤S21,根据初始状态图像和预设对抗神经网络模型,获取初始状态图像的特征信息;
步骤S22,根据特征信息和预设对抗神经网络模型,获得目标图像。
如此,可以获得目标图像,为判断食物熟度提供依据。
具体的,特征信息包括表示食物颜色、食物形状、食物大小、食物纹理等特征的信息。本实施方式中,预设对抗神经网络模型可以用于生成如牛排、蛋糕、烧烤等各类型食物的目标图像。可以将初始状态图像输入至预设对抗神经网络模型中,预设神经网络模型通过卷积编码将初始状态图像提取出特征信息,获得具有特征信息的中间图像;预设对抗神经网络模型再通过反卷积生成器进行映射,根据具有特征信息的中间图像生成目标图像。由于算力有限,通常具有特征信息的中间图像比目标图像和初始状态图像小,例如目标图像和初始状态图像都为1080p的图像时,具有特征信息的中间图像可以为480p图像。
在某些实施方式中,请参阅图3,预设对抗神经网络模型包括与不同类型食物对应的若干子神经网络模型,步骤S20包括:
步骤S23,根据初始状态图像,查找预设对抗神经网络模型,获得对应的子神经网络模型;
步骤S24,将初始状态图像输入子神经网络模型,获取初始状态图像的特征信息;
步骤S25,根据特征信息和子神经网络模型,获得目标图像。
如此,根据不同的食物类型选择不同的子神经网络模型,提高判断准确率。
具体的,预设对抗神经网络模型可以包括若干子神经网络模型,各神经网络模型分别对应如牛排、蛋糕、烧烤等不同类型的食物。可以通过图像识别模块,识别初始状态图像为何种类型的食物,从而根据图像识别模块的识别结果,在预设对抗神经网络模型中查找对应的子神经网络模型,使得通过与食物类型对应的子神经网络模型来生成目标图像,使得生成的目标图像更为精准。也可以预设对抗神经网络模型通过卷积编码,将初始状态图像提取特征信息,形成带有特征信息的中间图像,根据带有特征信息的中间图像在对抗神经网络模型中查找对应的子神经网络模型,由子神经网络模型通过反卷积生成器将带有特征信息的中间图像映射生成目标图像。
在某些实施方式中,请参阅图4,步骤S40包括:
步骤S41,获取目标图像的各像素点对应的像素值以及当前状态图像的各像素点对应的像素值;
步骤S42,将目标图像的像素点的像素值与当前状态图像的像素点的像素值求差,获得像素差值;
步骤S43,在像素差值小于预设阈值的情况下,确定对应的两像素点相似;
步骤S44,在像素差值大于预设阈值的情况下,确定对应的两像素点不相似;
步骤S45,计算相似的像素点占全部像素点的比例,获得相似度,相似度表征食物熟度。
如此,可以获得目标图像与当前状态图像的相似度,为判断食物熟度提供依据。
具体的,像素值可以为像素点的RGB(Red Green Blue,红绿蓝)颜色通道。像素值可以用二进制编码表示,同理,像素差值也可以用二进制编码表示。
像素差值可以为两对应的像素点的像素值之差。具体的,目标图像某处像素点的像素值的R颜色通道与当前状态图像对应处的像素点的像素值的R颜色通道的差值、目标图像某处像素点的像素值的G颜色通道与当前状态图像对应处的像素点的像素值的G颜色通道的差值以及目标图像某处像素点的像素值的B颜色通道与当前状态图像对应处的像素点的像素值的B颜色通道的差值共同构成像素差值,如此,获得某处像素点的像素差值,重复该步骤,获得目标图像各处像素点与当前状态图像各处像素点之间的像素差值。
值得说明的是,目标图像与当前状态图像应为同一位置的图像采集装置拍摄,因而位于目标图像某位置的像素点与位于当前状态图像同一位置的像素点为对应关系。
值得补充的是,相似度的获得方式有很多,如进行步骤S41后,使用直方图统计获得相似度;又如,将目标图像和当前状态图像使用同一卷积神经网络进行特征提取,对比目标图像的特征和当前状态图像的特征获得相似度;再如,将目标图像和当前状态图像输入卷积神经网络中,使用回归的方式获取两张图像的相似度。
进一步的,请参阅图5,步骤S40包括:
步骤S46,在相似度小于预设熟度阈值的情况下,获取当前食物熟度为未熟;
步骤S47,在相似度大于预设熟度阈值的情况下,获取当前食物熟度为已熟。
如此,可以根据相似度判断食物的熟度。
具体的,根据相似度判断食物熟度为已熟和未熟两个状态,还可以设置其他阈值范围,以判断食物在未熟状态下的什么程度,如可以设置阈值范围为5%-10%时,当前食物熟度为未熟状态下的烹饪初始阶段,此时,若相似度为7%,可以获取食物当前熟度为未熟且处于烹饪初始阶段;又如可以设置阈值范围为50%-60%时,当前食物熟度为未熟状态下的烹饪中间尖端,此时,若相似度为55%,可以获取食物当前熟度为未熟且处于烹饪中间阶段,在此就不一一列举了。
通常情况,烹饪电器200判断出来食物状态是熟还是没熟就够了,若熟了及时停止加热即可,若没熟,继续加热即可,因而可以根据相似度仅判断食物熟度为未熟或已熟两种状态即可。
请参阅图6,本发明实施方式提供一种食物熟度识别装置100,其包括图像采集模块10、图像处理模块20以及图像比较模块30。图像采集模块10用于获取食物的初始状态图像以及获取食物的当前状态图像。图像处理模块20用于根据初始状态图像和预设对抗神经网络模型,获得目标图像,目标图像表示食物到达要求熟度时的图像。图像比较模块30用于比较目标图像和当前状态图像的相似度,获得食物熟度。
本发明实施方式的食物熟度识别装置100,通过预设对抗神经网络模型生成与初始状态图像对应的目标图像,使得在获取食物的当前状态图像时,根据相似度即可得知当前食物的状态,如此,可以判断多种类型的食物熟度,此外,判断相似度的需要占用的计算资源,能够减少熟度判断的成本。
请参阅图7,本发明实施方式提供一种烹饪电器200,其包括上述食物熟度识别装置100。
本发明实施方式的烹饪电器200,通过预设对抗神经网络模型生成与初始状态图像对应的目标图像,使得在获取食物的当前状态图像时,根据相似度即可得知当前食物的状态,如此,可以判断多种类型的食物熟度,此外,判断相似度的需要占用的计算资源,能够减少熟度判断的成本。
具体的,烹饪电器200可以为烤箱、炉灶等能够烹饪的电器。以烹饪电器200为烤箱为例,烹饪电器200还可以包括加热装置、箱门开关检测装置、控制器等。加热装置用于加热烤箱内的食物,箱门开关检测装置用于检测烤箱的箱门是否打开,控制器用于控制加热装置、箱门开关检测装置、食物熟度识别装置100等部分工作。
图像采集模块10可以与箱门检测装置电连接,当箱门检测装置检测到箱门打开后,即用户将食物通过箱门放入烤箱内时,控制图像采集模块10开始工作,对烹饪电器200内的食物进行图像采集,获得食物的初始状态图像。加热装置可以与图像比较模块30电连接,当图像比较模块30获得食物熟度,控制器判断出当前食物熟了的时候,可以控制加热装置停止加热,避免食物烹饪过火。
烹饪电器200还可以包括开关检测装置,开关检测装置用于检测烹饪电器200是否处于工作状态中,即检测烹饪电器200是否开始烹饪。图像采集模块10可以与开关检测装置电连接,当开关检测装置检测到烹饪电器200开始工作后,图像采集模块10即可开始采集图像,作为食物的初始状态图像。
图像采集模块10可以是安装于烹饪电器200上的摄像头,也可以是安装于其他电器上并与烹饪电器200电连接的摄像头,在此不做具体限制。
控制器可以控制图像采集模块10每隔5秒就进行一次图像采集工作,更新食物的当前状态图像;控制器也可以控制图像采集模块10每隔10秒就进行一次图像采集工作,更新食物的当前状态图像,控制器控制图像采集模块10进行图像采集工作的时间间隔还有很多,其可以为3秒、20秒、1分钟等,其可以根据用户使用习惯、烹饪电器200的功率、食物的类型等进行调整,在此不做具体限制。值得说明的是,图像采集模块10进行图像采集工作的时间间隔不宜过长,以避免食物已经到达已熟的程度,因为未更新当前状态图像而未察觉导致的食物烹饪过火。
请参阅图8,本发明实施方式提供一种服务器300。服务器300包括通信模块40、图像处理模块20和图像比较模块30。通信模块40,用于接收烹饪电器200上传的食物的初始状态图像和食物的当前状态图像。图像处理模块20,用于根据初始状态图像和预设对抗神经网络模型,获得目标图像,目标图像表示食物到达要求熟度时的图像。图像比较模块30,用于比较目标图像和当前状态图像的相似度,获得食物熟度,以将食物熟度传至烹饪电器200。
本发明实施方式的服务器300,通过预设对抗神经网络模型生成与初始状态图像对应的目标图像,使得在获取食物的当前状态图像时,根据相似度即可得知当前食物的状态,如此,可以判断多种类型的食物熟度,此外,判断相似度的需要占用的计算资源,能够减少熟度判断的成本。
具体的,通信模块40可以通过蓝牙、WiFi等方式实现和烹饪电器200的通讯,通信模块40也可以通过与烹饪电器200电连接实现与烹饪电器200的通讯,在此不做具体限制。
请参阅图9,本发明实施方式提供一种食物熟度识别系统500,其包括烹饪电器200和服务器300。烹饪电器200包括图像采集模块10和图像比较模块30。图像采集模块10用于获取食物的初始状态图像、食物的当前状态图像,以将初始状态图像和当前状态图像传输至服务器300。图像比较模块30用于比较目标图像和当前状态图像的相似度,获得食物熟度。服务器300包括图像处理模块20。图像处理模块20用于根据初始状态图像和预设对抗神经网络模型,获得目标图像,以将目标图像传输至烹饪电器200。
本发明实施方式的食物熟度识别系统500,通过预设对抗神经网络模型生成与初始状态图像对应的目标图像,使得在获取食物的当前状态图像时,根据相似度即可得知当前食物的状态,如此,可以判断多种类型的食物熟度,此外,判断相似度的需要占用的计算资源,能够减少熟度判断的成本。
具体的,烹饪电器200可以为烤箱、炉灶等能够烹饪的电器。以烹饪电器200为烤箱为例,烹饪电器200还可以包括加热装置、箱门开关检测装置、控制器等。加热装置用于加热烤箱内的食物,箱门开关检测装置用于检测烤箱的箱门是否打开,控制器用于控制加热装置、箱门开关检测装置、食物熟度识别装置100等部分工作。
图像采集模块10可以与箱门开关检测装置电连接,当箱门开关检测装置检测到箱门打开后,即用户将食物通过箱门放入烤箱内时,控制图像采集模块10开始工作,对烹饪电器200内的食物进行图像采集,获得食物的初始状态图像。加热装置可以与图像比较模块30电连接,当图像比较模块30获得食物熟度,控制器判断出当前食物熟了的时候,可以控制加热装置停止加热,避免食物烹饪过火。
图像采集模块10可以是安装于烹饪电器200上的摄像头,也可以是安装于其他电器上并与烹饪电器200电连接的摄像头,在此不做具体限制。
控制器可以控制图像采集模块10每隔5秒就进行一次图像采集工作,更新食物的当前状态图像;控制器也可以控制图像采集模块10每隔10秒就进行一次图像采集工作,更新食物的当前状态图像,控制器控制图像采集模块10进行图像采集工作的时间间隔还有很多,其可以为3秒、20秒、1分钟等,其可以根据用户使用习惯、烹饪电器200的功率、食物的类型等进行调整,在此不做具体限制。值得说明的是,图像采集模块10进行图像采集工作的时间间隔不宜过长,以避免食物已经到达已熟的程度,因为未更新当前状态图像而未察觉导致的食物烹饪过火。
通信模块40可以通过蓝牙、WiFi等方式实现和烹饪电器200的通讯,通信模块40也可以通过与烹饪电器200电连接实现与烹饪电器200的通讯,在此不做具体限制。
本发明实施方式提供一种计算机可读存储介质,其上存储有计算机程序,程序被处理器执行时,实现上述任一实施方式的食物熟度识别方法的步骤。
本发明实施方式的计算机可读存储介质,通过预设对抗神经网络模型生成与初始状态图像对应的目标图像,使得在获取食物的当前状态图像时,根据相似度即可得知当前食物的状态,如此,可以判断多种类型的食物熟度,此外,判断相似度的需要占用的计算资源,能够减少熟度判断的成本。
计算机可读介质可以设在烹饪电器200,也可以设在服务器。烹饪电器200能够与服务器进行通讯来获取到相应的程序。可以理解,计算机程序包括计算机程序代码。计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、以及软件分发介质等。
计算机可读存储介质可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读存储介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读存储介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
需要说明的是,上述对食物熟度识别方法的实施方式和有益效果的说明,也适应于本发明实施方式的食物熟度识别装置100、烹饪电器200、服务器300、食物熟度识别系统500和计算机可读介质,为避免冗余,在此不再详细展开。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种食物熟度识别方法,其特征在于,包括:
获取食物的初始状态图像;
根据所述初始状态图像和预设对抗神经网络模型,获得目标图像,所述目标图像表示所述食物到达要求熟度时的图像;
获取所述食物的当前状态图像;
比较所述目标图像和所述当前状态图像的相似度,获得食物熟度。
2.根据权利要求1所述的食物熟度识别方法,其特征在于,所述根据所述初始状态图像和预设对抗神经网络模型,获得目标图像,包括:
根据所述初始状态图像和所述预设对抗神经网络模型,获取所述初始状态图像的特征信息;
根据所述特征信息和所述预设对抗神经网络模型,获得所述目标图像。
3.根据权利要求1所述的食物熟度识别方法,其特征在于,所述预设对抗神经网络模型包括与不同类型食物对应的若干子神经网络模型,
所述根据所述初始状态图像和预设对抗神经网络模型,获得目标图像,包括:
根据所述初始状态图像,查找所述预设对抗神经网络模型,获得对应的子神经网络模型;
将所述初始状态图像输入所述子神经网络模型,获取所述初始状态图像的特征信息;
根据所述特征信息和所述子神经网络模型,获得所述目标图像。
4.根据权利要求1所述的食物熟度识别方法,其特征在于,所述比较所述目标图像和所述当前状态图像的相似度,获得食物熟度,包括:
获取所述目标图像的各像素点对应的像素值以及所述当前状态图像的各像素点对应的像素值;
将所述目标图像的像素点的像素值与所述当前状态图像的像素点的像素值求差,获得像素差值;
在所述像素差值小于预设阈值的情况下,确定对应的两像素点相似;
在所述像素差值大于所述预设阈值的情况下,确定对应的两像素点不相似;
计算相似的像素点占全部像素点的比例,获得所述相似度,所述相似度表征所述食物熟度。
5.根据权利要求4所述的食物熟度识别方法,其特征在于,所述比较所述目标图像和所述当前状态图像的相似度,获得食物熟度,包括:
在所述相似度小于预设熟度阈值的情况下,获取当前食物熟度为未熟;
在所述相似度大于所述预设熟度阈值的情况下,获取当前食物熟度为已熟。
6.一种食物熟度识别装置,其特征在于,所述食物熟度识别装置包括:
图像采集模块,用于获取食物的初始状态图像以及获取食物的当前状态图像;
图像处理模块,用于根据所述初始状态图像和预设对抗神经网络模型,获得目标图像,所述目标图像表示所述食物到达要求熟度时的图像;
图像比较模块,用于比较所述目标图像和所述当前状态图像的相似度,获得食物熟度。
7.一种烹饪电器,其特征在于,所述烹饪电器包括权利要求7所述的食物熟度识别装置。
8.一种服务器,其特征在于,所述服务器包括:
通信模块,用于接收烹饪电器上传的食物的初始状态图像和所述食物的当前状态图像;
图像处理模块,用于根据所述初始状态图像和预设对抗神经网络模型,获得目标图像,所述目标图像表示所述食物到达要求熟度时的图像;
图像比较模块,用于比较所述目标图像和所述当前状态图像的相似度,获得食物熟度,以将所述食物熟度传至烹饪电器。
9.一种食物熟度识别系统,其特征在于,所述食物熟度识别系统包括烹饪电器和服务器,
所述烹饪电器包括图像采集模块以及图像比较模块,所述图像采集模块用于获取食物的初始状态图像、所述食物的当前状态图像,以将所述初始状态图像和所述当前状态图像传输至所述服务器,所述图像比较模块用于比较所述目标图像和所述当前状态图像的相似度,获得食物熟度;
所述服务器包括图像处理模块,所述图像处理模块用于根据所述初始状态图像和预设对抗神经网络模型,获得所述目标图像,以将所述目标图像传输至所述烹饪电器。
10.一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,所述程序被处理器执行时,实现权利要求1-5任一项所述的食物熟度识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110993333.9A CN113723498A (zh) | 2021-08-26 | 2021-08-26 | 食物熟度识别方法、装置、系统、电器、服务器及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110993333.9A CN113723498A (zh) | 2021-08-26 | 2021-08-26 | 食物熟度识别方法、装置、系统、电器、服务器及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113723498A true CN113723498A (zh) | 2021-11-30 |
Family
ID=78678357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110993333.9A Pending CN113723498A (zh) | 2021-08-26 | 2021-08-26 | 食物熟度识别方法、装置、系统、电器、服务器及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723498A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114224189A (zh) * | 2021-12-21 | 2022-03-25 | 珠海格力电器股份有限公司 | 烹饪设备控制方法、装置及烹饪设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106123479A (zh) * | 2016-07-06 | 2016-11-16 | 辽宁科技学院 | 冰箱的食材自动录入方法 |
CN108280474A (zh) * | 2018-01-19 | 2018-07-13 | 广州市派客朴食信息科技有限责任公司 | 一种基于神经网络的食物识别方法 |
CN109886926A (zh) * | 2019-01-22 | 2019-06-14 | 东喜和仪(珠海市)数据科技有限公司 | 基于图像识别的生鲜食品质量检测方法和装置 |
CN109998360A (zh) * | 2019-04-11 | 2019-07-12 | 上海长膳智能科技有限公司 | 一种用于自动烹饪食物的方法和装置 |
US20200019861A1 (en) * | 2019-08-26 | 2020-01-16 | Lg Electronics Inc. | Method for controlling cook based on artificial intelligent and intelligent device |
CN110909833A (zh) * | 2019-11-28 | 2020-03-24 | 广东美的厨房电器制造有限公司 | 食材烹饪方法、设备及计算机可读存储介质 |
CN110956217A (zh) * | 2019-12-06 | 2020-04-03 | 广东美的白色家电技术创新中心有限公司 | 食物成熟度识别方法、装置以及计算机存储介质 |
US20200334628A1 (en) * | 2019-04-19 | 2020-10-22 | Zume Inc. | Food fulfillment with user selection of instances of food items and related systems, articles and methods |
CN111950414A (zh) * | 2020-07-31 | 2020-11-17 | 广州微林软件有限公司 | 一种箱柜食物识别系统及识别方法 |
US20210044871A1 (en) * | 2018-04-17 | 2021-02-11 | Samsung Electronics Co., Ltd. | Display device and display device control method |
CN113194792A (zh) * | 2018-10-15 | 2021-07-30 | 广东美的厨房电器制造有限公司 | 用于采集和注释烹饪图像以训练智能烹饪器具、定位智能烹饪器具中的食物以及确定智能烹饪器具中的食物的烹饪进度的系统和方法 |
-
2021
- 2021-08-26 CN CN202110993333.9A patent/CN113723498A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106123479A (zh) * | 2016-07-06 | 2016-11-16 | 辽宁科技学院 | 冰箱的食材自动录入方法 |
CN108280474A (zh) * | 2018-01-19 | 2018-07-13 | 广州市派客朴食信息科技有限责任公司 | 一种基于神经网络的食物识别方法 |
US20210044871A1 (en) * | 2018-04-17 | 2021-02-11 | Samsung Electronics Co., Ltd. | Display device and display device control method |
CN113194792A (zh) * | 2018-10-15 | 2021-07-30 | 广东美的厨房电器制造有限公司 | 用于采集和注释烹饪图像以训练智能烹饪器具、定位智能烹饪器具中的食物以及确定智能烹饪器具中的食物的烹饪进度的系统和方法 |
CN109886926A (zh) * | 2019-01-22 | 2019-06-14 | 东喜和仪(珠海市)数据科技有限公司 | 基于图像识别的生鲜食品质量检测方法和装置 |
CN109998360A (zh) * | 2019-04-11 | 2019-07-12 | 上海长膳智能科技有限公司 | 一种用于自动烹饪食物的方法和装置 |
US20200334628A1 (en) * | 2019-04-19 | 2020-10-22 | Zume Inc. | Food fulfillment with user selection of instances of food items and related systems, articles and methods |
US20200019861A1 (en) * | 2019-08-26 | 2020-01-16 | Lg Electronics Inc. | Method for controlling cook based on artificial intelligent and intelligent device |
CN110909833A (zh) * | 2019-11-28 | 2020-03-24 | 广东美的厨房电器制造有限公司 | 食材烹饪方法、设备及计算机可读存储介质 |
CN110956217A (zh) * | 2019-12-06 | 2020-04-03 | 广东美的白色家电技术创新中心有限公司 | 食物成熟度识别方法、装置以及计算机存储介质 |
CN111950414A (zh) * | 2020-07-31 | 2020-11-17 | 广州微林软件有限公司 | 一种箱柜食物识别系统及识别方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114224189A (zh) * | 2021-12-21 | 2022-03-25 | 珠海格力电器股份有限公司 | 烹饪设备控制方法、装置及烹饪设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107468048B (zh) | 烹饪器具及其控制方法 | |
CN105380575B (zh) | 扫地机器人的控制方法、系统、云服务器和扫地机器人 | |
CN110123149B (zh) | 一种烹饪设备的烹饪控制方法以及烹饪设备 | |
CN106570028B (zh) | 移动终端及模糊图像的删除方法和装置 | |
EP3565236A1 (en) | Control method, control apparatus, mobile terminal and computer-readable storage medium | |
CN107752794B (zh) | 烘焙方法及装置 | |
CN107991939A (zh) | 烹饪控制方法及烹饪控制装置、存储介质和烹饪设备 | |
CN110234040B (zh) | 一种烹饪设备的食材图像获取方法以及烹饪设备 | |
CN110780628A (zh) | 烹饪设备的控制方法、装置、烹饪设备及存储介质 | |
CN107743224A (zh) | 镜头脏污的提醒方法、系统、可读存储介质及移动终端 | |
WO2021110066A1 (zh) | 食物成熟度识别方法、装置以及计算机存储介质 | |
CN108154086A (zh) | 一种图像提取方法、装置及电子设备 | |
CN110857831A (zh) | 控制冰箱温度的方法及装置 | |
CN112741508A (zh) | 一种烹饪设备的控制方法及烹饪设备 | |
CN113723498A (zh) | 食物熟度识别方法、装置、系统、电器、服务器及介质 | |
CN110989464B (zh) | 基于烹饪曲线的烹饪方法、装置、存储介质及烹饪设备 | |
CN114711644B (zh) | 烹饪装置的控制方法、控制装置、存储介质和烹饪装置 | |
CN116708907A (zh) | 菜谱生成方法、装置、设备、存储介质及程序产品 | |
CN110664233B (zh) | 蒸烤箱控制方法及装置 | |
CN113283447B (zh) | 食物烘焙方法及装置、存储介质及电子装置 | |
CN113676706A (zh) | 烹饪视频生成方法、装置、服务器及控制系统 | |
CN111666961B (zh) | 智能家电及其识别食材类型的方法、装置、电子设备 | |
CN110181503B (zh) | 异常检测方法、装置、智能设备和存储介质 | |
CN111723278A (zh) | 菜谱推荐方法、装置、推荐系统及其相关设备 | |
CN113063170B (zh) | 用于识别油烟的方法、处理器及吸油烟机 |
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 |