CN113834809A - 判断食材是否变质的方法、电子设备及食物储存装置 - Google Patents
判断食材是否变质的方法、电子设备及食物储存装置 Download PDFInfo
- Publication number
- CN113834809A CN113834809A CN202010512881.0A CN202010512881A CN113834809A CN 113834809 A CN113834809 A CN 113834809A CN 202010512881 A CN202010512881 A CN 202010512881A CN 113834809 A CN113834809 A CN 113834809A
- Authority
- CN
- China
- Prior art keywords
- food
- microorganisms
- food material
- suspected
- storage device
- 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 366
- 239000000463 material Substances 0.000 title claims abstract description 261
- 238000000034 method Methods 0.000 title claims abstract description 44
- 244000005700 microbiome Species 0.000 claims abstract description 140
- 238000012549 training Methods 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 241000894006 Bacteria Species 0.000 description 15
- 239000000523 sample Substances 0.000 description 8
- 241000251468 Actinopterygii Species 0.000 description 6
- 235000013399 edible fruits Nutrition 0.000 description 6
- 241000233866 Fungi Species 0.000 description 5
- 240000004808 Saccharomyces cerevisiae Species 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 235000013311 vegetables Nutrition 0.000 description 5
- 241000589565 Flavobacterium Species 0.000 description 4
- 241000607598 Vibrio Species 0.000 description 4
- 230000006866 deterioration Effects 0.000 description 4
- 241000193830 Bacillus <bacterium> Species 0.000 description 3
- 240000007124 Brassica oleracea Species 0.000 description 3
- 235000003899 Brassica oleracea var acephala Nutrition 0.000 description 3
- 235000011301 Brassica oleracea var capitata Nutrition 0.000 description 3
- 235000001169 Brassica oleracea var oleracea Nutrition 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000006698 induction Effects 0.000 description 3
- 239000011229 interlayer Substances 0.000 description 3
- 235000013372 meat Nutrition 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 102000004190 Enzymes Human genes 0.000 description 2
- 108090000790 Enzymes Proteins 0.000 description 2
- 240000009088 Fragaria x ananassa Species 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 241000589516 Pseudomonas Species 0.000 description 2
- 230000002378 acidificating effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 235000019688 fish Nutrition 0.000 description 2
- 239000013505 freshwater Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 239000013535 sea water Substances 0.000 description 2
- 230000035943 smell Effects 0.000 description 2
- 235000021012 strawberries Nutrition 0.000 description 2
- 241000228197 Aspergillus flavus Species 0.000 description 1
- 241000228245 Aspergillus niger Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 241000193755 Bacillus cereus Species 0.000 description 1
- 244000063299 Bacillus subtilis Species 0.000 description 1
- 235000014469 Bacillus subtilis Nutrition 0.000 description 1
- 241000192125 Firmicutes Species 0.000 description 1
- 241000220225 Malus Species 0.000 description 1
- 244000183278 Nephelium litchi Species 0.000 description 1
- 241001123663 Penicillium expansum Species 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000002845 discoloration Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007918 pathogenicity Effects 0.000 description 1
- 235000021018 plums Nutrition 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 235000020995 raw meat Nutrition 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012360 testing method Methods 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
- G01N21/84—Systems specially adapted for particular applications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06T7/0004—Industrial image inspection
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Electrochemistry (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Cold Air Circulating Systems And Constructional Details In Refrigerators (AREA)
Abstract
本发明公开了一种判断食材是否变质的方法、电子设备及食物储存装置，涉及食物储存技术领域，该方法包括：确定食物储存装置中的空气含有的微生物的种类以及空气中各种微生物的浓度；当预设种类的微生物的浓度超过预设阈值时，获取食物储存装置中存储的食材的图像信息；根据图像信息，确定食材中的疑似变质食材以及该疑似变质食材的存储位置，其中，疑似变质食材为能够被该预设种类的微生物分解的食材种类；输出提示信息，提示信息包括疑似变质食材的存储位置和/或疑似变质食材的食材种类。本发明的有益效果是：能够确定食物储存装置内是否存在变质食材，并通过食材的图像来准确定位出变质食材的存储位置，以让用户能够准确对变质的食材进行清理。
Description
技术领域
本发明属于食物储存技术领域，尤其涉及一种判断食材是否变质的方法、电子设备及食物储存装置。
背景技术
目前的冰箱对于食材的保鲜储存都有着不错的效果，即使是在炎热的天气下，食材依然可以长时间保鲜。但是，这并不意味着冰箱中的食材不会滋生细菌，尤其是嗜冷细菌。长时间放置的熟食、蔬菜和生肉等食物在低温环境下也会滋生大量的微生物，这就会导致食物的变质。而变质的食物不仅会产生大量难闻的气体，而且用户如果不小心食用了变质的食物，还不利于身体健康。
发明内容
本发明正是基于食材在冰箱中存储过久会滋生细菌等微生物而导致食材变质，如果不及时清理变质食材会导致冰箱发臭，甚至影响用户身体健康的技术问题，提出了一种判断食材是否变质的方法、电子设备及食物储存装置。
第一方面，本发明实施例提供了一种判断食材是否变质的方法，包括：
确定食物储存装置中的空气含有的微生物的种类以及所述空气中各种微生物的浓度；
当预设种类的微生物的浓度超过预设阈值时，获取食物储存装置中存储的食材的图像信息；
根据所述图像信息，确定食材中的疑似变质食材以及该疑似变质食材的存储位置，其中，所述疑似变质食材为能够被该预设种类的微生物分解的食材种类；
输出提示信息，所述提示信息包括所述疑似变质食材的存储位置和/或所述疑似变质食材的食材种类。
可选地，所述方法还包括：
当确定食材中的疑似变质食材的数量为多个时，对多个疑似变质食材对应的图像信息进行分析，以从多个疑似变质食材中确定出具有腐败特征的食材。
可选地，对多个疑似变质食材对应的图像信息进行分析，以从多个疑似变质食材中确定出具有腐败特征的食材，包括：
利用第一图像识别模型对多个疑似变质食材对应的图像信息进行分析，以获得具有腐败特征的食材；
其中，所述第一图像识别模型为利用多组训练数据进行机器学习训练得到的，每组所述训练数据包括不同种类的食材分别由不同种类的微生物腐败变质的图片。
可选地，所述预设阈值通过以下步骤获得：
获取历史样本数据，所述历史样本数据包括不同种类的食材在食物储存装置中分别被不同种类的微生物腐败变质时，空气中对应种类的微生物的浓度；
根据所述历史样本数据，分别计算同一种类的微生物导致不同种类的食材腐败变质时，该种类的微生物在空气中的平均浓度，并将该平均浓度确定为对应种类的微生物的预设阈值。
可选地，根据所述图像信息，确定食材中的疑似变质食材，包括：
利用第二图像识别模型对所述图像信息进行分析，获得各个食材的种类信息；其中，所述第二图像识别模型为利用多组训练数据进行机器学习训练得到的，每组所述训练数据包括食材图片和与该食材图片对应的种类信息；
根据各个食材的种类信息，将能够被该预设种类的微生物分解的食材种类确定为疑似变质食材。
可选地，确定食物储存装置中的空气含有的微生物的种类以及所述空气中各种微生物的浓度，包括：
利用生物传感器对食物储存装置中的空气进行检测，确定空气中含有的微生物的种类以及浓度。
可选地，所述方法还包括：
显示各个种类的微生物的名称及对应的浓度。
第二方面，本发明实施例还提供了一种存储介质，所述存储介质上存储有程序代码，所述程序代码被处理器执行时，实现如上述实施例中任一项所述的判断食材是否变质的方法。
第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的程序代码，所述程序代码被所述处理器执行时，实现如上述实施例中任一项所述的判断食材是否变质的方法。
第四方面，本发明实施例还提供了一种食物储存装置，包括：
食物储存装置本体；
微生物检测装置，用于获取所述食物储存装置本体中的空气含有的微生物的种类以及所述空气中各种微生物的浓度；
摄像装置，用于获取所述食物储存装置本体中存储的食材的图像信息；
存储器，用于存储用于实现如上述实施例中任一项所述的判断食材是否变质的方法的程序代码；
控制器，用于根据所述微生物检测装置获取的微生物的种类以及对应的浓度和所述摄像装置获取的食材的图像信息，执行所述存储器中存储的程序代码，以提醒用户对变质食材进行清理。
可选地，所述食物储存装置包括冰箱。
在本发明实施例提供的一种判断食材是否变质的方法，通过确定食物储存装置中的空气含有的微生物的种类以及对应的浓度，当预设种类的微生物的浓度超过预设阈值时，进一步通过食物储存装置中的食材的图像信息来确定疑似变质食材的存储位置，从而能够根据微生物的种类以及浓度来确定食物储存装置内是否存在疑似变质食材，并通过食材的图像来准确定位出疑似变质食材的存储位置，以让用户能够准确对变质的食材进行清理。
附图说明
通过结合附图阅读下文示例性实施例的详细描述可更好地理解本公开的范围。其中所包括的附图是：
图1示出了本发明实施例一提出的一种判断食材是否变质的方法的流程示意图；
图2示出了本发明实施例二提出的一种判断食材是否变质的方法的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下将结合附图及实施例来详细说明本发明的实施方法，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
实施例一
根据本发明的实施例，提供了一种判断食材是否变质的方法，图1示出了本发明实施例一提出的一种判断食材是否变质的方法的流程示意图，如图1所示，该判断食材是否变质的方法可以包括：步骤110至步骤140。
在步骤110中，确定食物储存装置中的空气含有的微生物的种类以及所述空气中各种微生物的浓度。
这里，食材在食物储存装置保存的时间越长，食材表面滋生的微生物数量就会越多，而由此会导致食物储存装置内的气体含有微生物的数量就越多。因此，通过检测食物储存装置中的空气中含有的微生物的种类以及对应的浓度，即可确定食物储存装置中存储的食材的存储状况。其中，微生物包括细菌、酵母菌和霉菌等。
在步骤120中，当预设种类的微生物的浓度超过预设阈值时，获取食物储存装置中存储的食材的图像信息。
这里，预设种类的微生物是指具有致病性的细菌或能够导致腐败变质的细菌、真菌等。例如，酵母菌，黄曲霉、黑曲霉和灰绿青霉等霉菌，以及芽胞菌属的细菌，如枯草芽胞杆菌、蜡状芽胞杆菌等细菌。当预设种类的微生物的浓度超过预设阈值时，说明食物储存装置中存在腐败变质的食材，因此，需要获取食材图像以进一步确定变质食材的位置。
值得说明的是，预设种类的微生物可以是食物储存装置中常见的腐殖性细菌或真菌，也可以是致病性细菌、真菌等，可以根据实际情况设置。而且，该预设阈值根据实际情况确定，由于空气中的微生物浓度其不可能是食物储存装置内所有的微生物的浓度，该预设浓度可以是微生物在食材上繁殖至一定程度时，反映到空气中的浓度，从而根据空气中的微生物浓度，确定食材中的微生物浓度。
在步骤130中，根据所述图像信息，确定食材中的疑似变质食材以及该疑似变质食材的存储位置，其中，所述疑似变质食材为能够被该预设种类的微生物分解的食材种类。
这里，不同种类的食材是需要不同种类的微生物进行分解的，疑似变质食材则指的是能够被该预设种类的微生物分解的食材种类。
例如，假单胞菌属中的革兰氏阴性无芽胞杆菌，其生存环境为需氧、嗜冷，能在PH5.0下生长，是典型的腐败细菌，其在肉类、鱼类等动物食品以及蔬菜中均易生长繁殖。而弧菌属与黄杆菌属均为革兰氏阴性兼性厌氧菌，其主要来自于海水或淡水，在低温和5％食盐中均可生长，故在鱼类等水产食品中较为多见。又例如，属于酸性食品的水果，其PH一般在4.5以下。因此，能够分解水果的微生物大都是酵母菌或一些霉菌。因此，基于不同种类的微生物与对应的微生物能够分解的食材种类的关联关系，能够得出浓度超过预设阈值的微生物会导致那些食材腐败变质。
值得说明的是，基于不同种类的微生物与对应的微生物能够分解的食材种类的关联关系是基于食物储存装置内的特殊保存环境制定的，因为有的微生物在温度低于一定阈值后，其会进入休眠状态或直接死亡。因此，可以根据食物储存装置中的温度制定该关联关系，以减少识别微生物的种类的时间。
由此，通过图像信息能够识别出食物储存装置内存储的食材的种类信息，从而根据微生物与食材种类的关联关系来确定疑似变质食材的种类，从而通过图像信息确定该种类食材的存储位置。
在步骤140中，输出提示信息，所述提示信息包括所述疑似变质食材的存储位置和/或所述疑似变质食材的食材种类。
这里，可以通过显示该疑似变质食材的存储位置，和/或输出用于指示该疑似变质食材的存储位置的提醒信息，能够让用户及时得知食物储存装置内存在食材已经腐败，并能够准确地找到疑似变质食材的存储位置，以提醒用户对该疑似变质食材进行处理和/或对冰箱进行清洁。其中，显示该疑似变质食材的存储位置可以是在食物储存装置的显示屏上进行显示，也可以是发送至用户的终端设备进行显示，该提醒信息也可以通过食物储存装置输出，也可以是发送至用户的终端设备。
值得说明的是，该疑似变质食材的存储位置可以是该疑似变质食材对应的图像信息。例如，向用户发送疑似变质食材的图像信息，从而让用户能够根据该图像信息对疑似变质食材进行清理。
在本实施例中，通过确定食物储存装置中的空气含有的微生物的种类以及对应的浓度，当预设种类的微生物的浓度超过预设阈值时，进一步通过食物储存装置中的食材的图像信息来确定疑似变质食材的存储位置，从而能够根据微生物的种类以及浓度来确定食物储存装置内是否存在疑似变质食材，并通过图像来准确定位出疑似变质食材的存储位置，以让用户能够准确对变质的食材进行清理。
实施例二
在上述实施例的基础上，本发明的实施例二还可以提供一种疑似判断食材是否变质的方法。图2示出了本发明实施例二提出的一种疑似判断食材是否变质的方法的流程示意图，如图2所示，该疑似判断食材是否变质的方法可以包括：步骤210至步骤250。
在步骤210中，确定食物储存装置中的空气含有的微生物的种类以及所述空气中各种微生物的浓度。
这里，食材在食物储存装置保存的时间越长，食材表面滋生的微生物数量就会越多，而由此会导致食物储存装置内的气体含有微生物的数量就越多。因此，通过检测食物储存装置中的空气中含有的微生物的种类以及对应的浓度，即确定食物储存装置中存储的食材的存储状况。其中，微生物包括细菌、酵母菌和霉菌等。
在一个可选的实施方式中，步骤210中，确定食物储存装置中的空气含有的微生物的种类以及所述空气中各种微生物的浓度，包括：
利用生物传感器对食物储存装置中的空气进行检测，确定空气中含有的微生物的种类以及浓度。
这里，生物传感器主要由生物感应元件和信号传导器两部分组成。生物感应元件主要由酶、生物体、细胞等物质制作，其主要功能是对被测物质进行识别。信号传导器的主要形式有电势测量式、电流测量式、阻抗测量式等，其主要功能是将生物感应元件与被测物质相互作用产生的物理化学效应转变为可以输出的电信号。利用生物传感器对细菌、真菌等微生物进行检测，是通过气体收集装置收集预设体积的食物储存装置内部的气体，并将气体与生物传感器的生物感应元件中涂有酶等物质的感应探针进行充分接触，接触后气体中的细菌、真菌等微生物与生物感应元件的梅等物质进行反应，从而产生电信号，进而根据信号传导器的电信号，分析出空气中含有的微生物的种类以及浓度。
其中，生物传感器可以仅设置在一个位置，也可以设置在不同的隔层中，以检测到不同隔层的空气。
值得说明的是，可以是间隔预设时间才利用生物传感器对食物储存装置内的空气进行检测。例如，由于食材的变质腐烂是一个缓慢的过程，且白天用户可能频繁使用食物储存装置，所以将识别的过程设置在每天凌晨，这个时间食物储存装置使用次数少，细菌等微生物也更活跃，每天早上用户使用食物储存装置时都可以看到最新的识别结果，及时处理。
由此，通过生物传感器对食物储存装置中的空气进行检测，能够快速且准确识别出微生物的种类。
另外，也可以通过高光谱技术对食物储存装置中的空气的成分进行检测，从而根据空气中的成分确定食物储存装置中的空气含有的微生物的种类以及对应的浓度。该高光谱技术作为现有技术，在此不再赘述。
在一个可选的实施方式中，所述方法还包括：
显示各个种类的微生物的名称及对应的浓度。
这里，通过显示各个种类的微生物的名称及对应的浓度，可以让用户时刻了解食物储存装置内的微生物环境，从而决定是否对食物储存装置进行清洁、消毒。
另外，在步骤210之前，还可以包括：对食物储存装置进行通风，以使食物储存装置内的各个隔层的空气能够均匀混合。
这里，可以使用风扇对食物储存装置内的空气进行均匀混合。通过对食物储存装置内进行通风，能够使得食物储存装置内各个隔层的空气进行互通，同时能够将食材上的微生物吹到空气中，以使得生物传感器对空气中的微生物检测不会出现误差。
在步骤220中，当预设种类的微生物的浓度超过预设阈值时，获取食物储存装置中存储的食材的图像信息。
这里，在上述实施例中已经对预设种类的微生物以及浓度进行了详细说明，在此不再赘述。其中，可以使用摄像装置获取食物储存装置内存储的食材的图像信息，该摄像装置可以设置多个，并分别在不同隔层，以准确获取到食物储存装置中存储的所有食材的图像信息。
在一个可选的实施方式中，该预设阈值可以通过以下步骤获得：
获取历史样本数据，所述历史样本数据包括不同种类的食材在食物储存装置中分别被不同种类的微生物腐败变质时，空气中对应种类的微生物的浓度；
根据所述历史样本数据，分别计算同一种类的微生物导致不同种类的食材腐败变质时，该种类的微生物在空气中的平均浓度，并将该平均浓度确定为对应种类的微生物的预设阈值。
这里，由于食物储存装置的空气中的微生物浓度不一定是食物储存装置内变质食材产生的所有微生物的浓度。因此，该预设阈值可以是通过在试验条件下获得的历史样本数据，例如，将不同种类的食材放置在食物储存装置中，并分别添加不同种类的微生物让食材发生自然变质，然后检测空气中该种类微生物的浓度，从而得到微生物在食材上繁殖至一定程度导致食材腐败时，微生物反映到空气中的浓度，从而根据空气中的微生物浓度，确定食材中的微生物浓度是否能够导致食材变质。
其中，获得的同一种类的微生物导致不同种类的食材腐败变质时，该种类的微生物在空气中的浓度之后，对其求平均，得到该平均浓度。例如，霉菌分别导致苹果、白菜、荔枝发生腐败变质时，空气中的霉菌浓度分别是A、B以及C，则计算A、B以及C的平均数，得到霉菌导致食材变质时空气中含有的霉菌的平均浓度，从而将该平均浓度确定为霉菌的预设阈值。
在步骤230中，根据所述图像信息，确定食材中的疑似变质食材以及该疑似变质食材的存储位置，其中，所述疑似变质食材为能够被该预设种类的微生物分解的食材种类。
这里，不同种类的食材是需要不同种类的微生物进行分解的，疑似变质食材指的是能够被该预设种类的微生物分解的食材种类。
例如，假单胞菌属中的革兰氏阴性无芽胞杆菌，其生存环境为需氧、嗜冷，能在PH5.0下生长，是典型的腐败细菌，其在肉类、鱼类等动物食品以及蔬菜中均易生长繁殖。而弧菌属与黄杆菌属均为革兰氏阴性兼性厌氧菌，其主要来自于海水或淡水，在低温和5％食盐中均可生长，故在鱼类等水产食品中较为多见。又例如，属于酸性食品的水果，其PH一般在4.5以下。因此，能够分解水果的微生物大都是酵母菌或一些霉菌。因此，基于不同种类的微生物与对应的微生物能够分解的食材种类的关联关系，能够得出浓度超过预设阈值的微生物会导致那些食材腐败变质。
值得说明的是，基于不同种类的微生物与对应的微生物能够分解的食材种类的关联关系是基于食物储存装置内的特殊保存环境制定的，因为有的微生物在温度低于一定阈值后，其会进入休眠状态或直接死亡。因此，可以根据食物储存装置中的温度制定该关联关系，以减少识别微生物的种类的时间。
由此，通过图像信息能够识别出食物储存装置内存储的食材的种类信息，从而根据微生物与食材种类的关联关系来确定疑似变质食材的种类，从而通过图像信息确定该种类食材的存储位置。
在一个可选的实施方式中，步骤230中，根据所述图像信息，确定食材中的疑似变质食材，包括：
利用第二图像识别模型对所述图像信息进行分析，获得各个食材的种类信息；其中，所述第二图像识别模型为利用多组训练数据进行机器学习训练得到的，每组所述训练数据包括食材图片和与该食材图片对应的种类信息；
根据各个食材的种类信息，将能够被该预设种类的微生物分解的食材种类确定为疑似变质食材。
这里，通过利用第二图像识别模型对食物储存装置内的食材的图像信息进行识别，能够获得食物储存装置内存储的食材的种类信息，从而根据所述种类信息，将能够被该预设种类的微生物分解的食材种类确定为疑似变质食材。
其中，该第二图像识别模型是利用大量图片训练得到的深度学习模型，训练图片可以包括食材图片和与该食材图片对应的种类信息。
在步骤240中，输出提示信息，所述提示信息包括所述疑似变质食材的存储位置和/或所述疑似变质食材的食材种类。
这里，可以通过显示该疑似变质食材的存储位置，和/或输出用于指示该疑似变质食材的存储位置的提醒信息，能够让用户及时得知食物储存装置内存在食材已经腐败，并能够准确地找到疑似变质食材的存储位置，以对该疑似变质食材进行清理。
值得说明的是，该疑似变质食材的存储位置可以是该疑似变质食材对应的图像信息。例如，向用户发送疑似变质食材的图像信息，从而让用户能够根据该图像信息对疑似变质食材进行清理。
在步骤250中，当确定食材中的疑似变质食材的数量为多个时，对多个疑似变质食材对应的图像信息进行分析，以从多个疑似变质食材中确定出具有腐败特征的食材。
这里，确定到的疑似变质食材的数量包括多个的情况可以是：检测到特定种类的霉菌的浓度超过预设范围，该霉菌能够让蔬菜以及水果发生变质，在步骤230 中能够初步确定到食物储存装置中的蔬菜或水果发生了变质。但是食物储存装置中又存储有白菜、橘子以及草莓，故需要进一步精确定位到发生变质的是白菜、橘子以及草莓中的哪一个。因此，通过对多个所述疑似变质食材对应的图像信息进行分析，以从多个所述疑似变质食材中确定出具有腐败特征的食材，从而精确确定到疑似变质食材的存储位置。
其中，腐败特征是指微生物导致食材变质时，其表面产生的腐败特征。例如，革兰氏阳性菌能够导致肉类变色，表面颜色发暗；霉菌导致的粮谷食材变质则表面会发灰发绿；鱼类变质则会存在鱼鳞脱落、眼球凹陷。
值得说明的是，步骤250可以是在步骤240之后执行，即在输出冰箱中存在疑似变质食材的提醒信息之后，再对疑似变质食材进行识别，以从疑似变质食材中找出具有腐败特征的食材，从而输出该具有腐败特征的食材的存储位置。该步骤250也可以是在步骤240之前执行，在输出冰箱中存在疑似变质食材的提醒信息之前，再对疑似变质食材进行识别，以从疑似变质食材中找出具有腐败特征的食材，则在步骤240中只输出包括具有腐败特征的食材的存储位置的提醒信息。
在一个可选的实施方式中，步骤240中，对多个疑似变质食材对应的图像信息进行分析，以从多个疑似变质食材中确定出具有腐败特征的食材，包括：
利用第一图像识别模型对多个疑似变质食材对应的图像信息进行分析，以获得具有腐败特征的食材；
其中，所述第一图像识别模型为利用多组训练数据进行机器学习训练得到的，每组所述训练数据包括不同种类的食材分别由不同种类的微生物腐败变质的图片。
这里，该第一图像识别模型是利用大量不同种类的食材分别由不同种类的微生物腐败变质的图片训练得到的深度学习模型。其中，由于不同微生物的腐败特征不同，在训练时，可以包括同一种类食材由不同种类的微生物腐败变质的图片，从而精确识别出疑似变质食材。
实施例三
根据本发明的实施例，还提供了一种存储介质，所述存储介质上存储有程序代码，所述程序代码被处理器执行时，实现如上述实施例任一项所述的判断食材是否变质的方法。
实施例四
根据本发明的实施例，还提供了一种电子设备，所述电子设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的程序代码，所述程序代码被所述处理器执行时，实现如上述实施例任一项所述的判断食材是否变质的方法。
实施例五
根据本发明的实施例，还提供了一种食物存储装置，包括：
食物储存装置本体；
微生物检测装置，用于获取所述食物储存装置本体中的空气含有的微生物的种类以及所述空气中各种微生物的浓度；
摄像装置，用于获取所述食物储存装置本体中存储的食材的图像信息；
存储器，用于存储用于实现如上述实施例中任一项所述的判断食材是否变质的方法的程序代码；
控制器，用于根据所述微生物检测装置获取的微生物的种类以及对应的浓度和所述摄像装置获取的食材的图像信息，执行所述存储器中存储的程序代码，以提醒用户对变质食材进行清理。
可选地，所述食物储存装置包括冰箱。
以上结合附图详细说明了本发明的技术方案，考虑到相关技术中，食材在冰箱中存储过久会滋生细菌等微生物而导致食材变质，如果不及时清理变质食材会导致冰箱发臭，甚至影响用户身体健康。本发明提供一种判断食材是否变质的方法、存储介质、电子设备及食物储存装置，通过确定食物储存装置中的空气含有的微生物的种类以及对应的浓度，当预设种类的微生物的浓度超过预设阈值时，进一步通过食物储存装置中的食材的图像信息来确定变质食材的存储位置，从而能够根据微生物的种类以及浓度来确定食物储存装置内是否存在变质食材，并通过图像来准确定位出变质食材的存储位置，以让用户能够准确对变质的食材进行清理。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等) 执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM， Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的保护范围，仍须以所附的权利要求书所界定的范围为准。
Claims (11)
1.一种判断食材是否变质的方法，其特征在于，包括：
确定食物储存装置中的空气含有的微生物的种类以及所述空气中各种微生物的浓度；
当预设种类的微生物的浓度超过预设阈值时，获取食物储存装置中存储的食材的图像信息；
根据所述图像信息，确定食材中的疑似变质食材以及该疑似变质食材的存储位置，其中，所述疑似变质食材为能够被该预设种类的微生物分解的食材种类；
输出提示信息，所述提示信息包括所述疑似变质食材的存储位置和/或所述疑似变质食材的食材种类。
2.根据权利要求1所述的判断食材是否变质的方法，其特征在于，所述方法还包括：
当确定食材中的疑似变质食材的数量为多个时，对多个疑似变质食材对应的图像信息进行分析，以从多个疑似变质食材中确定出具有腐败特征的食材。
3.根据权利要求2所述的判断食材是否变质的方法，其特征在于，对多个疑似变质食材对应的图像信息进行分析，以从多个疑似变质食材中确定出具有腐败特征的食材，包括：
利用第一图像识别模型对多个疑似变质食材对应的图像信息进行分析，以获得具有腐败特征的食材；
其中，所述第一图像识别模型为利用多组训练数据进行机器学习训练得到的，每组所述训练数据包括不同种类的食材分别由不同种类的微生物腐败变质的图片。
4.根据权利要求1所述的判断食材是否变质的方法，其特征在于，所述预设阈值通过以下步骤获得：
获取历史样本数据，所述历史样本数据包括不同种类的食材在食物储存装置中分别被不同种类的微生物腐败变质时，空气中对应种类的微生物的浓度；
根据所述历史样本数据，分别计算同一种类的微生物导致不同种类的食材腐败变质时，该种类的微生物在空气中的平均浓度，并将该平均浓度确定为对应种类的微生物的预设阈值。
5.根据权利要求1所述的判断食材是否变质的方法，其特征在于，根据所述图像信息，确定食材中的疑似变质食材，包括：
利用第二图像识别模型对所述图像信息进行分析，获得各个食材的种类信息；其中，所述第二图像识别模型为利用多组训练数据进行机器学习训练得到的，每组所述训练数据包括食材图片和与该食材图片对应的种类信息；
根据各个食材的种类信息，将能够被该预设种类的微生物分解的食材种类确定为疑似变质食材。
6.根据权利要求1所述的判断食材是否变质的方法，其特征在于，确定食物储存装置中的空气含有的微生物的种类以及所述空气中各种微生物的浓度，包括：
利用生物传感器对食物储存装置中的空气进行检测，确定空气中含有的微生物的种类以及浓度。
7.根据权利要求6所述的判断食材是否变质的方法，其特征在于，所述方法还包括：
显示各个种类的微生物的名称及对应的浓度。
8.一种存储介质，所述存储介质上存储有程序代码，其特征在于，所述程序代码被处理器执行时，实现如权利要求1至7中任一项所述的判断食材是否变质的方法。
9.一种电子设备，其特征在于，所述电子设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的程序代码，所述程序代码被所述处理器执行时，实现如权利要求1至7中任一项所述的判断食材是否变质的方法。
10.一种食物储存装置，其特征在于，包括：
食物储存装置本体；
微生物检测装置，用于获取所述食物储存装置本体中的空气含有的微生物的种类以及所述空气中各种微生物的浓度；
摄像装置，用于获取所述食物储存装置本体中存储的食材的图像信息；
存储器，用于存储用于实现如权利要求1至7中任一项所述的判断食材是否变质的方法的程序代码；
控制器，用于根据所述微生物检测装置获取的微生物的种类以及对应的浓度和所述摄像装置获取的食材的图像信息，执行所述存储器中存储的程序代码，以提醒用户对变质食材进行清理。
11.根据权利要求10所述的食物储存装置，其特征在于，所述食物储存装置包括冰箱。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010512881.0A CN113834809A (zh) | 2020-06-08 | 2020-06-08 | 判断食材是否变质的方法、电子设备及食物储存装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010512881.0A CN113834809A (zh) | 2020-06-08 | 2020-06-08 | 判断食材是否变质的方法、电子设备及食物储存装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113834809A true CN113834809A (zh) | 2021-12-24 |
Family
ID=78963598
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010512881.0A Pending CN113834809A (zh) | 2020-06-08 | 2020-06-08 | 判断食材是否变质的方法、电子设备及食物储存装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113834809A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114486886A (zh) * | 2022-01-07 | 2022-05-13 | 珠海格力电器股份有限公司 | 食物检测方法、装置、存储介质及电子设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN204776502U (zh) * | 2015-07-22 | 2015-11-18 | 重庆牛心山土特产有限责任公司 | 一种储物盒 |
| WO2017160499A2 (en) * | 2016-03-14 | 2017-09-21 | Amazon Technologies, Inc. | Scent-based spoilage sensing refrigerator |
| CN108133743A (zh) * | 2016-12-01 | 2018-06-08 | 佛山市顺德区美的电热电器制造有限公司 | 一种信息推送的方法、装置和系统 |
| CN109237862A (zh) * | 2017-07-11 | 2019-01-18 | 惠而浦（中国）股份有限公司 | 一种检测冰箱内食物新鲜度的方法 |
| CN109613188A (zh) * | 2018-12-26 | 2019-04-12 | 杭州蒙蒙科技有限公司 | 一种检测食物性能的方法和装置 |
| CN109798712A (zh) * | 2019-02-14 | 2019-05-24 | 河南新飞制冷器具有限公司 | 冰箱保鲜控制系统及保鲜控制方法 |
| US20190384990A1 (en) * | 2018-06-15 | 2019-12-19 | Samsung Electronics Co., Ltd. | Refrigerator, server and method of controlling thereof |
| CN110674736A (zh) * | 2019-09-23 | 2020-01-10 | 珠海格力电器股份有限公司 | 一种识别食材新鲜度的方法、装置、服务器及存储介质 |
| CN110895082A (zh) * | 2019-11-15 | 2020-03-20 | 珠海格力电器股份有限公司 | 一种冰箱控制方法、装置、计算机可读存储介质及冰箱 |
-
2020
- 2020-06-08 CN CN202010512881.0A patent/CN113834809A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN204776502U (zh) * | 2015-07-22 | 2015-11-18 | 重庆牛心山土特产有限责任公司 | 一种储物盒 |
| WO2017160499A2 (en) * | 2016-03-14 | 2017-09-21 | Amazon Technologies, Inc. | Scent-based spoilage sensing refrigerator |
| CN108133743A (zh) * | 2016-12-01 | 2018-06-08 | 佛山市顺德区美的电热电器制造有限公司 | 一种信息推送的方法、装置和系统 |
| CN109237862A (zh) * | 2017-07-11 | 2019-01-18 | 惠而浦（中国）股份有限公司 | 一种检测冰箱内食物新鲜度的方法 |
| US20190384990A1 (en) * | 2018-06-15 | 2019-12-19 | Samsung Electronics Co., Ltd. | Refrigerator, server and method of controlling thereof |
| CN109613188A (zh) * | 2018-12-26 | 2019-04-12 | 杭州蒙蒙科技有限公司 | 一种检测食物性能的方法和装置 |
| CN109798712A (zh) * | 2019-02-14 | 2019-05-24 | 河南新飞制冷器具有限公司 | 冰箱保鲜控制系统及保鲜控制方法 |
| CN110674736A (zh) * | 2019-09-23 | 2020-01-10 | 珠海格力电器股份有限公司 | 一种识别食材新鲜度的方法、装置、服务器及存储介质 |
| CN110895082A (zh) * | 2019-11-15 | 2020-03-20 | 珠海格力电器股份有限公司 | 一种冰箱控制方法、装置、计算机可读存储介质及冰箱 |
Non-Patent Citations (4)
| Title |
|---|
| 刘涛: "《现代食品质量安全与管理体系的构建》", 31 July 2019 * |
| 星环科技人工智能平台团队: "《机器学习实践》", 31 January 2020 * |
| 林丽萍: "《食品卫生微生物检验学》", 30 June 2019 * |
| 赵国华: "《食品生物化学》", 31 January 2019 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114486886A (zh) * | 2022-01-07 | 2022-05-13 | 珠海格力电器股份有限公司 | 食物检测方法、装置、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ghasemi-Varnamkhasti et al. | Potential use of electronic noses, electronic tongues and biosensors as multisensor systems for spoilage examination in foods | |
| Kuswandi et al. | On-package dual sensors label based on pH indicators for real-time monitoring of beef freshness | |
| McDonald et al. | Predictive food microbiology for the meat industry: a review | |
| Concina et al. | Early detection of microbial contamination in processed tomatoes by electronic nose | |
| Panigrahi et al. | Design and development of a metal oxide based electronic nose for spoilage classification of beef | |
| Ramírez et al. | Evaluation of the Food Sniffer electronic nose for assessing the shelf life of fresh pork meat compared to physicochemical measurements of meat quality | |
| Strange et al. | Evaluation of rapid tests for monitoring alterations in meat quality during storage | |
| National Research Council et al. | An evaluation of the role of microbiological criteria for foods and food ingredients | |
| Kuswandi et al. | Simple and low-cost on-package sticker sensor based on litmus paper for real-time monitoring of beef freshness | |
| Fletcher et al. | Advances in meat spoilage detection: A short focus on rapid methods and technologies | |
| Calanche et al. | Assessing the effectiveness of a cold chain for fresh fish salmon (Salmo salar) and sardine (Sardina pilchardus) in a food processing plant | |
| Heising et al. | Simulations on the prediction of cod (Gadus morhua) freshness from an intelligent packaging sensor concept | |
| CN110895082B (zh) | 一种冰箱控制方法、装置、计算机可读存储介质及冰箱 | |
| Tang et al. | Rapid evaluation of chicken meat freshness using gas sensor array and signal analysis considering total volatile basic nitrogen | |
| Pattarapon et al. | Effect of vacuum storage on the freshness of grass carp (Ctenopharyngodon idella) fillet based on normal and electronic sensory measurement | |
| Heising et al. | Mathematical models for the trimethylamine (TMA) formation on packed cod fish fillets at different temperatures | |
| CN109182443A (zh) | 一种监测腐败菌繁殖的传感器制备方法及快速检测腐败菌的方法 | |
| CN104330382A (zh) | 一种生鲜牛肉的安全分级方法 | |
| Shelef et al. | Use of a titrimetric method to assess the bacterial spoilage of fresh beef | |
| CN113834809A (zh) | 判断食材是否变质的方法、电子设备及食物储存装置 | |
| Sariningsih et al. | Methyl red indicator on smart packaging as a freshness sensor for tilapia fillets | |
| Carrillo-Gómez et al. | Detection of the bacteria concentration level in pasteurized milk by using two different artificial multisensory methods | |
| EFSA Panel on Biological Hazards (BIOHAZ) et al. | Microbiological safety of aged meat | |
| Anusankari et al. | Optical determination of carbon dioxide and oxygen by a fluorescent membrane to evaluate the freshness of meat products | |
| Prevolnik et al. | Application of artificial neural networks in meat production and technology |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211224 |
|
| RJ01 | Rejection of invention patent application after publication |