CN115128971A - 烹饪设备及其控制方法、计算机可读存储介质 - Google Patents

Abstract

一种烹饪设备及其控制方法、计算机可读存储介质，所述控制方法包括：在所述烹饪设备运行期间进行监测以得到监测数据，其中，所述监测数据的维度包括被烹饪物体的表面温度、被烹饪物体的重量以及所述烹饪设备的腔体温度中的至少一个；将所述监测数据输入预设回归模型以获取所述被烹饪物体的预测内部温度，其中，所述预设回归模型用于表征被烹饪物体的内部温度与监测数据的关联关系；至少根据所述被烹饪物体的预测内部温度调节所述烹饪设备的运行状态。通过本发明方案能够实现烹饪设备的智能化控制，基于非侵入式手段获取食物内部温度以精准衡量食物的实际烹饪状态，进而在烹饪期间自动调整烹饪设备的运行状态以优化烹饪结果。

Description

烹饪设备及其控制方法、计算机可读存储介质

技术领域

本发明实施例涉及家用电器技术领域，具体地涉及一种烹饪设备及其控制方法、计算机可读存储介质。

背景技术

近年来，微波炉、烤箱等能够自动加热食物的烹饪设备被越来越广泛地使用，成为每家每户不可或缺的家用器具之一。现有烹饪设备的加热原理都是将能量作用至食物表面，由表及里地对食物进行加热。加热过程中烹饪设备只能监测烹饪设备腔体的温度和食物表面的温度，用户无法直观获知食物内部的实际温度。这就导致使用现有烹饪设备加热食物时经常出现食物表面已经熟透甚至焦糊，但食物内部却还没有熟的情形。

对于上述情形，现有技术的一种烹饪设备通过使用探针插入食物内部的方式探知食物内部温度，以便用户了解食物内部是否已经熟透。但探针探测的方式显然会破坏食物表面完整性，影响最终成品的外形美观度。

此外，现有的烹饪设备仅能够机械地按照用户设定的时间和温度加热食物，不够智能化，无法适应当前智能家电的设计理念。

发明内容

本发明实施例的一个目的在于提供一种改进的烹饪设备及其控制方法、计算机可读存储介质。

因此，本发明实施例提供一种烹饪设备的控制方法，包括：在所述烹饪设备运行期间进行监测以得到监测数据，其中，所述监测数据的维度包括被烹饪物体的表面温度、被烹饪物体的重量以及所述烹饪设备的腔体温度中的至少一个；将所述监测数据输入预设回归模型以获取所述被烹饪物体的预测内部温度，其中，所述预设回归模型用于表征被烹饪物体的内部温度与监测数据的关联关系；至少根据所述被烹饪物体的预测内部温度调节所述烹饪设备的运行状态。

采用本实施方案能够实现烹饪设备的智能化控制以优化烹饪结果。具体而言，测量的食物的相关参数比较全面，除了表面温度信息外还能预测出食物内部的温度，利于准确监测食物的实时烹饪状态。进一步，基于预设回归模型实现非侵入式地获取食物内部温度，无需采用探针插入等破坏性手段，确保食物外观始终保持完整。进一步，根据预测内部温度精准衡量食物的实际烹饪状态，进而自动调整烹饪设备的运行状态以优化烹饪结果，确保烹饪结束时食物内部和表面的烹饪结果均较优。

可选的，所述至少根据预测得到的所述被烹饪物体的预测内部温度调节所述烹饪设备的运行状态包括：根据所述被烹饪物体的预测内部温度与标准内部温度的差异，调节所述烹饪设备的加热功率。在烹饪期间，根据两种温度的比对结果实时调整加热功率，能够确保食物的熟度符合预期。进一步，通过两种温度的比较结果可以衡量食物的熟度，并在熟度偏离预期时及时纠正。例如，熟度不足时，提高加热功率可以加快食物变熟速度；熟度过头时，降低加热功率可以减缓食物进一步变熟的速度。

可选的，所述标准内部温度是根据所述被烹饪物体的标准食谱和/或历史数据确定的，以提高标准内部温度的设定准确性。

可选的，所述监测数据的维度还包括所述烹饪设备的腔体湿度，以从湿度这一维度监测食物的烹饪状态并调整烹饪设备的运行状态。

可选的，所述至少根据预测得到的所述被烹饪物体的预测内部温度调节所述烹饪设备的运行状态包括：根据所述被烹饪物体的预测内部温度与标准内部温度的差异，调节所述烹饪设备的加热功率；根据所述烹饪设备的腔体湿度与标准湿度的差异，调节所述烹饪设备的蒸汽输送量。由此，即能确保食物的熟度符合预期，又能确保食物的表面干燥程度符合预期。进一步，通过两种温度的比较结果可以衡量食物的熟度，并在熟度偏离预期时及时纠正。例如，熟度不足时，提高加热功率可以加快食物变熟速度；又例如，熟度过头时，降低加热功率可以减缓食物进一步变熟的速度。进一步，通过两种湿度的比较结果可以衡量食物的含水量，并在含水量偏离预期时及时纠正。例如，含水量过少或过多都会影响最终成品的口感，则可以调整蒸汽输送量来改善含水量，以使食物即不会烹饪的过干也不会烹饪的过湿。

可选的，所述监测数据的维度还包括：所述被烹饪物体的热力学图像。基于热力学图像可以获取被烹饪物体的表面温度和表面湿度。具体而言，基于热力学图像能够反映食物多个位置的温度情况，进而根据热力学图像确定的表面温度能够更准确地表征食物的整体烹饪状态。

可选的，所述至少根据所述被烹饪物体的预测内部温度调节所述烹饪设备的运行状态包括：根据所述被烹饪物体的预测内部温度与标准内部温度的差异，以及所述被烹饪物体的实时热力学图像与标准热力学图像的差异，调节所述烹饪设备中至少一个加热模块的加热功率和/或加热方向，其中，所述烹饪设备包括多个加热模块，且所述多个加热模块分散设置于所述烹饪设备的不同区域。在烹饪期间，根据两种温度的比对结果实时调整加热功率，能够确保食物的熟度符合预期。进一步，通过两种温度的比较结果可以衡量食物的熟度，并在熟度偏离预期时及时纠正。例如，熟度不足时，提高加热功率可以加快食物变熟速度；熟度过头时，降低加热功率可以减缓食物进一步变熟的速度。进一步，根据热力学图像的比较可以精准获知不均匀加热现象，进而使得烹饪设备能够自动采取合适措施以消除该不均匀加热现象。例如，根据加热的具体不均匀分布情况针对性地调节各加热模块的加热功率和/或加热方向。

可选的，所述至少根据所述被烹饪物体的预测内部温度调节所述烹饪设备的运行状态包括：根据所述被烹饪物体的热力学图像确定所述被烹饪物体的表面湿度；根据所述被烹饪物体的表面湿度调节所述烹饪设备中至少一个喷淋模块的蒸汽输送量和/或喷淋方向，其中，所述烹饪设备包括多个喷淋模块，且所述多个喷淋模块分散设置于所述烹饪设备的不同区域。由此，基于表面湿度衡量食物的含水量，并在含水量偏离预期时及时纠正。例如，含水量过少或过多都会影响最终成品的口感，则可以调整喷淋模块的运行状态来改善含水量，以使食物即不会烹饪的过干也不会烹饪的过湿。进一步，根据热力学图像确定的表面湿度可以反映食物表面各个区域的含水量差异。基于此，烹饪设备可以针对食物不同区域的含水量差异化地调节各喷淋模块的运行状态，以均衡食物表面的整体湿度情况。

可选的，所述预设回归模型基于预测函数表征被烹饪物体的内部温度与监测数据的关联关系，其中，所述预测函数为多个维度的监测数据的加权求和结果，不同维度的监测数据对应不同的权重。基于权重调节各维度的监测数据对预测内部温度的影响程度，使得预测函数所表征的食物内部温度与监测数据的关联关系更符合食物的实际烹饪情况。

可选的，所述预测函数还包括调整系数，用于调整所述多个维度的监测数据的加权求和结果，以使得预测函数所表征的食物内部温度与监测数据的关联关系更符合食物的实际烹饪情况，提高预测函数对内部温度的预测精度。

可选的，各维度的监测数据对应的权重是根据历史数据训练得到的，其中，所述历史数据包括所述烹饪设备历史上运行期间监测得到的监测数据以及对应的被烹饪物体的实测内部温度。由此，采用机器学习技术对历史数据进行学习训练，以构建能够准确反映食物内部温度与监测数据之间关联关系的预测函数。进一步，当前烹饪期间，将实时获取到的监测数据输入事先基于机器学习得到的预测函数，就能实现非侵入式的内部温度测量。

可选的，在将所述监测数据输入预设回归模型以预测所述被烹饪物体的内部温度之前，所述控制方法还包括：根据所述监测数据从多个候选模型中选择得到所述预设回归模型，其中，不同的候选模型是基于不同的样本集训练得到的，所述样本集包括所述烹饪设备历史上运行期间监测得到的监测数据以及对应的被烹饪物体的实测内部温度。多个候选模型的设计能够适应多样化的使用场景，使得当前预测内部温度时能够选取最贴合当前场景的候选模型作为最终使用的预设回归模型。其中，不同维度的监测数据、同一维度监测数据的具体数值不同均可以对应不同的使用场景。进一步，预先训练得到多个候选模型还利于验证与食物内部温度存在关联关系的监测数据的维度，以指导实际烹饪期间应当优先采集哪些维度的监测数据。

可选的，不同样本集包括的监测数据至少在一个维度上是不同的，和/或，不同样本集所包括监测数据的维度的数量不同。对历史数据进行机器学习时，可以将不同维度或不同维度组合的监测数据及对应的实测内部温度构成不同的样本集，使得基于不同的样本集各自训练得到候选模型能够表征不同维度或不同维度组合的监测数据与内部温度的关联关系。

可选的，所述样本集包括的监测数据的维度还包括被烹饪物体的厚度，该维度同样与食物的内部温度存在关联。

可选的，所述根据所述监测数据从多个候选模型中选择得到所述预设回归模型包括：将所述监测数据输入至少一个候选模型以得到所述被烹饪物体的估计内部温度；将所述多个候选模型中，在所述被烹饪物体的估计内部温度所在温度区间段内的预测结果贴合度最高的候选模型，确定为所述预设回归模型，其中，所述预测结果贴合度是指，将所述烹饪设备历史上运行期间监测得到的监测数据输入所述候选模型得到的被烹饪物体的预测内部温度，与对应的被烹饪物体的实测内部温度之间的相似度。由此，能够改善对食物内部温度的预测准确度。

可选的，所述预设回归模型与所述被烹饪物体所属种类一一对应。针对特定食材训练得到的预设回归模型更具代表性和针对性，排除了不同种类食物对预测结果的干扰，能够更准确地表征食物内部温度与监测数据的关联关系。

可选的，所述烹饪设备包括：烤箱。由此，本发明实施例提供一种应用于烤箱应用场景的非侵入式的食物内部温度测量方法。在烘烤期间使用热成像相机捕捉食物表面温度等维度的监测数据，使用机器学习技术对历史数据进行训练，以得到食物内部温度和监测数据的关联关系。从而在不使用任何额外温度计或探针的情况下测量得到食物的内部温度。进一步，在获取食物内部温度后，本实施例所述烤箱能够根据食物的实时内部温度自动调节自身运行状态以改善食物的烹饪结果，实现烤箱的智能化控制。

因此，本发明实施例还提供一种烹饪设备，包括：腔体，用于放置所述被烹饪物体；控制模块，用于执行上述方法以控制所述烹饪设备的运行状态；热成像设备，设置于所述腔体内以采集至少一个维度的所述监测数据，所述控制模块与所述热成像设备相通信以获取所述监测数据。由此，本发明实施例提供的烹饪设备能够在烹饪食物期间采用非侵入式的手段测量食物内部温度，并根据实时内部温度调节自身运行状态。例如，在烹饪期间使用热成像相机捕捉食物表面温度等维度的监测数据，使用机器学习技术对历史数据进行训练，以得到食物内部温度和监测数据的关联关系。从而在不使用任何额外温度计或探针的情况下测量得到食物的内部温度。进一步，在获取食物内部温度后，控制模块能够据此自动调节烹饪设备的具体运行状态以改善食物的烹饪结果，实现烹饪设备的智能化控制。

可选的，所述烹饪设备还包括：托盘，用于盛放所述被烹饪物体；重量传感器，设置于所述托盘以采集至少一个维度的所述监测数据，所述控制模块与所述重量传感器相通信以获取所述监测数据。由此，能够准确采集食物的重量，作为监测数据的一个维度以供后续预测内部温度。

因此，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行上述方法的步骤。

附图说明

图1是本发明实施例的一种烹饪设备的示意图；

图2是本发明实施例的一种烹饪设备的控制方法的流程图；

附图中：

1-烹饪设备；10-腔体；101-调节键；11-控制模块；12-加热模块；13-喷淋模块；14-热成像设备；15-重量传感器；16-托盘；2-被烹饪物体。

具体实施方式

如背景技术，现有烹饪设备无法在不破坏食物外观的情况下获知食物内部温度，且现有烹饪设备的运行不够智能化，无法适应智能家电的设计理念。

为解决上述技术问题，本发明实施例提供一种烹饪设备的控制方法，包括：在所述烹饪设备运行期间进行监测以得到监测数据，其中，所述监测数据的维度包括被烹饪物体的表面温度、被烹饪物体的重量以及所述烹饪设备的腔体温度中的至少一个；将所述监测数据输入预设回归模型以获取所述被烹饪物体的预测内部温度，其中，所述预设回归模型用于表征被烹饪物体的内部温度与监测数据的关联关系；至少根据所述被烹饪物体的预测内部温度调节所述烹饪设备的运行状态。

采用本实施方案能够实现烹饪设备的智能化控制以优化烹饪结果。具体而言，测量的食物的相关参数比较全面，除了表面温度信息外还能预测出食物内部的温度，利于准确监测食物的实时烹饪状态。进一步，基于预设回归模型实现非侵入式地获取食物内部温度，无需采用探针插入等破坏性手段，确保食物外观始终保持完整。进一步，根据预测内部温度精准衡量食物的实际烹饪状态，进而自动调整烹饪设备的运行状态以优化烹饪结果，确保烹饪结束时食物内部和表面的烹饪结果均较优。

为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例作详细地说明。

图1是本发明实施例的一种烹饪设备的示意图；图2是本发明实施例的一种烹饪设备的控制方法的流程图。其中，图1示出的烹饪设备1可以执行图2所示控制方法，以在烹饪食物期间采用非侵入式手段测量食物内部温度，并根据测得的内部温度自动调节自身运行状态。

具体地，参考图1，本实施例所述烹饪设备1可以包括：腔体10，用于放置所述被烹饪物体。例如，烹饪设备1可以具有能够打开或关闭腔体10的门(图未示)，门打开时暴露腔体10以供用户拿取或防止被烹饪物体2(即食物)；门关闭时关闭腔体10，此时可以对放置其中的被烹饪物体2进行加热、烘烤等烹饪操作。

烹饪设备1还可以包括调节键101，通过操作调节键101可以调整烹饪设备1的运行状态。其中，烹饪设备1的运行状态可以包括加热功率、加热方向、加热时长、蒸汽输送量、蒸汽输送方向等。对这些运行状态的调整可以是通过调整烹饪设备1中具体功能模块的运行状态实现的。

进一步，烹饪设备1还可以包括控制模块11，用于根据调节键101反馈的指令调节相应功能模块的运行状态，以使烹饪设备1的运行状态符合用户指示。

例如，烹饪设备1可以包括加热模块12，用于加热腔体10以起到加热被烹饪物体2的效果。烹饪设备1可以包括多个加热模块12，且所述多个加热模块12分散设置于烹饪设备1的不同区域，以从不同角度加热腔体10使得被烹饪物体2尽可能均匀地受热。控制模块11可以独立地调节各加热模块12的加热功率，以调整各加热模块12辐射至腔体10的热量大小。控制模块11还可以独立地调节各加热模块12的加热方向，以调整各加热模块12向腔体10辐射热量的辐射角度。控制模块11还可以调节特定加热模块12按特定加热功率运行的加热时长。

又例如，烹饪设备1可以包括喷淋模块13，用于向腔体10输送水蒸气以调节腔体10内的湿度。通过调节腔体10内的湿度，能够调节被烹饪物体2的表面湿度，使得被烹饪物体2的含水量适中，避免被烹饪物体2的表面被加热的过干或过湿。烹饪设备1可以包括多个喷淋模块13，且所述多个喷淋模块13分散设置于所述烹饪设备1的不同区域，以从不同角度向腔体10内输送水蒸气，使得被烹饪物体2表面湿度分布均衡。控制模块11可以独立地调节各喷淋模块13的蒸汽输送量。控制模块11也可以独立地调节各喷淋模块13的蒸汽输送方向。控制模块11还可以调节特定喷淋模块13按特定蒸汽输送量运行的喷淋时长。

需要指出的是，图1以旋钮的方式示例性的展示调节键101的一种可能设置方式，而在实际应用中，调节键101还可以采用其他形式设置，如触摸屏、声控模块等。图1示出的上下两个旋钮中，其中一个可以为时长调节旋钮，其中另一个可以为温度调节旋钮。

进一步，控制模块11可以执行图2所示控制方法以根据被烹饪物体2的预测内部温度自动地控制所述烹饪设备1的运行状态。例如，控制模块11可以包括或外接存储器(图未示)，存储器存储有计算机程序，所述计算机程序被处理器运行时执行图2所示控制方法的步骤。

需要指出的是，图1仅示例性的展示控制模块11在烹饪设备1中的可能设置位置，在实际应用中可以根据需要调整控制模块11的具体设置位置。在一个变化例中，控制模块11可以外设于烹饪设备1，烹饪设备1具有通信模块(图未示)，控制模块11与通信模块相通信以向烹饪设备1发送控制指令，控制指令用于控制烹饪设备1的运行状态。

进一步，烹饪设备1可以包括热成像设备14，设置于所述腔体10内以采集至少一个维度的所述监测数据，所述控制模块11与所述热成像设备14相通信以获取所述热成像设备14所采集的监测数据。

例如，热成像设备14可以为热成像摄像头，设置于腔体10的顶部且俯瞰范围至少覆盖托盘16。

所述监测数据的维度可以包括：被烹饪物体2的表面温度、被烹饪物体2的重量、被烹饪物体2的厚度、被烹饪物体2的表面湿度、腔体10的腔体温度、腔体10的腔体湿度以及所述被烹饪物体2的热力学图像。这些维度的监测数据的共同点之一是均属于外围数据，也即都是采用非侵入式手段获取的数据。也就是说，在获取这些维度的监测数据是，即未与被烹饪物体2发生实质接触，更未破坏被烹饪物体2表面。

各维度的监测数据可以通过设置于烹饪设备1各处的传感器采集得到。

例如，腔体10内可以设置有温度计(图未示)，以采集腔体10的腔体温度。又例如，托盘16可以设置有温度计(图未示)，以采集被烹饪物体2的表面温度。再例如，腔体10内可以设置有湿度计(图未示)，以采集腔体10的腔体湿度。又例如，托盘16可以设置有湿度计(图未示)，以采集被烹饪物体2的表面湿度。

又例如，基于热成像设备14可以获取被烹饪物体2的热力学图像，基于热力学图像同样可以获取被烹饪物体2的表面温度和表面湿度。具体而言，基于热力学图像能够反映食物多个位置的温度情况，进而根据热力学图像确定的表面温度能够更准确地表征食物的整体烹饪状态。

再例如，基于热成像设备14还可以得到腔体10内的热力学图像，进而得到腔体温度。

进一步，基于被烹饪物体2的热力学图像，结合预设温湿度关系表，可以根据表面温度查找得到对应的表面湿度。预设温湿度关系表可以为湿度图(psychrometric chart)，用于表征湿度随温度的变化曲线。

再例如，烹饪设备1可以包括重量传感器15，用于采集被烹饪物体2的重量。具体地，烹饪设备1可以包括托盘16，用于盛放所述被烹饪物体2。进一步，重量传感器15可以设置于托盘16，如设置于托盘16的重心或中心区域。控制模块11与重量传感器15相通信以获取被烹饪物体2的重量。

进一步，监测数据还可以通过用户输入获得。例如，被烹饪物体2的重量可以根据用户输入的数值确定。又例如，被烹饪物体2的厚度也可以根据用户在烹饪开始前的输入信息确定。

在一个具体实施中，参考图2，本实施例所述烹饪设备1的控制方法可以包括如下步骤：

步骤S101，在所述烹饪设备运行期间进行监测以得到监测数据，其中，所述监测数据的维度包括被烹饪物体的表面温度、被烹饪物体的重量以及所述烹饪设备的腔体温度中的至少一个；

步骤S102，将所述监测数据输入预设回归模型以获取所述被烹饪物体的预测内部温度，其中，所述预设回归模型用于表征被烹饪物体的内部温度与监测数据的关联关系；

步骤S103，至少根据所述被烹饪物体的预测内部温度调节所述烹饪设备的运行状态。

具体地，响应于烹饪设备1开始运行，控制模块11可以调用热成像设备14和重量传感器15以执行监测操作，从而得到至少一个维度的监测数据。例如，当调节键101被操作时，加热模块12和/或喷淋模块13被触发，此时控制模块11可以调用重量传感器15以检测被烹饪物体2是否放置到托盘16上。若重量传感器15检测到被烹饪物体2已经放置在托盘16上，则可以确认烹饪开始。相应的，控制模块11可以调用热成像设备14采集监测数据。

在烹饪设备1运行期间，控制模块11可以定期调用热成像设备14进行监测数据的采集，以在烹饪全程实时监控被烹饪物体2的烹饪状态和烹饪进度，利于在被烹饪物体2的烹饪进程偏离预期时及早干预。

在一个具体实施中，预设回归模型可以是采用机器学习技术对历史数据进行学习后训练得到的预测模型，预设回归模型可以事先训练得到并存储于存储器。历史数据可以包括烹饪设备1历史上运行期间采集得到的监测数据，以及采集该监测数据时采集得到的被烹饪物体2的实际内部温度。实际内部温度可以是采用探针或温度计插入被烹饪物体2内部测量得到的数值。

烹饪设备1本次运行期间，通过执行步骤S101以获取监测数据后，控制模块11可以从存储器中调取该预设回归模型，并将获取的监测数据输入该预设回归模型。所述预设回归模型的输出即为预测内部温度。

由此，在烹饪设备1运行期间监测被烹饪物体2的外围数据，然后利用大数据和人工智能(Artificial Intelligence，简称AI)技术预测得到被烹饪物体2的内部温度。

在一个具体实施中，预设回归模型与被烹饪物体2所属种类可以是一一对应的。针对特定食材训练得到的预设回归模型更具代表性和针对性，排除了不同种类食物对预测结果的干扰，能够更准确地表征食物内部温度与监测数据的关联关系。

具体而言，所述预设回归模型可以基于预测函数表征被烹饪物体的内部温度与监测数据的关联关系，其中，所述预测函数为多个维度的监测数据的加权求和结果，不同维度的监测数据对应不同的权重。基于权重调节各维度的监测数据对预测内部温度的影响程度，使得预测函数所表征的食物内部温度与监测数据的关联关系更符合食物的实际烹饪情况。

例如，预设函数可以基于公式Y＝A1×X1+A2×X2+A3×X3表示，其中，Y为预测内部温度，A1为第一权重，X1为腔体温度，A2为第二权重，X2为被烹饪物体2的表面温度，A3为第三权重，X3为被烹饪物体2的重量。

第一权重A1、第二权重A2和第三权重A3即为待训练的系数，在模型训练阶段，基于历史数据训练得到最优的第一权重A1、第二权重A2和第三权重A3，以使包含这三个权重的预设函数输出的预测内部温度尽可能接近被烹饪物体2的实际内部温度。

例如，历史数据可以形成样本集，所述样本集可以包括所述烹饪设备1历史上运行期间监测得到的监测数据以及对应的被烹饪物体2的实测内部温度。模型训练阶段，可以将样本集分成训练集和验证集两部分，用训练集训练模型以得到候选的预设函数。然后用验证集验证候选的预设函数输出的预测内部温度是否足够精确。

在一个典型的应用场景中，对于不同的待烹饪物体2的重量X3，在烹饪过程中根据温度探针测量出被烹饪物体2的实际内部温度(在训练期间作为预设函数的Y值)。

同时根据热成像设备14获取腔体温度X1以及被烹饪物体2的表面温度X2，这样就可以获得一定数量的数据样本(Y,X1,X2,X3)形成训练集。训练集可以包括900组这样的数据。

用训练集训练模型中的预设函数Y＝A1×X1+A2×X2+A3×X3，获得对应的系数(A1,A2,A3)。

然后，采用与获取训练集类似的方式再获得另外一定量的数据形成验证集，以验证前期训练得到的预设函数。最终得到最佳的模型系数(A1,A2,A3)。

在一个变化例中，预测函数还可以包括调整系数，用于调整所述多个维度的监测数据的加权求和结果，以使得预测函数所表征的食物内部温度与监测数据的关联关系更符合食物的实际烹饪情况，提高预测函数对内部温度的预测精度。

例如，在本变化例中，预设函数可基于公式Y＝A0+A1×X1+A2×X2+A3×X3表征，其中，A0为所述调整系数。相应的，调整系数A1、第一权重A1、第二权重A2和第三权重A3即为待训练的系数。

由此，采用机器学习技术对历史数据进行学习训练，以构建能够准确反映食物内部温度与监测数据之间关联关系的预测函数。进一步，当前烹饪期间，将实时获取到的监测数据输入事先基于机器学习得到的预测函数，就能实现非侵入式的内部温度预测。

在一个具体实施中，在执行步骤S102之前，本实施例所述控制方法还可以包括步骤：根据所述监测数据从多个候选模型中选择得到所述预设回归模型，其中，不同的候选模型是基于不同的样本集训练得到的，所述样本集包括所述烹饪设备历史上运行期间监测得到的监测数据以及对应的被烹饪物体的实测内部温度。

多个候选模型的设计能够适应多样化的使用场景，使得当前预测内部温度时能够选取最贴合当前场景的候选模型作为最终使用的预设回归模型。

具体而言，不同维度的监测数据、同一维度监测数据的具体数值不同均可以对应不同的使用场景。进一步，预先训练得到多个候选模型还利于验证与食物内部温度存在关联关系的监测数据的维度，以指导实际烹饪期间应当优先采集哪些维度的监测数据。

在一个具体实施中，不同样本集所包括监测数据的维度的数量可以不同。

例如，可以基于样本集a1训练得到候选模型m1，基于样本集a2训练得到候选模型m2。假设样本集a1包括的多组训练数据是在烹饪设备1运行期间测量得到的，其中每组训练数据包括(X1,X2,X3,Y)，用于描述腔体温度X1和被烹饪物体2的表面温度X2时实测得到的重量X3的被烹饪物体2的实际内部温度Y。假设样本集a2包括的多组训练数据是在烹饪设备1运行期间测量得到的，其中每组训练数据包括(X2,X3,Y)，用于描述被烹饪物体2的表面温度X2时实测得到的重量X3的被烹饪物体2的实际内部温度Y。

在本示例中，样本集a1包含3个维度的监测数据，而样本集a2包含2个维度的监测数据。可见，样本集a1包含的监测数据的维度多于样本集a2包含的监测数据的维度。

相应的，在执行步骤S102之前，根据当前获取的监测数据的维度选择候选模型m1或者候选模型m2作为预设回归模型。假设执行步骤S101时未采集腔体温度X1，则可以确定选择候选模型m2作为执行步骤S102时使用的预设回归模型。

又例如，假设基于验证集的验证表明候选模型m1对食物内部温度的预测更为准确，则可以验证至少腔体温度X1与预测内部温度是有积极作用的。因此，在执行步骤S101时，可以优选地按照样本集a1所包含的监测数据的维度进行数据采集。并在执行步骤S102时使用候选模型m1作为预设回归模型。

在一个变化例中，不同样本集包括的监测数据可以至少在一个维度上是不同的。例如，样本集a1’中的每组训练数据可以包括(X1,X3,Y)，用于描述腔体温度X1时实测得到的重量X3的被烹饪物体2的实际内部温度Y；样本集a2’中的每组训练数据包括(X2,X3,Y)，用于描述被烹饪物体2的表面温度X2时实测得到的重量X3的被烹饪物体2的实际内部温度Y。此时，两个样本集包括的监测数据的维度数量相同，只不过具体的维度存在差异。

由此，对历史数据进行机器学习时，可以将不同维度或不同维度组合的监测数据及对应的实测内部温度构成不同的样本集，使得基于不同的样本集各自训练得到候选模型能够表征不同维度或不同维度组合的监测数据与内部温度的关联关系。

在一个变化例中，不同样本集包括的监测数据可以至少在一个维度上是不同的，并且，不同样本集所包括监测数据的维度的数量可以不同。

进一步，不同样本集所包括的相同维度的监测数据的具体数值也可以是不同的。

例如，可以基于样本集b1训练得到候选模型FA1，基于样本集b2训练得到候选模型FA2，基于样本集b3训练得到候选模型FA3，基于样本集b4训练得到候选模型FA4。

假设样本集b1包括的900组训练数据是在烹饪设备1运行期间测量得到的，其中每组训练数据包括(X1,X2,X3,Y)，用于描述腔体温度X1和被烹饪物体2的表面温度X2时实测得到的重量X3的被烹饪物体2的实际内部温度Y。样本集b1的900组训练数据中X3＝180克(g)、200g和250g各300组，且X3＝180g时被烹饪物体2的厚度为第一数值。

假设样本集b2包括的900组训练数据是在烹饪设备1运行期间测量得到的，其中每组训练数据包括(X1,X2,X3,Y)，用于描述腔体温度X1和被烹饪物体2的表面温度X2时实测得到的重量X3的被烹饪物体2的实际内部温度Y。样本集b2的900组训练数据中X3＝200g和250g各300组，X3＝180g且被烹饪物体2的厚度为第一数值的有150组，X3＝180g且被烹饪物体2的厚度为第二数值的有150组。其中第一数值大于第二数值。

假设样本集b3包括的900组训练数据是在烹饪设备1运行期间测量得到的，其中每组训练数据包括(X1,X2,X3,Y)，用于描述腔体温度X1和被烹饪物体2的表面温度X2时实测得到的重量X3的被烹饪物体2的实际内部温度Y。样本集b3的900组训练数据中X3＝180克(g)、200g和250g各300组，且X3＝180g时被烹饪物体2的厚度为第二数值。

假设样本集b4包括的900组训练数据是在烹饪设备1运行期间测量得到的，其中每组训练数据包括(X2,X3,Y)，用于描述被烹饪物体2的表面温度X2时实测得到的重量X3的被烹饪物体2的实际内部温度Y。样本集b4的900组训练数据中X3＝180克(g)、200g和250g各300组，且X3＝180g时被烹饪物体2的厚度为第二数值。

由此，针对同一种食材，基于不同维度或维度组合形成的四个样本集可以分别训练得到候选模型FA1至FA4。进一步，通过使用验证集验证这四个候选模型FA1至FA4，可以验证各候选模型针对不同厚度、重量的被烹饪物体2内部温度的预测结果贴合度。其中，所述预测结果贴合度是指，将所述烹饪设备1历史上运行期间监测得到的监测数据输入所述候选模型得到的被烹饪物体2的预测内部温度，与对应的被烹饪物体2的实测内部温度之间的相似度.

例如，在训练得到候选模型FA1至FA4后，使用验证集验证发现，使用候选模型FA4预测各种重量、各种厚度的被烹饪物体2的内部温度时，获得的预测内部温度变化曲线较之使用其他候选模型获得的变化曲线更为顺滑。

又例如，在训练得到候选模型FA1至FA4后，使用验证集验证发现，四个候选模型对于厚度为第二数值、重量X3＝180g的被烹饪物体2以及重量X3＝200g的被烹饪物体2的预测结果贴合度较高。

随着样本集包含的训练数据的数量增加，训练得到的候选模型的预测结果贴合度会越来越高。

以候选模型为上述FA1至FA4为例，在执行步骤S101以获取至少一个维度的监测数据后，执行步骤S102之前，控制模块11可以首先根据被烹饪物体2的厚度和重量选择验证时确定的预测结果贴合度更高的候选模型作为预设回归模型，然后执行步骤S102以获得基于该预设回归模型预测得到的预测内部温度。

在一个具体实施中，所述根据所述监测数据从多个候选模型中选择得到所述预设回归模型可以包括步骤：将所述监测数据输入至少一个候选模型以得到所述被烹饪物体的估计内部温度；将所述多个候选模型中，在所述被烹饪物体的估计内部温度所在温度区间段内的预测结果贴合度最高的候选模型，确定为所述预设回归模型。由此，能够改善对食物内部温度的预测准确度。

例如，在基于多个样本集训练得到多个候选模型后，使用验证集验证这些候选模型的预测结果贴合度。所述预测结果贴合度是与温度相对应的，则每一温度区间段均可以找到预测结果贴合度最高的候选模型。相应的，在执行步骤S101以得到实时监测数据后，可以选择任一候选模型对该监测数据先进行一次预测，本次预测得到的估计内部温度可以用于确定被烹饪物体2的实际内部温度所属的大致温度区间段。然后，将估计内部温度所属温度区间段对应的预测结果贴合度最高的候选模型确定为最终使用的预设回归模型。进而使用该预设回归模型执行步骤S102，即可得到更为精准的预测内部温度。

在一个具体实施中，所述步骤S103可以包括步骤：根据所述被烹饪物体2的预测内部温度与标准内部温度的差异，调节所述烹饪设备1的加热功率。

具体而言，所述标准内部温度可以是根据所述被烹饪物体2的标准食谱和/或历史数据确定的，以提高标准内部温度的设定准确性。例如，标准食谱可以存储于存储器并记录被烹饪物体2在烹饪期间应当达到的温度，则控制模块11可以从存储器中获取该标准内部温度并与步骤S102预测得到的预测内部温度相比较，进而根据两种温度值的差异调节加热模块12的加热功率。

进一步，可以结合标准食谱和历史数据综合确定标准内部温度，如将标准食谱定义的数值和历史上使用烹饪设备1烹饪所述被烹饪物体2时获取的预测内部温度的平均值作为所述标准内部温度。进一步，该平均值可以为加权平均，如历史上烹饪设备1运行结束后，可以接收用户对本次烹饪结果的评分，评分越高，则该次运行获取的预测内部温度的权重越高。

由此，在烹饪期间，根据两种温度的比对结果实时调整加热功率，能够确保食物的熟度符合预期。进一步，通过两种温度的比较结果可以衡量食物的熟度，并在熟度偏离预期时及时纠正。例如，熟度不足时，提高加热功率可以加快食物变熟速度；熟度过头时，降低加热功率可以减缓食物进一步变熟的速度。

在一个具体实施中，所述步骤S103可以包括步骤：根据所述被烹饪物体2的预测内部温度与标准内部温度的差异，调节所述烹饪设备1的加热功率；根据所述烹饪设备1的腔体湿度与标准湿度的差异，调节所述烹饪设备1的蒸汽输送量。

除了监控温度外，对烹饪设备1运行期间腔体10内的湿度进行监控利于维持烹饪质量和食物新鲜度。

具体地，烹饪设备1的腔体湿度可以由设置于腔体10内的湿度计采集得到。或者，烹饪设备1的腔体湿度可以基于热成像设备14拍摄得到的腔体10内的热力学图像推算得到。

进一步，与标准内部温度类似，标准湿度也可以是根据标准食谱和/或历史数据确定的。

由此，即能确保食物的熟度符合预期，又能确保食物的表面干燥程度符合预期。进一步，通过两种温度的比较结果可以衡量食物的熟度，并在熟度偏离预期时及时纠正。例如，熟度不足时，提高加热功率可以加快食物变熟速度；又例如，熟度过头时，降低加热功率可以减缓食物进一步变熟的速度。进一步，通过两种湿度的比较结果可以衡量食物的含水量，并在含水量偏离预期时及时纠正。例如，含水量过少或过多都会影响最终成品的口感，则可以调整蒸汽输送量来改善含水量，以使食物即不会烹饪的过干也不会烹饪的过湿。

在一个具体实施中，所述步骤S103可以包括步骤：根据所述被烹饪物体的预测内部温度与标准内部温度的差异，以及所述被烹饪物体的实时热力学图像与标准热力学图像的差异，调节所述烹饪设备中至少一个加热模块的加热功率和/或加热方向。

具体而言，通过预先训练标注，可以将被烹饪物体2烹饪到最优状态时的热力学图像确定为标准热力学图像并存储于存储器中。

进一步，在执行步骤S103时，除了比较预测内部温度和标准内部温度的差异外，控制模块11还可以从存储器中调取该被烹饪物体2的标准热力学图像，并与热成像设备14当前采集到的实时热力学图像进行比较。

通常而言，热力学图像是以亮度来表征温度大小的，亮度越大表明该区域的温度越高。则控制模块11可以逐个区域地比较实时热力学图像和标准热力学图像之间的亮度差异，以及时发现是否存在不均匀加热现象。

若某一区域的亮度偏差大于预设阈值，则可以确定该区域的烹饪状态不符合预期。如该区域的实时热力学图像的亮度低于标准热力学图像的亮度，则表明该区域加热不足，控制模块11可以适当增大辐射该区域的加热模块12的加热功率，或者将该区域附近的加热模块12的加热方向调节至针对该区域。又如该区域的实时热力学图像的亮度高于标准热力学图像的亮度，则表明该区域加热过度，控制模块11可以适当减小辐射该区域的加热模块12的加热功率，或者将针对该区域的加热模块12的加热方向调偏。

由此，在烹饪期间，根据两种温度的比对结果实时调整加热功率，能够确保食物的熟度符合预期。进一步，通过两种温度的比较结果可以衡量食物的熟度，并在熟度偏离预期时及时纠正。例如，熟度不足时，提高加热功率可以加快食物变熟速度；熟度过头时，降低加热功率可以减缓食物进一步变熟的速度。进一步，根据热力学图像的比较可以精准获知不均匀加热现象，进而使得烹饪设备1能够自动采取合适措施以消除该不均匀加热现象。例如，根据加热的具体不均匀分布情况针对性地调节各加热模块12的加热功率和/或加热方向。

在一个具体实施中，所述步骤S103可以包括步骤：根据所述被烹饪物体2的热力学图像确定所述被烹饪物体2的表面湿度；根据所述被烹饪物体2的表面湿度调节所述烹饪设备1中至少一个喷淋模块13的蒸汽输送量和/或喷淋方向。

具体地，根据热力学图像确定被烹饪物体2的表面温度，然后结合预设温湿度关系表确定被烹饪物体2的表面湿度。由此，无需额外设置湿度计，即可基于热成像设备14获取被烹饪物体2的表面湿度。

进一步，由于热力学图像能够全面反映被烹饪物体2各个区域的表面温度，因而基于热力学图像可以得到被烹饪物体2各个区域的表面湿度。由此，控制模块11可以逐个区域的比较实时获取的表面湿度和该区域的标准湿度之间的差异，以针对性的调节作用至各区域的喷淋模块13的蒸汽输送量和/或喷淋方向。

例如，若表面湿度表明被烹饪物体2的局部已经烤干，而局部还是湿的，则可以个别调整喷淋模块13的蒸汽输送量和/或喷淋方向，以增加向已烤干区域输送的蒸汽，减少向还较湿区域输送的蒸汽。

进一步，控制模块11还可以根据表面湿度调节加热模块12的加热功率和/或加热方向。如可以减少已烤干区域的加热程度，增加还较湿区域的加热程度，这同样可以起到均衡被烹饪物体2表面含水量的效果。

由此，基于表面湿度衡量食物的含水量，并在含水量偏离预期时及时纠正。例如，含水量过少或过多都会影响最终成品的口感，则可以调整喷淋模块13的运行状态来改善含水量，以使食物即不会烹饪的过干也不会烹饪的过湿。进一步，根据热力学图像确定的表面湿度可以反映食物表面各个区域的含水量差异。基于此，烹饪设备1可以针对食物不同区域的含水量差异化地调节各喷淋模块13的运行状态，以均衡食物表面的整体湿度情况。

进一步，不同重量、不同厚度的被烹饪物体2，可以对应不同的标准内部温度、标准湿度和/或标准热力学图像。

进一步，按不同标准食谱烹饪的被烹饪物体2，可以对应不同的标准内部温度、标准湿度和/或标准热力学图像。

在一个典型的应用场景中，烹饪设备1可以包括烤箱。由此，本发明实施例提供一种应用于烤箱应用场景的非侵入式的食物内部温度测量方法。在烘烤期间使用热成像相机捕捉食物表面温度等维度的监测数据，使用机器学习技术对历史数据进行训练，以得到食物内部温度和监测数据的关联关系。从而在不使用任何额外温度计或探针的情况下测量得到食物的内部温度。进一步，在获取食物内部温度后，本实施例所述烤箱能够根据食物的实时内部温度自动调节自身运行状态以改善食物的烹饪结果，实现烤箱的智能化控制。

例如，食物放入烤箱后，首先通过托盘16上的重量传感器15测量食物的重量。在开始烹饪后，热成像设备14实时监测食物的表面温度和表面湿度，并且测量烤箱腔体10的腔体温度。烤箱的主控(即控制模块11)接收到上述监测数据后，根据预设回归模型推算出食物的预测内部温度。

进一步，烤箱主控根据食物的表面温度、表面湿度、腔体温度以及实时推算的预测内部温度，根据预置的智能菜谱和历史数据调整烤箱的温度和湿度的输出。

由上，采用本实施例方案，烹饪设备1能够在烹饪食物期间采用非侵入式的手段测量食物内部温度，并根据实时内部温度调节自身运行状态。例如，在烹饪期间使用热成像相机捕捉食物表面温度等维度的监测数据，使用机器学习技术对历史数据进行训练，以得到食物内部温度和监测数据的关联关系。从而在不使用任何额外温度计或探针的情况下测量得到食物的内部温度。进一步，在获取食物内部温度后，控制模块11能够据此自动调节烹饪设备1的具体运行状态以改善食物的烹饪结果，实现烹饪设备1的智能化控制。

进一步，采用本实施方案，能够实现烹饪设备1的智能化控制以优化烹饪结果。具体而言，测量的食物的相关参数比较全面，除了表面温度信息外还能预测出食物内部的温度，利于准确监测食物的实时烹饪状态。进一步，基于预设回归模型实现非侵入式地获取食物内部温度，无需采用探针插入等破坏性手段，确保食物外观始终保持完整。进一步，根据预测内部温度精准衡量食物的实际烹饪状态，进而自动调整烹饪设备1的运行状态以优化烹饪结果，确保烹饪结束时食物内部和表面的烹饪结果均较优。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行上述任一实施例提供的控制方法的步骤。

尽管上文已经描述了具体实施方案，但这些实施方案并非要限制本公开的范围，即使仅相对于特定特征描述单个实施方案的情况下也是如此。本公开中提供的特征示例意在进行例示，而非限制，除非做出不同表述。在具体实施中，可将一项或者多项从属权利要求的技术特征与独立权利要求的技术特征进行组合，并可通过任何适当的方式而不是仅通过权利要求书中所列举的特定组合来组合来自相应独立权利要求的技术特征。

虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (20)

1.一种烹饪设备的控制方法，其特征在于，包括：

在所述烹饪设备运行期间进行监测以得到监测数据，其中，所述监测数据的维度包括被烹饪物体的表面温度、被烹饪物体的重量以及所述烹饪设备的腔体温度中的至少一个；

将所述监测数据输入预设回归模型以获取所述被烹饪物体的预测内部温度，其中，所述预设回归模型用于表征被烹饪物体的内部温度与监测数据的关联关系；

至少根据所述被烹饪物体的预测内部温度调节所述烹饪设备的运行状态。

2.根据权利要求1所述的控制方法，其特征在于，所述至少根据预测得到的所述被烹饪物体的预测内部温度调节所述烹饪设备的运行状态包括：

根据所述被烹饪物体的预测内部温度与标准内部温度的差异，调节所述烹饪设备的加热功率。

3.根据权利要求2所述的控制方法，其特征在于，所述标准内部温度是根据所述被烹饪物体的标准食谱和/或历史数据确定的。

4.根据权利要求1所述的控制方法，其特征在于，所述监测数据的维度还包括所述烹饪设备的腔体湿度。

5.根据权利要求4所述的控制方法，其特征在于，所述至少根据预测得到的所述被烹饪物体的预测内部温度调节所述烹饪设备的运行状态包括：

根据所述被烹饪物体的预测内部温度与标准内部温度的差异，调节所述烹饪设备的加热功率；

根据所述烹饪设备的腔体湿度与标准湿度的差异，调节所述烹饪设备的蒸汽输送量。

6.根据权利要求1所述的控制方法，其特征在于，所述监测数据的维度还包括：所述被烹饪物体的热力学图像。

7.根据权利要求6所述的控制方法，其特征在于，所述至少根据所述被烹饪物体的预测内部温度调节所述烹饪设备的运行状态包括：

根据所述被烹饪物体的预测内部温度与标准内部温度的差异，以及所述被烹饪物体的实时热力学图像与标准热力学图像的差异，调节所述烹饪设备中至少一个加热模块的加热功率和/或加热方向，其中，所述烹饪设备包括多个加热模块，且所述多个加热模块分散设置于所述烹饪设备的不同区域。

8.根据权利要求6或7所述的控制方法，其特征在于，所述至少根据所述被烹饪物体的预测内部温度调节所述烹饪设备的运行状态包括：

根据所述被烹饪物体的热力学图像确定所述被烹饪物体的表面湿度；

根据所述被烹饪物体的表面湿度调节所述烹饪设备中至少一个喷淋模块的蒸汽输送量和/或喷淋方向，其中，所述烹饪设备包括多个喷淋模块，且所述多个喷淋模块分散设置于所述烹饪设备的不同区域。

9.根据权利要求1所述的控制方法，其特征在于，所述预设回归模型基于预测函数表征被烹饪物体的内部温度与监测数据的关联关系，其中，所述预测函数为多个维度的监测数据的加权求和结果，不同维度的监测数据对应不同的权重。

10.根据权利要求9所述的控制方法，其特征在于，所述预测函数还包括调整系数，用于调整所述多个维度的监测数据的加权求和结果。

11.根据权利要求9所述的控制方法，其特征在于，各维度的监测数据对应的权重是根据历史数据训练得到的，其中，所述历史数据包括所述烹饪设备历史上运行期间监测得到的监测数据以及对应的被烹饪物体的实测内部温度。

12.根据权利要求1所述的控制方法，其特征在于，在将所述监测数据输入预设回归模型以预测所述被烹饪物体的内部温度之前，还包括：

根据所述监测数据从多个候选模型中选择得到所述预设回归模型，其中，不同的候选模型是基于不同的样本集训练得到的，所述样本集包括所述烹饪设备历史上运行期间监测得到的监测数据以及对应的被烹饪物体的实测内部温度。

13.根据权利要求12所述的控制方法，其特征在于，不同样本集包括的监测数据至少在一个维度上是不同的，和/或，不同样本集所包括监测数据的维度的数量不同。

14.根据权利要求12所述的控制方法，其特征在于，所述样本集包括的监测数据的维度还包括被烹饪物体的厚度。

15.根据权利要求12所述的控制方法，其特征在于，所述根据所述监测数据从多个候选模型中选择得到所述预设回归模型包括：

将所述监测数据输入至少一个候选模型以得到所述被烹饪物体的估计内部温度；

将所述多个候选模型中，在所述被烹饪物体的估计内部温度所在温度区间段内的预测结果贴合度最高的候选模型，确定为所述预设回归模型，其中，所述预测结果贴合度是指，将所述烹饪设备历史上运行期间监测得到的监测数据输入所述候选模型得到的被烹饪物体的预测内部温度，与对应的被烹饪物体的实测内部温度之间的相似度。

16.根据权利要求1所述的控制方法，其特征在于，所述预设回归模型与所述被烹饪物体所属种类一一对应。

17.根据权利要求1所述的控制方法，其特征在于，所述烹饪设备包括：烤箱。

18.一种烹饪设备(1)，其特征在于，包括：

腔体(10)，用于放置所述被烹饪物体(2)；

控制模块(11)，用于执行上述权利要求1至17中任一项所述方法以控制所述烹饪设备(1)的运行状态；

热成像设备(14)，设置于所述腔体(10)内以采集至少一个维度的所述监测数据，所述控制模块(11)与所述热成像设备(14)相通信以获取所述监测数据。

19.根据权利要求18所述的烹饪设备(1)，其特征在于，还包括：

托盘(16)，用于盛放所述被烹饪物体(2)；

重量传感器(15)，设置于所述托盘(16)以采集至少一个维度的所述监测数据，所述控制模块(11)与所述重量传感器(15)相通信以获取所述监测数据。

20.一种计算机可读存储介质，所述计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1至17中任一项所述方法的步骤。

Images