CN116612346A - 模型训练方法、油温监测方法、烹饪控制方法及系统 - Google Patents

模型训练方法、油温监测方法、烹饪控制方法及系统 Download PDF

Info

Publication number
CN116612346A
CN116612346A CN202310461676.XA CN202310461676A CN116612346A CN 116612346 A CN116612346 A CN 116612346A CN 202310461676 A CN202310461676 A CN 202310461676A CN 116612346 A CN116612346 A CN 116612346A
Authority
CN
China
Prior art keywords
cooking
sample
oil
oil temperature
target sample
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
Application number
CN202310461676.XA
Other languages
English (en)
Inventor
寸孟杰
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.)
Ningbo Fotile Kitchen Ware Co Ltd
Original Assignee
Ningbo Fotile Kitchen Ware 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 Ningbo Fotile Kitchen Ware Co Ltd filed Critical Ningbo Fotile Kitchen Ware Co Ltd
Priority to CN202310461676.XA priority Critical patent/CN116612346A/zh
Publication of CN116612346A publication Critical patent/CN116612346A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47J—KITCHEN EQUIPMENT; COFFEE MILLS; SPICE MILLS; APPARATUS FOR MAKING BEVERAGES
    • A47J36/00—Parts, details or accessories of cooking-vessels
    • A47J36/32—Time-controlled igniting mechanisms or alarm devices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/0037—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the heat emitted by liquids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Food Science & Technology (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本公开提供了一种模型训练方法、油温监测方法、烹饪控制方法及系统，该方法包括：获取若干张目标样本烹饪图像；识别出每张目标样本烹饪图像中与烹饪关联的目标样本烹饪特征；基于预先构建不同的烹饪特征与红外线测温反射率的映射关系，控制红外线测温设备以匹配的红外线测温反射率工作，采集得到在不同的预设时间窗口下，烹饪设备中油面的样本温度序列特征；将每组的目标样本烹饪特征作为输入，对应的样本温度序列特征作为输出，训练得到油温预测模型。本公开中通过获取多个时间窗口下的样本温度序列特征，对油面的油温动态变化的趋势或特性进行有效提取，保证了油温预测模型的预测结果的精度与可靠性，以提升用户的烹饪体验感。

Description

模型训练方法、油温监测方法、烹饪控制方法及系统
技术领域
本公开涉及智能家电技术领域，特别涉及一种模型训练方法、油温监测方法、烹饪控制方法及系统。
背景技术
在烹饪场景中，通过测取烹饪设备中的油温，配合智能菜谱可指导用户进行更加营养科学的烹饪，烹饪出更加可口的菜肴。
目前，主要通过如下两种方式获取烹饪设备中的油温：(1)通过非接触式红外线传感器，置于烹饪区域的上方，通过接收到的红外线辐射，并将其转换为温度信息，从而进行油温监测；(2)在烹饪设备的底部中心压力接触热电偶测温探头实现油温监测。
然而，不论是非接触式还是接触式测温方法，其测温准确性会随着被测物体的反射率变化而变化，从而造成油温获取的准确度较低等；另外，上述的接触式测温方法还容易受到烹饪设备的材质、厚度等影响，容易使得油温监测不准确。
发明内容
本公开要解决的技术问题是为了克服现有技术中烹饪设备的油温监测方式均存在油温监测精度较低的缺陷，提供一种。
本公开是通过下述技术方案来解决上述技术问题：
本公开提供一种油温预测模型的训练方法所述训练方法包括：
获取若干张目标样本烹饪图像；
识别出每张所述目标样本烹饪图像中与烹饪关联的目标样本烹饪特征；
其中，所述目标样本烹饪特征包括表征烹饪设备的设备参数的目标样本设备特征，和/或，表征所述烹饪设备中用油情况的目标样本用油特征；
基于预先构建不同的烹饪特征与对应的红外线测温反射率之间的映射关系，以及所述目标样本烹饪特征，控制设于烹饪场景中的红外线测温设备以匹配的红外线测温反射率工作，以采集得到在不同的预设时间窗口下，所述烹饪设备中油面的样本温度序列特征；
将每组的所述目标样本烹饪特征作为输入，对应的所述样本温度序列特征作为输出，训练得到油温预测模型；
其中，所述油温预测模型用于输出设定时间窗口下，所述烹饪设备中油面的预测油温序列。
较佳地，所述采集得到在不同的预设时间窗口下，所述烹饪设备中油面的样本温度序列特征的步骤，包括：
采集得到每个所述预设时间窗口下，所述烹饪设备中油面的若干温度值；
采用预设计算方式对若干所述温度值进行处理，以得到对应的所述预设时间窗口下的所述样本温度序列特征；
其中，所述预设计算方式包括方差值、平均值、平均差、最值、极差或构建的与油面的温度关联的预设函数。
较佳地，所述识别出每张所述目标样本烹饪图像中与烹饪关联的目标样本烹饪特征的步骤之前，还包括：
采集若干组样本数据；
其中，每组所述样本数据包括第一样本烹饪图像，以及对应标识出的所述第一样本烹饪图像的第一样本烹饪特征；
所述第一样本烹饪特征包括表征所述烹饪设备的设备参数的第一样本设备特征，和/或，表征所述烹饪设备中用油情况的第一样本用油特征；
将每组的所述第一样本烹饪图像作为输入，对应的所述第一样本烹饪特征作为输出，训练得到烹饪特征识别模型；
所述识别出每张所述目标样本烹饪图像中与烹饪关联的目标样本烹饪特征的步骤，包括：
将所述目标样本烹饪图像输入至所述烹饪特征识别模型，以输出对应的所述目标样本烹饪特征；
或，
所述识别出每张所述目标样本烹饪图像中与烹饪关联的目标样本烹饪特征的步骤，包括：
对每张所述目标样本烹饪图像进行标注处理，以得到对应的所述样本烹饪特征。
较佳地，所述将每组的所述第一样本烹饪图像作为输入，对应的所述第一样本烹饪特征作为输出，训练得到烹饪特征识别模型的步骤，包括：
将每组的所述第一样本烹饪图像作为输入，对应的所述第一样本烹饪特征作为输出，采用预设特征提取网络和预设识别分类网络进行训练，以得到所述烹饪特征识别模型；
和/或，
所述将每组的所述目标样本烹饪特征作为输入，对应的所述样本温度序列特征作为输出，训练得到油温预测模型的步骤，包括：
将每组的所述目标样本烹饪特征作为输入，对应的所述样本温度序列特征作为输出，采用预设监督学习模型训练，以得到所述油温预测模型；
其中，所述预设监督学习模型包括KNN(邻近算法)、决策树、朴素贝叶斯、支持向量机算法或神经网络。
本公开还提供一种烹饪设备的油温监测方法，所述油温监测方法基于上述的油温预测模型的训练方法实现；
所述油温监测方法包括：
获取当前采集时刻的实际烹饪图像；
识别出所述实际烹饪图像中的实际烹饪特征；
其中，所述实际烹饪特征包括表征所述烹饪设备的设备参数的实际设备特征，和/或，表征所述烹饪设备中用油情况的实际用油特征；
将所述实际烹饪特征输入至所述油温预测模型，以输出在未来的设定时间窗口下，所述烹饪设备中油面的预测油温序列。
本公开还提供一种烹饪控制方法，所述烹饪控制方法基于上述的烹饪设备的油温监测方法实现；
所述烹饪控制方法包括：
根据获取的预测油温序列，生成对应的烹饪控制策略；
根据所述烹饪控制策略进行烹饪控制。
较佳地，所述烹饪控制策略包括油温变化走势的展示结果、油温过高的预警信号、与智能菜谱相结合的烹饪参数调节方式中的至少一种。
本公开还提供一种油温预测模型的训练系统，所述训练系统包括：
目标样本图像获取模块，用于获取若干张目标样本烹饪图像；
目标样本特征识别模块，用于识别出每张所述目标样本烹饪图像中与烹饪关联的目标样本烹饪特征；
其中，所述目标样本烹饪特征包括表征所述烹饪设备的设备参数的目标样本设备特征，和/或，表征所述烹饪设备中用油情况的目标样本用油特征；
样本温度特征获取模块，用于基于预先构建不同的烹饪特征与对应的红外线测温反射率之间的映射关系，以及所述目标样本烹饪特征，控制设于烹饪场景中的红外线测温设备以匹配的红外线测温反射率工作，以采集得到在不同的预设时间窗口下，所述烹饪设备中油面的样本温度序列特征；
油温预测模型训练模块，用于将每组的所述目标样本烹饪特征作为输入，对应的所述样本温度序列特征作为输出，训练得到油温预测模型；
其中，所述油温预测模型用于输出设定时间窗口下，所述烹饪设备中油面的预测油温序列。
较佳地，所述油温预测模型的训练系统还包括：
样本数据采集模块，用于采集若干组样本数据；
其中，每组所述样本数据包括第一样本烹饪图像，以及对应标识出的所述第一样本烹饪图像的第一样本烹饪特征；
所述第一样本烹饪特征包括表征所述烹饪设备的设备参数的第一样本设备特征，和/或，表征所述烹饪设备中用油情况的第一样本用油特征；
特征识别模型获取模块，用于将每组的所述第一样本烹饪图像作为输入，对应的所述第一样本烹饪特征作为输出，训练得到烹饪特征识别模型；
或，
所述目标样本特征识别模块用于将所述目标样本烹饪图像输入至所述烹饪特征识别模型，以输出对应的所述目标样本烹饪特征；
较佳地，所述目标样本特征识别模块用于对每张所述目标样本烹饪图像进行标注处理，以得到对应的所述样本烹饪特征。
较佳地，所述特征识别模型获取模块用于将每组的所述第一样本烹饪图像作为输入，对应的所述第一样本烹饪特征作为输出，采用预设特征提取网络和预设识别分类网络进行训练，以得到所述烹饪特征识别模型。
较佳地，所述油温预测模型训练模块用于将每组的所述目标样本烹饪特征作为输入，对应的所述样本温度序列特征作为输出，采用预设监督学习模型训练，以得到所述油温预测模型；
其中，所述预设监督学习模型包括KNN、决策树、朴素贝叶斯、支持向量机算法或神经网络。
本公开还提供一种烹饪设备的油温监测系统，所述油温监测系统基于上述的油温预测模型的训练系统实现；
所述油温监测系统包括：
实际图像获取模块，用于获取当前采集时刻的实际烹饪图像；
实际烹饪特征识别模块，用于识别出所述实际烹饪图像中的实际烹饪特征；
其中，所述实际烹饪特征包括表征所述烹饪设备的设备参数的实际设备特征，和/或，表征所述烹饪设备中用油情况的实际用油特征；
预测油温序列获取模块，用于将所述实际烹饪特征输入至所述油温预测模型，以输出在未来的设定时间窗口下，所述烹饪设备中油面的预测油温序列。
本公开还提供一种烹饪控制系统，所述烹饪控制系统基于上述的烹饪设备的油温监测系统实现；
所述烹饪控制系统包括：
烹饪控制策略生成模块，用于根据获取的预测油温序列，生成对应的烹饪控制策略；
烹饪控制模块，用于根据所述烹饪控制策略进行烹饪控制。
较佳地，所述烹饪控制策略包括油温变化走势的展示结果、油温过高的预警信号、与智能菜谱相结合的烹饪参数调节方式中的至少一种。
本公开还提供一种智能烹饪系统，所述智能烹饪系统包括上述的烹饪控制系统。
本公开还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的油温预测模型的训练方法；或，实现上述的烹饪设备的油温监测方法；或，实现上述的烹饪控制方法。
本公开还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的油温预测模型的训练方法；或，实现上述的烹饪设备的油温监测方法；或，实现上述的烹饪控制方法。
在符合本领域常识的基础上，所述各优选条件，可任意组合，即得本公开各较佳实施例。
本公开的积极进步效果在于：
本公开中，预先构建用于识别烹饪设备设备参数的设备特征(包括但不限于其位置大小、材质以及是否盖有锅盖等信息)，和烹饪设备中用油情况的用油特征(包括但不限于颜色和油量等)的烹饪特征识别模型，以及用于输出设定时间窗口下，烹饪设备中油面的预测油温序列的油温预测模型，结合多维度数据进行综合分析，以实现对于实际烹饪场景的任意一张烹饪图像而言，可以直接自动、及时且高精度地输出烹饪设备中油面在未来的1秒、2秒、5秒等设定时间窗口下的实时油温序列，以实现在动态烹饪过程中准确、可靠地对烹饪设备中的油温监测；
另外，基于对烹饪设备内用油温度的准确监测，配合智能菜谱，实现对烹饪设备参数自动、及时且合理的控制调节，以获得健康方便的菜肴；还可以判断后续烹饪趋势，在温度过高前及时提示用户，保障烹饪过程中的安全，从而有效提升用户的烹饪使用体验感；同时也提升了智能烹饪系统的整体产品性能。
附图说明
图1为本公开实施例1的油温预测模型的训练方法的流程图。
图2为本公开实施例2的油温预测模型的训练方法的第一流程图。
图3为本公开实施例3的油温预测模型的训练方法的第二流程图。
图4为本公开实施例4的烹饪设备的油温监测方法的流程图。
图5为本公开实施例5的烹饪控制方法的流程图。
图6为本公开实施例6的油温预测模型的训练系统的模块示意图。
图7为本公开实施例7的油温预测模型的训练系统的模块示意图。
图8为本公开实施例8的烹饪设备的油温监测系统的模块示意图。
图9为本公开实施例9的烹饪控制系统的模块示意图。
图10为本公开实施例10的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本公开，但并不因此将本公开限制在所述的实施例范围之中。
实施例1
本实施例的应用场景为烹饪场景，烹饪场景中布设有红外线测温设备和摄像头等，摄像头用于采集烹饪场景对应采集视角的烹饪图像，红外线测温设备用于在特定采样频率下探测到烹饪设备中用油的油面温度、烹饪场景的环境温度等。
具体地，红外线测温设备包括但限于红外线测温传感器等，例如在4赫兹-8赫兹下进行采样的非接触式红外线测温模组，以同时采集并输出烹饪环境温度和油面温度等，红外线测温设备对应探测台面范围视角可在5°-20°，选择安装一个或多个红外线测温模组；摄像头包括图像识别模组，可以选择安装分辨率为720p的图像识别模组，选择安装一个或多个图像识别模组。
优选地，红外线测温设备和摄像头安装在同一预设位置处，例如设于油烟机上且位于炉头正上方的位置处；当然，红外线测温设备和摄像头的设置位置、设置方式、设置数量、型号等均可以根据实际场景需求进行重新确定与调整。
如图1所示，本实施例的油温预测模型的训练方法包括：
S101、获取若干张目标样本烹饪图像；
S102、识别出每张目标样本烹饪图像中与烹饪关联的目标样本烹饪特征；
其中，目标样本烹饪特征包括表征烹饪设备的设备参数的目标样本设备特征，和/或，表征烹饪设备中用油情况的目标样本用油特征；
具体地，表征烹饪设备的设备参数的特征包括于烹饪设备的位置、大小、材质、是否盖有锅盖等信息；表征烹饪设备中用油情况的特征包括颜色和油量等。
S103、基于预先构建不同的烹饪特征与对应的红外线测温反射率之间的映射关系，以及目标样本烹饪特征，控制设于烹饪场景中的红外线测温设备以匹配的红外线测温反射率工作；
预先根据历史若干烹饪特征与红外线测温设备的红外线测温反射率的相互影响，构建不同的烹饪特征与红外线测温反射率之间的一一对应关系，以保证样本油温数据采集的准确度，进而保证油温预测模型的可靠性。
S104、采集得到在不同的预设时间窗口下，烹饪设备中油面的样本温度序列特征；
其中，预设时间窗口包括1秒、2秒、5秒、10秒、15秒、30秒和60秒等，即获取多个预设时间窗口下分别对应的样本温度序列特征。
S105、将每组的目标样本烹饪特征作为输入，对应的样本温度序列特征作为输出，训练得到油温预测模型；
其中，油温预测模型用于输出设定时间窗口下，烹饪设备中油面的预测油温序列。
本实施例中，通过识别出图像中烹饪设备的设备特征(包括但不限于其位置大小、材质以及是否盖有锅盖等信息)用油情况的用油特征(包括但不限于颜色和油量等)，在基于烹饪特征与红外线测温设备的红外线测温反射率的对应关系，控制红外线测温设备的红外线测温反射率，保证了对油面的样本温度序列特征获取的准确度；获取多个时间窗口下的样本温度序列特征，保证了对油面的油温动态变化的趋势或特性进行有效提取，进而保证了油温预测模型的预测结果的精度与可靠性。
本实施例中的上述实现方案，避免了现有的非接触式还是接触式测温方法，其测温准确性会随着被测物体的反射率变化而变化，具体通过图像识别信息获取烹饪设备特征和用油特征，推断出准确的被测物体反射率，再进行温度信息的分析。
另外，还避免了目前大部分油温监测是通过线性拟合等固定公式进行转换得到，对于动态变化的油温监测准确性不强，无法更好地预测后续的烹饪油温状态，也就无法提供给用户更好的烹饪体验的缺陷，具体通过采用构建的油温预测模型持续、动态、精准地监测到烹饪设备中的油温变化情况，保证了油温获取的精度，也为用户提供了良好的烹饪体验感。
实施例2
本实施例的油温预测模型的训练方法是对实施例1的进一步改进，具体地：
在一可实施的方案中，如图2所示，步骤S104包括：
S1041、采集得到每个预设时间窗口下，烹饪设备中油面的若干温度值；
S1042、采用预设计算方式对若干温度值进行处理，以得到对应的预设时间窗口下的样本温度序列特征；
其中，预设计算方式包括方差值、平均值、平均差、最值、极差或构建的与油面的温度关联的预设函数等。当然，还可以采用其他的处理方式，只要能够得到对应的样本温度序列特征，该样本温度序列特征能够准确表征对应时间窗口下烹饪设备中的油面温度情况即可。
通过对某一预设时间窗口(如15秒、30秒)中采集的若干温度值进行处理，以得到对应15秒的时间窗口下的样本温度序列特征，和30秒的时间窗口下的样本温度序列特征，或直接对连续45秒的时间窗口中采集的若干温度值进行处理，以得到对45秒的时间窗口下的样本温度序列特征。
本方案中，使用多时间窗口的烹饪油温监测方式，在多个时间窗口下计算特征值并进行预测，保证了样本温度序列特征获取的及时且准确，以实现最终在动态烹饪过程中及时且准确地预测实时油温的效果。
在一可实施的方案中，步骤S102之前还包括：
S1001、采集若干组样本数据；
其中，每组样本数据包括第一样本烹饪图像，以及对应标识出的第一样本烹饪图像的第一样本烹饪特征；
第一样本烹饪特征包括表征烹饪设备的设备参数的第一样本设备特征，和/或，表征烹饪设备中用油情况的第一样本用油特征；
S1002、将每组的第一样本烹饪图像作为输入，对应的第一样本烹饪特征作为输出，训练得到烹饪特征识别模型；
步骤S102包括：
S1021、将目标样本烹饪图像输入至烹饪特征识别模型，以输出对应的目标样本烹饪特征；
本方案中，通过预先构建专门的烹饪特征识别模型，以对任意输入的目标样本烹饪图像均能够直接、及时且高精度地输出对应的烹饪特征，从而保证了油温预测模型训练的准确性、可靠性以及效率，进而保证了实际烹饪场景的烹饪控制精度和合理性。
在一可实施的方案中，步骤S102包括：
对每张目标样本烹饪图像进行标注处理，以得到对应的样本烹饪特征。
本方案中，通过标注的方式对每张目标样本烹饪图像进行处理，基于标注结果形成对应的标签数据，以作为每张样本烹饪图像的样本烹饪特征，该方式下无需训练模型，同样也能得到给油温预测模型训练提供所需训练数据的效果。
在一可实施的方案中，如图3所示，步骤S1002包括：
S10021、将每组的第一样本烹饪图像作为输入，对应的第一样本烹饪特征作为输出，采用预设特征提取网络和预设识别分类网络进行训练，以得到烹饪特征识别模型。
当然，还可以根据实际场景需求，采用其他类型网络模型训练得到烹饪特征识别模型，在此不再赘述。
本方案中，通过预设特征提取网络和预设识别分类网络，以及第一样本烹饪图和匹配的第一样本烹饪特征，构建得到烹饪特征识别模型，基于该烹饪特征识别模型输出烹饪设备的位置、材质以及是否有锅盖等烹饪设备特征结果，同时还能输出用油表面的颜色和油量等用油特征结果，保证了烹饪特征识别模型的准确性和可靠性。
在一可实施的方案中，步骤S105包括：
S1051、将每组的目标样本烹饪特征作为输入，对应的样本温度序列特征作为输出，采用预设监督学习模型训练，以得到油温预测模型；
其中，预设监督学习模型包括KNN、决策树、朴素贝叶斯、支持向量机算法或神经网络。
当然，还可以根据实际场景需求，采用其他类型网络模型训练得到烹饪特征识别模型，在此不再赘述。
本方案中，通过预设监督学习模型，以及目标样本烹饪特征和匹配的样本温度序列特征，构建得到油温预测模型，以保证油温预测模型的预测结果的精度与可靠性。
实施例3
本实施例的烹饪设备的油温监测方法基于上述实施例的油温预测模型的训练方法实现。
如图4所示，油温监测方法包括：
S201、获取当前采集时刻的实际烹饪图像；
采用摄像头或图像识别模组采集得到烹饪场景的采集视角下的实际烹饪图像。
S202、识别出实际烹饪图像中的实际烹饪特征；
其中，实际烹饪特征包括表征烹饪设备的设备参数的实际设备特征，和/或，表征烹饪设备中用油情况的实际用油特征；
具体地，将实际烹饪图像输入至构建的烹饪特征识别模型中，以直接输出对应的实际烹饪特征；当然，也可以根据标注处理的方式得到实际烹饪特征；优选采用输入烹饪特征识别模型的方式得到实际烹饪特征。当然，实际场景中具体采用何种方式得到实际烹饪特征，可以根据实际需求进行确定。
S203、将实际烹饪特征输入至油温预测模型，以输出在未来的设定时间窗口下，烹饪设备中油面的预测油温序列。
在未来的设定时间窗口下的预测油温序列，能够使得用户及时知晓油温的实时、动态变化情况，以更好了解到后续的烹饪油温状态，便于及时干预处理等。
本公开中，预先构建用于识别烹饪设备设备参数的设备特征(包括但不限于其位置大小、材质以及是否盖有锅盖等信息)，和烹饪设备中用油情况的用油特征(包括但不限于颜色和油量等)的烹饪特征识别模型，以及用于输出设定时间窗口下，烹饪设备中油面的预测油温序列的油温预测模型，即结合多维度数据进行综合分析，实现对于实际烹饪场景的任意一张烹饪图像而言，可以直接自动、及时且高精度地输出烹饪设备中油面在未来的1秒、2秒、5秒等设定时间窗口下的油温序列，以实现在动态烹饪过程中准确、可靠地对烹饪设备中的油温监测，达到实时油温监测的效果，从而辅助后续烹饪控制，保证了用户烹饪体验感。
实施例4
本实施例的烹饪控制方法基于上述实施例的烹饪设备的油温监测方法实现。
如图5所示，本实施例的烹饪控制方法包括：
S301、根据获取的预测油温序列，生成对应的烹饪控制策略；
S302、根据烹饪控制策略进行烹饪控制。
本方案中，根据监测的预测油温序列，进行及时分析等，以确定匹配的烹饪控制策略，并及时执行对应的烹饪调整，避免因油温过大等异常造成烹饪效果较差的情况发生，保证了整个烹饪过程控制的及时且有效。
在一可实施的方案中，烹饪控制策略包括油温变化走势的展示结果、油温过高的预警信号、与智能菜谱相结合的烹饪参数调节方式等。
具体地，根据监测的预测油温序列，向用户界面展示油温在未来的不同时间窗口下的预设变化趋势，以便于用户能够提前知晓，及时调整火力等；还可以根据预测油温序列子当前采集时刻起一定时间窗口后，可能出现油温过高时情况，则及时生成提示信息以用户，并自动调小或关闭烹饪设备，防止不安全的场景发生，从而及时有效地保证了烹饪场景的安全性；还可以将智能菜谱结合预测的实时油温序列数据，自动控制烹饪设备的烹饪参数，以使得保持正确且健康的烹饪曲线，获得健康方便的菜肴；满足用户的实际烹饪需求，从而有效提升用户的烹饪使用体验感；同时也提升了智能烹饪系统的整体产品性能。
实施例5
本实施例的应用场景为烹饪场景，烹饪场景中布设有红外线测温设备和摄像头等，摄像头用于采集烹饪场景对应采集视角的烹饪图像，红外线测温设备用于在特定采样频率下探测到烹饪设备中用油的油面温度、烹饪场景的环境温度等。
具体地，红外线测温设备包括但限于红外线测温传感器等，例如在4赫兹-8赫兹下进行采样的非接触式红外线测温模组，以同时采集并输出烹饪环境温度和油面温度等，红外线测温设备对应探测台面范围视角可在5°-20°，选择安装一个或多个红外线测温模组；摄像头包括图像识别模组，可以选择安装分辨率为720p的图像识别模组，选择安装一个或多个图像识别模组。
优选地，红外线测温设备和摄像头安装在同一预设位置处，例如设于油烟机上且位于炉头正上方的位置处；当然，红外线测温设备和摄像头的设置位置、设置方式、设置数量、型号等均可以根据实际场景需求进行重新确定与调整。
如图6所示，本实施例的油温预测模型的训练系统包括：
目标样本图像获取模块1，用于获取若干张目标样本烹饪图像；
目标样本特征识别模块2，用于识别出每张目标样本烹饪图像中与烹饪关联的目标样本烹饪特征；
其中，目标样本烹饪特征包括表征烹饪设备的设备参数的目标样本设备特征，和/或，表征烹饪设备中用油情况的目标样本用油特征；
具体地，表征烹饪设备的设备参数的特征包括于烹饪设备的位置、大小、材质、是否盖有锅盖等信息；表征烹饪设备中用油情况的特征包括颜色和油量等。
样本温度特征获取模块3，用于基于预先构建不同的烹饪特征与对应的红外线测温反射率之间的映射关系，以及目标样本烹饪特征，控制设于烹饪场景中的红外线测温设备以匹配的红外线测温反射率工作，以采集得到在不同的预设时间窗口下，烹饪设备中油面的样本温度序列特征；
预先根据历史若干烹饪特征与红外线测温设备的红外线测温反射率的相互影响，构建不同的烹饪特征与红外线测温反射率之间的一一对应关系，以保证样本油温数据采集的准确度，进而保证油温预测模型的可靠性。
其中，预设时间窗口包括1秒、2秒、5秒、10秒、15秒、30秒和60秒等，即获取多个预设时间窗口下分别对应的样本温度序列特征。
油温预测模型训练模块4，用于将每组的目标样本烹饪特征作为输入，对应的样本温度序列特征作为输出，训练得到油温预测模型；
其中，油温预测模型用于输出设定时间窗口下，烹饪设备中油面的预测油温序列。
本实施例中，通过识别出图像中烹饪设备的设备特征(包括但不限于其位置大小、材质以及是否盖有锅盖等信息)用油情况的用油特征(包括但不限于颜色和油量等)，在基于烹饪特征与红外线测温设备的红外线测温反射率的对应关系，控制红外线测温设备的红外线测温反射率，保证了对油面的样本温度序列特征获取的准确度；获取多个时间窗口下的样本温度序列特征，保证了对油面的油温动态变化的趋势或特性进行有效提取，进而保证了油温预测模型的预测结果的精度与可靠性。
本实施例中的上述实现方案，避免了现有的非接触式还是接触式测温方法，其测温准确性会随着被测物体的反射率变化而变化，具体通过图像识别信息获取烹饪设备特征和用油特征，推断出准确的被测物体反射率，再进行温度信息的分析。
另外，还避免了目前大部分油温监测是通过线性拟合等固定公式进行转换得到，对于动态变化的油温监测准确性不强，无法更好地预测后续的烹饪油温状态，也就无法提供给用户更好的烹饪体验的缺陷，具体通过采用构建的油温预测模型持续、动态、精准地监测到烹饪设备中的油温变化情况，保证了油温获取的精度，也为用户提供了良好的烹饪体验感。
实施例6
本实施例的油温预测模型的训练系统是对实施例5的进一步改进，具体地：
在一可实施的方案中，如图7所示，样本温度特征获取模块3包括：
温度采集单元5，用于采集得到每个预设时间窗口下，烹饪设备中油面的若干温度值；
样本温度特征获取单元6，用于采用预设计算方式对若干温度值进行处理，以得到对应的预设时间窗口下的样本温度序列特征；
其中，预设计算方式包括方差值、平均值、平均差、最值、极差或构建的与油面的温度关联的预设函数等。当然，还可以采用其他的处理方式，只要能够得到对应的样本温度序列特征，该样本温度序列特征能够准确表征对应时间窗口下烹饪设备中的油面温度情况即可。
通过对某一预设时间窗口(如15秒、30秒)中采集的若干温度值进行处理，以得到对应15秒的时间窗口下的样本温度序列特征，和30秒的时间窗口下的样本温度序列特征，或直接对连续45秒的时间窗口中采集的若干温度值进行处理，以得到对45秒的时间窗口下的样本温度序列特征。
本方案中，使用多时间窗口的烹饪油温监测方式，在多个时间窗口下计算特征值并进行预测，保证了样本温度序列特征获取的及时且准确，以实现最终在动态烹饪过程中及时且准确地预测实时油温的效果。
在一可实施的方案中，油温预测模型的训练系统还包括：
样本数据采集模块7，用于采集若干组样本数据；
其中，每组样本数据包括第一样本烹饪图像，以及对应标识出的第一样本烹饪图像的第一样本烹饪特征；
第一样本烹饪特征包括表征烹饪设备的设备参数的第一样本设备特征，和/或，表征烹饪设备中用油情况的第一样本用油特征；
特征识别模型获取模块8，用于将每组的第一样本烹饪图像作为输入，对应的第一样本烹饪特征作为输出，训练得到烹饪特征识别模型；
目标样本特征识别模块2用于将目标样本烹饪图像输入至烹饪特征识别模型，以输出对应的目标样本烹饪特征；
本方案中，通过预先构建专门的烹饪特征识别模型，以对任意输入的目标样本烹饪图像均能够直接、及时且高精度地输出对应的烹饪特征，从而保证了油温预测模型训练的准确性、可靠性以及效率，进而保证了实际烹饪场景的烹饪控制精度和合理性。
在一可实施的方案中，目标样本特征识别模块2用于对每张目标样本烹饪图像进行标注处理，以得到对应的样本烹饪特征。
本方案中，通过标注的方式对每张目标样本烹饪图像进行处理，基于标注结果形成对应的标签数据，以作为每张样本烹饪图像的样本烹饪特征，该方式下无需训练模型，同样也能得到给油温预测模型训练提供所需训练数据的效果。
在一可实施的方案中，特征识别模型获取模块8用于将每组的第一样本烹饪图像作为输入，对应的第一样本烹饪特征作为输出，采用预设特征提取网络和预设识别分类网络进行训练，以得到烹饪特征识别模型。
当然，还可以根据实际场景需求，采用其他类型网络模型训练得到烹饪特征识别模型，在此不再赘述。
本方案中，通过预设特征提取网络和预设识别分类网络，以及第一样本烹饪图和匹配的第一样本烹饪特征，构建得到烹饪特征识别模型，基于该烹饪特征识别模型输出烹饪设备的位置、材质以及是否有锅盖等烹饪设备特征结果，同时还能输出用油表面的颜色和油量等用油特征结果，保证了烹饪特征识别模型的准确性和可靠性。
在一可实施的方案中，油温预测模型训练模块4用于将每组的目标样本烹饪特征作为输入，对应的样本温度序列特征作为输出，采用预设监督学习模型训练，以得到油温预测模型；
其中，预设监督学习模型包括KNN、决策树、朴素贝叶斯、支持向量机算法或神经网络。
当然，还可以根据实际场景需求，采用其他类型网络模型训练得到烹饪特征识别模型，在此不再赘述。
本方案中，通过预设监督学习模型，以及目标样本烹饪特征和匹配的样本温度序列特征，构建得到油温预测模型，以保证油温预测模型的预测结果的精度与可靠性。
实施例7
本实施例的烹饪设备的油温监测系统基于上述实施例的油温预测模型的训练系统实现。
如图8所示，本实施例的油温监测系统包括：
实际图像获取模块9，用于获取当前采集时刻的实际烹饪图像；
采用摄像头或图像识别模组采集得到烹饪场景的采集视角下的实际烹饪图像。
实际烹饪特征识别模块10，用于识别出实际烹饪图像中的实际烹饪特征；
其中，实际烹饪特征包括表征烹饪设备的设备参数的实际设备特征，和/或，表征烹饪设备中用油情况的实际用油特征；
具体地，将实际烹饪图像输入至构建的烹饪特征识别模型中，以直接输出对应的实际烹饪特征；当然，也可以根据标注处理的方式得到实际烹饪特征；优选采用输入烹饪特征识别模型的方式得到实际烹饪特征。当然，实际场景中具体采用何种方式得到实际烹饪特征，可以根据实际需求进行确定。
预测油温序列获取模块11，用于将实际烹饪特征输入至油温预测模型，以输出在未来的设定时间窗口下，烹饪设备中油面的预测油温序列。
在未来的设定时间窗口下的预测油温序列，能够使得用户及时知晓油温的实时、动态变化情况，以更好了解到后续的烹饪油温状态，便于及时干预处理等。
本公开中，预先构建用于识别烹饪设备设备参数的设备特征(包括但不限于其位置大小、材质以及是否盖有锅盖等信息)，和烹饪设备中用油情况的用油特征(包括但不限于颜色和油量等)的烹饪特征识别模型，以及用于输出设定时间窗口下，烹饪设备中油面的预测油温序列的油温预测模型，即结合多维度数据进行综合分析，实现对于实际烹饪场景的任意一张烹饪图像而言，可以直接自动、及时且高精度地输出烹饪设备中油面在未来的1秒、2秒、5秒等设定时间窗口下的油温序列，以实现在动态烹饪过程中准确、可靠地对烹饪设备中的油温监测，达到实时油温监测的效果，从而辅助后续烹饪控制，保证了用户烹饪体验感。
实施例8
本实施例的烹饪控制系统基于上述实施例的烹饪设备的油温监测系统实现。
如图9所示，本实施例的烹饪控制系统包括：
烹饪控制策略生成模块11，用于根据获取的预测油温序列，生成对应的烹饪控制策略；
烹饪控制模块12，用于根据烹饪控制策略进行烹饪控制。
本方案中，根据监测的预测油温序列，进行及时分析等，以确定匹配的烹饪控制策略，并及时执行对应的烹饪调整，避免因油温过大等异常造成烹饪效果较差的情况发生，保证了整个烹饪过程控制的及时且有效。
在一可实施的方案中，烹饪控制策略包括油温变化走势的展示结果、油温过高的预警信号、与智能菜谱相结合的烹饪参数调节方式等。
本实施例中，根据监测的预测油温序列，向用户界面展示油温在未来的不同时间窗口下的预设变化趋势，以便于用户能够提前知晓，及时调整火力等；还可以根据预测油温序列子当前采集时刻起一定时间窗口后，可能出现油温过高时情况，则及时生成提示信息以用户，并自动调小或关闭烹饪设备，防止不安全的场景发生，从而及时有效地保证了烹饪场景的安全性；还可以将智能菜谱结合预测的实时油温序列数据，自动控制烹饪设备的烹饪参数，以使得保持正确且健康的烹饪曲线，获得健康方便的菜肴；满足用户的实际烹饪需求，从而有效提升用户的烹饪使用体验感；同时也提升了智能烹饪系统的整体产品性能。
实施例9
本实施例的智能烹饪系统包括实施例8中的烹饪控制系统。
其中，智能烹饪系统包括但不限于油烟机、灶具等厨房烹饪系统。
本实施例的智能烹饪系统中集成有上述的烹饪控制系统，能够根据监测的预测油温序列，进行及时分析等，以确定匹配的烹饪控制策略，并及时执行对应的烹饪调整，避免因油温过大等异常造成烹饪效果较差的情况发生，保证了整个烹饪过程控制的及时且有效，提升了智能烹饪系统的整体产品性能。
实施例10
图10为本公开实施例5提供的一种电子设备的结构示意图。电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述实施例中的方法。图10显示的电子设备30仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示，电子设备30可以通用计算设备的形式表现，例如其可以为服务器设备。电子设备30的组件可以包括但不限于：上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可以包括易失性存储器，例如随机存取存储器(RAM)321和/或高速缓存存储器322，还可以进一步包括只读存储器(ROM)323。
存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325，这样的程序模块324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器31通过运行存储在存储器32中的计算机程序，从而执行各种功能应用以及数据处理，例如本公开上述实施例中的方法。
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且，模型生成的设备30还可以通过网络适配器36与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图10所示，网络适配器36通过总线33与模型生成的设备30的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的设备30使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例11
本实施例提供了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实施例中的方法中的步骤。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本公开还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行实现上述实施例中的方法中的步骤。
其中，可以一种或多种程序设计语言的任意组合来编写用于执行本公开的程序代码，程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本公开的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本公开的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本公开的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本公开的保护范围。

Claims (13)

1.一种油温预测模型的训练方法，其特征在于，所述训练方法包括：
获取若干张目标样本烹饪图像；
识别出每张所述目标样本烹饪图像中与烹饪关联的目标样本烹饪特征；
其中，所述目标样本烹饪特征包括表征烹饪设备的设备参数的目标样本设备特征，和/或，表征所述烹饪设备中用油情况的目标样本用油特征；
基于预先构建不同的烹饪特征与对应的红外线测温反射率之间的映射关系，以及所述目标样本烹饪特征，控制设于烹饪场景中的红外线测温设备以匹配的红外线测温反射率工作，以采集得到在不同的预设时间窗口下，所述烹饪设备中油面的样本温度序列特征；
将每组的所述目标样本烹饪特征作为输入，对应的所述样本温度序列特征作为输出，训练得到油温预测模型；
其中，所述油温预测模型用于输出设定时间窗口下，所述烹饪设备中油面的预测油温序列。
2.如权利要求1所述的油温预测模型的训练方法，其特征在于，所述采集得到在不同的预设时间窗口下，所述烹饪设备中油面的样本温度序列特征的步骤，包括：
采集得到每个所述预设时间窗口下，所述烹饪设备中油面的若干温度值；
采用预设计算方式对若干所述温度值进行处理，以得到对应的所述预设时间窗口下的所述样本温度序列特征；
其中，所述预设计算方式包括方差值、平均值、平均差、最值、极差或构建的与油面的温度关联的预设函数。
3.如权利要求1或2所述的油温预测模型的训练方法，其特征在于，所述识别出每张所述目标样本烹饪图像中与烹饪关联的目标样本烹饪特征的步骤之前，还包括：
采集若干组样本数据；
其中，每组所述样本数据包括第一样本烹饪图像，以及对应标识出的所述第一样本烹饪图像的第一样本烹饪特征；
所述第一样本烹饪特征包括表征所述烹饪设备的设备参数的第一样本设备特征，和/或，表征所述烹饪设备中用油情况的第一样本用油特征；
将每组的所述第一样本烹饪图像作为输入，对应的所述第一样本烹饪特征作为输出，训练得到烹饪特征识别模型；
所述识别出每张所述目标样本烹饪图像中与烹饪关联的目标样本烹饪特征的步骤，包括：
将所述目标样本烹饪图像输入至所述烹饪特征识别模型，以输出对应的所述目标样本烹饪特征；
或，
所述识别出每张所述目标样本烹饪图像中与烹饪关联的目标样本烹饪特征的步骤，包括：
对每张所述目标样本烹饪图像进行标注处理，以得到对应的所述样本烹饪特征。
4.如权利要求3所述的油温预测模型的训练方法，其特征在于，所述将每组的所述第一样本烹饪图像作为输入，对应的所述第一样本烹饪特征作为输出，训练得到烹饪特征识别模型的步骤，包括：
将每组的所述第一样本烹饪图像作为输入，对应的所述第一样本烹饪特征作为输出，采用预设特征提取网络和预设识别分类网络进行训练，以得到所述烹饪特征识别模型；
和/或，
所述将每组的所述目标样本烹饪特征作为输入，对应的所述样本温度序列特征作为输出，训练得到油温预测模型的步骤，包括：
将每组的所述目标样本烹饪特征作为输入，对应的所述样本温度序列特征作为输出，采用预设监督学习模型训练，以得到所述油温预测模型；
其中，所述预设监督学习模型包括KNN、决策树、朴素贝叶斯、支持向量机算法或神经网络。
5.一种烹饪设备的油温监测方法，其特征在于，所述油温监测方法基于权利要求1-4中任一项所述的油温预测模型的训练方法实现；
所述油温监测方法包括：
获取当前采集时刻的实际烹饪图像；
识别出所述实际烹饪图像中的实际烹饪特征；
其中，所述实际烹饪特征包括表征所述烹饪设备的设备参数的实际设备特征，和/或，表征所述烹饪设备中用油情况的实际用油特征；
将所述实际烹饪特征输入至所述油温预测模型，以输出在未来的设定时间窗口下，所述烹饪设备中油面的预测油温序列。
6.一种烹饪控制方法，其特征在于，所述烹饪控制方法基于权利要求5所述的烹饪设备的油温监测方法实现；
所述烹饪控制方法包括：
根据获取的预测油温序列，生成对应的烹饪控制策略；
根据所述烹饪控制策略进行烹饪控制。
7.如权利要求6所述的烹饪控制方法，其特征在于，所述烹饪控制策略包括油温变化走势的展示结果、油温过高的预警信号、与智能菜谱相结合的烹饪参数调节方式中的至少一种。
8.一种油温预测模型的训练系统，其特征在于，所述训练系统包括：
目标样本图像获取模块，用于获取若干张目标样本烹饪图像；
目标样本特征识别模块，用于识别出每张所述目标样本烹饪图像中与烹饪关联的目标样本烹饪特征；
其中，所述目标样本烹饪特征包括表征烹饪设备的设备参数的目标样本设备特征，和/或，表征所述烹饪设备中用油情况的目标样本用油特征；
样本温度特征获取模块，用于基于预先构建不同的烹饪特征与对应的红外线测温反射率之间的映射关系，以及所述目标样本烹饪特征，控制设于烹饪场景中的红外线测温设备以匹配的红外线测温反射率工作，以采集得到在不同的预设时间窗口下，所述烹饪设备中油面的样本温度序列特征；
油温预测模型训练模块，用于将每组的所述目标样本烹饪特征作为输入，对应的所述样本温度序列特征作为输出，训练得到油温预测模型；
其中，所述油温预测模型用于输出设定时间窗口下，所述烹饪设备中油面的预测油温序列。
9.一种烹饪设备的油温监测系统，其特征在于，所述油温监测系统基于权利要求8所述的油温预测模型的训练系统实现；
所述油温监测系统包括：
实际图像获取模块，用于获取当前采集时刻的实际烹饪图像；
实际烹饪特征识别模块，用于识别出所述实际烹饪图像中的实际烹饪特征；
其中，所述实际烹饪特征包括表征所述烹饪设备的设备参数的实际设备特征，和/或，表征所述烹饪设备中用油情况的实际用油特征；
预测油温序列获取模块，用于将所述实际烹饪特征输入至所述油温预测模型，以输出在未来的设定时间窗口下，所述烹饪设备中油面的预测油温序列。
10.一种烹饪控制系统，其特征在于，所述烹饪控制系统基于权利要求9所述的烹饪设备的油温监测系统实现；
所述烹饪控制系统包括：
烹饪控制策略生成模块，用于根据获取的预测油温序列，生成对应的烹饪控制策略；
烹饪控制模块，用于根据所述烹饪控制策略进行烹饪控制。
11.一种智能烹饪系统，其特征在于，所述智能烹饪系统包括权利要求10所述的烹饪控制系统。
12.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述的油温预测模型的训练方法；或，实现权利要求5所述的烹饪设备的油温监测方法；或，实现权利要求6或7所述的烹饪控制方法。
13.一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，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的油温预测模型的训练方法；或，实现权利要求5所述的烹饪设备的油温监测方法；或，实现权利要求6或7所述的烹饪控制方法。
CN202310461676.XA 2023-04-25 2023-04-25 模型训练方法、油温监测方法、烹饪控制方法及系统 Pending CN116612346A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310461676.XA CN116612346A (zh) 2023-04-25 2023-04-25 模型训练方法、油温监测方法、烹饪控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310461676.XA CN116612346A (zh) 2023-04-25 2023-04-25 模型训练方法、油温监测方法、烹饪控制方法及系统

Publications (1)

Publication Number Publication Date
CN116612346A true CN116612346A (zh) 2023-08-18

Family

ID=87675544

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310461676.XA Pending CN116612346A (zh) 2023-04-25 2023-04-25 模型训练方法、油温监测方法、烹饪控制方法及系统

Country Status (1)

Country Link
CN (1) CN116612346A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117055658A (zh) * 2023-10-11 2023-11-14 江苏徕德生物医药有限公司 用于泰瑞拉奉结晶生产过程的自适应温度控制系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117055658A (zh) * 2023-10-11 2023-11-14 江苏徕德生物医药有限公司 用于泰瑞拉奉结晶生产过程的自适应温度控制系统及方法
CN117055658B (zh) * 2023-10-11 2024-01-02 江苏徕德生物医药有限公司 用于泰瑞拉奉结晶生产过程的自适应温度控制系统及方法

Similar Documents

Publication Publication Date Title
CN107084795B (zh) 人体热源识别方法、装置及具有该装置的设备
EP3131410B1 (en) Method and apparatus for controlling a cooking process of a food
CN111613009B (zh) 基于红外热成像的室内危险热源预测报警方法及其装置
Usamentiaga et al. Temperature monitoring for electrical substations using infrared thermography: architecture for Industrial Internet of Things
CN110647894B (zh) 电器设备的故障诊断方法、系统、云端服务器及存储介质
CN116612346A (zh) 模型训练方法、油温监测方法、烹饪控制方法及系统
EP2668604A2 (en) Signal identification methods and systems
CN110412524A (zh) 一种风廓线雷达标准输出控制器系统
US20160353921A1 (en) Machine & System for Obtaining Precise Cooking Times of Irregular Shaped Food Objects
US20220335596A1 (en) Home inspection systems and methods
CN109598177B (zh) 用于识别电气设备的状态的方法和装置
US20200056797A1 (en) Area-specific environment management system, method, and program
He et al. A non-intrusive approach for fault detection and diagnosis of water distribution systems based on image sensors, audio sensors and an inspection robot
CN114152290B (zh) 换流站交流滤波器开关诊断方法
CN110018270A (zh) 测试电池
CN111998404B (zh) 防止锅具干烧的方法、系统、电子设备和存储介质
CN115363432A (zh) 模型训练方法、烹饪控制方法、系统、设备及介质
CN113865712A (zh) 一种jp电气柜温度监测系统
CN116701929A (zh) 干烧识别模型的训练及干烧检测方法、系统、设备和介质
CN110318953A (zh) 风电机组电控系统的温度监控方法和设备
KR20200102649A (ko) 신재생 에너지 발전기의 발전량 극대화 가이드 시스템 및 관리 서버
US20240027275A1 (en) Information processing apparatus, information processing method, and program
JP2014164440A (ja) 消費エネルギー分析装置、消費エネルギー分析方法及びコンピュータプログラム
US20220196291A1 (en) Determination of a mode of operation of a boiler
CN117589309A (zh) 红外发光管的加工系统、方法及存储介质

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