CN117233326A - 基于气味的烹饪程度识别方法和装置 - Google Patents
基于气味的烹饪程度识别方法和装置 Download PDFInfo
- Publication number
- CN117233326A CN117233326A CN202311155340.7A CN202311155340A CN117233326A CN 117233326 A CN117233326 A CN 117233326A CN 202311155340 A CN202311155340 A CN 202311155340A CN 117233326 A CN117233326 A CN 117233326A
- Authority
- CN
- China
- Prior art keywords
- cooking
- odor
- characteristic value
- gas
- degree
- 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
- 238000010411 cooking Methods 0.000 title claims abstract description 361
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000010801 machine learning Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000004044 response Effects 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 21
- 230000000630 rising effect Effects 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 235000013305 food Nutrition 0.000 abstract description 25
- 239000000463 material Substances 0.000 abstract description 15
- 239000007789 gas Substances 0.000 description 87
- 210000001331 nose Anatomy 0.000 description 31
- 230000006870 function Effects 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000001816 cooling Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 206010037544 Purging Diseases 0.000 description 6
- 238000010926 purge Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000003679 aging effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 239000002351 wastewater Substances 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- AZFKQCNGMSSWDS-UHFFFAOYSA-N MCPA-thioethyl Chemical compound CCSC(=O)COC1=CC=C(Cl)C=C1C AZFKQCNGMSSWDS-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003763 carbonization Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000110 cooling liquid Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007791 dehumidification Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010257 thawing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
本发明提供一种基于气味的烹饪程度识别方法和装置,包括:间隔分窗采集待测烹饪气体;将所述待测烹饪气体输入至预先构建的气味识别模组,以得到气味特征值;所述气味特征值至少包括各路传感器响应值、上升段拟合曲线系数和窗与窗之间的比例系数;对所述气味特征值进行校准,以得到校准特征值;将所述校准特征值输入至烹饪程度气味识别模型,以得到烹饪阶段识别结果;其中,所述烹饪程度气味识别模型是利用海量烹饪数据样本基于机器学习进行训练得到的。本发明通过对烹饪过程中产生的气体进行实时采集和分析,利用经过训练的机器学习模型,借助气体的特征判断食材的烹饪程度,实现更为方便的获知烹饪程度的效果。
Description
技术领域
本发明涉及烹饪技术领域,尤其涉及一种基于气味的烹饪程度识别方法和装置。
背景技术
随着科学技术的不断进步、物质生活水平的不断提高,人们对烹饪工具的要求也不断提高。目前,许多烹饪器具普遍需要用户实时监控食物烹饪的状态并调整烹饪参数,或预设某一烹饪参数然后通过用户实时监测食物的烹饪状态。
而对于具有封闭或半封闭烹饪腔体的烹饪器具而言,如:微波炉、空气炸锅、电饭煲等,用户难以准确观察并判断腔体内食物烹饪的状态。例如,使用空气炸锅烹饪时,用户通过事先设定温度和时间进行控制,由于此类炊具有封闭或半封闭烹饪腔体,用户难以准确判断腔体内食物烹饪的状态,并做到根据食材的理化特征实时地判断烹饪阶段,进而无法获知食物在烹饪过程中的生熟程度,可能会影响烹饪的成功率,产生不好的使用体验。同时,由于烹饪者的经验、或食材本身的变化(例如含水量、解冻程度、食材品牌不同等)、或烹饪器具加热一致性差异的原因,单纯的计时控制或依靠烹饪经验难以每次都恰到好处地保证食材烹饪到最佳状态,经常出现过度烹饪(质地老、焦糊、失水过多)或烹饪不足(夹生、含菌)的现象出现。
随着智能化家电的发展,智能控制、自动烹饪逐渐成为新一代烹饪电器的技术趋势和产品化特征。目前一些高端的烹饪电器,配有通过检测食物内部的温度(通过温针等)进行智能控制的功能,一般针对的是肉类这种方便部署温针的食材。另外一些烹饪电器配有能够拍摄食材照片的摄像头,通过监测食材的外观变化进行智能化自动烹饪,但是拍摄照片易受到清洁度(油污)影响、环境光照影响,导致食材的照片颜色发生较大偏移,识别不准确。同时,上述方法对于不同食材差异性大,普适性不强。
综上,现有技术中存在烹饪程度获知困难的问题。
发明内容
本发明提供一种基于气味的烹饪程度识别方法和装置,用以解决现有技术中的缺陷,实现更方便的获知烹饪程度的效果。
本发明提供一种基于气味的烹饪程度识别方法,包括:
间隔分窗采集待测烹饪气体;
将所述待测烹饪气体输入至预先构建的气味识别模组,以得到气味特征值;所述气味特征值至少包括各路传感器响应值、上升段拟合曲线系数和窗与窗之间的比例系数;
对所述气味特征值进行校准,以得到校准特征值;
将所述校准特征值输入至烹饪程度气味识别模型,以得到烹饪阶段识别结果;其中,所述烹饪程度气味识别模型是利用海量烹饪数据样本基于机器学习进行训练得到的。
根据本发明提供的一种基于气味的烹饪程度识别方法,所述气味识别模组至少包括过滤模块和电子鼻模块,将所述待测烹饪气体输入至预先构建的气味识别模组,以得到气味特征值,具体包括:
将所述待测烹饪气体输入至过滤模块,将所述待测烹饪气体进行过滤,以得到待分析气体;
将所述待分析气体输入至电子鼻模块,提取所述电子鼻模块的传感器响应值,以得到气味特征值。
根据本发明提供的一种基于气味的烹饪程度识别方法,对所述气味特征值进行校准,以得到校准特征值,具体包括:
利用所述传感器响应值的最大值,分通道对所述气味特征值进行归一化,以得到校准特征值。
根据本发明提供的一种基于气味的烹饪程度识别方法,利用海量烹饪数据样本基于机器学习进行训练得到烹饪程度气味识别模型,具体包括:
获取海量烹饪数据样本,所述烹饪数据样本包括校准特征值样本和所述校准特征值对应的烹饪程度定义类别;
利用所述烹饪数据样本对预先选择的机器学习模型进行训练,并根据训练结果对机器学习模型的参数进行调整,以得到烹饪程度气味识别模型。
根据本发明提供的一种基于气味的烹饪程度识别方法,将所述校准特征值输入至烹饪程度气味识别模型,以得到烹饪阶段识别结果,之后还包括:
根据烹饪过程的经验规律,对所述烹饪阶段识别结果进行调整,以得到调制结果。
根据本发明提供的一种基于气味的烹饪程度识别方法,根据烹饪过程的经验规律,对所述烹饪阶段识别结果进行调整,以得到调制结果,之后还包括:
根据所述调制结果,控制烹饪设备的运行状态。
根据本发明提供的一种基于气味的烹饪程度识别方法,间隔分窗采集待测烹饪气体,之前还包括:
基于烹饪设备获取识别任务;
响应于烹饪开始信号,基于所述识别任务间隔分窗采集待测烹饪气体。
本发明还提供一种基于气味的烹饪程度识别装置,包括:
采集单元,用于间隔分窗采集待测烹饪气体;
特征单元,用于将所述待测烹饪气体输入至预先构建的气味识别模组,以得到气味特征值;所述气味特征值至少包括各路传感器响应值、上升段拟合曲线系数和窗与窗之间的比例系数;
校准单元,用于对所述气味特征值进行校准,以得到校准特征值;
识别单元,用于将所述校准特征值输入至烹饪程度气味识别模型,以得到烹饪阶段识别结果;其中,所述烹饪程度气味识别模型是利用海量烹饪数据样本基于机器学习进行训练得到的。
本发明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程序时实现如上述任一种所述基于气味的烹饪程度识别方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于气味的烹饪程度识别方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于气味的烹饪程度识别方法。
本发明提供的基于气味的烹饪程度识别方法和装置,通过间隔分窗采集待测烹饪气体;将所述待测烹饪气体输入至预先构建的气味识别模组,以得到气味特征值;所述气味特征值至少包括各路传感器响应值、上升段拟合曲线系数和窗与窗之间的比例系数;对所述气味特征值进行校准,以得到校准特征值;将所述校准特征值输入至烹饪程度气味识别模型,以得到烹饪阶段识别结果;其中,所述烹饪程度气味识别模型是利用海量烹饪数据样本基于机器学习进行训练得到的。本发明通过对烹饪过程中产生的气体进行实时采集和分析,利用经过训练的机器学习模型,借助气体的特征判断食材的烹饪程度,实现更为方便的获知烹饪程度的效果。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的基于气味的烹饪程度识别方法的流程示意图之一;
图2是本发明提供的基于气味的烹饪程度识别方法一个实施例的待测烹饪气体采集响应示意图;
图3是本发明提供的基于气味的烹饪程度识别方法一个实施例的气味识别模组示意图;
图4是本发明提供的基于气味的烹饪程度识别方法另一个实施例的气味识别模组中过滤模块的结构示意图;
图5是本发明提供的基于气味的烹饪程度识别方法的流程示意图之二;
图6是本发明提供的基于气味的烹饪程度识别装置的结构示意图;
图7是本发明提供的电子设备的结构示意图。
附图标记:
201:过滤模块;202:电子鼻模块;203:第一气泵;204:第二气泵;205:电磁阀废水排出口;206:进气口;207:出气口;208:冷却模块;
610:采集单元;620:特征单元;630:校准单元;640:识别单元;
710:处理器;720:通信接口;730:存储器;740:通信总线。
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,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1-图5描述本发明的基于气味的烹饪程度识别方法,图1是本发明提供的基于气味的烹饪程度识别方法的流程示意图之一,如图1所示,包括以下步骤:
步骤110:间隔分窗采集待测烹饪气体。
现有技术中,采集气体常见的方式包括:(1)将传感器置于待测气体氛围中进行采集。即放在烹饪器具内,但是由于烹饪过程中一般情况下温湿度过高,油烟也很大,会极大地损伤传感器,无法满足正常使用有。(2)长时间采集-吹扫,例如,采集15-30min左右,吹扫1h以上。由于烹饪过程中食材变化很快,此种方法采集周期较长,难以抓住各个烹饪阶段的变化特征。
基于此,本发明采用快速间隔分窗的方式对待测烹饪气体进行采集。在这个过程中,采集的是烹饪过程中散发的气体。需要注意的是,每个采样窗的周期可以是1min,图2是本发明提供的基于气味的烹饪程度识别方法一个实施例的待测烹饪气体采集响应示意图。每个采样窗分为采集阶段和吹扫阶段,采集就是抽取烹饪环境下的待测烹饪气体、吹扫是指从外界抽取空气让气体传感器脱附有效反应物质,回归初始状态。需要注意的是,在一些实施例中,本发明采用动态基线消减算法,无需传感器吹扫致绝对平稳,满足烹饪场景快速使用的需求。
需要了解的是,这种采样方式要求传感器的响应速度要快、算法的识别速度快、算法鲁棒性强(可以不待传感器恢复完全初始状态就进行下一步采样)。
步骤120:将所述待测烹饪气体输入至预先构建的气味识别模组,以得到气味特征值;所述气味特征值至少包括各路传感器响应值、上升段拟合曲线系数和窗与窗之间的比例系数。
对于每一个采集窗来说,将待测烹饪气体输入至针对具体烹饪任务预先构建的气味识别模组,首先进行滤湿滤油,使得气体温湿度达到气体传感器适宜工作范围,之后输入电子鼻传感器,得到气味特征值将气体数据转化为电子数据,得到气味特征值,以进行后续步骤。需要注意的是,气味特征值至少包括各路传感器最大值、上升段拟合斜率和窗与窗之间的斜率等。
步骤130:对所述气味特征值进行校准,以得到校准特征值。
由于不同的电子鼻之间、电子鼻应用到不同的烹饪器具上会带来信号的不一致性,此外,电子鼻随使用而发生活性降低也会带来信号的整体下降,本发明根据烹饪场景数据采集的实时性、分窗化等特点,研发了增强迁移性以及老化补偿的“最值预测归一化”校准算法,对气味特征值进行电子鼻老化活性以及迁移性校准,得到校准特征值。
步骤140:将所述校准特征值输入至烹饪程度气味识别模型,以得到烹饪阶段识别结果;其中,所述烹饪程度气味识别模型是利用海量烹饪数据样本基于机器学习进行训练得到的。
通过使用多套气味识别模组采集的烹饪数据样本,建立烹饪数据库、训练烹饪程度气味识别模型。需要注意的是,在采集数据时,需要尽可能覆盖不同批次生产的传感器、不同环境气温(春夏秋冬)、不同环境湿度(5%RH-90%RH,南北方差异),使得训练出的模型对不同电子鼻之间具有迁移性。
在训练过程中,通过机器学习方法对烹饪数据样本以及结果进行数据建模和实机预测。电子鼻预测任务通常使用SVM(支持向量机)、RandomForest(随机森林)、Naive Bayes(贝叶斯决策)、Decision Tree(决策树)、ANN(人工神经网络)、CNN(卷积神经网络)、RNN(循环神经网络)、LSTM(长短期记忆网络)、Transformer等算法,根据烹饪数据样本中包括的烹饪气味数据及任务种类(二分类、多分类、回归等)进行选择和优化。
基于上述实施例,该方法中,所述气味识别模组至少包括过滤模块和电子鼻模块,将所述待测烹饪气体输入至预先构建的气味识别模组,以得到气味特征值,具体包括:
将所述待测烹饪气体输入至过滤模块,将所述待测烹饪气体进行过滤,以得到待分析气体;
将所述待分析气体输入至电子鼻模块,提取所述电子鼻模块的传感器响应值,以得到气味特征值。
具体地,如图3所示,图3示出了气味识别模组的一个结构示意图。通过过滤模块201降低待测烹饪气体的温湿度,两个气泵203和204一个抽气进样,将待测烹饪气体抽入电子鼻模块202检测,另一个在每轮检测完成后吹气,排出检测完成的气体,加快电子鼻传感器恢复基线的速度。其中,在一个实施例中,过滤模块201可以采用滤水腔,滤水腔中的废水通过电磁阀废水排出口205排出。
针对采集到的高温(230度以上)、高湿(饱和水蒸汽100%RH)、高油污的气体氛围环境中的待测烹饪气体,本发明创新性地采用冷却液环绕气腔的结构,如图4所示。在一个实施例中,气味识别模组还包括冷却模块,本发明利用水冷的方式将待测烹饪气体从进气口206输入到冷却模块208,利用冷却模块将待测烹饪气体的气体温度和湿度降低至适用于传感器检测的范围(温度40-50摄氏度、湿度变化20%以内、湿度基础值与环境相关)。将待测烹饪气体冷却后,输入到过滤模块201,通过其中的滤水盒进行降湿滤油,得到待分析气体,待分析气体从出气口207输出到电子鼻模块202,获取传感器响应值并对其进行分析,得到气味特征值。具体来说,获取传感器响应值并绘制响应曲线,依次得到各路传感器最大值、上升段拟合斜率和窗与窗之间的斜率等,得到气味特征值。
此外,需要了解的是,本发明的气味识别模组集成了过滤模块、电子鼻模块、气室、气泵、运算芯片(CPU)、电源控制等技术模块。在一些实施例中,气味识别模组还包括冷却模块,冷却模块和过滤模块可以直接集成为过滤水冷结构;电子鼻模块可以采用四通道气体传感器,具体来说们可以是TO或MEMS封装金属氧化物气体传感器。在另一些实施例中,气味识别模组以STM32或GD32芯片为嵌入式系统的核心,负责控制吸气泵和吹气泵的工作状态、采集四通道传感器的数据、提取数据特征、载入训练好的模型、并根据数据输出烹饪阶段识别结果。气味识别模组作为单独的运算模块,与烹饪器具之间仅存在烹饪开始和停止、烹饪阶段识别结果的通信。
基于上述实施例,该方法中,对所述气味特征值进行校准,以得到校准特征值,具体包括:
利用所述传感器响应值的最大值,分通道对所述气味特征值进行归一化,以得到校准特征值。
具体地,得到气味特征值后,采用最值预测归一化”校准算法对气味特征值进行电子鼻老化活性以及迁移性校准。具体来说,归一化方法采用min-max归一化,也称为离差标准化或零一归一化,对原始数据的线性变换,使结果值映射到[0–w]之间,公式为:
x*=(x-xmin)/(xmax-xmin)*w。
其中,xmin为数据最小值,xmax为数据峰值。
由于烹饪场景中电子鼻监测目标气味具有实时性,即时检测、即时识别,且通常在烹饪后期挥发性气味分子浓度达到高值,因此传感系统在前期判断时无法获取到数据的全局最值特征,需采用其他方法进行最值预测。
在一个实施例中,在前期采用多元线性回归方法进行最值预测,具体实施方法为:将烹饪初期的数据值作为自变量X(例如采集窗的特征值),以当次烹饪监测的传感器最大响应值作为因变量Y(分通道进行),对输入输出进行多元线性回归,得出参数向量,以第1-3窗为例:
其中,i为气体传感器通道索引值,系数a1、a2、a3及截距b为待回归参数,Si1为第1个采集窗的气味特征值,Si2为第2个采集窗的气味特征值,Si3为第3个采集窗的气味特征值。
当预测出本次烹饪监测最值后,分通道对传感器输出的信号值进行归一化,具体为:
其中,为校准后的值,Si为采集值,Sibase为监测任务开始时的基线值。
参数回归过程如下:
A=(a1,a2,a3,b)T参数向量
Xi=(Si1,Si2,Si3,1)自变量向量
因变量向量
Yi=Simax
预测值
损失函数
令损失函数导数等于0求得系数:
A=(XTX)-1XTY
通过“最值预测归一化”校准算法,可以大大降低不同电子鼻个体之间、不同的烹饪器具个体之间、以及电子鼻活性老化所带来的差异,增强数据一致性、使识别任务更加准确。针对不同的烹饪监测任务、电子鼻传感器种类,应适时调整作为自变量X的初期数据值选择,以达到最佳校准效果。
基于上述实施例,该方法中,利用海量烹饪数据样本基于机器学习进行训练得到烹饪程度气味识别模型,具体包括:
获取海量烹饪数据样本,所述烹饪数据样本包括校准特征值样本和所述校准特征值对应的烹饪程度定义类别;
利用所述烹饪数据样本对预先选择的机器学习模型进行训练,并根据训练结果对机器学习模型的参数进行调整,以得到烹饪程度气味识别模型。
具体地,本发明以m通道电子鼻、支持向量机分类为例,说明以烹饪程度气味识别模型为基础的烹饪任务识别算法。
获取海量烹饪数据样本构成气味数据集,烹饪数据样本包括校准特征值样本和校准特征值对应的烹饪程度定义类别yi。需要了解的是,在一个实施例中,烹饪程度定义类别yi包括最佳烹饪、轻度焦糊、中度焦糊、和重度焦糊四种类别。
机器学习方法选择支持向量机进行烹饪程度气味识别模型的建模及训练,具体包括:对于训练集烹饪程度定义类别包括{c1,c2,…,ck},其中xi是第i个样本的特征向量,yi是第i个样本的气味类别标签,k是类别数。
(1)构造约束最优化问题:
s.t.0≤ai≤A,i=1,2,…,N
其中,ai、aj表示最优化系数;K(xi,xj)表示选择的核函数(例如高斯核);N表示训练集样本数。
(2)使用序列最小优化算法求解上述最优化问题,得到
(3)选择的支持向量(xi,yi),求解超平面wTx+b=0:
该超平面即为烹饪程度气味识别模型。
之后,在利用该烹饪程度气味识别模型执行烹饪阶段识别任务时,将新采集到的待测烹饪气体特征值输入到超平面内,得出烹饪程度预测类别作为烹饪阶段识别结果:
进一步地,机器学习方法选择深度神经网络进行烹饪程度气味识别模型的建模及训练,具体包括:
对于训练集烹饪程度定义类别包括{c1,c2,…,ck},其中xi是第i个样本的特征向量,yi是第i个样本的气味类别标签,k是类别数。
首先定义损失函数。常用的损失函数有均方误差(MSE)和交叉熵(Cross-Entropy)等。以均方误差为例,其定义为:
其中hatyi表示第i个样本的深度神经网络输出。
其次进行优化,最小化损失函数。常用的优化算法有随机梯度下降(SGD)、动量法(Momentum)和Adam等。以SGD为例,其更新规则为:
thetak+1=thetak-eta*nablaL(thetak)
其中theta表示神经网络参数,eta表示学习率,nablaL(thetak)表示损失函数关于参数thetak的梯度,k表示迭代轮数。
之后使用反向传播算法计算梯度。反向传播算法通过链式法则计算损失函数关于每个参数的梯度。具体而言,对于每一层l,定义δl为该层误差项,其计算方法如下:
对于输出层C,误差项δC=nablaaL⊙σ′(zC)
对于隐藏层c,误差项δc=((wc+1)Tδc+1)⊙σ′(zc)
其中,zc表示第c层的激活值,σ′(zc)表示第c层激活函数的导数,⊙表示Hadamard积,w表示待求取权重矩阵,nablaaL表示损失函数梯度。
然后计算损失函数关于每个参数的梯度。具体而言:
对于权重矩阵其梯度为/>
其中,表示激活函数,k表示迭代轮数,L表示损失函数,j表示神经元索引,/>表示误差项,c表示隐藏层索引。
最后根据上述梯度更新规则来更新网络参数,并重复上述过程直至收敛,得到烹饪程度气味识别模型。
利用内部验证集、外部验证集进行验证,准确率验证通过则输出烹饪程度气味识别模型。
在烹饪程度气味识别模型应用时,输入待测烹饪气体特征值至烹饪程度气味识别模型,直接输出待测烹饪气体的预测类别。
进一步地,机器学习方法选择贝叶斯决策进行烹饪程度烹饪程度气味识别模型的建模及训练,具体包括:
对于训练集烹饪程度定义类别包括{c1,c2,…,ck},其中xi是第i个样本的特征向量,yi是第i个样本的气味类别标签,k是类别数。
根据贝叶斯定理,对于一个新的样本x,它属于类别cj的概率可以表示为:
其中P(x|cj)是类条件概率,P(cj)是先验概率,P(x)是证据因子。由于P(x)对于所有类别都相同,因此只需比较分子部分即可。对于每个类别cj,需要计算P(x|cj)和P(cj)。
对于连续分布的气味特征其服从高斯分布,然后根据训练集中属于类别cj的样本计算均值和方差,从而得到P(x|cj)。例如使用高斯分布估计P(x|cj):
其中,μ为样本均值,σ为样本方差。
得到P(x|cj)和P(cj)后,将P(x)视为一个固定参数,构成P(cj|x),完成建模,得到烹饪程度气味识别模型。
在使用烹饪程度气味识别模型应用时,输入待测烹饪气体的特征值x,计算它属于每个类别的概率P(cj|x),然后选择概率最大的类别作为待测烹饪气体的预测类别。
y=argmaxP(y=ck)
其中,ck表示第k个气味类别。
得到烹饪程度气味识别模型之后,在利用该烹饪程度气味识别模型执行烹饪阶段识别任务时,将新采集到的待测烹饪气体的校准特征值输入到超平面内,得出烹饪程度预测类别作为烹饪阶段识别结果:
基于上述实施例,该方法中,将所述校准特征值输入至烹饪程度气味识别模型,以得到烹饪阶段识别结果,之后还包括:
根据烹饪过程的经验规律,对所述烹饪阶段识别结果进行调整,以得到调制结果。
具体地,如图5所示,得到烹饪阶段识别结果后,由于烹饪过程具有时序性,及由食材生的阶段、到被加热逐渐变熟、然后达到可食用标准、再到产生焦香、以及产生碳化焦糊的过程,这个变化过程是基于烹饪经验以及物理化学分析而得出的。食材不会从生直接烹饪到糊,也不会由熟变为生,因此得益于烹饪经验规律,可以对算法识别的结果进行时序上的逻辑判断。若以连续整数值代表烹饪程度的划分,则烹饪经验规律可以整理成如下公式:
若t2≥t1
若t2和t1是两次连续的判断结果
根据上述经验规律对烹饪阶段识别结果进行调整,排除逻辑有误的烹饪阶段识别结果,得到调制结果。
基于上述实施例,该方法中,根据烹饪过程的经验规律,对所述烹饪阶段识别结果进行调整,以得到调制结果,之后还包括:
根据所述调制结果,控制烹饪设备的运行状态。
具体地,得到调制结果后,将结果通过气味识别模组反馈至烹饪设备,根据设定条件控制烹饪设备的运行状态。例如,在一些实施例中,烹饪阶段识别结果为最佳烹饪时控制烹饪设备停止运行。
基于上述实施例,该方法中,间隔分窗采集待测烹饪气体,之前还包括:
基于烹饪设备获取识别任务;
响应于烹饪开始信号,基于所述识别任务间隔分窗采集待测烹饪气体。
具体地,基于烹饪设备获取识别任务,根据识别任务确定间隔分窗的具体周期,响应于烹饪开始信号,开始采集待测烹饪气体。
在一些实施例中,基于烹饪设备获取识别任务及菜谱,根据识别任务及菜谱确定间隔分窗的具体周期。
本发明通过气味判断食材的最佳烹饪点,能够赋予烹饪器具自动烹饪的能力;轻度焦糊的识别,能够防止食材因过度烹饪而无法食用,同时能够允许用户根据个性化口味设定稍微焦香一些的出炉状态;重度焦糊的识别,能够预防食材完全碳化而导致的起火、起烟等安全事故的发生。
基于上述实施例,本发明提供一个采用上述基于气味的烹饪程度识别方法进行一次识别的实施例,具体步骤如图5所示,包括:
S1:识别系统上电;
S2:电子鼻预热;
S3:响应于烹饪开始信号,获取识别任务,开始识别;
S4:间隔分窗采集待测烹饪气体,将待测烹饪气体输入至预先构建的气味识别模组;
S5:提取待测烹饪气体的特征,得到气味特征值,气味特征值至少包括各路传感器响应值、上升段拟合曲线系数和窗与窗之间的比例系数;
S6:对气味特征值进行校准,以得到校准特征值;其中,校准包括电子鼻老化活性校准和迁移性校准;
S7:将校准特征值输入至烹饪程度气味识别模型,得到烹饪阶段识别结果;其中,烹饪程度气味识别模型是根据识别任务与菜谱载入的训练好的模型;
S8:输出烹饪阶段识别结果;
S9:对烹饪阶段识别结果进行基于人类经验的调整,以得到调制结果;
S10:根据调制结果控制烹饪设备的运行状态,若调制结果为可以结束烹饪的类别,则停止识别,跳转步骤S11;若调制结果为不可以结束烹饪的类别,则跳转步骤S4;
S11:对电子鼻模块中的电子鼻进行吹扫清洁;
S12:系统结束工作。
本发明提供的基于气味的烹饪程度识别方法,通过间隔分窗采集待测烹饪气体;将所述待测烹饪气体输入至预先构建的气味识别模组,以得到气味特征值;所述气味特征值至少包括各路传感器响应值、上升段拟合曲线系数和窗与窗之间的比例系数;对所述气味特征值进行校准,以得到校准特征值;将所述校准特征值输入至烹饪程度气味识别模型,以得到烹饪阶段识别结果;其中,所述烹饪程度气味识别模型是利用海量烹饪数据样本基于机器学习进行训练得到的。本发明通过对烹饪过程中产生的气体进行实时采集和分析,利用经过训练的机器学习模型,借助气体的特征判断食材的烹饪程度,实现更为方便的获知烹饪程度的效果。
下面对本发明提供的基于气味的烹饪程度识别装置进行描述,下文描述的基于气味的烹饪程度识别装置与上文描述的基于气味的烹饪程度识别方法可相互对应参照。图6是本发明提供的基于气味的烹饪程度识别装置的结构示意图,如图6所示,包括采集单元610、特征单元620、校准单元630和识别单元640,其中,
采集单元610,用于间隔分窗采集待测烹饪气体;
特征单元620,用于将所述待测烹饪气体输入至预先构建的气味识别模组,以得到气味特征值;所述气味特征值至少包括各路传感器响应值、上升段拟合曲线系数和窗与窗之间的比例系数;
校准单元630,用于对所述气味特征值进行校准,以得到校准特征值;
识别单元640,用于将所述校准特征值输入至烹饪程度气味识别模型,以得到烹饪阶段识别结果;其中,所述烹饪程度气味识别模型是利用海量烹饪数据样本基于机器学习进行训练得到的。
基于上述实施例,该装置中,所述气味识别模组至少包括过滤模块和电子鼻模块,将所述待测烹饪气体输入至预先构建的气味识别模组,以得到气味特征值,具体包括:
将所述待测烹饪气体输入至过滤模块,将所述待测烹饪气体进行过滤,以得到待分析气体;
将所述待分析气体输入至电子鼻模块,提取所述电子鼻模块的传感器响应值,以得到气味特征值。
基于上述实施例,该装置中,对所述气味特征值进行校准,以得到校准特征值,具体包括:
利用所述传感器响应值的最大值,分通道对所述气味特征值进行归一化,以得到校准特征值。
基于上述实施例,该装置中,利用海量烹饪数据样本基于机器学习进行训练得到烹饪程度气味识别模型,具体包括:
获取海量烹饪数据样本,所述烹饪数据样本包括校准特征值样本和所述校准特征值对应的烹饪程度定义类别;
利用所述烹饪数据样本对预先选择的机器学习模型进行训练,并根据训练结果对机器学习模型的参数进行调整,以得到烹饪程度气味识别模型。
基于上述实施例,该装置中,将所述校准特征值输入至烹饪程度气味识别模型,以得到烹饪阶段识别结果,之后还包括:
根据烹饪过程的经验规律,对所述烹饪阶段识别结果进行调整,以得到调制结果。
基于上述实施例,该装置中,根据烹饪过程的经验规律,对所述烹饪阶段识别结果进行调整,以得到调制结果,之后还包括:
根据所述调制结果,控制烹饪设备的运行状态。
基于上述实施例,该装置中,间隔分窗采集待测烹饪气体,之前还包括:
基于烹饪设备获取识别任务;
响应于烹饪开始信号,基于所述识别任务间隔分窗采集待测烹饪气体。
本发明提供的基于气味的烹饪程度识别装置,通过间隔分窗采集待测烹饪气体;将所述待测烹饪气体输入至预先构建的气味识别模组,以得到气味特征值;所述气味特征值至少包括各路传感器响应值、上升段拟合曲线系数和窗与窗之间的比例系数;对所述气味特征值进行校准,以得到校准特征值;将所述校准特征值输入至烹饪程度气味识别模型,以得到烹饪阶段识别结果;其中,所述烹饪程度气味识别模型是利用海量烹饪数据样本基于机器学习进行训练得到的。本发明通过对烹饪过程中产生的气体进行实时采集和分析,利用经过训练的机器学习模型,借助气体的特征判断食材的烹饪程度,实现更为方便的获知烹饪程度的效果。
图7示例了一种电子设备的实体结构示意图,如图7所示,该电子设备可以包括:处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740,其中,处理器710,通信接口720,存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令,以执行基于气味的烹饪程度识别方法,该方法包括:间隔分窗采集待测烹饪气体;将所述待测烹饪气体输入至预先构建的气味识别模组,以得到气味特征值;所述气味特征值至少包括各路传感器响应值、上升段拟合曲线系数和窗与窗之间的比例系数;对所述气味特征值进行校准,以得到校准特征值;将所述校准特征值输入至烹饪程度气味识别模型,以得到烹饪阶段识别结果;其中,所述烹饪程度气味识别模型是利用海量烹饪数据样本基于机器学习进行训练得到的。
此外,上述的存储器730中的逻辑指令可以通过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计算机设备(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所述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。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于气味的烹饪程度识别方法,该方法包括:间隔分窗采集待测烹饪气体;将所述待测烹饪气体输入至预先构建的气味识别模组,以得到气味特征值;所述气味特征值至少包括各路传感器响应值、上升段拟合曲线系数和窗与窗之间的比例系数;对所述气味特征值进行校准,以得到校准特征值;将所述校准特征值输入至烹饪程度气味识别模型,以得到烹饪阶段识别结果;其中,所述烹饪程度气味识别模型是利用海量烹饪数据样本基于机器学习进行训练得到的。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于气味的烹饪程度识别方法,该方法包括:间隔分窗采集待测烹饪气体;将所述待测烹饪气体输入至预先构建的气味识别模组,以得到气味特征值;所述气味特征值至少包括各路传感器响应值、上升段拟合曲线系数和窗与窗之间的比例系数;对所述气味特征值进行校准,以得到校准特征值;将所述校准特征值输入至烹饪程度气味识别模型,以得到烹饪阶段识别结果;其中,所述烹饪程度气味识别模型是利用海量烹饪数据样本基于机器学习进行训练得到的。
以上所描述的装置实施例仅仅是示意性的,其中所述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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于气味的烹饪程度识别方法,其特征在于,包括:
间隔分窗采集待测烹饪气体;
将所述待测烹饪气体输入至预先构建的气味识别模组,以得到气味特征值;所述气味特征值至少包括各路传感器响应值、上升段拟合曲线系数和窗与窗之间的比例系数;
对所述气味特征值进行校准,以得到校准特征值;
将所述校准特征值输入至烹饪程度气味识别模型,以得到烹饪阶段识别结果;其中,所述烹饪程度气味识别模型是利用海量烹饪数据样本基于机器学习进行训练得到的。
2.根据权利要求1所述的基于气味的烹饪程度识别方法,其特征在于,所述气味识别模组至少包括过滤模块和电子鼻模块,将所述待测烹饪气体输入至预先构建的气味识别模组,以得到气味特征值,具体包括:
将所述待测烹饪气体输入至过滤模块,将所述待测烹饪气体进行过滤,以得到待分析气体;
将所述待分析气体输入至电子鼻模块,提取所述电子鼻模块的传感器响应值,以得到气味特征值。
3.根据权利要求1或2所述的基于气味的烹饪程度识别方法,其特征在于,对所述气味特征值进行校准,以得到校准特征值,具体包括:
利用所述传感器响应值的最大值,分通道对所述气味特征值进行归一化,以得到校准特征值。
4.根据权利要求1所述的基于气味的烹饪程度识别方法,其特征在于,利用海量烹饪数据样本基于机器学习进行训练得到烹饪程度气味识别模型,具体包括:
获取海量烹饪数据样本,所述烹饪数据样本包括校准特征值样本和所述校准特征值对应的烹饪程度定义类别;
利用所述烹饪数据样本对预先选择的机器学习模型进行训练,并根据训练结果对机器学习模型的参数进行调整,以得到烹饪程度气味识别模型。
5.根据权利要求1或4所述的基于气味的烹饪程度识别方法,其特征在于,将所述校准特征值输入至烹饪程度气味识别模型,以得到烹饪阶段识别结果,之后还包括:
根据烹饪过程的经验规律,对所述烹饪阶段识别结果进行调整,以得到调制结果。
6.根据权利要求5所述的基于气味的烹饪程度识别方法,其特征在于,根据烹饪过程的经验规律,对所述烹饪阶段识别结果进行调整,以得到调制结果,之后还包括:
根据所述调制结果,控制烹饪设备的运行状态。
7.根据权利要求1所述的基于气味的烹饪程度识别方法,其特征在于,间隔分窗采集待测烹饪气体,之前还包括:
基于烹饪设备获取识别任务;
响应于烹饪开始信号,基于所述识别任务间隔分窗采集待测烹饪气体。
8.一种基于气味的烹饪程度识别装置,其特征在于,包括:
采集单元,用于间隔分窗采集待测烹饪气体;
特征单元,用于将所述待测烹饪气体输入至预先构建的气味识别模组,以得到气味特征值;所述气味特征值至少包括各路传感器响应值、上升段拟合曲线系数和窗与窗之间的比例系数;
校准单元,用于对所述气味特征值进行校准,以得到校准特征值;
识别单元,用于将所述校准特征值输入至烹饪程度气味识别模型,以得到烹饪阶段识别结果;其中,所述烹饪程度气味识别模型是利用海量烹饪数据样本基于机器学习进行训练得到的。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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程序时实现如权利要求1至7任一项所述基于气味的烹饪程度识别方法。
10.一种非暂态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如权利要求1至7任一项所述基于气味的烹饪程度识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311155340.7A CN117233326A (zh) | 2023-09-07 | 2023-09-07 | 基于气味的烹饪程度识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311155340.7A CN117233326A (zh) | 2023-09-07 | 2023-09-07 | 基于气味的烹饪程度识别方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117233326A true CN117233326A (zh) | 2023-12-15 |
Family
ID=89087208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311155340.7A Pending CN117233326A (zh) | 2023-09-07 | 2023-09-07 | 基于气味的烹饪程度识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117233326A (zh) |
-
2023
- 2023-09-07 CN CN202311155340.7A patent/CN117233326A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2719032C2 (ru) | Способ и аппарат для управления процессом приготовления пищевого продукта | |
JP3818601B2 (ja) | 調理装置および調理装置の制御方法 | |
CN106455863B (zh) | 基于预测食物核心温度的烹饪食品的烹饪装置和方法 | |
CN104914720B (zh) | 具有自动学习功能的电子鼻智能烘烤控制系统及控制方法 | |
US11622651B2 (en) | Automatic cooking device and method | |
AU647956B2 (en) | Cooking appliance | |
US7075041B2 (en) | Method for controlling a cooking process in a cooking appliance and cooking appliance | |
US20080236404A1 (en) | Method and steam cooking apparatus for regulating cooking processes in an oven | |
CN106231961B (zh) | 用于控制食物烹饪过程的方法和烹饪设备 | |
CN106295801B (zh) | 一种基于果蝇算法优化广义回归神经网络算法的茶叶储存时间分类方法 | |
CN114711644A (zh) | 烹饪装置的控制方法、控制装置、存储介质和烹饪装置 | |
CN117233326A (zh) | 基于气味的烹饪程度识别方法和装置 | |
CN110307569B (zh) | 油烟机的控制方法及控制装置、油烟机 | |
CN116256402A (zh) | 一种基于频域介电谱数据检测阀侧套管缺陷检测方法 | |
CN111328840A (zh) | 空气热源泵动态烘烤系统 | |
CN117407708A (zh) | 基于烹饪领域的气味识别模型训练方法和装置 | |
CN116072244A (zh) | 用于制冷器具的气味检测方法及制冷器具 | |
CN114568962B (zh) | 蒸烤设备及其烹饪控制方法和装置 | |
CN110056927A (zh) | 一种抽油烟机的控制方法和装置 | |
CN110007699A (zh) | 一种烤箱的智能识别烹饪系统及方法 | |
CN112036619B (zh) | 电子鼻结合贝叶斯算法判别烤鸭是否超过货架终点的方法 | |
CN115211735A (zh) | 空气炸锅的智能化控制方法及装置、空气炸锅 | |
CN117789095B (zh) | 一种切花开放周期优化方法、系统、设备及存储介质 | |
CN117422097A (zh) | 用于监控食物的烹饪状态的方法、设备以及抽油烟机 | |
CN113951735A (zh) | 烹饪设备、烹饪设备控制方法和存储介质 |
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 |