CN117422097A - 用于监控食物的烹饪状态的方法、设备以及抽油烟机 - Google Patents
用于监控食物的烹饪状态的方法、设备以及抽油烟机 Download PDFInfo
- Publication number
- CN117422097A CN117422097A CN202210801824.3A CN202210801824A CN117422097A CN 117422097 A CN117422097 A CN 117422097A CN 202210801824 A CN202210801824 A CN 202210801824A CN 117422097 A CN117422097 A CN 117422097A
- Authority
- CN
- China
- Prior art keywords
- food
- cooking
- machine learning
- property information
- learning model
- 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 172
- 235000013305 food Nutrition 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 238000010801 machine learning Methods 0.000 claims abstract description 71
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 239000004615 ingredient Substances 0.000 claims abstract description 7
- 230000001960 triggered effect Effects 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 41
- 239000012855 volatile organic compound Substances 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 22
- 230000006399 behavior Effects 0.000 claims description 18
- 238000010438 heat treatment Methods 0.000 claims description 15
- 235000015219 food category Nutrition 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 239000000470 constituent Substances 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000000779 smoke Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 abstract description 10
- 239000010794 food waste Substances 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 59
- 230000008901 benefit Effects 0.000 description 16
- 230000008859 change Effects 0.000 description 8
- 239000003517 fume Substances 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 239000013618 particulate matter Substances 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000009835 boiling Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000021186 dishes Nutrition 0.000 description 2
- 235000013372 meat Nutrition 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 235000014102 seafood Nutrition 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 235000013194 Lyophyllum decastes Nutrition 0.000 description 1
- 240000005856 Lyophyllum decastes Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000012020 french fries Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000004861 thermometry Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
Abstract
本发明的实施例提供一种用于监控食物的烹饪状态的方法,其特征在于,所述方法包括以下步骤:S1:检测正在由烹饪器具烹饪的食物所产生的气体的至少一种成分性质信息;S2:借助经训练的机器学习模型由所述成分性质信息确定食物的烹饪状态;S3:在所述烹饪状态指示食物被过度烹饪的情况下触发至少一个安全措施。本发明还提供一种用于监控食物的烹饪状态的设备、一种抽油烟机和一种机器可读的存储介质。根据本方面的某些实施例,通过引入机器学习模型对气体成分性质信息进行定向分析,能够在食物被彻底烧糊或出现明显升温之前自动识别过度烹饪迹象,不仅保证厨房安全,而且也最大化地避免食物浪费。
Description
技术领域
本发明涉及家用电器领域,尤其是涉及一种用于监控食物的烹饪状态的方法、一种用于监控食物的烹饪状态的设备、一种抽油烟机和一种机器可读的存储介质。
背景技术
随着科技水平的提高,人们对厨房智能化和安全性的要求也不断增加。市场上的烹饪器具大多通过加热操作加工食物,但是如果没有控制好烹饪条件导致食物被过度烹饪,不仅会影响菜品口感和营养,而且还会导致能源浪费,在严重情况下甚至会造成烹饪器具损坏或引发火灾事故。
目前,现有技术中已经提出对灶具表面温度进行监测,以在出现异常事件时对抽油烟机和灶具执行联动控制。然而在有些情况下,如果食物只是被轻微煮过头,其温度并不会发生明显变化,在这种情况下并不能及时通知用户或采取其他有效措施,从而造成食物和能源的浪费。
在这种背景下,期待提供一种改进的食物烹饪状态监控方案,以更加精准地识别食物烹饪情况,进而提升用户的烹饪体验。
发明内容
本发明的实施例的目的是提供一种用于监控食物的烹饪状态的方法、一种用于监控食物的烹饪状态的设备、一种抽油烟机和一种机器可读的存储介质,以至少解决现有技术中的部分问题。
根据本发明的第一方面,提出一种用于监控食物的烹饪状态的方法,其特征在于,所述方法包括以下步骤:
S1:检测正在由烹饪器具烹饪的食物所产生的气体的至少一种成分性质信息;
S2:借助经训练的机器学习模型由所述成分性质信息确定食物的烹饪状态;以及
S3:在所述烹饪状态指示食物被过度烹饪的情况下触发至少一个安全措施。
本发明尤其包括以下技术构思:已经认识到,食物在烹饪过程中产生的气体的成分性质与烹饪阶段存在紧密关联,通过引入机器学习模型对气体成分性质信息进行定向分析,能够在食物被彻底烧糊或出现明显升温之前自动识别过度烹饪迹象,提高了食物烹饪状态辨识的效率和准确性。在总体上,不仅保证厨房操作安全,而且也最大化地避免食物浪费,提升了用户的烹饪体验。
可选地,借助抽油烟机实施所述步骤S1-S3,和/或,在通过抽油烟机的抽吸作用引导的气流中检测所述成分性质信息。
由此,实现以下技术优点:通过将食物烹饪监测功能集成在抽油烟机中,能够充分利用厨房中的原有结构,简化了附加监控部件的部署和配置开销,从而降低成本。在抽油烟机的抽吸作用下,能够使烹饪气体加速流动并集中混合,由此实现相关气体参数的更精准测量。
可选地,所述成分性质信息包括借助VOC传感器检测的所述气体中的挥发性有机化合物浓度信息,所述挥发性有机化合物浓度信息尤其以确定时间段内的电导率采样点的序列和/或曲线的形式存在。
由此,实现以下技术优点:通过将挥发性有机化合物浓度信息作为评判指标,能够更可靠地鉴别出食物本身性质的变化,降低了环境因素的干扰,从而实现烹饪状态的更可靠评估。
可选地,所述方法在实施步骤S2之前还包括以下步骤:
检测所述食物的环境温度、尤其所述烹饪器具的表面温度;以及
当所述环境温度高于预设的温度阈值时才执行所述步骤S2,其中,所述温度阈值尤其针对不同的食物类别被不同地设置。
由此,实现以下技术优点:利用温度作为条件对可能出现过度烹饪现象的场景执行了有效过滤,从而降低了误识别数量,提升了整个监控方案的准确性和鲁棒性。
可选地,所述安全措施包括以下各项中的至少一个:
向用户的移动终端发送关于食物被过度烹饪的提示;
在烹饪器具的周围环境中以声学和/或光学的方式发出警报信号;
改变抽油烟机的抽吸功能,以使抽吸力度增强;和/或
改变和/或关断烹饪器具的加热功能。
由此,实现以下技术优点:通过采取适当安全措施,能够让用户及时了解食物烹饪状态,并在必要时从源头切断风险,降低了火灾发生概率。
可选地,所述方法还包括以下步骤:
在满足以下条件中的至少一个的情况下终止已经触发的至少一个安全措施:
-探测到用户的预确定操作;
-食物的环境温度低于预设的温度阈值;和/或
-借助经训练的机器学习模型确定的烹饪状态不再指示食物被过度烹饪。
由此,实现以下技术优点:通过严格限制安全措施的触发时机和条件,实现了食物烹饪品质的更加科学化调控,而且也避免过度预警或通风给用户带来的困扰。
可选地,所述步骤S2包括:
将所述成分性质信息输入到经训练的机器学习模型中;以及
根据机器学习模型的输出结果求取食物的烹饪状态,其中,所述输出结果以“过度烹饪”和“未过度烹饪”的结论形式存在,和/或,所述输出结果以反映烹饪程度的等级指数形式存在。
由此,实现以下技术优点:通过提供多样化的输出形式,能够在综合考虑控制逻辑的软/硬件需求、计算开销等多方面因素的情况下,针对不同应用场景制定最合理的食物烹饪状态监控方案。
可选地,所述步骤S2包括:
借助基于不同机器学习算法的多个机器学习模型由所述成分性质信息得出多个输出结果;以及
通过对所述多个输出结果执行过滤、求平均、相似性分析和/或其他数学操作确定食物的烹饪状态。
由此,实现以下技术优点:通过把不同模型的学习结果进行整合,能够使不同算法之间优势互补,减小了出现误判的概率,有利于得到更好的融合效果。
可选地,所述机器学习模型通过以下方式进行训练:
获取在历史时间段内食物被烹饪期间产生的历史气体的历史成分性质信息;
针对所述历史成分性质信息在烹饪状态方面执行标注;以及
基于经标注的历史成分性质信息建立并调整所述机器学习模型的输入-输出映射关系,直至所述机器学习模型的评价指标满足收敛条件和/或直至达到预设的训练步数。
由此,实现以下技术优点:可以充分利用历史积累的海量先验知识,使模型对不同类型食物的烹饪状态与气体成分性质之间的关系进行自学习,提高了训练效率并且优化了模型的泛化能力
可选地,所述方法还包括以下步骤:
获取用户对借助经训练的机器学习模型确定的烹饪状态的正反馈行为和/或负反馈行为;以及
基于所述正反馈行为和/或负反馈行为对所述机器学习模型进行再训练。
由此,实现以下技术优点:在基于经验建立的粗略模型框架的基础上,以用户的具体烹饪习惯及偏好对该模型质量进一步调优,在加快了训练算法的收敛近程的同时确保满足个性化的用户需求。
可选地,所述方法还包括识别正在由烹饪器具烹饪的食物的食物类别的步骤,其中,在所述步骤S2中借助经训练的机器学习模型附加地由所述食物类别确定食物的烹饪状态。
由此,实现以下技术优点:以有利的方式将食物类别对气体成分性质信息的影响单独拆分出来,借助机器学习模型实现了不同影响因素之间的解耦和再融合,使烹饪状态的辨识结果更加准确可靠。
可选地,仅在探测到用户对抽油烟机的确定功能的触发操作的情况下才在步骤S1中发起对所述成分性质信息的检测。
由此,实现以下技术优点:确保对烹饪状态的自主识别过程充分可控,灵活地与用户需求相适配。
可选地,所述烹饪器具包括灶具、烤箱、蒸箱、蒸烤箱和/或电蒸锅。
由此,实现以下技术优点:拓展了烹饪状态监控方案的应用场景,能够满足多样化的系统集成需求。
根据本发明的第二方面,提供一种用于监控食物的烹饪状态的设备,其特征在于,所述设备用于执行根据本发明的第一方面所述的方法,所述设备包括:
气体检测模块,所述气体检测模块被配置为能够检测正在由烹饪器具烹饪的食物所产生的气体的至少一种成分性质信息;
分析模块,所述分析模块被配置为能够借助经训练的机器学习模型由所述成分性质信息确定食物的烹饪状态;以及
控制模块,所述控制模块被配置为能够在所述烹饪状态指示食物被过度烹饪的情况下触发至少一个安全措施。
根据本发明的第三方面,提供一种抽油烟机,其特征在于,所述抽油烟机包括根据本发明的第二方面所述的设备。
可选地,所述气体检测模块在抽油烟机处布置成能够在通过抽油烟机的抽吸作用引导的气流中检测所述成分性质信息,所述气体检测模块尤其布置在所述抽油烟机的抽吸开口处。
由此,实现以下技术优点:充分利用了抽油烟机的抽吸作用,能够在不破坏原始风道结构的情况下实现气体成分性质信息的精确测量。
可选地,所述设备还包括温度传感器、尤其红外传感器,所述温度传感器被配置为能够检测正在由烹饪器具烹饪的食物的环境温度,所述温度传感器在抽油烟机处布置成使得温度传感器的探测范围覆盖所述烹饪器具的至少部分区域。
由此,实现以下技术优点:通过将温度传感器与抽油烟机集成地布置,能够节省厨房空间,并且温度传感器在抽油烟机上的这种定位方式能够使温度探测结果精准可靠。
根据本发明的第四方面,提供一种机器可读的存储介质,在所述存储介质上存储有计算机程序,所述计算机程序用于当在计算机上运行时执行根据本发明的第一方面所述的方法。
附图说明
下面,通过参看附图更详细地描述本发明,可以更好地理解本发明的原理、特点和优点。附图包括:
图1示出了根据本发明的一个示例性实施例的用于监控食物的烹饪状态的方法的流程图;
图2示出了图1所示方法的一个方法步骤的流程图;
图3示出了图1所示方法的另一方法步骤的流程图;
图4示出了图1所示的方法的另一方法步骤的流程图;
图5示出了根据本发明的一个示例性实施例的用于监控食物的烹饪状态的设备的框图;以及
图6示出了根据本发明的一个示例性实施例的抽油烟机的示意图。
附图标记列表
1 灶具
2 抽油烟机
10 用于监控食物的烹饪状态的设备
11 气体检测模块
12 分析模块
121、121'、121” 机器学习模型
122 融合单元
13 控制模块
14 温度传感器
140 温度传感器的探测范围
105 加热元件
110 正在烹饪的食物产生的气体
210 抽吸开口
220 出风口
230 烟道
具体实施方式
为了使本发明所要解决的技术问题、技术方案以及有益的技术效果更加清楚明白,以下将结合附图以及多个示例性实施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用于解释本发明,而不是用于限制本发明的保护范围。
图1示出了根据本发明的一个示例性实施例的用于监控食物的烹饪状态的方法的流程图。
在步骤S1中,检测正在由烹饪器具烹饪的食物所产生的气体的至少一种成分性质信息。这里,例如可以在通过抽油烟机的抽吸作用引导的气流中执行这种成分性质信息的检测,以便实现更准确的检测。
在本发明的意义上,烹饪器具例如包括灶具、烤箱、蒸箱、蒸烤箱和/或电蒸锅,并被配置为可通过加热功能(例如炸、煎、煮、炒、烤等方式)对食物进行烹饪。食物在被烹饪期间会产生油烟混合物,随着烹饪的进行,这种油烟混合物的特定成分性质信息会发生改变。
在本发明的意义上,“成分性质信息”理解为与气体的组成相关的信息,这例如包括所含特定类型气体或颗粒物的质量、浓度、粘性或者这些参数的变化趋势。另外,成分性质信息也可理解为几种气体元素之间的含量关系或这种关系随时间的变化。
作为示例,例如可以在步骤S1中借助VOC传感器检测食物烹饪产生的气体中的挥发性有机化合物浓度信息。这种挥发性有机化合物浓度信息例如以确定时间段内的电导率采样点的序列和/或曲线的形式存在。
作为另一示例,还可在步骤S1中借助PM颗粒物传感器检测气体中的颗粒物含量,例如检测介于PM0.1至PM2.5之间的颗粒物数量。
在步骤S2中,借助经训练的机器学习模型由成分性质信息确定食物的烹饪状态。
在该步骤中,例如可以将获得的成分性质信息输入到经训练的机器学习模型中,然后根据机器学习模型的输出结果求取食物的烹饪状态。作为示例,可以将由VOC传感器测得的原始数据提供给机器学习模型。作为另一示例,也可以对原始测量数据进行预处理和性质拆分,然后将特定气体成分对应的不同性质(例如浓度、粘性、几何形态、变化速率等)作为不同输入项提供给机器学习模型。
在最简单的情况下,机器学习模型的输出结果直接为关于食物烹饪状态的二分类结果,即,由机器学习模型可直接得出“过度烹饪”和“未过度烹饪”的结论。作为另一示例,机器学习模型的输出结果也可以以反映烹饪程度的等级指数形式存在,例如,以1至4的数值区间内的连续或离散取值分别代表食物的不同烹饪程度,其中数值“4”例如对应于“严重过度烹饪”,而数值“1”例如对应于“没有发生过度烹饪”。此外,还可想到通过机器学习模型输出百分比形式的过度烹饪风险,百分比数值越大则意味着出现过度烹饪的风险越高。
在步骤S3中,在烹饪状态指示食物被过度烹饪的情况下触发至少一个安全措施。
在本发明的意义上,食物被“过度烹饪”理解为:食物在烹饪加工过程中超过了预定的最佳烹饪时间或烹饪温度,从而导致食物口感变差或营养流失。一般地,可将食物的“烧焦”、“烧糊”、“干烧”、“煮沸”等现象称为“过度烹饪”,但是,也可按照用户喜好定义特殊的过度烹饪现象。
作为示例,在该步骤中例如可以响应于食物的烹饪状态从布置在本地或云端的数据库中调取对应的安全措施,不同的烹饪程度例如对应于不同等级的安全措施。例如,如果食物只是被轻微过度烹饪,与这种结论相关联的安全措施例如为“向用户发送提示”。又例如,如果食物被严重过度烹饪,与这种结论相关联的安全措施例如为“关断烹饪器具的加热功能”。
在一些可能的实施方式中,本申请提供的用于监控食物的烹饪状态的方法的各个方面还可以实现为一种程序产品的形式,其包括计算机程序,当程序产品在计算机设备上运行时,计算机程序用于使计算机设备执行上述方法的步骤。计算机程序产品可以采用一个或多个机器可读介质的任意组合,机器可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。机器可读存储介质的更具体示例包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
图2示出了图1所示方法的一个方法步骤的流程图。在图2所示实施例中,图1中的方法步骤S1例如包括子步骤S11-S15。
在步骤S11中,检查是否已经探测到用户对烹饪状态监控功能的触发操作。如果与烹饪状态监控相关的功能模块被集成在抽油烟机中,则这可以通过探测用户对抽油烟机的操作面板的输入来实现,或者,也可以通过接收其他联网设备或移动终端发来的信号来识别相关的功能触发。
如果没有探测到用户的触发操作,则不启用检测模块(例如气体检测模块和温度传感器),并因此不对食物的烹饪状态进行监控。
如果发现烹饪状态监控功能已被激活,则在步骤S12中检测借助烹饪器具烹饪的食物的环境温度。
视温度传感器的类型和具体配置参数而定,“食物的环境温度”可以直接是指被测食物上某一点或某一个区域的温度,也可以是指烹饪器具的表面温度或者用于盛放食物的容器的表面温度,或者也可以是指食物周围确定范围内空气的温度梯度。作为示例,可以使用非接触式测温的方式(例如使用红外传感器)来实现温度测量。
在步骤S13中,检查食物的环境温度是否高于预设的温度阈值。这里的温度阈值可以是一个具体的数值或一个温度区间,其具体范围大小例如可以根据经验或者通过标定过程来确定。此外,这种温度阈值可以针对不同的食物类别被不同地设置。例如,蔬菜在超过60°时就容易引起维生素破坏,而对于肉类或海鲜而言则需要确保更高的烹饪温度以防“夹生”,因此可以将针对蔬菜的温度阈值设定成小于肉类或海鲜的温度阈值。
在该实施例中,并没有直接执行烹饪气体的成分性质方面的检测,而是预先执行温度判定,这尤其在以下场景中是有利的:借助气体传感器附加地探测到干扰气体,这种干扰气体并非来自待监控的烹饪器具,而是例如由厨房中放置的其他食物(例如刚刚从外面买来的炸鸡或薯条)挥发形成。为了避免错误地依据干扰气体推定烹饪状态,可以通过温度方面的评估来将监控范围有效地锁定在感兴趣区域(例如灶具区域),从而降低了假阳性错误。
如果在步骤S13中判断出温度尚未超过预设的温度阈值,则例如继续保持在该步骤中执行温度方面的检测和评估。目前,虽然已经认识到轻微的过度烹饪可能无法直接通过识别温度变化及时探测到,但是借助温度探测仍可对出现烹饪过度事件进行有效过滤,因为绝大多数的烧焦/烧糊现象仅在食物升温至确定温度以上时才会发生。
如果在步骤S13中判断出温度已超过预设的温度阈值,则可以在步骤S14中针对食物烹饪时产生的气体执行成分性质方面的检测。在该步骤中,例如可以在温度低于温度阈值时暂时地将用于检测气体成分性质的传感器置于关闭或休眠状态,并且仅当食物的环境温度超过温度阈值时才开启气体检测传感器或者执行气体成分性质信息的测量工作,由此能够在一定程度上节省设备能耗和数据采集开销。
作为示例,例如可以借助VOC传感器检测烹饪气体中的挥发性有机化合物浓度信息,并将这种挥发性有机化合物浓度信息作为所述成分性质信息。具体地,所述挥发性有机化合物浓度信息尤其以确定时间段内的电导率采样点的序列和/或曲线的形式存在。作为另一示例,还可借助其他空气质量传感器(例如PM2.5传感器)和空气湿度传感器来实现气体成分性质信息的补充检测。
在步骤S15中,在将关于气体成分性质信息的原始探测结果提供给机器学习模型之前,还可以对这些原始测量数据进行预处理,这对于借助机器学习的进一步分析具有重要意义。通常,数据的预处理过程例如包括:标准化、正则化、降维去噪、聚类分析等操作。
图3示出了图1所示方法的另一方法步骤的流程图。在图3所示实施例中,图1中的方法步骤S2例如包括子步骤S21-S28,其中步骤S21-S23介绍了机器学习模型的训练过程,然而这不一定是食物监控过程的必要环节,而是例如可以在初始化阶段预先完成。
在步骤S21中,获取在历史时间段内食物被烹饪期间收集的历史成分性质信息,并针对历史成分性质信息状态方面执行标注。
在此,采集的历史样本数据应具有一定数量、并且优选能够涵盖不同食物类别、烹饪阶段、烹饪模式以及烹饪时长,以此来确保所收集的历史样本数据反映出的烹饪状态的多样性,使得所训练的机器学习模型具有良好的泛化能力。
此外,例如可以规定同一场景采集的样本数据量不应与针对其他场景采集的样本数据量有较大差距。此外,在采集过程中尤其可以借助标识符或唯一识别码对正在烹饪的菜品或食物类别进行编号或区分,以防止相似的个体多次重复出现。
接下来,在步骤S22中,借助经标注的历史成分性质信息建立并调整所述机器学习模型的输入-输出映射关系。具体地,首先可以以烹饪气体中的确定成分性质信息作为机器学习模型的输入,并且以针对该成分性质信息标注的食物烹饪状态作为机器学习模型的输出。然后,利用新的样本数据不断调整模型的参数。具体地,例如可以使用深度卷积神经网络、尤其YOLO作为用于识别烹饪状态的机器学习模型,该网络的输入为VOC传感器的历史检测数据,输出为预测的食物的烹饪状态或者说与烹饪程度相关的指标,经过训练过程,网络参数不断迭代更新,烹饪状态识别的性能将达到最优。
在步骤S23中,检查用于机器学习模型的评价指标是否满足收敛条件和/或是否达到预设训练步数。在此,评价指标例如是指损失函数,因此在该步骤中例如可以计算机器学习模型的损失函数,并判断损失函数的输出结果是否小于预设极限值。
如果没有达到预设的训练步数或者如果损失函数大于预设极限值,则表示机器学习模型目前的表现尚未到达标准,需要继续对其进行训练。于是,可以将损失函数更新梯度反向传播至机器学习模型的网络参数中,并开始新的迭代循环。
如果发现已经达到预设的训练步数或者如果损失函数小于预设极限值,则表示模型在预期结果方面已经有符合要求的表现。在这种情况下,可以将机器学习模型用于在实际环境中求取食物烹饪状态。于是,可以在步骤S24中将已经检测得到的正在被烹饪食物产生的气体中的成分性质信息输入到不同机器学习模型中,不同机器学习模型例如基于不同的机器学习算法,由此得到这些机器模型的多个输出结果。
在步骤S25中,对所述多个输出结果执行过滤、求平均、相似性分析和/或其他数学处理操作,以获得关于烹饪状态的最终结果。例如,如果每个机器学习模型的输出结果以描述烹饪程度的指数形式存在,则可以对这些指数进行加权平均,然后以最终得到的数值表示最终的烹饪程度。又例如,还可直接从所有输出结果中选取出现频次最高(或者数量最多)的结果作为最终结果。
在步骤S26中,基于关于食物烹饪状态的结果判断是否发生了过度烹饪。
作为示例,可以将最终得到的表征食物烹饪程度的指数与预设的阈值进行比较,如果发现得到的指数超过该阈值,则在步骤S27中推断出发生了过度烹饪。例如,借助机器学习模型得到的食物烹饪程度指数为“4”,预设的阈值为“3”,于是在这种情况下可以判断出发生了过度烹饪。反之,如果发现得到的指数低于该阈值,则在步骤S28中判断出未发生过度烹饪。除此之外,例如还可通过计算指数与阈值之间的差值大小附加地确定发生过度烹饪的风险和严重程度,从而在后续步骤中制定更合理的安全策略。
此外,在一个未示出的实施例中,还可以在对借助步骤S21-S23进行了初步训练的机器学习模型的使用过程中,获取用户对经初步训练的机器学习模型的输出结果的正反馈行为和/或负反馈行为。然后,基于所述正反馈行为和/或负反馈行为对机器学习模型进行再训练。
具体地,可以记录用户对借助模型确定的烹饪状态的强制性更正事件,或者,也可以记录用户在未识别出过度烹饪情况下主动加大抽油烟机抽吸力度和/或主动关断烹饪器具的行为,并将这些事件记录作为负反馈行为。在总体上,可将用户对基于机器学习模型确定的烹饪状态及其相应安全措施的主动干预行为归类为负反馈行为,未发生干预的行为则被归类为正反馈行为。通过了解用户手动干预的次数和程度,可以反映出其对目前采用的食物烹饪监控策略的满意度,从而这些反馈行为可重新作为补充训练数据来更新机器学习模型的内部参数。
图4示出了图1所示的方法的另一方法步骤的流程图。在图4所示实施例中,图1中的方法步骤S3例如包括子步骤S31-S35。
在步骤S31中,在确定食物被过度烹饪的情况下,可以向用户通知这种过度烹饪事件,或者也可以直接控制烹饪器具或者抽油烟机的功能。
作为示例,如果(例如借助监控摄像机)监测到在烹饪器具周围存在人员,则例如可以直接在烹饪器具的周围环境中以声学和/或光学方式发出警报信号,在所述食物监控逻辑被集成在抽油烟机中的情况下,例如可以借助抽油烟机面板上的警报灯闪烁或者控制抽油压机发出警报提示音。如果监测到在烹饪器具周围不存在人员,则可以向用户的移动终端发送关于食物被过度烹饪的提示,以报告其应该关闭烹饪器具。
作为另一示例,还可以提升抽油烟机的功率等级(例如使抽油烟机的抽风档位调高),以使抽吸力度增强。又例如,也可调低烹饪器具的加热等级,或者使烹饪功率降档,在必要时至少临时地关断烹饪器具。此外,也可考虑联动地控制抽油烟机和烹饪器具,以使彼此的功能参数相互适配或在时间上进行配合,从而达到更好的安全烹饪效果。
在步骤S32中,检查是否监测到用户对过度烹饪事件的反应。例如,可以检查是否探测到用户主动关闭烹饪器具的行为或者调整抽油烟机的抽风等级的行为。这例如可以借助人员监控摄像机结合适当的图像识别技术来实现。
如果发现用户对过度烹饪事件没有任何反应(例如由于人员临时离开烹饪区域并且没有及时赶回),则可以继续保持当前的安全措施和警报提示,并在后续的步骤S34中结合其他条件因素来控制安全措施的执行。
如果探测到用户已经对烹饪事件主动采取了应对措施,则在步骤S33中关闭向烹饪器具周围环境或者向用户的移动终端发出的警报提示。
接下来在步骤S34中,检查是否探测到安全措施的终止条件。执行这种探测一方面可以实现烹饪风险的自动解除从而提升用户体验,另一方面也可以对过度烹饪事件执行可靠性检验。例如,在满足以下各项中的至少一个时确认监测到安全措施的终止条件:
-借助温度传感器监测到食物的环境温度(例如烹饪器具的表面温度)低于预设的温度阈值;和/或
-借助经训练的机器学习模型确定的烹饪状态不再指示食物被过度烹饪。
如果在减小烹饪器具的加热等级或者提升抽油烟机的抽吸力度之后识别出,流经抽油烟机的气体的成分性质信息不再反映出发生过度烹饪,那么可以在步骤S35中终止已经触发的至少一个安全措施。例如,可以将抽油烟机的抽风档位恢复到调整之前的水平,或者,将烹饪器具的功率等级复位。附加地或替代地,也可以在步骤S35中以可视化方式通知用户这种危险状态的解除,例如,可以将位于抽油烟机面板上的指示灯的颜色从红色改变为绿色。
图5示出了根据本发明的一个示例性实施例的用于监控食物的烹饪状态的设备的框图。
如图5所示,根据本发明的用于监控食物的烹饪状态的设备包括气体检测模块11、分析模块12和控制模块13
气体检测模块11被配置为能够检测正在由烹饪器具烹饪的食物所产生的气体的至少一种成分性质信息。例如,气体检测模块11例如可以包括或被构造为VOC传感器,以便能够检测气体中的挥发性有机化合物浓度信息(Volatile Organic Compounds,简称VOC)。该VOC传感器由半导体层构成的传感器芯片和一个与它集成在一起的加热元件构成,检测时需要先通过加热元件的加热作用使传感器达到相应的温度,然后再利用电导率(电阻值)随VOC气体浓度的变化而变化的特性来实现对挥发性有机化合物浓度信息的检测,通过电导率(或电阻值)大小例如能反映出挥发性有机化合物的浓度。作为示例,可以在一个10秒的测量周期中收集50个电导率采样点,然后通过自行调整温度参数,从而绘制出电导率随温度或时间变化的曲线。在采样点数量较少的情况下,也可直接由电导率采样点构造数值序列。一般地,随着食物不断升温,挥发性有机物浓度也会相应增加,这在电导率方面则体现出成反比的变化趋势。此外,还可通过分析电导率曲线的斜率或其他参数来分析挥发性有机化合物浓度的变化趋势。
作为示例,气体的成分性质信息除了包括挥发性有机化合物浓度信息以外,还可包括PM颗粒物(例如PM2.5)质量浓度、空气湿度等其他类型的成分性质信息。为此,气体检测模块11例如还可包括相应的PM2.5传感器、空气湿度传感器等。附加地,气体检测模块11例如还被配置为能够获取由烹饪器具烹饪的食物的食物类别,为此,例如可以借助气体检测模块11接收至少一个摄像机拍摄的正在被烹饪的食物的图像,然后从中识别出对应的食品类别,此外也可想到直接接收用户通过操作面板或移动终端输入的菜品名称,从而提取出相应的食品类别。这种食品类别例如可以以标识符FOOD_ID的形式被输出。
分析模块12例如包括或能够访问一个或多个机器学习模型121、121'、121”,从而能够借助经训练的机器学习模型121、121'、121”由成分性质信息确定食物的烹饪状态。为此,分析模块12从气体检测模块11接收关于气体的成分性质信息以及其他附加信息,并将这些信息提供给多个不同的机器学习模型121、121'、121”,每个机器学习模型121、121'、121”例如基于不同机器学习算法(这例如包括SVM、MLP、RF、Stacking集成学习等),并被训练为使得能够分别根据输入的气体成分性质信息输出关于食物的烹饪状态的结果Result_1、Result_2…Result_n。除了可以将挥发性有机化合物浓度信息提供作为这些模型的输入以外,还可以给模型提供正在被烹饪的食物的标识符FOOD_ID,以使机器学习模型能够在考虑更丰富的细节信息的情况下得出更准确的判别结果。
由于每个机器学习模型121、121'、121”所基于的机器学习算法不同,因此例如可能针对同一气体成分性质信息而得出不同的输出结果Result_1、Result_2…Result_n。为了能够对这些结果进行统一,例如在分析模块12中还设有融合单元122,该融合单元122用于对来自不同模型的多个输出结果Result_1、Result_2…Result_n执行过滤、求平均、相似性分析和/或其他数学处理操作,以得出关于食物烹饪状态的最终结论Result_Final。
分析模块12在得出关于食物的烹饪状态的结论之后,会将其提供给控制模块13,在控制模块13中根据当前的食物烹饪状态生成相应的指令信号,并将其传输给相应的执行机构(例如烹饪器具1以及抽油烟机2),以便控制执行机构的运行。
图6示出了根据本发明的一个示例性实施例的抽油烟机的示意图。
参考图6,多个加热元件105定位在灶具1的表面上,加热元件105例如构造为燃气燃烧器、电磁线圈等,借助这些加热元件105例如可以对盛放食物的容器(例如锅具)进行加热,从而通过升温操作来加工食物。
抽油烟机2安装于灶具1的上方,并且抽油烟机2例如能够借助通信接口(未示出)与灶具1以及与至少一个智能终端设备进行通信,以实现联动控制和/或远程操控。抽油烟机2具有抽吸开口210,借助该抽吸开口210能够将正在借助灶具1进行烹饪的食物产生的气体110引导到抽油烟机2内部,此外该抽油烟机2还具有出风口220,该出风口220与烟道230连通,从而烹饪产生的油烟可经由该出风口220从烟道230排出。在抽油烟机2中集成有用于监控食物的烹饪状态的设备,为简洁起见,该设备在图6所示实施例中仅被部分地示出。
在该实施例中,用于监控食物的烹饪状态的设备的气体检测模块11在抽油烟机2上被布置在抽吸开口210内侧。由此,在抽油烟机2的抽吸作用下,烹饪产生的油烟110向上流动并朝着抽油烟机2的抽吸开口210方向引导,然后在抽吸开口210处汇集时能够借助气体检测模块11进行成分性质信息方面的检测。在另一示例中,气体检测模块11也可以布置在抽油烟机1的风机壳体上,此外也能够想到其他有意义的布置方式。
此外,用于监控食物的烹饪状态的设备例如还包括温度传感器14,该温度传感器14例如用于检测正在灶具1上烹饪的食物的环境温度。在图6所示实施例中,温度传感器14例如在抽油烟机2上被安装在抽油烟机2的面向灶具1的面板上,从而使其探测范围140能够覆盖灶具1的至少部分区域。在温度传感器14被构造为红外传感器的情况下,红外传感器例如利用红外辐射的热效应,通过热敏电阻等来测量所吸收的红外辐射,进而间接地测量辐射红外光的物体的温度。在一个具体示例中,温度传感器14例如可以被配置为可调节的,例如,温度传感器14可以聚焦在特定部分的食物上,又例如,温度传感器14也可以探测大面积的灶具1表面或食物表面,从而提供温度曲线或平均温度。
在此应注意的是,在图6中示出的气体检测模块11和温度传感器14仅仅是示意性的,在其他应用场景中这些传感器例如可以具有其他数量、尺寸、形状以及布置方式。
应注意的是,用于监控食物的烹饪状态的设备不仅可以被设计在抽油烟机2中,而且也可以设计为单独的器具。在后者的情况下,所述设备例如可以在和抽油烟机2类似的高度中布置在工作台面和灶具的上方,由此通过所述设备中的气体检测模块能够良好地识别烹饪油烟中的成分性质信息。此外,用户可通过与抽油烟机2借助手势交互,从而可以仅在必要时才启用食物的烹饪状态的监控功能。
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发明公开的范围,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。本发明公开中提供的特征示例意在进行举例说明,而非限制,除非做出不同表述。在具体实施中,可根据实际需求,在技术上可行的情况下,可以将多项特征彼此组合。在不脱离本发明精神和范围的前提下,各种替换、变更和改造也可被构想出来。
Claims (18)
1.一种用于监控食物的烹饪状态的方法,其特征在于,所述方法包括以下步骤:
S1:检测正在由烹饪器具烹饪的食物所产生的气体(110)的至少一种成分性质信息;
S2:借助经训练的机器学习模型(121)由所述成分性质信息确定食物的烹饪状态;以及
S3:在所述烹饪状态指示食物被过度烹饪的情况下触发至少一个安全措施。
2.根据权利要求1所述的方法,其特征在于,借助抽油烟机(2)实施所述步骤S1-S3,和/或,在通过抽油烟机(2)的抽吸作用引导的气流中检测所述成分性质信息。
3.根据权利要求1或2所述的方法,其特征在于,所述成分性质信息包括借助VOC传感器检测的所述气体(110)中的挥发性有机化合物浓度信息,所述挥发性有机化合物浓度信息尤其以确定时间段内的电导率采样点的序列和/或曲线的形式存在。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述方法在实施步骤S2之前还包括以下步骤:
检测所述食物的环境温度、尤其所述烹饪器具的表面温度;以及
当所述环境温度高于预设的温度阈值时才执行所述步骤S2,其中,所述温度阈值尤其针对不同的食物类别被不同地设置。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述安全措施包括以下各项中的至少一个:
向用户的移动终端发送关于食物被过度烹饪的提示;
在烹饪器具的周围环境中以声学和/或光学的方式发出警报信号;
改变抽油烟机(2)的抽吸功能,以使抽吸力度增强;和/或
改变和/或关断烹饪器具的加热功能。
6.根据权利要求1至5中任一项所述的方法,其特征在于,所述方法还包括以下步骤:
在满足以下条件中的至少一个的情况下终止已经触发的至少一个安全措施:
-探测到用户的预确定操作;
-食物的环境温度低于预设的温度阈值;和/或
-借助经训练的机器学习模型(121)确定的烹饪状态不再指示食物被过度烹饪。
7.根据权利要求1至6中任一项所述的方法,其特征在于,所述步骤S2包括:
将所述成分性质信息输入到经训练的机器学习模型(121)中;以及
根据机器学习模型(121)的输出结果求取食物的烹饪状态,其中,所述输出结果以“过度烹饪”和“未过度烹饪”的结论形式存在,和/或,所述输出结果以反映烹饪程度的等级指数形式存在。
8.根据权利要求1至7中任一项所述的方法,其特征在于,所述步骤S2包括:
借助基于不同机器学习算法的多个机器学习模型(121)由所述成分性质信息得出多个输出结果;以及
通过对所述多个输出结果执行过滤、求平均、相似性分析和/或其他数学操作确定食物的烹饪状态。
9.根据权利要求1至8中任一项所述的方法,其特征在于,所述机器学习模型(121)通过以下方式进行训练:
获取在历史时间段内食物被烹饪期间产生的历史气体的历史成分性质信息;
针对所述历史成分性质信息在烹饪状态方面执行标注;以及
基于经标注的历史成分性质信息建立并调整所述机器学习模型(121)的输入-输出映射关系,直至所述机器学习模型(121)的评价指标满足收敛条件和/或直至达到预设的训练步数。
10.根据权利要求1至9中任一项所述的方法,其特征在于,所述方法还包括以下步骤:
获取用户对借助经训练的机器学习模型(121)确定的烹饪状态的正反馈行为和/或负反馈行为;以及
基于所述正反馈行为和/或负反馈行为对所述机器学习模型(121)进行再训练。
11.根据权利要求1至10中任一项所述的方法,其特征在于,所述方法还包括识别正在由烹饪器具烹饪的食物的食物类别的步骤,其中,在所述步骤S2中借助经训练的机器学习模型(121)附加地由所述食物类别确定食物的烹饪状态。
12.根据权利要求1至11中任一项所述的方法,其特征在于,仅在探测到用户对抽油烟机(2)的确定功能的触发操作的情况下才在步骤S1中发起对所述成分性质信息的检测。
13.根据权利要求1至12中任一项所述的方法,其特征在于,所述烹饪器具包括灶具(1)、烤箱、蒸箱、蒸烤箱和/或电蒸锅。
14.一种用于监控食物的烹饪状态的设备(10),其特征在于,所述设备(10)用于执行根据权利要求1至13中任一项所述的方法,所述设备(10)包括:
气体检测模块(11),所述气体检测模块(11)被配置为能够检测正在由烹饪器具烹饪的食物所产生的气体(110)的至少一种成分性质信息;
分析模块(12),所述分析模块(12)被配置为能够借助经训练的机器学习模型(121)由所述成分性质信息确定食物的烹饪状态;以及
控制模块(13),所述控制模块(13)被配置为能够在所述烹饪状态指示食物被过度烹饪的情况下触发至少一个安全措施。
15.一种抽油烟机(2),其特征在于,所述抽油烟机(2)包括根据权利要求14所述的设备(10)。
16.根据权利要求15所述的抽油烟机(2),其特征在于,所述气体检测模块(11)在抽油烟机(2)处布置成能够在通过抽油烟机(2)的抽吸作用引导的气流中检测所述成分性质信息,所述气体检测模块(11)尤其布置在所述抽油烟机(2)的抽吸开口(210)处。
17.根据权利要求15或16所述的抽油烟机(2),其特征在于,所述设备(10)还包括温度传感器(14)、尤其红外传感器,所述温度传感器(14)被配置为能够检测正在由烹饪器具烹饪的食物的环境温度,所述温度传感器在抽油烟机(2)处布置成使得温度传感器的探测范围(140)覆盖所述烹饪器具的至少部分区域。
18.一种机器可读的存储介质,在所述存储介质上存储有计算机程序,所述计算机程序用于当在计算机上运行时执行根据权利要求1至13中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210801824.3A CN117422097A (zh) | 2022-07-07 | 2022-07-07 | 用于监控食物的烹饪状态的方法、设备以及抽油烟机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210801824.3A CN117422097A (zh) | 2022-07-07 | 2022-07-07 | 用于监控食物的烹饪状态的方法、设备以及抽油烟机 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117422097A true CN117422097A (zh) | 2024-01-19 |
Family
ID=89525265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210801824.3A Pending CN117422097A (zh) | 2022-07-07 | 2022-07-07 | 用于监控食物的烹饪状态的方法、设备以及抽油烟机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117422097A (zh) |
-
2022
- 2022-07-07 CN CN202210801824.3A patent/CN117422097A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111148944B (zh) | 自动烹饪设备和方法 | |
US10767873B2 (en) | Air processing system and method | |
CN110488696B (zh) | 一种智能防干烧方法及系统 | |
CN106461234A (zh) | 传感器启用抽油烟机系统和方法 | |
CN111602094A (zh) | 用于运行家用器具的至少一个功能的方法和控制设备 | |
US20210247074A1 (en) | Sensor enabled range hood | |
CN111386430B (zh) | 用于识别具有烹饪物的烹饪设备的装载过量的方法以及烹饪设备 | |
EP3339742B1 (en) | Food preparation entity | |
CN112426060A (zh) | 控制方法、烹饪器具、服务器和可读存储介质 | |
CN107831692B (zh) | 厨具控制方法、装置和电子设备 | |
CN110848756A (zh) | 一种灶具智能联动方法及系统 | |
CN111325047A (zh) | 烹饪安全辅助方法、系统、厨房电器及其组合 | |
US20240093875A1 (en) | Method for operating a cooking appliance, and cooking appliance | |
CN108954403B (zh) | 防干烧灶具及其控制方法 | |
CN113606627A (zh) | 一种油烟机控制方法、装置、油烟机及存储介质 | |
CN117422097A (zh) | 用于监控食物的烹饪状态的方法、设备以及抽油烟机 | |
CN111412507B (zh) | 控制方法、控制装置、吸油烟机和计算机可读存储介质 | |
CN111023171A (zh) | 智能烟灶设备、智能烟灶设备的控制方法及装置 | |
CN110966631A (zh) | 安全检测方法、装置、油烟机和介质 | |
CN111594881A (zh) | 一种基于大数据的智能燃气灶检测与控制系统 | |
CN110986105A (zh) | 一种智能灶具的提示方法及具有提示功能的智能灶具 | |
CN110848774A (zh) | 一种灶具和空气调节设备联动方法及系统 | |
CN106885349A (zh) | 通过空调器对烹饪器具进行控制的方法 | |
CN110056927B (zh) | 一种抽油烟机的控制方法和装置 | |
CN113854847A (zh) | 烹饪器具的传感器控制方法、装置、电子设备和烹饪器具 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |