CN117762021A - 基于温度感知的微蒸烤箱控制方法及系统 - Google Patents
基于温度感知的微蒸烤箱控制方法及系统 Download PDFInfo
- Publication number
- CN117762021A CN117762021A CN202410194585.9A CN202410194585A CN117762021A CN 117762021 A CN117762021 A CN 117762021A CN 202410194585 A CN202410194585 A CN 202410194585A CN 117762021 A CN117762021 A CN 117762021A
- Authority
- CN
- China
- Prior art keywords
- temperature sensing
- heating
- heated
- thermal feedback
- food material
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000010025 steaming Methods 0.000 title claims abstract description 22
- 238000010438 heat treatment Methods 0.000 claims abstract description 277
- 235000013305 food Nutrition 0.000 claims abstract description 188
- 239000000463 material Substances 0.000 claims abstract description 123
- 238000005457 optimization Methods 0.000 claims description 32
- 230000004927 fusion Effects 0.000 claims description 15
- 230000000007 visual effect Effects 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 7
- 238000010411 cooking Methods 0.000 description 29
- 230000000694 effects Effects 0.000 description 20
- 230000008859 change Effects 0.000 description 11
- 235000013311 vegetables Nutrition 0.000 description 11
- 238000009826 distribution Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 235000016709 nutrition Nutrition 0.000 description 5
- 238000013021 overheating Methods 0.000 description 5
- 241000287828 Gallus gallus Species 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 235000008429 bread Nutrition 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 235000013372 meat Nutrition 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000012970 cakes Nutrition 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Electric Stoves And Ranges (AREA)
Abstract
本申请提供一种基于温度感知的微蒸烤箱控制方法及系统,属于智能家居控制技术领域,在该方法中,获取待加热食材的初始加热策略;在第一工作周期按照初始策略加热食材,并获取第一工作周期内各温度感知点的温度;根据第一工作周期内温度感知值构建热反馈模型,表征策略与温度的关系;根据初始策略和热反馈模型确定第二工作周期的加热策略;迭代执行第二工作周期加热,获取温度感知值,并更新热反馈模型。可以满足不同食材的加热需求,大大提高了用户满意度。
Description
技术领域
本申请涉及智能家居控制技术领域,尤其涉及一种基于温度感知的微蒸烤箱控制方法及系统。
背景技术
微蒸烤箱是一种结合了蒸煮和烘烤功能。它能够通过精确控制温度和湿度,同时利用蒸汽和热空气的组合,实现对食物的烹饪。微蒸烤箱通常具有多种预设烹饪模式,可用于烤面包、蛋糕、肉类等不同类型的食品。
而在目前的方案中,针对不同的食材,往往有不同的加热模式,但是均是达到快速加热食物的目的,而不是所有的食材都是加热越快越好,因此在食材加热的过程需要考虑食物本身的特性和热反馈特性。
发明内容
本申请实施例提供一种基于温度感知的微蒸烤箱控制方法及系统,本申请采用如下技术方案:
第一方面,提供一种基于温度感知的微蒸烤箱控制方法,烤箱内设置了多个温度感知点,方法包括:
获取待加热食材的初始加热策略;
在第一工作周期按照初始加热策略对待加热食材进行加热,并获取第一工作周期内各个温度感知点的温度感知值;
根据第一工作周期内各个温度感知点的温度感知值,构建待加热食材的热反馈模型,热反馈模型用于表征加热策略与温度感知值的对应关系;
根据初始加热策略和热反馈模型,确定第二工作周期的加热策略;
迭代执行在第二工作周期按照初始加热策略对待加热食材进行加热,获取在第二工作周期内温度感知点的温度感知值,根据第二工作周期的温度感知值,更新热反馈模型的步骤。
可选地,初始加热策略包括空间加热策略和属性加热策略,获取待加热食材的初始加热策略,包括:
获取待加热食材的多维视角图像,根据多维视角图像确定待加热食材的空间特征和种类特征;
根据待加热食材的空间特征和烤箱的空间特征匹配关系,确定待加热食材的空间加热策略;
根据待加热食材的种类特征和预设加热策略的匹配关系,确定待加热食材的属性加热策略。
可选地,根据第一工作周期的温度感知值,构建待加热食材的热反馈模型包括:
获取每个温度感知点的位置影响系数,其中,位置影响系数用于表征温度感知点与加热源的距离关系;
根据每个温度感知点的温度感知值和对应的位置影响系数,构建待加热食材的热反馈模型。
可选地,根据每个温度感知点的温度感知值和对应的位置影响系数,构建待加热食材的热反馈模型,包括:
分别以每个温度感知点为主优化目标,构建多个子热反馈模型;
根据每个主优化目标的优化能力,并根据优化能力确定每个子热反馈模型的融合系数;
根据每个子热反馈模型对应的融合系数,融合多个子热反馈模型,获得热反馈模型。
可选地,根据初始加热策略和热反馈模型,确定第二工作周期的加热策略,包括:
根据热反馈模型,确定初始加热策略的优化特征;
根据优化特征对初始加热策略进行优化,以获得第二工作周期的加热策略。
可选地,根据热反馈模型,确定初始加热策略的优化特征,包括:
确定热反馈模型的反馈准确度,并根据反馈准确度确定初始加热策略的优化特征。
可选地,方法还包括:
在退出迭代的情况下,确定待加热食材的最优回退温度;
根据第二工作周期的加热策略,确定待加热食材的最佳加热温度;
根据最佳加热温度和最优回退温度,确定待加热食材的温度回退策略。
第二方面,提供一种基于温度感知的微蒸烤箱控制系统,系统包括:
获取模块,用于获取待加热食材的初始加热策略;
第一执行模块,用于在第一工作周期按照初始加热策略对待加热食材进行加热,并获取第一工作周期内各个温度感知点的温度感知值;
模型确定模块,用于根据第一工作周期内各个温度感知点的温度感知值,构建待加热食材的热反馈模型,热反馈模型用于表征加热策略与温度感知值的对应关系;
更新模块,用于根据初始加热策略和热反馈模型,确定第二工作周期的加热策略;
第二执行模块,用于迭代执行在第二工作周期按照初始加热策略对待加热食材进行加热,获取在第二工作周期内温度感知点的温度感知值,根据第二工作周期的温度感知值,更新热反馈模型的步骤。
可选地,获取模块,包括:
图像获取子模块,用于获取待加热食材的多维视角图像,根据多维视角图像确定待加热食材的空间特征和种类特征;
第一匹配子模块,用于根据待加热食材的空间特征和烤箱的空间特征匹配关系,确定待加热食材的空间加热策略;
第二匹配子模块,用于根据待加热食材的种类特征和预设加热策略的匹配关系,确定待加热食材的属性加热策略。
可选地,模型确定模块包括:
位置系数获取子模块,用于获取每个温度感知点的位置影响系数,其中,位置影响系数用于表征温度感知点与加热源的距离关系;
构建子模块,用于根据每个温度感知点的温度感知值和对应的位置影响系数,构建待加热食材的热反馈模型。
可选地,构建子模块,包括:
子反馈模型构建单元,用于分别以每个温度感知点为主优化目标,构建多个子热反馈模型;
确定构建单元,用于根据每个主优化目标的优化能力,并根据优化能力确定每个子热反馈模型的融合系数;
融合构建单元,用于根据每个子热反馈模型对应的融合系数,融合多个子热反馈模型,获得热反馈模型。
可选地,更新模块,包括:
优化特征确定子模块,用于根据热反馈模型,确定初始加热策略的优化特征;
优化子模块,用于根据优化特征对初始加热策略进行优化,以获得第二工作周期的加热策略。
可选地,根据热反馈模型,优化特征确定子模块,包括:
确定单元,用于确定热反馈模型的反馈准确度,并根据反馈准确度确定初始加热策略的优化特征。
可选地,系统还包括,回退策略确定模块,回退策略确定模块包括:
最优回退温度确定子模块,用于在退出迭代的情况下,确定待加热食材的最优回退温度;
最佳加热温度确定子模块,用于根据第二工作周期的加热策略,确定待加热食材的最佳加热温度;
回退策略确定子模块,用于根据最佳加热温度和最优回退温度,确定待加热食材的温度回退策略。
综上,上述方法及系统具有如下技术效果:
首先,通过获取待加热食材的初始加热策略,并结合第一工作周期内各个温度感知点的实际温度数据构建热反馈模型,可以更精准地了解加热过程中温度的变化情况。这样,在确定第二工作周期的加热策略时,可以根据实际情况进行调整,以确保食材被均匀加热,避免过热或不足加热的情况发生。其次。 通过迭代执行的方式,在第二工作周期内获取温度感知点的实际温度数据,并根据这些数据更新热反馈模型,可以实现实时的反馈和优化。这样,可以不断地根据实际情况对加热策略进行调整,使其更加适应不同食材和烤箱状态的变化,从而实现更高效的加热效果。 通过动态调整加热策略,可以更好地控制加热过程,保证食材被均匀加热,同时避免过度或不足加热的情况发生。这样可以提高烹饪质量和一致性,确保食物的口感和营养成分得到充分保留,提升用户体验。 通过优化加热策略,可以减少能源的浪费,同时提高加热效率,从而节省能源和时间成本。这对于商业厨房和家庭烹饪都是非常有价值的,可以降低经营成本,提高生产效率,同时为用户节省时间和精力。
附图说明
图1为本申请实施例提供的基于温度感知的微蒸烤箱控制方法的流程示意图;
图2为本申请实施例提供的基于温度感知的微蒸烤箱控制系统模块示意图。
具体实施方式
下面将结合附图,对本申请中的技术方案进行描述。
虽然目前的方案针对不同的食材可能采用了不同的加热模式,但这些模式都旨在快速加热食物,而没有充分考虑到食材本身的特性以及热反馈特性。
在实际情况中,不同的食材具有不同的热传导性、密度、水含量等特性,因此它们对加热的响应也会有所不同。有些食材可能需要缓慢而均匀的加热,以确保内部和外部均匀升温,而另一些食材可能需要快速加热以避免失去口感或营养价值。
此外,食物在加热过程中会产生热反馈,即加热后的食物可能会继续保持一段时间的热量,并在停止加热后继续烹饪。因此,加热过程需要考虑到这种热反馈特性,以避免过度加热或过早停止加热导致食物质地不佳或烹饪不彻底的问题。
基于此,提出本申请的发明构思:根据食材的热反馈特性,来动态调整加热模式和加热时间。通过这种动态调整的方式,可以实现更加精准和高效的食物加热,提高烹饪效果和用户体验。
以待存储数据本身的多维属性来确定待存储数据的初始存储策略,结合用户的历史存储方式来对待存储数据的初始存储策略进行更新,使得不同的用户在不同的应用场景下能够采用最匹配的智能家居控制方式。
参照图1,基本申请的实施例提供了一种基于温度感知的微蒸烤箱控制方法,具体可以包括以下步骤:
S101:获取待加热食材的初始加热策略。
在本实施方式中,烤箱内设置了多个温度感知点,用于采集加热过程中待加热食材的热反馈温度,对于不同种类的食材,由于其个体大小等属性的差异,对其采用的加热策略也是不相同的。初始加热策略可以包括空间加热策略和属性加热策略,还包括策略的执行时间。
空间加热策略指的是根据食材所处的环境空间,来确定整体加热的方式和方法。这种策略主要考虑到加热设备的布局、加热区域的分布以及食材在加热过程中所处的位置。例如,如果加热设备具有多个加热区域,可以通过控制每个区域的加热功率或加热时间来实现对食材的均匀加热。另外,还可以根据食材所处的位置来调整加热区域的功率或时间,以确保食材的各个部分都能够得到充分的加热。
属性加热策略指的是根据食材的特性和需求,来确定个性化的加热方式和参数。这种策略主要考虑到食材的种类、形状、密度、含水量等属性特征。例如,对于不同种类的食材,可能需要采用不同的加热方式和时间,以达到最佳的烹饪效果。对于一些需要快速加热的食材,可以采用高功率、短时间的加热方式;而对于一些需要缓慢烹饪的食材,可能需要采用低功率、长时间的加热方式。属性加热策略可以根据食材的具体特性来进行调整,以实现最佳的加热效果和烹饪体验。
而其具体的实现步骤可以包括:
S1011:获取待加热食材的多维视角图像,根据多维视角图像确定待加热食材的空间特征和种类特征。
在本实施方式中,可以通过图像采集设备或传感器获取待加热食材的多维视角图像,以获取食材的详细外观信息。这些图像可以包括从不同角度、不同距离或不同光照条件下获取的图像,以提供全面的视角。获取到的图像可以通过计算机视觉技术进行处理和分析,从而确定食材的空间特征和种类特征。
在图像处理过程中,可以利用各种技术来提取食材的空间特征,如形状、大小、轮廓等。这些特征可以帮助确定食材的三维形状、体积和位置,进而为后续的加热策略提供基础信息。同时,也可以利用图像识别技术识别食材的种类特征,即确定食材的具体种类或类别,例如蔬菜、肉类、面包等。这些种类特征对于确定适当的加热策略和时间也至关重要。
通过对待加热食材的多维视角图像进行处理和分析,可以获取到食材的空间特征和种类特征,为后续的加热策略提供准确的参考依据。
S1012:根据待加热食材的空间特征和烤箱的空间特征匹配关系,确定待加热食材的空间加热策略。
在本实施方式中,根据待加热食材的形状、大小以及烤箱的大小、形状等特征之间的匹配关系,来确定最适合的加热策略。具体来说,就是要考虑食材在烤箱内的位置、布局以及与烤箱空间的相对关系,以确定最佳的加热方式和时间分配,确保食材可以均匀受热,达到理想的烹饪效果。
示例的,假设有一块厚切牛排和一些蔬菜需要在烤箱中加热。首先,利用前面采集的多维视角图像确定牛排和蔬菜的空间特征,例如牛排的厚度、形状以及蔬菜的种类和大小。接着,分析烤箱的空间特征,包括大小、内部结构等。然后,根据这些特征,确定牛排和蔬菜在烤箱内的最佳位置,以确保它们可以均匀受热。比如,牛排可能需要放在烤箱中间的较高位置,而蔬菜可以放在牛排周围或下方的烤盘上。最后,根据食材的位置和烤箱的特征,制定相应的加热策略,可能是采用不同的温度和时间来烹饪不同的食材。
通过这样的匹配关系分析,可以有效地优化加热策略,提高烹饪效果,确保食材均匀受热,达到理想的烹饪效果
S1013:根据待加热食材的种类特征和预设加热策略的匹配关系,确定待加热食材的属性加热策略。
在本实施方式中,根据食材的种类以及预先设定的加热策略,来确定每种食材应该采取的特定加热方法和参数。这种匹配关系可以根据食材的热传导特性、密度、含水量、烹饪需求等因素来确定。
示例的,假设有两种食材:鸡肉和蔬菜。针对这两种食材,其对应的属性加热策略是不相同。鸡肉通常需要更高的温度和较长的时间来彻底烹饪,以确保内部完全熟透,避免食品安全问题。因此,对于鸡肉,属性加热策略可能包括:较高的加热温度(例如,180摄氏度)以确保彻底烹饪。相对较长的加热时间(例如,40分钟),以确保鸡肉的内部也被充分加热。可能采用传统的热风循环加热方式,以保持食物表面的脆皮和美观。
对于蔬菜,通常希望保持其色泽、口感和营养成分,而不是过度烹饪。因此,对于蔬菜,属性加热策略可能包括:相对较低的加热温度(例如,160摄氏度),以避免过度烹饪。相对较短的加热时间(例如,20分钟),以确保蔬菜不会过分软化或失去营养。可能采用较柔和的加热方式,如底部加热或者蒸汽烹饪,以保持蔬菜的鲜嫩度。
S102:在第一工作周期按照初始加热策略对待加热食材进行加热,并获取第一工作周期内各个温度感知点的温度感知值。
在本实施方式中,在确定待加热食材的初始加热策略之后,根据预设的初始加热策略,烤箱开始对待加热食材进行加热。在加热过程中,烤箱会通过内置的温度感知点或传感器实时监测食材及其周围环境的温度变化。这些温度感知点可能位于烤箱内部的不同位置,以全面地了解食材的加热情况。温度感知点可以是烤箱内部的温度传感器或者食材表面的温度探测器。烤箱会在第一工作周期内定期记录各个温度感知点的温度感知值。这些记录可以是温度的实时数值或者是一系列温度数据的采样值。通过记录温度感知值,可以了解食材加热的过程和趋势,从而进行后续的控制和调整。
S103:根据第一工作周期内各个温度感知点的温度感知值,构建待加热食材的热反馈模型。
在本实施方式中,根据第一工作周期内各个温度感知点的温度感知值,建立一个模型来预测待加热食材的热反馈情况。
一旦收集到了第一工作周期内的温度数据,就可以利用这些数据来构建热反馈模型。这个模型可以是一个数学模型,也可以是一个基于机器学习的模型,它将温度感知值作为输入,并输出一个预测的热反馈情况。热反馈模型可以帮助理解加热策略和温度感知值之间的关系。
在实际应用中,这个热反馈模型可以用来优化加热策略。通过监测温度感知值并将其输入到模型中,可以预测加热过程中的热反馈情况,从而调整加热策略以更好地满足食材的烹饪需求。这种方法可以提高加热的效率和准确性,确保食物被完全加热而不会过度加热,从而提高烹饪质量。而构建热反馈模型的具体步骤可以包括:
S1031:获取每个温度感知点的位置影响系数。
在本实施方式中,位置影响系数,用于表征温度感知点与加热源之间的距离关系。在热力学和热传导中,距离加热源越近的地方温度通常会更高,而距离加热源较远的地方温度则会较低。因此,位置影响系数是一个用于量化这种距离关系的参数。通过获取每个温度感知点的位置影响系数,可以了解到这些点与加热源之间的距离如何影响温度的分布。这对于优化加热策略和预测温度变化非常重要。在实际操作中,可以利用物理模型或者实验数据来确定位置影响系数。例如,可以通过实验测量不同距离加热源的温度分布,并根据实验数据来计算位置影响系数。另一种方法是利用数值模拟和计算方法,根据热传导方程和几何结构来估算位置影响系数。
S1032:根据每个温度感知点的温度感知值和对应的位置影响系数,构建待加热食材的热反馈模型。
在本实施方式中,根据每个温度感知点的温度感知值以及其对应的位置影响系数,构建一个热反馈模型,以更精确地预测待加热食材的热反馈情况。
首先,需要了解每个温度感知点的温度感知值,这些值反映了热量在烤箱内的分布情况。这些温度感知值可以通过温度传感器或其他温度检测设备获取。
其次,对于每个温度感知点,还需要考虑其对待加热食材的影响程度,这可以通过位置影响系数来表示。位置影响系数可以考虑温度传感器的位置相对于食材的位置以及传热方式等因素。例如,靠近食材表面的温度传感器可能对食材的加热影响更大,而靠近烤箱边缘的温度传感器可能影响较小。
最后,根据温度感知值和位置影响系数,可以构建一个热反馈模型。这个模型可以是一个数学模型,如多元线性回归模型,也可以是一个基于机器学习的模型,如神经网络模型。通过将温度感知值和位置影响系数作为输入,模型可以输出一个预测的热反馈情况,帮助更准确地理解加热过程中的热量分布情况。通过构建热反馈模型,可以更好地理解烤箱内的热量分布情况。而构建待加热食材的热反馈模型的具体步骤可以包括:
S10321:分别以每个温度感知点为主优化目标,构建多个子热反馈模型;
S10322:根据每个主优化目标的优化能力,并根据优化能力确定每个子热反馈模型的融合系数;
S10323:根据每个子热反馈模型对应的融合系数,融合多个子热反馈模型,获得热反馈模型。
在S10321至S10323的实施方式中,针对每个温度感知点分别建立独立的热反馈模型。每个模型都以对应温度感知点的温度感知值为输入,并以该温度感知点的加热效果为主要优化目标。这样可以更精确地捕捉热反馈的细微变化。考虑到每个子热反馈模型的优化能力,即每个模型对温度感知点的加热效果的贡献程度。根据每个主优化目标的优化能力,确定每个子模型在整体热反馈模型中的权重或融合系数。这些系数可以根据模型的性能、精度或其他评估指标来确定。 最后,根据每个子热反馈模型的融合系数,将多个子模型融合成一个整体的热反馈模型。这可以通过加权平均或其他组合方法来实现。融合后的模型将考虑到每个温度感知点的加热效果,并综合考虑各个子模型的优化能力,从而更准确地预测待加热食材的热反馈情况。
将温度感知点作为主要优化目标,构建了多个子热反馈模型,并通过考虑每个模型的优化能力确定了它们的融合系数,最终将这些子模型融合成一个整体的热反馈模型。这样做的好处在于可以更精准地捕捉热反馈的细微变化,综合考虑多个温度感知点的加热效果,从而优化加热策略。
S104:根据初始加热策略和热反馈模型,确定第二工作周期的加热策略。
在本实施方式中,在第一个工作周期中,使用了预先设定的加热策略来加热食材。然而,由于食材的特性、烤箱的状态等因素,实际的加热效果可能与预期不同。因此,需要利用热反馈模型来分析第一个工作周期中温度感知点的实际温度数据,并结合初始加热策略,调整第二工作周期的加热策略。具体来说,根据热反馈模型,可以预测在当前的烤箱状态下,不同位置上的温度变化情况。然后,结合初始加热策略,可以进行优化调整,以更好地满足食材的烹饪需求。这可能包括调整加热时间、温度设定或者加热方式等参数,以确保食材能够均匀受热,达到理想的烹饪效果。而其具体的实现步骤可以包括:
S1041:根据热反馈模型,确定初始加热策略的优化特征。
在一种可行的实施方式中,其具体包括:确定热反馈模型的反馈准确度,并根据反馈准确度确定初始加热策略的优化特征。
在本实施方式中,首先,需要评估热反馈模型的准确度,即模型对温度感知点的预测能力。这可以通过比较模型预测的温度与实际温度之间的差异来完成。如果模型预测的温度与实际温度相符,则说明模型具有较高的准确度;反之,则需要进一步改进模型。
一旦确定了热反馈模型的准确度,就可以根据准确度来调整初始加热策略的优化特征。如果模型的准确度较高,即模型能够准确地预测温度感知点的温度变化,那么可以相对信任模型的预测结果,进而根据模型提供的反馈信息进行加热策略的调整。
例如,如果模型表现良好,可以更加积极地利用模型提供的热反馈信息来调整初始加热策略。这可能包括根据模型预测的温度变化调整加热时间、温度设定或者加热方式等参数,以进一步优化烹饪效果。
反之,如果模型的准确度较低,可能需要对模型进行进一步的改进或调整。在这种情况下,可能会更加谨慎地使用模型提供的反馈信息,并结合人工经验或其他辅助方法来进行加热策略的调整。
S1042:根据优化特征对初始加热策略进行优化,以获得第二工作周期的加热策略。
在本实施方式中,优化特征指的是根据热反馈模型分析第一个工作周期中温度感知点的实际温度数据所得到的特征或信息,这些信息可能包括不同位置的温度变化趋势、加热效率、热传导速度等。根据这些优化特征,可以对初始加热策略进行调整,以获得第二工作周期的加热策略。
具体而言,可以利用热反馈模型对第一个工作周期中的加热过程进行分析,了解不同位置上的温度变化情况,并比较实际温度数据与预期温度的差异。根据这些差异和优化特征,可以确定哪些方面需要改进或调整。例如,如果发现某些区域温度过高或过低,可以相应地调整加热时间、温度设置或加热方式,以实现更均匀的加热效果。
通过根据优化特征对初始加热策略进行优化,可以更好地适应烤箱内部温度变化和食材特性,从而提高第二工作周期的加热效率和烹饪质量。这种方法可以帮助更精准地控制加热过程,避免过度或不足加热,实现更理想的烹饪结果。
S105:迭代执行在第二工作周期按照初始加热策略对待加热食材进行加热,获取在第二工作周期内温度感知点的温度感知值,根据第二工作周期的温度感知值,更新热反馈模型的步骤。
在本实施方式中,在第二工作周期中,迭代执行加热过程,首先按照初始加热策略对待加热食材进行加热,然后获取第二工作周期内温度感知点的温度感知值,并根据这些新的温度数据来更新热反馈模型。
具体来说,迭代执行加热过程意味着在第二个工作周期中,会继续使用初始加热策略来加热食材。一旦加热完成,会收集并记录第二工作周期内温度感知点的温度感知值,这些值可以反映出第二个工作周期内烤箱内部的实际温度分布情况。
接下来,将利用这些新的温度感知值来更新热反馈模型。通过比较第二工作周期内的实际温度数据与之前建立的模型预测值之间的差异,可以发现可能存在的加热效果偏差或温度分布不均匀的问题。然后,可以使用这些新数据来调整或修正热反馈模型,使其更加准确地反映烤箱内部的实际情况。
通过迭代执行加热过程并更新热反馈模型,可以不断优化加热策略,以更好地适应食材的特性和烤箱内部的温度变化,从而实现更高质量的烹饪结果。
在一种可行的实施方式中,方法还包括:在退出迭代的情况下,确定待加热食材的最优回退温度;
根据第二工作周期的加热策略,确定待加热食材的最佳加热温度;
根据最佳加热温度和最优回退温度,确定待加热食材的温度回退策略。
在本实施方式中,在退出前述的迭代步骤时,需要确定待加热食材的最优回退温度。回退温度指的是在停止加热后,食材仍然会继续保持一段时间的热量,即热反馈的温度。通过确定最优回退温度,可以更好地控制食材的加热过程,避免过度加热或烤焦。 根据第二工作周期的加热策略,需要确定待加热食材的最佳加热温度。这是在考虑到热反馈模型、实际温度数据和初始加热策略的基础上,调整加热参数以达到最佳烹饪效果的温度。通过确定最佳加热温度,可以确保食材在加热过程中达到理想的熟度和口感,同时减少能源浪费和食材损耗。 最后,根据确定的最佳加热温度和最优回退温度,需要确定待加热食材的温度回退策略。这一步骤涉及到如何控制食材在停止加热后的温度变化,以保证食材在上桌前的最佳状态。可能的措施包括设定冷却时间、温度控制等,以确保食材在烹饪结束后能够达到理想的食用温度和口感。
通过以上步骤,可以全面考虑加热过程中的热反馈效应,优化加热参数,从而提高烹饪效果,保证食材质量,并减少能源消耗。
本申请实施例提供的基于温度感知的微蒸烤箱控制方法,通过获取待加热食材的初始加热策略,并结合第一工作周期内各个温度感知点的实际温度数据构建热反馈模型,可以更精准地了解加热过程中温度的变化情况。这样,在确定第二工作周期的加热策略时,可以根据实际情况进行调整,以确保食材被均匀加热,避免过热或不足加热的情况发生。其次。 通过迭代执行的方式,在第二工作周期内获取温度感知点的实际温度数据,并根据这些数据更新热反馈模型,可以实现实时的反馈和优化。这样,可以不断地根据实际情况对加热策略进行调整,使其更加适应不同食材和烤箱状态的变化,从而实现更高效的加热效果。通过动态调整加热策略,可以更好地控制加热过程,保证食材被均匀加热,同时避免过度或不足加热的情况发生。这样可以提高烹饪质量和一致性,确保食物的口感和营养成分得到充分保留,提升用户体验。 通过优化加热策略,可以减少能源的浪费,同时提高加热效率,从而节省能源和时间成本。这对于商业厨房和家庭烹饪都是非常有价值的,可以降低经营成本,提高生产效率,同时为用户节省时间和精力。
以上结合图1详细说明了本申请实施例提供的基于温度感知的微蒸烤箱控制方法。参阅图2,以下详细说明用于执行本申请实施例提供的基于温度感知的微蒸烤箱控制方法的系统。
该系统包括:
获取模块201,用于获取待加热食材的初始加热策略;
第一执行模块202,用于在第一工作周期按照初始加热策略对待加热食材进行加热,并获取第一工作周期内各个温度感知点的温度感知值;
模型确定模块203,用于根据第一工作周期内各个温度感知点的温度感知值,构建待加热食材的热反馈模型,热反馈模型用于表征加热策略与温度感知值的对应关系;
更新模块204,用于根据初始加热策略和热反馈模型,确定第二工作周期的加热策略;
第二执行模块205,用于迭代执行在第二工作周期按照初始加热策略对待加热食材进行加热,获取在第二工作周期内温度感知点的温度感知值,根据第二工作周期的温度感知值,更新热反馈模型的步骤。
在一种可行的实施方式中,获取模块,包括:
图像获取子模块,用于获取待加热食材的多维视角图像,根据多维视角图像确定待加热食材的空间特征和种类特征;
第一匹配子模块,用于根据待加热食材的空间特征和烤箱的空间特征匹配关系,确定待加热食材的空间加热策略;
第二匹配子模块,用于根据待加热食材的种类特征和预设加热策略的匹配关系,确定待加热食材的属性加热策略。
在一种可行的实施方式中,模型确定模块包括:
位置系数获取子模块,用于获取每个温度感知点的位置影响系数,其中,位置影响系数用于表征温度感知点与加热源的距离关系;
构建子模块,用于根据每个温度感知点的温度感知值和对应的位置影响系数,构建待加热食材的热反馈模型。
在一种可行的实施方式中,构建子模块,包括:
子反馈模型构建单元,用于分别以每个温度感知点为主优化目标,构建多个子热反馈模型;
确定构建单元,用于根据每个主优化目标的优化能力,并根据优化能力确定每个子热反馈模型的融合系数;
融合构建单元,用于根据每个子热反馈模型对应的融合系数,融合多个子热反馈模型,获得热反馈模型。
在一种可行的实施方式中,更新模块,包括:
优化特征确定子模块,用于根据热反馈模型,确定初始加热策略的优化特征;
优化子模块,用于根据优化特征对初始加热策略进行优化,以获得第二工作周期的加热策略。
在一种可行的实施方式中,根据热反馈模型,优化特征确定子模块,包括:
确定单元,用于确定热反馈模型的反馈准确度,并根据反馈准确度确定初始加热策略的优化特征。
在一种可行的实施方式中,系统还包括,回退策略确定模块,回退策略确定模块包括:
最优回退温度确定子模块,用于在退出迭代的情况下,确定待加热食材的最优回退温度;
最佳加热温度确定子模块,用于根据第二工作周期的加热策略,确定待加热食材的最佳加热温度;
回退策略确定子模块,用于根据最佳加热温度和最优回退温度,确定待加热食材的温度回退策略。
上述实施例,可以全部或部分地通过软件、硬件(如电路)、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行计算机指令或计算机程序时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程系统。计算机程序或指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机程序或指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等智能家居控制设备。可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,其中A,B可以是单数或者复数。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系,但也可能表示的是一种“和/或”的关系,具体可参考前后文进行理解。
本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a, b, c, a-b, a-c, b-c, 或a-b-c,其中a,b,c可以是单个,也可以是多个。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、系统和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,系统或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请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)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于温度感知的微蒸烤箱控制方法,其特征在于,烤箱内设置了多个温度感知点,方法包括:
获取待加热食材的初始加热策略;
在第一工作周期按照初始加热策略对待加热食材进行加热,并获取第一工作周期内各个温度感知点的温度感知值;
根据第一工作周期内各个温度感知点的温度感知值,构建待加热食材的热反馈模型,热反馈模型用于表征加热策略与温度感知值的对应关系;
根据初始加热策略和热反馈模型,确定第二工作周期的加热策略;
迭代执行在第二工作周期按照初始加热策略对待加热食材进行加热,获取在第二工作周期内温度感知点的温度感知值,根据第二工作周期的温度感知值,更新热反馈模型的步骤。
2.根据权利要求1所述的方法,其特征在于,所述初始加热策略包括空间加热策略和属性加热策略,获取待加热食材的初始加热策略,包括:
获取所述待加热食材的多维视角图像,根据所述多维视角图像确定所述待加热食材的空间特征和种类特征;
根据所述待加热食材的所述空间特征和烤箱的空间特征匹配关系,确定所述待加热食材的空间加热策略;
根据所述待加热食材的所述种类特征和预设加热策略的匹配关系,确定所述待加热食材的属性加热策略。
3.根据权利要求1所述的方法,其特征在于,根据第一工作周期的温度感知值,构建待加热食材的热反馈模型包括:
获取每个温度感知点的位置影响系数,其中,所述位置影响系数用于表征温度感知点与加热源的距离关系;
根据每个所述温度感知点的温度感知值和对应的位置影响系数,构建所述待加热食材的热反馈模型。
4.根据权利要求3所述的方法,其特征在于,根据每个温度感知点的温度感知值和对应的位置影响系数,构建待加热食材的热反馈模型,包括:
分别以每个所述温度感知点为主优化目标,构建多个子热反馈模型;
根据每个主优化目标的优化能力,并根据所述优化能力确定每个所述子热反馈模型的融合系数;
根据每个所述子热反馈模型对应的融合系数,融合多个所述子热反馈模型,获得所述热反馈模型。
5.根据权利要求1所述的方法,其特征在于,根据初始加热策略和热反馈模型,确定第二工作周期的加热策略,包括:
根据所述热反馈模型,确定所述初始加热策略的优化特征;
根据所述优化特征对所述初始加热策略进行优化,以获得所述第二工作周期的加热策略。
6.根据权利要求5所述的方法,其特征在于,根据热反馈模型,确定初始加热策略的优化特征,包括:
确定所述热反馈模型的反馈准确度,并根据所述反馈准确度确定所述初始加热策略的优化特征。
7.根据权利要求1-6任一项所述的方法,其特征在于,方法还包括:
在退出迭代的情况下,确定所述待加热食材的最优回退温度;
根据所述第二工作周期的加热策略,确定所述待加热食材的最佳加热温度;
根据所述最佳加热温度和所述最优回退温度,确定所述待加热食材的温度回退策略。
8.一种基于温度感知的微蒸烤箱控制系统,其特征在于,系统包括:
获取模块,用于获取待加热食材的初始加热策略;
第一执行模块,用于在第一工作周期按照初始加热策略对待加热食材进行加热,并获取第一工作周期内各个温度感知点的温度感知值;
模型确定模块,用于根据第一工作周期内各个温度感知点的温度感知值,构建待加热食材的热反馈模型,热反馈模型用于表征加热策略与温度感知值的对应关系;
更新模块,用于根据初始加热策略和热反馈模型,确定第二工作周期的加热策略;
第二执行模块,用于迭代执行在第二工作周期按照初始加热策略对待加热食材进行加热,获取在第二工作周期内温度感知点的温度感知值,根据第二工作周期的温度感知值,更新热反馈模型的步骤。
9.根据权利要求8所述的系统,其特征在于,获取模块,包括:
图像获取子模块,用于获取所述待加热食材的多维视角图像,根据所述多维视角图像确定所述待加热食材的空间特征和种类特征;
第一匹配子模块,用于根据所述待加热食材的所述空间特征和烤箱的空间特征匹配关系,确定所述待加热食材的空间加热策略;
第二匹配子模块,用于根据所述待加热食材的所述种类特征和预设加热策略的匹配关系,确定所述待加热食材的属性加热策略。
10.根据权利要求8所述的系统,其特征在于,模型确定模块包括:
位置系数获取子模块,用于获取每个温度感知点的位置影响系数,其中,所述位置影响系数用于表征温度感知点与加热源的距离关系;
构建子模块,用于根据每个所述温度感知点的温度感知值和对应的位置影响系数,构建所述待加热食材的热反馈模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410194585.9A CN117762021A (zh) | 2024-02-22 | 2024-02-22 | 基于温度感知的微蒸烤箱控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410194585.9A CN117762021A (zh) | 2024-02-22 | 2024-02-22 | 基于温度感知的微蒸烤箱控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117762021A true CN117762021A (zh) | 2024-03-26 |
Family
ID=90326073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410194585.9A Pending CN117762021A (zh) | 2024-02-22 | 2024-02-22 | 基于温度感知的微蒸烤箱控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117762021A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN209153277U (zh) * | 2018-06-13 | 2019-07-26 | 上海达显智能科技有限公司 | 一种烤箱及一种智能烤箱 |
CN110595622A (zh) * | 2019-08-01 | 2019-12-20 | 广东美的白色家电技术创新中心有限公司 | 一种红外测温方法及加热设备 |
CN111290352A (zh) * | 2020-01-23 | 2020-06-16 | 深圳市大拿科技有限公司 | 烘焙控制方法及相关产品 |
CN111972971A (zh) * | 2019-05-23 | 2020-11-24 | 九阳股份有限公司 | 一种蒸烤烹饪方法和蒸烤烹饪设备 |
CN113854851A (zh) * | 2021-08-17 | 2021-12-31 | 青岛海尔科技有限公司 | 食材加热方法及装置、存储介质及电子装置 |
CN114305153A (zh) * | 2022-01-27 | 2022-04-12 | 深圳市发掘科技有限公司 | 一种智能烤箱的食物加热温度控制方法、装置以及存储介质 |
CN114815919A (zh) * | 2021-01-19 | 2022-07-29 | 青岛海尔智慧厨房电器有限公司 | 用于烤箱的温度控制方法及烤箱 |
CN115325577A (zh) * | 2022-07-22 | 2022-11-11 | 广东美的厨房电器制造有限公司 | 微波加热控制方法及微波加热装置、计算机存储介质 |
CN115349760A (zh) * | 2022-08-29 | 2022-11-18 | 海信家电集团股份有限公司 | 烹饪规则调整方法及烤箱 |
CN116158674A (zh) * | 2023-02-28 | 2023-05-26 | 海信家电集团股份有限公司 | 一种烤箱及其控制方法 |
-
2024
- 2024-02-22 CN CN202410194585.9A patent/CN117762021A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN209153277U (zh) * | 2018-06-13 | 2019-07-26 | 上海达显智能科技有限公司 | 一种烤箱及一种智能烤箱 |
CN111972971A (zh) * | 2019-05-23 | 2020-11-24 | 九阳股份有限公司 | 一种蒸烤烹饪方法和蒸烤烹饪设备 |
CN110595622A (zh) * | 2019-08-01 | 2019-12-20 | 广东美的白色家电技术创新中心有限公司 | 一种红外测温方法及加热设备 |
CN111290352A (zh) * | 2020-01-23 | 2020-06-16 | 深圳市大拿科技有限公司 | 烘焙控制方法及相关产品 |
CN114815919A (zh) * | 2021-01-19 | 2022-07-29 | 青岛海尔智慧厨房电器有限公司 | 用于烤箱的温度控制方法及烤箱 |
CN113854851A (zh) * | 2021-08-17 | 2021-12-31 | 青岛海尔科技有限公司 | 食材加热方法及装置、存储介质及电子装置 |
CN114305153A (zh) * | 2022-01-27 | 2022-04-12 | 深圳市发掘科技有限公司 | 一种智能烤箱的食物加热温度控制方法、装置以及存储介质 |
CN115325577A (zh) * | 2022-07-22 | 2022-11-11 | 广东美的厨房电器制造有限公司 | 微波加热控制方法及微波加热装置、计算机存储介质 |
CN115349760A (zh) * | 2022-08-29 | 2022-11-18 | 海信家电集团股份有限公司 | 烹饪规则调整方法及烤箱 |
CN116158674A (zh) * | 2023-02-28 | 2023-05-26 | 海信家电集团股份有限公司 | 一种烤箱及其控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230039201A1 (en) | Tailored food preparation with an oven | |
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 | |
US10681776B2 (en) | Electronic oven with infrared evaluative control | |
JP3818601B2 (ja) | 調理装置および調理装置の制御方法 | |
US5389764A (en) | Automatic cooking appliance employing a neural network for cooking control | |
EP3650758B1 (en) | Automatic cooking device, method for operating an automatic cooking device, and computer-readable recording medium | |
US11339971B2 (en) | Oven with automatic control of pan elevation | |
KR102342815B1 (ko) | 레시피 제공 시스템 및 방법 | |
CA3199520A1 (en) | Heat treatment monitoring system | |
CN112947261A (zh) | 一种烹饪器具的控制方法及控制装置 | |
CN114711644B (zh) | 烹饪装置的控制方法、控制装置、存储介质和烹饪装置 | |
JP2021063608A (ja) | 加熱調理システム | |
CN113167477A (zh) | 用于运行家用烹饪器具的方法和家用烹饪器具 | |
CN112426060A (zh) | 控制方法、烹饪器具、服务器和可读存储介质 | |
CN112168001A (zh) | 烹饪设备和烹饪方法 | |
WO2020148418A1 (fr) | Procede de controle de la cuisson d'un produit alimentaire dans une enceinte a convection avec circulation de fluide | |
US20240151402A1 (en) | Cooking device and control method thereof, and computer-readable storage medium | |
CN117762021A (zh) | 基于温度感知的微蒸烤箱控制方法及系统 | |
EP4280813A1 (en) | System and method for moisture and ambient humidity level prediction for food doneness | |
JP2022524015A (ja) | レシピ提供システム及び方法 | |
CN109798550A (zh) | 灶具火力控制方法、装置及灶具 | |
Cabeza-Gil et al. | Digital twins for monitoring and predicting the cooking of food products: a case study for a French crêpe | |
JP2021103038A (ja) | 調理機器 | |
CN114831497B (zh) | 基于食材形态自动调整热源分布的烹饪方法及其智能烹饪器具 | |
US20230018647A1 (en) | Real-time automated cooking cycles system using computer vision and deep learning |
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 |