EP4595023A1 - Bestimmen eines gargrads von gargut - Google Patents

Bestimmen eines gargrads von gargut

Info

Publication number
EP4595023A1
EP4595023A1 EP23769294.2A EP23769294A EP4595023A1 EP 4595023 A1 EP4595023 A1 EP 4595023A1 EP 23769294 A EP23769294 A EP 23769294A EP 4595023 A1 EP4595023 A1 EP 4595023A1
Authority
EP
European Patent Office
Prior art keywords
cooking
value
doneness
actual
food
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
EP23769294.2A
Other languages
English (en)
French (fr)
Inventor
Karol BADOWSKI
Ramon Peinado Adiego
Hector Martinez Landa
Ana Belen CAMBRA LINES
Hans-Martin Eiter
Alejandro RITUERTO SIN
Jorge ESCRIBANO JIMENEZ
Sergio GRACIA BOSQUE
Soraya SANTANA DE LA FE
Blanca Grillo Zamora
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.)
BSH Hausgeraete GmbH
Original Assignee
BSH Hausgeraete GmbH
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 BSH Hausgeraete GmbH filed Critical BSH Hausgeraete GmbH
Publication of EP4595023A1 publication Critical patent/EP4595023A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24C—DOMESTIC STOVES OR RANGES ; DETAILS OF DOMESTIC STOVES OR RANGES, OF GENERAL APPLICATION
    • F24C7/00—Stoves or ranges heated by electric energy
    • F24C7/08—Arrangement or mounting of control or safety devices
    • F24C7/082—Arrangement or mounting of control or safety devices on ranges, e.g. control panels, illumination
    • F24C7/085—Arrangement or mounting of control or safety devices on ranges, e.g. control panels, illumination on baking ovens

Definitions

  • the invention relates to a method for determining a degree of doneness of food treated in a household cooking appliance, in which at least one image of the food to be cooked is recorded using a cooking chamber camera, an algorithm based on at least one Kl model from the at least one image creates a measure for the Outputs actual doneness value representing doneness and at least one action is triggered based on the actual doneness value.
  • the invention also relates to a household cooking appliance, wherein the household cooking appliance has a cooking chamber and a cooking chamber camera and is set up to run the method. The invention is particularly advantageously applicable to ovens.
  • EP 3 477206 A1 discloses a cooking appliance comprising a cooking chamber and an imaging device for capturing an image of a food item within the chamber.
  • a computing device may be configured to calculate a parameter for the food based on the captured image, which may be displayed on a user interface.
  • a data processing device is in communication with a camera and comprises a software module configured to receive the captured image from the camera and calculate a degree of browning.
  • a user interface is configured to display a visual scale indicating the degree of browning.
  • US 2021/0137311 A1 discloses a Kl (Artificial Intelligence) device comprising a cooking unit configured to cook a food by applying heat, a memory configured to store a cooking class classification model for determining a degree of cooking class of a food is, a camera configured to detect the food, and a processor configured to determine a degree of doneness from an image of the captured food using the doneness classification model to determine whether the determined degree of doneness Cooking class is equal to a level of a user preference class, and if the determined level of the cooking level is equal to the level of the user preference class as a result of determining, controlling the cooking unit to stop cooking the food.
  • Kl Artificial Intelligence
  • Training data that is used for Supervised learning of the cooking class classification model can be labeled with a cooking class, and the cooking class classification model can be trained using the labeled training data.
  • the doneness levels can be divided into a first level (very lightly cooked), a second level (lightly cooked), a third level (moderately cooked), a fourth level (moderately to thoroughly cooked), a fifth level (thoroughly cooked), and a sixth stage (very thoroughly cooked).
  • the cooking class classification model can be trained for the purpose of precisely inferring a marked cooking class from the state of the recorded food image.
  • the doneness class classification model can determine model parameters included in an artificial neural network to minimize a cost function through supervised learning.
  • the task is solved by a method for determining a degree of doneness of food treated in a household cooking appliance, in which
  • a regression analysis algorithm based on at least one Kl model outputs an actual doneness value representing a measure of the degree of doneness from the at least one image
  • At least one action is or can be triggered based on the actual doneness value.
  • the regression analysis algorithm therefore does not use, for example in contrast to US 2021/0137311 A1, a classification into numerically limited cooking classes, but analyses the at least one image and calculates an actual cooking level value in the form of a number whose value range is basically continuous.
  • the at least a Kl model has been trained to calculate the actual cooking level based on at least one image entered. It does not require pre-trained classes, but works in a continuous space or a continuous domain. This in turn has the advantage that the household cooking appliance can offer a user a wider range of cooking results to be achieved without being limited to pre-trained classes.
  • a further advantage is that the actual cooking level can be used to monitor and, if necessary, control a cooking process before the end of the cooking time with high precision.
  • the degree of doneness is in particular a measure of the condition of the food to be cooked due to cooking.
  • the actual doneness value is a numerical value from a continuous result space of the algorithm.
  • the actual doneness value corresponds to the current doneness value of the food being cooked, calculated from the image.
  • the household cooking appliance can be, for example, an oven, in particular an oven, a steam cooking appliance, a microwave appliance or any combination thereof, e.g. an oven with a steam treatment and/or microwave function.
  • the household cooking appliance can have a cooking chamber that can be loaded with food to be cooked, the loading opening of which, in particular at the front, can be closed by a door.
  • the cooking chamber camera is in particular a digital camera, in particular a color camera.
  • the cooking chamber camera is set up and arranged to take pictures of the cooking chamber, whereby in particular the food to be cooked in the cooking chamber is also shown in the images.
  • an image of the food being cooked is taken using a cooking chamber camera can include the food being cooked being taken together with the surroundings of the food being cooked (e.g. a cooking chamber wall, a food carrier, etc.).
  • the at least one image that is fed as input to the AI model-based regression analysis algorithm also shows the surroundings of the cooking chamber.
  • only pixels or image sections of the at least one image that show the food being cooked are fed to the algorithm.
  • the separation of the image section showing the food being cooked from a recorded image can be carried out using basically known methods such as object recognition, etc.
  • the at least one Kl model can comprise or be based on one Kl model or several Kl models.
  • the regression analysis algorithm based on the at least one Kl model may include a linear regression or a non-linear regression such as a non-parametric regression, semi-parametric regression or a robust regression.
  • the linear regression is advantageously particularly easy to implement and evaluate.
  • the at least one Kl model can include one or more artificial neural networks.
  • a regression analysis algorithm based on at least one Kl model is understood in particular to mean an algorithm which processes the entered at least one image using at least one trained Kl model and outputs a numerical value as a result, namely the actual doneness value.
  • the at least one Kl model is therefore trained to determine the degree of doneness from the input image.
  • the training or learning can be carried out as part of machine learning, in particular supervised learning. Training refers to the ability of an artificial intelligence to reproduce regularities.
  • the regression represents in particular the learning algorithm. Training can be carried out, for example, using experimentally determined data, using data from a dedicated training database, using simulated data such as brightened and/or darkened measurement images, rotations, reflections, images with reduced contrast, color shifts, etc . be performed.
  • the fact that the regression analysis algorithm outputs the actual cooking level value from or based on the at least one image includes in particular that the at least one image is used as a starting point or basis or input data set for the regression analysis algorithm. This can include that the pixels or pixel values of the image (or a section thereof) are used as input variables for the regression analysis algorithm. It is a further development that not the pixel values of the image, i.e. those, but variables derived from them, such as a so-called feature vector, are used as input variables for the regression analysis algorithm.
  • the fact that at least one action can be triggered based on the actual cooking level value includes in particular that at least one action is triggered when the actual cooking level value (e.g.
  • the regression analysis algorithm outputs the actual doneness value from exactly one image.
  • the regression analysis algorithm uses exactly one image to calculate the actual doneness value. This is advantageous in order to keep computing power low and advantageously also results in a particularly quick calculation of the actual degree of doneness.
  • One embodiment is that several images of the food being cooked are taken in chronological order using a cooking chamber camera and the regression analysis algorithm outputs an actual cooking level value from the several images that represents a measure of the degree of cooking.
  • the regression analysis algorithm uses a sequence of images to calculate the actual degree of cooking. This is advantageous in order to be able to determine the actual degree of cooking particularly precisely and more robustly or less prone to errors.
  • the sequence of images can, for example, include a number of n images last taken to carry out the method ("running window"), or, for example, the images taken to carry out the method since the beginning of the method can be used, with the number of images then increasing as the cooking time progresses, e.g. to up to 80 or even more images taken at different times.
  • certain images can be given a higher weight in the calculation of the actual degree of cooking by the regression analysis algorithm, e.g. the first image in a cooking process can be weighted more highly than subsequent images.
  • the actual cooking level and the target cooking level are not limited to percentage values and can basically be any value.
  • the target doneness value can be set by the user, for example via a user interface of the household cooking appliance or via an application program ("app") running on a user device such as a smartphone or tablet.
  • the target doneness value can also be taken from a cooking program or an electronic cookbook, if necessary after adjustment or change by a user.
  • the target cooking level can generally be set to any possible value of the actual cooking level that can be output by the algorithm. It is a further development that household cooking appliances are set up to only provide target cooking levels that allow a sensible cooking result. For example, a target cooking level of 0% can be excluded because this does not correspond to any cooking treatment. Target cooking levels that do not allow a successful cooking result can also be excluded - for example depending on the food being cooked - e.g. because the food being cooked would then be highly likely to be burnt or scorched.
  • the target doneness value can be set on a continuous or quasi-continuous scale. This advantageously enables a particularly high degree of variability when selecting the target doneness value.
  • the scale can be a percentage scale. Such a scale can, for example, range from 10% (keep warm) to 60% ("rare”), 70% ("medium rare”), 80% ("medium”), 90% ("well done”) to 100% (" cross") or even over 100%, e.g. in quasi-continuous steps of 1% or 5%.
  • the target doneness value can be set on a stepped scale, the steps of the scale being predetermined setting ranges of the basically continuous target doneness value.
  • This has the advantage that entering the target doneness value is simplified.
  • a scale can only contain levels Offer 10% (keep warm) over 60% ("rare"), 70% ("medium rare”), 80% ("medium”), 90% (“well done”) and 100% ("cross”).
  • This classification can be implemented independently of the calculated actual doneness value and therefore does not require any classification calculation, change or additional training of the Kl model.
  • an image or a color field that corresponds to a level can be displayed alternatively or additionally instead of numerical values of the target doneness value.
  • the number and/or position of the steps on the scale can be varied by the user. This has the advantage that a user can determine for themselves how precisely they can set the target doneness value.
  • At least one cooking parameter i.e., an operating parameter that influences the cooking process of the food
  • the at least one cooking parameter can include, for example:
  • Optional switching on and off of cooking appliance functions such as switching on and off a hot air operation, switching on and off certain heating elements, introducing steam, switching on and off a microwave generator, switching on and off a cooking chamber ventilation, automatic opening of the door to cool down the cooking chamber atmosphere, etc.;
  • At least one message is output to a user as the at least one action based on the actual doneness value during a cooking process. This allows the user to be advantageously informed about different phases or events during the cooking process. This information(s) may or can be issued purely for information without the user needing to take action, and/or to inform a user to carry out an action, e.g. turning the food.
  • a cooking progress is displayed as the at least one action based on the actual doneness value.
  • the cooking progress e.g. shown as a bar chart
  • the cooking progress can be displayed, for example, on a user interface of the household cooking appliance and/or on a user terminal, in particular a mobile user terminal such as a smartphone or tablet.
  • the cooking progress can be calculated from the actual doneness value calculated by the algorithm or can be calculated and output by the algorithm itself.
  • One design is that the cooking progress is displayed as the end of cooking time and/or the remaining cooking time. This is particularly user-friendly.
  • the end of cooking time and/or the remaining cooking time can also be calculated from the actual cooking level value calculated by the algorithm or can be calculated and output by the algorithm itself.
  • a user enters a desired end of the cooking time, for example as a length of time or as a point in time, and the household cooking appliance is set up to adapt the cooking process (e.g. by setting a heating output) so that the cooking process ends when the end of the cooking time entered by the user is reached , if necessary within a certain range.
  • the doneness value is a browning value. This achieves the advantage that a parameter that is easy to determine visually and reliably represents the degree of doneness of many foods is used as the doneness value.
  • the algorithm outputs an actual degree of browning as the actual doneness value.
  • a user enters a desired degree of browning as the desired degree of doneness and is not limited to a specific number of classes of degrees of browning.
  • the doneness value is not limited to the browning value, but can generally include optical changes in the surface of the food to be cooked, which correlate with the doneness.
  • these can also be other color changes, for example a changing the green tone of broccoli, size changes such as a shrinking of salami slices or mushrooms, etc., a reduction in the diameter of a round pizza, etc.
  • the at least one Kl model can select and weight the relevant properties or features.
  • One embodiment is that during a cooking process, images of the food being cooked are taken cyclically, e.g. every 30 seconds or every minute, and fed to the regression analysis algorithm, either individually or as a sequence of images, as already described above.
  • the object is also achieved by a household cooking appliance, wherein the household cooking appliance has a cooking chamber and a cooking chamber camera and is designed to carry out the method according to one of the preceding claims.
  • the household cooking appliance can be designed analogously to that, and vice versa, and has the same advantages.
  • the household cooking appliance has a data processing device that is set up to run the method.
  • the data processing device can be a control device of the household cooking appliance.
  • the household cooking appliance is set up to run the process autonomously, i.e. without recourse to the data processing capacity of an external entity. This has the advantage that the process can also run without data-related coupling of the household cooking appliance with the external entity.
  • the household cooking appliance can be linked to an external instance in terms of data technology, and the process can be run at least partially on the external instance.
  • the external instance can be, for example, a mobile user device such as a smartphone or tablet, a network server or a cloud computer.
  • the data coupling can take place, for example, via a communication module of the household cooking appliance, such as a WLAN module, an Ethernet module, a Bluetooth module, etc.
  • Fig.1 shows a simplified sketch of a household appliance in the form of an oven as a sectional side view
  • Fig.2 shows a possible embodiment of the method according to the invention.
  • Fig.1 shows a simplified sketch of a cooking appliance in the form of an oven 1 as a sectional view in side view.
  • the oven 1 has a cooking chamber 2, the front loading opening of which can be closed by a pivoting door 3.
  • the oven 1 also has a control device 4 for carrying out operating sequences such as cooking and cleaning sequences, as indicated here by an electric bottom heat element 5 shown as an example.
  • the control device 4 is also set up, e.g. programmed, as a data processing device for carrying out the method.
  • the regression analysis algorithm based on at least one Kl model is implemented in the control device 4.
  • a cooking chamber camera 6 in the form of a digital color camera is connected to the control device 4 for data purposes and can record images from the cooking chamber 2 and transmit them to the control device 4.
  • the oven 1 also has a user interface in the form of a control panel 7 with a particularly touch-sensitive screen (“touchscreen”), on which, in a further development, images or excerpts thereof recorded by the camera 6, which, for example, only show the food G to be cooked in the cooking chamber 2, are displayable.
  • touchscreen particularly touch-sensitive screen
  • the oven 1 can also be equipped with a communication module 8, via which data from the control device 4 and possibly recorded images can be transmitted to an external instance such as a user terminal, in particular to a mobile user terminal such as a smartphone P or tablet, etc., and/or to a network server N or cloud computer.
  • the communication module 8 can comprise, for example, an Ethernet module, a WLAN module, a Bluetooth module, etc.
  • Fig. 2 shows a possible embodiment of the method according to the invention, which is described in more detail using the oven 1.
  • the current actual degree of doneness is calculated using exactly one image, although in principle the current actual degree of doneness can also be calculated using a sequence of images (not shown).
  • a step S1 the cooking chamber 2 is loaded with food G to be cooked by a user.
  • a user selects a target doneness value in the form of a target browning level via the control panel 7, for example continuously or quasi-continuously or in stages.
  • a step S3 the user starts a cooking process, which is controlled by the control device 4, for example by energizing the bottom heat radiator 5 and/or other radiators (not shown).
  • a step S4 an image of the cooking chamber 2, which shows the food G to be cooked, is recorded by means of the cooking chamber 6 and transmitted to the control device 4.
  • control device 4 uses the regression analysis algorithm implemented therein to calculate a numerical actual degree of browning from the image supplied to it as input (i.e. from the entire image or from at least one image section, e.g. only showing food to be cooked) from a continuous Value range.
  • control device 4 calculates a remaining cooking time and/or an end of cooking time from the actual degree of browning and the target degree of browning.
  • step S7 the, for example percentage, ratio between the actual degree of browning and the target degree of browning, the remaining cooking time and/or the end of the cooking time is displayed to the user, for example on the control panel 7 or on the smartphone P.
  • step S8 the control device 4 checks whether the actual degree of browning has reached or exceeded the target degree of browning. If this is the case ("Y"), the cooking process is ended in step S9 and, if necessary, a corresponding message is issued to the user, for example via the control panel 7 or the smartphone P.
  • control device 4 checks in a step S10 whether another criterion based on the actual degree of browning is met. If the criterion is met ("Y"), at least one action associated with this criterion is triggered in step S11, e.g. at least one cooking parameter is varied, at least one message to the user such as "Attention: only 10 minutes until the end of the cooking time” or "Please cook food turn", etc. is output.
  • step S10 Following a negative result of the check ("N") in step S10 and step S11, a check is made in step S12 as to whether a predetermined delay time has already passed since the last image was taken. If this is not the case (“N”), the check continues. However, if this is the case (“Y”), the process branches back to step S4.
  • a numerical value may also include the exact number stated as well as a usual tolerance range, as long as this is not explicitly excluded.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Electric Ovens (AREA)
  • Electric Stoves And Ranges (AREA)

Abstract

Die Erfindung betrifft ein Verfahren (S1 - S12) zum Bestimmen eines Gargrads von in einem Haushalts-Gargerät (1) behandeltem Gargut (G), bei dem mindestens ein Bild des Garguts (G) mittels einer Garraumkamera (6) aufgenommen wird (S4), ein auf mindestens einem KI-Modell basierender Regressionsanalyse-Algorithmus aus dem mindestens einen Bild einen ein Maß für den Gargrad darstellenden Ist-Gargradwert ausgibt (S5) und beruhend auf dem Ist-Gargradwert mindestens eine Aktion ausgelöst werden kann (S9, S11). Die Erfindung betrifft auch ein Haushalts-Gargerät (1), wobei das Haushalts-Gargerät (1) einen Garraum (2) und eine Garraumkamera (6) aufweist und dazu eingerichtet ist, das Verfahren (S1 - S12) ablaufen zu lassen. Die Erfindung ist insbesondere vorteilhaft anwendbar auf Backöfen.

Description

Bestimmen eines Gargrads von Gargut
Die Erfindung betrifft ein Verfahren zum Bestimmen eines Gargrads von in einem Haushalts-Gargerät behandeltem Gargut, bei dem mindestens ein Bild des Garguts mittels einer Garraumkamera aufgenommen wird, ein auf mindestens einem Kl-Modell basierender Algorithmus aus dem mindestens einen Bild einen ein Maß für den Gargrad darstellenden Ist-Gargradwert ausgibt und beruhend auf dem Ist-Gargradwert mindestens eine Aktion ausgelöst wird. Die Erfindung betrifft auch ein Haushalts-Gargerät, wobei das Haushalts-Gargerät einen Garraum und eine Garraumkamera aufweist und dazu eingerichtet ist, das Verfahren ablaufen zu lassen. Die Erfindung ist insbesondere vorteilhaft anwendbar auf Backöfen.
EP 3 477206 A1 offenbart ein Kochgerät, das eine Kochkammer und eine Abbildungsvorrichtung zum Aufnehmen eines Bildes eines Lebensmittelartikels innerhalb der Kammer umfasst. Eine Rechenvorrichtung kann konfiguriert sein, um einen Parameter für das Lebensmittel basierend auf dem erfassten Bild zu berechnen, das auf einer Benutzerschnittstelle angezeigt werden kann. Eine Datenverarbeitungseinrichtung befindet sich dazu in Kommunikation mit einer Kamera und umfasst ein Softwaremodul, das konfiguriert ist, das aufgenommene Bild von der Kamera zu empfangen und einen Bräunungsgrad zu berechnen. Eine Benutzerschnittstelle ist so konfiguriert, dass sie eine visuelle Skala anzeigt, die den Bräunungsgrad angibt.
US 2021/0137311 A1 offenbart eine Kl (Künstliche Intelligenz)-Vorrichtung, umfassend eine Kocheinheit, die zum Kochen eines Lebensmittels durch Anwenden von Wärme konfiguriert ist, einen Speicher, der zum Speichern eines Garklassen-Klassifizierungsmodells zum Bestimmen eines Grads einer Garklasse eines Lebensmittels konfiguriert ist, eine Kamera, die zum Erfassen des Lebensmittels konfiguriert ist, und einen Prozessor, der dazu konfiguriert ist, einen Grad einer Garklasse aus einem Bild des aufgenommenen Lebensmittels unter Verwendung des Garklassen-Klassifizierungsmodells zu bestimmen, um zu bestimmen, ob der bestimmte Grad der Garklasse gleich einem Grad einer Benutzerpräferenzklasse ist, und, wenn das bestimmte Niveau der Kochstufe gleich dem Niveau der Benutzerpräferenzklasse als Ergebnis des Bestimmens ist, Steuern der Kocheinheit, um das Kochen des Lebensmittels zu beenden. Trainingsdaten, die zum überwachten Lernen des Garklassen-Klassifizierungsmodells verwendet werden, können mit einer Garklasse gekennzeichnet werden, und das Garklassen-Klassifizierungsmodell kann unter Verwendung der gekennzeichneten Trainingsdaten trainiert werden. Je nach Gargrad gibt es mehrere Garklassen. Zum Beispiel können die Gargrade in eine erste Stufe (sehr leicht gegart), eine zweite Stufe (leicht gegart), eine dritte Stufe (mäßig gegart), eine vierte Stufe (mäßig bis gründlich gegart), eine fünfte Stufe ( gründlich gekocht) und eine sechste Stufe (sehr gründlich gekocht) einklassifiziert werden. Das Garklassen- Klassifizierungsmodell kann für den Zweck trainiert werden, exakt auf eine gekennzeichnete Garklasse aus dem Zustand des aufgenommenen Lebensmittelbildes zu schließen. Das Garzustandsklassen-Klassifizierungsmodell kann Modellparameter bestimmen, die in einem künstlichen neuronalen Netzwerk enthalten sind, um eine Kostenfunktion durch überwachtes Lernen zu minimieren.
Es ist die Aufgabe der vorliegenden Erfindung, die Nachteile des Standes der Technik zumindest teilweise zu überwinden und insbesondere eine verbesserte Möglichkeit zum Einstellen und Überwachen eines Gargrads, insbesondere Bräunungsgrads, mit Methoden der künstlichen Intelligenz bereitzustellen.
Diese Aufgabe wird gemäß den Merkmalen der unabhängigen Ansprüche gelöst. Bevorzugte Ausführungsformen sind insbesondere den abhängigen Ansprüchen entnehmbar.
Die Aufgabe wird gelöst durch ein Verfahren zum Bestimmen eines Gargrads von in einem Haushalts-Gargerät behandeltem Gargut, bei dem
- mindestens ein Bild des Garguts mittels einer Garraumkamera aufgenommen wird,
- ein auf mindestens einem Kl-Modell basierender bzw. beruhender Regressionsanalyse-Algorithmus aus dem mindestens einen Bild einen ein Maß für den Gargrad darstellenden Ist-Gargradwert ausgibt und
- beruhend auf dem Ist-Gargradwert mindestens eine Aktion ausgelöst wird bzw. auslösen kann.
Der Regressionsanalyse-Algorithmus verwendet somit, beispielsweise im Gegensatz zur US 2021/0137311 A1 , keine Einklassifizierung in zahlenmäßig begrenzte Garklassen, sondern analysiert das mindestens eine Bild und berechnet daraus einen Ist-Gargradwert in Form einer Zahl, deren Wertebereich grundsätzlich kontinuierlich ist. Das mindestens eine Kl-Modell ist trainiert worden, den Ist-Gargradwert beruhend auf dem eingegebenen mindestens einen Bild zu berechnen. Es benötigt keine vortrainierten Klassen, sondern arbeitet in einem kontinuierlichen Raum bzw. einer kontinuierlichen Domain. Dies wiederum ergibt den Vorteil, dass das Haushalts-Gargerät einem Nutzer eine größere Breite zu erreichender Garergebnisse anbieten kann, ohne auf vortrainierte Klassen beschränkt zu sein. Ein weiterer Vorteil besteht darin, dass der Ist-Gargradwert verwendet werden kann, um einen Garablauf vor einem Garzeitende mit hoher Genauigkeit zu überwachen und ggf. zu steuern.
Der Gargrad ist insbesondere ein Maß für einen Zustand des Garguts aufgrund eines Garens. Der Ist-Gargradwert ist, wie bereits oben angedeutet, ein Zahlenwert aus einem kontinuierlichen Ergebnisraum des Algorithmus. Der Ist-Gargradwert entspricht dem aus dem Bild berechneten aktuellen Gargradwert des Garguts.
Das Haushalts-Gargerät kann beispielsweise ein Ofen, insbesondere Backofen, ein Dampfgargerät, ein Mikrowellengerät oder einen beliebige Kombination davon sein, z.B. ein Backofen mit einer Dampfbehandlungs- und/oder Mikrowellenfunktion. Das Haushalts- Gargerät kann einen mit Gargut beschickbaren Garraum aufweisen, dessen, insbesondere frontseitige, Beschickungsöffnung durch eine Tür verschließbar ist.
Die Garraumkamera ist insbesondere einen Digitalkamera, insbesondere Farbkamera. Die Garraumkamera ist dazu eingerichtet und angeordnet, Bilder des Garraums aufzunehmen, wobei dann insbesondere auch in dem Garraum vorhandenes Gargut in den Bildern abgebildet ist.
Dass ein Bild des Garguts mittels einer Garraumkamera aufgenommen wird, kann umfassen, dass das Gargut zusammen mit der Umgebung des Garguts (z.B. einer Garraumwandung, einem Gargutträger, usw.) aufgenommen wird. Es ist eine Weiterbildung, dass das mindestens eine Bild, das dem KI-Modell-basierten Regressionsanalyse-Algorithmus als Eingabe zugeführt wird, auch die Umgebung des Garraums zeigt. Es ist eine Weiterbildung, dass nur Bildpunkte bzw. Bildausschnitte des mindestens einen Bilds, die das Gargut zeigen, dem Algorithmus zugeführt werden. Die Vereinzelung des das Gargut zeigenden Bildausschnitts aus einem aufgenommenen Bild kann mittels grundsätzlich bekannter Methoden wie einer Objekterkennung usw. durchgeführt werden. Das mindestens eine Kl-Modell kann ein Kl-Modell oder mehrere Kl-Modelle umfassen bzw. zur Grundlage haben.
Der auf dem mindestens einen Kl-Modell beruhende Regressionsanalyse-Algorithmus kann eine lineare Regression oder eine nichtlineare Regression wie eine nichtparametrische Regression, semiparametrische Regression oder eine robuste Regression umfassen. Die lineare Regression ist vorteilhafterweise besonders einfach implementierbar und auswertbar. Das mindestens eine Kl-Modell kann ein oder mehrere künstliche neuronale Netze umfassen.
Unter einem auf mindestens einem Kl-Modell basierenden Regressionsanalyse- Algorithmus wird insbesondere ein Algorithmus verstanden, welcher das eingegebene mindestens eine Bild anhand mindestens eines trainierten Kl-Modells verarbeitet und als Ergebnis einen Zahlenwert, nämlich den Ist-Gargradwert ausgibt. Das mindestens eine Kl-Modell ist folglich darauf trainiert, aus dem eingegebenen Bild den Gargrad zu bestimmen. Das Trainieren oder Anlernen kann im Rahmen eines maschinellen Lernens, insbesondere überwachten Lernens durchgeführt werden Mit Trainieren ist dabei die Fähigkeit einer künstlichen Intelligenz gemeint, Gesetzmäßigkeiten nachzubilden. Die Regression stellt dabei insbesondere den Lernalgorithmus dar. Das Trainieren kann beispielsweise anhand von experimentell ermittelten Daten, anhand von Daten einer dedizierten Trainingsdatenbank, anhand von simulierten Daten wie aufgehellten und/oder abgedunkelten Messbildern, Drehungen, Spiegelungen, Bildern mit verringertem Kontrast, Farbverschiebungen, usw. durchgeführt werden.
Dass der Regressionsanalyse-Algorithmus den Ist-Gargradwert aus dem bzw. beruhend auf dem mindestens einen Bild ausgibt, umfasst insbesondere, dass das mindestens eine Bild als Ausgangspunkt bzw. Basis oder Eingangs-Datensatz für den Regressionsanalyse-Algorithmus verwendet wird. Dies kann umfassen, dass die Bildpunkte bzw. Bildpunktwerte des Bilds (bzw. eines Ausschnitts davon) als Eingangsgrößen für den Regressionsanalyse-Algorithmus verwendet werden. Es ist eine Weiterbildung, dass nicht die Bildpunktwerte des Bilds also solche, sondern daraus abgeleitete Größen wie z.B. ein sog. Feature-Vektor als Eingangsgrößen für den Regressionsanalyse-Algorithmus verwendet werden. Dass beruhend auf dem Ist-Gargradwert mindestens eine Aktion ausgelöst werden kann, umfasst insbesondere, dass mindestens eine Aktion ausgelöst wird, wenn der Ist- Gargradwert (z.B. als Absolutwert oder Prozentwert) oder ein daraus abgeleiteter Wert (z.B. ein Verhältnis oder eine Differenz zu einem Sollwert) ein bestimmtes Kriterium erfüllt, z.B. einen bestimmten Schwellwert erreicht. Mit Erfüllen verschiedener Kriterien können verschiedene Aktionen ausgelöst werden.
Es ist eine Ausgestaltung, dass der Regressionsanalyse-Algorithmus aus genau einem Bild den Ist-Gargradwert ausgibt. In anderen Worten nutzt der Regressionsanalyse- Algorithmus genau ein Bild, um den Ist-Gargradwert zu berechnen. Dies ist vorteilhaft, um Rechenleistung gering zu halten und ergibt vorteilhafterweise auch eine besonders schnelle Berechnung des Ist-Gargrads.
Es ist eine Ausgestaltung, dass mehrere Bilder des Garguts mittels einer Garraumkamera in zeitlicher Abfolge aufgenommen werden und der Regressionsanalyse-Algorithmus den mehreren Bilder einen ein Maß für den Gargrad darstellenden Ist-Gargradwert ausgibt. In anderen Worten nutzt der Regressionsanalyse-Algorithmus eine Bildfolge, um den Ist- Gargradwert zu berechnen. Dies ist vorteilhaft, um den Ist-Gargrad besonders genau und robuster bzw. weniger fehleranfällig bestimmen zu können. Die Bildfolge kann beispielsweise eine Zahl von n zuletzt für die Durchführung des Verfahrens aufgenommenen Bildern umfassen ("mitlaufendes Fenster"), oder es können beispielsweise die für die Durchführung des Verfahrens aufgenommenen Bildern seit Beginn des Verfahrens verwendet werden, wobei sich dann die Zahl der Bilder mit fortschreitender Gardauer erhöht, z.B. auf bis zu 80 oder sogar noch mehr zu unterschiedlichen Zeitpunkten aufgenommene Bilder. Bei Verwendung von mehreren Bildern können bestimmte Bilder ein höheres Gewicht in der Berechnung des Ist-Gargradwerts durch den Regressionsanalyse-Algorithmus erhalten, z.B. kann das erste Bild in einem Garablauf höher gewichtet sein als folgende Bilder.
Es ist eine Ausgestaltung, dass überprüft wird, ob der Ist-Gargradwert einen Soll- Gargradwert erreicht hat, und dann als mindestens eine Aktion ein Garablauf beendet wird. So wird der Vorteil erreicht, dass sich ein durch den Soll-Gargradwert abgebildeter Endgarzustand des Garguts automatisch erreichen lässt. Es ist eine Weiterbildung, dass der Garablauf beendet wird, wenn eine Differenz zwischen dem Ist-Gargradwert und dem Soll-Gargradwert den Wert null erreicht. Es ist eine Weiterbildung, dass der Ist- Gargradwert von dem Algorithmus als ein Prozentwert des Soll-Gargradwerts ausgegeben wird. Es ist eine Weiterbildung, dass der Ist-Gargradwert von dem Algorithmus als eine Differenz zu dem Soll-Gargradwert ausgegeben wird. Jedoch sind der Ist- Gargradwert und der Soll-Gargradwert nicht auf Prozentwerte beschränkt und können grundsätzlich beliebige Werte sein.
Der Soll-Gargradwert kann nutzerseitig z.B. über eine Nutzerschnittstelle des Haushalts- Gargeräts oder über eine auf einem Nutzerendgerät wie einem Smartphone oder Tablet ablaufendes Anwendungsprogramm ("App") eingestellt werden. Der Soll-Gargradwert kann aber auch aus einem Garprogramm oder einem elektronischen Kochbuch übernommen werden, ggf. nach Anpassung oder Änderung durch einen Nutzer.
Der Soll-Gargradwert ist grundsätzlich auf jeden möglichen Wert des von dem Algorithmus ausgebbaren Ist-Gargradwerts einstellbar. Es ist eine Weiterbildung, dass Haushalts- Gargerät dazu eingerichtet ist, nur solche Soll-Gargradwerte auswählbar bereitzustellen, die ein sinnvolles Garergebnis zulassen. Beispielsweise kann ein Soll-Gargradwert von 0 % ausgeschlossen werden, da dies keiner Garbehandlung entspricht. Auch können - beispielsweise gargutabhängig - Soll-Gargradwert ausgeschlossen werden, welche kein gelungenes Garergebnis ermöglichen, z.B. weil dann das Gargut mit hoher Wahrscheinlichkeit angebrannt oder verbrannt sein würde.
Es ist eine Ausgestaltung, dass der Soll-Gargradwert auf einer kontinuierlichen oder quasi-kontinuierlichen Skala einstellbar ist. Dies ermöglicht vorteilhafterweise eine besonders hohe Variabilität bei der Auswahl des Soll-Gargradwerts. Die Skala kann eine prozentuale Skala sein. Eine solche Skala kann beispielsweise von 10 % (Warmhalten) über 60 % ("rare"), 70 % ("medium rare"), 80 % ("medium"), 90 % ("well done") bis 100% ("cross") oder sogar noch über 100 % reichen, z.B. in quasi-kontinuierlichen Schritten von 1 % oder 5 %.
Es ist eine Ausgestaltung, dass der Soll-Gargradwert auf einer gestuften Skala einstellbar ist, wobei die Stufen der Skala vorgegebene Einstellbereiche des grundsätzlich kontinuierlichen Soll-Gargradwerts sind. So wird der Vorteil erreicht, dass die Eingabe des Soll- Gargradwerts vereinfacht wird. Eine solche Skala kann beispielsweise nur die Stufen 10 % (Warmhalten) über 60 % ("rare"), 70 % ("medium rare"), 80 % ("medium"), 90 % ("well done") und 100% ("cross") anbieten. Diese Einstufung ist unabhängig von dem berechneten Ist-Gargradwert umsetzbar und benötigt somit keine Klassifikationsberechnung, Änderung oder zusätzliches Anlernen des Kl-Modells. Insbesondere bei dieser Ausgestaltung kann alternativ oder zusätzlich anstelle von Zahlenwerten des Soll-Gargradwerts ein Bild oder ein Farbfeld angezeigt werden, das einer Stufe entspricht.
Es ist eine Ausgestaltung, dass die Zahl und/oder Lage der Stufen auf der Skala nutzerseitig variierbar sind. Dies ergibt den Vorteil, dass ein Nutzer selbst festlegen kann, wie genau er den Soll-Gargradwert einstellen kann.
Es ist eine Ausgestaltung, dass beruhend auf dem Ist-Gargradwert mindestens eine Aktion während eines Garablaufs ausgelöst wird. Dadurch wird der Vorteil erreicht, dass auch während des Garablaufs auf ein von dem Ist-Gargradwert abhängiges Ereignis reagiert werden kann.
Es ist eine Ausgestaltung, dass beruhend auf dem Ist-Gargradwert während eines Garablaufs als die mindestens eine Aktion mindestens ein Garparameter (d.h., ein Betriebsparameter, der den Garvorgang des Garguts beeinflusst) variiert wird. Dadurch wird der Vorteil erreicht, dass sich auch der Garablauf selbst anhand des Ist-Gargradwerts anpassen lässt. Variationen des mindestens einen Garparameters können beispielsweise umfassen:
- Wahlweises Zu- und Abschalten von Gargerätfunktionalitäten wie z.B. Zu- und Abschalten eines Heißluftbetriebs, Zu- und Abschalten bestimmter Heizkörper, Einleiten von Dampf, Zu- und Abschalten eines Mikrowellengenerators, Zu- und Abschalten einer Garraumbelüftung, Automatisches Öffnen der Tür zum Abkühlen der Garraumatmosphäre, usw.;
- Variieren von Heizleistungen, Variieren von Stelllungen und/oder Drehgeschwindigkeiten einer Drehantenne oder eines Stirrers, usw.; usw.
Es ist eine Ausgestaltung, dass beruhend auf dem Ist-Gargradwert während eines Garablaufs als die mindestens eine Aktion mindestens eine Nachricht an einen Nutzer ausgegeben wird. Dadurch kann der Nutzer vorteilhafterweise über unterschiedliche Phasen oder Ereignisse während des Garablaufs informiert werden. Diese Information (en) kann bzw. können rein zur Information ausgegeben werden, ohne dass ein Handlungsbedarf für den Nutzers vorliegt, und/oder um einen Nutzer darauf hinzuweisen, eine Handlung auszuführen, z.B. das Gargut zu wenden.
Es ist eine Ausgestaltung, dass beruhend auf dem Ist-Gargradwert als die mindestens eine Aktion ein Garfortschritt angezeigt wird. So wird der Vorteil erreicht, dass der Garfortschritt einem Nutzer mit hoher Genauigkeit darstellbar ist. Der Garfortschritt (z.B. als Balkendiagramm dargestellt) kann z.B. auf einer Nutzerschnittstelle des Haushalts- Gargeräts und/oder auf einem Nutzerendgerät, insbesondere mobilen Nutzerendgerät wie einem Smartphone oder Tablet, angezeigt werden. Der Garfortschritt kann aus dem von dem Algorithmus berechneten Ist-Gargradwert berechnet werden oder kann durch den Algorithmus selbst berechnet und ausgegeben werden.
Es ist eine Ausgestaltung, dass der Garfortschritt als Garzeitende und/oder Restgardauer angezeigt wird. Dies ist besonders nutzerfreundlich. Das Garzeitende und/oder die Restgardauer kann also ebenfalls aus dem von dem Algorithmus berechneten Ist-Gargradwert berechnet werden oder kann durch den Algorithmus selbst berechnet und ausgegeben werden.
Es ist eine Weiterbildung, dass ein Nutzer ein gewünschtes Garzeitende eingibt, z.B. als Zeitdauer oder als Zeitpunkt, und das Haushalts-Gargerät dazu eingerichtet ist, den Garablauf so anzupassen (z.B. durch Einstellen einer Heizleistung), dass der Garablauf mit Erreichen des nutzerseitig eingegebene Garzeitendes, ggf. innerhalb einer gewissen Bandbreite, beendet wird.
Es ist eine Ausgestaltung, dass der Gargradwert ein Bräunungswert ist. Dadurch wird der Vorteil erreicht, dass als Gargradwert ein optisch gut ermittelbarer und einen Gargrad vieler Lebensmittel zuverlässig repräsentierender Parameter verwendet wird. Der Algorithmus gibt als Ist-Gargradwert also einen Ist-Bräunungsgrad aus. Ein Nutzer gibt als Soll-Gargradwert einen Soll-Bräunungsgrad ein und ist dabei nicht auf bestimmte Zahl von Klassen von Bräunungsgraden beschränkt. Der Gargradwert ist aber nicht auf den Bräunungswert beschränkt, sondern kann allgemein optische Veränderungen der Gargutoberfläche, die mit dem Gargrad korrelieren, umfassen. Zusätzlich oder alternativ zu dem Bräunungswert können dies z.B. auch andere Farbveränderungen sein, z.B. ein veränder- ter Grünton von Brokkoli, Größenänderungen wie ein Schrumpfen von Salamischeiben oder Pilzen usw., eine Verkleinerung eines Durchmessers einer runden Pizza, usw. Insbesondere kann das mindestens eine Kl-Modell die relevanten Eigenschaften bzw. Features auswählen und Wichten.
Es ist eine Ausgestaltung, dass während eines Garablaufs zyklisch, z.B. alle 30 s oder jede Minute, Bilder des Garguts aufgenommen und dem Regressionsanalyse-Algorithmus zugeführt werden, und zwar, wie bereits oben beschrieben, einzeln oder als Bildfolge.
Die Aufgabe wird auch gelöst durch ein Haushalts-Gargerät, wobei das Haushalts- Gargerät einen Garraum und eine Garraumkamera aufweist und dazu eingerichtet ist, das Verfahren nach einem der vorherigen Ansprüche ablaufen zu lassen. Das Haushalts- Gargerät kann analog zu dem ausgebildet werden, und umgekehrt, und weist die gleichen Vorteile auf.
Es ist eine Weiterbildung, dass das Haushalts-Gargerät eine Datenverarbeitungseinrichtung aufweist, die dazu eingerichtet ist, das Verfahren ablaufen zu lassen. Die Datenverarbeitungseinrichtung kann eine Steuereinrichtung des Haushalts-Gargeräts ein.
Es ist eine Weiterbildung, dass das Haushalts-Gargerät dazu eingerichtet ist, das Verfahren autonom, also ohne Rückgriff auf eine Datenverarbeitungskapazität einer externen Instanz, ablaufen zu lassen. Dies ergibt den Vorteil, dass das Verfahren auch ohne datentechnische Kopplung des Haushalts-Gargeräts mit der externen Instanz ablaufen kann.
Es ist eine Weiterbildung, dass das Haushalts-Gargerät mit einer externen Instanz datentechnisch koppelbar ist, und das Verfahren zumindest teilweise auf der externen Instanz ablaufen gelassen werden kann. Dies ergibt den Vorteil, dass eine Rechenleistung des Haushalts-Gargeräts gering gehalten werden kann. Die externe Instanz kann beispielsweise ein mobiles Nutzerendgerät wie ein Smartphone oder Tablet, ein Netzwerkserver oder ein Cloudrechner sein. Die datentechnische Kopplung kann beispielsweise über ein Kommunikationsmodul des Haushalts-Gargeräts wie ein WLAN-Modul, eine Ethernet- Modul, ein Bluetooth-Modul usw. erfolgen. Die oben beschriebenen Eigenschaften, Merkmale und Vorteile dieser Erfindung sowie die Art und Weise, wie diese erreicht werden, werden klarer und deutlicher verständlich im Zusammenhang mit der folgenden schematischen Beschreibung eines Ausführungsbeispiels, das im Zusammenhang mit den Zeichnungen näher erläutert wird.
Fig.1 zeigt als Schnittdarstellung in Seitenansicht eine vereinfachte Skizze eines Haushaltsgeräts in Form eines Backofens; und
Fig.2 zeigt eine mögliche Ausgestaltung des erfindungsgemäßen Verfahrens.
Fig.1 zeigt als Schnittdarstellung in Seitenansicht eine vereinfachte Skizze eines Gargeräts in Form eines Backofens 1. Der Backofen 1 weist einen Garraum 2 auf, dessen frontseitige Beschickungsöffnung durch eine verschwenkbare Tür 3 verschließbar ist. Der Backofen 1 weist ferner eine Steuereinrichtung 4 zur Durchführung von Betriebsabläufen wie Gar- und Reinigungsabläufen auf, wie hier durch einen beispielhaft gezeigten elektrischen Unterhitze-Heizkörper 5 angedeutet. Die Steuereinrichtung 4 ist außerdem als Datenverarbeitungseinrichtung zum Durchführen des Verfahrens eingerichtet, z.B. programmiert. Insbesondere ist in der Steuereinrichtung 4 der auf mindestens einem Kl-Modell basierende Regressionsanalyse-Algorithmus implementiert.
Eine Garraumkamera 6 in Form einer digitalen Farbkamera ist datentechnisch mit der Steuereinrichtung 4 verbunden und kann Bilder aus dem Garraum 2 aufnehmen und an die Steuereinrichtung 4 übertragen.
Der Backofen 1 weist außerdem eine Nutzerschnittstelle in Form einer Bedienblende 7 mit einem insbesondere berührungsempfindlichen Bildschirm ("Touchscreen"), auf dem in einer Weiterbildung von der Kamera 6 aufgenommene Bilder oder Ausschnitte davon, die z.B. nur in dem Garraum 2 vorhandenes Gargut G zeigen, anzeigbar sind.
Auch kann der Backofen 1 mit einem Kommunikationsmodul 8 ausgerüstet sein, über das Daten von der Steuereinrichtung 4 und ggf. aufgenommene Bilder an eine externe Instanz wie ein Nutzerendgerät, insbesondere an ein mobiles Nutzerendgerät wie ein Smartphone P oder Tablet usw., und/oder an einen Netzwerkserver N oder Cloudrechner übertragbar sind. Das Kommunikationsmodul 8 kann z.B. ein Ethernet-Modul, ein WLAN-Modul, ein Bluetooth-Modul usw. umfassen. Fig.2 zeigt eine mögliche Ausgestaltung des erfindungsgemäßen Verfahrens, das anhand des Backofens 1 näher beschrieben wird. In diesem Ausführungsbeispiel wird der jeweils aktuelle Ist-Gargrad anhand genau eines Bilds berechnet, wobei jedoch grundsätzlich auch eine Berechnung des aktuellen Ist-Gargrad anhand einer Bildfolge durchgeführt werden kann (o. Abb.).
In einem Schritt S1 wird der Garraum 2 von einem Nutzer mit Gargut G bestückt.
In einem Schritt S2 wählt ein Nutzer über die Bedienblende 7 einen Soll-Gargradwert in Form eines Soll-Bräunungsgrads aus, z.B. kontinuierlich oder quasi-kontinuierlich oder in Stufen.
In einem Schritt S3 startet der Nutzer einen Garvorgang, der mittels der Steuereinrichtung 4 gesteuert wird, z.B. unter Bestromen des Unterhitze-Heizkörpers 5 und/oder weiterer Heizkörper (o. Abb.).
In einem Schritt S4 wird mittels der Garraumkamera 6 ein Bild des Garraums 2 aufgenommen, welches das Gargut G zeigt, und an die Steuereinrichtung 4 übertragen.
In einem Schritt S5 berechnet die Steuereinrichtung 4 anhand des darin implementierten Regressionsanalyse-Algorithmus aus dem ihm als Eingabe zugeführten Bild (d.h., aus dem ganzen Bild oder nur aus mindestens einem, z.B. nur Gargut zeigenden, Bildausschnitt) einen zahlenmäßigen Ist-Bräunungsgrad aus einem kontinuierlichen Wertebereich.
In einem Schritt S6 berechnet die Steuereinrichtung 4 aus dem Ist-Bräunungsgrad und dem Soll-Bräunungsgrad eine Restgardauer und/oder ein Garzeitende.
In einem Schritt S7 wird das, z.B. prozentuale, Verhältnis zwischen dem Ist- Bräunungsgrad und dem Soll-Bräunungsgrad, die Restgardauer und/oder die Garzeitende dem Nutzer angezeigt, z.B. an der Bedienblende 7 oder auf dem Smartphone P. In einem Schritt S8 überprüft die Steuereinrichtung 4, ob der Ist-Bräunungsgrad den Soll- Bräunungsgrad erreicht oder überschritten hat. Ist die der Fall, ("J"), wird der Garablauf in Schritt S9 beendet und ggf. eine entsprechende Nachricht an den Nutzer ausgegeben, z.B. über die Bedienblende 7 oder das Smartphone P.
Ist dies nicht der Fall ("N"), überprüft die Steuereinrichtung 4 in einem Schritt S10, ob ein anderes auf dem Ist-Bräunungsgrad beruhendes Kriterium erfüllt ist. Ist das Kriterium erfüllt ("J"), wird in Schritt S11 mindestens eine diesem Kriterium zugehörige Aktion ausgelöst, z.B. mindestens ein Garparameter variiert wird, mindestens eine Nachricht an den Nutzer wie "Achtung: nur noch 10 min bis Garzeitende" oder "Bitte Gargut wenden", usw. ausgegeben wird.
Folgend auf ein negatives Ergebnis der Überprüfung ("N") in Schritt S10 und auf Schritt S11 wird in einem Schritt S12 überprüft, ob bereits eine vorgegebene Verzögerungszeit seit der letzten Bildaufnahme vergangen ist. Ist dies nicht der Fall ("N"), wird die Überprüfung weitergeführt. Ist dies jedoch der Fall ("J"), wird zu Schritt S4 zurückverzweigt.
Selbstverständlich ist die vorliegende Erfindung nicht auf das gezeigte Ausführungsbeispiel beschränkt.
Allgemein kann unter "ein", "eine" usw. eine Einzahl oder eine Mehrzahl verstanden werden, insbesondere im Sinne von "mindestens ein" oder "ein oder mehrere" usw., solange dies nicht explizit ausgeschlossen ist, z.B. durch den Ausdruck "genau ein" usw.
Auch kann eine Zahlenangabe genau die angegebene Zahl als auch einen üblichen Toleranzbereich umfassen, solange dies nicht explizit ausgeschlossen ist. Bezugszeichenliste
1 Backofen
2 Garraum 3 Tür
4 Steuereinrichtung
5 Unterhitze-Heizkörper
6 Garraumkamera
7 Bedienblende 8 Kommunikationsmodul
N Netzwerkserver
P Smartphone
S1-S12 Verfahrensschritte

Claims

Patentansprüche
1. Verfahren (S1 - S12) zum Bestimmen eines Gargrads von in einem Haushalts- Gargerät (1) behandeltem Gargut (G), bei dem
- mindestens ein Bild des Garguts (G) mittels einer Garraumkamera (6) aufgenommen wird (S4),
- ein auf mindestens einem Kl-Modell basierender Regressionsanalyse-Algorithmus aus dem mindestens einen Bild einen ein Maß für den Gargrad darstellenden Ist- Gargradwert ausgibt (S5) und
- beruhend auf dem Ist-Gargradwert mindestens eine Aktion ausgelöst werden kann (S9, S11).
2. Verfahren (S1 - S12) nach Anspruch 1 , bei dem der Regressionsanalyse-Algorithmus aus genau einem Bild den Ist-Gargradwert ausgibt (S5).
3. Verfahren nach Anspruch 1, bei dem mehrere Bilder des Garguts (G) mittels einer Garraumkamera (6) in zeitlicher Abfolge aufgenommen werden und der Regressionsanalyse-Algorithmus aus den mehreren Bildern den Ist-Gargradwert ausgibt.
4. Verfahren nach einem der vorhergehenden Ansprüche, bei dem überprüft wird, ob der Ist-Gargradwert einen Soll-Gargradwert erreicht hat (S8), und dann als mindestens eine Aktion ein Garablauf beendet wird (S9).
5. Verfahren (S1 - S12) nach Anspruch 4, bei dem der Soll-Gargradwert auf einer kontinuierlichen oder quasi-kontinuierlichen Skala eingestellt wird (S2).
6. Verfahren (S1 - S12) nach Anspruch 4, bei dem der Soll-Gargradwert auf einer gestuften Skala eingestellt wird, wobei die Stufen der Skala vorgegebene Einstellbereiche des grundsätzlich kontinuierlichen Soll-Gargradwerts sind (S2).
7. Verfahren (S1 - S12) nach Anspruch 6, bei dem die Zahl und/oder Lage der Stufen auf der Skala nutzerseitig variierbar sind.
8. Verfahren (S1-S12) nach einem der vorhergehenden Ansprüche, bei dem beruhend auf dem Ist-Gargradwert (S10) mindestens eine Aktion während eines Garablaufs ausgelöst wird (S11).
9. Verfahren (S1-S12) nach Anspruch 8, bei dem beruhend auf dem Ist-Gargradwert während eines Garablaufs als die mindestens eine Aktion mindestens ein Garparameter variiert wird (S11).
10. Verfahren (S1 - S12) nach einem der Ansprüche 8 und 9, bei dem beruhend auf dem Ist-Gargradwert während eines Garablaufs als die mindestens eine Aktion mindestens eine Nachricht an einen Nutzer ausgegeben wird (S11).
11. Verfahren (S1 - S12) nach einem der Ansprüche 2 bis 8, bei dem beruhend auf dem Ist-Gargradwert ein Garfortschritt berechnet (S6) und angezeigt wird (S7).
12. Verfahren (S1 - S12) nach Anspruch 11 , bei dem der Garfortschritt als Garzeitende oder Restgardauer berechnet (S6) und angezeigt wird (S7).
13. Verfahren (S1 - S12) nach einem der vorhergehenden Ansprüche, bei dem der Gargradwert ein Bräunungswert ist.
14. Verfahren (S1 - S12) nach einem der vorhergehenden Ansprüche, bei dem während eines Garablaufs zyklisch Bilder des Garguts aufgenommen (S12, S4) und dem Regressionsanalyse-Algorithmus zugeführt werden (S5).
15. Haushalts-Gargerät (1), wobei das Haushalts-Gargerät (1) einen Garraum (2) und eine Garraumkamera (6) aufweist und dazu eingerichtet ist, das Verfahren (S1 - S12) nach einem der vorherigen Ansprüche ablaufen zu lassen.
EP23769294.2A 2022-09-28 2023-09-19 Bestimmen eines gargrads von gargut Pending EP4595023A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP22382894 2022-09-28
PCT/EP2023/075802 WO2024068363A1 (de) 2022-09-28 2023-09-19 Bestimmen eines gargrads von gargut

Publications (1)

Publication Number Publication Date
EP4595023A1 true EP4595023A1 (de) 2025-08-06

Family

ID=83689764

Family Applications (1)

Application Number Title Priority Date Filing Date
EP23769294.2A Pending EP4595023A1 (de) 2022-09-28 2023-09-19 Bestimmen eines gargrads von gargut

Country Status (4)

Country Link
US (1) US20260087834A1 (de)
EP (1) EP4595023A1 (de)
CN (1) CN119998848A (de)
WO (1) WO2024068363A1 (de)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10605463B2 (en) 2017-10-27 2020-03-31 Whirlpool Corporation Cooking appliance with a user interface
KR20210056019A (ko) 2019-11-08 2021-05-18 엘지전자 주식회사 인공 지능 장치 및 그의 동작 방법

Also Published As

Publication number Publication date
US20260087834A1 (en) 2026-03-26
WO2024068363A1 (de) 2024-04-04
CN119998848A (zh) 2025-05-13

Similar Documents

Publication Publication Date Title
DE102016009106A1 (de) Mit Steuerung ausgerüstete Bearbeitungsvorrichtung mit Bearbeitungszeit- Messfunktion und Messfunktion auf der Maschine
EP3877703B1 (de) Verfahren zum betreiben eines haushalts-gargeräts und haushalts-gargerät
EP3894753B1 (de) Verfahren zum betreiben eines haushalts-gargeräts und haushalts-gargerät
EP3864346B1 (de) Verfahren zum zubereiten von gargut, gargerät und gargeräte-system
WO2021083738A1 (de) Bestimmen eines ziel-verarbeitungszustands eines zu behandelnden garguts
DE102019216190A1 (de) Ausgabevorrichtung, Steuervorrichtung und Verfahren zum Ausgeben eines Bewertungsfunktionswerts
DE102015115325B4 (de) Dunstabzugsvorrichtung und Dunstabzugssystem sowie Verfahren zum Betreiben
DE102016111244B3 (de) Verfahren und Vorrichtung zum Wandeln eines Betriebsprogramms eines Aufzeichnungs-Lebensmittelzubereitungsgerätes in eine Zustandsfolge
EP4274997A1 (de) Verfahren zum bestimmen eines garzeiteindes von gargut sowie haushaltsgargerät
EP4118382A1 (de) Einstellen eines ziel-bräunungsgrads an einem haushalts-gargerät
EP1391655A1 (de) Verfahren zur Überwachung eines thermodynamischen Prozesses
EP2741011A1 (de) Gargerät
EP3394515A1 (de) System zur zubereitung von mindestens einem nahrungsmittel sowie verfahren zum betreiben des betreffenden systems
EP4595023A1 (de) Bestimmen eines gargrads von gargut
DE68928609T2 (de) Fuzzy-Gerät
EP1498057B1 (de) Verfahren zum Bestimmen von Parametern eines Garprozesses eines Nahrungsmittels und dieses benutzende Steuervorrichtung
EP4487060B1 (de) Bestimmen einer volumengrösse von gargut
DE60127693T2 (de) Iterative lernaktualisierung für batchverfahrensbearbeitung
DE102011010245A1 (de) Verfahren zum Bestimmen der Parameter von Steuer/Regelkurven der Ausrüstung zum Steuern/Regeln der klimatischen Umgebungsbedingungen von klimatisierten geschlossenen Räumen, insbesondere von Kammern der Back/Garöfen für Nahrungsmittel oder Vorrichtungen zum Aufrechterhalten oder Reduzieren von Temperaturen
WO2024104809A1 (de) Bestimmen einer vorhersagequalität einer restdauer eines betriebsablaufs
DE102021212629A1 (de) Vorrichtung und Verfahren zum Betreiben eines Motors einer Küchenmaschine
BE1030426B1 (de) Verfahren zum Garen eines Garguts in einem Gargerät mit einer Kameraeinrichtung
BE1030883B1 (de) Verfahren zum Betreiben eines Gargeräts
EP4202581B1 (de) Verfahren zum betreiben eines nahrungsmittelbehandlungsgerätes
DE102023208942A1 (de) Optimierte Steuerung von Backöfen

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20250428

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)