JP2021519193A - 多用途スマート電気炊飯器 - Google Patents

Abstract

電気炊飯器（１００）は、機械学習モデル（２２０）を使用して、記憶された異なるタイプの食物（１５０）を識別して当該食物を分類する。電気炊飯器（１００）にはチャンバ（１１０）が備えられ、当該チャンバは、異なるタイプの食物（１５０）を貯蔵するための様々な仕切り（１１６）を備える。カメラ（１１２）は、チャンバ（１１０）の内部を観察するように配置される。カメラ（１１２）は、チャンバ（１１０）の内容物の画像をキャプチャする。機械学習モデル（２２０）は、これらの画像に従って、記憶された異なるタイプの食物（１５０）を分類する。電気炊飯器（１００）は、栄養価および／または食感に基づいて、異なるタイプの食物（１５０）の混合物を決定する。電気炊飯器（１００）は、混合物を生成し、それに対応して、調理プロセスを制御する。１つまたは複数の機械学習モデル（２２０）は、電気炊飯器（１００）内に配置されるか、ネットワーク（５２０）を介して１つまたは複数の機械学習モデルにアクセスすることができる。

Description

本開示は、全体的に、電気炊飯器などの調理器具に対する制御に関する。

米は主な食料源である。健康および／または食感の理由から、多くの人はご飯を他の材料と混ぜるのが好きである。異なる成分と混合されたご飯の混合物は、異なる調理環境を必要とする。しかしながら、従来の電気炊飯器では、ご飯の混合物の最適な食感を達成するための、異なるご飯の混合物の調理に対する制御をユーザに提供することができない。ユーザは、白米、玄米またはクイッククッキングなどの調理モードを選択することができるが、これ以上の調理モードはない。セットアップが完了すると、電気炊飯器は、現在調理中のご飯の混合物が何なのか、ユーザの選択がご飯の混合物の最適な食感を生み出すか、または調理時間終了時にご飯の混合物が過多調理かまたは過少調理かを考慮せず、ユーザの命令を盲目的に実行する。さらに、従来の電気炊飯器は、ご飯の混合物の最適な組み合わせを提案しない。したがって、よりスマートな電気炊飯器が必要である。

電気炊飯器アセンブリは、機械学習モデルを使用して、異なるタイプの食物を識別し、さらに、異なるタイプの食物を分類する。電気炊飯器アセンブリは、食物を受け入れるチャンバ、および異なるタイプの食物を貯蔵するために使用され得る異なる仕切りを備えた別のチャンバを備える。電気炊飯器アセンブリはカメラを備え、当該カメラは、１つまたは２つのチャンバの内部を観察するように構成される。カメラは、チャンバの内容物の画像をキャプチャする。機械学習モデルは、これらの画像に従って、異なるタイプの食物を分類する。電気炊飯器アセンブリは、特定のタイプの食物を貯蔵するために、チャンバのどの仕切りが使用されるかを決定する。電気炊飯器は、栄養価および／または食感に従って、異なるタイプの食物の混合物を決定する。電気炊飯器は、混合物を生成し、それに対応して、調理プロセスを制御する。１つまたは複数の機械学習モデルは、電気炊飯器内に配置されるか、ネットワークを介して１つまたは複数の機械学習モデルにアクセスすることができる。

当該プロセスは、適切な調理モードを選択して温度−時間曲線を設定することを含む、電気炊飯器の初期調理プロセスを設定するために使用されることができる。当該プロセスは、さらに、調理に伴い、調理プロセスを自動的に調整するために使用されることができる。調理プロセスに対する制御は、さらに、ユーザ入力、温度感知、履歴的性能データおよび他の要因に基づくことができる。

他の側面には、構成要素、機器、システム、改善、方法、プロセス、アプリケーション、コンピュータ読み取り可能な記憶媒体および上記の側面のうちのいずれか１つに関する他の技術が含まれる。

本開示の実施例は、他の利点および特徴を有し、添付の図面を参照して考慮すると、以下の詳細な説明および添付の特許請求の範囲から、これらの利点および特徴がより明らかになる。

実施例に係る電気炊飯器アセンブリの断面図である。 実施例に係る電気炊飯器に対する制御を示すブロック図である。 実施例に係る貯蔵チャンバアセンブリの斜視図である。 実施例に係る貯蔵チャンバアセンブリの斜視図である。 実施例に係る貯蔵チャンバアセンブリの断面図である。 実施例に係る機械学習モデルのトレーニングおよび操作を示すフローチャートである。 実施例に係る例示的なトレーニングサンプルを示す。 実施例に係る例示的なトレーニングサンプルを示す。 実施例に係る例示的なトレーニングサンプルを示す。 実施例に係る電気炊飯器を備える生活環境のブロック図である。

図面は、説明を目的として各実施例を描いたものである。当業者は、以下の議論から、本明細書に記載の原理から逸脱することなく本明細書に記載の構造および方法の代替実施例を採用することができることを容易に分かるはずである。

図面および以下の説明は、例示としてのみ提供された好ましい実施例に関するものである。以下の議論に応じて、本明細書で開示された構造および方法の代替実施例は、保護請求している原理を逸脱することなく、採用された実行可能な代替技術案であると考えられることに留意されたい。

図１は、実施例に係る電気炊飯器アセンブリ１００の断面図である。電気炊飯器アセンブリ１００は、貯蔵チャンバ１１０、ダクト１２０、調理チャンバ１３０および予備貯蔵チャンバ１４０を備える。食物１５０は、貯蔵するために、貯蔵チャンバ１１０内に置かれる。貯蔵チャンバ１１０は、食物１５０を貯蔵するための１つまたは複数の仕切り１１６を備える。異なる仕切りは、異なるタイプの食物（例えば、穀物、堅果類、ドライフルーツなど）を貯蔵するために使用されることができる。例えば、図面に示されたように、仕切り１１６ａは、第１タイプの食物１５０ａを貯蔵し、仕切り１１６ｂは、第２タイプの食物１５０ｂを貯蔵する。参照番号の後の文字（例えば「１１６ａ」）は、当該テキストの当該特定の参照番号を持つ要素を表す、テキストに後付けの文字のない参照番号（例えば「１１６」）は、図面内の当該参照番号を持つ任意の要素または全ての要素を表す。

食物１５０が貯蔵のために貯蔵チャンバ１１０に移動されて貯蔵する前に、予備貯蔵チャンバ１４０は、食物１５０を受け取り、一時的に保存する。予備貯蔵チャンバ１４０は、ガラスやアクリルなどの透明な材料で作られ、当該透明な材料は、好ましくは、ひっかき傷に強い。予備貯蔵チャンバ１４０は、１つまたは複数のドア（未図示）を備え、当該１つまたは複数のドアは、予備貯蔵チャンバ１４０の底部支持体に１つまたは複数の開口部を形成し、それにより、食物１５０が予備貯蔵チャンバ１４０から貯蔵チャンバ１１０に移動することができるように構成される。１つまたは複数の開口部は、貯蔵チャンバ１１０の異なる位置に配置されることができる。異なる位置は、貯蔵チャンバ１１０の異なる仕切りに対応することができる。このように、食物１５０は、予備貯蔵チャンバ１４０から貯蔵チャンバ１１０の異なる仕切りに分配されることができる。

電気炊飯器アセンブリ１００はカメラ１１２を備え、当該カメラは、予備貯蔵チャンバ１４０の内部を観察するように構成される。示された例示では、カメラ１１２は、予備貯蔵チャンバ１４０の側壁の外面に配置される。カメラの視野は点線で示されている。他の実施例において、カメラ１１２は、予備貯蔵チャンバ１４０の底部支持体上または上部カバーに配置される。例えば、カメラ１１２は、底部支持体または側壁の外面上に配置される。外面は、反射を低減するための光学コーテイング層を含むことができ、それにより、カメラがより高品質の画像をキャプチャすることができるようにする。カメラ１１２は、貯蔵チャンバ１１０の内容物（例えば、食物１５０）のカラー写真をキャプチャすることができる。

カメラ１１２でキャプチャされた写真を使用して食物１５０を分類することができる。この分類に従って、食物１５０は、貯蔵チャンバ１１０の異なる仕切りに分配されて貯蔵されることができる。例えば、図面に示されたように、予備貯蔵チャンバ１４０によって保存された食物１５０ｂを貯蔵チャンバ１１０の仕切り１１６ｂに分配して貯蔵する。貯蔵チャンバ１１０の仕切り１１６ａは、異なるタイプの食物１５０ａを貯蔵するように構成される。予備貯蔵チャンバ１４０の１つまたは複数のドアを制御することにより、貯蔵チャンバ１００の特定仕切りへの食物１５０の分配を調整することができる。例えば、予備貯蔵チャンバ１４０の１つまたは複数のドアは、食物１５０ｂが予備貯蔵チャンバ１４０からチャンバ１１６ａの代わりにチャンバ１１６ｂに分配されるように、チャンバ１１６ｂの開口部を形成するように制御される。電気炊飯器アセンブリ１００は、貯蔵チャンバ１１０の異なる仕切り内に貯蔵された異なるタイプの食物を追跡する。

図面に示されたように、予備貯蔵チャンバ１４０は円筒形である。予備貯蔵チャンバ１４０は、立方体形、ピラミッド形、円錐形、円筒形などの他の形状で設計することができる。更なる実施例において、予備貯蔵チャンバ１４０は回転することができるように構成される。示された例示において、予備貯蔵チャンバ１４０は、直接に貯蔵チャンバ１１０に取り付けられる。他の実施例において、予備貯蔵チャンバ１４０は、ダクト（未図示）を介して貯蔵チャンバ１１０に取り付けられる。当該ダクトは中空であり、２つの端部を含み、１つの端部は貯蔵チャンバ１１０に取り付けられ、他端部は、貯蔵チャンバ１１０に取り付けられるか、貯蔵チャンバ１１０の近くに取り付けられる。この場合、予備貯蔵チャンバ１４０はドアを備え、当該ドアは、予備貯蔵チャンバ１４０の底部支持体上に開口部２０を形成するように構成される。当該ドアは、予備貯蔵チャンバ１４０の底部支持体の中心に配置される。予備貯蔵チャンバ１４０から貯蔵チャンバ１１０に移動するように食物１５０をガイドするために、ダクトはドアに取り付けられる。予備貯蔵チャンバ１４０の回転またはダクトの回転により、貯蔵チャンバ１１０または貯蔵チャンバ１１０の近くに取り付けられたダクトの端部の位置を調整する。このようにして、食物１５０は、ダクトを介して、貯蔵チャンバ１１０の異なる仕切りに分配されることができる。

貯蔵チャンバ１１０は、ガラスやアクリルなどの透明な材料で作られてもよく、当該透明な材料は、好ましくひっかき傷に強い。他の実施例において、貯蔵チャンバ１１０は、不透明な材料または透明な材料で作られる。貯蔵チャンバ１１０は、１つまたは複数のドア１１４を備える。ドア１１４を開けて、貯蔵チャンバ１１０の底部支持体に開口部を形成する。当該開口部は、食物１５０が貯蔵チャンバ１１０から分配されることができるようにする。ドア１１４は、複数の仕切り１１６を貫通する開口部を形成し、それにより、複数の仕切り内に貯蔵された食物を分配することできるように構成される。一例として、仕切り１１６ａが米を貯蔵し、もう１つの仕切り１１６ｂが貯蔵緑豆を貯蔵する場合、ドア１１４は、ドア１１４を開くと、大米および緑豆が両方とも分配されるように構成される。ドア１１４は、貯蔵チャンバ１１０を貫通する開口部のサイズを調整することができるように構成される。各仕切りを貫通する開口部のサイズを独立して調整することができる。

いくつかの実施例において、電気炊飯器アセンブリ１００は別のカメラを備え、当該別のカメラは、貯蔵チャンバ１１０内の内容物をキャプチャするために、貯蔵チャンバ１１０の外面上に配置される。カメラは、貯蔵チャンバ１１０の側壁、底部支持体または上部カバーに配置されることができる。カメラは、仕切り１１６ｂの上の位置から仕切り１１６ａの上の位置に移動するなど、カメラの位置が移動するように構成される。カメラの位置を移動することにより、カメラ１１２は、チャンバ１１０の異なる仕切りまたは異なるセクション内に貯蔵された内容物の写真をキャプチャすることができる。他の実施例において、貯蔵チャンバ１１０は、貯蔵チャンバ１１０の異なる部分に対するカメラの位置を調整するように構成される。例えば、貯蔵チャンバ１１０は回転することができるように構成され、したがって、カメラは、チャンバ１１０の異なるセクションの上またはチャンバ１１０の異なる仕切りの上に配置される。

更なる実施例において、電気炊飯器アセンブリ１００は、カメラ３４２を固定するためのカメラホルダ（例えば、図３Ｃに示されたカメラホルダ３４０）を備える。カメラ３４２は、貯蔵チャンバ１１０と直接に接触しなくてもよい。貯蔵チャンバ１１０は移動して、カメラ３４２が貯蔵チャンバ１１０の異なる部分の写真または貯蔵チャンバ１１０の異なる仕切りの写真をキャプチャするように構成される。

電気炊飯器アセンブリ１００は、食物１５０がされる調理チャンバ１３０を備える。調理チャンバ１３０は、水タンクなどの水源（未図示）に接続することができる。水源は、電気炊飯器アセンブリ１００の一部であってもよい。いくつかの実施例において、調理チャンバ１３０は、調理される食物の量を測定するための目盛りを含む。
ダクト１２０は、調理するために、食物１５０を貯蔵チャンバ１１０から調理チャンバ１３０に移動させる。ダクト１２０は中空である。

図２は、電気炊飯器アセンブリ１００に対する制御を示すブロック図である。制御システム２１０は、大体、１つまたは複数の機械学習モデル２２０および出力コントローラ２３０に分ける。１つまたは複数の機械学習モデル２２０は、カメラ１１２でキャプチャされた画像を受信する。

機械学習モデル２２０は、当該入力（他の追加の入力と組み合わせることができる）に従って、予備貯蔵チャンバ１４０および／または貯蔵チャンバ１１０内の内容物を決定する。好ましく、機械学習モデルは、画像に従って、食物１５０を識別して当該食物を分類する。例えば、機械学習モデルは、白米、玄米および赤米など、食物１５０のタイプを識別する。貯蔵チャンバ１１０が複数の仕切りを備える場合、機械学習モデル２２０は、仕切り内に貯蔵された食物１５０のタイプを識別する。

出力コントローラ２３０は、機械学習モデル２２０によって決定された識別や分類に従って、予備貯蔵チャンバ１４０から貯蔵チャンバ１１０への食物の分配を制御する。例えば、出力コントローラ２３０は、予備貯蔵チャンバ１４０のドアの開き、予備貯蔵チャンバ１４０の回転および／またはダクトの回転を制御する。

出力コントローラ２３０は、機械学習モデル２２０によって決定された識別や分類に従ってドア１１４の開きを制御する。異なるタイプの食物１５０の混合物は異なる栄養価を有する。ユーザは、異なる時期に、異なる栄養素の恩恵を受けることができる。さらに、人によって、異なる混合物に対する好みが異なる場合がある。ドア１１４の開きを制御することにより、出力コントローラ２３０は、調理チャンバ１３０内に入る食物１５０の量を調整することができる。例えば、ドア１１４の開きによって形成される開口部のサイズを調整することにより、出力コントローラ２３０は、単位時間あたりの開口部を貫通した食物１５０の量を制御することができる。このようにして、出力コントローラ２３０は、調理チャンバ１３０内の異なるタイプの食物１５０の混合物を調整することができる。少なくとも、分類した食物のタイプに基づいて、コントローラ２３０は、最適な混合物を選択することができる。即ち、コントローラ２３０は、あるタイプの食物と別のタイプの食物との比率を選択する。異なるタイプの食物の比率は、栄養士が推薦する健康的なレシピに従って決定することができる。

なお、異なるタイプの穀物は、異なる温度および時間および異なる水の量を使用することを含む、異なる方式で調理される。他のタイプの非穀物食物（例えば、堅果類または果物）を混ぜる場合、混合物の調理要求はさらに変化する可能性がある。なお、ユーザが異なれば、テクスチャの好みも（例えば、硬度、粘度など）異なる場合がある。

出力コントローラ２３０は、機械学習モデル２２０によって決定された識別および分類に従って、食物の調理プロセスを制御する。出力コントローラ２３０によって制御される一側面は、通常、食物１５０を調理するために使用される温度−時間曲線である。少なくとも、分類された１つまたは異なるタイプの食物成分に基づいて、コントローラ２３０は、正しい温度および正しい調理時間を選択することができる。調理される食物の量に基づいて、正しい温度および正しい調理時間を選択することもできる。なお、コントローラは、所定の温度で所定の時間調理する（例えば、２０分間沸騰させる）代わりに、時間に伴い温度が変化する温度−時間曲線を指定することができる。コントローラ２３０は、さらに、食物を調理するための水の量を選択することができる。

コントローラ２３０は、ユーザ入力または調理チャンバまたは食物の温度モニタリングなど、他の要因を考慮することもできる。テクスチャに対するユーザの好みは、比率の決定に影響を与える。調理チャンバ１３０の内容物に対するモニタリングに基づいて、混合を能動的にモニタリングすることができる。例えば、特定のタイプの食物にとって、目盛りが、混合物が正しい食物重量に達したことを示す場合、出力コントローラ１３０はドア１１４を閉じることができる。テクスチャに対するユーザの好み（例えば、粘度、硬度）は、温度−時間曲線に影響を与える。さらに、調理チャンバまたは食物の温度に対するモニタリングに基づいて、混合を能動的に調理することができる。例えば、温度計が、混合物が正しい内部温度に達したことを示す場合、指定された調理時間に達していない場合でも、コントローラは調理プロセスを終了することができる。

温度−時間曲線に加えて、コントローラ２３０は、また他の量を調整することができる。例えば、電気炊飯器が異なる調理モードを有すると、コントローラは、検出した食物成分のタイプに対して正しい調理モードを選択することができる。調理モードの例は、白米、玄米および混合米を含む。より複雑な調理モードであってもよい。例えば、白米調理モードは、特定の硬度レベルの白米および／または特定の粘度レベルの白米に細分することができ、硬度レベルおよび／または粘度レベルのそれぞれは、特定の範囲から選択することができる。調理プロセスが、浸漬、予熱、沸騰、仕上げ、および保温などの異なる段階を有する場合、コントローラ２３０は、ある段階から次の段階にいつ移行するかを決定することができる。コントローラは、調理プロセスが完了した時に通知することもできる。

調理プロセスを制御することに加えて、制御システム２１０は、さらに、貯蔵チャンバ１１０を空にするか、再補充するかを制御する。例えば、貯蔵チャンバ１１０内の食物レベルが低い場合、出力コントローラ２３０は、貯蔵チャンバ１１０を再補充すべきだと決定する。例えば、出力コントローラ２３０は、貯蔵チャンバ１１０を再補充するようにユーザに警告する信号を生成する。貯蔵チャンバが異なるタイプの食物を貯蔵した場合でも、出力コントローラは通知することができる。

図３Ａは、実施例に係る貯蔵チャンバアセンブリの斜視図である。貯蔵チャンバ１１０は複数の仕切り３０２を備える。貯蔵チャンバはドア１１４をさらに備え、電気炊飯器アセンブリはカメラ１１２を備え、図１を参照してドアおよびカメラについて説明する。ここでは、カメラ１１２およびドア１１４に対する説明を省略する。図面に示されたように、貯蔵チャンバ１１０および仕切りは円筒形である。貯蔵チャンバ１１０および仕切りは、立方体形、ピラミッド形、円錐形などの他の形状で設計することができる。例えば、図３Ｂに示されたように、貯蔵チャンバ１１０は台形である。貯蔵チャンバ１１０は仕切り３１２を備え、当該仕切りも台形である。図３Ａに示された実施例と同様に、貯蔵チャンバ１１０はドア１１４を備え、電気炊飯器アセンブリはカメラ１１２を備える。ドア１１４は、全ての仕切りと重なるように、貯蔵チャンバ１１０の底面上に配置される。仕切り３０２は異なるサイズを有することができる。例えば、大きな仕切りはより頻繁に消費される食物（例えば、米）を貯蔵するために使用され、小さな仕切りは、たまに消費される食物（例えば、緑豆）を貯蔵するために使用される。

図４Ａは、実施例に係る１つまたは複数の機械学習モデル２２０のトレーニングおよび操作を示すフローチャートである。当該プロセスは、１つまたは複数の機械学習モデル２２０のトレーニング４１０および１つまたは複数の機械学習モデル２２０の推理（操作）４２０の２つの主な段階を含む。

トレーニングモジュール（未図示）は、１つまたは複数の機械学習モデル２２０に対するトレーニング４１０を実行する。いくつかの実施例において、機械学習モデル２２０は、特定の数の層およびノードを有するアーキテクチャで限定され、ノード間は偏差および加重接続（パラメータ）を有する。一例において、機械学習モデル２２０は、畳み込みニューラルネットワーク（ＣＮＮ：Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）ベースの機械学習モデルを含む。ＣＮＮベースの機械学習モデルは、ＡｌｅｘＮｅｔ、ＶＧＧＮｅｔ、ＧｏｏｇｌｅＮｅｔ、ＲｅｓＮｅｔなどに基づく様々なアーキテクチャであってもよい。トレーニング４１０期間では、トレーニングモジュールは、トレーニングサンプルセットに基づいて、機械学習モデル２２０のパラメータ（例えば、加重および偏差）の値を決定する。

トレーニングモジュールは、トレーニングするためのトレーニングセットを受信する（ステップ４１１）。トレーニングセットにおけるトレーニングサンプルは、異なるタイプの食物、食物の異なる混合物、異なる照明条件など異なる状況で、カメラ１１２によってキャプチャされた画像を含む。教師あり学習に対して、トレーニングセットはさらに、通常、画像タグを含む。タグは、異なる食物のタイプ、異なるタイプの食物間の比率など、トレーニングされる属性を含む。いくつかの実施例において、トレーニングモジュールは、逆伝播アルゴリズムを適用してモデルパラメータを最適化する。トレーニングモジュールは、確率的勾配降下法を適用してモデルパラメータを更新することができる。図４Ｂないし図４Ｄは、例示的なトレーニングサンプルを示す。当該トレーニングサンプルは、黒米、小豆および緑豆などの異なるタイプの穀物の写真である。

既存のトレーニング（ステップ４１２）では、トレーニングサンプルは、機械学習モデル２２０の入力として提示され、そして、当該機械学習モデルは、特定の識別子および／または特定の分類のための出力を生成する。１つまたは複数の機械学習モデルは、特定のタイプの食物を分類し、食物が異なるタイプの食物成分を含むかどうかを識別し、および／または識別された各食物成分を分類するために使用されることができる。トレーニングモジュールは、機械学習モデルの出力および既知の良好な出力間の差を使用して、機械学習モデル２２０のパラメータ値を調整する。機械学習モデル２２０の性能を改善するために、多くの異なるトレーニングサンプルに対して上記の操作を繰り返す。

トレーニングモジュールは、通常、追加した検証サンプルに基づいて、トレーニングされた機械学習モデル２２０を検証（ステップ４１３）する。例えば、トレーニングモジュールは、機械学習モデル２２０を検証サンプルセットに適用して、機械学習モデル２２０の正確率（ａｃｃｕｒａｃｙ）を定量化する。検証サンプルセットは、画像および当該画像の既知の属性を含む。機械学習モデル２２０の出力は、既知の基本的な事実と比較することができる。正確率測定の一般的なメトリックは、精度（ｐｒｅｃｉｓｉｏｎ）および再現率（ｒｅｃａｌｌ）を含み、精度＝ＴＰ／（ＴＰ＋ＦＰ）、再現率＝ＴＰ／（ＴＰ＋ＦＮ）であり、ここで、ＴＰは真陽性（ｔｒｕｅ ｐｏｓｉｔｉｖｅ）の数であり、ＦＰは偽陽性（ｆａｌｓｅ ｐｏｓｉｔｉｖｅ）の数、ＦＮは偽陰性（ｆａｌｓｅ ｎｅｇａｔｉｖｅ）の数である。精度は、機械学習モデルによって予測された結果を、ターゲット属性（ＴＰ＋ＦＰ）を有する全ての結果と比較して、機械学習モデル２２０が正しく予測した、ターゲット属性（ＴＰ）を有する結果の数を指す。再現率は、実際にターゲット属性（ＴＰ＋ＦＮ）を有する検証サンプルの総数と比較して、機械学習モデル２２０が正しく予測した、属性（ＴＰ）を有する結果の数を指す。Ｆ_得点（Ｆ_得点＝２＊精度＊再現率／（精度＋再現率））は、精度および再現率を１つの尺度に結合する。正確率測定に適用される一般的なメトリックは、トップ１（Ｔｏｐ−１）の正確率およびチップ５（Ｔｏｐ−５）の正確率をさらに含む。トップ１の正確率では、トレーニングされたモデルによって予測されたトップ１の予測結果（即ち、最も確率の高い予測結果）が正しい場合、トレーニングされたモデルは正しい。トップ５の正確率では、トップ５の予測結果（例えば、最も確率の高い５つの予測結果）のうちの１つが正しい場合、トレーニングされたモデルは正しい。

トレーニングモジュールは、他のタイプのメトリックを使用して、トレーニングされたモデルの正確率を定量化することができる。一実施例において、トレーニングモジュールは、停止条件が発生するまで、機械学習モデルをトレーニングし、当該停止条件は、例えば、トレーニングされたモデルの十分に正しい正確率測定結果指示を指示し、または複数回実行されたトレーニングなどである。

機械学習モデル２２０に対するトレーニング（ステップ４１０）は、好ましくは、電気炊飯器製品の開発の一部としてオフラインで実行される。次に、トレーニングされたモデル２２０は、消費者に販売される電気炊飯器に実装される。電気炊飯器は、トレーニングに必要としたコンピューティングリソースより少ないコンピューティングリソースを使用して機械学習モデルを実行することができる。場合によっては、機械学習モデル２２０は継続的にトレーニング（ステップ４１０）または更新される。例えば、トレーニングモジュールは、カメラ１１２が視野内でキャプチャした画像を使用して、機械学習モデル２２０をさらにトレーニングする。トレーニング（ステップ４１０）のコンピューティング強度が大きいため、当該トレーニング（ステップ４１０）は、クラウドコンピューティングに基づき、またはより強いコンピューティング能力を備えた独立した家庭用機器によって実行されることができる。機械学習モデル２２０に対する更新は、電気炊飯器に分配される。

操作４２０において、機械学習モデル２２０は、カメラ１１２でキャプチャされた画像（ステップ４２１）を入力（ステップ４２２）として使用する。カメラ１１２は、貯蔵チャンバの内容物の画像、貯蔵チャンバの異なる部分の画像、貯蔵チャンバの異なる仕切りの画像および／または予備貯蔵チャンバの画像をキャプチャする。機械学習モデル２２０は、画像にキャプチャされた内容物を分類する４２３。

機械学習モデル２２０は、食物のタイプを分類する（ステップ４２３）。１つのアーキテクチャにおいて、機械学習モデル２２０は、内容物が特定のタイプの穀物、特定のタイプの非穀物食物などであるの確率、存在する可能性がある異なる結果の確率を計算する。機械学習モデル２２０は、計算された確率に基づいて、どのカテゴリが最も可能性が高いかを識別する。例えば、機械学習モデル２２０は、緑豆が最も可能性の高い穀物タイプであることを識別することができる。明確な勝者がいない場合、機械学習モデル２２０は、様々なカテゴリを識別し、ユーザに検証を要求することができる。例えば、機械学習モデルは緑豆および小豆両方とも可能性があると報告し、どちらであるかはユーザが検証する。

コントローラ２３０は、少なくとも、カテゴリに基づいて、異なるタイプの食物の混合物を決定する（ステップ４２４）。当該混合物は、異なるタイプの食物の栄養価に従って決定されることができる。コントローラ２３０は、混合物が最適な栄養価をユーザに提供するように、混合物を決定する。最適な栄養価は、温度、季節、ユーザの健康または医療情報、ユーザの年齢情報、健康的なレシピなどに基づいて決定することができる。いくつかの実施例において、コントローラ２３０は、第１タイプの食物と第２タイプの食物との比率を決定し、それにより、最適な栄養成分を決定する。さらに、当該混合物は、異なるタイプの食物の食感に応じて決定されることができる。コントローラ２３０は、混合物が最適な食感を有するように、混合物を決定する。コントローラ２３０は、決定された混合物に従って、貯蔵された食物を分配するために、チャンバのドアを制御する。

コントローラ２３０は、識別および分類に基づいて、特定タイプの食物を貯蔵チャンバのどの仕切りに貯蔵するかを決定することができる。例えば、予備貯蔵チャンバ内に保存している食物が米として分類された場合、コントローラ２３０は、食物を予備貯蔵チャンバから、貯蔵チャンバの米を貯蔵するための仕切りに移動すると決定する。

そして、コントローラ２３０は、混合物に基づいて、電気炊飯器を制御４２５する。

いくつかの実施例において、カメラ１１２でキャプチャされた原画像は、機械学習モデル２２０に入力される前に、コントラストを増強するために前処理される。例えば、直線変化アルゴリズム、指数変化アルゴリズム、ヒストグラム変化アルゴリズムなどの画像処理メカニズムを適用することができる。このようにして、画像の特徴がより明確にし、それにより、機械学習モデルの出力の正確率を向上させることができる。

もう一方では、電気炊飯器は、ホームネットワークの一部であり得る。図５は、実施例に係る電気炊飯器を備える生活環境のブロック図である。生活環境５００は、人々が住むために設計された環境である。生活環境５００は、例えば、家屋、商業住宅、アパートまたは寮などの住宅であってもよい。生活環境５００は、家庭用機器５１０Ａ〜５１０Ｎを含み、当該家庭用機器は、前記調理器具を含む。当該生活環境はさらに、家庭用機器５１０を接続する家庭用機器ネットワーク５２０および家庭用機器に対する居住者の好みを含む居住者プロファイルデータベース５３０を含む。図５の構成要素は、別個のブロックとして示されているが、これらの構成要素は、実施形態に従って組み合わせることができる。例えば、居住者プロファイル５３０は、家庭用機器５１０の一部であってもよい。なお、生活環境５００は、ネットワーク５２０に使用されるハブを含み得る。当該ハブは、家庭用機器５１０を制御することもできる。ネットワーク５２０は、好ましく、外部機器に対するアクセス（例えば、クラウドベースのサービス）をさらに提供する。

家庭用機器５１０は、生活環境５００に関する様々な人が使用する家庭用機器である。他の家庭用機器５１０の例には、ＨＶＡＣ機器（例えば、エアコン、ヒータ、換気機器）、照明装置、電気窓およびドア処理装置（例えば、ドアロック、電気ブラインドおよび遮光ブラインド）、電気家具または備品（例えば、デスク、リクライナ）、オーディオ機器（例えば、音楽プレーヤ）、ビデオ機器（例えば、テレビ、ホームシアター）、環境制御装置（例えば、エアフィルター、エアクリーナ）、キッチン用品（例えば、電気炊飯器、コーヒーメーカ、冷蔵庫）、バスルーム用品および家庭用ロボット機器（例えば、真空洗浄ロボット、ロボット執事）を含む。家庭用機器５１０は、家庭で使用する他のタイプの機器を含むことができる。

居住者プロファイル５３０は、通常、名前、当該システムで使用する識別子、年齢、性別および健康情報など、異なる居住者に関する情報を含む。居住者プロファイル５３０はさらに、異なる居住者が選択した家庭用機器５１０に対する設定および他の好みを含み得る。

ネットワーク５２０は、生活環境５００の異なる構成要素間の接続を提供し、構成要素が互にデータを交換することができるようにする。「ネットワーク」という用語は広義である。当該ネットワークは、イーサネットおよびイーサネットなどの、標準で定義されたプロトコルを有する正式なネットワークを含み得る。一実施例において、ネットワーク５２０はローカルエリアネットワークであり、当該ローカルエリアネットワークのネットワーク機器および相互接続は、生活環境５００で管理される。ネットワーク５２０は、異なるタイプの接続を組み合わせることもできる。ネットワーク５２０は、有線リンクおよび／または無線リンクを使用するローカルエリアネットワークおよび／または広域ネットワークの組み合わせを含み得る。構成要素間で交換するデータは、任意の適切な形式で示されることができる。いくつかの実施例において、データおよび通信の全てまたは一部を暗号化することができる。

１つの調理器具（家庭用機器５１０のうちの１つ）、ハブ、クラウドベースのサービスまたは調理器具がネットワーク５２０にアクセス他の位置で上記の機能を物理的に実現することができる。

詳細な説明には多くの詳細が含まれているが、これらの詳細は、本発明の範囲を限定するものとして解釈されるべきではなく、異なる例を説明するためにのみ使用されるべきである。本開示の範囲は、上記で詳細に議論されていない他の実施例を含むことを理解されたい。例えば、オーブンを主な例として使用したが、他の調理器具を使用してもよい。これらの調理器具は、蒸し鍋、電子レンジおよびトースタを含む。添付の特許請求の範囲によって定義される精神および範囲から逸脱することなく、本明細書に開示された方法および装置の配置、操作および詳細に対して、他の様々な修正、改善および変更を行うことができ、当業者にとって、これらの修正、改善および変更は自明である。したがって、本発明の範囲は、添付の特許請求の範囲およびそれらの法的同等物によって決定されるべきである。

代替実施例は、コンピュータハードウェア、ファームウェア、ソフトウェアおよび／またはそれらの組み合わせによって実現される。プログラマブルプロセッサによって実行されたコンピュータプログラム製品で当該実施形態を実施するために、機械読み取り可能なストレージに具体的に具現されることができる。入力データに対して操作を実行して出力を生成することにより機能を実行するために、命令プログラムを実行するプログラマブルプロセッサを介して方法のステップを実行することができる。各実施例を１つまたは複数のコンピュータプログラム上で有利に実施することができ、当該１つまたは複数のコンピュータプログラムは、少なくとも１つプログラマブルプロセッサを備えたプログラマブルシステムによって実行されることができ、データ記憶システム、少なくとも１つの入力機器および少なくとも１つの出力機器からのデータおよび命令を受信し、データおよび命令を当該データ記憶システム、少なくとも１つの入力機器および少なくとも１つの出力機器に伝送するために、当該少なくとも１つプログラマブルプロセッサは結合される。各コンピュータプログラムは、高レベルのプログラミング言語またはオブジェクト指向のプログラミング言語で実施され、または必要に応じてアセンブリ言語またはマシン言語で実現され、いずれの場合、当該言語は、コンパイル型言語または解釈型言語であってもよい。適切なプロセッサは、例えば、汎用マイクロプロセッサおよび専用マイクロプロセッサを含む。通常、プロセッサは、読み取り専用メモリおよび／またはランダムアクセスメモリからの命令およびデータを受信する。通常、コンピュータは、データファイルを記憶するための１つまたは複数の大容量ストレージを備え、これらのストレージは、内部ハードディスクおよびリムーバブルディスクなどの磁気ディスク、磁気光学ディスクおよび光学ディスクを含む。適用される、コンピュータプログラム命令およびデータを具体的に具現するストレージは、全ての形の不揮発性メモリを含み、当該不揮発性メモリは、例えば、ＥＰＲＯＭ、ＥＥＰＲＯＭおよびフラッシュメモリなどの半導体ストレージ、内部ハードディスクおよびリムーバブルディスクなどの磁気ディスク、磁気光学ディスクおよびＣＤ−ＲＯＭディスクなどを含む。上記の任意の機器は、特定用途向け集積回路（ＡＳＩＣｓ）および他の形のハードウェアで、特定用途向け集積回路（ＡＳＩＣｓ）および他の形のハードウェアによって補充されるか、それらに組み込まれることができる。

１ トップ
５ チップ
２０ 開口部
１００ 電気炊飯器アセンブリ
１００ 電気炊飯器
１１２ カメラ
１１４ ドア
１１６ａ チャンバ
１１６ｂ チャンバ
１２０ ダクト
１４０ 予備貯蔵チャンバ
１５０ 食物
２１０ 制御システム
２２０ 機械学習モデル
２３０ コントローラ
３４０ カメラホルダ
３４２ カメラ
５００ 生活環境
５１０ 家庭用機器
５２０ ネットワーク
５３０ 居住者プロファイル

Claims (21)

1. 電気炊飯器であって、
   複数のタイプの食物を保存するように構成される、チャンバと、
   カメラと、
   処理システムと、を備え、
   前記処理システムは、
   前記カメラに、前記複数のタイプの食物の１つまたは複数の画像をキャプチャさせ、
   キャプチャされた画像を１つまたは複数の機械学習モデルへの入力として提供し、および
   前記分類に基づいて、前記複数のタイプの食物の混合物を決定するように構成され、
   前記１つまたは複数の機械学習モデルは、前記複数のタイプの食物のタイプを分類するように構成され、前記混合物は、前記複数のタイプの食物のうちの少なくとも２つのタイプの食物を含む、電気炊飯器。
2. 前記第１チャンバは複数の仕切りを備え、前記電気炊飯器は、さらに、
   食物を保存し、且つ前記第１チャンバに結合されるように構成される第２チャンバを備え、前記カメラは、前記第２チャンバの内部を観察するように配置され、
   前記処理システムは、さらに、
   前記カメラに前記第２チャンバ内の内容物の１つまたは複数の画像をキャプチャさせ、および
   前記分類に基づいて、複数のチャンバのうち、前記第２チャンバ内の食物を貯蔵するためのチャンバを決定するように構成される、
   請求項１に記載の電気炊飯器。
3. 前記処理システムは、さらに、前記混合物に従って調理プロセスを制御するように構成される、
   請求項１に記載の電気炊飯器。
4. 前記チャンバは、複数の仕切り、および前記チャンバの底部支持体上に配置される１つまたは複数のドアを備え、前記ドアは、前記チャンバを貫通する１つまたは複数の開口部を形成するように構成される、
   請求項１に記載の電気炊飯器。
5. 前記処理システムは、前記１つまたは複数のドアに第１仕切りを貫通する第１開口部および第２仕切りを貫通する第２開口部を形成させるように構成され、前記第１開口部のサイズおよび前記第２開口部のサイズは、第１タイプの食物および第２タイプの食物に従って決定される、
   請求項４に記載の電気炊飯器。
6. 前記処理システムは、前記第１タイプの食物の単位サイズが前記第２タイプの食物の単位サイズより大きいと決定したことに応答して、前記第１開口部のサイズが前記第２開口部のサイズより大きいと決定するように構成される、
   請求項５に記載の電気炊飯器。
7. 前記カメラは、前記チャンバの一部分から前記チャンバの別の部分に移動するように構成される、
   請求項４に記載の電気炊飯器。
8. 前記電気炊飯器は、さらに、前記チャンバに取り付けされたダクトを備え、前記ダクトは、調理のために、前記チャンバの内容物を別のチャンバに分配するように構成される、
   請求項１に記載の電気炊飯器。
9. 前記カメラは、前記チャンバの上部カバーに配置される、
   請求項１に記載の電気炊飯器。
10. 前記カメラは、前記チャンバと独立したカメラホルダに固定され、且つ前記チャンバは、回転することができるように構成される、
    請求項１に記載の電気炊飯器。
11. 前記電気炊飯器は、さらに、第２チャンバを備え、前記第２チャンバは、前記第１チャンバに取り付けされるように構成され、前記第２チャンバは、調理するために、前記複数のタイプの食物を貯蔵するように構成される、
    請求項１に記載の電気炊飯器。
12. 前記１つまたは複数の機械学習モデルは、電気炊飯器から物理的に離れ、前記電気炊飯器は、ネットワーク接続を介して、前記１つまたは複数の機械学習モデルにアクセスする、
    請求項１に記載の電気炊飯器。
13. 前記１つまたは複数の機械学習モデルは、前記電気炊飯器に物理的に配置される、
    請求項１に記載の電気炊飯器。
14. 電気炊飯器を制御するための、コンピュータによって実施される方法であって、
    所定期間内に、チャンバ内の内容物の画像をキャプチャすることであって、前記内容物は複数のタイプの食物を含むことと、
    キャプチャされた画像を１つまたは複数の機械学習モデルへの入力として提供することであって、前記１つまたは複数の機械学習モデルは、前記複数のタイプの食物のうちの各タイプの食物を分類するように構成されることと、
    前記分類に基づいて、前記複数のタイプの食物の混合物を決定することであって、前記混合物は、前記複数のタイプの食物のうちの少なくとも２つのタイプの食物を含むことと、を含む、前記コンピュータによって実施される方法。
15. 前記方法は、１つのタイプの食物を貯蔵するための仕切りを決定し、当該タイプの食物を前記チャンバから前記仕切りに移動することをさらに含む、
    請求項１４に記載のコンピュータによって実施される方法。
16. 前記方法は、前記混合物に従って調理プロセスを制御することをさらに含み、前記調理プロセスを制御することは、前記混合物に従って、前記電気炊飯器に使用される温度−時間曲線を制御することを含む、
    請求項１４に記載のコンピュータによって実施される方法。
17. 前記混合物を決定することは、第１タイプの食物と第２タイプの食物との比率を決定することを含み、前記比率に従って前記調理プロセスをさらに制御する、
    請求項１６に記載のコンピュータによって実施される方法。
18. 前記方法は、決定された混合物に基づいて、前記複数のタイプの食物を混ぜることをさらに含む、
    請求項１４に記載のコンピュータによって実施される方法。
19. 前記チャンバはドアを備え、前記混合物に基づいて、前記複数のタイプの食物を混ぜることは、前記ドアの開口部を制御することを含む、
    請求項１８に記載のコンピュータによって実施される方法。
20. 前記ドアの開口部を制御することは、第１タイプの食物の第１サイズが第２タイプの食物の第２サイズより大きいと決定したことに応答して、前記ドアの開口部を制御して、前記第１タイプの食物を分配するように構成される第１開口部が、前記第２タイプの食物を分配するように構成される第２開口部より大きくなるようにする、
    請求項１９に記載のコンピュータによって実施される方法。
21. 前記方法は、
    前記複数のタイプの食物のうちの１つのタイプの食物のレベルが閾値レベルより低いと決定したことに応答して、前記チャンバを再補充するようにユーザへのアラートを含む信号を生成することをさらに含む、
    請求項１４に記載のコンピュータによって実施される方法。

Images