JP2943468B2 - 調理器具 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、電子レンジ、ガスオー
ブン、ロースター等において自動調理を目的とした調理
器具に関するものである。

【０００２】

【従来の技術】従来、この種の調理器具（ここではオー
ブンレンジ）は図９に示すように構成されていた。以
下、その構成について説明する。

【０００３】図に示すように、調理器具１は、調理物を
入れる調理室２と、調理物を調理する調理手段である加
熱供給手段３、調理室２の相対湿度を検出し湿度センサ
等から構成される湿度検出手段４、湿度検出手段４から
の情報でもって調理手段３（マイクロ波供給手段）を制
御する制御手段５から構成されていた。

【０００４】このような構成で自動調理をするために、
調理物の重量、初期湿度等を知る必要がある。そのため
に電源投入時からの湿度検出手段４の出力がある湿度に
達するまでの時間を測定し、この時間長で調理物の重量
を推測し、この時間に各調理物特有の定数ｋを乗じた時
間を最適調理時間としていた。

【０００５】

【発明が解決しようとする課題】このような従来の調理
器具では、調理室内の雰囲気湿度を検出して、それをも
とに調理物の重量を判断し調理時間を決定していたため
に出来上りにかなりばらつきがあった。また、各調理物
特有の定数ｋを乗じて最適調理時間としているので、各
調理物に対応した調理物選択手段が必要でその選択操作
は煩雑で使い勝手の悪いものであった。また、標準的な
出来上がり状態は実現できても使用者にとっては好みの
調理の出来上がりというものがあり、それは実現できな
かった。

【０００６】本発明は上記課題を解決するもので、調理
物の調理度合を、現実に計測・検出できる調理室内の環
境物理量と調理物の固有物理量でもって実時間で推定す
ることにより出来上りのばらつきをなくすとともに調理
物選択の操作を簡易にし使い勝手の向上を図り、更に使
用者の好みに応じた調理物の出来上がり状態を実現する
調理器具を提供することを目的としている。

【０００７】

【課題を解決するための手段】本発明は上記の目的を達
成するために、調理するために調理物を格納する調理室
と、前記調理物を調理する調理手段と、前記調理室内の
環境物理量を検出する環境物理量検出手段と、前記調理
物の固有物理量を検出する固有物理量検出手段と、調理
の出来上がり強度を入力する出来上がり強度入力手段
と、前記環境物理量検出手段と前記固有物理量検出手段
の出力情報に基づき前記調理物の調理度合を推定する調
理度合推定手段と、前記調理度合推定手段の出力と前記
出来上がり強度入力手段の情報に基づき前記調理手段を
制御する制御手段とからなり、前記調理度合推定手段
は、複数の神経素子より構成される神経回路網をモデル
化した手法により、獲得・学習された調理物の調理度合
を推定する複数の結合重み係数を内部に持つ神経回路網
模式手段を有することを課題解決手段としている。

【０００８】

【作用】本発明は上記した課題解決手段により、環境物
理量検出手段からの調理室内の環境物理量情報と固有物
理量検出手段からの調理物の固有物理量情報を調理度合
推定手段に入力することにより、実際に調理される実調
理環境をすべて学習し内部に複数の結合重み係数として
持つ神経回路網模式手段を有する調理度合推定手段は、
調理物の調理度合を時々刻々推定していく。制御手段
は、調理度合推定手段の出力と出来上がり強度入力手段
の情報に基づき調理手段を制御していき調理を終了させ
るように作用する。

【０００９】

【実施例】以下、本発明の一実施例を図１および図２を
基に説明する。なお、従来例と同じ構成のものは同一符
号を付して詳細な説明を省略する。

【００１０】本実施例では、調理器具として、電子レン
ジに応用した例について説明する。図１に示すように、
環境物理量検出手段６は調理室内の環境物理量を検出す
る。本実施例では、調理室内の湿度変化を検出するもの
であり、絶対湿度センサで構成されている。固有物理量
検出手段７は調理物の固有物理量を検出する。本実施例
では、調理物の重量変化を検出するものであり、ストレ
ンゲージ等で構成されている。これらのセンサは環境物
理量、固有物理量を検出できるものであればよく、本発
明を拘束するものではない。計時手段８は電源投入時よ
りの時間をカウントする。操作手段９は調理のカテゴリ
ーを選択するカテゴリー選択キー１０と調理開始・停止
を行なう調理キー１１と、出来上がりの強度を決める出
来上がり強度入力手段１２よりなる。調理度合推定手段
１３は環境物理量検出手段６、固有物理量検出手段７、
計時手段８、カテゴリー選択キー１０の出力に基づき調
理物の調理度合を推定するものであり、制御手段５は調
理度合推定手段１３の出力と出来上がり強度入力手段１
２からの情報に基づき調理手段３を制御する。調理手段
３は、マイクロ波供給手段であり調理室２に配設されて
いる。又、１４は調理情報の表示等を行なう表示手段で
あり液晶表示部よりなる。さらに、１５、１６はＡ／Ｄ
変換手段であり、環境物理量検出手段６、固有物理量検
出手段７の出力をディジタルに変換している。図２に表
示部と操作部の構成を示す。

【００１１】調理度合推定手段１３を構成する手段は、
従来の制御手法に用いられている解決的な方法が適用で
きないため、多次元情報処理手法として最適な神経回路
網をモデル化した方法で構成している。本実施例は、神
経回路網をモデル化した手法によって学習獲得された調
理物の調理度合を推定する複数の結合重み係数を内部に
もつ神経回路模式手段を有する調理度合推定手段１３を
設けている。

【００１２】調理物の出来上りに影響を与える要因とし
ては、調理室内の初期温度、調理物の初期温度、調理の
種類（カテゴリー）等が考えられる。それらの要因によ
って出来上りは大きく変動する。

【００１３】調理物の調理度合を推定する神経回路網に
おいて複数の結合重み係数は、実際に調理する時の環境
（前記した要因のいろいろな組合せた環境）において調
理した場合、そのいろいろな環境のもとで、最適な出来
上り状態を実現するまでの調理時間と、調理室内の湿度
変化と、調理物の重量がどのように変化するかというデ
ータを収集し、環境データと調理室内の湿度変化データ
と調理物の重量変化データと調理物の調理度合（最適調
理時間）データとの相関を神経回路網模式手段に学習さ
せることによって得ることができる。

【００１４】用いるべき神経回路網模式手段としては、
文献１（Ｄ．Ｅ．ラメルハート他２名著、甘利俊一監訳
「ＰＤＰモデル」（株）塵業図書、１９８９年）、文献
２（中野馨他７名著「ニューロコンピュータの基礎」
（株）コロナ社刊、Ｐ１０２、１９９０年）、特公昭６
３−５５１０６号公報などに示されたものがある。以
下、文献１に記載された最もよく知られた学習アルゴリ
ズムとして誤差逆伝搬法を用いた多層パーセプトロンを
例にとり、具体的な神経回路網模式手段の構成および動
作について説明する。

【００１５】図３は、神経回路網模式手段の構成単位と
なる神経素子の概念図である。図３において、２１〜２
Ｎは神経のシナプス結合を模擬する疑似シナプス結合変
換器であり、２ａは疑似シナプス結合変換器２１〜２Ｎ
からの出力を加算する加算器であり、２ｂは設定された
非線形関数、たとえば、しきい値をｈとするシグモイド
関数、 ｆ（ｙ，ｈ）＝１／（１＋ｅｘｐ（−ｙ＋ｈ）） （式１） によって加算器２ａの出力を非線形変換する非線形変換
器である。なお、図面が煩雑になるので省略したが、修
正手段からの修正信号を受ける入力線が疑似シナプス結
合変換器２１〜２Ｎと非線形変換器２ｂにつながってい
る。また、疑似シナプス結合変換器２１〜２Ｎが神経回
路網模式手段の結合重み係数となる。この神経素子に
は、信号処理モードと学習モードの２つの種類の動作モ
ードがある。

【００１６】以下、図３に基づいて神経素子のそれぞれ
のモードの動作について説明する。まず、信号処理モー
ドの動作の説明をする。神経素子はＮ個の入力Ｘ１〜Ｘ
ｎを受けて１つの出力を出す。ｉ番目の入力信号Ｘｉ
は、四角で示されたｉ番目の疑似シナプス結合変換器２
ｉにおいてＷｉ・Ｘｉに変換される。疑似シナプス結合
変換器２１〜２Ｎで変換されたＮ個の信号Ｗｌ・Ｘｌ〜
Ｗｎ・Ｘｎは加算器２ａに入り、加算結果ｙが非線形変
換器２ｂに送られ、最終出力ｆ（ｙ，ｈ）となる。つぎ
に、学習モードの動作について説明する。学習モードで
は、疑似シナプス結合変換器２１〜２Ｎと非線形変換器
２ｂの変換パラメータＷｌ〜Ｗｎとｈを、修正手段から
の変換パラメータの修正量ΔＷｌ〜ΔＷｎとΔｈを表す
修正信号を受けて、 Ｗｉ＋ΔＷｉ ； ｉ＝１，２，・・，Ｎ ｈ＋Δｈ （式２） と修正する。

【００１７】図４は上記神経素子を４つ並列につないで
構成した信号変換手段の概念図である。いうまでもな
く、以下の説明は、この信号変換手段を構成する神経素
子の個数を４個に特定するものではない。図４におい
て、２１１〜２４４は疑似シナプス結合変換器であり、
２０１〜２０４は、図３で説明した加算器２ａと非線形
変換器２ｂをまとめた加算非線形変換器である。図４に
おいて、図３と同様に図面が煩雑になるので省略した
が、修正手段からの修正信号を受ける入力線が疑似シナ
プス結合変換器２１１〜２４４と加算非線形変換器２０
１〜２０４につながっている。疑似シナプス結合変換器
２１１〜２４４も結合重み係数となる。この信号変換手
段の動作については、図３で説明した神経素子の動作が
並列してなされるものである。

【００１８】図５は、学習アルゴリズムとして誤差逆伝
搬法を採用した場合の信号処理手段の構成を示したブロ
ック図で、３１は上述の信号変換手段である。ただし、
ここではＮ個の入力を受ける神経素子がＭ個並列に並べ
られたものである。３２は学習モードにおける信号変換
手段３１の修正量を算出する修正手段である。以下、図
５に基づいて信号処理手段の学習を行う場合の動作につ
いて説明する。信号変換手段３１はＮ個の入力Ｓ
_in（Ｘ）を受け、Ｍ個の出力Ｓ_out （Ｘ）を出力する。
修正手段３２は、入力信号Ｓ_in（Ｘ）と出力信号Ｓ_out
（Ｘ）とを受け、誤差計算手段または後段の信号変換手
段からのＭ個の誤差信号δ_i （Ｘ）の入力があるまで待
機する。誤差信号δ_i （Ｘ）が入力され修正量を ΔＷ_ij＝δ_i （Ｘ）・Ｓ_iout（Ｘ）・（１−Ｓ_iout（Ｘ））・Ｓ_iin （Ｘ） （ｉ＝１〜Ｎ，ｊ＝１〜Ｍ） （式３） と計算し、修正信号を信号変換手段３１に送る。信号変
換手段３１は、内部の神経素子の変換パラメータを上で
説明した学習モードにしたがって修正する。

【００１９】図６は、神経回路網模式手段を用いた多層
パーセプトロンの構成を示すブロック図であり、３１
Ｘ、３１Ｙ、３１ＺはそれぞれＫ個、Ｌ個、Ｍ個の神経
素子からなる信号変換手段であり、３２Ｘ、３２Ｙ、３
２Ｚは修正手段であり、３３は誤差計算手段である。以
上のように構成された多層パーセプトロンについて、図
６を参照しながらその動作を説明する。信号処理手段３
４Ｘにおいて、信号変換手段３１Ｘは、入力Ｓ
_iin （Ｘ）（ｉ＝１〜Ｎ）を受け、出力Ｓ_jout（Ｘ）
（ｊ＝１〜Ｋ）を出力する。修正手段３２Ｘは、信号Ｓ
_iin （Ｘ）と信号Ｓ_jout（Ｘ）を受け、誤差信号δ
_j （Ｘ）（ｊ＝１〜Ｋ）が入力されるまで待機する。以
下同様の処理が、信号処理手段３４Ｙ、３４Ｚにおいて
行われ、信号変換手段３１Ｚより最終出力Ｓ_hout（Ｚ）
（ｈ＝１〜Ｍ）が出力される。最終出力Ｓ_hout（Ｚ）
は、誤差計算手段３３にも送られる。誤差計算手段３３
においては、２乗誤差の評価関数ＣＯＳＴ（式４）に基
づいて理想的な出力Ｔ（Ｔｌ，・・・・・，ＴＭ）との
誤差が計算され、誤差信号δ_h （Ｚ）が修正手段３２Ｚ
に送られる。

【００２０】

【数１】

【００２１】ただし、ηは多層パーセプトロンの学習速
度を定めるパラメータである。つぎに、評価関数を２乗
誤差とした場合には誤差信号は、 δｈ（Ｚ）＝−η・（Ｓ_hout（Ｚ）−Ｔ_h ） （式５） となる。修正手段３２Ｚは、上で説明した手続きにした
がって、信号変換手段３１Ｚの変換パラメータの修正量
ΔＷ（Ｚ）を計算し、修正手段３２Ｙに送る誤差信号を
（式６）に基づき計算し、修正信号ΔＷ（Ｚ）を信号変
換手段３１Ｚに送り、誤差信号δ（Ｙ）を修正手段３２
Ｙに送る。信号変換手段３１Ｚは、修正信号ΔＷ（Ｚ）
に基づいて内部のパラメータを修正する。なお、誤差信
号δ（Ｙ）は（式６）で与えられる。

【００２２】

【数２】

【００２３】ここで、Ｗ_ij（Ｚ）は信号変換手段３１Ｚ
の疑似シナプス結合変換器の変換パラメータである。以
下、同様の処理が信号処理手段３４Ｘ、３４Ｙにおいて
行われる。学習と呼ばれる以上の手続きを繰り返し行う
ことにより、多層パーセプトロンは入力が与えられると
理想出力Ｔをよく近似する出力を出すようになる。な
お、上記の説明においては、３段の多層パーセプトロン
を用いたが、これは何段であってもよい。また、文献１
にある信号変換手段のなかの非線形変換手段の変換パラ
メータｈの修正法についてと慣性項として知られる学習
高速化の方法については、説明の簡略化のため省略した
が、この省略は以下に述べる本発明を拘束するものでは
ない。

【００２４】こうして、神経回路網模式手段は調理をす
る時の環境データ（加熱室内の初期温度、調理の種類、
調理物の初期温度、調理物の量など）と調理室内の湿度
変化データと調理物の重量変化データと調理物の調理度
合（最速調理時間）データとの関係を学習し、簡単なル
ールで記述することが容易でない制御の仕方を自然な形
で表現することができる。本実施例は、こうして得られ
た情報を組み込んで、調理度合推定手段１３を構成する
ものである。具体的には、十分学習を終えた後の多層パ
ーセプトロンの信号変換手段３１Ｘ、３１Ｙ、３１Ｚの
みを神経回路網模式手段として用いて、調理度合推定手
段１３を構成する。実際に学習させたデータについて説
明する。

【００２５】図７は、調理室２の初期温度が低く、調理
の種類は野菜の下ごしらえでホウレンソウ２００ｇの場
合に調理をした時の特性を示したものである。図７
（ａ）は環境物理量検出手段６（調理室内の湿度）の変
化を示し、図７（ｂ）は固有物理量検出手段７（調理物
の重量）の変化を示し、図７（ｃ）は調理物の調理度合
を示している。調理度合は０から１の範囲の値で示し標
準なら０．５、弱めなら０．２、強めなら０．８になる
ように調理完了付近で直線的に増加するようにしてい
る。これは実験により求めたものである。図８は、図７
と同様でホウレンソウ６００ｇを調理した時の特性を示
したものである。

【００２６】図８（ａ）〜図８（ｃ）は、図７（ａ）〜
図７（ｃ）にそれぞれ対応している。調理物の量により
環境物理量検出手段６と固有物理量検出手段７の出力電
圧変化（調理室の湿度変化と調理物の重量変化）が異な
るのがわかる。同様に調理物の種類を変えた場合でも、
又違った出力の変化をする。調理度合は、それらの条件
下で実験により求める。このような実験を実際調理する
時のすべての環境の組合せについて同様に行った。そし
て、その実験データを神経回路網模式手段に入力し学習
をさせた。つまり、神経回路網模式手段へは環境物理量
検出手段６の調理室内の環境物理量検出情報（湿度情
報）と、湿度変化情報として現時点より１分前の湿度情
報と、固有物理量検出手段７の調理物の固有物理量（重
量情報）と、重量勾配情報として現時点より１分前の重
量情報と、計時手段８より得られる電源投入時からの経
過時間情報と、カテゴリー選択キー１０より得られるカ
テゴリー情報の６情報と、理想出力として調理物の調理
度合情報を入力し学習させ、神経回路網模式手段の中の
信号変換手段３１Ｘ、３１Ｙ、３１Ｚを確立し、それら
を神経回路網模式手段として調理度合推定手段１３に組
み込んでいる。

【００２７】つぎに、図１に示した構成ブロック図に基
づき動作を説明する。まず、調理物を調理室内に入れ、
操作手段９の内、カテゴリー選択キー１０により調理カ
テゴリーを選択し、出来上がり強度入力手段１２より出
来上がり強度を入力する。そして、調理スタートキー１
１が入力される。これらの情報は制御手段５と調理度合
推定手段１３に入力される。制御手段５は計時手段８に
計時開始の信号を出力するとともに、調理手段３を駆動
させるべく調理開始信号を出力する。計時手段８の計時
情報は調理度合推定手段１３に入力されている。又、調
理室内の環境物理量情報（湿度情報）は、環境物理量検
出手段６の出力がＡ／Ｄ変換手段１５でディジタル変換
され、又調理物の固有物理量情報（重量情報）は固有物
理量検出手段７の出力がＡ／Ｄ変換手段１６でディジタ
ル変換され、時々刻々調理度合推定手段１３に入力して
いる。調理度合推定手段１３は、これらの入力された信
号・情報をもとに調理度合を時々刻々推定し、その情報
を制御手段５に出力している。制御手段５は、この調理
度合情報と出来上がり強度入力手段１２より得られる出
来上がり強度情報に基づき調理手段３を制御するように
動作する。即ち、出来上がり強度入力手段１２より得ら
れる情報が弱め設定であれば調理度合推定手段１３の出
力が０．２を越えると調理手段３を停止し、標準設定で
あれば０．５を越えると調理手段３を停止し、強め設定
であれば０．８を越えると調理手段３を停止する。

【００２８】また、制御手段５、計時手段８、調理度合
推定手段１３は、すべて４ビットマイクロコンピュータ
で構成したが、これらは１つのマイクロコンピュータで
構成することはもちろん可能である。なお、調理度合推
定手段１３には、環境物理量検出手段６（現時点と１分
前の２情報）と、固有物理量検出手段７の重量変化情報
（現時点と１分前の２情報）と、計時手段８より得られ
る電源投入時からの経過時間情報、カテゴリー選択キー
１０より得られる調理物のカテゴリー情報を入力してい
るが、この限定は本発明を拘束するものではない。又、
環境物理量情報として湿度情報を用いたが、雰囲気温度
情報、煙情報、アルコール成分等が検出可能なガス情報
でもよい。更に固有物理量情報として調理物の重量情報
を用いたが、調理物の形状変化情報、調理物の色変化情
報、調理物の体積変化情報でも適用できることはいうま
でもないし、又、複数のセンサを使用すれば、より調理
精度を向上させることができる。又、本実施例では調理
器具として電子レンジを用いたが、オーブンレンジ、グ
リルレンジ、ガスオーブンでもよい。

【００２９】以上のように本実施例によれば、実際に調
理する調理室内の環境下で学習された、神経回路網の複
数の結合重み係数を有する神経回路網模式手段を組み込
んだ調理度合推定手段１３を備え、出来上がり強度入力
手段１２で使用者の設定した出来上がり強度情報と推定
した調理度合により制御手段５が調理手段３を制御する
構成としているので、出来上り状態にばらつきがなくな
るほか、詳細な調理メニュー選択操作が不要で使い勝手
の向上を図ることができる。また、調理物の出来上がり
状態が使用者の好みに合わせることも可能となる。

【００３０】

【発明の効果】以上の実施例から明らかなように本発明
によれば、調理するために調理物を格納する調理室と、
前記調理物を調理する調理手段と、前記調理物の出来上
がり強度を入力する出来上がり強度入力手段と、前記調
理室内の環境物理量を検出する環境物理量検出手段と、
前記調理物の固有物理量を検出する固有物理量検出手段
と、前記環境物理量検出手段と前記固有物理量検出手段
の出力に基づき前記調理物の調理度合を推定する調理度
合推定手段と、前記調理度合推定手段の出力と前記出来
上がり強度入力手段からの出力情報に基づき前記調理手
段を制御する制御手段とからなり、また、調理度合推定
手段は、複数の神経素子より構成される神経回路網をモ
デル化した手法により獲得・学習された調理物の調理度
合を推定する複数の結合重み係数を内部に持つ神経回路
網模式手段を有するから、調理室内の初期温度、調理物
の初期温度、調理物の量等にかかわらず調理物の調理度
合が推定でき、出来上がりばらつきの少ない自動調理が
可能となる。

【００３１】また、固有物理量の変化に調理物特有の性
質があり、それを含めて学習した調理度合推定手段を有
するので、各調理物に対応した調理物選択のための入力
を不要とし、調理メニュー群として集約したカテゴリー
入力で調理度合を推定でき、操作性を向上させる効果が
ある。

【００３２】更に、使用者の好む出来上がりの自動調理
も可能となる。

【図面の簡単な説明】

【図１】本発明の一実施例の調理器具の構成ブロック図

【図２】同調理器具に用いた操作部と表示部の構成図

【図３】同調理器具に用いた神経回路網模式手段の構成
単位となる神経素子の概念図

【図４】同調理器具に用いた神経素子で構成した信号変
換手段の概念図

【図５】同調理器具に用いた学習アルゴリズムとして誤
差逆伝搬法を採用した信号処理手段のブロック図

【図６】同調理器具に用いた神経回路網模式手段を用い
た多層パーセプトロンの構成を示すブロック図

【図７】（ａ）は同調理器具における調理物の絶対湿度
の変化特性図 （ｂ）は同調理器具における調理物の重量の変化特性図 （ｃ）は同調理器具における調理度合の変化特性図

【図８】（ａ）は同調理器具の他実施例の調理物におけ
る絶対湿度の変化特性図 （ｂ）は同調理器具の他実施例における調理物の重量の
変化特性図 （ｃ）は同調理器具の他実施例における調理度合の変化
特性図

【図９】従来の調理器具の構成ブロック図

【符号の説明】

１ 調理器具 ２ 調理室 ３ 調理手段 ５ 制御手段 ６ 環境物理量検出手段 ７ 固有物理量検出手段 １２ 出来上がり強度入力手段 １３ 調理度合推定手段

───────────────────────────────────────────────────── フロントページの続き (72)発明者 石嵜 祥浩 大阪府門真市大字門真1006番地 松下電 器産業株式会社内 (72)発明者 中 基孫 神奈川県川崎市多摩区東三田３丁目10番 １号 松下技研株式会社内 (56)参考文献 特開 平１−139019（ＪＰ，Ａ) (58)調査した分野(Int.Cl.⁶，ＤＢ名) F24C 7/02 340

Claims (1)

(57)【特許請求の範囲】
1. 【請求項１】調理するために調理物を格納する調理室
   と、前記調理物を調理する調理手段と、前記調理室内の
   環境物理量を検出する環境物理量検出手段と、前記調理
   物の固有物理量を検出する固有物理量検出手段と、調理
   の出来上がり強度を入力する出来上がり強度入力手段
   と、前記環境物理量検出手段の出力と前記固有物理量検
   出手段の出力情報に基づき前記調理物の調理度合を推定
   する調理度合推定手段と、前記調理度合い推定手段の出
   力と、前記出来上がり強度入力手段の情報に基づき前記
   調理手段を制御する制御手段と備え、前記調理度合推定
   手段は、複数の神経素子より構成される神経回路網をモ
   デル化した手法により、獲得・学習された調理物の調理
   度合を推定する複数の結合重み係数を内部に持つ神経回
   路網模式手段を有する構成とした調理器具。