JPH05312329A

JPH05312329A - 調理器具

Info

Publication number: JPH05312329A
Application number: JP14724292A
Authority: JP
Inventors: Yoshihiro Ishizaki; 祥浩石嵜; Kazunari Nishii; 一成西井; Hirohisa Imai; 博久今井; Kenzo Ochi; 謙三黄地; Kison Naka; 基孫中
Original assignee: Matsushita Electric Industrial Co Ltd
Current assignee: Panasonic Holdings Corp
Priority date: 1992-03-09
Filing date: 1992-06-08
Publication date: 1993-11-22
Also published as: JPH05312328A

Abstract

(57)【要約】【目的】調理物を調理物の固有物理量から推定し、調
理メニューの選択の操作を不要にし、かつ調理の出来上
がり向上と自動調理を目的とする。【構成】調理物を調理する調理手段３と、調理物固有
の物理量を検出する固有物理量検出手段６と、固有物理
量検出手段６の出力に基づき調理物を推定する調理物推
定手段８と、調理物推定手段８の出力に基づき調理手段
３を制御する制御手段５とを備え、調理物推定手段８は
実際に自動調理の対象となる調理メニューを調理し学習
が既に済んだ固定された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組み込んだ構成とし、調理物の
推定ができ、従来以上に出来上り状態がよい自動調理
と、自動調理のキーの集約化を実現した。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、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、例えば電子レ
ンジで図１３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
収納する調理室２と、調理物を調理する調理手段３（マ
イクロ波供給手段）、調理室２の相対湿度を検出する湿
度センサなど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を制御する制御手
段５から構成されていた。このような構成で自動調理を
するために、調理物の重量、初期温度などを知る必要が
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Ｔを測定し、この時間
Ｔを基に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。

【０００４】また電子オーブンレンジにおいては、図１
４に示すように、調理器具１は、調理物を収納する調理
皿１４の位置を可変可能とする調理室２、調理皿を載せ
る棚１３、調理物を調理する調理手段３、調理室２内の
温度を検出するサーミスター等から構成される温度検出
手段４ａ、温度検出手段４ａからの情報でもって調理手
段３を制御する制御手段５から構成されていた。このよ
うな構成で自動調理を可能にしていた。オーブン調理を
例にとると、メニューとして、ケーキ、アップルパイ、
ピザ、クッキー、バターロール、シュークリーム、グラ
タン、ホイル焼き、ハンバーグ、肉の付け焼き、バーベ
キュー、魚の付け焼き等があった。つまり、電子オーブ
ンレンジの操作部上で、前記の１２のメニューに分けら
れていた。また、それぞれのメニューで調理皿を置く位
置が異なり、上、中、下の３つの位置がメニューにより
決定されていた。例えば、ピザの場合は皿位置は下で、
シュークリームは中段である。使用者は、まずメニュー
を決め、そのメニューに対応した位置に調理物を載せた
調理皿をセットし調理スタートキーを押し調理を開始さ
せていた。その後は、そのメニューに対応した自動調理
シーケンスで調理手段３を制御するような制御シーケン
スプログラムを制御手段５に備えていた。この自動調理
シーケンスは、調理開始から温度検出手段４ａが調理室
内の温度が、ある温度に到達するまでの時間Ｔに選択メ
ニューに対応した定数Ｋを乗じた時間だけ加熱させるも
のである。調理物の重量によって、前記時間Ｔは変わっ
てくることが自動調理の１つのポイントである。また前
記定数Ｋは、多くの調理実験をすることにより、メニュ
ーでの最適値を決定していた。

【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、調理開始から調理室内の湿度がある値になる
までの時間を計測し、その時間にカテゴリー毎に定めら
れた定数Ｋを乗じた時間を調理時間として決定していた
ために、カテゴリーの数だけ操作部に操作キーが必要と
なる。また調理の出来上がりにかなりばらつきがあっ
た。例えば”ごはん”と”みそ汁”の再加熱を異なるカ
テゴリーとして分けると問題はないが、同一カテゴリー
とすると、定数Ｋを”ごはん”にあわせるか、”みそ
汁”に合わせるかによって出来ばえが異なり、”ごは
ん”が熱くなりすぎたり、”みそ汁”がぬるいといった
調理状態となっていた。これを解決しようとすると、カ
テゴリーをもっと細分化すれば良いが、操作キーが細分
化の数だけ増えることになり、使い勝手が大変悪いもの
になるという課題を有していた。また電子オーブンレン
ジにおいても同様であり、メニューに対応した自動調理
シーケンスを備えているので、メニューに対する自動化
はある程度実現されていた。しかし、メニューを選択す
るメニューキーの数が多いので、使い勝手上大変不便な
ものになるという課題を有していた。

【０００６】本発明は上記課題を解決するもので、調理
物の種類を、現実に計測・検出できる調理物固有の固有
物理量、調理皿が置かれた皿位置検出情報により推定す
ることで、メニューの選択が不要でワンボタン操作が可
能な自動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
成するために下記構成とした。すなわち第１の解決手段
として、調理物を調理する調理手段と、調理物固有の物
理量を検出する固有物理量検出手段と、前記固有物理量
検出手段の出力に基づき前記調理物を推定する調理物推
定手段と、前記調理物推定手段の出力に基づき前記調理
手段を制御する制御手段とからなる構成とした。

【０００８】また第２の解決手段として、調理物を調理
する調理手段と、調理物固有の物理量を検出する固有物
理量検出手段と、商用電源電圧の電圧レベルを検出する
電圧レベル検出手段と、前記固有物理量検出手段、前記
電圧レベル検出手段の出力に基づき前記調理物を推定す
る調理物推定手段と、前記調理物推定手段の出力に基づ
き前記調理手段を制御する制御手段とからなる構成とし
た。

【０００９】また第３の解決手段として、調理物を調理
する調理手段と、前記調理物を載せる調理皿の位置を検
出する皿位置検出手段と、調理物固有の物理量を検出す
る固有物理量検出手段と、前記皿位置検出手段、前記固
有物理量検出手段の出力に基づき前記調理物を推定する
調理物推定手段と、前記調理物推定手段の出力に基づき
前記調理手段を制御する制御手段とからなる構成とし
た。

【００１０】また第４の解決手段として、調理物を調理
する調理手段と、前記調理物を載せる調理皿の位置を検
出する皿位置検出手段と、商用電源電圧の電圧レベルを
検出する電圧レベル検出手段と、調理物固有の物理量を
検出する固有物理量検出手段と、前記皿位置検出手段、
前記電圧レベル検出手段および前記固有物理量検出手段
の出力に基づき前記調理物を推定する調理物推定手段
と、前記調理物推定手段の出力に基づき前記調理手段を
制御する制御手段とからなる構成とした。

【００１１】さらに、前記調理物推定手段は、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
より得られ、調理物を推定する複数の固定された結合重
み係数を内部に持つ神経回路網模式手段を有すること、
または、複数の神経素子より構成される層が多数組み合
わされて構築される階層型の神経回路網模式手段を有す
る構成とした。

【００１２】

【作用】本発明は上記した構成によって下記の作用が得
られる。

【００１３】第１の課題解決手段により、固有物理量検
出手段からの調理物固有の物理量情報を、時々刻々調理
物推定手段に入力することにより、調理物推定手段は調
理物を推定し、制御手段は調理物推定手段からの調理物
情報で調理物を認識し、認識した調理物に最適な制御シ
ーケンスで調理手段を制御する。

【００１４】また第２の解決手段により固有物理量検出
手段からの調理物固有の物理量情報と電圧レベル検出手
段からの商用電源電圧の電圧レベル情報を、時々刻々調
理物推定手段に入力することにより、調理物推定手段は
調理物を推定し、制御手段は調理物推定手段からの調理
物情報で調理物を認識し、認識した調理物に最適な制御
シーケンスで調理手段を制御する。

【００１５】また第３の解決手段により調理物を載せる
皿位置検出手段の情報により調理物の種類を大分類し、
そのカテゴリーを認識し、固有物理量検出手段からの調
理物固有の物理量情報を、時々刻々調理物推定手段に入
力することにより、調理物推定手段はそのカテゴリー内
での調理物を推定し、制御手段は調理物推定手段からの
調理物情報で調理物を認識し、認識した調理物に最適な
制御シーケンスで調理手段を制御する。

【００１６】また第４の解決手段により、調理物を載せ
る皿位置検出手段の情報により調理物の種類を大分類
し、そのカテゴリーを認識し、固有物理量検出手段から
の調理物固有の物理量情報と電圧レベル検出手段からの
商用電源電圧の電圧レベル情報を、時々刻々調理物推定
手段に入力することにより、調理物推定手段はそのカテ
ゴリー内での調理物を推定し、制御手段は調理物推定手
段からの調理物情報で調理物を認識し、認識した調理物
に最適な制御シーケンスで調理手段を制御する。

【００１７】また第５の解決手段により、調理物推定手
段を構成する神経回路網模式手段は、調理される環境下
で既に学習された結合重み係数を備えており、調理中の
調理物を推定することができる。

【００１８】また第６の解決手段により、調理物推定手
段を構成する神経回路網模式手段は、複数の神経素子が
多層組み合わされて構築されているので、調理物の推定
をより正確に行なうことができる。

【００１９】

【実施例】以下、本発明の一実施例を図１から図１２を
参照しながら説明する。なお、従来例と同じ構成のもの
は同一符号を付して説明を省略する。

【００２０】（実施例１）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、固有物理量検出手段６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、ストレインゲージなどで構成されてい
る。計時手段７は調理開始時からの時間をカウントす
る。調理物推定手段８は固有物理量検出手段６、計時手
段７の出力に基づき調理物が何であるのかを推定するも
のであり、制御手段５は調理物推定手段８の出力に基づ
き調理手段３を制御する。調理手段３は、本実施例で
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。さらに、９はＡＤ変換手段であり固有物理量検出手
段６の出力をディジタル値に変換している。図５は、操
作手段１０のキー構成を示した構成図である。

【００２１】調理物推定手段８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。神経回路網をモデル化する手法は、
調理物を推定する神経回路網の複数の結合重み係数を固
定されたテーブルとして用いる方法と、学習機能を残し
環境と使用者に適応できるようにする方法とがある。本
実施例は、神経回路網をモデル化した手法によって獲得
され、固定された結合重み係数を内部にテーブルとして
もち調理物を推定する神経回路網模式手段を有する調理
物推定手段８を設けている。

【００２２】異なる調理物を調理した場合、調理開始に
ともなう時々刻々の調理物から発生する蒸気の量の違い
により調理物の重量変化が異なる。

【００２３】調理物を推定する神経回路網において固定
された結合重み係数は、実際に自動調理の対象とする調
理物を調理した場合、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、調理物と調理物の重量デー
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。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）産業図書、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６３−５５１０６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。

【００２４】図６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６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。

【００２５】以下、図６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Ｗ１・Ｘ１〜
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Ｗ１〜Ｗｎとｈを、修正手段から
の変換パラメータの修正量△Ｗ１〜△Ｗｎと△ｈを表す
修正信号を受けて、Ｗｉ＋△Ｗｉ；ｉ＝１，２，…… ，Ｎｈ＋△ｈ（式２）と修正する。

【００２６】図７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。なお、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
個に限定するものではない。図７において、２１１〜２
４４は疑似シナプス結合変換器であり、２０１〜２０４
は、図６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７において、図６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２
１１〜２４４と加算非線形変換器２０１〜２０４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６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。

【００２７】図８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
８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Ｓin
（Ｘ）を受け、Ｍ個の出力Ｓout（Ｘ）を出力する。修
正手段３２は、入力信号Ｓin（Ｘ）と出力信号Ｓout
（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δj（Ｘ）の入力があるまで待
機する。誤差信号δj（Ｘ）が入力され修正量を △Ｗij＝δj（Ｘ）・Ｓjout（Ｘ）・（１−Ｓjout（Ｘ））・Ｓiin（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。

【００２８】図９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
９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Ｓiin
（Ｘ）（ｉ＝１〜Ｎ）を受け、出力Ｓjout（Ｘ）（ｊ＝
１〜Ｋ）を出力する。修正手段３２Ｘは、信号Ｓiin
（Ｘ）と信号Ｓjout（Ｘ）を受け、誤差信号δj（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Ｓhout（Ｚ）（ｈ＝１
〜Ｍ）が出力される。最終出力Ｓhout（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（Ｔ1 ，……，ＴM ）との誤差が計算さ
れ、誤差信号δh（Ｚ）が修正手段３２Ｚに送られる。

【００２９】

【数１】

【００３０】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・（Ｓhout（Ｚ）−Ｔh）（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
△Ｗ（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△Ｗ（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△Ｗ（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。

【００３１】

【数２】

【００３２】ここで、Ｗij（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。

【００３３】こうして、神経回路網模式手段は、実際に
自動調理の対象となる調理物と、その調理物を調理した
場合、調理物の固有物理量（重量データ）がどのように
変化するかというデータを収集し、調理物と調理物の固
有物理量（重量データ）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調理物の推定の仕方を自
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、調理物推定手段８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、調理物推定手
段８を構成する。実際に学習させたデータについて説明
する。

【００３４】図１０は、”ごはん”を再加熱した時の固
有物理量検出手段６の出力電圧の変化を示している。図
１０は調理物の重量の変化を示している。図１１は、”
みそ汁”を再加熱した時の固有物理量検出手段６の出力
電圧の変化を示している。図１１は調理物の重量の変化
を示している。図１０、図１１から調理物が異なれば固
有物理量検出手段６の出力電圧の変化（調理物の重量変
化）も異なることがわかる。自動調理の対象となる調理
メニューすべてについて実験をしデータを採取した。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固有物理
量検出手段６の調理物の重量情報と、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７より得ら
れる調理開始時からの経過時間情報の３情報と、理想出
力として調理物の種類を入力し学習させ、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物推定手
段８に組み込んでいる。

【００３５】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２内に入
れ、操作手段１０の再加熱キー１０ａにより再加熱モー
ドを選択する。そして調理キー１０ｂにより調理が開始
される。制御手段５は計時手段７に計時開始の信号を出
力するとともに、調理手段３を駆動すべく調理開始信号
を出力する。計時手段７の計時情報は調理物推定手段８
に入力されている。そして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６の出力がＡＤ変換手段
９でディジタル変換され、時々刻々調理物推定手段８に
入力している。調理物推定手段８は、これらの入力され
た信号・情報をもとに調理物が何であるのかを推定し、
その情報を制御手段５に出力している。制御手段５は、
この推定調理物情報で調理メニューが認識できたので、
調理メニューに応じた調理シーケンスを実行させること
ができる。各々の調理シーケンスとは、本実施例では、
従来より行われている調理開始からある量の湿度を検出
するまでの時間に調理メニューごとに用意された定数Ｋ
を乗じた時間をそのメニューの調理時間とするものであ
る。この制御プログラムは制御手段５に備えており調理
手段３を制御するように動作する。

【００３６】以上のように本実施例によれば、実際に自
動調理の対象となる調理メニューについて調理をし、そ
の時の時々刻々の調理物の重量情報を学習した神経回路
網の複数の固定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物推定手段を備えた構成としている
ので、調理物のメニューが認識でき、各々のメニューに
ついて最適な調理シーケンスを駆動することができるの
で、従来に比べ、より調理状態をよくすることができ、
自動調理に最適なものとなる。

【００３７】（実施例２）本実施例では、電子オーブン
レンジに応用した例について説明する。特にオーブン調
理においては、調理手段３として、ヒータを用いるので
商用電源電圧の電圧レベルが調理時に特に影響を与え
る。本実施例の構成は、図２に示すように、実施例１と
同様であるが、商用電源電圧の電圧レベルを検出する電
圧レベル検出手段１１を有している点が異なる。この電
圧レベル検出手段１１の出力を調理物推定手段８に入力
することにより、調理物の推定に、より精度をあげるこ
とができる。また調理物推定手段８を構成する神経回路
網模式手段には、実際に自動調理の対象となる調理物を
調理した場合、商用電源電圧とともに調理物固有の固有
物理量（重量等）がどのように変化するかというデータ
を収集し、調理物と調理物固有の固有物理量（重量デー
タ）と商用電源電圧レベルとの関係を学習し、簡単なル
ールで記述することが容易でない調理物の推定の仕方を
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、調理物推定手段８を構成
するものである。

【００３８】以上のように本実施例によれば、商用電源
電圧レベルは９０ｖから１１０ｖぐらいまで変動すると
いわれているが、調理物推定手段を構成する神経回路網
模式手段には、電源電圧が変動しても、固有物理量と商
用電源電圧レベルと調理物の関係をあらかじめ学習させ
た構成としているので、調理物を推定する精度がより向
上する。

【００３９】（実施例３）本実施例では、同様に電子オ
ーブンレンジに応用した例について説明する。構成を図
３に示す。皿位置検出手段１２は調理皿１４を調理室２
内のどの棚１３に載せたかを検出するものであり、本実
施例ではマイクロスイッチより構成されているが、皿位
置を検出できるものであれば何でも良く、本発明を拘束
するものではない。調理物推定手段８は固有物理量検出
手段６、計時手段７、皿位置検出手段１２の出力に基づ
き調理物が何であるのかをを推定するものであり、制御
手段５は調理物推定手段８の出力に基づき調理手段３を
制御する。調理手段３は、本実施例では、マイクロ波供
給手段３ａと、ヒーター３ｂからなり調理室２に配設さ
れている。

【００４０】次に調理物推定手段を構成する神経回路網
模式手段に学習させたデータについて説明する。図１２
（ａ）は、”パイ”をオーブン調理した時の固有物理量
検出手段６の出力電圧の変化を示している。図１２
（ｂ）は”スポンジケーキ”、図１２（ｃ）は”ハンバ
ーグ”、図１２（ｄ）は”グラタン”を、それぞれオー
ブン調理した時の固有物理量検出手段６の出力電圧の変
化を示している。図１２（ａ）、図１２（ｂ）から”パ
イ”と”スポンジケーキ”では、明かに重量変化の度合
が異なっている。又、図１２（ｃ）、図１２（ｄ）か
ら”ハンバーグ”と”グラタン”においても、重量の変
化度合が異なっている。自動調理の対象となる調理メニ
ューすべてについて実験をしデータを採取した。そし
て、その実験デ−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固有物理量
手段６の調理物の重量情報と、調理皿の皿位置情報の入
力情報と、理想出力として調理物のメニューを入力し学
習させ、神経回路網模式手段の中の信号変換手段３１
Ｘ、３１Ｙ、３１Ｚを確立し、それらを神経回路網模式
手段として調理物推定手段８に組み込んでいる。

【００４１】つぎに、図３に示した構成ブロック図に基
づき動作を説明する。まず、調理物を調理皿１４にの
せ、あらかじめ決められた調理室２の棚１３にセットす
る。本実施例では、対象となる自動オーブン調理メニュ
ーとして、１２種類を考慮しており、”パイ”、”ケー
キ類”であれば、棚位置は下であり、”ハンバー
グ”、”グラタン”であれば、棚位置は上である。操作
手段１０のオーブン調理キー１０ｃによりオーブン調理
モードを選択する。そして調理キー１０ｂにより調理が
開始される。制御手段５は、調理手段３を駆動すべく加
熱開始信号を出力する。又、皿位置検出手段１２の皿位
置情報は調理皿のセットされた棚位置であり、調理物推
定手段８に入力されている。そして調理物の固有物理量
情報は固有物理量検出手段６の出力がＡ／Ｄ変換手段９
でディジタル変換され、時々刻々調理物推定手段８に入
力されている。調理物推定手段８は、これらの入力され
た信号・情報をもとに調理物が何であるのかを推定し、
その情報を制御手段５に出力している。調理物推定手段
８は、皿位置検出情報により、調理物を大分類し、調理
物の固有物理量情報の変化から詳細メニューを推定する
ように動作する。制御手段５は、この推定調理物情報で
調理メニューが認識できたので、調理メニューに応じた
調理シーケンスを実行させることができる。

【００４２】以上のように本実施例によれば、実際に自
動調理の対象となる調理メニューについて調理をし、セ
ットされた調理皿の棚位置情報と、調理中の時々刻々の
調理物の固有物理量情報を、既に学習した複数の固定結
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
理物推定手段を備えた構成としているので、調理物のメ
ニューが認識でき、各々のメニューについて最適な調理
シーケンスを駆動することができるので、従来に比べ、
メニュー選択キーの数を集約することができ、使い勝手
上大変便利なものとなる。

【００４３】（実施例４）本実施例では、電子オーブン
レンジに応用した例について説明する。構成は図４に示
すように、実施例１の調理物の推定を、より精度を向上
させるために商用電源電圧の電圧レベルを検出する電圧
レベル検出手段１１と、調理室２にセットされる調理皿
１４の位置を検出する皿位置検出手段１２の情報を調理
物推定手段８に入力することにより実現している。具体
的な内容は実施例１、実施例２および実施例３で説明し
たので省略する。効果は、電圧レベル検出手段１１と皿
位置検出手段１２を備えているので、調理物の推定の精
度は実施例２の場合と同様により向上する。

【００４４】以上の実施例では、制御手段５、計時手段
７、調理物推定手段８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
理物推定手段８には調理物の固有物理量情報として重量
情報を適切に加工して入力しているが、この限定は本発
明を拘束するものでなく加工方法を変えたり、情報量を
増やして推定の精度を向上させることは可能である。ま
た、調理物の固有物理量情報として上記の以外にも、調
理物の形状、高さ、体積情報などでも適用できる。また
相互に事前に演算を施し加工した値を入力しても同様の
効果が得られる。また、本実施例では、調理室を持つ電
子レンジ、電子オーブンレンジについて説明したが、ガ
ステーブル、電磁調理器などの調理室を持たない調理器
具にも適用できる。さらに本実施例では、電子レンジの
再加熱機能や、オーブンレンジでのお菓子の調理を説明
したが、惣菜やレンジ料理の煮込み、下ごしらえにも適
用できる。

【００４５】

【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、調理物を調理する調理手段と、調理物固有の
物理量を検出する固有物理量検出手段と、前記固有物理
量検出手段の出力に基づき前記調理物を推定する調理物
推定手段と、前記調理物推定手段の出力に基づき前記調
理手段を制御する制御手段とからなるから、調理物が何
であるのかを認識することができると同時に、その調理
物に最適に調理手段を制御できるので、調理の出来上り
状態をより向上させることが可能となる。さらに、自動
調理を可能にするための操作部のキーが集約化でき使い
勝手が向上する。

【００４６】また調理物を調理する調理手段と、調理物
固有の物理量を検出する固有物理量検出手段と、商用電
源電圧の電圧レベルを検出する電圧レベル検出手段と、
前記固有物理量検出手段、前記電圧レベル検出手段の出
力に基づき前記調理物を推定する調理物推定手段と、前
記調理物推定手段の出力に基づき前記調理手段を制御す
る制御手段とからなるから電源電圧の変動に対しても調
理物の推定の精度が向上する。

【００４７】また調理物を調理する調理手段と、前記調
理物を載せる調理皿の位置を検出する皿位置検出手段
と、調理物固有の物理量を検出する固有物理量検出手段
と、前記皿位置検出手段、前記固有物理量検出手段の出
力に基づき前記調理物を推定する調理物推定手段と、前
記調理物推定手段の出力に基づき前記調理手段を制御す
る制御手段とからなるから、最初に調理物の推定を皿位
置により大まかに分類でき、次に詳細に調理物を推定で
きるので調理物推定の精度がより向上できるとともに、
推定可能な調理物の数を増やすことがで、自動調理が可
能となる調理物の種類を増やすことができる。

【００４８】また調理物を調理する調理手段と、前記調
理物を載せる調理皿の位置を検出する皿位置検出手段
と、商用電源電圧の電圧レベルを検出する電圧レベル検
出手段と、調理物固有の物理量を検出する固有物理量検
出手段と、前記皿位置検出手段、前記電圧レベル検出手
段、前記固有物理量検出手段の出力に基づき前記調理物
を推定する調理物推定手段と、前記調理物推定手段の出
力に基づき前記調理手段を制御する制御手段とからなる
から、調理物の推定を、さらに向上させることができ
る。

【００４９】また調理物推定手段は、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学習によって得ら
れ、調理物を推定する複数の固定された結合重み係数を
内部に持つ神経回路網模式手段を有し、または、複数の
神経素子より構成される層が多数組み合わされて構築さ
れる階層型の神経回路網模式手段を有するから、自動調
理の対象となる学習させた調理メニューについては、調
理物の推定ができ自動調理が可能となり、調理メニュー
選択の操作が不要な使い勝手の良い調理器具を提供でき
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】本発明の他の実施例の調理器具の構成ブロック
図

【図３】本発明の他の実施例の調理器具の構成ブロック
図

【図４】本発明の他の実施例の調理器具の構成ブロック
図

【図５】本発明の一実施例の調理器具に用いた操作部の
構成図

【図６】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７】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８】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９】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１０】図１の構成ブロック図に基づく調理器具の実
験データの一例を示す図

【図１１】同調理器具の実験データの他の例を示す図

【図１２】図３の構成ブロック図に基づく調理器具の実
験データの一例を示す図

【図１３】従来の調理器具の構成ブロック図

【図１４】従来の調理器具の他の構成ブロック図

【符号の説明】

１調理器具３調理手段５制御手段６固有物理量検出手段８調理物推定手段１１電圧レベル検出手段１２皿位置検出手段１４調理皿

───────────────────────────────────────────────────── フロントページの続き (72)発明者黄地謙三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

Claims

【特許請求の範囲】

【請求項１】調理物を調理する調理手段と、調理物固有
の物理量を検出する固有物理量検出手段と、前記固有物
理量検出手段の出力に基づき前記調理物を推定する調理
物推定手段と、前記調理物推定手段の出力に基づき前記
調理手段を制御する制御手段とからなる調理器具。
【請求項２】調理物を調理する調理手段と、調理物固有
の物理量を検出する固有物理量検出手段と、商用電源電
圧の電圧レベルを検出する電圧レベル検出手段と、前記
固有物理量検出手段、前記電圧レベル検出手段の出力に
基づき前記調理物を推定する調理物推定手段と、前記調
理物推定手段の出力に基づき前記調理手段を制御する制
御手段とからなる調理器具。
【請求項３】調理物を調理する調理手段と、前記調理物
を載せる調理皿の位置を検出する皿位置検出手段と、調
理物固有の物理量を検出する固有物理量検出手段と、前
記皿位置検出手段、前記固有物理量検出手段の出力に基
づき前記調理物を推定する調理物推定手段と、前記調理
物推定手段の出力に基づき前記調理手段を制御する制御
手段とからなる調理器具。
【請求項４】調理物を調理する調理手段と、前記調理物
を載せる調理皿の位置を検出する皿位置検出手段と、商
用電源電圧の電圧レベルを検出する電圧レベル検出手段
と、調理物固有の物理量を検出する固有物理量検出手段
と、前記皿位置検出手段、前記電圧レベル検出手段およ
び前記固有物理量検出手段の出力に基づき前記調理物を
推定する調理物推定手段と、前記調理物推定手段の出力
に基づき前記調理手段を制御する制御手段とからなる調
理器具。
【請求項５】調理物推定手段は、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学習によって得られ、
調理物を推定する複数の固定された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請求項１ないし請求
項４記載の調理器具。
【請求項６】調理物推定手段は、複数の神経素子より構
成される層が多数組み合わされて構築される階層型の神
経回路網模式手段を備えたことを特徴とする請求項１な
いし請求項４記載の調理器具。