CN111435447A - 识别留胚米的方法、装置和烹饪器具 - Google Patents
识别留胚米的方法、装置和烹饪器具 Download PDFInfo
- Publication number
- CN111435447A CN111435447A CN201910033066.3A CN201910033066A CN111435447A CN 111435447 A CN111435447 A CN 111435447A CN 201910033066 A CN201910033066 A CN 201910033066A CN 111435447 A CN111435447 A CN 111435447A
- Authority
- CN
- China
- Prior art keywords
- rice
- area
- image
- grain
- rice grain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 535
- 235000009566 rice Nutrition 0.000 title claims abstract description 535
- 238000010411 cooking Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 51
- 240000007594 Oryza sativa Species 0.000 title description 4
- 241000209094 Oryza Species 0.000 claims abstract description 534
- 235000013339 cereals Nutrition 0.000 claims abstract description 288
- 210000001161 mammalian embryo Anatomy 0.000 claims abstract description 77
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000014759 maintenance of location Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 235000013305 food Nutrition 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000010438 heat treatment Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000001276 controlling effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 235000016709 nutrition Nutrition 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000000050 nutritive effect Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- GVJHHUAWPYXKBD-UHFFFAOYSA-N (±)-α-Tocopherol Chemical compound OC1=C(C)C(C)=C2OC(CCCC(C)CCCC(C)CCCC(C)C)(C)CCC2=C1C GVJHHUAWPYXKBD-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000002791 soaking Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- AUNGANRZJHBGPY-UHFFFAOYSA-N D-Lyxoflavin Natural products OCC(O)C(O)C(O)CN1C=2C=C(C)C(C)=CC=2N=C2C1=NC(=O)NC2=O AUNGANRZJHBGPY-UHFFFAOYSA-N 0.000 description 1
- AUNGANRZJHBGPY-SCRDCRAPSA-N Riboflavin Chemical compound OC[C@@H](O)[C@@H](O)[C@@H](O)CN1C=2C=C(C)C(C)=CC=2N=C2C1=NC(=O)NC2=O AUNGANRZJHBGPY-SCRDCRAPSA-N 0.000 description 1
- 229930003451 Vitamin B1 Natural products 0.000 description 1
- 229930003471 Vitamin B2 Natural products 0.000 description 1
- 229930003427 Vitamin E Natural products 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 235000014113 dietary fatty acids Nutrition 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 229930195729 fatty acid Natural products 0.000 description 1
- 239000000194 fatty acid Substances 0.000 description 1
- 150000004665 fatty acids Chemical class 0.000 description 1
- WIGCFUFOHFEKBI-UHFFFAOYSA-N gamma-tocopherol Natural products CC(C)CCCC(C)CCCC(C)CCCC1CCC2C(C)C(O)C(C)C(C)C2O1 WIGCFUFOHFEKBI-UHFFFAOYSA-N 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002366 mineral element Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 235000021395 porridge Nutrition 0.000 description 1
- 235000018102 proteins Nutrition 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 229960002477 riboflavin Drugs 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 235000014347 soups Nutrition 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 229960003495 thiamine Drugs 0.000 description 1
- DPJRMOMPQZCRJU-UHFFFAOYSA-M thiamine hydrochloride Chemical compound Cl.[Cl-].CC1=C(CCO)SC=[N+]1CC1=CN=C(C)N=C1N DPJRMOMPQZCRJU-UHFFFAOYSA-M 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 235000010374 vitamin B1 Nutrition 0.000 description 1
- 239000011691 vitamin B1 Substances 0.000 description 1
- 235000019164 vitamin B2 Nutrition 0.000 description 1
- 239000011716 vitamin B2 Substances 0.000 description 1
- 235000019165 vitamin E Nutrition 0.000 description 1
- 239000011709 vitamin E Substances 0.000 description 1
- 229940046009 vitamin E Drugs 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种识别留胚米的方法、装置和烹饪器具。其中,该方法包括:获取米粒图像;使用卷积神经网络模型识别米粒图像,确定米粒图像中米粒的类型,其中,米粒的类型至少包括:整米、碎米和粘连米;获取米粒图像中整米的轮廓面积;划分整米的轮廓面积,并通过比对不同划分区域的面积,确定米粒是否为留胚米。上述方案基于人工智能技术,解决了现有技术识别米粒是否为留胚米的准确率低、检测速度慢的技术问题。
Description
技术领域
本发明涉及图像处理领域,具体而言,涉及一种识别留胚米的方法、装置和烹饪器具。
背景技术
随着食品安全和营养意识的提高,人们更加重视高品质营养价值,合理调整饮食结构。留胚米是一种没有经过深加工的糙米,也称胚芽米,一般是指留胚率在80%以上,或米胚质量占20%以上的大米,其营养成分普遍高于精米,含有丰富的蛋白质、脂肪酸、维生素B1、维生素B2、维生素E和矿物质元素等,能够调节体内激素分泌、调节心血管疾病、降低血压以及调节神经等营养功能。
留胚率是胚芽米的重要衡量指标,高留胚率的胚芽米其营养价值更高。传统的留胚率检测方式主观性大、检测速度慢、效率及准确率低,利用计算机视觉及改进支持向量机等方式测量留胚率的技术也在发展,但目前识别效果不甚理想。
针对现有技术识别米粒是否为留胚米的准确率低、检测速度慢的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种识别留胚米的方法、装置和烹饪器具,以至少解决现有技术识别米粒是否为留胚米的准确率低、检测速度慢的技术问题。
根据本发明实施例的一个方面,提供了一种识别留胚米的方法,包括:获取米粒图像;使用卷积神经网络模型识别米粒图像,确定米粒图像中米粒的类型,其中,米粒的类型至少包括:整米、碎米和粘连米;获取米粒图像中整米的轮廓面积;划分整米的轮廓面积,并通过比对不同划分区域的面积,确定米粒是否为留胚米。
可选地,使用卷积神经网络模型识别米粒图像,确定米粒图像中米粒的类型,包括:从米粒图像中提取每个米粒的轮廓区域;计算每个米粒的轮廓区域的区域面积;将每个米粒的轮廓区域的区域面积与面积阀值进行比对,确定米粒图像中每个米粒的类型。
可选地,从米粒图像中提取每个米粒的轮廓区域,包括:通过卷积神经网络的卷积层中的每个卷积核扫描米粒图像中每个米粒对应的图像区域,得到每个图像区域所包含的米粒的特征图层;通过卷积神经网络的池化层对每个图像区域所包含的米粒的特征图层进行去冗余处理;通过卷积神经网络的至少一个全连接层将去冗余处理后的多个特征图层进行转换,得到每个米粒的图像特征;通过标记每个米粒的图像特征,得到每个米粒的轮廓区域。
可选地,通过卷积神经网络的softmax层判断每个米粒的轮廓区域的区域面积是否大于等于面积阀值,其中,轮廓区域的区域面积大于等于面积阀值的米粒为整米。
可选地,划分整米的轮廓面积,并通过比对不同划分区域的面积,确定米粒是否为留胚米,包括:使用四分法将整米的轮廓面积进行平均划分,得到面积相同的四个区域;通过比较四个区域的面积差异,确定米粒是否为留胚米。
可选地,四个区域中,如果其中任意一个区域的面积值与其他三个区域的面积值都不存在差异,确定米粒为留胚米。
可选地,在确定米粒是否为留胚米之后,方法还包括:循环确定米粒图像中所有米粒的类型,通过确定米粒图像中留胚米的数量,计算米粒的留胚率;获取米粒的留胚率与对应的煲饭模式的关系模型。
可选地,在获取米粒的留胚率与对应的煲饭模式的关系模型之后,方法还包括:获取待煲米粒的图像;基于待煲米粒的图像,获取待煲米粒的整体留胚率:基于待煲米粒的整体留胚率,从关系模型中匹配得到对应的煲饭模式;控制煲饭设备按照匹配得到的煲饭模式进行工作。
根据本发明实施例的另一方面,还提供了一种识别留胚米的装置,包括:第一获取模块,用于获取米粒图像;第一确定模块,用于使用卷积神经网络模型识别米粒图像,确定米粒图像中米粒的类型,其中,米粒的类型至少包括:整米、碎米和粘连米;第二获取模块,用于获取米粒图像中整米的轮廓面积;第二确定模块,用于划分整米的轮廓面积,并通过比对不同划分区域的面积,确定米粒是否为留胚米。
可选地,第一确定模块包括:提取模块,用于从米粒图像中提取每个米粒的轮廓区域;计算模块,用于计算每个米粒的轮廓区域的区域面积;比对模块,用于将每个米粒的轮廓区域的区域面积与面积阀值进行比对,确定米粒图像中每个米粒的类型。
可选地,提取模块包括:扫描模块,用于通过卷积神经网络的卷积层中的每个卷积核扫描米粒图像中每个米粒对应的图像区域,得到每个图像区域所包含的米粒的特征图层;池化模块,用于通过卷积神经网络的池化层对每个图像区域所包含的米粒的特征图层进行去冗余处理;转化模块,用于通过卷积神经网络的至少一个全连接层将去冗余处理后的多个特征图层进行转换,得到每个米粒的图像特征;标记模块,用于通过标记每个米粒的图像特征,得到每个米粒的轮廓区域。
可选地,比对模块包括:比对子模块,用于通过卷积神经网络的softmax层判断每个米粒的轮廓区域的区域面积是否大于等于面积阀值,其中,轮廓区域的区域面积大于等于面积阀值的米粒为整米。
可选地,第二确定模块包括:划分模块,用于使用四分法将整米的轮廓面积进行平均划分,得到面积相同的四个区域;比较模块,用于通过比较四个区域的面积差异,确定米粒是否为留胚米。
可选地,四个区域中,如果其中任意一个区域的面积值与其他三个区域的面积值都不存在差异,确定米粒为留胚米。
可选地,装置还包括:留胚率计算模块,用于在确定米粒是否为留胚米之后,循环确定米粒图像中所有米粒的类型,通过确定米粒图像中留胚米的数量,计算米粒的留胚率;对应模块,用于获取米粒的留胚率与对应的煲饭模式的关系模型。
可选地,装置还包括:第三获取模块,用于在获取米粒的留胚率与对应的煲饭模式的关系模型之后,获取待煲米粒的图像;第四获取模块,用于基于待煲米粒的图像,获取待煲米粒的整体留胚率:匹配模块,用于基于待煲米粒的整体留胚率,从关系模型中匹配得到对应的煲饭模式;控制模块,用于控制煲饭设备按照匹配得到的煲饭模式进行工作。
根据本发明实施例的另一方面,还提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述任意一种识别留胚米的方法。
根据本发明实施例的另一方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述任意一种识别留胚米的方法。
根据本发明实施例的另一方面,还提供了一种烹饪器具,包括上述任意一种识别留胚米的装置。
在本发明实施例中,获取米粒图像;使用卷积神经网络模型识别米粒图像,确定米粒图像中米粒的类型,其中,米粒的类型至少包括:整米、碎米和粘连米;获取米粒图像中整米的轮廓面积;划分整米的轮廓面积,并通过比对不同划分区域的面积,确定米粒是否为留胚米。上述方案基于人工智能技术,利用深度学习算法中的CNN区分识别整米、碎米和粘连米,通过轮廓聚类检测留胚率,避免传统方式检测留胚率人为主观因素干扰,提高了分类精确度和速度,间接性提高后续检测留胚率的精度值,进而解决了现有技术识别米粒是否为留胚米的准确率低、检测速度慢的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本申请实施例的一种可选的识别留胚米的方法流程图;
图2是根据本申请实施例的一种可选的卷积神经网络实现米粒类型划分的流程图;
图3是根据本申请实施例的一种可选的留胚率与煲饭模式选取流程图;
图4是根据本申请实施例的一种可选的留胚率与煲饭模式匹配整体流程图;以及图5是根据本申请实施例的一种可选的识别留胚米的装置示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、装置、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、装置、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种识别留胚米的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种识别留胚米的方法流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取米粒图像。
一种可选方案中,上述米粒可以为稻米。上述米粒图像可以为随机选取的平铺无重叠的米粒图像。上述获取方式可以通过照相机、摄像机、图像传感器等图像采集装置获得。
将随机选取的米粒均匀平铺于平面上,选择合适的距离和光照条件用数码相机拍摄轮廓清晰且被测米粒特征充满视场的图像。
步骤S104,使用卷积神经网络模型识别米粒图像,确定米粒图像中米粒的类型,其中,米粒的类型至少包括:整米、碎米和粘连米。
卷积神经网络属于有监督的学习算法,是深度神经网络中的一种特殊情况,它相比于深度人工神经网络具有权值数量少、训练速度快等优点。
卷积神经网络主要由三部分组成,分别是输入层、隐藏层和输出层。其中,输入层和输出层只有一层,而隐藏层可以有多层,深度神经网络就是有很多个隐藏层的神经网络。卷积神经网络的输入层为米粒图像,通过使用卷积神经网络对米粒图像进行计算,将米粒图像的米粒轮廓区域全部标记,进而求取每个轮廓的区域面积,实现整米、碎米和粘连米类型的划分,方便后续留胚率的计算。
步骤S106,获取米粒图像中整米的轮廓面积。
由于留胚率参数对于整米才有意义,所以只提取所有整米的轮廓面积。
步骤S108,划分整米的轮廓面积,并通过比对不同划分区域的面积,确定米粒是否为留胚米。
一种可选方案中,上述划分方式可以沿米粒的对称轴所在平面进行划分。
由于留胚米保留了普通大米的胚芽部分,故其从结构上相比普通大米较为对称,呈近似的椭圆状。所以可以沿米粒的对称轴所在平面进行将米粒划分几个区域,通过比对各区域的面积来判断米粒是否为留胚米。若几个区域面积相差不大,说明该米粒为留胚米,若有一个区域的面积明显与其它几个区域的面积相差很大,说明该米粒不是留胚米。
在一中可选的实施例中,首先将随机选取的米粒均匀平铺于平面上,选择合适的距离和光照条件用数码相机拍摄轮廓清晰且被测米粒特征充满视场的图像,并将米粒图像的米粒轮廓区域全部标记,进而求取每个轮廓的区域面积,利用卷积神经网络模型实现整米、碎米和粘连米类型的划分。其次,提取所有整米的所有轮廓面积,利用面积等分法计算每块面积,并比较它们之间的面积差异,判别是否为留胚米,进而计算整理留胚率。
基于本申请上述实施例提供的方案,获取米粒图像;使用卷积神经网络模型识别米粒图像,确定米粒图像中米粒的类型,其中,米粒的类型至少包括:整米、碎米和粘连米;获取米粒图像中整米的轮廓面积;划分整米的轮廓面积,并通过比对不同划分区域的面积,确定米粒是否为留胚米。上述方案基于人工智能技术,利用深度学习算法中的CNN区分识别整米、碎米和粘连米,通过轮廓聚类检测留胚率,避免传统方式检测留胚率人为主观因素干扰,提高了分类精确度和速度,间接性提高后续检测留胚率的精度值,进而解决了现有技术识别米粒是否为留胚米的准确率低、检测速度慢的技术问题。
可选地,使用卷积神经网络模型识别米粒图像,确定米粒图像中米粒的类型,包括:从米粒图像中提取每个米粒的轮廓区域;计算每个米粒的轮廓区域的区域面积;将每个米粒的轮廓区域的区域面积与面积阀值进行比对,确定米粒图像中每个米粒的类型。
一种可选方案中,上述轮廓区域的区域面积可以为米粒的投影面积。
由于平铺的整米、碎米、粘连米的总面积或投影面积相差很大,故通过面积阀值比较的方式可以很快判断出米粒图像中每个米粒的类型。
可选地,从米粒图像中提取每个米粒的轮廓区域,包括:通过卷积神经网络的卷积层中的每个卷积核扫描米粒图像中每个米粒对应的图像区域,得到每个图像区域所包含的米粒的特征图层;通过卷积神经网络的池化层对每个图像区域所包含的米粒的特征图层进行去冗余处理;通过卷积神经网络的至少一个全连接层将去冗余处理后的多个特征图层进行转换,得到每个米粒的图像特征;通过标记每个米粒的图像特征,得到每个米粒的轮廓区域。
一种可选方案中,提取每个米粒的轮廓区域可以为提取米粒轮廓标记边缘化的最小面积。
在上述步骤中,输入层与卷积层相连,卷积层主要由卷积核构成,卷积核从米粒图像的左上角开始从左至右,从上到下,进行扫描,每扫过单位面积(卷积核面积)时,将米粒图像中的像素点与卷积核进行矩阵计算,得到一个映射区域,即特征图,许多特征图组成一个卷积特征图层。池化层对每个图像区域所包含的米粒的特征图层进行去冗余处理,然后通过至少一个全连接层将去冗余处理后的特征图层进行转换,得到每个米粒的图像特征。
卷积层和池化层可以有多种不同的组合,全连接层也可以有多层,具体的层次和网络深度可以根据实际需要进行选取。层数越多,识别结果越准确,网络越复杂。
图2是根据本申请实施例的卷积神经网络实现米粒类型划分的流程图,最终实现对米粒是整米、碎米或粘连米的分类过程。首先,获取米粒图像,受拍照距离、光照条件和拍照角度等因素的影响,将米粒近似均匀平铺于选定区域并采取合适的方式对米粒拍照以保证米粒轮廓清晰且其特征充满视场。其次,对米粒图像进行去噪处理,防止图像噪声淹没米粒特征。再次,将经过预处理的图像输入卷积神经网络模型,实现对米粒轮廓区域标记并计算出米粒轮廓标记边缘化最小面积。最后,设定米粒类型面积划分阀值,通过输出层实现整米、碎米和粘连米的分类。
可选地,通过卷积神经网络的softmax层判断每个米粒的轮廓区域的区域面积是否大于等于面积阀值,其中,轮廓区域的区域面积大于等于面积阀值的米粒为整米。
输出层为softmax层,采用softmax分类函数,对全连接层的输出结果进行分类,实现整米、碎米和粘连米的划分。当轮廓区域的区域面积大于等于面积阀值且在一定范围内时,表明该米粒为整米。只有整米才有计算留胚率的意义。
可选地,划分整米的轮廓面积,并通过比对不同划分区域的面积,确定米粒是否为留胚米,包括:使用四分法将整米的轮廓面积进行平均划分,得到面积相同的四个区域;通过比较四个区域的面积差异,确定米粒是否为留胚米。
一种可选方案中,将米粒形状看做近似椭圆状,上述四分法可以沿米粒的两个对称轴所在平面进行划分,将整米划分为四个区域。通过比较四个区域的投影面积或总面积之间的差异,来判断该米粒是否为留胚米。
可选地,四个区域中,如果其中任意一个区域的面积值与其他三个区域的面积值都不存在差异,确定米粒为留胚米。
将整米轮廓分为4份后进行判断。若几个区域面积相差不大,说明该米粒为留胚米,若有一个区域的面积明显与其它几个区域的面积相差很大,说明该米粒无胚芽,不是留胚米。
可选地,在确定米粒是否为留胚米之后,方法还包括:循环确定米粒图像中所有米粒的类型,通过确定米粒图像中留胚米的数量,计算米粒的留胚率;获取米粒的留胚率与对应的煲饭模式的关系模型。
一种可选方案中,上述煲饭模式可以为米粒泡米、升温、沸腾、焖饭和保温的时间,可以以曲线图的形式存储于电饭煲的存储器中。上述关系模型可以为米粒的留胚率和煲饭模式的对应关系,也可以预先存储在电饭煲的存储器中。
采用同样的方式,通过循环往复的方式判断每一个整米是否为留胚米,进而计算留胚率。由于留胚米与普通大米的蒸煮方式略有差异,为了煲出更加香甜可口的米粒,根据留胚率选取煲饭模式是深度学习算法检测稻米留胚率的一个重要应用。所以在得到米粒的留胚率后,根据整体留胚率与对应的煲饭模式的关系曲线图选取最佳煲饭模式,提供更加健康的烹饪方式,营养价值更高。
图3是根据本申请实施例的留胚率与煲饭模式选取流程图。如图3所示,从卷积神经网络模型中输出米粒类型的分类结果,提取所有整米的轮廓面积,利用面积四分法均匀分割轮廓区域边缘矩形面积,通过计算四份区域面积值并比较四者之间是否有其一的面积与其它三者有明显差异,判断是否为留胚米,进而遍历计算整体米粒的留胚率,同时给出整体留胚率与煲饭模式的对应关系,根据对应关系选取最佳煲饭模式。智能人性化的煲饭模式极大地便利了人们的生活需求,提高生活品质追求。
可选地,在获取米粒的留胚率与对应的煲饭模式的关系模型之后,方法还包括:获取待煲米粒的图像;基于待煲米粒的图像,获取待煲米粒的整体留胚率:基于待煲米粒的整体留胚率,从关系模型中匹配得到对应的煲饭模式;控制煲饭设备按照匹配得到的煲饭模式进行工作。
一种可选方案中,上述待煲米粒为用户即将煮饭时所用的米粒。
图4是根据本申请实施例的留胚率与煲饭模式匹配整体流程图。如图4所示,整体流程图可分为卷积神经网络模型、留胚率与煲饭模式对应关系和煲饭模式智能化匹配三大模块。将米粒图像输入到卷积神经网络模型中,通过轮廓区域全标记,计算每个轮廓区域的面积,比较其与设定面积阀值的大小,最后由softmax层输出整米、碎米和粘连米类型。轮廓聚类检测留胚率,首先提取出全部整米轮廓面积,利用面积四分法将整米轮廓等价划分以比较各面积之间差异进而确定该整米是否为留胚米,遍历所有整米后,计算留胚率。最后通过留胚率与煲饭模式关联曲线图,智能化选择最佳煲饭模式,实现煲出的米粒更加香糯可口,为用户追求高品质的营养价值。对于用户来说,只需要从待煲米中提取样本,烹饪器具即可按照匹配的煲饭模式工作,使待煲米的营养价值得到最佳的食用,极大提高了用户满意度。
可选地,将上述识别留胚米的方法应用于烹饪器具中,上述烹饪器具可以包括加热部件、计时模块、决策模块、显示模块、通信模块和报警模块。
可选地,在使用卷积神经网络模型识别米粒图像,确定米粒图像中米粒的类型之后,方法还包括:决策模块根据设定的烹饪数据和食物的类型,确定烹饪数据,其中,烹饪数据至少包括:加热电阻的加热数据、排气阀的排气时间和不同烹饪阶段的加热温度;基于烹饪数据控制烹饪器具对食物进行烹饪。
一种可选方案中,决策模块内部具有执行机构,例如加热电阻、计时模块等。上述设定的烹饪数据可以为用户预先设定的烹饪数据,例如口感与偏好(偏软、适中、偏硬、煮粥、煲汤等模式)。
决策模块根据卷积神经网络模型输出的食物的类型,结合用户喜好设定,自动选择烹饪方式,例如泡米时间、加热电阻的加热温度、加热时间、排气阀的排气时间、排气阀开度和保温时间等,以便获得最佳的烹饪方式,保证食物的口感,同时确保营养不会流失。
可选地,在基于烹饪数据控制烹饪器具对食物进行烹饪的过程中,方法还包括:通过温湿度传感器检测排气阀的排气口的蒸汽数据;决策模块基于温湿度传感器检测到的蒸汽数据,获取反馈信息,其中,反馈信息用于触发蒸汽回收机构开始工作。
一种可选方案中,上述温湿度传感器可以为具有防水耐高温功能的传感器。
需要说明的是,只有蒸汽数据超过一定阈值,才能推动风轮旋转。所以当决策模块基于温湿度传感器检测到的蒸汽数据大于蒸汽数据阈值时,才发出反馈信息,触发蒸汽回收机构开始工作。
可选地,在决策模块根据设定的烹饪数据和食物的类型,确定烹饪数据之前,方法还包括:决策模块接收通信模块传输的食物图像中食物的类型,并接收到外部交互界面接收到的烹饪数据。
一种可选方案中,上述通信模块可以为有线通信模块或无线通信模块,例如wifi模块。上述外部交互界面可以为设置于烹饪器具外表面的显示面板,也可以为遥控器。
在实际烹饪过程中,卷积神经网络识别出的食物类型通过通信模块传输给决策模块,决策模块可以结合用户预先设定的烹饪数据和食物的类型,选择最佳的烹饪数据。
可选地,通信模块还用于接收远程服务器传输的更新指令,其中,更新指令用于对烹饪器具的功能进行升级。
功能不变的电饭煲势必满足不了需求不断增加的用户,当有新的功能开发出来后,服务器可以通过通信模块将新版本的运行程序传输给电饭煲,实现远程更新,使服务效果更理想。
通过上述方案,获取米粒图像;使用卷积神经网络模型识别米粒图像,确定米粒图像中米粒的类型,其中,米粒的类型至少包括:整米、碎米和粘连米;获取米粒图像中整米的轮廓面积;划分整米的轮廓面积,并通过比对不同划分区域的面积,确定米粒是否为留胚米。与现有技术相比,上述方案基于人工智能技术,利用深度学习算法中的CNN区分识别整米、碎米和粘连米,通过轮廓聚类检测留胚率,避免传统方式检测留胚率人为主观因素干扰,提高了分类精确度和速度,间接性提高后续检测留胚率的精度值,进而解决了现有技术识别米粒是否为留胚米的准确率低、检测速度慢的技术问题。同时自动选取煲饭模式,为用户提供最佳煲饭模式,提高了生活品质。
实施例2
根据本发明实施例,提供了一种识别留胚米的装置,图5是根据本申请实施例的识别留胚米的装置示意图。如图5所示,该装置500包括:
第一获取模块502,用于获取米粒图像。
第一确定模块504,用于使用卷积神经网络模型识别米粒图像,确定米粒图像中米粒的类型,其中,米粒的类型至少包括:整米、碎米和粘连米。
第二获取模块506,用于获取米粒图像中整米的轮廓面积。
第二确定模块508,用于划分整米的轮廓面积,并通过比对不同划分区域的面积,确定米粒是否为留胚米。
可选地,第一确定模块包括:提取模块,用于从米粒图像中提取每个米粒的轮廓区域;计算模块,用于计算每个米粒的轮廓区域的区域面积;比对模块,用于将每个米粒的轮廓区域的区域面积与面积阀值进行比对,确定米粒图像中每个米粒的类型。
可选地,提取模块包括:扫描模块,用于通过卷积神经网络的卷积层中的每个卷积核扫描米粒图像中每个米粒对应的图像区域,得到每个图像区域所包含的米粒的特征图层;池化模块,用于通过卷积神经网络的池化层对每个图像区域所包含的米粒的特征图层进行去冗余处理;转化模块,用于通过卷积神经网络的至少一个全连接层将去冗余处理后的多个特征图层进行转换,得到每个米粒的图像特征;标记模块,用于通过标记每个米粒的图像特征,得到每个米粒的轮廓区域。
可选地,比对模块包括:比对子模块,用于通过卷积神经网络的softmax层判断每个米粒的轮廓区域的区域面积是否大于等于面积阀值,其中,轮廓区域的区域面积大于等于面积阀值的米粒为整米。
可选地,第二确定模块包括:划分模块,用于使用四分法将整米的轮廓面积进行平均划分,得到面积相同的四个区域;比较模块,用于通过比较四个区域的面积差异,确定米粒是否为留胚米。
可选地,四个区域中,如果其中任意一个区域的面积值与其他三个区域的面积值都不存在差异,确定米粒为留胚米。
可选地,装置还包括:留胚率计算模块,用于在确定米粒是否为留胚米之后,循环确定米粒图像中所有米粒的类型,通过确定米粒图像中留胚米的数量,计算米粒的留胚率;对应模块,用于获取米粒的留胚率与对应的煲饭模式的关系模型。
可选地,装置还包括:第三获取模块,用于在获取米粒的留胚率与对应的煲饭模式的关系模型之后,获取待煲米粒的图像;第四获取模块,用于基于待煲米粒的图像,获取待煲米粒的整体留胚率:匹配模块,用于基于待煲米粒的整体留胚率,从关系模型中匹配得到对应的煲饭模式;控制模块,用于控制煲饭设备按照匹配得到的煲饭模式进行工作。
需要说明的是,本实施例的可选或优选实施方式可以参见实施例1中的相关描述,但不仅限于实施例1所公开的内容,在此不再赘述。
实施例3
根据本发明实施例,提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行实施例1中识别留胚米的方法。
实施例4
根据本发明实施例,提供了一种处理器,处理器用于运行程序,其中,程序运行时执行实施例1中识别留胚米的方法。
实施例5
根据本发明实施例,提供了一种烹饪器具,包括实施例2中识别留胚米的装置。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例装置的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (19)
1.一种识别留胚米的方法,包括:
获取米粒图像;
使用卷积神经网络模型识别所述米粒图像,确定所述米粒图像中米粒的类型,其中,所述米粒的类型至少包括:整米、碎米和粘连米;
获取米粒图像中整米的轮廓面积;
划分所述整米的轮廓面积,并通过比对不同划分区域的面积,确定所述米粒是否为留胚米。
2.根据权利要求1所述的方法,其特征在于,使用卷积神经网络模型识别所述米粒图像,确定所述米粒图像中米粒的类型,包括:
从所述米粒图像中提取每个米粒的轮廓区域;
计算每个米粒的轮廓区域的区域面积;
将每个米粒的轮廓区域的区域面积与面积阀值进行比对,确定所述米粒图像中每个米粒的类型。
3.根据权利要求2所述的方法,其特征在于,从所述米粒图像中提取每个米粒的轮廓区域,包括:
通过所述卷积神经网络的卷积层中的每个卷积核扫描所述米粒图像中每个米粒对应的图像区域,得到每个图像区域所包含的米粒的特征图层;
通过所述卷积神经网络的池化层对所述每个图像区域所包含的米粒的特征图层进行去冗余处理;
通过所述卷积神经网络的至少一个全连接层将所述去冗余处理后的多个特征图层进行转换,得到每个米粒的图像特征;
通过标记所述每个米粒的图像特征,得到每个米粒的轮廓区域。
4.根据权利要求2所述的方法,其特征在于,通过所述卷积神经网络的softmax层判断每个米粒的轮廓区域的区域面积是否大于等于面积阀值,其中,轮廓区域的区域面积大于等于所述面积阀值的米粒为整米。
5.根据权利要求1至4中任意一项所述的方法,其特征在于,划分所述整米的轮廓面积,并通过比对不同划分区域的面积,确定所述米粒是否为留胚米,包括:
使用四分法将所述整米的轮廓面积进行平均划分,得到面积相同的四个区域;
通过比较四个区域的面积差异,确定所述米粒是否为留胚米。
6.根据权利要求5所述的方法,其特征在于,所述四个区域中,如果其中任意一个区域的面积值与其他三个区域的面积值都不存在差异,确定所述米粒为所述留胚米。
7.根据权利要求1所述的方法,其特征在于,在确定所述米粒是否为留胚米之后,所述方法还包括:
循环确定所述米粒图像中所有米粒的类型,通过确定所述米粒图像中所述留胚米的数量,计算米粒的留胚率;
获取所述米粒的留胚率与对应的煲饭模式的关系模型。
8.根据权利要求7所述的方法,其特征在于,在获取所述米粒的留胚率与对应的煲饭模式的关系模型之后,所述方法还包括:
获取待煲米粒的图像;
基于所述待煲米粒的图像,获取待煲米粒的整体留胚率:
基于所述待煲米粒的整体留胚率,从所述关系模型中匹配得到对应的煲饭模式;
控制煲饭设备按照匹配得到的煲饭模式进行工作。
9.一种识别留胚米的装置,包括:
第一获取模块,用于获取米粒图像;
第一确定模块,用于使用卷积神经网络模型识别所述米粒图像,确定所述米粒图像中米粒的类型,其中,所述米粒的类型至少包括:整米、碎米和粘连米;
第二获取模块,用于获取米粒图像中整米的轮廓面积;
第二确定模块,用于划分所述整米的轮廓面积,并通过比对不同划分区域的面积,确定所述米粒是否为留胚米。
10.根据权利要求9所述的装置,其特征在于,所述第一确定模块包括:
提取模块,用于从所述米粒图像中提取每个米粒的轮廓区域;
计算模块,用于计算每个米粒的轮廓区域的区域面积;
比对模块,用于将每个米粒的轮廓区域的区域面积与面积阀值进行比对,确定所述米粒图像中每个米粒的类型。
11.根据权利要求10所述的装置,其特征在于,所述提取模块包括:
扫描模块,用于通过所述卷积神经网络的卷积层中的每个卷积核扫描所述米粒图像中每个米粒对应的图像区域,得到每个图像区域所包含的米粒的特征图层;
池化模块,用于通过所述卷积神经网络的池化层对所述每个图像区域所包含的米粒的特征图层进行去冗余处理;
转化模块,用于通过所述卷积神经网络的至少一个全连接层将所述去冗余处理后的多个特征图层进行转换,得到每个米粒的图像特征;
标记模块,用于通过标记所述每个米粒的图像特征,得到每个米粒的轮廓区域。
12.根据权利要求10所述的装置,其特征在于,所述比对模块包括:
比对子模块,用于通过所述卷积神经网络的softmax层判断每个米粒的轮廓区域的区域面积是否大于等于面积阀值,其中,轮廓区域的区域面积大于等于所述面积阀值的米粒为整米。
13.根据权利要求9至12中任意一项所述的装置,其特征在于,所述第二确定模块包括:
划分模块,用于使用四分法将所述整米的轮廓面积进行平均划分,得到面积相同的四个区域;
比较模块,用于通过比较四个区域的面积差异,确定所述米粒是否为留胚米。
14.根据权利要求13所述的装置,其特征在于,所述四个区域中,如果其中任意一个区域的面积值与其他三个区域的面积值都不存在差异,确定所述米粒为所述留胚米。
15.根据权利要求9所述的装置,其特征在于,所述装置还包括:
留胚率计算模块,用于在确定所述米粒是否为留胚米之后,循环确定所述米粒图像中所有米粒的类型,通过确定所述米粒图像中所述留胚米的数量,计算米粒的留胚率;
对应模块,用于获取所述米粒的留胚率与对应的煲饭模式的关系模型。
16.根据权利要求15所述的装置,其特征在于,所述装置还包括:
第三获取模块,用于在获取所述米粒的留胚率与对应的煲饭模式的关系模型之后,获取待煲米粒的图像;
第四获取模块,用于基于所述待煲米粒的图像,获取待煲米粒的整体留胚率:
匹配模块,用于基于所述待煲米粒的整体留胚率,从所述关系模型中匹配得到对应的煲饭模式;
控制模块,用于控制煲饭设备按照匹配得到的煲饭模式进行工作。
17.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至8中任意一项所述的识别留胚米的方法。
18.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至8中任意一项所述的识别留胚米的方法。
19.一种烹饪器具,其特征在于,包括权利要求9至16中任意一项所述的识别留胚米的装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910033066.3A CN111435447A (zh) | 2019-01-14 | 2019-01-14 | 识别留胚米的方法、装置和烹饪器具 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910033066.3A CN111435447A (zh) | 2019-01-14 | 2019-01-14 | 识别留胚米的方法、装置和烹饪器具 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111435447A true CN111435447A (zh) | 2020-07-21 |
Family
ID=71580597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910033066.3A Pending CN111435447A (zh) | 2019-01-14 | 2019-01-14 | 识别留胚米的方法、装置和烹饪器具 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111435447A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112657573A (zh) * | 2020-12-29 | 2021-04-16 | 哈尔滨工程北米科技有限公司 | 一种生产留胚米的智能碾磨方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107665336A (zh) * | 2017-09-20 | 2018-02-06 | 厦门理工学院 | 智能冰箱中基于Faster‑RCNN的多目标检测方法 |
CN108829011A (zh) * | 2018-07-16 | 2018-11-16 | 华中农业大学 | 基于智能电饭煲的智能烹饪*** |
CN108875747A (zh) * | 2018-06-15 | 2018-11-23 | 四川大学 | 一种基于机器视觉的小麦不完善粒识别方法 |
CN108960290A (zh) * | 2018-06-08 | 2018-12-07 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
-
2019
- 2019-01-14 CN CN201910033066.3A patent/CN111435447A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107665336A (zh) * | 2017-09-20 | 2018-02-06 | 厦门理工学院 | 智能冰箱中基于Faster‑RCNN的多目标检测方法 |
CN108960290A (zh) * | 2018-06-08 | 2018-12-07 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
CN108875747A (zh) * | 2018-06-15 | 2018-11-23 | 四川大学 | 一种基于机器视觉的小麦不完善粒识别方法 |
CN108829011A (zh) * | 2018-07-16 | 2018-11-16 | 华中农业大学 | 基于智能电饭煲的智能烹饪*** |
Non-Patent Citations (4)
Title |
---|
万鹏: "基于计算机视觉的大米粒形识别方法", 《吉林大学学报(工学版)》 * |
王若兰: "《粮油储藏理论与技术》", 30 April 2015, 河南科学技术出版社 * |
许俐: "机器视觉测量大米留胚率的研究", 《江苏理工大学学报》 * |
高志强 等: "《深度学习 从入门到实战》", 30 June 2018, 中国铁道出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112657573A (zh) * | 2020-12-29 | 2021-04-16 | 哈尔滨工程北米科技有限公司 | 一种生产留胚米的智能碾磨方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020207293A1 (zh) | 一种用于自动烹饪食物的方法和装置 | |
CN108322493B (zh) | 食材识别及烹饪推送方法、***、服务器及烹饪器具 | |
US20190200797A1 (en) | Food preparation method and system based on ingredient recognition | |
CN110780628A (zh) | 烹饪设备的控制方法、装置、烹饪设备及存储介质 | |
CN110806699A (zh) | 烹饪设备的控制方法、装置、烹饪设备及存储介质 | |
CN107886170A (zh) | 烹饪器具的控制方法、装置和***、存储介质、处理器 | |
CN110693332B (zh) | 一种米饭烹饪方法和装置 | |
CN110132890A (zh) | 根据食材成分优化无人厨房烹饪操作的方法及装置 | |
CN110857831A (zh) | 控制冰箱温度的方法及装置 | |
CN110222720A (zh) | 一种具有短视频获取功能的烹饪设备 | |
CN111434290A (zh) | 确定烹饪器具的烹饪模式的方法和烹饪器具 | |
CN110018656A (zh) | 一种具热图像的智能烹饪控制***及控制方法 | |
CN211459762U (zh) | 一种烹饪*** | |
CN111435447A (zh) | 识别留胚米的方法、装置和烹饪器具 | |
CN111435229A (zh) | 控制烹饪模式的方法、装置和烹饪器具 | |
CN108090517A (zh) | 一种谷物识别方法、装置和计算机存储介质 | |
CN111419096B (zh) | 一种食物加工的方法、控制器及食物加工设备 | |
CN111435426A (zh) | 基于米粒识别结果确定烹饪模式的方法、装置和烹饪器具 | |
CN115981141A (zh) | 基于自适应匹配的控制方法、装置、设备及介质 | |
CN115762743A (zh) | 一种家居服务***、方法、装置以及计算机设备 | |
CN110448144B (zh) | 智能蒸煮控制方法、装置、计算机设备及存储介质 | |
CN116076918A (zh) | 烹饪安全检测方法、装置及家用电器 | |
CN111414784B (zh) | 确定加水位的方法及装置、移动终端、存储介质 | |
CN111434291B (zh) | 确定谷物的烹饪模式的方法、装置和烹饪器具 | |
CN111435444A (zh) | 识别谷物的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200721 |