CN112890572B - 一种食材烹调智能控制***及方法 - Google Patents
一种食材烹调智能控制***及方法 Download PDFInfo
- Publication number
- CN112890572B CN112890572B CN202110174197.0A CN202110174197A CN112890572B CN 112890572 B CN112890572 B CN 112890572B CN 202110174197 A CN202110174197 A CN 202110174197A CN 112890572 B CN112890572 B CN 112890572B
- Authority
- CN
- China
- Prior art keywords
- cooking
- description information
- requirement description
- information sample
- sample
- 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.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47J—KITCHEN EQUIPMENT; COFFEE MILLS; SPICE MILLS; APPARATUS FOR MAKING BEVERAGES
- A47J27/00—Cooking-vessels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Food Science & Technology (AREA)
- Cookers (AREA)
Abstract
本发明涉及智能控制***技术领域,涉及一种食材烹调智能控制***及方法。本发明通过接收针对目标食材进行烹调的烹调需求描述信息,然后通过预先训练得到的烹调模式识别模型对所述烹调需求描述信息进行模式识别,得到用于控制所述目标食材对应的目标烹调抽屉盒进行工作的烹调模式,最后根据所述烹调模式控制所述目标烹调抽屉盒对所述目标食材进行烹调。本发明可以根据烹调模式识别模型对用户发送的烹调需求描述信息进行人工智能的烹调模式识别,然后根据识别的烹调模式控制相应的烹调设备对目标食材进行烹调,无需用户对每个模式的烹调逻辑及原理进行充分的理解,只需根据需求发送烹调需求描述信息即可实现智能烹调。
Description
技术领域
本发明涉及智能控制***技术领域,具体而言,涉及一种食材烹调智能控制***及方法。
背景技术
随着社会的进步,经济增长的需求而导致的工作快节奏的要求等等,使得上班族的午膳方式(甚至晚餐)更多地倾向于采用订外卖的方式,外卖一般都是盒装食物。
盒装食物一般是由膳食工厂集中制作并做好包装的,盒装食物内容物可能是生食,也可能是熟食,或是已经用其他方式预加工过的。盒装食物制作完成后,通过冷链被批量地送往各处营业点,在卖给最终的食客之前,需要经过烹调处理,烹调主要是通过加热的方法将食物煮熟或使食物发生变化而使其符合营养和口味需求。烹调方式包括将生米煮成熟饭、将肉和水成煮成肉汤、将新鲜蔬菜做成熟菜、将肉类焖煮出风味、将预加工熟菜加热等等。
在一些智能化的餐饮商家中,大型的智能烹调设备也逐步得到了应用。然而,现有常见的一些智能烹调设备,大多是提供固定的烹调模式供用户选择使用以对食材进行烹调。然而,目前的设备能提供的烹调模式越来越多、越来越复杂,导致用户难以对每个模式的烹调逻辑及原理进行充分的理解,在使用的过程中可能会出现操作困难或者难以达到理想的烹调效果。
发明内容
基于上述问题,第一方面,本发明实施例提供一种食材烹调智能控制***,所述***包括烹调智能控制设备以及与所述烹调智能控制设备连接的烹调设备,所述烹调设备包括多个烹调抽屉盒,每个烹调抽屉盒用于对相应的食材进行烹调,所述烹调智能控制设备包括:
需求信息接收模块,用于接收针对目标食材进行烹调的烹调需求描述信息;
烹调模式识别模块,用于通过预先训练得到的烹调模式识别模型对所述烹调需求描述信息进行模式识别,得到用于控制所述目标食材对应的目标烹调抽屉盒进行工作的烹调模式;
食材烹调控制模块,用于根据所述烹调模式控制所述目标烹调抽屉盒对所述目标食材进行烹调。
基于第一方面,所述食材烹调控制模块,具体用于:
当达到所述烹调模式对应的预设启动时间或所述烹调设备被启动后,根据所述烹调模式针对所述目标食材的烹调加热信号,对所述目标烹调抽屉盒内部的目标食材按照所述烹调模式所对应烹调逻辑规则对相对应的目标食材进行烹调,并在烹调完成后按照所述烹调模式对应的智能保温控制规则将所述目标烹调抽屉盒按照设定温度进行保温控制,所述烹调逻辑规则包括对目标食材的加热温度规则及加热时间规则。
基于第一方面,所述***还包括与所述烹调智能控制设备通信连接的服务器或者所述烹调智能控制设备还包括模型训练模块,所述服务器或所述模型训练模块用于通过以下方法训练得到所述烹调模式识别模型:
a、针对任意目标烹调食材对应的每种目标烹调模式,获取多个第一烹调需求描述信息样本和多个第二烹调需求描述信息样本,其中,第一烹调需求描述信息样本为具有第一相关性参数的烹调需求描述信息,第二烹调需求描述信息样本为具有第二相关性参数的烹调需求描述信息,所述第一相关性参数为所述第一烹调需求描述信息样本与所述目标烹调模式之间的相关性参数,所述第二相关性参数为所述第二烹调需求描述信息样本与所述目标烹调模式之间的相关性参数,所述第一烹调需求描述信息样本与所述目标烹调模式的第一相关性参数位于与所述目标烹调模式正相关的第一设定参数区间,所述第二烹调需求描述信息样本与所述目标烹调模式的第二相关性参数位于与所述目标烹调模式负相关的第二设定参数区间;
b、分别对所述第一烹调需求描述信息样本和第二烹调需求描述信息样本的至少一种需求描述信息进行调整,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本;
c、基于所述第一更新信息样本和第二更新信息样本中被调整后的需求描述信息与所述目标烹调模式对应的标准需求描述信息的相关度,分别调整第一更新信息样本和第二更新信息样本的数据描述中与所述目标烹调模式的相关性参数;
d、基于所述第一烹调需求描述信息样本和第二烹调需求描述信息样本、以及第一更新信息样本和第二更新信息样本,对所述烹调模式识别模型进行训练,
e、迭代执行上述步骤b、c、d,直到满足预设的训练终止条件,得到训练后的烹调模式识别模型。
基于第一方面,所述服务器或所述模型训练模块具体用于通过以下方法,分别对所述第一烹调需求描述信息样本和第二烹调需求描述信息样本的至少一种需求描述信息进行调整,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本:
确定需要调整需求描述信息的第一烹调需求描述信息样本和第二烹调需求描述信息样本;
调整所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中至少一种同一类型的需求描述信息,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本;
所述服务器或所述模型训练模块具体用于通过以下方法,分别调整第一更新信息样本和第二更新信息样本的数据描述中与所述目标烹调模式的相关性参数:
基于所述第一更新信息样本中被调整后的需求描述信息,转换得到所述第一更新信息样本对应的第一需求描述特征向量,基于所述第二更新信息样本中被调整后的需求描述信息,转换得到所述第二更新信息样本对应的第二需求描述特征向量;
基于所述第一更新信息样本的第一需求描述特征向量与所述标准需求描述信息对应的标准需求描述特征向量,计算所述第一更新信息样本与所述目标烹调模式的第一相关度,并基于所述第二更新信息样本的第二需求描述特征向量与所述标准需求描述信息对应的标准需求描述特征向量,计算所述第二更新信息样本与所述目标烹调模式的第二相关度;
基于所述第一相关度和所述第二相关度分别调整所述第一更新信息样本和所述第二更新信息样本的数据描述中与所述目标烹调模式的相关性参数;
其中:所述调整所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中至少一种同一类型的需求描述信息,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本,包括:
将所述第一烹调需求描述信息样本和第二烹调需求描述信息样本按照相同的聚类方式,组成类型对应的多个烹调需求描述信息组合;从所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中选择至少一种对应同一类型的烹调需求描述信息组合进行调整,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本;或者
在所述第一烹调需求描述信息样本中按照设定规则确定至少一种需求描述信息作为第一待调整描述信息;基于所述第一待调整描述信息确定第二烹调需求描述信息样本中对应同一类型的第二待调整描述信息;对所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中的所述第一待调整描述信息和所述第二待调整描述信息进行调整,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本;
其中:所述从所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中选择至少一种对应同一类型的烹调需求描述信息组合进行调整,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本,包括:
按照设定规则确定所述第一烹调需求描述信息样本和第二烹调需求描述信息样本的烹调需求描述信息组合的调整量;
对所述第一烹调需求描述信息样本和第二烹调需求描述信息样本的烹调需求描述信息组合设置组合标识,得到烹调需求描述信息组合的标识集合;
从所述烹调需求描述信息组合的标识集合中,根据所述调整量选择相应数量的目标组合标识;
调整所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中所述目标组合标识对应的烹调需求描述信息组合,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本。
基于第一方面,所述烹调模式识别模型包括卷积层和回归分析层;所述服务器或所述模型训练模块具体用于通过以下方法对所述烹调模式识别模型进行训练:
将所述第一烹调需求描述信息样本和第二烹调需求描述信息样本、以及第一更新信息样本和第二更新信息样本,作为待训练的烹调模式识别模型的训练样本项;
通过所述卷积层对每个所述训练样本项进行卷积得到烹调需求描述信息对应的模式描述特征向量;
通过所述回归分析层基于所述烹调需求描述信息的模式描述特征向量以及所述目标烹调模式对应的标准需求描述信息对应的标准描述特征向量,对所述训练样本项进行第一相关性参数的烹调需求描述信息和第二相关性参数的烹调需求描述信息的相关性参数回归分析,并基于所述训练样本项的相关性参数回归分析结果,计算所述烹调模式识别模型的损失函数值;
基于所述损失函数值,调整所述烹调模式识别模型的模型参数,以进行下一次迭代训练;
其中,所述训练样本项的相关性参数回归分析结果包括:训练样本项与目标烹调模式的相关性参数;所述基于所述训练样本项的相关性参数回归分析结果,计算所述烹调模式识别模型的损失函数值,包括:
基于所述训练样本项中包括的与所述目标烹调模式的第一相关性参数,和所述相关性参数回归分析结果中与目标烹调模式的相关性参数,计算得到所述烹调模式识别模型的第一损失函数值;
基于所述训练样本项中包括的与目标烹调模式的第二相关性参数,和所述相关性参数回归分析结果中与目标烹调模式的相关性参数,计算得到所述烹调模式识别模型的第二损失函数值;
基于所述第一损失函数值和第二损失函数值,计算得到所述烹调模式识别模型的损失函数值。
第二方面,本发明实施例还提供一种食材烹调智能控制方法,应用于食材烹调智能控制***中的烹调智能控制设备,所述***还包括与所述烹调智能控制设备连接的烹调设备,所述烹调设备包括多个烹调抽屉盒,每个烹调抽屉盒用于对相应的食材进行烹调,所述方法包括:
接收针对目标食材进行烹调的烹调需求描述信息;
通过预先训练得到的烹调模式识别模型对所述烹调需求描述信息进行模式识别,得到用于控制所述目标食材对应的目标烹调抽屉盒进行工作的烹调模式;
根据所述烹调模式控制所述目标烹调抽屉盒对所述目标食材进行烹调。
基于第二方面,所述方法还包括对所述烹调模式识别模型进行训练的步骤,该步骤包括:
a、针对任意目标烹调食材对应的每种目标烹调模式,获取多个第一烹调需求描述信息样本和多个第二烹调需求描述信息样本,其中,第一烹调需求描述信息样本为具有第一相关性参数的烹调需求描述信息,第二烹调需求描述信息样本为具有第二相关性参数的烹调需求描述信息,所述第一相关性参数为所述第一烹调需求描述信息样本与所述目标烹调模式之间的相关性参数,所述第二相关性参数为所述第二烹调需求描述信息样本与所述目标烹调模式之间的相关性参数,所述第一烹调需求描述信息样本与所述目标烹调模式的第一相关性参数位于与所述目标烹调模式正相关的第一设定参数区间,所述第二烹调需求描述信息样本与所述目标烹调模式的第二相关性参数位于与所述目标烹调模式负相关的第二设定参数区间;
b、分别对所述第一烹调需求描述信息样本和第二烹调需求描述信息样本的至少一种需求描述信息进行调整,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本;
c、基于所述第一更新信息样本和第二更新信息样本中被调整后的需求描述信息与所述目标烹调模式对应的标准需求描述信息的相关度,分别调整第一更新信息样本和第二更新信息样本的数据描述中与所述目标烹调模式的相关性参数;
d、基于所述第一烹调需求描述信息样本和第二烹调需求描述信息样本、以及第一更新信息样本和第二更新信息样本,对烹调模式识别模型进行训练,
e、迭代执行上述步骤b、c、d,直到满足预设的训练终止条件,得到训练后的烹调模式识别模型。
基于第二方面,所述分别对所述第一烹调需求描述信息样本和第二烹调需求描述信息样本的至少一种需求描述信息进行调整,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本,包括:
确定需要调整需求描述信息的第一烹调需求描述信息样本和第二烹调需求描述信息样本;
调整所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中至少一种同一类型的需求描述信息,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本;
所述基于第一更新信息样本和第二更新信息样本中被调整后的需求描述信息与所述目标烹调模式对应的标准需求描述信息的相关度,分别调整第一更新信息样本和第二更新信息样本的数据描述中与所述目标烹调模式的相关性参数,包括:
基于所述第一更新信息样本中被调整后的需求描述信息,转换得到所述第一更新信息样本对应的第一需求描述特征向量,基于所述第二更新信息样本中被调整后的需求描述信息,转换得到所述第二更新信息样本对应的第二需求描述特征向量,;
基于所述第一更新信息样本的第一需求描述特征向量与所述标准需求描述信息对应的标准需求描述特征向量,计算所述第一更新信息样本与所述目标烹调模式的第一相关度,并基于所述第二更新信息样本的第二需求描述特征向量与所述标准需求描述信息对应的标准需求描述特征向量,计算所述第二更新信息样本与所述目标烹调模式的第二相关度;
基于所述第一相关度和所述第二相关度分别调整所述第一更新信息样本和所述第二更新信息样本的数据描述中与所述目标烹调模式的相关性参数。
基于第二方面,所述调整所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中至少一种同一类型的需求描述信息,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本,包括:
将所述第一烹调需求描述信息样本和第二烹调需求描述信息样本按照相同的聚类方式,组成类型对应的多个烹调需求描述信息组合;从所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中选择至少一种对应同一类型的烹调需求描述信息组合进行调整,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本;或者
在所述第一烹调需求描述信息样本中按照设定规则确定至少一种需求描述信息作为第一待调整描述信息;基于所述第一待调整描述信息确定第二烹调需求描述信息样本中对应同一类型的第二待调整描述信息;对所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中的所述第一待调整描述信息和所述第二待调整描述信息进行调整,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本;其中:
所述从所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中选择至少一种对应同一类型的烹调需求描述信息组合进行调整,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本,包括:
按照设定规则确定所述第一烹调需求描述信息样本和第二烹调需求描述信息样本的烹调需求描述信息组合的调整量;
对所述第一烹调需求描述信息样本和第二烹调需求描述信息样本的烹调需求描述信息组合设置组合标识,得到烹调需求描述信息组合的标识集合;
从所述烹调需求描述信息组合的标识集合中,根据所述调整量选择相应数量的目标组合标识;
调整所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中所述目标组合标识对应的烹调需求描述信息组合,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本。
基于第二方面,所述烹调模式识别模型包括卷积层和回归分析层;所述基于所述第一烹调需求描述信息样本和第二烹调需求描述信息样本、以及第一更新信息样本和第二更新信息样本,对烹调模式识别模型进行训练,包括:
将所述第一烹调需求描述信息样本和第二烹调需求描述信息样本、以及第一更新信息样本和第二更新信息样本,作为待训练的烹调模式识别模型的训练样本项;
通过所述卷积层对每个所述训练样本项进行卷积得到烹调需求描述信息对应的模式描述特征向量;
通过所述回归分析层基于所述烹调需求描述信息的模式描述特征向量以及所述目标烹调模式对应的标准需求描述信息对应的标准描述特征向量,对所述训练样本项进行第一相关性参数的烹调需求描述信息和第二相关性参数的烹调需求描述信息的相关性参数回归分析,并基于所述训练样本项的相关性参数回归分析结果,计算所述烹调模式识别模型的损失函数值;
基于所述损失函数值,调整所述烹调模式识别模型的模型参数,以进行下一次迭代训练;
其中,所述训练样本项的相关性参数回归分析结果包括:所述训练样本项与所述目标烹调模式的相关性参数;所述基于所述训练样本项的相关性参数回归分析结果,计算所述烹调模式识别模型的损失函数值,包括:
基于所述训练样本项中包括的与所述目标烹调模式的第一相关性参数,和所述相关性参数回归分析结果中与目标烹调模式的相关性参数,计算得到所述烹调模式识别模型的第一损失函数值;
基于所述训练样本项中包括的与目标烹调模式的第二相关性参数,和所述相关性参数回归分析结果中与所述目标烹调模式的相关性参数,计算得到所述烹调模式识别模型的第二损失函数值;
基于所述第一损失函数值和第二损失函数值,计算得到所述烹调模式识别模型的损失函数值。
综上所述,本发明实施例提供的食材烹调智能控制***及方法,通过接收针对目标食材进行烹调的烹调需求描述信息,然后通过预先训练得到的烹调模式识别模型对所述烹调需求描述信息进行模式识别,得到用于控制所述目标食材对应的目标烹调抽屉盒进行工作的烹调模式,最后根据所述烹调模式控制所述目标烹调抽屉盒对所述目标食材进行烹调。如此,可以根据烹调模式识别模型对用户发送的烹调需求描述信息进行人工智能的烹调模式识别,然后根据识别的烹调模式控制相应的烹调设备对目标食材进行烹调,无需用户对每个模式的烹调逻辑及原理进行充分的理解,只需根据需求发送烹调需求描述信息即可实现智能烹调。此外,在烹调模式识别模型的模型训练过程中,通过大量的样本并对样本进行扩充,可以进一步提升模式识别的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,针对本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是本发明实施例提供的一种食材烹调智能控制***的***架构图。
图2是图1中的烹调智能控制设备的示意图。
图3是本发明实施例提供的食材烹调智能控制方法的流程示意图。
图4是本发明实施例提供的针对烹调模式识别模型进行模型训练的流程示意图。
具体实施方式
请参阅图1,是本发明实施例提供的一种食材烹调智能控制***的***架构图。本发明实施例中,所述食材烹调智能控制***包括烹调智能控制设备100以及与所述烹调智能控制设备100连接的烹调设备200,所述烹调设备200包括多个烹调抽屉盒210,每个烹调抽屉盒210用于对相应的食材进行烹调。所述烹调智能控制设备100还可以通过蓝牙、Wi-Fi、通信网络等方式与外部控制终端300通信连接,所述外部控制终端300可以通过语音、文字等方式向所述烹调智能控制设备100发送针对目标食材的烹调需求描述信息,使所述烹调智能控制设备100可以根据该烹调需求描述信息进行人工智能分析,得到针对所述目标食材的烹调模式,进而根据所述烹调模式控制对应的所述烹调抽屉盒210内相应的目标食材进行烹调。
请参阅图2所示,是所述烹调智能控制设备100的示意图,本实施例中,所述烹调智能控制设备100可以包括烹调控制装置10、机器可读存储介质11和处理器12。
可替代地,所述机器可读存储介质11可以由处理器12通过总线接口来访问。机器可读存储介质11也可以集成到处理器12中,例如,可以是高速缓存和/或通用寄存器。
处理器12是烹调智能控制设备100的控制中心,利用各种接口和线路连接整个烹调智能控制设备100的各个部分,通过运行或执行存储在机器可读存储介质11内的软件程序和/或模块,以及调用存储在机器可读存储介质11内的数据,执行该烹调智能控制设备100的各种功能和处理数据,从而对烹调智能控制设备100进行整体控制。可选地,处理器12可以是一个通用的中央处理器(Central Processing Unit,CPU),微处理器,特定应用集成电路(Application-Specific Integrated Circuit,ASIC)等。机器可读存储介质11可以是ROM或可存储静态信息和指令的其它类型的静态存储设备,RAM或者可存储信息和指令的其它类型的动态存储设备等,但不限于此。
所述烹调控制装置10可以包括多个软件功能模块,该等软件功能模块对应的机器可执行程序或指令可以存储于所述机器可读存储介质中,并由所述处理器12执行,以实现本发明所述的食材智能烹调控制方法。详细地,所述烹调控制装置10可以包括需求信息接收模块101、烹调模式识别模块102、以及食材烹调控制模块103。下面将对上述各模块进行详细的介绍。
所述需求信息接收模块101,用于接收针对目标食材进行烹调的烹调需求描述信息。
所述烹调模式识别模块102,用于通过预先训练得到的烹调模式识别模型对所述烹调需求描述信息进行模式识别,得到用于控制所述目标食材对应的目标烹调抽屉盒进行工作的烹调模式。
所述食材烹调控制模块103,用于根据所述烹调模式控制所述目标烹调抽屉盒对所述目标食材进行烹调。
本发明实施例中,所述烹调需求描述信息可以是用户使用所述外部控制终端300发送的针对目标食材的烹调需求描述信息,例如该烹调需求描述信息包括需要烹调的目标食材、针对目标食材的烹调效果信息,例如口感信息、口味信息、颜色信息等。举例而言,口感信息可以包括香脆、软糯、具有嚼劲等,口味信息可以包括香辣、椒盐、清淡等,颜色信息可以包括深沉、红亮、清爽等,具体不做限定。所述烹调需求描述信息可以是语音、文字等表现信息,具体不限定。下面将对上述各功能模块具体实现相应功能的详细方法进行介绍。
本实施例中,所述食材烹调控制模块103,根据所述烹调模式控制所述目标烹调抽屉盒对所述目标食材进行烹调的过程中,当达到所述烹调模式对应的预设启动时间或所述烹调设备被启动后,可根据所述烹调模式针对所述目标食材的烹调加热信号,对所述目标烹调抽屉盒内部的目标食材按照所述烹调模式所对应烹调逻辑规则对相对应的目标食材进行烹调。然后,在烹调完成后按照所述烹调模式对应的智能保温控制规则将所述目标烹调抽屉盒按照设定温度进行保温控制,所述烹调逻辑规则包括对目标食材的加热温度规则及加热时间规则。如此,在烹调完成后可以还是根据用户的需求实现对烹调完成后的目标食材进行智能保温控制。
本实施例中,所述烹调模式识别模型可以在所述烹调智能控制设备100中预先进行模型训练而得到。在另一种实施例中,如图1所示,所述食材烹调智能控制***还可以包括与所述烹调智能控制设备100通信连接的服务器400,由所述服务器400训练得到所述烹调模式识别模型,然后再下发至所述烹调智能控制设备100。若在所述烹调智能控制设备100中训练所述烹调模式识别模型,所述烹调控制装置10还可以包括用于对所述烹调模式识别模型进行模型训练的模型训练模块。所述模型训练模块或所述服务器400对所述烹调模式识别模型进行模型训练的步骤包括以下a-e所述的步骤,具体描述如下。
a、针对任意目标烹调食材对应的每种目标烹调模式,获取多个第一烹调需求描述信息样本和多个第二烹调需求描述信息样本。
本实施例中,所述第一烹调需求描述信息样本为具有第一相关性参数的烹调需求描述信息,所述第二烹调需求描述信息样本为具有第二相关性参数的烹调需求描述信息。所述第一相关性参数为所述第一烹调需求描述信息样本与所述目标烹调模式之间的相关性参数,所述第二相关性参数为所述第二烹调需求描述信息样本与所述目标烹调模式之间的相关性参数。所述第一烹调需求描述信息样本与所述目标烹调模式的第一相关性参数位于与所述目标烹调模式正相关的第一设定参数区间,所述第二烹调需求描述信息样本与所述目标烹调模式的第二相关性参数位于与所述目标烹调模式负相关的第二设定参数区间。举例而言,所述第一烹调需求描述信息样本可以理解为与所述目标烹调模式正相关的正样本,所述第二烹调需求描述信息样本可以理解为与所述目标烹调模式负相关的负样本。如此,所述第一设定参数区间例如可以是0-20%,所述第二设定参数区间例如可以是80%-100%,具体可以根据实际模型训练的需求而设定。
b、分别对所述第一烹调需求描述信息样本和第二烹调需求描述信息样本的至少一种需求描述信息进行调整,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本。
本实施例中,例如按照设定的与所述目标烹调模式相关的关键词对至少一种需求描述信息样本进行调整,例如,针对第一烹调需求描述信息样本加入设定负相关关键词进行调整,针对第二烹调需求描述信息样本,加入设定的正相关关键词进行调整。或者,将第一烹调需求描述信息样本以及第二烹调需求描述信息样本中的关键词按照设定的正相关关键词及负相关关键词进行替换。如此,调整后的烹调描述需求信息样本的描述信息分布情况则发生了改变,基于改变后的样本进行模型训练,样本范围得到了扩充,使得训练得到的模型识别能力可以得到提升,有利于提升烹调模式识别模型的模式识别准确度。这样,在需求描述信息样本较难收集的前提下,可以通过上述方法实现样本的扩充,以利于模型的训练。
详细地,分别对所述第一烹调需求描述信息样本和第二烹调需求描述信息样本的至少一种需求描述信息进行调整,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本,一种可实现的方法描述如下:
首先,确定需要调整需求描述信息的第一烹调需求描述信息样本和第二烹调需求描述信息样本;
然后,调整所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中至少一种同一类型的需求描述信息,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本。例如,可针对口感、口味、颜色等烹调需求类型的任意一种需求描述信息进行关键词调整。
进一步地,上述步骤中,调整所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中至少一种同一类型的需求描述信息,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本,可实现的方案可以包括以下方案一和方案二中的任意一种。
方案一:将所述第一烹调需求描述信息样本和第二烹调需求描述信息样本按照相同的聚类方式,组成类型对应的多个烹调需求描述信息组合;然后,从所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中选择至少一种对应同一类型的烹调需求描述信息组合进行调整,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本。
其中,本实施例中,所述从所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中选择至少一种对应同一类型的烹调需求描述信息组合进行调整,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本,一种可实现的方式描述如下:
首先,按照设定规则确定所述第一烹调需求描述信息样本和第二烹调需求描述信息样本的烹调需求描述信息组合的调整量;
然后,对所述第一烹调需求描述信息样本和第二烹调需求描述信息样本的烹调需求描述信息组合设置组合标识,得到烹调需求描述信息组合的标识集合;
接着,从所述烹调需求描述信息组合的标识集合中,根据所述调整量选择相应数量的目标组合标识;
最后,调整所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中所述目标组合标识对应的烹调需求描述信息组合,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本。
方案二:在所述第一烹调需求描述信息样本中按照设定规则确定至少一种需求描述信息作为第一待调整描述信息;基于所述第一待调整描述信息确定第二烹调需求描述信息样本中对应同一类型的第二待调整描述信息;对所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中的所述第一待调整描述信息和所述第二待调整描述信息进行调整,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本。
c、基于所述第一更新信息样本和第二更新信息样本中被调整后的需求描述信息与所述目标烹调模式对应的标准需求描述信息的相关度,分别调整第一更新信息样本和第二更新信息样本的数据描述中与所述目标烹调模式的相关性参数。详细地,可以通过以下方式实现:
首先,基于所述第一更新信息样本中被调整后的需求描述信息,转换得到所述第一更新信息样本对应的第一需求描述特征向量,基于所述第二更新信息样本中被调整后的需求描述信息,转换得到所述第二更新信息样本对应的第二需求描述特征向量,;
然后,基于所述第一更新信息样本的第一需求描述特征向量与所述标准需求描述信息对应的标准需求描述特征向量,计算所述第一更新信息样本与所述目标烹调模式的第一相关度,并基于所述第二更新信息样本的第二需求描述特征向量与所述标准需求描述信息对应的标准需求描述特征向量,计算所述第二更新信息样本与所述目标烹调模式的第二相关度;
最后,基于所述第一相关度和所述第二相关度分别调整所述第一更新信息样本和所述第二更新信息样本的数据描述中与所述目标烹调模式的相关性参数。
其中,所述标准需求描述信息可以根据相应的烹饪模式预先设定得到,所述标准需求描述特征向量可以基于预先设定得到的标准需求描述信息进行向量表示而得到,具体方式不做限定。
d、基于所述第一烹调需求描述信息样本和第二烹调需求描述信息样本、以及第一更新信息样本和第二更新信息样本,对烹调模式识别模型进行训练。
详细地,本实施例中,所述烹调模式识别模型可以包括卷积层和回归分析层。基于此,上述的模型训练步骤可以包括下述的(1)-(4)的步骤:
(1)将所述第一烹调需求描述信息样本和第二烹调需求描述信息样本、以及第一更新信息样本和第二更新信息样本,作为待训练的烹调模式识别模型的训练样本项。
(2)通过所述卷积层对每个所述训练样本项进行卷积得到烹调需求描述信息对应的模式描述特征向量。
(3)通过所述回归分析层基于所述烹调需求描述信息的模式描述特征向量以及所述目标烹调模式对应的标准需求描述信息对应的标准描述特征向量,对所述训练样本项进行第一相关性参数的烹调需求描述信息和第二相关性参数的烹调需求描述信息的相关性参数回归分析,并基于所述训练样本项的相关性参数回归分析结果,计算所述烹调模式识别模型的损失函数值。
(4)基于所述损失函数值,调整所述烹调模式识别模型的模型参数,以进行下一次迭代训练。
其中,所述训练样本项的相关性参数回归分析结果可以包括训练样本项与所述目标烹调模式的相关性参数。基于此,所述基于所述训练样本项的相关性参数回归分析结果,计算所述烹调模式识别模型的损失函数值,可以通过以下方式实现:
首先,基于所述训练样本项中包括的与所述目标烹调模式的第一相关性参数,和所述相关性参数回归分析结果中与所述目标烹调模式的相关性参数,计算得到所述烹调模式识别模型的第一损失函数值;
然后,基于所述训练样本项中包括的与所述目标烹调模式的第二相关性参数,和所述相关性参数回归分析结果中与所述目标烹调模式的相关性参数,计算得到所述烹调模式识别模型的第二损失函数值;
最后,基于所述第一损失函数值和第二损失函数值,计算得到所述烹调模式识别模型的损失函数值。
e、迭代执行上述步骤b、c、d,直到满足预设的训练终止条件,得到所述烹调模式识别模型。本实施例中,所述预设训练收敛条件包括所述烹调模式识别模型的损失函数值收敛,如损失函数值不再发生变化。
请参阅图3所示,是本发明实施例提供食材智能烹调控制方法的流程示意图。所述方法包括下述的步骤S301-步骤S303,该方法可以由所述食材智能烹调控制***实现,下面结合附图进行详细的描述。
步骤S301,接收针对目标食材进行烹调的烹调需求描述信息。
步骤S302,通过预先训练得到的烹调模式识别模型对所述烹调需求描述信息进行模式识别,得到用于控制所述目标食材对应的目标烹调抽屉盒进行工作的烹调模式。
步骤S302,根据所述烹调模式控制所述目标烹调抽屉盒对所述目标食材进行烹调。
本发明实施例中,所述烹调需求描述信息可以是用户使用所述外部控制终端300发送的针对目标食材的烹调需求描述信息,例如该烹调需求描述信息包括需要烹调的目标食材、针对目标食材的烹调效果信息,例如口感信息、口味信息、颜色信息等。举例而言,口感信息可以包括香脆、软糯、具有嚼劲等,口味信息包括香辣、椒盐、清淡等,颜色信息包括深沉、红亮、清爽等,具体不做限定。所述烹调需求描述信息可以是语音、文字等表现信息,具体不限定。下面将对上述各功能模块具体实现相应功能的详细方法进行介绍。
本实施例中,步骤S303中,根据所述烹调模式控制所述目标烹调抽屉盒对所述目标食材进行烹调的过程中,当达到所述烹调模式对应的预设启动时间或所述烹调设备被启动后,可根据所述烹调模式针对所述目标食材的烹调加热信号,对所述目标烹调抽屉盒内部的目标食材按照所述烹调模式所对应烹调逻辑规则对相对应的目标食材进行烹调。然后,在烹调完成后按照所述烹调模式对应的智能保温控制规则将所述目标烹调抽屉盒按照设定温度进行保温控制,所述烹调逻辑规则包括对目标食材的加热温度规则及加热时间规则。如此,在烹调完成后可以还是根据用户的需求实现对烹调完成后的目标食材进行智能保温控制。
本实施例中,所述烹调模式识别模型可以在所述烹调智能控制设备100中进行模型预先训练而得到。在另一种实施例中,也可以由图1所示的服务器400训练得到所述烹调模式识别模型,然后再下发至所述烹调智能控制设备100。如图4所示,对所述烹调模式识别模型进行模型训练的步骤包括以下S311-S315所述的步骤,具体描述如下。
步骤S311,针对任意目标烹调食材对应的每种目标烹调模式,获取多个第一烹调需求描述信息样本和多个第二烹调需求描述信息样本。
本实施例中,所述第一烹调需求描述信息样本为具有第一相关性参数的烹调需求描述信息,所述第二烹调需求描述信息样本为具有第二相关性参数的烹调需求描述信息,所述第一烹调需求描述信息样本和所述第二烹调需求描述信息样本分别包括与所述目标烹调模式的第一相关性参数和第二相关性参数,所述第一烹调需求描述信息样本与所述目标烹调模式的第一相关性参数位于与所述目标烹调模式正相关的第一设定参数区间,所述第二烹调需求描述信息样本与所述目标烹调模式的第二相关性参数位于与所述目标烹调模式负相关的第二设定参数区间。举例而言,所述第一烹调需求描述信息样本可以理解为与所述目标烹调模式正相关的正样本,所述第二烹调需求描述信息样本可以理解为与所述目标烹调模式负相关的负样本。如此,所述第一设定参数区间例如可以是0-20%,所述第二设定参数区间例如可以是80%-100%,具体可以根据实际模型训练的需求而设定。
步骤S312,分别对所述第一烹调需求描述信息样本和第二烹调需求描述信息样本的至少一种需求描述信息进行调整,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本。
本实施例中,例如按照设定的与所述目标烹调模式相关的关键词对至少一种需求描述信息样本进行调整,例如,针对第一烹调需求描述信息样本加入设定负相关关键词进行调整,针对第二烹调需求描述信息样本,加入设定的正相关关键词进行调整。或者,将第一烹调需求描述信息样本以及第二烹调需求描述信息样本中的关键词按照设定的正相关关键词及负相关关键词进行替换。如此,调整后的烹调描述需求信息样本的描述信息分布情况则发生了改变,基于改变后的样本进行模型训练,样本范围得到了扩充,使得训练得到的模型识别能力可以得到提升,有利于提升烹调模式识别模型的模式识别准确度。
详细地,分别对所述第一烹调需求描述信息样本和第二烹调需求描述信息样本的至少一种需求描述信息进行调整,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本,一种可实现的方法描述如下:
首先,确定需要调整需求描述信息的第一烹调需求描述信息样本和第二烹调需求描述信息样本;
然后,调整所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中至少一种同一类型的需求描述信息,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本。例如,可针对口感、口味、颜色等烹调需求类型的任意一种需求描述信息进行关键词调整。
进一步地,上述步骤中,调整所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中至少一种同一类型的需求描述信息,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本,可实现的方案可以包括以下方案一和方案二中的任意一种。
方案一:将所述第一烹调需求描述信息样本和第二烹调需求描述信息样本按照相同的聚类方式,组成类型对应的多个烹调需求描述信息组合;然后,从所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中选择至少一种对应同一类型的烹调需求描述信息组合进行调整,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本。
其中,本实施例中,所述从所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中选择至少一种对应同一类型的烹调需求描述信息组合进行调整,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本,一种可实现的方式描述如下:
首先,按照设定规则确定所述第一烹调需求描述信息样本和第二烹调需求描述信息样本的烹调需求描述信息组合的调整量;
然后,对所述第一烹调需求描述信息样本和第二烹调需求描述信息样本的烹调需求描述信息组合设置组合标识,得到烹调需求描述信息组合的标识集合;
接着,从所述烹调需求描述信息组合的标识集合中,根据所述调整量选择相应数量的目标组合标识;
最后,调整所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中所述目标组合标识对应的烹调需求描述信息组合,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本。
方案二:在所述第一烹调需求描述信息样本中按照设定规则确定至少一种需求描述信息作为第一待调整描述信息;基于所述第一待调整描述信息确定第二烹调需求描述信息样本中对应同一类型的第二待调整描述信息;对所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中的所述第一待调整描述信息和所述第二待调整描述信息进行调整,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本。
步骤S313,基于所述第一更新信息样本和第二更新信息样本中被调整后的需求描述信息与所述目标烹调模式对应的标准需求描述信息的相关度,分别调整第一更新信息样本和第二更新信息样本的数据描述中与所述目标烹调模式的相关性参数。详细地,可以通过以下方式实现:
首先,基于所述第一更新信息样本中被调整后的需求描述信息,转换得到所述第一更新信息样本对应的第一需求描述特征向量,基于所述第二更新信息样本中被调整后的需求描述信息,转换得到所述第二更新信息样本对应的第二需求描述特征向量;
然后,基于所述第一更新信息样本的第一需求描述特征向量与所述标准需求描述信息对应的标准需求描述特征向量,计算所述第一更新信息样本与所述目标烹调模式的第一相关度,并基于所述第二更新信息样本的第二需求描述特征向量与所述标准需求描述信息对应的标准需求描述特征向量,计算所述第二更新信息样本与所述目标烹调模式的第二相关度;
最后,基于所述第一相关度和所述第二相关度分别调整所述第一更新信息样本和所述第二更新信息样本的数据描述中与所述目标烹调模式的相关性参数。
其中,所述标准需求描述信息可以根据相应的烹饪模式预先设定得到,所述标准需求描述特征向量可以基于预先设定得到的标准需求描述信息进行向量表示而得到,具体方式不做限定。
步骤S314,基于所述第一烹调需求描述信息样本和第二烹调需求描述信息样本、以及第一更新信息样本和第二更新信息样本,对烹调模式识别模型进行训练。
详细地,本实施例中,所述烹调模式识别模型可以包括卷积层和回归分析层。基于此,上述的模型训练步骤可以包括下述的(1)-(4)的步骤:
(1)将所述第一烹调需求描述信息样本和第二烹调需求描述信息样本、以及第一更新信息样本和第二更新信息样本,作为待训练的烹调模式识别模型的训练样本项。
(2)通过所述卷积层对每个所述训练样本项进行卷积得到烹调需求描述信息对应的模式描述特征向量。
(3)通过所述回归分析层基于所述烹调需求描述信息的模式描述特征向量以及所述目标烹调模式对应的标准需求描述信息对应的标准描述特征向量,对所述训练样本项进行第一相关性参数的烹调需求描述信息和第二相关性参数的烹调需求描述信息的相关性参数回归分析,并基于所述训练样本项的相关性参数回归分析结果,计算所述烹调模式识别模型的损失函数值。
(4)基于所述损失函数值,调整所述烹调模式识别模型的模型参数,以进行下一次迭代训练。
其中,所述训练样本项的相关性参数回归分析结果可以包括训练样本项与目标烹调模式的相关性参数。基于此,所述基于所述训练样本项的相关性参数回归分析结果,计算所述烹调模式识别模型的损失函数值,可以通过以下方式实现:
首先,基于所述训练样本项中包括的与所述目标烹调模式的第一相关性参数,和所述相关性参数回归分析结果中与目标烹调模式的相关性参数,计算得到所述烹调模式识别模型的第一损失函数值;
然后,基于所述训练样本项中包括的与目标烹调模式的第二相关性参数,和所述相关性参数回归分析结果中与目标烹调模式的相关性参数,计算得到所述烹调模式识别模型的第二损失函数值;
最后,基于所述第一损失函数值和第二损失函数值,计算得到所述烹调模式识别模型的损失函数值。
步骤S315、迭代执行上述步骤S312-步骤S314,直到满足预设的训练终止条件,得到所述烹调模式识别模型。本实施例中,所述预设训练收敛条件包括所述烹调模式识别模型的损失函数值收敛,如损失函数值不再发生变化。
综上所述,本发明实施例提供的食材烹调智能控制***及方法,通过接收针对目标食材进行烹调的烹调需求描述信息,然后通过预先训练得到的烹调模式识别模型对所述烹调需求描述信息进行模式识别,得到用于控制所述目标食材对应的目标烹调抽屉盒进行工作的烹调模式,最后根据所述烹调模式控制所述目标烹调抽屉盒对所述目标食材进行烹调。如此,可以根据烹调模式识别模型对用户发送的烹调需求描述信息进行人工智能的烹调模式识别,然后根据识别的烹调模式控制相应的烹调设备对目标食材进行烹调,无需用户对每个模式的烹调逻辑及原理进行充分的理解,只需根据需求发送烹调需求描述信息即可实现智能烹调。此外,在烹调模式识别模型的模型训练过程中,通过大量的样本并对样本进行扩充,可以进一步提升模式识别的准确性。
以上所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。通常在附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,在附图中提供的本发明的实施例的详细描述并非旨在限制本发明的保护范围,而仅仅是表示本发明的选定实施例。因此,本发明的保护范围应以权利要求的保护范围为准。此外,基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下可获得的所有其它实施例,都应属于本发明保护的范围。
Claims (8)
1.一种食材烹调智能控制***,其特征在于,所述***包括烹调智能控制设备以及与所述烹调智能控制设备连接的烹调设备,所述烹调设备包括多个烹调抽屉盒,每个烹调抽屉盒用于对相应的食材进行烹调,所述烹调智能控制设备包括:
需求信息接收模块,用于接收针对目标食材进行烹调的烹调需求描述信息;
烹调模式识别模块,用于通过预先训练得到的烹调模式识别模型对所述烹调需求描述信息进行模式识别,得到用于控制所述目标食材对应的目标烹调抽屉盒进行工作的烹调模式;
食材烹调控制模块,用于根据所述烹调模式控制所述目标烹调抽屉盒对所述目标食材进行烹调;
所述***还包括与所述烹调智能控制设备通信连接的服务器或者所述烹调智能控制设备还包括模型训练模块,所述服务器或所述模型训练模块用于通过以下方法训练得到所述烹调模式识别模型:
a、针对任意目标烹调食材对应的每种目标烹调模式,获取多个第一烹调需求描述信息样本和多个第二烹调需求描述信息样本,其中,第一烹调需求描述信息样本为具有第一相关性参数的烹调需求描述信息,第二烹调需求描述信息样本为具有第二相关性参数的烹调需求描述信息,所述第一相关性参数为所述第一烹调需求描述信息样本与所述目标烹调模式之间的相关性参数,所述第二相关性参数为所述第二烹调需求描述信息样本与所述目标烹调模式之间的相关性参数,所述第一烹调需求描述信息样本与所述目标烹调模式的第一相关性参数位于与所述目标烹调模式正相关的第一设定参数区间,所述第二烹调需求描述信息样本与所述目标烹调模式的第二相关性参数位于与所述目标烹调模式负相关的第二设定参数区间;
b、分别对所述第一烹调需求描述信息样本和第二烹调需求描述信息样本的至少一种需求描述信息进行调整,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本;
c、基于所述第一更新信息样本和第二更新信息样本中被调整后的需求描述信息与所述目标烹调模式对应的标准需求描述信息的相关度,分别调整所述第一更新信息样本和所述第二更新信息样本的数据描述中与所述目标烹调模式的相关性参数;
d、基于所述第一烹调需求描述信息样本和第二烹调需求描述信息样本、以及第一更新信息样本和第二更新信息样本,对所述烹调模式识别模型进行训练,
e、迭代执行步骤b、c、d,直到满足预设的训练终止条件,得到训练后的烹调模式识别模型。
2.根据权利要求1所述的食材烹调智能控制***,其特征在于,所述食材烹调控制模块,具体用于:
当达到所述烹调模式对应的预设启动时间或所述烹调设备被启动后,根据所述烹调模式对所述目标烹调抽屉盒内部的目标食材按照所述烹调模式所对应烹调逻辑规则对相对应的目标食材进行烹调,并在烹调完成后按照所述烹调模式对应的智能保温控制规则将所述目标烹调抽屉盒按照设定温度进行保温控制,所述烹调逻辑规则包括对目标食材的加热温度规则及加热时间规则。
3.根据权利要求1所述的食材烹调智能控制***,其特征在于,所述服务器或所述模型训练模块具体用于通过以下方法,分别对所述第一烹调需求描述信息样本和第二烹调需求描述信息样本的至少一种需求描述信息进行调整,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本:
确定需要调整需求描述信息的第一烹调需求描述信息样本和第二烹调需求描述信息样本;
调整所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中至少一种同一类型的需求描述信息,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本;
所述服务器或所述模型训练模块具体用于通过以下方法,分别调整所述第一更新信息样本和所述第二更新信息样本的数据描述中与所述目标烹调模式的相关性参数:
基于所述第一更新信息样本中被调整后的需求描述信息,转换得到所述第一更新信息样本对应的第一需求描述特征向量,基于所述第二更新信息样本中被调整后的需求描述信息,转换得到所述第二更新信息样本对应的第二需求描述特征向量;
基于所述第一更新信息样本的第一需求描述特征向量与所述标准需求描述信息对应的标准需求描述特征向量,计算所述第一更新信息样本与所述目标烹调模式的第一相关度,并基于所述第二更新信息样本的第二需求描述特征向量与所述标准需求描述信息对应的标准需求描述特征向量,计算所述第二更新信息样本与所述目标烹调模式的第二相关度;
基于所述第一相关度和所述第二相关度分别调整所述第一更新信息样本和所述第二更新信息样本的数据描述中与所述目标烹调模式的相关性参数;
其中:所述调整所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中至少一种同一类型的需求描述信息,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本,包括:
将所述第一烹调需求描述信息样本和第二烹调需求描述信息样本按照相同的聚类方式,组成类型对应的多个烹调需求描述信息组合;从所述第一烹调需求描述信息样本和所述第二烹调需求描述信息样本中选择至少一种对应同一类型的烹调需求描述信息组合进行调整,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本;或者
在所述第一烹调需求描述信息样本中按照设定规则确定至少一种需求描述信息作为第一待调整描述信息;基于所述第一待调整描述信息确定第二烹调需求描述信息样本中对应同一类型的第二待调整描述信息;对所述第一烹调需求描述信息样本和所述第二烹调需求描述信息样本中的所述第一待调整描述信息和所述第二待调整描述信息进行调整,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本;
其中:所述从所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中选择至少一种对应同一类型的烹调需求描述信息组合进行调整,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本,包括:
按照设定规则确定所述第一烹调需求描述信息样本和第二烹调需求描述信息样本的烹调需求描述信息组合的调整量;
对所述第一烹调需求描述信息样本和第二烹调需求描述信息样本的烹调需求描述信息组合设置组合标识,得到所述烹调需求描述信息组合的标识集合;
从所述烹调需求描述信息组合的标识集合中,根据所述调整量选择相应数量的目标组合标识;
调整所述第一烹调需求描述信息样本和所述第二烹调需求描述信息样本中所述目标组合标识对应的烹调需求描述信息组合,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本。
4.根据权利要求1所述的食材烹调智能控制***,其特征在于,所述烹调模式识别模型包括卷积层和回归分析层;所述服务器或所述模型训练模块具体用于通过以下方法对所述烹调模式识别模型进行训练:
将所述第一烹调需求描述信息样本和第二烹调需求描述信息样本、以及所述第一更新信息样本和所述第二更新信息样本,作为待训练的烹调模式识别模型的训练样本项;
通过所述卷积层对每个所述训练样本项进行卷积得到烹调需求描述信息对应的模式描述特征向量;
通过所述回归分析层基于所述烹调需求描述信息的模式描述特征向量以及所述目标烹调模式对应的标准需求描述信息对应的标准描述特征向量,对所述训练样本项进行第一相关性参数的烹调需求描述信息和第二相关性参数的烹调需求描述信息的相关性参数回归分析,并基于所述训练样本项的相关性参数回归分析结果,计算所述烹调模式识别模型的损失函数值;
基于所述损失函数值,调整所述烹调模式识别模型的模型参数,以进行下一次迭代训练;
其中,所述训练样本项的相关性参数回归分析结果包括:训练样本项与所述目标烹调模式的相关性参数;所述基于所述训练样本项的相关性参数回归分析结果,计算所述烹调模式识别模型的损失函数值,包括:
基于所述训练样本项中包括的与所述目标烹调模式的第一相关性参数,和所述相关性参数回归分析结果中与所述目标烹调模式的相关性参数,计算得到所述烹调模式识别模型的第一损失函数值;
基于所述训练样本项中包括的与目标烹调模式的第二相关性参数,和所述相关性参数回归分析结果中与目标烹调模式的相关性参数,计算得到所述烹调模式识别模型的第二损失函数值;
基于所述第一损失函数值和第二损失函数值,计算得到所述烹调模式识别模型的损失函数值。
5.一种食材烹调智能控制方法,其特征在于,应用于食材烹调智能控制***中的烹调智能控制设备,所述***还包括与所述烹调智能控制设备连接的烹调设备,所述烹调设备包括多个烹调抽屉盒,每个烹调抽屉盒用于对相应的食材进行烹调,所述方法包括:
接收针对目标食材进行烹调的烹调需求描述信息;
通过预先训练得到的烹调模式识别模型对所述烹调需求描述信息进行模式识别,得到用于控制所述目标食材对应的目标烹调抽屉盒进行工作的烹调模式;
根据所述烹调模式控制所述目标烹调抽屉盒对所述目标食材进行烹调;所述方法还包括对所述烹调模式识别模型进行训练的步骤,该步骤包括:
a、针对任意目标烹调食材对应的每种目标烹调模式,获取多个第一烹调需求描述信息样本和多个第二烹调需求描述信息样本,其中,第一烹调需求描述信息样本为具有第一相关性参数的烹调需求描述信息,第二烹调需求描述信息样本为具有第二相关性参数的烹调需求描述信息,所述第一相关性参数为所述第一烹调需求描述信息样本与所述目标烹调模式之间的相关性参数,所述第二相关性参数为所述第二烹调需求描述信息样本与所述目标烹调模式之间的相关性参数,所述第一烹调需求描述信息样本与所述目标烹调模式的第一相关性参数位于与所述目标烹调模式正相关的第一设定参数区间,所述第二烹调需求描述信息样本与所述目标烹调模式的第二相关性参数位于与所述目标烹调模式负相关的第二设定参数区间;
b、分别对所述第一烹调需求描述信息样本和第二烹调需求描述信息样本的至少一种需求描述信息进行调整,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本;
c、基于所述第一更新信息样本和第二更新信息样本中被调整后的需求描述信息与所述目标烹调模式对应的标准需求描述信息的相关度,分别调整所述第一更新信息样本和所述第二更新信息样本的数据描述中与所述目标烹调模式的相关性参数;
d、基于所述第一烹调需求描述信息样本和第二烹调需求描述信息样本、以及第一更新信息样本和第二更新信息样本,对烹调模式识别模型进行训练,
e、迭代执行步骤b、c、d,直到满足预设的训练终止条件,得到训练后的烹调模式识别模型。
6.根据权利要求5所述的食材烹调智能控制方法,其特征在于,所述分别对所述第一烹调需求描述信息样本和第二烹调需求描述信息样本的至少一种需求描述信息进行调整,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本,包括:
确定需要调整需求描述信息的第一烹调需求描述信息样本和第二烹调需求描述信息样本;
调整所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中至少一种同一类型的需求描述信息,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本;
所述基于所述第一更新信息样本和第二更新信息样本中被调整后的需求描述信息与所述目标烹调模式对应的标准需求描述信息的相关度,分别调整所述第一更新信息样本和所述第二更新信息样本的数据描述中与所述目标烹调模式的相关性参数,包括:
基于所述第一更新信息样本中被调整后的需求描述信息,转换得到所述第一更新信息样本对应的第一需求描述特征向量,基于所述第二更新信息样本中被调整后的需求描述信息,转换得到所述第二更新信息样本对应的第二需求描述特征向量;
基于所述第一更新信息样本的第一需求描述特征向量与所述标准需求描述信息对应的标准需求描述特征向量,计算所述第一更新信息样本与所述目标烹调模式的第一相关度,并基于所述第二更新信息样本的第二需求描述特征向量与所述标准需求描述信息对应的标准需求描述特征向量,计算所述第二更新信息样本与所述目标烹调模式的第二相关度;
基于所述第一相关度和所述第二相关度分别调整所述第一更新信息样本和所述第二更新信息样本的数据描述中与所述目标烹调模式的相关性参数。
7.根据权利要求6所述的食材烹调智能控制方法,其特征在于,所述调整所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中至少一种同一类型的需求描述信息,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本,包括:
将所述第一烹调需求描述信息样本和第二烹调需求描述信息样本按照相同的聚类方式,组成类型对应的多个烹调需求描述信息组合;从所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中选择至少一种对应同一类型的烹调需求描述信息组合进行调整,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本;或者
在所述第一烹调需求描述信息样本中按照设定规则确定至少一种需求描述信息作为第一待调整描述信息;基于所述第一待调整描述信息确定第二烹调需求描述信息样本中对应同一类型的第二待调整描述信息;对所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中的所述第一待调整描述信息和所述第二待调整描述信息进行调整,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本;其中:
所述从所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中选择至少一种对应同一类型的烹调需求描述信息组合进行调整,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本,包括:
按照设定规则确定所述第一烹调需求描述信息样本和第二烹调需求描述信息样本的烹调需求描述信息组合的调整量;
对所述第一烹调需求描述信息样本和第二烹调需求描述信息样本的烹调需求描述信息组合设置组合标识,得到所述烹调需求描述信息组合的标识集合;
从所述烹调需求描述信息组合的标识集合中,根据所述调整量选择相应数量的目标组合标识;
调整所述第一烹调需求描述信息样本和第二烹调需求描述信息样本中所述目标组合标识对应的烹调需求描述信息组合,得到所述第一烹调需求描述信息样本对应的第一更新信息样本,以及所述第二烹调需求描述信息样本对应的第二更新信息样本。
8.根据权利要求6所述的食材烹调智能控制方法,其特征在于,所述烹调模式识别模型包括卷积层和回归分析层;所述基于所述第一烹调需求描述信息样本和第二烹调需求描述信息样本、以及第一更新信息样本和第二更新信息样本,对烹调模式识别模型进行训练,包括:
将所述第一烹调需求描述信息样本和第二烹调需求描述信息样本、以及所述第一更新信息样本和第二更新信息样本,作为待训练的烹调模式识别模型的训练样本项;
通过所述卷积层对每个所述训练样本项进行卷积得到烹调需求描述信息对应的模式描述特征向量;
通过所述回归分析层基于所述烹调需求描述信息的模式描述特征向量以及所述目标烹调模式对应的标准需求描述信息对应的标准描述特征向量,对所述训练样本项进行第一相关性参数的烹调需求描述信息和第二相关性参数的烹调需求描述信息的相关性参数回归分析,并基于所述训练样本项的相关性参数回归分析结果,计算所述烹调模式识别模型的损失函数值;
基于所述损失函数值,调整所述烹调模式识别模型的模型参数,以进行下一次迭代训练;
其中,所述训练样本项的相关性参数回归分析结果包括:所述训练样本项与所述目标烹调模式的相关性参数;所述基于所述训练样本项的相关性参数回归分析结果,计算所述烹调模式识别模型的损失函数值,包括:
基于所述训练样本项中包括的与所述目标烹调模式的第一相关性参数,和所述相关性参数回归分析结果中与所述目标烹调模式的相关性参数,计算得到所述烹调模式识别模型的第一损失函数值;
基于所述训练样本项中包括的与目标烹调模式的第二相关性参数,和所述相关性参数回归分析结果中与所述目标烹调模式的相关性参数,计算得到所述烹调模式识别模型的第二损失函数值;
基于所述第一损失函数值和第二损失函数值,计算得到所述烹调模式识别模型的损失函数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110174197.0A CN112890572B (zh) | 2021-02-07 | 2021-02-07 | 一种食材烹调智能控制***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110174197.0A CN112890572B (zh) | 2021-02-07 | 2021-02-07 | 一种食材烹调智能控制***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112890572A CN112890572A (zh) | 2021-06-04 |
CN112890572B true CN112890572B (zh) | 2021-08-17 |
Family
ID=76124239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110174197.0A Active CN112890572B (zh) | 2021-02-07 | 2021-02-07 | 一种食材烹调智能控制***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112890572B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048058A (zh) * | 2012-12-17 | 2013-04-17 | 中南大学 | 一种焦炉火道温度在线检测方法 |
CN110222758A (zh) * | 2019-05-31 | 2019-09-10 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN111984210A (zh) * | 2019-05-22 | 2020-11-24 | 佛山市顺德区美的电热电器制造有限公司 | 烹饪器具 |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ATE428334T1 (de) * | 2003-10-17 | 2009-05-15 | Xiaoyong Liu | Intelligentes garverfahren |
CN102809932B (zh) * | 2011-05-31 | 2015-11-25 | 刘辉根 | 一种烹饪控制方法、装置及智能电饭煲 |
CN104146586B (zh) * | 2014-08-06 | 2016-05-11 | 珠海优特电力科技股份有限公司 | 一种智能烹饪设备及智能烹饪设备的工作方法 |
US10208964B2 (en) * | 2014-12-05 | 2019-02-19 | Illinois Tool Works Inc. | Steam cooking oven and method |
CN105459127B (zh) * | 2015-12-31 | 2017-10-10 | 葛武 | 一种烹饪机器人 |
CN108338650B (zh) * | 2017-01-22 | 2020-08-25 | 佛山市顺德区美的电热电器制造有限公司 | 烹饪器具和烹饪器具的控制方法 |
CN108985135A (zh) * | 2017-06-02 | 2018-12-11 | 腾讯科技(深圳)有限公司 | 一种人脸检测器训练方法、装置及电子设备 |
CN208957616U (zh) * | 2017-08-02 | 2019-06-11 | 浙江绍兴苏泊尔生活电器有限公司 | 烹饪器具及其控制***、服务器 |
CN109380975A (zh) * | 2017-08-02 | 2019-02-26 | 浙江绍兴苏泊尔生活电器有限公司 | 烹饪器具及其控制方法和***、服务器 |
US10728245B2 (en) * | 2017-12-07 | 2020-07-28 | Ca, Inc. | HTTP proxy authentication using custom headers |
CN108154159B (zh) * | 2017-12-25 | 2018-12-18 | 北京航空航天大学 | 一种基于多级检测器的具有自恢复能力的目标跟踪方法 |
CN109902849B (zh) * | 2018-06-20 | 2021-11-30 | 华为技术有限公司 | 用户行为预测方法及装置、行为预测模型训练方法及装置 |
CN109711386B (zh) * | 2019-01-10 | 2020-10-09 | 北京达佳互联信息技术有限公司 | 获取识别模型的方法、装置、电子设备及存储介质 |
CN109979448A (zh) * | 2019-01-25 | 2019-07-05 | 广州富港万嘉智能科技有限公司 | 一种基于自动烹饪平台的语音交互方法及装置 |
CN109767767A (zh) * | 2019-01-25 | 2019-05-17 | 广州富港万嘉智能科技有限公司 | 一种语音交互方法、***、电子设备及存储介质 |
CN109801188B (zh) * | 2019-01-31 | 2021-03-16 | 珠海优特智厨科技有限公司 | 一种烹饪方法及装置 |
CN109688036B (zh) * | 2019-02-20 | 2021-12-03 | 广州视源电子科技股份有限公司 | 一种智能家电的控制方法、装置、智能家电和存储介质 |
CN110648075A (zh) * | 2019-09-27 | 2020-01-03 | 重庆大学 | 驾驶安全评估方法及装置 |
CN110754922A (zh) * | 2019-10-15 | 2020-02-07 | 珠海格力电器股份有限公司 | 烹饪控制方法、装置、存储介质及烹饪器具 |
CN111584038A (zh) * | 2020-04-22 | 2020-08-25 | 杭州杰西魔方科技有限公司 | 一种自动烹饪订阅方法和*** |
CN111814589A (zh) * | 2020-06-18 | 2020-10-23 | 浙江大华技术股份有限公司 | 部位识别方法以及相关设备、装置 |
CN111657739A (zh) * | 2020-07-09 | 2020-09-15 | 张梦静 | 一种智能厨房的管理控制***、管理控制方法、烹饪设备 |
-
2021
- 2021-02-07 CN CN202110174197.0A patent/CN112890572B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048058A (zh) * | 2012-12-17 | 2013-04-17 | 中南大学 | 一种焦炉火道温度在线检测方法 |
CN111984210A (zh) * | 2019-05-22 | 2020-11-24 | 佛山市顺德区美的电热电器制造有限公司 | 烹饪器具 |
CN110222758A (zh) * | 2019-05-31 | 2019-09-10 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112890572A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107967329B (zh) | 食谱推荐方法、装置、存储介质和服务器 | |
KR20200092380A (ko) | 재료 인식을 기반으로 하는 음식 준비 방법 및 시스템 | |
CN105549414B (zh) | 食物保温方法及装置 | |
CN108742125A (zh) | 一种可以进行烹饪分享的蒸烤设备及方法 | |
CN109902227A (zh) | 一种食材推荐方法及装置 | |
CN106773859A (zh) | 一种智能烹饪控制方法 | |
CN108107762A (zh) | 烹饪控制方法及烹饪控制装置、存储介质和烹饪设备 | |
CN109918522A (zh) | 一种基于烹饪平台的菜品烹饪学习方法及装置 | |
US11881023B2 (en) | Method and system for generating video | |
CN109581899B (zh) | 一种烹饪任务执行方法、装置及储存介质 | |
CN110084372A (zh) | 基于自适应学习的智能菜谱生成方法及智能烹饪方法 | |
CN110858279A (zh) | 食材识别方法及装置 | |
CN106843176A (zh) | 一种用于食品柔性制造中自动化准备食材的方法、*** | |
CN110934508A (zh) | 烤箱的控制方法及装置 | |
CN110488625B (zh) | 智能厨房***的控制方法 | |
CN111061891A (zh) | 图像识别菜谱开发方法、终端及可读存储介质 | |
CN112890572B (zh) | 一种食材烹调智能控制***及方法 | |
CN111435229A (zh) | 控制烹饪模式的方法、装置和烹饪器具 | |
CN111419096B (zh) | 一种食物加工的方法、控制器及食物加工设备 | |
CN103793192B (zh) | 一种信息输出方法、冰箱及服务器 | |
CN105962755B (zh) | 智能厨具工作的方法及装置 | |
CN109464028A (zh) | 电器设备及其控制方法和装置 | |
CN109764371A (zh) | 工作参数的处理方法和装置、微波炉 | |
CN109512271A (zh) | 电器设备及其控制方法和装置 | |
CN108134809A (zh) | 一种信息推送的方法、装置和*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |