CN117153338A - 一种基于深度学习的调味料摄入量确定方法与*** - Google Patents
一种基于深度学习的调味料摄入量确定方法与*** Download PDFInfo
- Publication number
- CN117153338A CN117153338A CN202310817345.5A CN202310817345A CN117153338A CN 117153338 A CN117153338 A CN 117153338A CN 202310817345 A CN202310817345 A CN 202310817345A CN 117153338 A CN117153338 A CN 117153338A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- taken
- dishes
- flavoring
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 235000011194 food seasoning agent Nutrition 0.000 title claims description 46
- 235000016709 nutrition Nutrition 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000035764 nutrition Effects 0.000 claims abstract description 20
- 235000013305 food Nutrition 0.000 claims description 20
- 235000019640 taste Nutrition 0.000 claims description 17
- 239000000126 substance Substances 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 201000010099 disease Diseases 0.000 claims description 12
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 12
- 239000004278 EU approved seasoning Substances 0.000 claims description 11
- 238000010411 cooking Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 10
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000002360 preparation method Methods 0.000 claims description 7
- 235000014347 soups Nutrition 0.000 claims description 7
- 208000004262 Food Hypersensitivity Diseases 0.000 claims description 5
- 206010016946 Food allergy Diseases 0.000 claims description 5
- 235000020932 food allergy Nutrition 0.000 claims description 5
- 206010067484 Adverse reaction Diseases 0.000 claims description 4
- 230000006838 adverse reaction Effects 0.000 claims description 4
- 229910021529 ammonia Inorganic materials 0.000 claims description 4
- -1 hydrogen ions Chemical class 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 235000000346 sugar Nutrition 0.000 claims description 4
- 230000036772 blood pressure Effects 0.000 claims description 3
- 239000000796 flavoring agent Substances 0.000 claims description 3
- 235000019634 flavors Nutrition 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 239000008280 blood Substances 0.000 claims description 2
- 210000004369 blood Anatomy 0.000 claims description 2
- 229910052739 hydrogen Inorganic materials 0.000 claims description 2
- 239000001257 hydrogen Substances 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims 2
- 235000021186 dishes Nutrition 0.000 description 26
- 230000002354 daily effect Effects 0.000 description 15
- 239000000463 material Substances 0.000 description 10
- 235000013311 vegetables Nutrition 0.000 description 8
- 235000013409 condiments Nutrition 0.000 description 7
- 230000036541 health Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 235000005911 diet Nutrition 0.000 description 5
- 206010020772 Hypertension Diseases 0.000 description 4
- 230000000378 dietary effect Effects 0.000 description 4
- 235000006694 eating habits Nutrition 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000011229 interlayer Substances 0.000 description 3
- 235000012054 meals Nutrition 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 235000002639 sodium chloride Nutrition 0.000 description 3
- 208000002720 Malnutrition Diseases 0.000 description 2
- 235000013527 bean curd Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013124 brewing process Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 235000020805 dietary restrictions Nutrition 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 235000019197 fats Nutrition 0.000 description 2
- 235000013373 food additive Nutrition 0.000 description 2
- 239000002778 food additive Substances 0.000 description 2
- 235000000824 malnutrition Nutrition 0.000 description 2
- 230000001071 malnutrition Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 208000015380 nutritional deficiency disease Diseases 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 235000012046 side dish Nutrition 0.000 description 2
- 208000018556 stomach disease Diseases 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 208000012895 Gastric disease Diseases 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 208000022531 anorexia Diseases 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 206010061428 decreased appetite Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000021196 dietary intervention Nutrition 0.000 description 1
- 235000008242 dietary patterns Nutrition 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 210000002249 digestive system Anatomy 0.000 description 1
- 238000004851 dishwashing Methods 0.000 description 1
- 235000005686 eating Nutrition 0.000 description 1
- 235000021191 food habits Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 210000000987 immune system Anatomy 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 208000017169 kidney disease Diseases 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 235000004213 low-fat Nutrition 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 235000003715 nutritional status Nutrition 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 239000003755 preservative agent Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 235000019600 saltiness Nutrition 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 159000000000 sodium salts Chemical class 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Nutrition Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种基于深度学习的调味料摄入量确定方法与***,属于深度学习及自动化精细控制领域,包括:获取使用者的身体数据和当天摄入的营养信息数据;利用使用者的身体数据和每天摄入的营养数据训练LSTM模型;将使用者的身体数据、每天摄入的营养信息组织成序列数据,以一天为一个时间步长,将每个时间步长作为LSTM模型的输入,同时使用三天内的数据作为输入数据的上下文;利用LSTM模型输出使用者下一天所需要摄入的各个调味料用量。该***能够根据使用者的身体状况和营养状况控制其每天调料的摄入。
Description
技术领域
本发明属于深度学习及自动化精细控制领域,具体涉及一种基于深度学习的调味料摄入量确定方法与***。
背景技术
老年人食用过多高钠盐、含糖、脂肪和碳水化合物的调味品,可能会加重高血压、糖尿病、肾病、肥胖和消化***问题等基础疾病。根据不同地区、文化、习惯和教育程度的差异,退休老年人中掌握做饭技能的男士和女士比例可能有所不同。一般来说,过去的社会习惯和文化观念中,女性在家庭中负责做饭和家务事务的比例较高,而男性则主要从事外出工作和经济收入来源,故退休后老人倾向于外出进餐。
此外,老年人退休后居家饮食可能出现的问题包括饮食习惯改变、营养不良、食物安全问题、厨房安全问题以及社交问题。例如,由于口味偏好、食欲减退等原因,老年人可能会偏好某些食物,缺乏必要的营养素,导致营养不良。老年人的免疫***相对较弱,容易感染食物中的细菌和病毒;同时,老年人对食物中的添加剂、防腐剂等化学物质的耐受性可能较低,容易引起食物过敏和其他食品安全问题。此外,老年人退休后,生活方式和饮食习惯可能发生变化,例如饮食规律不规律、进食时间过晚等,容易影响消化和吸收功能。
现有技术中的菜品制作机器人在制作菜品的时候,只能根据菜品添加固定用量的调味料,不能根据使用者的身体状态控制调味料的用量。
发明内容
为了克服上述现有技术存在的不足,本发明提供了一种基于深度学习的调味料摄入量确定方法与***。
为了实现上述目的,本发明提供如下技术方案:
一种基于深度学习的调味料摄入量确定方法与***,包括:
获取历史使用者的身体数据和当天摄入的营养信息数据;
根据历史使用者的身体数据和每天摄入的营养数据预测下一天应该摄入的各个调味料总量;并将预测的下一天应该摄入的各个调味料总量与历史使用者的身体数据和每天摄入的营养数据共同作为训练集;
利用训练集中的历史使用者的身体数据和每天摄入的营养数据训练LSTM模型,当LSTM模型输出的各个调味料的总量与预测的下一天应该摄入的各个调味料总量相同时,LSTM模型训练完成;
将使用者的身体数据和每天摄入的营养信息组成序列数据,以一天为一个时间步长,将每个时间步长作为LSTM模型的输入,同时使用三天内的数据作为输入数据的上下文,输出使用者下一天所需要摄入的各个调味料用量。
进一步,所述使用者的身体数据包括:年龄、性别、身高、体重、血压、血糖、使用者的疾病类型、使用者的疾病严重程度、已知的食品过敏或不良反应、药物治疗情况。
进一步,将使用者每天摄入的营养信息输入到矩阵分解模型中,由矩阵分解模型推荐最适合用户的食品和菜品。
一种基于深度学习的调味料摄入量确定***,其特征在于,包括:
数据获取模块,用于获取使用者的身体数据和当天摄入的营养信息数据;
主控模块,用于:
根据历史使用者的身体数据和每天摄入的营养数据预测下一天应该摄入的各个调味料总量;并将预测的下一天应该摄入的各个调味料总量与历史使用者的身体数据和每天摄入的营养数据共同作为训练集;
利用训练集中的历史使用者的身体数据和每天摄入的营养数据训练LSTM模型,当LSTM模型输出的各个调味料的总量与预测的下一天应该摄入的各个调味料总量相同时,LSTM模型训练完成;
将使用者的身体数据和每天摄入的营养信息组成序列数据,以一天为一个时间步长,将每个时间步长作为LSTM模型的输入,同时使用三天内的数据作为输入数据的上下文,输出使用者下一天所需要摄入的各个调味料用量。
进一步,还包括:
实时监控模块,用于在菜品制作过程中实时监测菜品的化学特性数据;
所述主控模块根据菜品的实时化学特性数据,将菜品的实时化学特性数据输入训练好的mlp神经网络中,由mlp神经网络神经网络模型实时预测菜品的味道,根据菜品的味道的预测结果和目标味道值之间的差异,控制调味品的添加量和配比。
进一步,所述实时监控模块包括:
pH传感器,用于检测菜品中的氢离子浓度;
盐度传感器,用于检测菜品中的盐离子浓度;
氨气传感器,用于用于监测菜品中的氨气浓度。
进一步,还包括:菜品制作模块,其包括:
内胆,用于炒菜或煲汤。
进一步,所述主控模块包括:模糊控制器和神经网络控制器串联形成的混合控制器。
本发明提供的一种基于深度学习的调味料摄入量确定方法与***具有以下
有益效果:
本发明收集使用者的身体数据和营养摄入信息,根据身体数据和营养摄入信息给出使用者每天所能够摄入的调料总量作为训练集训练LSTM神经网络,利用LSTM神经网络输出使用者下一天所能够摄入的调料总量。解决了现有技术中,菜品制作机器人在制作菜品的时候,只能根据菜品添加固定用量和比例的调味料,不能根据使用者的身体状态控制调味料的用量的问题。
附图说明
为了更清楚地说明本发明实施例及其设计方案,下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例,对于本领域普通技术人员来说,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的附图。
图1为本发明的一种基于深度学习的调味方法示意图。
图2为本发明实施例的调味品分区预处理及储存备用示意图;
图3为本发明实施例中菜品制作模块示意图;
图4为本发明实施例中新鲜食材投放及处理模块示意图;
图5为本发明实施例中食材配菜及翻炒过程示意图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施,下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例:
本发明提供了一种基于深度学习的调味料摄入量确定方法与***,具体如图1所示,包括:获取使用者的身体数据和当天摄入的营养信息数据;由医生根据使用者的身体数据和每天摄入的营养数据给出下一天应该摄入的各个调味料总量,与使用者的身体数据和每天摄入的营养数据共同作为训练集;利用训练集中的使用者的身体数据和每天摄入的营养数据训练LSTM模型,当LSTM模型输出的各个调味料的总量与医生根据使用者的身体数据和每天摄入的营养数据给出下一天应该摄入的各个调味料总量相同时,LSTM模型训练完成;将使用者的身体数据、每天摄入的营养信息组织成序列数据,以一天为一个时间步长,将每个时间步长作为LSTM模型的输入,同时使用三天内的数据作为输入数据的上下文;利用LSTM模型输出使用者下一天所需要摄入的各个调味料用量。
以下为本发明***实施细节:
1)自动化调味器与制作***:
由调料盒、内胆、传感器,菜品准备***组成;
调料盒依据调味品性质设计便于储存,使用前可将调味品加入到调料盒的隔层里的,由控制***调控加入剂量;内胆包括炒菜内胆和煲汤内胆,可以完成做菜与煲汤,依据不同价位与需求设计其大小及内胆数量;传感器用于监测做菜或者煲汤过程中的实时信息。每次完成一道菜品后自动进行清洗,已完成菜品传递至隔层保温。菜品准备***用于用于洗菜和切菜。
菜品准备***配菜完成后,由食材投放***将盛有食材的实盘运动至***执行层如炒菜内胆所在高度,依据如炒菜与添加佐料的先后顺序依次添加食材。由炒菜内胆完成后续翻炒动作。
2)数据储存与处理***:
录入各类菜谱的菜品名称、所需食材及数量、制作步骤、烹饪时间和温度、可能的营养信息、原料来源、菜品图片和小贴士等基础信息,储备为数据库1。
录入使用者的身体健康基础档案,这里的档案重点包括饮食方面的数据,比如用户的疾病类型、疾病的严重程度、已知的食品过敏或不良反应、药物治疗情况等,提取老人健康体检数据中存在风险及相关度的数据项,储备为数据库2。
依据使用者的身体信息,利用机器学习算法建立匹配模型。将用户身体状况和营养信息输入到机器学习算法中,建立匹配模型,以确定哪些食品和菜品最适合用户。模型可以基于用户的健康目标、口味偏好、饮食习惯、疾病类型等因素进行调整;根据用户的个人情况(如偏好和饮食限制)提供针对性的饮食建议,例如提供食谱、烹饪建议和健康餐点选择建议等。
将老人的饮食记录和身体数据作为序列数据,输入到LSTM模型中,通过训练LSTM模型,输出使用者一天内所需要摄入的调味料总量,将使用者当天所需要摄入的调味料分别置于调料盒的各个隔层中;在菜品制作模块制作菜品的过程中,控制调料盒中的调料按照固定比例添加到菜品中。
软件终端与用户交流的过程体现在产品的终端交互,如微信小程序、公众号、支付宝小程序等形式。
3)控制***:
优选的方案中,定义控制***的输入和输出,定义输入为各种原材料和调味品的比例和属性,输出为调制出来的调味品的属性,例如味道、酸度、甜度、咸度等。
优选的方案中,根据定义的输入和输出建立控制***的数学模型,通过质量守恒和物质平衡等原理,建立一个包含各种原材料、调味品和混合物的质量守恒方程组,进而利用方程组来建立数学模型。根据建立的数学模型设计控制***的控制策略,使用模糊控制器来实现对***的模糊控制,使用神经网络控制器来实现对***的智能化控制,将模糊控制器和神经网络控制器串联成一个混合控制器,实现对***的智能化、个性化控制。
优选的方案中,使用单片机或微处理器来搭建控制器,使用编程语言来编写控制软件。使用VHDL编程语言来实现模糊控制器和神经网络控制器,例如模糊逻辑里的模糊运算和规则库的一种或几种组合,神经网络模型里的各种神经元和网络连接的一种或几种组合。
优选的方案中,将模糊控制器和神经网络控制器串联起来实现混合控制器,同时将它们的输出通过权重加权和偏置调节等方式进行融合,例如在FPGA硬件内部的DSP模块可以实现这些高速、低功耗的控制算法。对控制器进行联调和调试,根据实际情况对控制器参数和工作范围进行优化和调整,以达到最佳的控制效果。将建立好的控制***应用到调味品调制过程中,实时监测调味品的物理和化学属性,并根据控制策略对调味品的配比和搅拌过程进行控制,以实现自动化和精细化的调制过程。
通过文献调研、实验室测试等方式获取各种调味品的化学特性数据,例如成分组成、物理化学性质、味道感官评估等;基于收集到的化学特性数据,使用机器学习或深度学习等方法建立预测模型,常用的方法有线性回归、支持向量机、随机森林、神经网络等,通过输入调味品的化学特性数据,输出预测的味道评估结果。
优选的方案中,建立反馈***实时监测调制过程中各种调味品的化学特性,并将这些数据输入到预测模型中进行味道预测。同时,根据预测结果和目标味道值之间的差异,控制调味品的添加量和配比,以达到精确的调制效果。
设计反馈控制***时调味品的性质、调制工艺等因素确定关键参数,如控制周期、目标味道值、控制算法等。
依据调制结果得到的历史数据优化包括调味品的添加顺序、时间、温度、pH值等在内的内容,同时对调制过程中的异常情况进行监测和处理。
优选的方案中,采集不同种类的蔬菜的图片,包含不同的角度、光照和背景等因素,保证图片的质量和多样性,以确保模型能够识别不同的情况。对采集的蔬菜图片进行标注,标注出每张图片对应的蔬菜种类。对标注后的数据进行预处理,包括数据清洗、数据增强等操作。选择基于卷积神经网络(CNN)的模型,如ResNet、VGG等进行训练。使用标注后的数据集对模型进行训练,同时训练过程中进行参数调优。使用精确率、召回率等指标来评估模型的准确性,使用预测API或者本地调用的方式进行部署。使用传感器(如摄像头)对指定区域的蔬菜进行拍摄,将拍摄到的图片输入到训练好的模型中进行识别,得到蔬菜的种类和相关信息。
优选的方案中,由已训练完毕的菜品制作执行模型(如顺序,食材需加工成的形状等)导出执行指令,进一步由自动化调味器与制作***完成后续制作步骤。(制作指令的生成:由菜品制作模型导出执行指令)
以下为本发明具体实施例:
实施例一:
某老人,70岁,无固定工作,年轻时从事重体力劳动,身体患有多种基础疾病,特别以高血压和胃病突出。经家人建议后尝试使用本***,此时是上午10:00,离午饭时间还有2小时。
第一步,录入个人信息。录入使用者(如老人)的身体健康基础档案,这里的档案重点包括饮食方面的数据,比如用户的疾病类型、疾病的严重程度、已知的食品过敏或不良反应、药物治疗情况等,提取老人健康体检数据中存在风险及相关度的数据项,储备为数据库2。
第二步,智能化膳食建议推荐。依据使用者的身体信息,将用户身体状况和营养信息输入到机器学习算法中,建立匹配模型,以确定哪些食品和菜品最适合用户。模型可以基于用户的健康目标、口味偏好、饮食习惯、疾病类型等因素进行调整。
根据用户的个人情况(如偏好和饮食限制)提供针对性的饮食建议,例如提供食谱、烹饪建议和健康餐点选择建议等。
优选的方案中,将老人的饮食记录作为序列数据,输入到循环神经网络中,通过训练网络,预测出老人的饮食习惯和营养状态,从而更好地判断其营养状况,并给出相应的营养干预方案。
将老人的饮食历史作为输入序列,包括每日摄入的盐、糖、脂肪、营养素以及食品添加剂等信息,以及老人的年龄、身高、体重、病史等信息作为附加信息。通过训练网络,可以预测出老人的营养状态,并给出相应的营养干预方案,例如推荐一些低盐、低糖、低脂肪的食物,限制老人的食品添加剂摄入量等。
老人通过微信小程序在推荐的菜品中或自行搜索菜品完成指令的下达。
老人通过语音等适老化改造的交互设备完成***接下来的提示内容,如在***检索到附近食材可获得来源的坐标,根据综合分析推荐(考虑时间,习惯,位置等),使老人可以在几种经济便捷的获取食材的方式里选择最适合自己的一种,如自行买菜或机器人取菜或线下自提或送货上门。
老人在选择了符合自己口味的、又有利于控制高血压、胃病的菜品——紫米饭和豆腐汤。
老人依据提示将准备好的食材分拣投入自动化调味器与制作***,启动***。***自动完成菜品的制作。
特别的,豆腐汤制作时,***考虑老人的高血压状况,控制了食盐等的摄入,通过日积月累的作用,老人的血压得到了明显的控制,身体素质变得越来越好。
实施例2:
自动化调味器与制作***,以调味为例:
假设***有n种原材料和调味品,分别用x1,x2,...,xn表示它们的质量分数,
由质量守恒和物料守恒建立如下数学模型:
y1=f1(x1,x2,...,xn)
y2=f2(x1,x2,...,xn)
……
ym=fm(x1,x2,...,xn)
其中xiwi,j表示第i种物质在第j个反应中的摩尔数,xiw′i,j表示第i种物质在第j个反应中生成的摩尔数,k表示反应的个数。
通过收集菜品中的化学特性数据,将各元素的摩尔数输入神经网络中,输出菜品的味道预测结果。
以上所述实施例仅为本发明较佳的具体实施方式,本发明的保护范围不限于此,任何熟悉本领域的技术人员在本发明披露的技术范围内,可显而易见地得到的技术方案的简单变化或等效替换,均属于本发明的保护范围。
Claims (8)
1.一种基于深度学习的调味料摄入量确定方法,其特征在于,包括:
获取历史使用者的身体数据和当天摄入的营养信息数据;
根据历史使用者的身体数据和每天摄入的营养数据预测下一天应该摄入的各个调味料总量;并将预测的下一天应该摄入的各个调味料总量与历史使用者的身体数据和每天摄入的营养数据共同作为训练集;
利用训练集中的历史使用者的身体数据和每天摄入的营养数据训练LSTM模型,当LSTM模型输出的各个调味料的总量与预测的下一天应该摄入的各个调味料总量相同时,LSTM模型训练完成;
将使用者的身体数据和每天摄入的营养信息组成序列数据,以一天为一个时间步长,将每个时间步长作为LSTM模型的输入,同时使用三天内的数据作为输入数据的上下文,输出使用者下一天所需要摄入的各个调味料用量。
2.根据权利要求1所述的一种基于深度学习的调味料摄入量确定方法,其特征在于,所述使用者的身体数据包括:年龄、性别、身高、体重、血压、血糖、使用者的疾病类型、使用者的疾病严重程度、已知的食品过敏或不良反应、药物治疗情况。
3.根据权利要求1所述的一种基于深度学习的调味料摄入量确定方法,其特征在于,将使用者每天摄入的营养信息输入到矩阵分解模型中,由矩阵分解模型推荐最适合用户的食品和菜品。
4.一种基于深度学习的调味料摄入量确定***,其特征在于,包括:
数据获取模块,用于获取使用者的身体数据和当天摄入的营养信息数据;
主控模块,用于:
根据历史使用者的身体数据和每天摄入的营养数据预测下一天应该摄入的各个调味料总量;并将预测的下一天应该摄入的各个调味料总量与历史使用者的身体数据和每天摄入的营养数据共同作为训练集;
利用训练集中的历史使用者的身体数据和每天摄入的营养数据训练LSTM模型,当LSTM模型输出的各个调味料的总量与预测的下一天应该摄入的各个调味料总量相同时,LSTM模型训练完成;
将使用者的身体数据和每天摄入的营养信息组成序列数据,以一天为一个时间步长,将每个时间步长作为LSTM模型的输入,同时使用三天内的数据作为输入数据的上下文,输出使用者下一天所需要摄入的各个调味料用量。
5.根据权利要求3所述的一种基于深度学习的调味料摄入量确定***,其特征在于,还包括:
实时监控模块,用于在菜品制作过程中实时监测菜品的化学特性数据;
所述主控模块根据菜品的实时化学特性数据,将菜品的实时化学特性数据输入训练好的mlp神经网络中,由mlp神经网络神经网络模型实时预测菜品的味道,根据菜品的味道的预测结果和目标味道值之间的差异,控制调味品的添加量和配比。
6.根据权利要求5所述的一种基于深度学习的调味料摄入量确定***,其特征在于,所述实时监控模块包括:
pH传感器,用于检测菜品中的氢离子浓度;
盐度传感器,用于检测菜品中的盐离子浓度;
氨气传感器,用于用于监测菜品中的氨气浓度。
7.根据权利要求3所述的一种基于深度学习的调味料摄入量确定***,其特征在于,还包括:菜品制作模块,其包括:
内胆,用于炒菜或煲汤。
8.根据权利要求3所述的一种基于深度学习的调味料摄入量确定***,其特征在于,所述主控模块包括:模糊控制器和神经网络控制器串联形成的混合控制器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310817345.5A CN117153338A (zh) | 2023-07-05 | 2023-07-05 | 一种基于深度学习的调味料摄入量确定方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310817345.5A CN117153338A (zh) | 2023-07-05 | 2023-07-05 | 一种基于深度学习的调味料摄入量确定方法与*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117153338A true CN117153338A (zh) | 2023-12-01 |
Family
ID=88901561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310817345.5A Pending CN117153338A (zh) | 2023-07-05 | 2023-07-05 | 一种基于深度学习的调味料摄入量确定方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117153338A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117577270A (zh) * | 2024-01-15 | 2024-02-20 | 吉林大学 | 患者的智能化营养管理方法及*** |
-
2023
- 2023-07-05 CN CN202310817345.5A patent/CN117153338A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117577270A (zh) * | 2024-01-15 | 2024-02-20 | 吉林大学 | 患者的智能化营养管理方法及*** |
CN117577270B (zh) * | 2024-01-15 | 2024-04-26 | 吉林大学 | 患者的智能化营养管理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104303185B (zh) | 用于营养物摄取量的用户特定调节的***和方法 | |
CN110289079A (zh) | 智能家庭食谱推送***、推送食谱的方法及装置 | |
US9528972B2 (en) | Dynamic recipe control | |
US20160217420A1 (en) | Conditioning system for nutritional substances | |
CN111261260B (zh) | 一种膳食推荐*** | |
US20130269543A1 (en) | System for Managing the Nutritional Content for Nutritional Substances | |
US20140052722A1 (en) | Optimization-based regimen method and system for personalized diabetes and diet management | |
CN109243580A (zh) | 一种降血糖的智能营养配餐***及饮食管理方法 | |
KR20190009405A (ko) | 개인 맞춤형 자동화 식단 제공방법 | |
KR20150003733A (ko) | 소비 시에 영양 물질들을 최적화하는 변환 시스템 | |
CN117153338A (zh) | 一种基于深度学习的调味料摄入量确定方法与*** | |
CN111554379A (zh) | 一种健康食材食谱推荐方法、设备及计算机可读存储介质 | |
CN111161838A (zh) | 一种适用于学生的合理膳食方法、专家***及客户端 | |
CN115251719A (zh) | 一种智能炒菜机的菜谱录入*** | |
CN109461492A (zh) | 一种用于缓解痛风的智能配餐及饮食管理方法 | |
CN109509536A (zh) | 一种用于产后修复的智能营养配餐***及饮食管理方法 | |
CN112116987A (zh) | 一种基于多属性决策的膳食搭配方法及*** | |
KR20180073779A (ko) | 개인 맞춤형 자동화 식단 제공방법 | |
CN113744840A (zh) | 基于集中供餐环境实现个性化即时营养评价及指导的***及其方法 | |
WO2015195575A1 (en) | Dynamic recipe control | |
KR20040012394A (ko) | 인터넷을 통한 식생활 개선 정보 제공방법 및 시스템 | |
Mudry | Quantifying an American eater: Early USDA food guidance, and a language of numbers | |
CN115455065A (zh) | 一种食材选取和加工的方法及装置 | |
CN111435610A (zh) | 推荐食物的方法、装置和烹饪器具 | |
Sevilla-Villanueva et al. | Including hard restrictions into Diet4You menu planner |
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 |