用于温度检测的方法、装置及烹饪器具制造方法及图纸

本申请属于智能家电技术领域，涉及一种用于温度检测的方法，包括：获取烹饪器具的火力数据；将所述烹饪器具的火力数据输入神经网络模型得到温度变化速率；根据所述温度变化速率对所述烹饪器具的第一温度检测值进行温度补偿。该方法通过对在烹饪过程中检测到的温度值进行补偿修正，提高了对烹饪器具内的烹饪温度检测的准确度，能够避免根据经验进行烹饪温度的判断，能够帮助用户更加方便、准确的了解烹饪温度，给用户带来更加好的烹饪体验。本申请还公开一种用于温度检测的装置及烹饪器具。还公开一种用于温度检测的装置及烹饪器具。还公开一种用于温度检测的装置及烹饪器具。

Method, device and cooking appliance for temperature detection

【技术实现步骤摘要】
用于温度检测的方法、装置及烹饪器具


[0001]本申请涉及智能家电
，例如涉及用于温度检测的方法、装置及烹饪器具。

技术介绍

[0002]在烹饪过程中对温度的控制非常重要，如果温度太低，则食材很难熟，在这种情况下虽然可以通过加长烹饪时间弥补，但是也会使菜肴口感变差；如果温度太高，则会导致食材表面焦糊而内部生冷，影响食用。因此在下菜之前往往要对锅内油温状态进行判断，但在实际烹饪情景中，用户不可能将温度计放入油中检测油温，只能根据经验或将手放在油上方表面去判断。
[0003]现有技术中，已提供了在灶具的燃烧器中间布置温度探头的技术方案，利用温度探头可以对锅底温度进行检测，并将测量温度作为烹饪的参考依据。但是，实际应用中，上述测量温度往往与锅具内油温、水温或菜肴的温度相差较大，难以准确反映所述锅具内部的烹饪温度。

技术实现思路

[0004]为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。
[0005]本公开实施例提供了一种用于温度检测的方法、装置及烹饪器具，以解决目前无法准确了解烹饪器具内部烹饪温度的问题。
[0006]在一些实施例中，所述用于温度检测的方法，包括：
[0007]获取烹饪器具的火力数据；
[0008]将所述烹饪器具的火力数据输入神经网络模型得到温度变化速率；
[0009]根据所述温度变化速率对所述烹饪器具的第一温度检测值进行温度补偿。
[0010]在一些实施例中，所述用于温度检测的装置包括：处理器和存储有程序指令的存储器，该处理器被配置为在执行所述程序指令时，执行上述的用于烹饪器具的温度检测方法。
[0011]在一些实施例中，所述烹饪器具包括上述的用于温度检测的装置。
[0012]本公开实施例提供的用于温度检测的方法、装置及烹饪器具，可以实现以下技术效果：通过对在烹饪过程中检测到的温度值进行补偿修正，提高了对烹饪器具内的烹饪温度检测的准确度，能够避免根据经验进行烹饪温度的判断，能够帮助用户更加方便、准确的了解烹饪温度，给用户带来更加好的烹饪体验。
[0013]以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。
附图说明
[0014]一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图
并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：
[0015]图1是一公开实施例提供的用于温度检测的方法示意图；
[0016]图2是本公开实施例提供的用于温度检测的装置示意图。
具体实施方式
[0017]为了能够更加详尽地了解本公开实施例的特点与
技术实现思路
，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。
[0018]本公开实施例提供了一种用于温度检测的方法，如图1所示，包括：
[0019]S101、获取烹饪器具的火力数据；
[0020]S102、将所述烹饪器具的火力数据输入神经网络模型得到温度变化速率；
[0021]S103、根据所述温度变化速率对所述烹饪器具的第一温度检测值进行温度补偿。
[0022]由于在烹饪过程中用户通过接触式温度传感器检测油温、水温、菜肴温度等烹饪器具内部的烹饪温度不太现实，而通过非接触温度传感器进行烹饪温度检测精度又低，因此实际生活中很少通常通过烹饪经验进行烹饪温度的判断，本公开实施例通过将烹饪器具的火力数据输入预先建立的神经网络模型得到温度变化速率，进而对在烹饪过程中检测到的温度值进行补偿修正，提高了烹饪过程中对烹饪器具内的烹饪温度检测的准确度，能够避免根据经验进行烹饪温度的判断，能够帮助用户更加方便、准确的了解烹饪温度，给用户带来更加好的烹饪体验。
[0023]在一些实施例中，所述火力数据包括一个或多个火力值，和，各火力值的持续时间。
[0024]在一些实施例中，将所述烹饪器具的火力数据输入神经网络模型得到温度变化速率，包括：
[0025]对所述烹饪器具的火力变化值及各火力值的持续时间进行归一化处理得到归一化输入数据，将所述归一化输入数据输入所述神经网络模型进行测试，得到归一化输出数据，对所述归一化输出数据进行反归一化处理得到所述温度变化速率。
[0026]在一些实施例中，所述神经网络模型通过将所述烹饪器具的火力变化值及各火力值的持续时间作为输入数据、将温度变化速率检测值作为输出数据构建得到。
[0027]在一些实施例中，所述温度变化速率检测值根据相邻两个不同的第二温度检测值得到。
[0028]在一些实施例中，在构建所述神经网络模型时，通过温度传感器检测烹饪器具内的第二温度检测值，当发生温度变化时，计算得到温度变化速率检测值，ΔTC为温度变化速率检测值，TC1为前一第二温度检测值，TC2为后一第二温度检测值，t1′
为TC1对应的持续时间，t2′
为TC2对应的持续时间。将烹饪器具的火力变化值及各火力值的持续时间作为输入数据，将温度变化速率检测值作为输出数据，确定隐含层的节点数，根据
确定隐含层的节点数，其中，L为隐含层节点数，n为输入神经元个数，m为输出神经元个数，a为常数，a∈[1，,10]，对每个隐含层节点数的选择形成的神经网络，均进行10次不同的训练，取平均训练误差最小时的隐含层节点数为最终选定的隐含层节点数，由此构建神经网络。
[0029]根据对神经网络输入数据和输出数据进行归一化处理，使得输入数据在[0，1]内。其中，为经过归一化处理后的神经网络的输入数据，x为输入数据，x
max
为输入数据中的最大值，x
min
输入数据的最小值。
[0030]采用实数编码方式对神经网络的权值和阈值进行编码，选取适应度函数其中，i为正整数，s
i
为神经网络的输出数据，t
i
为神经网络的期望输出数据，p为神经网络输入数据和输出数据的成对数目，采用整体算数交叉算子优化神经网络。神经网络模型的输出层选择S型对数函数logsig，隐含层传递函数采用logsig函数，Errorgoal＝0.001，Ir＝0.01，epochs＝1000，对遗传算法优化后的神经网络进行训练。
[0031]根据对测试所得的温度数据进行反归一化处理，其中x
′
为反归一化处理后最终的温度变化速率，为测试得到的温度变化速率数据，x
′
max
为测试得到的温度变化速率数据最大值，x
′
min
为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于温度检测的方法，其特征在于，包括：获取烹饪器具的火力数据；将所述烹饪器具的火力数据输入神经网络模型得到温度变化速率；根据所述温度变化速率对所述烹饪器具的第一温度检测值进行温度补偿。2.根据权利要求1所述的方法，其特征在于，所述火力数据包括一个或多个火力值，和，各火力值的持续时间。3.根据权利要求1所述的方法，其特征在于，将所述烹饪器具的火力数据输入神经网络模型得到温度变化速率，包括：对所述烹饪器具的火力变化值及各火力值的持续时间进行归一化处理得到归一化输入数据，将所述归一化输入数据输入所述神经网络模型进行测试，得到归一化输出数据，对所述归一化输出数据进行反归一化处理得到所述温度变化速率。4.根据权利要求1所述的方法，其特征在于，所述神经网络模型通过将所述烹饪器具的火力变化值及各火力值的持续时间作为输入数据、将温度变化速率检测值作为输出数据构建得到。5.根据权利要求4所述的方法，其特征在于，所述温度...

【专利技术属性】
技术研发人员：周枢，吴剑，费兆军，易作为，冯志群，
申请(专利权)人：海尔智家股份有限公司，
类型：发明
国别省市：