本发明专利技术提供一种烹饪控制方法，包括以下步骤：获取输入图像，通过食材图像甄别模型对输入图像处理并分类为食材图像和非食材图像，将食材图像传输至服务器云端；通过食材识别模型对食材图像处理并输出食材分类结果，根据食材分类结果匹配部署于服务器云端的菜谱数据库，以无线通讯方式将匹配于食材分类结果的菜谱信息集合传输至移动用户端供用户选定；将用户选定的菜谱信息传输至具有执行单元的集成灶，根据处理指令执行烹饪。本发明专利技术有效结合了集成灶、移动用户端和服务器云端，无需在集成灶加装图像识别单元，有效利用移动用户端的硬件资源，提高集成灶与服务器云端的交互速度，提升用户的操作便捷性和直观性，实现集成灶的可视化移动化操作。化移动化操作。化移动化操作。
【技术实现步骤摘要】
一种烹饪控制方法及系统
[0001]本专利技术涉及集成灶
，具体涉及一种烹饪控制方法。
技术介绍
[0002]人机交互的智能化在集成灶应用中越来越受到重视，现有技术中，一般通过在集成灶上加装各种智能模块和通信模块而实现集成灶、云端和用户的交互，从而实现向用户推荐菜谱、根据用户选定菜谱进行烹饪等功能。但是，在硬件成本限制下，集成灶上的智能模块和通信模块的算力以及数据传输速度受限，影响集成灶和云端的交互速度。
技术实现思路
[0003]基于以上背景，本专利技术的目的在于提供一种烹饪控制方法及系统，有效结合了集成灶、移动用户端和服务器云端，提高集成灶与服务器云端的交互速度。
[0004]为了实现上述专利技术目的，本专利技术提供以下技术方案：
[0005]一种烹饪控制方法，该方法包括以下步骤：
[0006]通过部署于移动用户端的图像获取单元获取输入图像，通过部署于移动用户端的食材图像甄别模型对所述输入图像处理并分类为食材图像和非食材图像，以无线通讯方式将所述食材图像传输至服务器云端；
[0007]通过部署于服务器云端的食材识别模型对所述食材图像处理并输出食材分类结果，根据所述食材分类结果匹配部署于服务器云端的菜谱数据库，以无线通讯方式将匹配于食材分类结果的菜谱信息集合传输至所述移动用户端供用户选定，其中，所述菜谱信息集合包括多条菜谱信息，每条所述菜谱信息均包含处理指令；
[0008]通过移动用户端以无线通讯方式将用户选定的菜谱信息传输至具有执行单元的集成灶，通过执行单元根据所述处理指令执行烹饪。
[0009]移动用户端先判定输入图像是否为食材图像，非食材图像不传输至服务器云端，有效保护用户隐私，且节省服务器云端算力，食材图像由服务器云端进行识别并根据识别结果反馈匹配的菜谱信息；食材图像甄别模型为轻量级的卷积神经网络模型，便于部署，降低移动用户端内存与算力占用，提升判定速度；食材识别模型为计算能力更强的复杂卷积神经网络模型，结合大数据，实现对于食材的精准识别。
[0010]作为优选，该方法还包括以下步骤：
[0011]通过移动用户端获取用户对选定菜谱信息的评价，存储用户的选定记录和评价记录，并将选定记录和评价记录传输至服务器云端。
[0012]作为优选，该方法还包括以下步骤：
[0013]通过服务器云端根据用户的选定记录和评价记录建立用户偏好集合，在根据食材分类结果匹配菜谱数据库时，通过用户偏好集合进行修正，获得修正后的菜谱信息集合，并无线通讯方式传输至移动用户端供用户选定。
[0014]作为优选，通过执行单元根据所述处理指令执行烹饪，具体包括以下步骤：
[0015]解析所述处理指令，识别处理指令指定的烹饪单元；
[0016]启动指定的烹饪单元开始烹饪，在烹饪执行过程中，根据解析处理指令获取的所述烹饪单元的控制参数进行控制。
[0017]作为优选，所述食材图像甄别模型基于卷积神经网络模型构建，食材图像甄别模型包括一个输入层、三个卷积层、一个全连接层和一个输出层；每个卷积层均包2D卷积子层、批归一化层、激活函数层和最大池化层，其中，第一个卷积层的2D卷积子层采用32个5x5的卷积核，第二个卷积层的2D卷积子层采用64个3x3的卷积核，第三个卷积层的2D卷积子层采用128个3x3的卷积核；全连接层包括摊平层和全连接子层，全连接子层具有128个节点，全连接子层的激活函数为ReLU函数；输出层具有2个节点，输出层的激活函数为Softmax函数。
[0018]该食材图像甄别模型的第一卷积层的2D卷积子层采用较大的卷积核，增加深度，后两个卷积层的2D卷积子层采用较小的卷积核，在不断丰富特征表达的同时保持较小的计算量与参数规模，维持模型的轻量化，每个2D卷积子层后连接的批归一化层增强了对更丰富的光照变化特征的学习能力，以及增强对输入图像分布变化的适应性，消除输入图像的光照条件干扰，保证模型识别准确率。
[0019]作为优选，所述食材图像甄别模型的损失函数的数学表达式为：
[0020]loss＝categorical crossentropy+α*content loss
[0021]式中，categorical crossentropy为分类交叉熵损失函数，content loss为内容损失函数，α为权重比例。
[0022]该食材图像甄别模型的损失函数混合使用分类交叉熵损失函数和内容损失函数，提升模型生成更真实图像的能力，防止生成空内容图像，其中的内容损失函数强化了模型对光照不变内容的学习能力。
[0023]作为优选，所述食材识别模型基于卷积神经网络模型构建，食材识别模型包括一个输入层、三个卷积层、一个全连接层和一个输出层；每个卷积层均包2D卷积子层、批归一化层、激活函数层和最大池化层，其中，第一个卷积层的2D卷积子层采用32个3x3的卷积核，第二个卷积层的2D卷积子层采用64个5x5的卷积核，第三个卷积层的2D卷积子层采用128个2x2的卷积核；全连接层包括摊平层、全连接子层、随机失活层、谱范数约束层和全局池化层，全连接子层具有512个节点，全连接子层的激活函数为ReLU函数；输出层的激活函数为Softmax函数。
[0024]作为优选，所述食材识别模型的损失函数的数学表达式为：
[0025]loss＝categorical crossentropy+β*Focal Loss+Class Weighting
[0026]式中，categorical crossentropy为分类交叉熵损失函数，Focal loss为改进的交叉熵损失函数，β为权重比例，Class Weighting为类别加权。
[0027]该食材识别模型的损失函数混合使用分类交叉熵损失函数和改进的交叉熵损失函数，并引入类别加权，有效惩罚模型错误定位，且使模型能够衡量不同类别的差异度，优化困难样本，有效提高模型的定位能力、对困难样本的识别能力以及泛化能力。
[0028]作为优选，所述食材识别模型的训练策略为：
[0029]数据准备：准备预设种类常见食材的图像数据集，包含设定数量的每个种类食材的图像，将图像数据集划分为训练集、验证集和测试集；将每个图像调整大小至100x100像
素，并进行归一化和随机翻转，实现数据增广；
[0030]模型初始化：设定食材识别模型的初始学习率0.001，设定损失函数为categorical crossentropy，开始训练食材识别模型；冻结全部卷积层，使用训练集仅训练全连接层和输出层多轮，并在验证集上评估准确率；
[0031]第一训练阶段：解冻第一个卷积层，使用训练集训练全模型多轮，并在验证集上评估准确率，若准确率提高则继续训练，若准确率停滞或降低则降低学习率至0.0001再进行训练，直至准确率不再提高；
[0032]第二训练阶段：解冻第二个卷积层，采用与第一训练阶段相同的策略训练全模型多轮，当准确率提高幅度小于等于0.5％时，设定本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种烹饪控制方法，其特征在于：该方法包括以下步骤：通过部署于移动用户端的图像获取单元获取输入图像，通过部署于移动用户端的食材图像甄别模型对所述输入图像处理并分类为食材图像和非食材图像，以无线通讯方式将所述食材图像传输至服务器云端；其中，所述菜谱信息集合包括通过部署于服务器云端的食材识别模型对所述食材图像处理并输出食材分类结果，根据所述食材分类结果匹配部署于服务器云端的菜谱数据库，以无线通讯方式将匹配于食材分类结果的菜谱信息集合传输至所述移动用户端供用户选定多条菜谱信息，每条所述菜谱信息均包含处理指令；通过移动用户端以无线通讯方式将用户选定的菜谱信息传输至具有执行单元的集成灶，通过执行单元根据所述处理指令执行烹饪。2.根据权利要求1所述的一种烹饪控制方法，其特征在于：该方法还包括以下步骤：通过移动用户端获取用户对选定菜谱信息的评价，存储用户的选定记录和/或评价记录，并将选定记录和/或评价记录传输至服务器云端。3.根据权利要求2所述的一种烹饪控制方法，其特征在于：该方法还包括以下步骤：通过服务器云端根据用户的选定记录/或评价记录建立用户偏好集合，在根据食材分类结果匹配菜谱数据库时，通过用户偏好集合进行修正，获得修正后的菜谱信息集合，并以无线通讯方式传输至移动用户端供用户选定。4.根据权利要求1所述的一种烹饪控制方法，其特征在于：通过执行单元根据所述处理指令执行烹饪，具体包括以下步骤：解析所述处理指令，识别处理指令指定的烹饪单元；启动指定的烹饪单元开始烹饪，在烹饪执行过程中，根据解析处理指令获取的所述烹饪单元的控制参数进行控制。5.根据权利要求1所述的一种烹饪控制方法，其特征在于：所述食材图像甄别模型基于卷积神经网络模型构建，食材图像甄别模型包括一个输入层、三个卷积层、一个全连接层和一个输出层；每个卷积层均包括2D卷积子层、批归一化层、激活函数层和最大池化层，其中，第一个卷积层的2D卷积子层采用32个5x5的卷积核，第二个卷积层的2D卷积子层采用64个3x3的卷积核，第三个卷积层的2D卷积子层采用128个3x3的卷积核；全连接层包括摊平层和全连接子层，全连接子层具有128个节点，全连接子层的激活函数为ReLU函数；输出层具有2个节点，输出层的激活函数为Softmax函数。6.根据权利要求5所述的一种烹饪控制方法，其特征在于：所述食材图像甄别模型的损失函数的数学表达式为：loss＝categorical crossentropy+α*content loss式中，categorical crossentropy为分类交叉熵损失函数，content loss为内容损失函数，α为权重比例。7.根据权利要求1所述的一种烹饪控制方法，其特征在于：所述食材识别模型基于卷积神经网络模型构建，食材识别模型包括一个输入层、三个卷积层、一个全连接层和一个输出层；每个卷积层均包2D卷积子层、批归一化层、激活函数层和最大池化层，其中，第一个卷积层的2D卷积子层采用32个3x3的卷积核，第二个卷积层的2D卷积子层采用...
【专利技术属性】
技术研发人员：请求不公布姓名，
申请(专利权)人：火星人厨具股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。