用于温度预测的方法、装置及烹饪器具与流程

1.本申请涉及智能家电技术领域，例如涉及用于温度预测的方法、装置及烹饪器具。


背景技术：

2.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烹饪器具内的温度进行判断，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，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。但在实际烹饪情景中，出于卫生及便捷的原因，在实际烹饪过程中，用户一般不会将温度计放入烹饪器具中检测烹饪温度例如油温、水温等，只能根据经验或将手放在油上方表面去判断。


技术实现要素：

3.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。
4.本公开实施例提供了一种用于温度预测的方法、装置及烹饪器具，以解决在烹饪过程中不用通过温度传感器接触烹饪器具内部的同时能够获得烹饪器具内部烹饪温度的问题。
5.在一些实施例中，所述用于温度预测的方法，包括：
6.获取所述烹饪器具的火力数据；
7.将所述火力数据输入神经网络模型得到温度预测值。
8.在一些实施例中，所述用于温度预测的装置，包括处理器和存储有程序指令的存储器，所述处理器被配置为在执行所述程序指令时，执行上述的用于温度预测的方法。
9.在一些实施例中，所述烹饪器具包括上述的用于温度预测的装置。
10.本公开实施例提供的用于烹饪器具的温度预测方法、装置及烹饪器具，可以实现以下技术效果：通过检测烹饪器具的火力数据并通过神经网络模型得到温度预测值，在烹饪过程中不用通过温度传感器接触烹饪器具内部的同时能够获得烹饪器具内部烹饪温度，由于烹饪器具的火力值相对烹饪器具内部的烹饪温度更容易准确的获得，进而在烹饪过程中能够更加方便的获得烹饪器具内部烹饪温度，便于用户掌握烹饪过程中的烹饪温度，给用户带来更加好的烹饪体验。
11.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
12.一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：
13.图1是一公开实施例提供的用于温度预测的方法示意图；
14.图2是本公开实施例提供的用于温度预测的装置示意图。
具体实施方式
15.为了能够更加详尽地了解本公开实施例的特点与技术内容，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。
16.本公开实施例提供了一种用于温度预测的方法，如图1所示，包括：
17.s101、获取所述烹饪器具的火力数据；
18.s102、将所述火力数据输入神经网络模型得到温度预测值。
19.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，由于烹饪器具的火力值能够直接且较为准确的测得，因此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。
20.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。烹饪器具内部的烹饪温度与烹饪器具承受的火力值紧密相关，火力值越大加热的速度越快，烹饪器具内的温度也越高，因此烹饪器具承受的火力值和各火力值的持续时间更加适宜作为神经网络模型的输入数据。
21.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值及各火力值的持续时间作为输入数据、将检测到的温度值作为输出数据构建得到。可选地，温度值通过接触式温度传感器或非接触时温度传感器测得。
22.在一些实施例中，所述烹饪器具的火力数据包括：
23.所述烹饪器具的火力值，及各火力值的持续时间。
24.在一些实施例中，所述烹饪器具的火力值通过电位器对所述烹饪器具的旋钮开关进行旋转角度检测得到。电位器安装于烹饪器具的旋钮开关上，灶具的旋钮开关旋转角度不同，对应不同的火力大小。可选地，还可以在烹饪器具安装温度传感器，例如通过与灶具燃烧器的金属底盘相接触，采用金属导热来间接检测火力的大小。
25.在一些实施例中，将所述火力数据输入神经网络模型得到温度预测值，包括：
26.对所述神经网络模型的输入数据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预测值。
27.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温度值，将烹饪器具的火力值及各火力值的持续时间作为输入数据，将检测到的温度值
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。
[0028]
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。
[0029]
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。
[0030]
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预测值，为仿真测试得到的温度数据，x
′
max
为仿真测试得到的温度数据最大值，x
′
min
为仿真测试得到的温度数据最小值。
[0031]
在一些实施例中，用于温度预测的方法还包括：
[0032]
根据所述温度预测值进行提示。
[0033]
在一些实施例中，根据所述温度预测值进行提示，包括：
[0034]
在所述温度预测值达到用户设定的温度条件的情况下，例如当温度预测值处于设定的阈值范围内，对用户进行进行提示。
[0035]
本公开实施例提供了一种用于温度预测的装置，其结构如图2所示，该装置包括处理器(processor)100和存储有程序指令的存储器(memory)101，还可以包括通信接口(communication interface)102和总线103。其中，处理器100、通信接口102、存储器101可以通过总线103完成相互间的通信。通信接口102可以用于信息传输。处理器100可以调用存储器101中的逻辑指令，处理器被配置为在执行程序指令时，执行上述实施例的用于温度预测的方法。
[0036]
此外，上述的存储器101中的逻辑指令可以通过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。
[0037]
存储器101作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令/模块。处理器100通过运行存储在存储器101中的软件程序、指令以及模块，从而执行功能应用以及数据处理，即实现上述方法实施例中的用于温度预测的方法。
[0038]
存储器101可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据移动终端的使用所创建的数据等。此外，存储器101可以包括高速随机存取存储器，还可以包括非易失性存储器。
[0039]
本公开实施例提供了一种烹饪器具，例如灶具，包括上述用于烹饪器具的温度预测装置。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，由于烹饪器具的火力值能够直接且较为准确的测得，因此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。
[0040]
本公开实施例提供了一种计算机可读存储介质，存储有计算机可执行指令，计算机可执行指令设置为执行上述用于温度预测的方法。
[0041]
本公开实施例提供了一种计算机程序产品，计算机程序产品包括存储在计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，使计算机执行上述用于温度预测的方法。
[0042]
上述的计算机可读存储介质可以是暂态计算机可读存储介质，也可以是非暂态计算机可读存储介质。
[0043]
本公开实施例的技术方案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，包括一个或多个指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开实施例的方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质，包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
[0044]
以上描述和附图充分地示出了本公开的实施例，以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。本公开实施例的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。当用于本申请中时，虽然术语“第一”、“第二”等可能会在本申请中使用以描述各元件，但这些元件不应受到这些术语的限制。这些术语仅用于将一个元件与另一个元件区别开。比如，在不改变描述的含义的情况下，第一元件可以叫做第二元件，并且同样第，第二元件可以叫做第一元件，只要所有出现的“第一元件”一致重命名并且所有出现的“第二元件”一致重命名即可。第一元件和第二元件都是元件，但可以不是相同的元件。而且，本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的，除非上下文清楚地表明，否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。类似地，如在本申请中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外，当用于本申请中时，术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素，和/或组件的存在，但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下，由语句“包括一个
…”
限定的要素，并不排除在包括要素的过程、方法或者设备中还存在另外的相同要素。本文中，每个实施例重点说明的可以是与其他实施例的不同之处，各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言，如果其与实施例公开的方法部分相对应，那么相关之处可以参见方法部分的描述。
[0045]
本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及
算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，可以取决于技术方案的特定应用和设计约束条件。技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能，但是这种实现不应认为超出本公开实施例的范围。技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0046]
本文所披露的实施例中，所揭露的方法、产品(包括但不限于装置、设备等)，可以通过其它的方式实现。例如，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，可以仅仅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系统，或一些特征可以忽略，或不执行。另外，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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。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网络单元上。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。另外，在本公开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。
[0047]
附图中的流程图和框图显示了根据本公开实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中，不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生，有时不同的操作或步骤之间不存在特定的顺序。例如，两个连续的操作或步骤实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

技术特征：
1.一种用于温度预测的方法，其特征在于，包括：获取烹饪器具的火力数据；将所述火力数据输入神经网络模型得到温度预测值。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2所述的方法，其特征在于，所述火力值通过电位器对烹饪器具的旋钮开关进行旋转角度检测获得。4.根据权利要求1所述的方法，其特征在于，将所述火力数据输入神经网络模型得到温度预测值，包括：对所述神经网络模型的输入数据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预测值。5.根据权利要求1至4任一项所述的方法，其特征在于，还包括：根据所述温度预测值进行提示。6.根据权利要求5所述的方法，其特征在于，根据所述温度预测值进行提示，包括：在所述温度预测值达到用户设定的温度条件的情况下，进行提示。7.根据权利要求1至4任一项所述的方法，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值及各火力值的持续时间作为输入数据、将检测到的温度值作为输出数据构建得到。8.一种用于温度预测的装置，包括处理器和存储有程序指令的存储器，其特征在于，所述处理器被配置为在执行所述程序指令时，执行如权利要求1至7任一项所述用于温度预测的方法。9.一种烹饪器具，其特征在于，包括如权利要求8所述的用于温度预测的装置。
技术总结
本申请属于智能家电技术领域，涉及一种用于温度预测的方法，包括：获取烹饪器具的火力数据；将所述火力数据输入神经网络模型得到温度预测值。该方法通过检测烹饪器具的火力数据并通过神经网络模型得到温度预测值，在烹饪过程中不用通过温度传感器接触烹饪器具内部的同时能够获得烹饪器具内部烹饪温度，由于烹饪器具的火力值相对烹饪器具内部的烹饪温度更容易准确的获得，进而在烹饪过程中能够更加方便的获得烹饪器具内部烹饪温度，便于用户掌握烹饪过程中的烹饪温度，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预测的装置及烹饪器具。及烹饪器具。及烹饪器具。


技术研发人员：吴剑 周枢 费兆军 冯志群 易作为
受保护的技术使用者：海尔智家股份有限公司
技术研发日：2019.12.31
技术公布日：2021/7/15