[发明专利]烹饪设施中食材温度测量方法、系统及烹饪设施

说明书

本发明公开了一种烹饪设施中食材温度测量方法，包括以下步骤：S1，通过摄像头采集烹饪设施中食材图像；S2，使用深度卷积神经网络模型从食材图像中获取食材的种类、形状、大小和位置信息；S3，通过红外传感器采集烹饪设施中多点的温度信息；S4，通过计算得到食材对应的多点温度信息；S5，通过对应的多点温度信息拟合得到食材的准确温度。本发明还相应地公开了一种烹饪设施中食材温度测量系统以及烹饪设施。本发明实现精确测量食材的温度，从而保障整个烹饪过程的精准控制。

技术领域

本发明涉及烹饪技术领域，尤其涉及一种烹饪设施中食材温度测量方法、系统及烹饪设施。

背景技术

智能烹饪设施(光波炉或者微蒸烤等)使用多点红外传感器时，因为多点红外传感器采集的温度覆盖了食材1、食材容器2以及烹饪设施底板3，如图1所示，即使采用一些算法，多点红外传感器仍然不能准确区分食材、盛器以及底板，因此食材温度的测量精度较差。

发明内容

为了解决现有技术存在的技术问题，本发明提出了一种烹饪设施中食材温度测量方法、系统及烹饪设施。

本发明所采用的技术方案是：

一种烹饪设施中食材温度测量方法，包括以下步骤：

S1，通过摄像头采集烹饪设施中食材图像；

S2，使用深度卷积神经网络模型从食材图像中获取食材的种类、形状、大小和位置信息；

S3，通过红外传感器采集烹饪设施中多点的温度信息；

S4，通过计算得到食材对应的多点温度信息；

S5，通过对应的多点温度信息拟合得到食材的准确温度。

较佳的，步骤S2中所述深度卷积神经网络模型获得方法包括：

S21，采集或收集大量食材图像，并对食材的种类、形状、大小和位置进行标定；

S22，使用标定后的数据来训练深度卷积神经网络模型；

S23，将新采集的食材图像输入深度卷积神经网络模型得到食材的种类、形状、大小及位置信息。

较佳的，步骤S5包括：

S51，根据温度采集点与图像坐标系间的对应关系表，定位落在食材上的测温点；

S52，去除干扰测温点；

S53，使用筛选后的测温点拟合食材的温度。

较佳的，步骤S52包括：

S521，计算食材的中心以及所有候选点到食材中心的距离，并根据该距离对所有候选点从小到大进行排序；

S522，将距离食材中心最近的候选点首先作为测温点，记其温度为T1并计算所有非测温点的平均温度T2；

S523，设待判断候选点的温度为t，并计算比例系数v＝|T2-t|/|T1-t|，若v＞th，则该候选点为干扰点，其中th为阈值参数；

S524，若该候选点为干扰点，则将该候选点加入非测温点，并重新计算非测温点的平均温度T2；否则，将该候选点加入到测温点，并重新计算测温点的平均温度T1；

S525，重复步骤S523和S524，直至所有候选点都判断完毕。

较佳的，步骤S53包括：

S531，计算每个测温点对食材温度的贡献度g_i＝1/(d_i+ε)，其中d_i表示第i个测温点到食材中心的距离，ε为平衡因子；