本發(fā)明涉及人工智能家居，具體為一種人工智能熱飯煮飯輔助系統(tǒng)。

背景技術(shù)：

1、隨著人工智能家居技術(shù)的發(fā)展，人們對(duì)于生活品質(zhì)和安全性的要求日益提高。

2、目前市面上使用的食物加熱、烹煮溫控設(shè)備存在以下問題：

3、1.無法快速，精確，方便地智能估算不同種類食物的加熱時(shí)間，輔助加熱、烹煮食物；

4、2.有些依賴用戶人工估算、控制時(shí)間和溫度，導(dǎo)致使用不便捷，體驗(yàn)不理想；

5、3.有些依賴傳統(tǒng)探測器，比如紅外輻射探測器，還有些依賴遠(yuǎn)程服務(wù)器輔助計(jì)算，成本較高，不利于普及；

6、4.有些ai估算算法使用過于簡單的技術(shù)方案，不夠精確、效率較低或者算法冗余，需要改進(jìn)；

7、5.市場上無同類人工智能估算時(shí)間，輔助加熱、煮飯的設(shè)備。

8、具體地，

9、一種菜籽油加熱時(shí)間預(yù)測系統(tǒng)及方法，專利號(hào)：cn112766187a

10、方法：對(duì)待處理菜籽油圖片通過vgg16卷積神經(jīng)網(wǎng)絡(luò)提取圖片特征，然后與標(biāo)準(zhǔn)菜籽油圖片進(jìn)行色差比對(duì)，并使用svr支持向量回歸算法預(yù)測加熱至標(biāo)準(zhǔn)菜籽油成色的時(shí)間；

11、缺點(diǎn)：vgg16卷積神經(jīng)網(wǎng)絡(luò)深度較大，對(duì)于搭載在可移動(dòng)計(jì)算設(shè)備、家用電器或廚房電器這類算力有限設(shè)備上，可能對(duì)硬件要求會(huì)較高，會(huì)提高成本，而且vgg16卷積神經(jīng)網(wǎng)絡(luò)是通用型圖型識(shí)別模型，對(duì)于食物圖片這類特定應(yīng)用場景，不夠靈活，有優(yōu)化、提速及降能耗空間，此外本系統(tǒng)依賴于標(biāo)準(zhǔn)菜籽油圖片，并僅做顏色比對(duì)，而食物加熱品類繁雜，特征較多，一般無成品比對(duì)圖片，并且系統(tǒng)中使用的回歸預(yù)測的svr模型也可考慮使用多項(xiàng)式回歸替代，svr模型會(huì)要求更多算力，提高硬件成本及能耗，而且此系統(tǒng)也并非為生活食物加熱、烹煮而設(shè)計(jì)。

12、一種車載智能餐盒智能溫控方法及系統(tǒng)，專利號(hào)：cn118349048a

13、方法：利用車載智能餐盒中的攝像頭、溫度傳感器、重量傳感器及遠(yuǎn)程的服務(wù)器分類葷菜、素菜來估算智能餐盒內(nèi)食物總體類型的加熱時(shí)間，智能控制保溫或加熱；

14、缺點(diǎn)：使用攝像頭以外的多個(gè)傳感器及遠(yuǎn)程服務(wù)器進(jìn)行食物加熱時(shí)間估算，成本較高，另外使用fast?r-cnn算法，未針對(duì)食物圖片場景進(jìn)行優(yōu)化，不夠靈活，算法最后僅對(duì)食物類型進(jìn)行葷菜、素菜等粗略有限的分類，不能直接精確地估算加熱時(shí)間，而且僅用于貨車隨車智能餐盒加熱，應(yīng)用范圍有局限。

15、高效電磁灶具的智能溫控系統(tǒng)，專利號(hào)：cn115789717a

16、方法：通過監(jiān)測鍋具內(nèi)流體食物沸騰后振動(dòng)情況，來控制灶具加熱溫度，防止溢出；

17、缺點(diǎn)：僅用于加熱粥、湯等需要加熱至沸騰的流體食物，適用場景有限，而且食物沸騰產(chǎn)生振動(dòng)一段時(shí)間后才會(huì)觸發(fā)溫度調(diào)節(jié)，不夠安全、清潔。

18、市面上的食物加熱溫控方法：

19、利用熱紅外感應(yīng)探頭、熱敏元件、振動(dòng)頻率監(jiān)測器、智能攝像頭、遠(yuǎn)程服務(wù)器輔助計(jì)算及利用了過于簡單的圖形識(shí)別算法等原理、方式保溫、加熱食物；

20、缺點(diǎn)：未能智能精確估算不同種類、成分及初始溫度的食物的加熱時(shí)間，來輔助加熱、烹煮，適用場景有限，另外有些探測元件、設(shè)備成本較高，無法家庭普及，也有些使用的智能估算算法未對(duì)生活食物加熱、烹煮應(yīng)用場景優(yōu)化。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種人工智能熱飯煮飯輔助系統(tǒng)，可在可移動(dòng)計(jì)算設(shè)備、家用電器或者廚房電器這類算力有限設(shè)備上，運(yùn)行優(yōu)化的深度學(xué)習(xí)圖形特征提取算法，提取食物圖片中的特征，并通過兩個(gè)階段的回歸預(yù)測算法精確估算加熱時(shí)間，替代人工估算，以輔助用戶熱飯、煮飯，提供生活便捷。

2、為實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：

3、一種人工智能熱飯煮飯輔助系統(tǒng)，包括：

4、s1:?外部輸入，接受食物圖片、爐具加熱功率值和目標(biāo)用餐溫度值輸入；

5、s2:?卷積神經(jīng)網(wǎng)絡(luò)模塊，用于初步估算加熱食物所需能量值，此為第一階段預(yù)測；

6、s3:?精確加熱時(shí)間估算模塊，用于最終精確估算食物加熱時(shí)間，此為第二階段預(yù)測；

7、所述人工智能熱飯煮飯輔助系統(tǒng)，接受外部攝像頭或文件系統(tǒng)輸入的食物圖片，使用深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)提取圖片特征，并回歸預(yù)測加熱此食物至某一預(yù)定義固定溫度所需要的能量值，此為第一階段預(yù)測，然后以此值及爐具加熱功率、目標(biāo)用餐溫度為輸入，進(jìn)行第二階段預(yù)測，回歸預(yù)測最終反饋給用戶的精確加熱時(shí)間，用于輔助熱飯、煮飯；

8、進(jìn)一步的，在步驟s1中所述外部輸入包括：

9、s101:?由外部攝像頭或文件系統(tǒng)輸入的待加熱、烹煮的食物圖片，此圖片應(yīng)具有較好的清晰度及照明度，因?yàn)閷?shí)際生活中，人眼是能分辨出食物表面成分組成及其初始溫度區(qū)間的，并可以此估算食物加熱時(shí)間，比如食物可能處于常溫或冷凍狀態(tài)及具有葷、素、湯、米和面等不同成分搭配及比例，所述輸入的圖片可提供這方面的信息；

10、s102:?爐具加熱功率，比如微波爐具有高火、中火和低火等功率選項(xiàng)，同時(shí)需要參考這些設(shè)定來精確估算加熱時(shí)間；

11、s103:?目標(biāo)用餐溫度，使用爐具解凍、熱飯、燒水或煮面會(huì)有不同的目標(biāo)溫度，也需要參考這部分設(shè)定來精確估算加熱時(shí)間，以達(dá)到最佳用餐體驗(yàn)、保證環(huán)境清潔及使用安全；

12、進(jìn)一步的，在步驟s2中所述卷積神經(jīng)網(wǎng)絡(luò)模塊包括：

13、s201:?一至多個(gè)卷積層，使用所述食物圖片作為輸入，用于提取圖片中的特征，卷積層可配合池化層，壓縮數(shù)據(jù)維度，提高運(yùn)行效果和效率，也可配合dropout層防止過擬合，及增強(qiáng)魯棒性等，此類深度學(xué)習(xí)算法運(yùn)行速度快，識(shí)別精度較高，可做到實(shí)時(shí)檢測，也可運(yùn)行于tensorflow?lite或pytorch?mobile等框架上，支持算力有限的可移動(dòng)、超小型設(shè)備、家用電器和廚房電器，可降低設(shè)備成本、減少能源消耗；

14、s202:?一至多個(gè)全連接層，并最終輸出一個(gè)值，此步驟用于接受卷積層輸入，回歸預(yù)測加熱食物至某一預(yù)定義固定溫度所需要的能量值，比如加熱至攝氏40度需要0.033千瓦時(shí)，此時(shí)僅與食物初始溫度及組成成分有關(guān)，與爐具加熱功率及使用者目標(biāo)加熱溫度無關(guān)，所以可以僅從食物圖片中獲取信息；

15、進(jìn)一步的，在步驟s3中所述精確加熱時(shí)間估算模塊包括：

16、s301:?回歸預(yù)測算法，以所述卷積神經(jīng)網(wǎng)絡(luò)模塊的輸出值及所述爐具加熱功率、目標(biāo)用餐溫度的值作為輸入，回歸預(yù)測符合使用者預(yù)期及適用于當(dāng)前爐具的精確加熱時(shí)間，并可繼續(xù)將此值輸出給數(shù)字化爐具，或以顯示屏、語音等形式提示用戶；

17、進(jìn)一步的，所述卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)模型需要制作數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練，數(shù)據(jù)集應(yīng)包括統(tǒng)一規(guī)格的多類別食物圖片并標(biāo)注加熱此食物至某一預(yù)定義固定溫度所需要的能量值，比如可以使用千瓦時(shí)計(jì)量，此數(shù)值為總體能量值，與具體爐具的性能無關(guān)，與預(yù)定義加熱溫度有關(guān)，與用戶目標(biāo)加熱溫度無關(guān)；

18、進(jìn)一步的，所述回歸預(yù)測算法可使用polynomial?regression多項(xiàng)式回歸、support?vector?machine支持向量機(jī)等模型，此類算法運(yùn)行速度快，預(yù)測準(zhǔn)確度高，算法成熟，可運(yùn)行于tensorflow?lite或pytorch?mobile等框架上，用于算力有限的可移動(dòng)、超小型設(shè)備、家用電器和廚房電器上，可降低設(shè)備成本、減少能源消耗、方便用戶日常使用以及使較小訓(xùn)練數(shù)據(jù)集；

19、進(jìn)一步的，所述回歸預(yù)測算法的模型也需要制作數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練，數(shù)據(jù)集應(yīng)包括所述卷積神經(jīng)網(wǎng)絡(luò)模塊輸出的預(yù)測加熱食物至某一固定溫度所需要的能量值，以及不同的爐具加熱功率值、目標(biāo)用餐溫度值并標(biāo)注此場景下人工實(shí)驗(yàn)得到的實(shí)際加熱時(shí)間。

20、本發(fā)明的有益效果：

21、1.所使用的深度學(xué)習(xí)算法，計(jì)算量對(duì)現(xiàn)代軟硬件壓力不大，可以運(yùn)行在算力有限的設(shè)備上，速度較快，消耗能源小，可以實(shí)時(shí)識(shí)別，可用于可移動(dòng)設(shè)備、超小型設(shè)備、家用電器或廚房電器，以實(shí)現(xiàn)較低成本，方便日常使用；

22、2.識(shí)別、估算準(zhǔn)確率較高，可以避免人工估算、操作帶來的誤差，幫助使用者一次加熱、烹煮食物成功，減少因人工誤差，需要多次加熱帶來的時(shí)間浪費(fèi)，提升生活效率；

23、3.可避免因加熱過度引起的用餐體驗(yàn)下降、環(huán)境污染及安全、健康隱患；

24、4.如果配合遠(yuǎn)程控制、時(shí)間控制系統(tǒng)，可實(shí)現(xiàn)遠(yuǎn)程化、定時(shí)自動(dòng)化甚至無人化操作。