烹饪设备控制方法、装置和烹饪设备与流程

1.本技术涉及厨具技术领域，特别是涉及一种烹饪设备控制方法、装置和烹饪设备。


背景技术：

2.随着科学技术的发展以及人类生活水平的提高，现有市面上的智能烹饪设备越来越受到人们的喜爱，烹饪设备的不断发展使得人们的生活越来越便利。
3.人们在使用烹饪设备进行烹饪的过程中发现，食材的用量与烹饪的时长密切相关，例如在蒸烤箱中，不同重量的时长蒸烤的时长并不相同。而如何更加精准的判断食材的重量是目前烹饪设备所需要解决的重要问题。
4.现有技术中，通常采用在烹饪设备设置重量传感器来检测食材重量，某些烹饪设备由于受到体型等外在因素影响无法在设备主体中安装重量传感器，且使用重量传感器进行食材重量检测时，盛放食物的容器往往会对检测结果的精确度造成一定的影响。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够提高食材重量检测结果精确度的方法、装置、烹饪设备、计算机可读存储介质和计算机程序产品。
6.第一方面，本技术提供了一种烹饪设备控制方法，所述方法包括：
7.获取烹饪食材的食材种类，以及烹饪开始后的预设时长内，按照预设时间间隔采集的至少包括气味浓度的烹饪状态数据；
8.根据所述食材种类确定对应的食材重量预测模型；
9.通过所述食材重量预测模型对所述烹饪状态数据进行分析，预测烹饪食材的重量参数；
10.基于所述烹饪食材的重量参数，确定所述烹饪设备的烹饪参数；
11.控制所述烹饪设备以所述烹饪参数对所述烹饪食材进行烹饪。
12.在其中一个实施例中，所述按照预设时间间隔采集的至少包括气味浓度的烹饪状态数据，包括：
13.按照预设时间间隔采集所述烹饪食材的气味浓度以及所述烹饪设备的腔体温度，获得所述烹饪状态数据；
14.或
15.按照预设时间间隔采集所述烹饪食材的气味浓度与食材温度，获得所述烹饪状态数据；
16.或
17.按照预设时间间隔采集所述烹饪食材的气味浓度、食材温度以及所述烹饪设备的腔体温度，获得所述烹饪状态数据。
18.在其中一个实施例中，所述获取烹饪食材的食材种类，包括：
19.获取用户输入的食材种类；
20.或
21.获取所述烹饪食材的食材图像，对所述食材图像进行识别，确定所述烹饪食材的食材种类。
22.在其中一个实施例中，所述烹饪参数为所述烹饪设备的后续烹饪时长；
23.所述基于所述烹饪食材的重量参数，确定所述烹饪设备的烹饪参数，包括：
24.基于所述烹饪食材的重量参数以及预设映射关系，确定所述烹饪食材对应的总烹饪时长；
25.根据所述烹饪食材的总烹饪时长与所述预设时长，确定所述烹饪设备的后续烹饪时长。
26.在其中一个实施例中，所述食材重量预测模型训练过程包括：
27.获取训练样本数据集，所述训练样本数据集中包括样本食材的实测重量参数和至少包括样本气味浓度的样本烹饪状态数据；
28.将所述训练样本数据集输入至初始预测模型进行训练，获得所述食材重量预测模型。
29.在其中一个实施例中，所述将所述训练样本数据集输入至初始预测模型进行训练，获得所述食材重量预测模型，包括：
30.将所述训练样本数据集输入至初始预测模型，通过所述初始预测模型计算所述样本食材的重量参数计算值；
31.基于所述样本食材的重量参数计算值与所述实测重量参数，获得所述重量参数计算值与所述实测重量参数之间的误差值；
32.在所述误差值不满足模型训练结束条件时，根据所述误差值更新所述初始预测模型中模型参数，直至达到所述模型训练结束条件，获得所述食材重量预测模型。
33.第二方面，本技术还提供了一种烹饪设备控制装置，所述装置包括：
34.烹饪状态数据获取模块，用于获取烹饪食材的食材种类，以及烹饪开始后的预设时长内，按照预设时间间隔采集的至少包括气味浓度的烹饪状态数据；
35.预测模型确定模块，用于根据所述食材种类确定对应的食材重量预测模型；
36.重量参数预测模块，用于通过所述食材重量预测模型对所述烹饪状态数据进行分析，预测烹饪食材的重量参数；
37.烹饪参数确定模块，用于基于所述烹饪食材的重量参数，确定所述烹饪设备的烹饪参数；
38.烹饪控制模块，用于控制所述烹饪设备以所述烹饪参数对所述烹饪食材进行烹饪。
39.第三方面，本技术还提供了一种烹饪设备，所述烹饪设备包括烹饪状态传感器与处理器，所述烹饪状态传感器所述处理器通信连接；
40.所述烹饪状态传感器，设置于所述烹饪设备腔体内，用于在烹饪开始后的预设时长内，按照预设时间间隔采集至少包括气味浓度的烹饪状态数据，所述烹饪状态传感器至少包括气味传感器；
41.所述处理器，用于获取烹饪食材的食材种类，以及所述烹饪状态传感器采集所述烹饪状态数据，根据所述食材种类确定对应的食材重量预测模型，通过所述食材重量预测
模型对所述烹饪状态数据进行分析，预测烹饪食材的重量参数，基于所述烹饪食材的重量参数，确定所述烹饪设备的烹饪参数，控制所述烹饪设备以所述烹饪参数对所述烹饪食材进行烹饪。
42.第四方面，本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
43.第五方面，本技术还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的方法的步骤。
44.上述烹饪设备控制方法、装置、计算机设备、存储介质和计算机程序产品，通过获取烹饪食材的食材种类确定对应的食材重量预测模型，同时获取烹饪开始后的预设时长内，按照预设时间间隔采集的至少包括气味浓度的烹饪状态数据，使用对应的食材重量预测模型对烹饪状态数据进行分析，预测烹饪食材的重量参数，由于使用的食材重量预测模型与烹饪食材的食材种类时对应的，因此预测模型可以根据输入的烹饪食材的烹饪状态数据准确预测得到烹饪食材的重量参数，而基于烹饪食材的重量参数确定烹饪设备的烹饪参数，并控制烹饪设备以烹饪参数对烹饪食材进行烹饪，可以实现根据食材重量对烹饪设备的烹饪参数进行精准控制，更好的满足用户的使用需求。
附图说明
45.图1为一个实施例中烹饪设备的结构框图；
46.图2为一个实施例中烹饪设备控制方法的流程示意图；
47.图3为一个实施例中基于烹饪食材的重量参数，确定烹饪设备的烹饪参数步骤的流程示意图；
48.图4为一个实施例中食材重量预测模型的训练过程的流程示意图；
49.图5为另一个实施例中烹饪设备的结构框图；
50.图6为另一个实施例烹饪设备控制方法的流程示意图；
51.图7为一个实施例中烹饪设备控制装置的结构框图；
52.图8为一个实施例中处理器的内部结构图。
具体实施方式
53.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
54.本技术实施例提供的烹饪设备控制方法，可以应用于如图1所示的烹饪设备100中。其中，烹饪设备包括烹饪状态传感器102与处理器104，处理器104与烹饪状态传感器102进行通信，数据存储系统可以存储处理器104需要处理的数据。数据存储系统可以集成在处理器104上，也可以放在云上或其他网络服务器上。烹饪状态传感器102设置与烹饪设备腔体内，用于在预设时间间隔采集至少包括气味浓度的烹饪状态数据，烹饪状态传感器102至少包括气味传感器；烹饪状态传感器102将采集到的烹饪状态数据发送至处理器104，处理器104获取烹饪食材的食材种类，根据烹饪食材的食材种类确定对应的食材重量预测模型，通过食材重量预测模型对接收到的烹饪状态数据进行分析，预测烹饪食材的重量参数，基
于烹饪食材的重量参数，确定烹饪设备的烹饪参数，控制烹饪设备以烹饪参数对烹饪食材进行烹饪。其中，烹饪状态传感器102可以由一个传感器组成，也可以是由多个传感器组成的阵列。
55.在一个实施例中，如图2所示，提供了一种烹饪设备控制方法，以该方法应用于图1中的处理器为例进行说明，包括以下步骤：
56.步骤202，获取烹饪食材的食材种类，以及烹饪开始后的预设时长内，按照预设时间间隔采集的至少包括气味浓度的烹饪状态数据。
57.其中，食材种类是根据烹饪设备自带的智能烹饪菜谱将烹饪食材进行分类得到的，烹饪设备中的处理器根据烹饪设备自带的智能烹饪菜谱对菜谱中所应用到的烹饪食材进行分类，得到各烹饪食材的食材种类。例如鸡翅、排骨等。
58.其中，预设时长是烹饪设备采集烹饪状态数据的一个固定时长，是根据烹饪设备自带的智能烹饪菜谱中各菜品的最低烹饪时长确定的。可以理解的，预设时长的具体数值小于烹饪设备可烹饪菜品的最低烹饪时长。例如，若烹饪设备为蒸烤箱，烹饪菜品为烤鸡翅，而烤鸡翅的最低烹饪时长为10min，则可以将预设时长设置为5min。
59.其中，预设时间间隔为在预设时长内设置的烹饪状态数据采集的间隔时长。可以理解的，预设时间间隔的具体间隔时长根据烹饪设备的实际应用场景确定。例如，当烹饪设备是蒸烤箱，烹饪菜品为烤鸡翅时，可以将预设时长设置为5min，而预设时间间隔时长可以设置为20s，则在烹饪开始后的5min内，烹饪状态传感器将每隔20s采集一次烹饪食材的烹饪状态数据。
60.其中，气味浓度用于反应烹饪食材在烹饪过程中释放气味的浓郁程度，烹饪食材在烹饪过程中会产生美拉德反应释放大量的香味物质，其香味物质的浓郁程度在一定程度上可以反映食材的重量，因此，烹饪状态传感器采集至少包括气味浓度的烹饪状态数据，以供后续预测食材重量参数使用。
61.具体地，处理器获取烹饪食材的食材种类，以及烹饪状态传感器在烹饪开始后的预设时长内，按照预设时间间隔采集的至少包括气味浓度的烹饪状态数据。
62.步骤204，根据食材种类确定对应的食材重量预测模型。
63.其中，食材重量预测模型是预先根据食材种类构建好的模型，可以理解的，每个食材种类对应有一个食材重量预测模型。
64.具体地，处理器预先存储有食材种类与食材重量预测模型的映射关系，在获取到食材种类后，可以直接根据食材种类确定对应的食材重量预测模型。可以理解的，食材重量预测模型的构建方法包括但不限于主成分分析、线性判别分析、聚类分析、决策树、神经网络和逻辑回归等。
65.在其中一个实施例中，食材重量预测模型为bp神经网络模型。
66.步骤206，通过食材重量预测模型对烹饪状态数据进行分析，预测烹饪食材的重量参数。
67.具体地，处理器将烹饪状态传感器采集得到的烹饪状态数据输入至食材重量预测模型中，通过食材重量预测模型对烹饪状态数据进行预测分析，得到烹饪食材的重量参数。其中，烹饪食材的重量参数可以是烹饪食材的重量值，也可以是烹饪食材的重量等级。
68.在其中一个实施例中，在将烹饪状态数据输入至食材重量预测模型之前，还包括：
对烹饪状态数据进行数据处理，得到烹饪状态数据对应的特征值。
69.通过食材重量预测模型对烹饪状态数据进行分析，预测烹饪食材的重量参数，包括：将烹饪状态数据与对应的特征值一起输入至食材重量预测模型中，预测烹饪食材的重量参数。其中，特征值可以为烹饪状态数据的方差值与积分值中的至少一种。
70.步骤208，基于烹饪食材的重量参数，确定烹饪设备的烹饪参数。
71.具体地，处理器基于食材预测模型输出的烹饪食材的重量参数，确定后续烹饪设备在烹饪过程中所要使用的烹饪参数。其中，烹饪参数可以为烹饪设备的后续烹饪时长，也可以为烹饪设备后续烹饪时长与烹饪火候大小。
72.步骤210，控制烹饪设备以烹饪参数对烹饪食材进行烹饪。
73.具体地，调整烹饪设备的烹饪参数，按照调整后的烹饪参数控制烹饪设备对烹饪食材进行烹饪。
74.上述烹饪设备控制方法中，通过获取烹饪食材的食材种类确定对应的食材重量预测模型，同时获取烹饪过程中按照预设时间间隔采集的至少包括气味浓度的烹饪状态数据，使用对应的食材重量预测模型对烹饪状态数据进行分析，预测烹饪食材的重量参数，由于使用的食材重量预测模型与烹饪食材的食材种类时对应的，因此预测模型可以根据输入的烹饪食材的烹饪状态数据准确预测得到烹饪食材的重量参数，而基于烹饪食材的重量参数确定烹饪设备的烹饪参数，并控制烹饪设备以烹饪参数对烹饪食材进行烹饪，可以实现根据食材重量对烹饪设备的烹饪参数进行精准控制，更好的满足用户的使用需求。
75.在一个实施例中，按照预设时间间隔采集的至少包括气味浓度的烹饪状态数据，包括：按照预设时间间隔采集烹饪食材的气味浓度以及烹饪设备的腔体温度，获得烹饪状态数据。
76.其中，烹饪状态传感器包括气味传感器以及温度传感器。
77.具体地，气味传感器在开始烹饪后的预设时长内，按照预设时间间隔内采集烹饪食材在烹饪过程中释放的气味浓度；温度传感器在开始烹饪后的预设时长内，按照预设时间间隔内采集烹饪设备的腔体温度。将烹饪食材的气味浓度以及烹饪设备的腔体温度合并作为烹饪状态数据。本实施例中，同时将烹饪食材的气味浓度以及烹饪设备的腔体温度作为烹饪状态数据输入至食材重量预测模型中进行分析，以获得烹饪食材的重量参数，通过新增烹饪设备腔体温度数据作为食材重量预测模型的输入值，可以增加模型预测分析的数据量，提高模型预测结果的准确性，得到根据精确的食材重量参数。
78.在一个实施例中，按照预设时间间隔采集的至少包括气味浓度的烹饪状态数据，包括：按照预设时间间隔采集烹饪食材的气味浓度与食材温度，获得烹饪状态数据。
79.其中，烹饪状态传感器包括气味传感器以及红外传感器。
80.具体地，气味传感器在烹饪开始后的预设时长内，按照预设时间间隔采集的烹饪食材在烹饪过程中释放的气味浓度；红外传感器在开始烹饪后的预设时长内，按照预设时间间隔内采集烹饪食材的温度。将烹饪食材的气味浓度以及烹饪食材的温度合并作为烹饪状态数据。本实施例中，同时将烹饪食材的气味浓度以及烹饪食材的温度作为烹饪状态数据输入至食材重量预测模型中进行分析，以获得烹饪食材的重量参数，通过新增烹饪食材的温度作为食材重量预测模型的输入值，可以增加模型预测分析的数据量，提高模型预测结果的准确性，得到根据精确的食材重量参数。
81.在一个实施例中，按照预设时间间隔采集的至少包括气味浓度的烹饪状态数据，包括：按照预设时间间隔采集烹饪食材的气味浓度、食材温度以及烹饪设备的腔体温度，获得烹饪状态数据
82.其中，烹饪状态传感器包括气味传感器、红外传感器以及温度传感器。
83.具体地，气味传感器在开始烹饪后的预设时长内，按照预设时间间隔内采集烹饪食材在烹饪过程中释放的气味浓度；红外传感器在开始烹饪后的预设时长内，按照预设时间间隔内采集烹饪食材的温度；温度传感器在开始烹饪后的预设时长内，按照预设时间间隔内采集烹饪设备的腔体温度。将烹饪食材的气味浓度、食材温度以及烹饪设备的腔体温度合并作为烹饪状态数据。本实施例中，同时将烹饪食材的气味浓度、食材温度以及烹饪设备的腔体温度作为烹饪状态数据输入至食材重量预测模型中进行分析，以获得烹饪食材的重量参数，通过同时新增烹饪设备腔体温度与烹饪食材的食材温度作为食材重量预测模型的输入值，可以增加模型预测分析的数据量，提高模型预测结果的准确性，得到根据精确的食材重量参数。
84.在一个实施例中，获取烹饪食材的食材种类，包括：
85.获取用户输入的食材种类，或，获取烹饪食材的食材图像，对食材图像进行识别，确定烹饪食材的食材种类。
86.具体地，处理器可以通过以下两种方式获取烹饪食材的食材种类：
87.第一种，用户在使用烹饪设备时，可以直接在烹饪设备上选择所需烹饪的食材种类，处理器直接获取用户输入的食材种类。可以理解的，用户可以直接通过烹饪设备上的快捷键或烹饪设备的显示页面输入食材种类。
88.第二种，烹饪设备还可以包括有图像采集装置，图像采集装置与处理器通信连接，在用户放入烹饪食材准备烹饪时，图像采集装置采集烹饪食材的食材图像，并将食材图像发送至处理器，处理器对食材图像进行图像识别，确定烹饪食材的食材种类。用户无需自行输入烹饪食材的食材种类，使整个烹饪过程根据智能化、自动化。
89.在一个实施例中，如图3所示，烹饪参数为烹饪设备的后续烹饪时长，基于烹饪食材的重量参数，确定烹饪设备的烹饪参数，包括以下步骤：
90.步骤302，基于烹饪食材的重量参数以及预设映射关系，确定烹饪食材对应的总烹饪时长；
91.具体地，处理器中预先存储有烹饪食材重量参数与烹饪食材所需的总烹饪时长的映射关系，处理器在获取食材重量预测模型预测的食材重量参数后，可以根据预设映射关系确定重量参数对应的总烹饪时长。以烹饪设备为蒸烤箱、烹饪食材为鸡翅、食材的重量参数为重量等级为例，处理器获取食材重量预测模型输出的食材重量参数为二级，根据鸡翅二级重量查询映射关系，确定鸡翅二级重量对应的鸡翅数量为5～8个，总烹饪时长为20min。可以理解的，重量参数也可以直接是鸡翅的数量或鸡翅的重量值。
92.步骤304，根据烹饪食材的总烹饪时长与预设时长，确定烹饪设备的后续烹饪时长。
93.具体地，预设时长可以理解为烹饪食材的已烹饪时长，处理器在确定了烹饪食材的总烹饪时长后，根据总烹饪时长与已烹饪时长的差值，确定烹饪食材后续还需要继续烹饪的后续烹饪时长，即烹饪设备的后续烹饪时长。例如，确定鸡翅的总烹饪时长为20min，而
预设时长为5min，则后续烹饪时长为15min。
94.本实施例中，通过预测的食材重量参数确定烹饪食材的总烹饪时长，并根据总烹饪时长与预设时长确定烹饪设备的后续烹饪时长，可以实现根据食材重量对烹饪设备的烹饪参数进行精准控制，更好的满足用户的使用需求。
95.在一个实施例中，食物重量预测模型训练过程包括以下步骤：
96.获取训练样本数据集，训练样本数据集中包括样本食材的实测重量参数和至少包括样本气味浓度的样本烹饪状态数据。
97.其中，样本食材的食材种类与烹饪食材的食材种类一致，可以理解的，在获取训练样本数据集时，可以通过改变样本食材的食材数量或样本烹饪状态数据的采集次数来丰富训练样本数据集中的数据。
98.具体地，测量得到不同数量的样本食材的实测重量参数，将不同数量的样本食材放入烹饪设备分别进行烹饪，在烹饪开始后的预设时长内，按照预设时间间隔分别采集不同数量的样本食材的烹饪状态信息，获得样本烹饪状态数据，重复实验次数，得到训练样本数据集。
99.在其中一个实施例中，训练样本数据集还包括样本烹饪状态数据的特征值。获取训练样本数据集还包括：
100.将采集到的样本烹饪状态数据进行数据处理，分别计算样本烹饪状态数据的积分值与方差值，将样本烹饪状态数据的积分值与方差值作为特征值，根据样本食材的实测重量参数、样本烹饪状态数据以及样本的特征值获得训练样本数据集。
101.将训练样本数据集输入至初始预测模型进行训练，获得食材重量预测模型。
102.具体地，将获得的训练样本数据集中的数据输入至初始预测模型中进行训练，获得样本食材的食材种类对应的食材重量预测模型。
103.在本实施例中，通过获取与烹饪食材的食材种类一致的样本食材进行烹饪，模拟实际使用时的烹饪过程，采集获取样本食材的实测重量参数以及样本烹饪状态数据以获得训练样本数据集，将训练样本数据集输入至初始预测模型中进行训练后获得食材重量预测模型。由于食材重量预测模型是使用于实际烹饪食材属于同一食材种类的样本食材进行模拟烹饪训练得到的，因此在实际使用时，食材重量预测模型可以根据输入的烹饪食材的烹饪状态数据准确预测得到烹饪食材的重量参数，提高食材重量参数预测的准确性。
104.以烹饪设备为蒸烤箱，样本食材的食材种类为鸡翅，烹饪状态传感器分别采集烹饪食材的气味浓度、食材温度以及烹饪设备的腔体温度为例进行说明，
105.首先，将一定数量的鸡翅样本放入烹饪设备中，模拟实际烹饪过程。当烹饪开启时，烹饪设备通过设置的温度传感器在开启后的预设时长10min内，每10s采集一次烹饪设备的腔体温度数据，共计60个数据点；通过设置的食物探针或红外温度传感器每10s同步采集一次食材温度数据，共计60个数据点；通过设置的气味传感器每10s同步采集一次食材烹饪过程中的气味浓度数据，共计60个数据点。
106.分别计算腔体温度数据、食材温度数据以及气味浓度数据的积分值，其中，积分值的计算公式如下：
107.108.其中，xi为烹饪状态传感器(温度传感器、食物探针或红外传感器以及气味传感器)对一个样本食材的第i个采样点的响应值；δt为相邻两采样点的时间间隔，本实施例中δt取10s；t为烹饪状态传感器采集样本的时间，本实施例中为10min。
109.分别计算腔体温度数据、食材温度数据以及气味浓度数据的方差值，其中，方差值的计算公式如下：
[0110][0111]
其中，为传感器对一个样本响应信号均值；xi为传感器对一个样本第i秒的响应值；n为传感器的采样个数。
[0112]
改变放入鸡翅样本的数量多少(鸡翅样本数量分别为10、15、20个)，重复上述实验过程20次，共计60组数据，每组数据300个数据点。
[0113]
将这60组数据与其对应的鸡翅样本数量进行绑定构成训练样本数据集。其中，鸡翅样本数量即为实测重量参数。
[0114]
在一个实施例中，如图4所示，食材重量预测模型的训练过程包括以下步骤：
[0115]
步骤402，获取训练样本数据集，训练样本数据集中包括样本食材的实测重量参数和至少包括样本气味浓度的样本烹饪状态数据。
[0116]
步骤404，将训练样本数据集输入至初始预测模型，通过初始预测模型计算样本食材的重量参数计算值。
[0117]
具体地，处理器将训练样本数据集输入至初始预测模型，初始预测模型通过内部的预测函数根据训练样本数据集中的样本烹饪状态数据计算样本食材的重量参数计算值。
[0118]
步骤406，基于样本食材的重量参数计算值与实测重量参数，获得重量参数计算值与实测重量参数之间的误差值。
[0119]
具体地，基于样本食材的重量参数计算值以及样本烹饪状态数据中的实测重量参数，获得重量参数计算值与实测重量参数之间的误差值。
[0120]
步骤408，在误差值不满足模型训练结束条件时，根据误差值更新初始预测模型中模型参数，直至达到模型训练结束条件，获得食材重量预测模型。
[0121]
具体地，若误差值不满足模型训练结束条件，则认为通过初始预测模型中的模型参数对烹饪食材的烹饪状态数据进行预测，并不能得到精确的食材重量参数，因此需要根据误差值对初始预测模型中的模型参数进行更新，直至初始预测模型输出的重量参数计算值与实测重量参数之间的误差值达到模型训练结束条件时，将此时的初始预测模型确定为食材重量预测模型，使用通过本实施例中的方法确定的食材重量预测模型，可以根据输入的烹饪食材的烹饪状态数据准确预测得到烹饪食材的重量参数，提高食材重量参数预测的准确性。
[0122]
在一个实施例中，提供了一种烹饪设备控制方法，如图5所示，该烹饪设备包括有处理器，以及设置于烹饪设备腔体的温度传感器、红外传感器与气味传感器，处理器分别与温度传感器、红外传感器与气味传感器通信连接。
[0123]
如图6所示，该包括以下步骤：
[0124]
步骤601，获取不同食材种类的训练样本数据集，训练样本数据集中包括不同食材
种类的样本食材的实测重量参数、样本食材的样本烹饪状态数据、样本烹饪信息对应的特征值。
[0125]
其中，样本烹饪状态数据包括腔体温度数据、食材温度数据以及气味浓度数据。
[0126]
步骤602，将不同食材种类的训练样本数据集分别输入至初始重量预测模型进行训练，得到不同食材种类对应的食材重量预测模型。
[0127]
步骤603，获取实际烹饪食材的食材种类，根据烹饪食材的食材种类确定对应的食材重量预测模型。
[0128]
步骤604，根据训练时同样的数据采集方法，采集实际烹饪食材的烹饪状态数据，并计算烹饪状态数据对应的特征值。
[0129]
步骤605，将烹饪状态数据与其对应的特征值输入至食材重量预测模型中，预测得到烹饪食材的重量等级。
[0130]
步骤606，根据烹饪食材的重量等级确定烹饪设备的后续烹饪时长，控制烹饪设备按照后续烹饪时长对烹饪食材进行烹饪。
[0131]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0132]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的烹饪设备控制方法的烹饪设备控制装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个烹饪设备控制装置实施例中的具体限定可以参见上文中对于烹饪设备控制方法的限定，在此不再赘述。
[0133]
在一个实施例中，如图7所示，提供了一种烹饪设备控制装置700，包括：烹饪状态数据获取模块701、预测模型确定模块702、重量参数预测模块703、烹饪参数确定模块704和烹饪控制模块705，其中：
[0134]
烹饪状态数据获取模块701，用于获取烹饪食材的食材种类，以及烹饪开始后的预设时长内，按照预设时间间隔采集的至少包括气味浓度的烹饪状态数据。
[0135]
预测模型确定模块702，用于根据食材种类确定对应的食材重量预测模型。
[0136]
重量参数预测模块703，用于通过食材重量预测模型对烹饪状态数据进行分析，预测烹饪食材的重量参数。
[0137]
烹饪参数确定模块704，用于基于烹饪食材的重量参数，确定烹饪设备的烹饪参数。
[0138]
烹饪控制模块705，用于控制烹饪设备以烹饪参数对烹饪食材进行烹饪。
[0139]
上述烹饪设备控制装置，通过获取烹饪食材的食材种类确定对应的食材重量预测模型，同时获取烹饪开始后的预设时长内，按照预设时间间隔采集的至少包括气味浓度的烹饪状态数据，使用对应的食材重量预测模型对烹饪状态数据进行分析，预测烹饪食材的重量参数，由于使用的食材重量预测模型与烹饪食材的食材种类时对应的，因此预测模型
可以根据输入的烹饪食材的烹饪状态数据准确预测得到烹饪食材的重量参数，而基于烹饪食材的重量参数确定烹饪设备的烹饪参数，并控制烹饪设备以烹饪参数对烹饪食材进行烹饪，可以实现根据食材重量对烹饪设备的烹饪参数进行精准控制，更好的满足用户的使用需求。
[0140]
在一个实施例中，烹饪状态数据获取模块还用于：按照预设时间间隔采集烹饪食材的气味浓度以及烹饪设备的腔体温度，获得烹饪状态数据；或，按照预设时间间隔采集烹饪食材的气味浓度与食材温度，获得烹饪状态数据；或，按照预设时间间隔采集烹饪食材的气味浓度、食材温度以及烹饪设备的腔体温度，获得烹饪状态数据。
[0141]
在一个实施例中，烹饪状态数据获取模块还用于：获取用户输入的食材种类；或，获取烹饪食材的食材图像，对食材图像进行识别，确定烹饪食材的食材种类。
[0142]
在一个实施例中，烹饪参数确定模块还用于：基于烹饪食材的重量参数以及预设映射关系，确定烹饪食材对应的总烹饪时长；根据烹饪食材的总烹饪时长与预设时长，确定烹饪设备的后续烹饪时长。
[0143]
在一个实施例中，烹饪设备控制装置还包括：模型训练模块，用于获取训练样本数据集，训练样本数据集中包括样本食材的实测重量参数和至少包括样本气味浓度的样本烹饪状态数据；将训练样本数据集输入至初始预测模型进行训练，获得食材重量预测模型。
[0144]
在一个实施例中，模型训练模块还用于：将训练样本数据集输入至初始预测模型，通过初始预测模型计算样本食材的重量参数计算值；基于样本食材的重量参数计算值与实测重量参数，获得重量参数计算值与实测重量参数之间的误差值；在误差值不满足模型训练结束条件时，根据误差值更新初始预测模型中模型参数，直至达到模型训练结束条件，获得食材重量预测模型。
[0145]
上述烹饪设备控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0146]
在一个实施例中，提供了一种计算机设备，可以为本技术中的处理器，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储预设时长、预设时间间隔、烹饪状态数据、烹饪参数等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种烹饪设备控制方法。
[0147]
本领域技术人员可以理解，图8中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0148]
在一个实施例中，提供了一种计算机设备，可以为本技术中的处理器，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
[0149]
获取烹饪食材的食材种类，以及烹饪开始后的预设时长内，按照预设时间间隔采集的至少包括气味浓度的烹饪状态数据；
[0150]
根据食材种类确定对应的食材重量预测模型；
[0151]
通过食材重量预测模型对烹饪状态数据进行分析，预测烹饪食材的重量参数；
[0152]
基于烹饪食材的重量参数，确定烹饪设备的烹饪参数；
[0153]
控制烹饪设备以烹饪参数对烹饪食材进行烹饪。
[0154]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0155]
按照预设时间间隔采集烹饪食材的气味浓度以及烹饪设备的腔体温度，获得烹饪状态数据；
[0156]
或
[0157]
按照预设时间间隔采集烹饪食材的气味浓度与食材温度，获得烹饪状态数据；
[0158]
或
[0159]
按照预设时间间隔采集烹饪食材的气味浓度、食材温度以及烹饪设备的腔体温度，获得烹饪状态数据
[0160]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0161]
获取用户输入的食材种类；
[0162]
或
[0163]
获取烹饪食材的食材图像，对食材图像进行识别，确定烹饪食材的食材种类。
[0164]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0165]
基于烹饪食材的重量参数以及预设映射关系，确定烹饪食材对应的总烹饪时长；
[0166]
根据烹饪食材的总烹饪时长与预设时长，确定烹饪设备的后续烹饪时长。
[0167]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0168]
获取训练样本数据集，训练样本数据集中包括样本食材的实测重量参数和至少包括样本气味浓度的样本烹饪状态数据；
[0169]
将训练样本数据集输入至初始预测模型进行训练，获得食材重量预测模型。
[0170]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0171]
将训练样本数据集输入至初始预测模型，通过初始预测模型计算样本食材的重量参数计算值；
[0172]
基于样本食材的重量参数计算值与实测重量参数，获得重量参数计算值与实测重量参数之间的误差值；
[0173]
在误差值不满足模型训练结束条件时，根据误差值更新初始预测模型中模型参数，直至达到模型训练结束条件，获得食材重量预测模型。
[0174]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0175]
获取烹饪食材的食材种类，以及烹饪开始后的预设时长内，按照预设时间间隔采集的至少包括气味浓度的烹饪状态数据；
[0176]
根据食材种类确定对应的食材重量预测模型；
[0177]
通过食材重量预测模型对烹饪状态数据进行分析，预测烹饪食材的重量参数；
[0178]
基于烹饪食材的重量参数，确定烹饪设备的烹饪参数；
[0179]
控制烹饪设备以烹饪参数对烹饪食材进行烹饪。
[0180]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0181]
按照预设时间间隔采集烹饪食材的气味浓度以及烹饪设备的腔体温度，获得烹饪状态数据；
[0182]
或
[0183]
按照预设时间间隔采集烹饪食材的气味浓度与食材温度，获得烹饪状态数据；
[0184]
或
[0185]
按照预设时间间隔采集烹饪食材的气味浓度、食材温度以及烹饪设备的腔体温度，获得烹饪状态数据。
[0186]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0187]
获取用户输入的食材种类；
[0188]
或
[0189]
获取烹饪食材的食材图像，对食材图像进行识别，确定烹饪食材的食材种类。
[0190]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0191]
基于烹饪食材的重量参数以及预设映射关系，确定烹饪食材对应的总烹饪时长；
[0192]
根据烹饪食材的总烹饪时长与预设时长，确定烹饪设备的后续烹饪时长。
[0193]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0194]
获取训练样本数据集，训练样本数据集中包括样本食材的实测重量参数和至少包括样本气味浓度的样本烹饪状态数据；
[0195]
将训练样本数据集输入至初始预测模型进行训练，获得食材重量预测模型。
[0196]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0197]
将训练样本数据集输入至初始预测模型，通过初始预测模型计算样本食材的重量参数计算值；
[0198]
基于样本食材的重量参数计算值与实测重量参数，获得重量参数计算值与实测重量参数之间的误差值；
[0199]
在误差值不满足模型训练结束条件时，根据误差值更新初始预测模型中模型参数，直至达到模型训练结束条件，获得食材重量预测模型。
[0200]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
[0201]
获取烹饪食材的食材种类，以及烹饪开始后的预设时长内，按照预设时间间隔采集的至少包括气味浓度的烹饪状态数据；
[0202]
根据食材种类确定对应的食材重量预测模型；
[0203]
通过食材重量预测模型对烹饪状态数据进行分析，预测烹饪食材的重量参数；
[0204]
基于烹饪食材的重量参数，确定烹饪设备的烹饪参数；
[0205]
控制烹饪设备以烹饪参数对烹饪食材进行烹饪。
[0206]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0207]
按照预设时间间隔采集烹饪食材的气味浓度以及烹饪设备的腔体温度，获得烹饪状态数据；
[0208]
或
[0209]
按照预设时间间隔采集烹饪食材的气味浓度与食材温度，获得烹饪状态数据；
[0210]
或
[0211]
按照预设时间间隔采集烹饪食材的气味浓度、食材温度以及烹饪设备的腔体温度，获得烹饪状态数据。
[0212]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0213]
获取用户输入的食材种类；
[0214]
或
[0215]
获取烹饪食材的食材图像，对食材图像进行识别，确定烹饪食材的食材种类。
[0216]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0217]
基于烹饪食材的重量参数以及预设映射关系，确定烹饪食材对应的总烹饪时长；
[0218]
根据烹饪食材的总烹饪时长与预设时长，确定烹饪设备的后续烹饪时长。
[0219]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0220]
获取训练样本数据集，训练样本数据集中包括样本食材的实测重量参数和至少包括样本气味浓度的样本烹饪状态数据；
[0221]
将训练样本数据集输入至初始预测模型进行训练，获得食材重量预测模型。
[0222]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0223]
将训练样本数据集输入至初始预测模型，通过初始预测模型计算样本食材的重量参数计算值；
[0224]
基于样本食材的重量参数计算值与实测重量参数，获得重量参数计算值与实测重量参数之间的误差值；
[0225]
在误差值不满足模型训练结束条件时，根据误差值更新初始预测模型中模型参数，直至达到模型训练结束条件，获得食材重量预测模型。
[0226]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
[0227]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0228]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例
中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0229]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。