一种烹饪设备内食物的焦糊检测方法及烹饪设备与流程

本申请涉及烹饪设备技术领域，特别是涉及一种烹饪设备内食物的焦糊检测方法及烹饪设备。

背景技术：

烹饪设备在采用不合理的烹饪参数对食材进行烹饪时，常常会使食材焦糊，因此烹饪设备通常会在烹饪过程中对食材进行焦糊检测。

现有技术中，烹饪设备通常设置有图像采集装置，通过图像采集装置获取食材图像，通过食材图像识别到食材变黑时，判定食材焦糊。然而，食材在烹饪前的初始状态下，食材本身可能会是一个偏黑的食物，或者食材添加了比较多的黑色调料，此种情况下，因受到食材初始颜色的影响，在烹饪过程中通过图像识别食物是否变黑来判断食材是否焦糊，会存在焦糊误判断情况，食材焦糊检测的准确性较低。

技术实现要素：

本申请实施例的目的在于提供一种烹饪设备内食物的焦糊检测方法及烹饪设备，可以提高焦糊检测的准确性。具体技术方案如下：

一种烹饪设备内食物的焦糊检测方法，所述烹饪设备包括烹饪腔和图像采集装置，所述方法包括：

通过所述图像采集装置获取食材的初始状态图像；

根据所述初始状态图像确定所述食材的初始颜色类别；

基于所述初始颜色类别确定焦糊状态识别模型；

采用所确定的焦糊状态识别模型对后续通过所述图像采集装置获取的食材的当前状态图像进行识别，以确定所述食材是否焦糊/存在焦糊的可能性。

可选的，所述初始颜色类别包括：浅色类别、深色类别、介于深色与浅色之间的过渡色类别；

所述焦糊状态识别模型包括：对应于所述浅色类别的第一焦糊状态识别模型、对应于过渡色的第二焦糊状态识别模型和对应于深色类别的第三焦糊状态识别模型。

可选的，所述根据所述初始状态图像确定所述食材的初始颜色类别的步骤，包括：

根据预先划分的初始颜色类别所对应的灰度值区间、以及所述初始状态图像的灰度值，确定所述食材的初始颜色类别。

可选的，所述方法还包括：

在确定所述食材焦糊/存在焦糊的可能性时，向用户发出提示信息；

或

在确定所述食材焦糊/存在焦糊的可能性时，自动关机；

或

在确定所述食材焦糊/存在焦糊的可能性时，调整烹饪参数/模式。

可选的，所述第一焦糊状态识别模型，包括：

通过所述图像采集装置获取所述食材的当前状态图像；

根据预先划分的灰度值等级，确定所述当前状态图像的灰度值所属的灰度值等级；

当确定出的灰度值等级低于第一预设等级时，判定所述食材焦糊。

可选的，所述第二焦糊状态识别模型，包括：

通过所述图像采集装置获取所述食材的当前状态图像；

根据预先划分的灰度值等级，以及初始状态图像和当前状态图像中每个像素点的灰度值，确定所述初始状态图像和所述当前状态图像在各个灰度值等级分布的像素点数目；

当所述初始状态图像在各个灰度值等级分布的像素点数目，与所述当前状态图像在各个灰度值等级分布的像素点数目之间的差异满足第一预设条件时，判定所述食材存在焦糊的可能性。

可选的，所述第三焦糊状态识别模型，包括：

通过所述图像采集装置获取烹饪过程中的多幅食材图像；

检测所述多幅食材图像中食材的尺寸信息；

当所述食材的尺寸不发生变化时，判定所述食材存在焦糊的可能性。

可选的，在判定所述食材存在焦糊的可能性的步骤之后，所述方法还包括：

通过所述图像采集装置获取多幅烹饪腔内的图像；

确定所述多幅烹饪腔内的图像中灰度值大于第二预设阈值的像素点区域，作为强反光区域；

若所述多幅烹饪腔内的图像中每张图像的强反光区域的像素点数目大于第三预设阈值，且所述多幅烹饪腔内的图像中强反光区域的像素点的灰度值存在变化，则判定存在火焰。

可选的，所述方法还包括：

检测所述图像采集装置是否被遮挡；

若被遮挡，则向用户发出提示信息；

若未被遮挡，则执行所述通过所述图像采集装置获取食材的初始状态图像的步骤。

所述检测所述图像采集装置是否被遮挡的步骤，包括：

通过所述图像采集装置获取烹饪腔内的图像；

确定所述图像对应的三幅灰度图像，所述三幅灰度图像包括：红色r分量灰度图像、绿色g分量灰度图像，蓝色b分量灰度图像；

分别确定所述三幅灰度图像中每个灰度图像中各像素点的灰度值的平均值；

若所述三幅灰度图像所对应的灰度值的平均值皆小于第四预设阈值，则确定所述图像采集装置被遮挡；

第二方面，提供了一种烹饪设备，所述烹饪设备包括烹饪腔和图像采集装置，所述烹饪设备包括处理器和存储器；

所述存储器，用于存放计算机程序；

所述处理器，用于执行存储器上所存放的程序时，实现上述烹饪设备内食物的焦糊检测方法的步骤。

与现有技术相比，本申请具有如下技术效果：

1、本申请中，通过图像采集装置获取食材的初始状态图像；根据初始状态图像确定食材的初始颜色类别；基于初始颜色类别确定焦糊状态识别模型；采用所确定的焦糊状态识别模型对后续通过图像采集装置获取的食材的当前状态图像进行识别，以确定食材是否焦糊/存在焦糊的可能性。相比于采用统一的焦糊状态识别模型进行焦糊检测，本申请中食材初始颜色类别不同，烹饪设备采用不同的焦糊状态识别模型进行焦糊检测，可以提高焦糊检测的准确性。

2、本申请中，对应于浅色类别的第一焦糊状态识别模型包括：通过图像采集装置获取食材的当前状态图像；根据预先划分的灰度值等级，确定当前状态图像的灰度值所属的灰度值等级；当确定出的灰度值等级低于第一预设等级时，判定食材焦糊。在食材初始颜色类别为浅色类别时，食材发生焦糊时，食材的颜色会发生明显变化，也就是食材图像的灰度值等级会发生明显变化，烹饪设备可以直接根据食材的当前状态图像的灰度值等级判断食材是否焦糊。

3、本申请中，对应于过渡色类别的第二焦糊状态识别模型包括：通过图像采集装置获取食材的当前状态图像；根据预先划分的灰度值等级，以及初始状态图像和当前状态图像中每个像素点的灰度值，确定初始状态图像和当前状态图像在各个灰度值等级分布的像素点数目；当初始状态图像在各个灰度值等级分布的像素点数目，与当前状态图像在各个灰度值等级分布的像素点数目之间的差异满足第一预设条件时，判定食材存在焦糊的可能性。

相比于浅色类别，在食材初始颜色类别为过渡色类别时，食材焦糊时食材的颜色变化相对较小，烹饪设备难以直接根据食材图像的灰度值等级进行焦糊检测。本申请中，烹饪设备根据初始状态图像在各个灰度值等级分布的像素点数目，与所述当前状态图像在各个灰度值等级分布的像素点数目之间的差异，来确定食材是否存在焦糊的可能性，可以提高焦糊检测的准确性。

4、本申请中，对应于深色类别的第三焦糊状态识别模型包括：通过图像采集装置获取烹饪过程中的多幅食材图像；检测多幅食材图像中食材的尺寸信息；当食材的尺寸不发生变化时，判定食材存在焦糊的可能性。在食材初始颜色类别为深色类别时，食材焦糊时食材颜色的变化程度较小，烹饪设备难以根据食材颜色对食材进行焦糊检测，此种情况下，烹饪设备根据食材的尺寸信息来判断食材是否存在焦糊的可能性，可以提高焦糊检测的准确性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种烹饪设备内食物的焦糊检测方法流程图；

图2为本申请实施例提供的一种采用第一焦糊状态识别模型进行焦糊检测的方法流程图；

图3为本申请实施例提供的一种采用第二焦糊状态识别模型进行焦糊检测的方法流程图；

图4为本申请实施例提供的一种采用第三焦糊状态识别模型进行焦糊检测的方法流程图；

图5为本申请实施例提供的一种火焰的检测方法流程图；

图6为本申请实施例提供的一种烹饪设备内食物的焦糊检测方法流程图；

图7为本申请实施例提供的一种烹饪设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例提供了一种烹饪设备内食物的焦糊检测方法，其中，烹饪设备可以包括烹饪腔和图像采集装置，烹饪设备可以为烤箱、烤炉、空气炸锅等，图像采集装置可以为摄像头。用户可以将食物放置于烹饪腔内，烹饪设备对烹饪腔内的食物进行烹饪，图像采集装置可以拍摄烹饪腔内的图像。

下面将结合具体实施方式，对本申请实施例提供的一种烹饪设备内食物的焦糊检测方法进行详细的说明，如图1所示，具体步骤如下：

s101，通过图像采集装置获取食材的初始状态图像。

其中，食材的初始状态图像为食材在进行烹饪前的图像

本申请实施例中，在用户向烹饪腔内放入待烹饪的食材，并启动烹饪程序时，烹饪设备可以通过图像采集装置获取烹饪腔内的图像，可以理解的是获取的图像包含食材区域和非食材区域，烹饪设备可以识别图像中的食材区域，并将食材区域的图像作为食材的初始状态图像。

其中，初始状态图像为去除强反光区域后的图像，强反光区域为灰度值大于第三预设阈值的像素区域，第三预设阈值的取值范围可以为230～250。

s102，根据初始状态图像确定食材的初始颜色类别。

其中，颜色类别可以为颜色深浅类别，例如初始颜色类别可以包括：浅色类别、深色类别、介于深色与浅色之间的过渡色类别。

本申请实施例中，烹饪设备可以根据初始状态图像的灰度值，确定食材的初始颜色类别。比如，烹饪设备可以预先建立灰度值区间和颜色类别的对应关系，例如，灰度值区间[0,50)对应深色类别，灰度值区间[50,200)对应过渡色类别，灰度值区间[200,255]对应浅色类别，然后烹饪设备可以根据预先建立灰度值区间和颜色类别的对应关系，以及初始状态图像的灰度值，确定食材的初始颜色类别。

一种实现方式中，初始状态图像为rgb图像，烹饪设备可以将rgb图像进行灰度处理，也就是将初始状态图像中每一像素点在rgb三通道的灰度值进行加权和处理，得到rgb图像对应的灰度图像。烹饪设备可以确定灰度图像中处于各个灰度值区间的像素数目，烹饪设备可以将像素数目最大的灰度值区间对应的颜色类别作为食材的初始颜色类别，比如灰度图像中处于灰度值区间[0,50)、[50,200)、[200,255]的像素数目分别为100、150、180，处于灰度值区间[200,255]的像素数目180最大，则烹饪设备可以将灰度值区间[200,255]对应的浅色类别作为食材的初始颜色类别。

另一种实现方式中，初始状态图像为rgb图像，烹饪设备可以确定初始状态图像所对应的三幅灰度图像，三幅灰度图像包括：红色r分量灰度图像、绿色g分量灰度图像，蓝色b分量灰度图像，针对三幅灰度图像中的每幅图像，根据预先划分的颜色类别所对应的灰度值区间，确定该幅图像中处于各个灰度区间的像素数目；根据该幅图像中处于各个灰度值区间的像素数目，确定该幅图像的目标灰度值区间，目标灰度值区间为像素数目最大的灰度值区间。若每幅图像中处于该幅图像的目标灰度值区间的像素数目皆大于第一预设阈值，且三幅图像中至少两幅图像的目标灰度值区间相同，则确定该至少两幅图像的目标灰度值区间所对应的颜色深浅类别，作为食材的初始颜色类别。

例如，红色r分量灰度图像中处于灰度值区间[0,50)、[50,200)、[200,255]的像素数目(以像素占比表示)分别为0.1、0.1、0.8，红色r分量灰度图像处于灰度值区间[200,255]的像素数目0.8最大，红色r分量灰度图像的目标灰度值区间为[200,255]。绿色g分量灰度图像中处于灰度值区间[0,50)、[50,200)、[200,255]的像素数目(以像素占比表示)分别为0.1、0.1、0.8，绿色g分量灰度图像的目标灰度值区间为[200,255]。蓝色b分量灰度图像中处于灰度值区间[0,50)、[50,200)、[200,255]的像素数目(以像素占比表示)分别为0.1、0.8、0.1，蓝色b分量灰度图像的目标灰度值区间为[50,200)。r分量灰度图像中灰度值处于其目标灰度值区间[200,255]的像素数目为0.8，大于第一预设阈值(第一预设阈值可以为0.5～0.7)，g分量灰度图像中灰度值处于其目标灰度值区间[200,255]的像素数目为0.8大于，第一预设阈值，b分量灰度图像中灰度值处于其目标灰度值区间[50,200)的像素数目为0.8，大于第一预设阈值，且r分量灰度图像和g分量灰度图像的目标灰度值区间皆为[200,255]，则烹饪设备可以将灰度值区间[200,255]所对应的浅色类别作为食材的初始颜色深浅类别。

s103，基于初始颜色类别确定焦糊状态识别模型。

其中，焦糊状态识别模型为一种焦糊状态识别策略/方式，焦糊状态识别模型可以包括：对应于浅色类别的第一焦糊状态识别模型、对应于过渡色的第二焦糊状态识别模型和对应于深色类别的第三焦糊状态识别模型。

本申请实施例中，烹饪设备预先建立有颜色深浅类别和焦糊状态识别模型的对应关系，烹饪设备可以根据预先建立的颜色深浅类别和焦糊状态识别模型的对应关系，确定所述初始颜色深浅类别所对应的焦糊状态识别模型。

s104，采用所确定的焦糊状态识别模型对后续通过图像采集装置获取的食材的当前状态图像进行识别，以确定食材是否焦糊/存在焦糊的可能性。

本申请实施例中，在初始颜色类别为浅色类别时，烹饪设备可以采用第一焦糊状态识别模型对烹饪过程中的食材图像进行焦糊识别，在初始颜色类别为过渡色类别时，烹饪设备可以采用第二焦糊状态识别模型对烹饪过程中的食材图像进行焦糊识别，在初始颜色类别为深色类别时，烹饪设备可以采用第三焦糊状态识别模型对烹饪过程中的食材图像进行焦糊识别。

相比于采用统一的焦糊状态识别模型进行焦糊检测，本申请中食材初始颜色类别不同，烹饪设备采用不同的焦糊状态识别模型进行焦糊识别，可以提高焦糊检测的准确性。

可选的，为了避免图像采集装置因遮挡而影响检测的准确性，在通过图像采集装置获取食材的初始状态图像的步骤之前，烹饪设备还可以检测图像采集装置是否被遮挡，若被遮挡，则向用户发出提示信息；若未被遮挡，则执行通过图像采集装置获取食材的初始状态图像的步骤。

其中，检测图像采集装置是否被遮挡的具体过程可以为：

通过图像采集装置获取烹饪腔内的图像。

确定图像对应的三幅灰度图像，三幅灰度图像包括：红色r分量灰度图像、绿色g分量灰度图像，蓝色b分量灰度图像。

分别确定三幅灰度图像中每个灰度图像中边缘轮廓的像素点数目、以及灰度值的平均值和方差。

本申请实施例中，针对每一灰度图像，烹饪设备可以识别灰度图像中物体的边缘轮廓，并确定边缘轮廓所占据的像素点数目，例如三幅灰度图像中的边缘轮廓的像素点数目分别为e[0]、e[1]、e[2]。针对每一灰度图像，烹饪设备还可以计算各个像素点的灰度值的平均值和方差，例如三幅灰度图像的灰度值的平均值分别为rm、gm、bm，三幅灰度图像的灰度值的方差分别为rstd、gstd、bstd。

若三幅灰度图像所对应的灰度值的平均值rm、gm、bm皆小于第四预设阈值tm，则表明图像采集装置拍摄到的图像较黑，图像采集装置被遮挡。其中，第四预设阈值取值范围可以为25-35。

若三幅灰度图像中两幅图像所对应的灰度值的平均值皆大于第四预设阈值，且三幅灰度图像中的另一幅图像所对应的灰度值的平均值小于第四预设阈值，且三幅灰度图像中任意两幅图像所对应的灰度值的方差的差值小于第五预设阈值，则确定图像采集装置被遮挡。

例如，若rm>tm，gmean>tm，bm<tm，rstd-gstd<tstd,rstd-bstd<tstd，则确定图像采集装置被遮挡。其中，tstd为第五预设阈值。

若三幅灰度图像中所对应的边缘轮廓的像素点数目e[0]、e[1]、e[2]皆小于第六预设阈值，表明图像中的物体的轮廓边缘较少，即图像采集装置未拍摄到物体或未完全拍摄到物体，图像采集装置被遮挡。其中第六预设阈值的取值范围可以为0.1w～0.2w，w为图像的总像素数。

若轮廓边缘外接矩形面积在图像中的占比高于第七预设阈值，例如高于0.75，且轮廓边缘的纹路与烤盘的相似度大于第八预设阈值，则表明图像采集装置拍摄到烤盘的大部分，图像采集装置未被遮挡。

若轮廓边缘拟合的直线的数量大于第八预设阈值，则表明图像采集装置拍摄到烤架的大部分，图像采集装置未被遮挡。

可选的，如图2所示，第一焦糊状态识别模型，包括：

s201，通过图像采集装置获取食材的当前状态图像。

其中，当前状态图像可以为食材经过烹饪后的食材图像。

s202，根据预先划分的灰度值等级，确定当前状态图像的灰度值所属的灰度值等级。

本申请实施例中，烹饪设备可以预先划分第一数目个灰度值等级，例如对灰度值区间[0,255]分割为第一数目个小区间，每个小区间对应一个灰度值等级，也就是划分为第一数目个灰度值等级，灰度值等级越高，灰度值越高。然后，烹饪设备可以确定当前状态图像中灰度值处于各个灰度值等级中的像素数目，并据此确定当前状态图像的灰度值所属的灰度值等级，当前状态图像中灰度值处于该灰度值等级的像素数目大于预设阈值。

例如，第一数目为3，在当前状态图像为rgb图像时，烹饪设备可以确定当前状态图像所对应的三幅灰度图像，三幅灰度图像包括：红色r分量灰度图像、绿色g分量灰度图像，蓝色b分量灰度图像，针对三幅灰度图像中的每一灰度图像，烹饪设备可以确定当前状态图像中灰度值处于各个灰度值等级中的像素数目。当前状态图像对应的r分量灰度图像中处于各个灰度值等级的像素数目分别为dr1、dr2、dr3；当前状态图像对应的g分量灰度图像中处于各个灰度值等级的像素数目分别为dg1、dg2、dg3；当前状态图像对应的b分量灰度图像中处于各个灰度值等级的像素数目分别为db1、db2、db3。若dr1、dr2、dr3中最大值为dr1，dr1大于预设阈值，且dg1、dg2、dg3中最大值为dg1，dg1大于预设阈值，则将dg1和dr1所对应的灰度值等级作为当前状态图像的灰度值所属的灰度值等级。

s203，当确定出的灰度值等级低于第一预设等级时，判定食材焦糊。

本申请实施例中，当确定的灰度值等级低于第一预设等级时，表明食材的颜色较深，而食材的初始颜色类别为浅色类别，也就是食材由浅色经烹饪转换到较深的颜色，表明食材焦糊。

本申请中，在食材初始颜色类别为浅色类别时，食材发生焦糊时，食材的颜色会发生明显变化，也就是食材图像的灰度值等级会发生明显变化，烹饪设备可以直接根据食材的当前状态图像的灰度值等级判断食材是否焦糊。

可选的，如图3所示，第二焦糊状态识别模型，包括：

s301，通过图像采集装置获取食材的当前状态图像。

s302，根据预先划分的灰度值等级，以及初始状态图像和当前状态图像中每个像素点的灰度值，确定初始状态图像和当前状态图像在各个灰度值等级分布的像素点数目。

本申请实施例中，烹饪设备可以预先划分第一数目个灰度值等级，例如对灰度值区间[0,255]平均分割为第一数目个小区间，每个小区间对应一个灰度值等级，也就是划分为第一数目个灰度值等级，灰度值等级越高，灰度值越高。然后，烹饪设备可以确定初始状态图像和当前状态图像中灰度值处于各个灰度值等级中的像素数目。其中，第一数目可以为16。

例如，在当前状态图像为rgb图像时，烹饪设备可以确定当前状态图像所对应的三幅灰度图像，三幅灰度图像包括：红色r分量灰度图像、绿色g分量灰度图像，蓝色b分量灰度图像，针对三幅灰度图像中的每一灰度图像，烹饪设备可以确定当前状态图像中灰度值处于各个灰度值等级中的像素数目。当前状态图像对应的r分量灰度图像中处于各个灰度值等级的像素数目分别为dr1、dr2、dr3···drn；当前状态图像对应的g分量灰度图像中处于各个灰度值等级的像素数目分别为dg1、dg2、dg3···dgn；当前状态图像对应的b分量灰度图像中处于各个灰度值等级的像素数目分别为db1、db2、db3···dbn。其中，n为灰度值等级的数目。

在初始状态图像为rgb图像时，与当前状态图像同理，针对初始状态图像对应的三幅灰度图像中的每一灰度图像，烹饪设备可以确定该灰度图像中灰度值处于各个灰度值等级中的像素数目。例如，初始状态图像对应的r分量灰度图像中处于各个灰度值等级的像素数目分别为cr1、cr2、cr3···crn；初始状态图像对应的g分量灰度图像中处于各个灰度值等级的像素数目分别为cg1、cg2、cg3···cgn；初始状态图像对应的b分量灰度图像中处于各个灰度值等级的像素数目分别为cb1、cb2、cb3···cbn。其中，n为灰度值等级的数目。

s303，当初始状态图像在各个灰度值等级分布的像素点数目，与当前状态图像在各个灰度值等级分布的像素点数目之间的差异满足第一预设条件时，判定食材存在焦糊的可能性。

本申请实施例中，针对每一灰度值等级，若初始状态图像中处于该灰度值等级的像素数目与当前状态图像中处于该灰度值等级的像素数目的差值的绝对值大于预设差值，则将该灰度值等级确定为差异灰度值等级，统计差异灰度值等级的数目，若差异灰度值等级的数目大于预设等级数目，则确定初始状态图像在各个灰度值等级分布的像素点数目，与当前状态图像在各个灰度值等级分布的像素点数目之间的差异满足第一预设条件，食材存在焦糊的可能性。

例如，在初始状态图像和当前状态图像为rgb图像时，针对初始状态图像的r分量灰度图像和当前状态图像的r分量灰度图像，若|dr1-cr1|、|dr1-cr1|、|dr1-cr1|···|drn-crn|中有至少一半的值大于预设差值，则确定初始状态图像的r分量灰度图像和当前状态图像的r分量灰度图像之间的差异满足第二预设条件。针对初始状态图像的g分量灰度图像和当前状态图像的g分量灰度图像，若|dg1-cg1|、|dg1-cg1|、|dg1-cg1|···|dgn-cgn|中有至少一半的值大于预设差值，则确定初始状态图像的g分量灰度图像和当前状态图像的g分量灰度图像之间的差异满足第二预设条件。针对初始状态图像的b分量灰度图像和当前状态图像的b分量灰度图像，若|db1-cb1|、|db1-cb1|、|db1-cb1|···|dbn-cbn|中有至少一半的值大于预设差值，则确定初始状态图像的b分量灰度图像和当前状态图像的b分量灰度图像之间的差异满足第二预设条件。若初始状态图像的r分量灰度图像和当前状态图像的r分量灰度图像之间的差异、初始状态图像的g分量灰度图像和当前状态图像的g分量灰度图像之间的差异、初始状态图像的b分量灰度图像和当前状态图像的b分量灰度图像之间的差异中有至少两个差异满足第二预设条件，则确定初始状态图像在各个灰度值等级分布的像素点数目，与当前状态图像在各个灰度值等级分布的像素点数目之间的差异满足第一预设条件，食材存在焦糊的可能性。

或者，烹饪设备还可以统计以下数值之和：|dr1-cr1|、|dr1-cr1|、|dr1-cr1|···|drn-crn|、|dg1-cg1|、|dg1-cg1|、|dg1-cg1|···|dgn-cgn|、|db1-cb1|、|db1-cb1|、|db1-cb1|···|dbn-cbn|，若统计的数值之和大于预设累加和阈值，且初始状态图像的r分量灰度图像和当前状态图像的r分量灰度图像之间的差异、初始状态图像的g分量灰度图像和当前状态图像的g分量灰度图像之间的差异、初始状态图像的b分量灰度图像和当前状态图像的b分量灰度图像之间的差异中有至少两个差异满足第二预设条件，则确定初始状态图像在各个灰度值等级分布的像素点数目，与当前状态图像在各个灰度值等级分布的像素点数目之间的差异满足第一预设条件，食材存在焦糊的可能性。

相比于浅色类别，在食材初始颜色类别为过渡色类别时，食材焦糊时食材的颜色变化相对较小，烹饪设备难以直接根据食材图像的灰度值等级进行焦糊检测。本申请中，烹饪设备根据初始状态图像在各个灰度值等级分布的像素点数目，与所述当前状态图像在各个灰度值等级分布的像素点数目之间的差异，来确定食材是否存在焦糊的可能性，也就是根据初始状态图像和当前状态图像各个像素点的颜色差异来确定食材是否存在焦糊的可能性，可以提高焦糊检测的准确性。

可选的，如图4所示，第三焦糊状态识别模型，包括：

s401，通过图像采集装置获取烹饪过程中的多幅食材图像。

s402，检测多幅食材图像中食材的尺寸信息。

本申请实施例中，烹饪设备可以识别每幅食材图像中食材的边缘轮廓，以获取食材的尺寸。

s403，当食材的尺寸不发生变化时，判定食材存在焦糊的可能性。

本申请实施例中，在获取的多幅食材图像中食材的尺寸没有变大或变小时，判定食材存在焦糊的可能性。因为，食材的尺寸不发生变化表明食材可能已经焦糊，尤其是食材为鸡翅、排骨时。

本申请中，在食材初始颜色类别为深色类别时，食材焦糊时食材颜色的变化程度较小，烹饪设备难以根据食材颜色对食材进行焦糊检测，此种情况下，烹饪设备根据食材的尺寸信息来判断食材是否存在焦糊的可能性，可以提高焦糊检测的准确性。

可选的，在判定食材存在焦糊的可能性的步骤之后，还需要检测烹饪腔内是否存在火焰，如图5所示，火焰的检测方法，包括：

s501，通过图像采集装置获取多幅烹饪腔内的图像。

s502，确定多幅烹饪腔内的图像中灰度值大于第二预设阈值的像素点区域，作为强反光区域。

s503，若多幅烹饪腔内的图像中每张图像的强反光区域的像素点数目大于第三预设阈值，且多幅烹饪腔内的图像中强反光区域的像素点的灰度值存在变化，则判定存在火焰。

本申请实施例中，若多幅烹饪腔内的图像中每张图像的强反光区域的像素点数目大于第三预设阈值，表明强反光区域的大于符合火焰区域的大小，其中第三预设阈值可以为0.1倍的图像像素总数，如果多幅烹饪腔内的图像中强反光区域的像素点的灰度值存在变化，则表明强反光区域不是灰度值固定不变的区域，而是灰度值会发生变化的火焰区域。

可选的，在确定食材焦糊/存在焦糊的可能性时，烹饪设备可以向用户发出提示信息，或自动关机，调整烹饪参数/模式。

本申请实施例中，在确定食材存在焦糊的可能性时，烹饪设备可以向用户发出提示信息或调整烹饪参数/模式。在确定食材焦糊时，烹饪设备可以自动关机，并发出警报。

参见图6，本申请实施例还提供了一种烹饪设备内食物的焦糊检测方法示例，具体步骤如下：

s601，检测图像采集装置是否被遮挡。

若未被遮挡，则执行步骤s602；若被遮挡，则向用户发出提醒。

s602，通过图像采集装置获取食材的初始状态图像。

s603，根据初始状态图像确定食材的初始颜色类别。

s604，若初始颜色类别为浅色类别，则采用第一焦糊状态识别模型进行焦糊检测。

s605，若初始颜色类别为过渡色类别，则采用第二焦糊状态识别模型进行焦糊检测。

s606，若初始颜色类别为深色类别，则采用第三焦糊状态识别模型进行焦糊检测。

s607，若判定食物焦糊，则控制烹饪设备关机，并发送警报。

s608，若判定食物存在焦糊的可能性，则检测烹饪腔内是否存在火焰。

s609，若检测到火焰，则控制烹饪设备关机，并发送警报。

基于相同的技术构思，如图7所示，本申请实施例还提供了一种烹饪设备，所述烹饪设备包括烹饪腔和图像采集装置701，所述烹饪设备包括处理器702和存储器703；

所述存储器703，用于存放计算机程序；

所述处理器702，用于执行存储器上所存放的程序时，实现上述烹饪设备内食物的焦糊检测的方法步骤。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于烹饪设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本申请的保护范围内。