获取米粒的垩白度的方法、装置和烹饪器具与流程

本发明涉及智能小家电领域，具体而言，涉及一种获取米粒的垩白度的方法、装置和烹饪器具。

背景技术：

垩白是指稻米胚乳中组织疏松而形成的白色不透明的部分。大米的垩白度是指米粒的垩白面积与米粒总面积之比。垩白度是衡量稻米品质的重要指标之一，不仅关系到外观好看与否，而且对加工品质、蒸煮品质有很大影响。垩白度越高，米粒的品质、口感越差。

目前，米粒的垩白度检测需要借助专业的米粒外观检测仪，将米粒平铺在扫描台上，通过机器扫描米粒进行图像采集，借助特殊的传感器以及专用的处理软件进行米粒的外观检测，从而获得米粒的外观垩白度指标。然而，上述方式在智能烹饪器具的场景中并不实用，一方面对于家庭来说购置专业的检测设备并不现实，价格昂贵且操作复杂。另一方面，在烹饪器具中内嵌外观检测仪也不现实，造成烹饪器具的价格大幅上涨。

针对现有技术通过使用米粒外观检测仪检测米粒的垩白度，导致检测效率低、成本高的问题，目前尚未提出有效的解决方案。

技术实现要素：

本发明实施例提供了一种获取米粒的垩白度的方法、装置和烹饪器具，以至少解决现有技术通过使用米粒外观检测仪检测米粒的垩白度，导致检测效率低、成本高的技术问题。

根据本发明实施例的一个方面，提供了一种获取米粒的垩白度的方法，包括：采集多张米粒样本图像，其中，米粒样本图像为加载了标注信息的图像，标注信息至少包括了米粒样本图像中米粒的垩白度；使用卷积神经网络对采集到的米粒样本图像进行训练，得到训练好的神经网络模型；基于训练得到的神经网络模型自动检测米粒的垩白度。

可选地，米粒样本图像的来源包括如下至少之一：通过用户使用的烹饪器具来上传的米粒图像、外观检测仪观测得到的米粒图像、拍摄设备拍摄得到的米粒图像和网络平台上的米粒图像，其中，米粒样本图像为训练数据。

可选地，用户通过操作烹饪器具、拍摄设备或网络平台来输入待上传的米粒图像的垩白度，输入的垩白度作为标注信息加载到米粒图像中

可选地，使用卷积神经网络对采集到的米粒样本图像进行训练，得到训练好的神经网络模型，包括：扫描米粒样本图像，得到卷积特征图；对卷积特征图进行池化处理，得到去冗余后的特征图；激活去冗余后的特征图，并对激活结果进行分类；使用bp反向传播算法对分类后的特征图进行训练，得到训练好的神经网络模型。

可选地，通过卷积神经网络的卷积层中的每个卷积核扫描米粒样本图像，得到卷积特征图，其中卷积特征图用于表征米粒样本图像中的米粒的特征图层。

可选地，通过池化层对卷积特征图进行池化处理，得到去冗余后的特征图。

可选地，通过卷积神经网络的至少一个全连接层激活去冗余后的特征图。

可选地，在使用卷积神经网络对采集到的米粒样本图像进行训练，得到训练好的神经网络模型之后，方法还包括：将神经网络模型保存在本地设备，或上传至服务器。

可选地，基于训练得到的神经网络模型自动检测米粒的垩白度，包括：如果接收到待检测的米粒图像，将待检测的米粒图像上传到服务器；接收服务器返回的垩白度，其中，服务器使用神经网络模型检测得到待检测的米粒图像的垩白度。

根据本发明实施例的一个方面，还提供了一种获取米粒的垩白度的装置，包括：采集模块，用于采集多张米粒样本图像，其中，米粒样本图像为加载了标注信息的图像，标注信息至少包括了米粒样本图像中米粒的垩白度；训练模块，用于使用卷积神经网络对采集到的米粒样本图像进行训练，得到训练好的神经网络模型；检测模块，用于基于训练得到的神经网络模型自动检测米粒的垩白度。

可选地，采集模块包括如下至少之一：第一采集模块，用于通过用户使用的烹饪器具来采集米粒样本图像；第二采集模块，用于通过外观检测仪来采集米粒样本图像；第三采集模块，用于通过拍摄设备来采集米粒样本图像；第四采集模块，用于通过网络平台来获取米粒样本图像；其中，米粒样本图像为训练数据。

可选地，采集模块还包括加载模块，用于在通过采集模块输入待上传的米粒图像的垩白度后，将垩白度作为标注信息加载到米粒图像中。

可选地，训练模块包括：扫描模块，用于扫描米粒样本图像，得到卷积特征图；池化模块，用于对卷积特征图进行池化处理，得到去冗余后的特征图；激活模块，用于激活去冗余后的特征图，并对激活结果进行分类；训练子模块，用于使用bp反向传播算法对分类后的特征图进行训练，得到训练好的神经网络模型。

可选地，扫描模块包括：扫描子模块，用于通过卷积神经网络的卷积层中的每个卷积核扫描米粒样本图像，得到卷积特征图，其中卷积特征图用于表征米粒样本图像中的米粒的特征图层。

可选地，池化模块包括池化子模块，用于通过池化层对卷积特征图进行池化处理，得到去冗余后的特征图。

可选地，激活模块包括激活子模块，用于通过卷积神经网络的至少一个全连接层激活去冗余后的特征图。

可选地，在使用卷积神经网络对采集到的米粒样本图像进行训练，得到训练好的神经网络模型之后，装置还包括：保存模块，用于将神经网络模型保存在本地设备，或上传至服务器。

可选地，检测模块包括：上传模块，用于如果接收到待检测的米粒图像，将待检测的米粒图像上传到服务器；接受模块，用于接收服务器返回的垩白度，其中，服务器使用神经网络模型检测得到待检测的米粒图像的垩白度。

根据本发明实施例的一个方面，还提供了一种存储介质，存储介质包括存储的程序，在程序运行时控制存储介质所在设备执行上述任意一种获取米粒的垩白度的方法。

根据本发明实施例的一个方面，还提供了一种处理器，处理器用于运行程序，其中，在程序运行时执行上述任意一种获取米粒的垩白度的方法。

根据本发明实施例的一个方面，还提供了一种烹饪器具，包括：采集装置，用于采集多张米粒样本图像；处理器，用于运行程序，其中，在程序运行时对于从采集装置输出的数据执行如下处理步骤：对米粒样本图像加载标注信息，标注信息至少包括了米粒样本图像中米粒的垩白度；使用卷积神经网络对采集到的米粒样本图像进行训练，得到训练好的神经网络模型；基于训练得到的神经网络模型自动检测米粒的垩白度。

在本发明实施例中，通过采集多张米粒样本图像，其中，米粒样本图像为加载了标注信息的图像，标注信息至少包括了米粒样本图像中米粒的垩白度，使用卷积神经网络对采集到的米粒样本图像进行训练，得到训练好的神经网络模型，基于训练得到的神经网络模型自动检测米粒的垩白度。上述方案基于人工智能技术，通过对米粒图像的识别，直接检测大米垩白度，方便快捷，进而解决了现有技术通过使用米粒外观检测仪检测米粒的垩白度，导致检测效率低、成本高的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本申请实施例的一种可选的获取米粒的垩白度的方法流程图；

图2是根据本申请实施例的一种可选的全连接神经网络示意图；

图3是根据本申请实施例的一种可选的卷积神经网络算法示意图；

图4是根据本申请实施例的一种可选的获取米粒的垩白度的智能检测方法流程图；以及

图5是根据本申请实施例的一种可选的获取米粒的垩白度的装置示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、装置、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、装置、产品或设备固有的其它步骤或单元。

实施例1

根据本发明实施例，提供了一种获取米粒的垩白度的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的一种可选的获取米粒的垩白度的方法流程图，如图1所示，该方法包括如下步骤：

步骤s102，采集多张米粒样本图像，其中，米粒样本图像为加载了标注信息的图像，标注信息至少包括了米粒样本图像中米粒的垩白度。

一种可选方案中，上述米粒可以为稻米。上述米粒样本图像可以为平铺无重叠的米粒图像。上述标注信息可以为米粒的垩白度，也可以为米粒的垩白面积和米粒总面积，也可以为米粒的垩白部分投影面积和米粒总投影面积。

步骤s104，使用卷积神经网络对采集到的米粒样本图像进行训练，得到训练好的神经网络模型。

卷积神经网络属于有监督的学习算法，是深度神经网络中的一种特殊情况，它相比于深度人工神经网络具有权值数量少、训练速度快等优点。

卷积神经网络主要由三部分组成，分别是输入层、隐藏层和输出层。其中，输入层和输出层只有一层，而隐藏层可以有多层，深度神经网络就是有很多个隐藏层的神经网络。图2所示的是有两个隐藏层的全连接神经网络示意图。如图2所示，在输入层，每一个神经元x代表一个输入特征，即加载了不同垩白度标签的米粒样本图像，b是一个与特征无关的偏置值。输入的特征经过激活函数转换后，进入隐藏层1，同样的，隐藏层1的结果经过再次转换后进入隐藏层2，最后到达输出层，得到各类y的概率值，进而输出不同米粒的垩白度信息。

步骤s106，基于训练得到的神经网络模型自动检测米粒的垩白度。

在上述步骤中，利用训练好的神经网络模型对待检测的米粒图像数据进行综合分析，智能检测米粒的垩白度。

在一种可选的实施例中，采集多张平铺无重叠且视图清晰的大米图像，将其分为训练样本集，测试样本集，输入到卷积神经网络模型中进行训练和测试，以得到训练好的卷积神经网络模型。实际检测时，用户只需要输入待检测的米粒图像，模型即可自动输出大米的垩白度值，达到快速检测大米垩白度的目的。

基于本申请上述实施例提供的方案，通过采集多张米粒样本图像，其中，米粒样本图像为加载了标注信息的图像，标注信息至少包括了米粒样本图像中米粒的垩白度；使用卷积神经网络对采集到的米粒样本图像进行训练，得到训练好的神经网络模型；基于训练得到的神经网络模型自动检测米粒的垩白度。上述方案基于人工智能技术，通过对米粒图像的识别，直接检测大米垩白度，方便快捷，进而解决了现有技术通过使用米粒外观检测仪检测米粒的垩白度，导致检测效率低、成本高技术问题。

可选地，米粒样本图像的来源包括如下至少之一：通过用户使用的烹饪器具来上传的米粒图像、外观检测仪观测得到的米粒图像、拍摄设备拍摄得到的米粒图像和网络平台上的米粒图像，其中，米粒样本图像为训练数据。

一种可选方案中，米粒样本图像可以通过用户使用的烹饪器具来获得，其中，烹饪器具的顶部可以内置图像传感器等采集装置。

另一种可选方案中，米粒样本图像可以通过外观检测仪观测获得。

另一种可选方案中，米粒样本图像可以通过用户手持的照相机、摄像机等拍摄设备获得。

另一种可选方案中，米粒样本图像可以通过直接下载网络平台上的米粒图像获得。

可选地，用户通过操作烹饪器具、拍摄设备或网络平台来输入待上传的米粒图像的垩白度，输入的垩白度作为标注信息加载到米粒图像中。

需要说明的是，上述米粒样本图像为加载了标注信息的图像，标注信息至少包括了米粒样本图像中米粒的垩白度，米粒的垩白度可以采用人工鉴定或外观仪器检测的方式获得，用户通过操作烹饪器具、拍摄设备或网络平台来输入待上传的米粒图像的垩白度，将其作为标注信息加载到米粒图像中，然后将加载了标注信息的米粒样本图像作为卷积神经网络的训练数据，用于训练和测试神经网络模型。

可选地，使用卷积神经网络对采集到的米粒样本图像进行训练，得到训练好的神经网络模型，包括：扫描米粒样本图像，得到卷积特征图；对卷积特征图进行池化处理，得到去冗余后的特征图；激活去冗余后的特征图，并对激活结果进行分类；使用bp反向传播算法对分类后的特征图进行训练，得到训练好的神经网络模型。

一种可选方案中，对激活结果进行分类可以采用softmax函数。

在上述步骤中，对收集到的原始米粒样本图像进行预处理，从而使所有的输入集数据在同一个数量级上，避免大数据起决定性作用的影响。图2中，将样本矩阵输入卷积神经网络，进行训练。卷积神经网络本质上是由多个bp神经网络组成的，因此在训练神经网络时，使用bp反向传播算法进行训练。具体来说，输入的样本向量可以表示为x＝(x1,x2,x3,…,xn)，对应的类别为y＝(y1,y2,…,ym)，初始化的权重矩阵为w。由于relu函数求梯度简单，收敛较快，所以利用bp反向传播算法进行训练神经网络时，神经元的激活函数选择relu线性修正单元。每一次计算实际输出与期望输出的误差损失，根据损失结果进行反向传播，更新每一层的权重矩阵w。当算法收敛时，最终得到稳定的权重w，算法训练完成，保存最终的卷积神经网络模型，用于自动检测米粒的垩白度。

可选地，通过卷积神经网络的卷积层中的每个卷积核扫描米粒样本图像，得到卷积特征图，其中卷积特征图用于表征米粒样本图像中的米粒的特征图层。

可选地，通过池化层对卷积特征图进行池化处理，得到去冗余后的特征图。

卷积层和池化层可以有多种不同的组合，具体的层次和网络深度可以根据实际需要进行选取。

可选地，通过卷积神经网络的至少一个全连接层激活去冗余后的特征图。

全连接层也可以有多层，具体的层次仍是根据实际需要进行选取。层数越多，识别结果越准确，网络越复杂。

图3是根据本申请实施例的一种可选的卷积神经网络算法示意图，如图3所示，输入的米粒样本图像首先经过第一个卷积层，通过扫描米粒样本图像，得到卷积特征图，然后对卷积特征图进行池化操作。池化的目的是进行降维度，减少冗余特征，得到去冗余后的特征图。经过多层卷积和池化操作，得到的图像特征输入到全连接层，进行激活，全连接层也可以有多层，最后由softmax层输出分类结果。

可选地，在使用卷积神经网络对采集到的米粒样本图像进行训练，得到训练好的神经网络模型之后，上述方法还包括：将神经网络模型保存在本地设备，或上传至服务器。

一种可选方案中，上述本地设备可以为实施获取米粒的垩白度的方法的设备，例如烹饪器具、电饭锅、手机等智能终端设备。

将训练好的卷积神经网络模型写入本地设备的芯片中，或者部署于云端服务器，作为数据实时分析处理的中枢。

可选地，基于训练得到的神经网络模型自动检测米粒的垩白度，包括：如果接收到待检测的米粒图像，将待检测的米粒图像上传到服务器；接收服务器返回的垩白度，其中，服务器使用神经网络模型检测得到待检测的米粒图像的垩白度。

一种可选方案中，上述待检测的米粒图像可以由图像传感器获得，上述服务器可以为云端服务器，也可以由本地设备智能芯片实现。

图4是根据本申请实施例的一种可选的获取米粒的垩白度的智能检测方法流程图。用户采用图像传感器、照相机、摄像机等图像采集设备实时采集平铺的待检测米粒图像作预处理，然后将图像输入到云端服务器或本地设备智能芯片中的卷积神经网络模型，进行图像分析。云端服务器或本地设备智能芯片将分析得到的结果输出给用户端，向用户反馈检测结果。本实施例通过用户直接对大米进行拍摄，可以快速获得垩白度检测结果。

可选地，将上述获取米粒的垩白度的方法应用于烹饪器具中，上述烹饪器具可以包括加热部件、计时模块、决策模块、显示模块、通信模块和报警模块。

可选地，上述决策模块根据设定的烹饪数据和食物的类型，确定烹饪数据，其中，烹饪数据至少包括：加热电阻的加热数据、排气阀的排气时间和不同烹饪阶段的加热温度；基于烹饪数据控制烹饪器具对食物进行烹饪。

一种可选方案中，决策模块内部具有执行机构，例如加热电阻、计时模块等。上述设定的烹饪数据可以为用户预先设定的烹饪数据，例如口感与偏好(偏软、适中、偏硬、煮粥、煲汤等模式)。

决策模块根据卷积神经网络模型输出的食物的类型，结合用户喜好设定，自动选择烹饪方式，例如泡米时间、加热电阻的加热温度、加热时间、排气阀的排气时间、排气阀开度和保温时间等，以便获得最佳的烹饪方式，保证食物的口感，同时确保营养不会流失。

可选地，在决策模块根据设定的烹饪数据和食物的类型，确定烹饪数据之前，方法还包括：决策模块接收通信模块传输的食物图像中食物的类型，并接收到外部交互界面接收到的烹饪数据。

一种可选方案中，上述通信模块可以为有线通信模块或无线通信模块，例如wifi模块。上述外部交互界面可以为设置于烹饪器具外表面的显示面板，也可以为遥控器。

可选地，通信模块还用于接收远程服务器传输的更新指令，其中，更新指令用于对烹饪器具的功能进行升级。

功能不变的烹饪器具势必满足不了需求不断增加的用户，当有新的功能开发出来后，服务器可以通过通信模块将新版本的运行程序传输给电饭煲，实现远程更新，使服务效果更理想。

通过上述方案，采集多张米粒样本图像，其中，米粒样本图像为加载了标注信息的图像，标注信息至少包括了米粒样本图像中米粒的垩白度；使用卷积神经网络对采集到的米粒样本图像进行训练，得到训练好的神经网络模型；基于训练得到的神经网络模型自动检测米粒的垩白度。与现有技术相比，本申请基于人工智能技术检测米粒垩白度，为用户提供了一种方便、智能的米粒垩白度检测方法，达到了自动检测米粒垩白度的目的，使得用户能够方便快捷、低成本的检测大米品质，提高了用户体验。

实施例2

根据本发明实施例，提供了一种获取米粒的垩白度的装置，图5是根据本申请实施例的获取米粒的垩白度的装置示意图，如图5所示，该装置500包括：

采集模块502，用于采集多张米粒样本图像，其中，米粒样本图像为加载了标注信息的图像，标注信息至少包括了米粒样本图像中米粒的垩白度。

训练模块504，用于使用卷积神经网络对采集到的米粒样本图像进行训练，得到训练好的神经网络模型。

检测模块506，用于基于训练得到的神经网络模型自动检测米粒的垩白度。

可选地，采集模块502包括如下至少之一：第一采集模块，用于通过用户使用的烹饪器具来采集米粒样本图像；第二采集模块，用于通过外观检测仪来采集米粒样本图像；第三采集模块，用于通过拍摄设备来采集米粒样本图像；第四采集模块，用于通过网络平台来获取米粒样本图像；其中，米粒样本图像为训练数据。

可选地，采集模块502还包括加载模块，用于在通过采集模块输入待上传的米粒图像的垩白度后，将垩白度作为标注信息加载到米粒图像中。

可选地，训练模块504包括：扫描模块，用于扫描米粒样本图像，得到卷积特征图；池化模块，用于对卷积特征图进行池化处理，得到去冗余后的特征图；激活模块，用于激活去冗余后的特征图，并对激活结果进行分类；训练子模块，用于使用bp反向传播算法对分类后的特征图进行训练，得到训练好的神经网络模型。

可选地，扫描模块包括：扫描子模块，用于通过卷积神经网络的卷积层中的每个卷积核扫描米粒样本图像，得到卷积特征图，其中卷积特征图用于表征米粒样本图像中的米粒的特征图层。

可选地，池化模块包括池化子模块，用于通过池化层对卷积特征图进行池化处理，得到去冗余后的特征图。

可选地，激活模块包括激活子模块，用于通过卷积神经网络的至少一个全连接层激活去冗余后的特征图。

可选地，在使用卷积神经网络对采集到的米粒样本图像进行训练，得到训练好的神经网络模型之后，装置还包括：保存模块，用于将神经网络模型保存在本地设备，或上传至服务器。

可选地，检测模块506包括：上传模块，用于如果接收到待检测的米粒图像，将待检测的米粒图像上传到服务器；接受模块，用于接收服务器返回的垩白度，其中，服务器使用神经网络模型检测得到待检测的米粒图像的垩白度。

需要说明的是，本实施例的可选或优选实施方式可以参见实施例1中的相关描述，但不仅限于实施例1所公开的内容，在此不再赘述。

实施例3

根据本发明实施例，提供了一种存储介质，存储介质包括存储的程序，在程序运行时控制存储介质所在设备执行实施例1中的获取米粒的垩白度的方法。

实施例4

根据本发明实施例，提供了一种处理器，处理器用于运行程序，在程序运行时执行实施例1中的获取米粒的垩白度的方法。

实施例5

根据本发明实施例，提供了一种烹饪器具，包括：采集装置，用于采集多张米粒样本图像；处理器，用于运行程序，其中，在程序运行时对于从采集装置输出的数据执行如下处理步骤：对米粒样本图像加载标注信息，标注信息至少包括了米粒样本图像中米粒的垩白度；使用卷积神经网络对采集到的米粒样本图像进行训练，得到训练好的神经网络模型；基于训练得到的神经网络模型自动检测米粒的垩白度。

需要说明的是，本实施例的可选或优选实施方式可以参见实施例1中的相关描述，但不仅限于实施例1所公开的内容，在此不再赘述。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，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。另一点，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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

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方案的目的。

另外，在本发明各个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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以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。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分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，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例装置的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。