一种食材烹煮时长推荐方法、存储介质和电火锅与流程

本发明属于技能家电技术领域，具体涉及一种食材烹煮时长推荐方法、存储介质和电火锅。

背景技术：

目前，食物识别技术在智能家电行业已有应用，其能够为用户提供更多人机交互的功能，比如美菱chiq云图像识别冰箱、美的智能冰箱等，因此，基于食物识别的应用是家电行业未来在人机交互上的一个重要功能之一。

电火锅是现实生活中比较大众化的烹煮电器，在火锅店及家庭中普遍使。

现有技术中的电火锅应用于火锅店时，菜单上往往会注明各品种食材需要烹煮的时长，但是烹饪的结果其实并不是所有人都喜欢。而在自己家用时，则各品类食材的烹煮时长更是没有根据，只是用户主观上的烹煮时长考虑，从而容易出现食材过度烹煮或未煮熟的现象，导致营养和健康问题。

技术实现要素：

有鉴于此，本发明实施例的目的在于提供一种食材烹煮时长推荐方法，以改善现有技术中使用电火锅对食材进行烹煮时，无法根据用户需求与食材本身的特性同时进行时长判断与推荐的问题。

为了改善现有技术中食材无法根据用户需求与食材本身的特性同时进行时长判断与推荐的问题，本发明实施例提供的技术方案如下：

第一方面，本发明实施例提供了食材烹煮时长推荐方法方法，包括以下步骤：

获取食材图像；

利用卷积神经网络对食材图像中的食材进行识别，根据食材的识别结果获取与该食材相关联的时间参数，根据所述时间参数确定该食材的推荐烹煮时长，并推送所述推荐烹煮时长，以对该食材进行烹煮。

优选的，在本发明实施例中，利用卷积神经网络对食材图像中的食材进行识别之前，还包括以下步骤：

构建卷积神经网络模型，利用食材训练集对卷积神经网络模型的模型参数进行训练，以获取训练好的卷积神经网络。

优选的，在本发明实施例中，构建卷积神经网络模型，具体为：所述卷积神经网络模型包括：

至少一层卷积层，其输入端接收食材图像，用于对接收的食材图像进行卷积化处理，以提取并输出相应的卷积特征图像；

至少一层池化层，其输入端连接所述卷积层的输出端，用于对所述卷积层输出的卷积特征图像进行池化处理，并输出池化处理后的卷积特征图像；

全链接层，其输入端连接所述池化层的输出端，用于对池化处理后的卷积特征图像进行分类识别，并输出识别结果。

优选的，在本发明实施例中，利用食材训练集对卷积神经网络模型的模型参数进行训练，以获取训练好的卷积神经网络，具体为：

步骤s10，对卷积神经网络模型的模型参数进行初始化；

步骤s20，将食材训练集图像输入卷积神经网络模型，所述卷积神经网络模型的卷积层、池化层和全链接层依次对食材训练集图像进行处理，输出所述食材训练集图像的分类识别输出值；

步骤s30，确定所述食材训练集图像的分类识别输出值与预设的分类识别目标值之间的误差值；

当误差值大于预设阈值时，将误差值反向输入卷积神经网络，以对卷积神经网络的模型参数进行校正，然后返回执行步骤s20；

当误差值小于或等于预设阈值时，输出训练好的卷积神经网络。

优选的，在本发明实施例中，根据食材的识别结果获取与食材相关联的时间参数，根据时间参数确定该食材的推荐烹煮时长，具体为：

所述与食材相关联的时间参数包括经验烹煮时长和当前平均烹煮时长；

根据食材的种类获取该食材的经验烹煮时长；

根据食材的烹煮历史记录获取该食材的当前的平均烹煮时长，其中所述当前的平均烹煮时长为上次的实际烹煮时长和上次获得的平均烹煮时长的平均值；

对所述经验烹煮时长和当前的平均烹煮时长进行加权求和，以获得该食材的推荐烹煮时长。

优选的，在本发明实施例中，还包括以下步骤：

向用户推送当前的推荐烹煮时长，以供用户根据当前的推荐烹煮时长设置当前的实际烹煮时长，并根据用户设置的当前的实际烹煮时长对该食材进行烹煮。

优选的，在本发明实施例中，还包括以下步骤：

将当前的推荐烹煮时长自动设置为当前的实际烹煮时长，并根据当前的实际烹煮时长对该食材进行烹煮。

优选的，在本发明实施例中，在获取食材图像之前，还包括以下步骤：开启食材烹煮时长推荐工作模式，当处于食材烹煮时长推荐工作模式时，获取食材图像。

第二方面，本发明实施例还提供了一种存储介质，其存储有实现上述的食材烹煮时长推荐方法的程序。

第三方面，本发明实施例还提供了一种电火锅，包括：处理器和存储器，所述处理器用于执行存储在所述存储器上的程序，以实现上述食材烹煮时长推荐方法。

本发明的有益效果为：本发明的技术方案通过卷积神经网络对食材的品类进行识别，根据识别结果获取与该食材相关联的时间参数，根据时间参数计算该食材的最优推荐烹煮时长，从而实现对食材的烹煮处于最佳状态。与本申请相比，现有技术在使用电火锅对食材进行烹煮时，往往只根据用户的主观感受确定食材的烹煮时长，不仅容易出现食材营养流失的问题，长时间积累还可能会导致用户的健康问题。

本发明提供的方案不仅使食材保持最佳的口感与营养，而且方便用户控制烹煮过程。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明实施例提供的利用卷积神经网络对食材图像进行识别的方法流程示意图；

图2为本发明实施例提供的对卷积神经网络进行训练的方法流程示意图；

图3为本发明实施例提供的计算食材推荐烹煮时长的方法流程示意图；

图4为本发明实施例提供的利用卷积神经网络对食材图像进行识别，并根据识别结果计算该食材的推荐烹煮食长的方法流程示意图。

具体实施方式

下面将结合本发明实施例中附图，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实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在介绍本发明的具体实施例之前，先对本发明的应用场景进行简单介绍。

目前，在使用电火锅烹煮食材时，食材的最佳烹煮时长不容易控制。在火锅店时，菜单上往往会注明各品种食材需要烹煮的时长，但是烹饪的结果其实并不是所有人都喜欢。而在自己家用时，则各品类食材的烹煮时长更是没有根据，只是用户主观上的烹煮时长考虑，从而容易出现食材过度烹煮或未煮熟的现象，导致营养和健康问题。

为了更好的理解本发明实施例提供的方案，下述实施方式以用户在家庭中使用电火锅烹煮食材为应用场景，详细的介绍本发明实施例所提供的思想。

实施例一

请参照图1和图2，图1为本发明实施例提供的利用卷积神经网络对食材图像进行识别的方法流程示意图，图2为本发明实施例提供的对卷积神经网络进行训练的方法流程示意图，下面将结合图1的步骤s110-s140和图2的步骤s210-s260对利用卷积神经网络对食材图像进行识别的方法进行详细说明。

步骤s110，开启电火锅的食材烹煮时长推荐工作模式。

本步骤具体为，用户通过设置在电火锅面板上的工作模式选择按键控制电火锅开启食材烹煮时长推荐工作模式。

步骤s120，获取食材图像。

本步骤具体为，利用设置在电火锅上的摄像头获取食材图像。

步骤s130，利用卷积神经网络对食材图像中的食材进行识别。

其中，在利用卷积神经网络对食材图像中的食材进行识别之前，构建卷积神经网络模型。

进一步的，构建卷积神经网络模型的具体方法为：所述卷积神经网络模型包括：

所述卷积层的输入端接收食材图像，所述卷积层用于对接收的食材图像进行卷积化处理，以提取并输出相应的卷积特征图像；

所述池化层的输入端连接所述卷积层的输出端，所述池化层用于对所述卷积层输出的卷积特征图像进行池化处理，并输出池化处理后的卷积特征图像；

所述全链接层的输入端连接所述池化层的输出端，所述全链接层用于对池化处理后的卷积特征图像进行分类识别，并将分类识别结果输出。

步骤s210，对卷积神经网络模型的模型参数进行初始化。

其中，对卷积神经网络模型的模型参数进行初始化，具体为：对卷积神经网络模型的所述卷积层、所述池化层和所述全链接层的模型参数进行初始化。

步骤s220，将标注食材标签食材训练集图像输入初始化后的卷积神经网络模型，输出食材训练集图像分类识别结果的输出值。

其中，需要将食材训练集图像标注食材标签，具体为：将食材训练集的每一张图像均标注食材标签，标注完食材标签后输入初始化后的卷积神经网络模型。

进一步的，获得该步骤输出值的具体过程为：将标注食材标签的食材训练集图像经过所述卷积神经网络模型的卷积层、所述池化层和所述全链接层依次向前传播，并输食材训练集图像出分类识别结果的输出值。

步骤s230，确定食材训练集图像分类识别结果的输出值与目标值之间的误差值。

步骤s240，将误差值与预设误差阈值的大小做比较，具体为：

当误差值大于预设误差阈值时，将误差值向后返回初始化后的卷积神经网络，根据返回的误差值对卷积神经网络的权值进行更新，然后执行步骤s220；

当误差值小于或等于预设误差阈值时，输出训练好的卷积神经网络模型的模型参数，以获取训练好的卷积神经网络。

步骤s140，利用训练好的卷积神经网络对食材进行识别并输出食材标签。

综上，本发明的上述实施例，通过构建卷积神经神经网络模型，并对卷积神经神经网络模型进行训练，以获训练好的卷积神经神经网络，利用训练好的卷积神经网络对食材的品类进行识别。

本发明提供的方案不仅使食材保持最佳的口感与营养，而且方便用户控制烹煮过程。

实施例二

请参照图3，图3为本发明实施例提供的根据食材标签计算该食材的推荐烹煮食长的方法流程示意图，下面将结合步骤s150-s160对根据食材标签计算该食材的推荐烹煮食长的方法进行详细说明。

步骤s110，开启电火锅的食材烹煮时长推荐工作模式。

本步骤具体为，用户通过设置在电火锅面板上的工作模式选择按键控制电火锅开启食材烹煮时长推荐工作模式。

步骤s120，获取食材图像。

本步骤具体为，利用设置在电火锅上的摄像头获取食材图像。

步骤s130，利用卷积神经网络对食材图像中的食材进行识别。

本步骤具体包括以下步骤：

步骤s131，构建卷积神经网络模型。

其中，在利用卷积神经网络对食材图像中的食材进行识别之前，构建卷积神经网络模型。

进一步的，构建卷积神经网络模型的具体方法为：所述卷积神经网络模型包括：

所述卷积层的输入端接收食材图像，所述卷积层用于对接收的食材图像进行卷积化处理，以提取并输出相应的卷积特征图像；

所述池化层的输入端连接所述卷积层的输出端，所述池化层用于对所述卷积层输出的卷积特征图像进行池化处理，并输出池化处理后的卷积特征图像；

所述全链接层的输入端连接所述池化层的输出端，所述全链接层用于对池化处理后的卷积特征图像进行分类识别，并将分类识别结果输出。

步骤s210，对卷积神经网络模型的模型参数进行初始化。

其中，对卷积神经网络模型的模型参数进行初始化，具体为：对卷积神经网络模型的所述卷积层、所述池化层和所述全链接层的模型参数进行初始化。

步骤s220，将标注食材标签食材训练集图像输入初始化后的卷积神经网络模型，输出食材训练集图像分类识别结果的输出值。

其中，需要将食材训练集图像标注食材标签，具体为：将食材训练集的每一张图像均标注食材标签，标注完食材标签后输入初始化后的卷积神经网络模型。

进一步的，获得该步骤输出值的具体过程为：将标注食材标签的食材训练集图像经过所述卷积神经网络模型的卷积层、所述池化层和所述全链接层依次向前传播，并输食材训练集图像出分类识别结果的输出值。

步骤s230，确定食材训练集图像分类识别结果的输出值与目标值之间的误差值。

步骤s240，将误差值与预设误差阈值做比较，具体为：

当误差值大于预设误差阈值时，将误差值向后返回初始化后的卷积神经网络，根据返回的误差值对卷积神经网络的权值进行更新，然后执行步骤s210；

当误差值小于或等于预设误差阈值时，输出训练好的卷积神经网络模型的模型参数，以获取训练好的卷积神经网络。

步骤s140，利用训练好的卷积神经网络对食材进行识别并输出食材标签。

步骤s150，根据食材标签获取与该食材相关联的时间参数。

其中，与该食材相关联的时间参数包括经验烹煮时长和当前平均烹煮时长；

根据食材的种类获取该食材的经验烹煮时长；

根据食材的烹煮历史记录获取该食材的当前的平均烹煮时长，其中所述当前的平均烹煮时长为上次的实际烹煮时长和上次获得的平均烹煮时长的平均值。

步骤s160，根据与该食材标签相关联的时间参数计算该食材的推荐烹煮时长。

本步骤具体为：对所述经验烹煮时长和当前的平均烹煮时长进行加权求和，以获得该食材的推荐烹煮时长，具体为，根据下式计算该食材的推荐烹煮时长：

c＝a*a+b*b，

其中：

c为当前的推荐烹煮时长；

a为当前的经验烹煮时长；

b为当前的平均烹煮时长；

a和b为权重，所述权重由用户自定义或默认。

步骤s170，根据推荐烹煮时长设置实际烹煮时长，以按照实际烹煮时长对该食材进行烹煮。

进一步的，根据推荐烹煮时长设置实际烹煮时长，具体为：向用户推送当前的推荐烹煮时长，以供用户根据当前的推荐烹煮时长设置当前的实际烹煮时长，并根据用户设置的当前的实际烹煮时长对该食材进行烹煮。

进一步的，根据推荐烹煮时长设置实际烹煮时长，还可以为：将当前的推荐烹煮时长自动设置为当前的实际烹煮时长，并根据当前的实际烹煮时长对该食材进行烹煮。

综上，本发明的上述实施例，通过构建卷积神经神经网络模型，并对卷积神经神经网络模型进行训练，以获训练好的卷积神经神经网络，利用训练好的卷积神经网络对食材的品类进行识别，根据识别结果获取与该食材相关联的时间参数，根据时间参数计算该食材的最优推荐烹煮时长，从而实现对食材的烹煮处于最佳状态。

本发明提供的方案不仅使食材保持最佳的口感与营养，而且方便用户控制烹煮过程。

实施例三

本发明实施例三为用户按照推荐烹煮时长使用电火锅对食材进行烹煮的具体过程进行进一步详细说明，进行请参照图4，图4为本发明实施例提供的利用卷积神经网络对食材图像进行识别，并根据识别结果计算该食材的推荐烹煮食长的方法流程示意图，下面将结合步骤s410-s460进行详细说明。

步骤s410，电火锅开机后，用户开启电火锅的食材烹煮时长推荐模式。

需要说明的是，用户可以根据需要选择性开启烹煮时长推荐模式，当用户开启电火锅的食材烹煮时长推荐模式时，执行步骤s420。

步骤s420，利用摄像头采集食材图像。

需要说明的是，摄像头设置在电火锅的锅体上，当摄像头采集到食材图像时，将食材图像通过无线网络发送到云端，执行步骤s430。

步骤s430，通过云端的卷积神经网络对食材图像进行识别。

其中，通过云端的卷积神经网络对食材图像进行识别之前，首先构建卷积神经网络模型，利用食材训练集对卷积神经网络模型的模型参数进行训练，以获取训练好的卷积神经网络。

需要说明的是，通过以下方法构建卷积神经网络模型。

所述卷积神经网络模型包括：

所述卷积层的输入端接收食材图像，所述卷积层用于对接收的食材图像进行卷积化处理，以提取并输出相应的卷积特征图像；

所述池化层的输入端连接所述卷积层的输出端，所述池化层用于对所述卷积层输出的卷积特征图像进行池化处理，并输出池化处理后的卷积特征图像；

所述全链接层的输入端连接所述池化层的输出端，所述全链接层用于对池化处理后的卷积特征图像进行分类识别，并将分类识别结果输出。

需要说明的是，通过以下方法对卷积神经网络模型进行训练，以获取训练好的卷积神经网络。

获取食材训练集，对卷积神经网络模型进行训练，其中食材训练集来自网络图像或用户拍摄的图像，在利用食材训练集对卷积神经网络模型进行训练之前，首先对食材训练集的每一张图像标注食材标签。

对食材训练集标注食材标签具体为，诸如标注食材标签为猪肉、牛肉、羊肉，也可细分为猪蹄、牛百叶之类的具体名称。

步骤s431，对卷积神经网络模型的模型参数进行初始化，

其中，对卷积神经网络模型的模型参数进行初始化，具体为：对卷积神经网络模型的所述卷积层、所述池化层和所述全链接层的模型参数进行初始化。

步骤s432，将标注食材标签的食材训练集图像输入初始化后的卷积神经网络模型。

步骤s433，输出食材训练集图像分类识别结果的输出值。

其中，获得该步骤输出值的具体过程为：将标注食材标签的食材训练集图像经过所述卷积神经网络模型的卷积层、所述池化层和所述全链接层依次向前传播，并输食材训练集图像出分类识别结果的输出值。

步骤s434，确定食材训练集图像分类识别结果的输出值与目标值之间的误差值。

步骤s435，将误差值与预设误差阈值的大小做比较，具体为：

当误差值大于预设误差阈值时，将误差值向后返回初始化后的卷积神经网络，根据返回的误差值对卷积神经网络的权值进行更新，然后执行步骤s431；

当误差值小于或等于预设误差阈值时，输出训练好的卷积神经网络模型的模型参数，以获取训练好的卷积神经网络。

步骤s436，利用食材测试集对训练好的卷积神经网络进行测试，以判断训练好的卷积神经网络的准确度。

步骤s440，利用训练好的卷积神经网络对食材进行识别并输出食材标签。

例如电火锅采集到一张食材标签为牛肉的食材图像，训练好的卷积神经网络对食材图像进行识别并输出“牛肉”食材标签。

步骤s450，根据食材标签获取与该食材相关联的时间参数。

本步骤具体为：根据食材标签获取该食材的经验烹煮时长，所述经验烹煮时长为预先设定的该食材的烹煮时长。

根据食材的烹煮历史记录获取该食材的当前的平均烹煮时长，其中所述当前的平均烹煮时长为上次的实际烹煮时长和上次获得的平均烹煮时长的平均值。

例如，根据“牛肉”食材标签获取与“牛肉”相关联的时间参数。

步骤s460，根据与牛肉标签相关联的时间参数计算牛肉的推荐烹煮时长，并根据推荐烹煮时长确定实际烹煮时长。

其中，对所述经验烹煮时长和当前的平均烹煮时长进行加权求和，以获得该食材的推荐烹煮时长。

本步骤具体为：根据牛肉的经验烹煮时长、牛肉的当前的平均烹煮时长及牛肉的经验烹煮时长和牛肉的当前的平均烹煮时长之间的权重比例，计算牛肉的推荐烹煮时长，具体为，根据下式计算该食材的推荐烹煮时长：

c＝a*a+b*b，

其中：

c为牛肉当前的推荐烹煮时长；

a为牛肉的经验烹煮时长；

b为牛肉当前的平均烹煮时长；

a和b为权重，所述权重由用户自定义或默认。

需要说明的是，根据推荐烹煮时长确定实际烹煮时长，具体为：向用户推送当前的推荐烹煮时长，以供用户根据当前的推荐烹煮时长设置当前的实际烹煮时长，并根据用户设置的当前的实际烹煮时长对该食材进行烹煮。

需要说明的是，根据推荐烹煮时长确定实际烹煮时长，还可以为：将当前的推荐烹煮时长自动设置为当前的实际烹煮时长，并根据当前的实际烹煮时长对该食材进行烹煮。例如，当向用户推送当前的推荐烹煮时长后，若用户在设定时间段内未对电火锅进行操作，则电火锅将推荐烹煮时长自动设置为当前的实际烹煮时长。

综上，本发明的上述实施例，通过构建卷积神经神经网络模型，并对卷积神经神经网络模型进行训练，以获训练好的卷积神经神经网络，利用训练好的卷积神经网络对食材的品类进行识别，根据识别结果获取与该食材相关联的时间参数，根据时间参数计算该食材的最优推荐烹煮时长，从而实现对食材的烹煮处于最佳状态。与本申请相比，现有技术在使用电火锅对食材进行烹煮时，往往只根据用户的主观感受确定食材的烹煮时长，不仅容易出现食材营养流失的问题，长时间积累还可能会导致用户的健康问题。

本发明提供的方案不仅使食材保持最佳的口感与营养，而且方便用户控制烹煮过程。

实施例四

本发明实施例四提供一种电火锅，包括：处理器和存储器，所述处理器用于处理存储在所述存储器上的应用于电火锅的食材烹煮时长推荐方法的程序，以实现应用于电火锅的食材烹煮时长推荐方法。为了描述的方便和简洁，上述描述的电火锅的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。

综上，本发明的上述实施例，通过构建卷积神经神经网络模型，并对卷积神经神经网络模型进行训练，以获训练好的卷积神经神经网络，利用训练好的卷积神经网络对食材的品类进行识别，根据识别结果获取与该食材相关联的时间参数，根据时间参数计算该食材的最优推荐烹煮时长，从而实现对食材的烹煮处于最佳状态。与本申请相比，现有技术在使用电火锅对食材进行烹煮时，往往只根据用户的主观感受确定食材的烹煮时长，不仅容易出现食材营养流失的问题，长时间积累还可能会导致用户的健康问题。

本发明提供的方案不仅使食材保持最佳的口感与营养，而且方便用户控制烹煮过程。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。