[發(fā)明專利]基于米粒識(shí)別結(jié)果確定烹飪模式的方法、裝置和烹飪器具

在審

• 申請(qǐng)?zhí)枺?/td>: 201910033082.2
• 申請(qǐng)日: 2019-01-14
• 公開(kāi)（公告）號(hào): CN111435426A
• 公開(kāi)（公告）日: 2020-07-21
• 發(fā)明（設(shè)計(jì)）人: 黃智剛;陳翀;周幸;肖文軒;譚齊寧
• 申請(qǐng)（專利權(quán)）人: 珠海格力電器股份有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;A47J36/00
• 代理公司: 北京康信知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 11240
• 代理人: 趙囡囡;肖璐

本發(fā)明公開(kāi)了一種基于米粒識(shí)別結(jié)果確定烹飪模式的方法、裝置和烹飪器具。其中，該方法包括：采集拍攝得到的米粒圖像，其中，米粒圖像為內(nèi)置在烹飪器具內(nèi)的拍攝裝置拍攝待烹飪的米粒得到的圖像；使用深度神經(jīng)網(wǎng)絡(luò)模型Faster RCNN對(duì)米粒圖像進(jìn)行識(shí)別，得到識(shí)別結(jié)果，其中，識(shí)別結(jié)果包括：米粒的種類以及特征參數(shù)；基于識(shí)別結(jié)果，查詢得到對(duì)應(yīng)的烹飪模式。上述方案通過(guò)深度神經(jīng)網(wǎng)絡(luò)Faster RCNN對(duì)烹飪器具內(nèi)的大米進(jìn)行分類識(shí)別，并根據(jù)識(shí)別結(jié)果進(jìn)行米飯烹飪模式的選擇，解決了現(xiàn)有技術(shù)在烹飪米粒的過(guò)程中，無(wú)法準(zhǔn)確獲取米粒的種類，導(dǎo)致口感時(shí)好時(shí)壞的技術(shù)問(wèn)題。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理領(lǐng)域，具體而言，涉及一種基于米粒識(shí)別結(jié)果確定烹飪模式的方法、裝置和烹飪器具。

背景技術(shù)

從人類發(fā)現(xiàn)水稻并大規(guī)模的種植和食用開(kāi)始，水稻的口感與烹飪方法就一直在不斷地研究和改善。時(shí)至今日，大米總共分為三大類——秈米、粳米和糯米，有近百種不同的顏色和樣式。但是，現(xiàn)今家庭中的米飯烹飪方法還是停留在手工階段，即用戶將大米量好放入烹飪器具內(nèi)，并加入適量的水進(jìn)行蒸煮。這種情況下，由于用戶對(duì)米粒種類識(shí)別不準(zhǔn)確，所加水量難以把控，使得蒸煮出來(lái)的米飯硬度和口感常常變化，時(shí)好時(shí)壞。

針對(duì)現(xiàn)有技術(shù)在烹飪米粒的過(guò)程中，無(wú)法準(zhǔn)確獲取米粒的種類，導(dǎo)致口感時(shí)好時(shí)壞的問(wèn)題，目前尚未提出有效的解決方案。

發(fā)明內(nèi)容

本發(fā)明實(shí)施例提供了一種基于米粒識(shí)別結(jié)果確定烹飪模式的方法、裝置和烹飪器具，以至少解決現(xiàn)有技術(shù)在烹飪米粒的過(guò)程中，無(wú)法準(zhǔn)確獲取米粒的種類，導(dǎo)致口感時(shí)好時(shí)壞的技術(shù)問(wèn)題。

根據(jù)本發(fā)明實(shí)施例的一個(gè)方面，提供了一種基于米粒識(shí)別結(jié)果確定烹飪模式的方法，包括：采集拍攝得到的米粒圖像，其中，米粒圖像為內(nèi)置在烹飪器具內(nèi)的拍攝裝置拍攝待烹飪的米粒得到的圖像；使用深度神經(jīng)網(wǎng)絡(luò)模型Faster RCNN對(duì)米粒圖像進(jìn)行識(shí)別，得到識(shí)別結(jié)果，其中，識(shí)別結(jié)果包括：米粒的種類以及特征參數(shù)；基于識(shí)別結(jié)果，查詢得到對(duì)應(yīng)的烹飪模式。

可選地，使用深度神經(jīng)網(wǎng)絡(luò)模型Faster RCNN對(duì)米粒圖像進(jìn)行識(shí)別，得到識(shí)別結(jié)果，包括：通過(guò)深度神經(jīng)網(wǎng)絡(luò)模型Faster RCNN將米粒圖像輸入至VGG16卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行卷積計(jì)算，得到米粒圖像的特征圖；將米粒圖像的特征圖輸入至RPN網(wǎng)絡(luò)進(jìn)行篩選，得到篩選結(jié)果，其中，篩選結(jié)果包括：米粒圖像中存在米粒的概率值，以及每個(gè)米粒的外接矩形的參數(shù)；將RPN網(wǎng)絡(luò)的篩選結(jié)果和米粒圖像的特征圖輸入至池化層，進(jìn)行分類處理；將分類處理結(jié)果輸入至全連接層，其中，全連接層將分類處理結(jié)果進(jìn)行轉(zhuǎn)換，得到米粒圖像中每個(gè)米粒的圖像特征；通過(guò)深度神經(jīng)網(wǎng)絡(luò)模型的softmax層分析每個(gè)米粒的圖像特征，得到米粒的種類和特征參數(shù)，其中，米粒種類包括如下至少之一：大米、秈米、粳米和糯米，特征參數(shù)包括如下至少之一：米粒大小、顏色和長(zhǎng)寬比。

可選地，在使用深度神經(jīng)網(wǎng)絡(luò)模型Faster RCNN對(duì)米粒圖像進(jìn)行識(shí)別，得到識(shí)別結(jié)果之前，方法還包括：獲取訓(xùn)練樣本集，其中，訓(xùn)練樣本集包括多種類型的米粒樣本圖像；標(biāo)注訓(xùn)練樣本集中米粒樣本圖像的米粒信息，其中，米粒信息包括：輪廓信息、種類以及特征參數(shù)；將標(biāo)注后的訓(xùn)練樣本集輸入至初始化的Faster RCNN神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到深度神經(jīng)網(wǎng)絡(luò)模型。

可選地，標(biāo)注訓(xùn)練樣本集中米粒樣本圖像的米粒信息，包括：從米粒樣本圖像中提取米粒的輪廓圖；根據(jù)米粒的輪廓圖計(jì)算得到最小外接矩形，并基于最小外接矩形確定米粒的長(zhǎng)寬比；獲取最小外接矩形中預(yù)定位置的坐標(biāo)值；將米粒的長(zhǎng)寬比、大小、顏色和坐標(biāo)值作為標(biāo)注信息標(biāo)注至米粒樣本圖像中。