烹饪器具的控制方法、装置和系统、存储介质、处理器与流程

本发明涉及家用电器控制领域，具体而言，涉及一种烹饪器具的控制方法、装置和系统、存储介质、处理器。

背景技术：

目前的烹饪器具，例如电饭煲类产品大多数采用简单的控温方案，热敏电阻器会根据温度的变化而变化，通过模数ad(是analogtodigital的简称)采样的电压判断温度，并控制继电器加热。热敏电阻器采样无法做到精准的判断，因为饭煲结构的不同和热敏电阻器的位置不同，ad采样的温度数据也会有差异。而且，热敏电阻器所采样的温度数据也不是真实米的温度，无法对米饭烹饪过程进行有效、精确的闭环控制。

针对现有的烹饪器具通过热敏电阻其进行控制，结构和热敏电阻其的差异对工作性能影响很大的问题，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烹饪器具的控制方法、装置和系统、存储介质、处理器，以至少解决现有的烹饪器具通过热敏电阻其进行控制，结构和热敏电阻其的差异对工作性能影响很大的技术问题。

根据本发明实施例的一个方面，提供了一种烹饪器具的控制方法，包括：获取烹饪器具内部的红外图像；利用第一模型对红外图像进行分析，得到相应的烹饪方案，其中，第一模型为使用多组第一数据通过机器学习训练出来的，每组第一数据均包括：红外图像以及相应的烹饪方案的标签；控制烹饪器具按照烹饪方案执行烹饪操作。

根据本发明实施例的另一方面，还提供了一种烹饪器具的控制装置，包括：获取模块，用于获取烹饪器具内部的红外图像；处理模块，用于利用第一模型对红外图像进行分析，得到相应的烹饪方案，其中，第一模型为使用多组第一数据通过机器学习训练出来的，每组第一数据均包括：红外图像以及相应的烹饪方案的标签；控制模块，用于控制烹饪器具按照烹饪方案执行烹饪操作。

根据本发明实施例的另一方面，还提供了一种烹饪器具的控制系统，包括：处理器，用于获取烹饪器具内部的红外图像，利用第一模型对红外图像进行分析，得到相应的烹饪方案，其中，第一模型为使用多组第一数据通过机器学习训练出来的，每组第一数据均包括：红外图像以及相应的烹饪方案的标签；控制器，与处理器连接，用于控制烹饪器具按照烹饪方案执行烹饪操作。

根据本发明实施例的另一方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述实施例中的烹饪器具的控制方法。

根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述实施例中的烹饪器具的控制方法。

在本发明实施例中，获取烹饪器具内部的红外图像，利用第一模型对红外图像进行分析，得到相应的烹饪方案，控制烹饪器具按照烹饪方案执行烹饪操作，与现有技术相比，由于通过红外图像和机器学习对烹饪器具进行控制，实现对不同米种、不同米量和水量的判断更加精确，避免结构和热敏电阻器的差异对烹饪器具工作性能造成硬影响，从而解决了现有的烹饪器具通过热敏电阻其进行控制，结构和热敏电阻其的差异对工作性能影响很大的技术问题，达到对烹饪过程进行有效、精确的闭环控制，完善煮饭性能效果的效果。

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是根据本发明实施例的一种烹饪器具的控制方法的流程图；

图2是根据本发明实施例的一种烹饪器具的控制装置的示意图；以及

图3是根据本发明实施例的一种烹饪器具的控制系统的示意图。

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、方法、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、方法、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，提供了一种烹饪器具的控制方法的实施例，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烹饪器具的控制方法的流程图，如图1所示，该方法包括如下步骤：

步骤s102，获取烹饪器具内部的红外图像。

具体地，上述的烹饪器具可以是电饭煲、电压力锅等利用继电器加热食物的产品，本发明对此不作具体限定；上述的红外图像可以是红外设备拍摄到的，用于反映烹饪器具内部温度的画面。

步骤s104，利用第一模型对红外图像进行分析，得到相应的烹饪方案，其中，第一模型为使用多组第一数据通过机器学习训练出来的，每组第一数据均包括：红外图像以及相应的烹饪方案的标签。

具体地，上述的烹饪方案可以是对烹饪器具内盛放的盛放物进行烹饪的具体功能、参数等，在通过红外设备拍摄到烹饪器具内部的红外图像之后，可以利用预先通过机器学习训练好的第一模型对红外图像进行分析，确定用户放入烹饪器具内的盛放物的类型，并进一步得到对该盛放物进行烹饪的烹饪方案。为了能够得到相应的烹饪方案，可以建立神经网络模型，预先获取多组不同盛放物的红外图像，并通过人工标注的方式为每组红外图像设置相应的烹饪方案的标签，得到第一数据，然后使用设置后的第一数据对神经网络模型进行训练，得到第一模型。

步骤s106，控制烹饪器具按照烹饪方案执行烹饪操作。

在一种可选的方案中，在用户将盛放物放入烹饪器具之后，用户可以选定在待机状态下按功能选择键选择煮饭功能，按开始键煮饭，烹饪器具通过红外设备拍摄红外图像，并通过第一模型对拍摄到的红外图像进行分析，得到相应的烹饪方案，可以按照烹饪方案中的功能、参数执行相应的烹饪操作。

通过本发明上述实施例，获取烹饪器具内部的红外图像，利用第一模型对红外图像进行分析，得到相应的烹饪方案，控制烹饪器具按照烹饪方案执行烹饪操作，与现有技术相比，由于通过红外图像和机器学习对烹饪器具进行控制，实现对不同米种、不同米量和水量的判断更加精确，避免结构和热敏电阻器的差异对烹饪器具工作性能造成硬影响，从而解决了现有的烹饪器具通过热敏电阻其进行控制，结构和热敏电阻其的差异对工作性能影响很大的技术问题，达到对烹饪过程进行有效、精确的闭环控制，完善煮饭性能效果的效果。

可选地，在本发明上述实施例中，步骤s104，利用第一模型对红外图像进行分析，得到相应的烹饪方案包括：

步骤s1042，利用第二模型对红外图像进行分析，得到烹饪器具内盛放物的类型，其中，第二模型为使用多组第二数据通过机器学习训练出来的，每组第二数据均包括：红外图像以及相应的盛放物的类型的标签。

具体地，上述的盛放物的类型可以是米种、水等，不同类型的盛放物在进行烹饪时温度不一样，也即，红外图像中颜色不同，例如，对于盛放物为米和水，在烹饪过程中，水升温快，且温度比米高，因此，可以通过对红外图像进行分析，得到盛放物的类型。为了能够得到烹饪器具内盛放物的类型，可以建立神经网络模型，预先获取多组包含不同盛放物的红外图像，并通过人工标注的方式为每组红外图像设置相应的盛放物的类型，得到第二数据，然后使用设置后的第二数据对神经网络模型进行训练，得到第二模型。

步骤s1044，获取盛放物的类型对应的烹饪方案。

具体地，可以预先为不同类型的盛放物设置不同的烹饪方案，并将设置好的烹饪方案和盛放物的类型对应存储烹饪器具的存储器中，在通过第二模型对红外图像进行分析，得到盛放物的类型之后，可以从存储器中，读取与盛放物的类型相匹配的烹饪方案，并以该烹饪方案作为最优的烹饪方案进行控制。

可选地，在本发明上述实施例中，步骤s1042，利用第二模型对红外图像进行分析，得到烹饪器具内盛放物的类型包括：

步骤s10422，利用第一子模型对红外图像进行特征提取，得到盛放物的第一属性信息，其中，第一子模型为使用多组第一子数据通过机器学习训练出来的，每组第一子数据均包括：红外图像以及相应的盛放物的第一属性信息的标签。

可选地，在本发明上述实施例中，第一属性信息包括：盛放物的分布位置、尺寸和颜色。

具体地，上述的颜色用于表征盛放物的温度，通过对盛放物的分布位置、尺寸以及颜色可以识别出盛放物的类型，具体可以利用预先通过机器学习训练得到的第一子模型，对拍摄到的红外图像进行特征提取，提取出盛放物的分布位置、尺寸、颜色。为了能够得到烹饪器具内盛放物的第一属性信息，可以建立神经网络模型，预先获取多组包含不同盛放物的红外图像，并通过人工标注的方式为每组红外图像设置相应的盛放物的第一属性信息，得到第一子数据，然后使用设置后的第一子数据对神经网络模型进行训练，得到第一子模型。

步骤s10424，利用第二子模型对第一属性信息进行分析，得到盛放物的类型，其中，第二子模型为使用多组第二子数据通过机器学习训练出来的，每组第二子数据均包括：第一属性信息以及相应的盛放物的类型的标签。

具体地，为了能够通过第一属性信息得到烹饪器具内盛放物的类型，可以建立神经网络模型，预先获取多组包含不同盛放物的第一属性信息，并通过人工标注的方式为每组第一属性信息设置相应的盛放物的类型，得到第二子数据，然后使用设置后的第二子数据对神经网络模型进行训练，得到第二子模型。

可选地，在本发明上述实施例中，在步骤s102，获取烹饪器具内部的红外图像之后，该方法还包括：

步骤s108，获取盛放物的重量信息。

具体地，为了能够更准确地确定盛放物的类型，可以通过烹饪器具锅体两侧的托架上的重量检测机构对盛放物的重量信息进行检测，通过重量信息结合红外图像的识别信息，从而对盛放物的类型进行更加准确的判定。

步骤s110，利用第三子模型对重量信息和第一属性信息进行分析，得到盛放物的第二属性信息，其中，第三子模型为使用多组第三子数据通过机器学习训练出来的，每组第三子数据均包括：重量信息、第一属性信息以及相应的盛放物的第二属性信息的标签。

可选地，在本发明上述实施例中，第二属性信息包括：盛放物的体积、密度、分布和材质。

具体地，可以将盛放物的重量信息和红外图像的识别结果，也即，第一属性信息进行结合，利用预先通过机器学习训练好的第三子模型对重量信息和第一属性信息进行分析，实现对盛放物的体积、密度、分布、材质等第二属性信息进行更为精确的判断。为了能够得到盛放物的第二属性信息，可以建立神经网络模型，预先获取多组包含不同盛放物的第一属性信息和重量信息，并通过人工标注的方式为每组第一属性信息和重量信息设置相应的第二属性信息，得到第三子数据，然后使用设置后的第三子数据对神经网络模型进行训练，得到第三子模型。

步骤s112，利用第四子模型对第二属性信息进行分析，得到盛放物的类型，其中，第四子模型为使用多组第四子数据通过机器学习训练出来的，每组第四子数据均包括：第二属性信息以及相应的盛放物的类型的标签。

具体地，为了能够更为准确地得到盛放物的类型，可以建立神经网络模型，预先获取多组包含不同盛放物的第二属性信息，并通过人工标注的方式为每组第二属性信息设置相应的类型，得到第四子数据，然后使用设置后的第四子数据对神经网络模型进行训练，得到第四子模型。

可选地，在本发明上述实施例中，步骤s108，获取盛放物的重量信息包括：

步骤s1082，接收重量检测结构检测到的重量信息，其中，重量检测机构设置在烹饪器具的锅体两侧的托架上。

具体地，上述的重量检测结构可以是安装在烹饪器具的锅体底部两侧的称重装置，通过称重装置可以实时检测盛放物的重量信息，称重装置将检测到的重量信息传输给烹饪器具的主控芯片，由主控芯片进行处理。

可选地，在本发明上述实施例中，在步骤s106，控制烹饪器具按照烹饪方案执行烹饪操作的过程中，该方法还包括：

步骤s114，获取红外图像中盛放物所处位置的第一颜色信息。

具体地，在烹饪器具执行烹饪操作的过程中，由于盛放物的类型不同，升温速度不同，因此，可以实时采集红外图像，并对存在盛放物的位置进行颜色(rgb数据)的采集，得到第一颜色信息，通过第一颜色信息的变化可以确定盛放物的升温速度，并结合盛放物的类型，可以更准确地对盛放物的烹饪程度进行判断，进而实时调整烹饪方案以及完成烹饪操作的时机。

步骤s116，利用第三模型对盛放物的类型和第一颜色信息进行分析，得到盛放物的烹饪程度，其中，第三模型为使用多组第三数据通过机器学习训练出来的，每组第三数据均包括：盛放物的类型、第一颜色信息以及相应的盛放物的烹饪程度的标签。

具体地，为了能够得到盛放物的烹饪程度，可以建立神经网络模型，预先获取多组包含不同盛放物的类型和第一颜色信息，并通过人工标注的方式为每组盛放物的类型和第一颜色信息设置相应的烹饪程度，得到第三数据，然后使用设置后的第三数据对神经网络模型进行训练，得到第三模型。

步骤s118，根据盛放物的烹饪程度，对烹饪方案进行调整，得到调整后的烹饪方案。

步骤s120，控制烹饪器具按照调整后的烹饪方案执行烹饪操作。

在一种可选的方案中，在烹饪器具执行烹饪操作的过程中，可以实时获取盛放物的第一颜色信息，并利用第三模型对第一颜色信息和盛放物的类型进行分析，确定盛放物当前的烹饪程度，然后根据不同的烹饪程度对当前的烹饪方案，例如，烹饪结束时间进行调整，并按照调整后的烹饪方案进行烹饪操作。

可选地，在本发明上述实施例中，在步骤s106，控制烹饪器具按照烹饪方案执行烹饪操作的过程中，该方法还包括：

步骤s122，获取红外图像中多个区域的第二颜色信息。

具体地，在烹饪器具执行烹饪操作的过程中，由于不同区域内的盛放物会出现受热不均匀，影响烹饪效果，因此，可以实时获取烹饪器具内部不同区域的颜色，也即，得到多个区域的第二颜色信息，通过比对不同区域的颜色变化差异，进而调整各个区域的烹饪参数。

步骤s124，利用第四模型对多个区域的第二颜色信息进行分析，得到烹饪参数调整值，其中，第四模型为使用多组第四数据通过机器学习训练出来的，每组第四数据均包括：多个区域的第二颜色信息以及相应的烹饪参数调整值的标签。

具体地，上述的烹饪参数可以是烹饪时间、烹饪功率等。为了能够得到烹饪参数调整值，可以建立神经网络模型，预先获取多组包含不同盛放物的多个区域的第二颜色信息，并通过人工标注的方式为每组第二颜色信息设置相应的烹饪参数调整值，得到第四数据，然后使用设置后的第四数据对神经网络模型进行训练，得到第四模型。

步骤s126，控制烹饪器具按照烹饪参数调整值执行烹饪操作。

在一种可选的方案中，在利用第四模型对红外图像中的多个区域的第二颜色信息进行分析，得到烹饪参数调整值，也即，得到烹饪时间调整值、烹饪功率调整值之后，可以通过烹饪时间调整值和烹饪功率调整值，对当前的烹饪时间和烹饪功率进行调整，得到调整后的烹饪时间和烹饪功率，并按照调整后的烹饪时间和烹饪功率执行烹饪操作。从而使得所有区域内的盛放物均匀受热，保证盛放物熟度均匀，达到提高烹饪的均匀性和成功率的效果。

可选地，在本发明上述实施例中，在步骤s106，控制烹饪器具按照烹饪方案执行烹饪操作的过程中，该方法还包括：

步骤s122，获取红外图像中多个区域的第二颜色信息。

步骤s128，将多个区域的第二颜色信息进行比较，得到烹饪参数调整值。

具体地，为了使得所有区域内的盛放物均匀受热，保证盛放物熟度均匀，可以获取多个区域的第二颜色信息，并将多个区域的第二颜色信息进行比较，如果一个区域的第二颜色信息较深，则可以降低烹饪功率，缩短烹饪时间，如果一个区域的第二颜色信息较浅，则可以提高烹饪功率，增加烹饪时间。

步骤s126，控制烹饪器具按照烹饪参数调整值执行烹饪操作。

在一种可选的方案中，在烹饪器具执行烹饪操作的过程中，可以实时获取红外图像中多个区域的第二颜色信息，并根据第二颜色信息的深浅不同，对不同区域的烹饪时间和烹饪功率进行调整，得到烹饪参数调整值，并按照烹饪参数调整值进行相应的烹饪操作。

可选地，在本发明上述实施例中，步骤s102，获取烹饪器具内部的红外图像包括：

步骤s1022，接收红外设备采集到的红外图像，其中，红外设备设置在烹饪器具的盖体的顶部。

具体地，上述的红外设备可以是安装在烹饪器具的盖体顶部的红外检测装置，通过红外检测装置可以实时采集到包含所有盛放物的红外图像，红外设备将检测到的红外图像传输给烹饪器具的主控芯片，由主控芯片进行处理。

实施例2

根据本发明实施例，提供了一种烹饪器具的控制装置的实施例。

图2是根据本发明实施例的一种烹饪器具的控制装置的示意图，如图2所示，该装置包括：

获取模块21，用于获取烹饪器具内部的红外图像。

具体地，上述的烹饪器具可以是电饭煲、电压力锅等利用继电器加热食物的产品，本发明对此不作具体限定；上述的红外图像可以是红外设备拍摄到的，用于反映烹饪器具内部温度的画面。

处理模块23，用于利用第一模型对红外图像进行分析，得到相应的烹饪方案，其中，第一模型为使用多组第一数据通过机器学习训练出来的，每组第一数据均包括：红外图像以及相应的烹饪方案的标签。

具体地，上述的烹饪方案可以是对烹饪器具内盛放的盛放物进行烹饪的具体功能、参数等，在通过红外设备拍摄到烹饪器具内部的红外图像之后，可以利用预先通过机器学习训练好的第一模型对红外图像进行分析，确定用户放入烹饪器具内的盛放物的类型，并进一步得到对该盛放物进行烹饪的烹饪方案。为了能够得到相应的烹饪方案，可以建立神经网络模型，预先获取多组包含不同盛放物的红外图像的第一数据，并通过人工标注的方式为每组红外图像设置相应的烹饪方案的标签，然后使用设置后的第一数据对神经网络模型进行训练，得到第一模型。

控制模块25，用于控制烹饪器具按照烹饪方案执行烹饪操作。

在一种可选的方案中，在用户将盛放物放入烹饪器具之后，用户可以选定在待机状态下按功能选择键选择煮饭功能，按开始键煮饭，烹饪器具通过红外设备拍摄红外图像，并通过第一模型对拍摄到的红外图像进行分析，得到相应的烹饪方案，可以按照烹饪方案中的功能、参数执行相应的烹饪操作。

通过本发明上述实施例，获取烹饪器具内部的红外图像，利用第一模型对红外图像进行分析，得到相应的烹饪方案，控制烹饪器具按照烹饪方案执行烹饪操作，与现有技术相比，由于通过红外图像和机器学习对烹饪器具进行控制，实现对不同米种、不同米量和水量的判断更加精确，避免结构和热敏电阻器的差异对烹饪器具工作性能造成硬影响，从而解决了现有的烹饪器具通过热敏电阻其进行控制，结构和热敏电阻其的差异对工作性能影响很大的技术问题，达到对烹饪过程进行有效、精确的闭环控制，完善煮饭性能效果的效果。

可选地，在本发明上述实施例中，处理模块23还用于利用第二模型对红外图像进行分析，得到烹饪器具内盛放物的类型，并获取盛放物的类型对应的烹饪方案，其中，第二模型为使用多组第二数据通过机器学习训练出来的，每组第二数据均包括：红外图像以及相应的盛放物的类型的标签。

可选地，在本发明上述实施例中，处理模块23还用于利用第一子模型对红外图像进行特征提取，得到盛放物的第一属性信息，并利用第二子模型对第一属性信息进行分析，得到盛放物的类型，其中，第一子模型为使用多组第一子数据通过机器学习训练出来的，每组第一子数据均包括：红外图像以及相应的盛放物的第一属性信息的标签，第二子模型为使用多组第二子数据通过机器学习训练出来的，每组第二子数据均包括：第一属性信息以及相应的盛放物的类型的标签。

可选地，在本发明上述实施例中，第一属性信息包括：盛放物的分布位置、尺寸和颜色。

可选地，在本发明上述实施例中，处理模块23还用于获取盛放物的重量信息，利用第三子模型对重量信息和第一属性信息进行分析，得到盛放物的第二属性信息，并利用第四子模型对第二属性信息进行分析，得到盛放物的类型，其中，第三子模型为使用多组第三子数据通过机器学习训练出来的，每组第三子数据均包括：重量信息、第一属性信息以及相应的盛放物的第二属性信息的标签，第四子模型为使用多组第四子数据通过机器学习训练出来的，每组第四子数据均包括：第二属性信息以及相应的盛放物的类型的标签。

可选地，在本发明上述实施例中，第二属性信息包括：盛放物的体积、密度、分布和材质。

可选地，在本发明上述实施例中，获取模块21还用于接收重量检测结构检测到的重量信息，其中，重量检测机构设置在烹饪器具的锅体两侧的托架上。

可选地，在本发明上述实施例中，处理模块23还用于获取红外图像中盛放物所处位置的第一颜色信息，利用第三模型对盛放物的类型和第一颜色信息进行分析，得到盛放物的烹饪程度，根据盛放物的烹饪程度，对烹饪方案进行调整，得到调整后的烹饪方案，以及控制烹饪器具按照调整后的烹饪方案执行烹饪操作，其中，第三模型为使用多组第三数据通过机器学习训练出来的，每组第三数据均包括：盛放物的类型、第一颜色信息以及相应的盛放物的烹饪程度的标签。

可选地，在本发明上述实施例中，处理模块23还用于获取红外图像中多个区域的第二颜色信息，利用第四模型对多个区域的第二颜色信息进行分析，得到烹饪参数调整值，以及控制烹饪器具按照烹饪参数调整值执行烹饪操作，其中，第四模型为使用多组第四数据通过机器学习训练出来的，每组第四数据均包括：多个区域的第二颜色信息以及相应的烹饪参数调整值的标签。

可选地，在本发明上述实施例中，获取模块21还用于接收红外设备采集到的红外图像，其中，红外设备设置在烹饪器具的盖体的顶部。

实施例3

根据本发明实施例，提供了一种烹饪器具的控制系统的实施例。

图3是根据本发明实施例的一种烹饪器具的控制系统的示意图，如图3所示，该系统包括：处理器31和控制器33。

其中，处理器31用于获取烹饪器具内部的红外图像，利用第一模型对红外图像进行分析，得到相应的烹饪方案，其中，第一模型为使用多组第一数据通过机器学习训练出来的，每组第一数据均包括：红外图像以及相应的烹饪方案的标签；控制器33与处理器31连接，用于控制烹饪器具按照烹饪方案执行烹饪操作。

具体地，上述的处理器31和控制器33均可以是烹饪器具内部的主控芯片，例如，单片机；上述的烹饪器具可以是电饭煲、电压力锅等利用继电器加热食物的产品，本发明对此不作具体限定；上述的红外图像可以是红外设备拍摄到的，用于反映烹饪器具内部温度的画面。上述的烹饪方案可以是对烹饪器具内盛放的盛放物进行烹饪的具体功能、参数等，在通过红外设备拍摄到烹饪器具内部的红外图像之后，可以利用预先通过机器学习训练好的第一模型对红外图像进行分析，确定用户放入烹饪器具内的盛放物的类型，并进一步得到对该盛放物进行烹饪的烹饪方案。为了能够得到相应的烹饪方案，可以建立神经网络模型，预先获取多组包含不同盛放物的红外图像的第一数据，并通过人工标注的方式为每组红外图像设置相应的烹饪方案的标签，然后使用设置后的第一数据对神经网络模型进行训练，得到第一模型。

在一种可选的方案中，在用户将盛放物放入烹饪器具之后，用户可以选定在待机状态下按功能选择键选择煮饭功能，按开始键煮饭，烹饪器具通过红外设备拍摄红外图像，并通过第一模型对拍摄到的红外图像进行分析，得到相应的烹饪方案，可以按照烹饪方案中的功能、参数执行相应的烹饪操作。

通过本发明上述实施例，获取烹饪器具内部的红外图像，利用第一模型对红外图像进行分析，得到相应的烹饪方案，控制烹饪器具按照烹饪方案执行烹饪操作，与现有技术相比，由于通过红外图像和机器学习对烹饪器具进行控制，实现对不同米种、不同米量和水量的判断更加精确，避免结构和热敏电阻器的差异对烹饪器具工作性能造成硬影响，从而解决了现有的烹饪器具通过热敏电阻其进行控制，结构和热敏电阻其的差异对工作性能影响很大的技术问题，达到对烹饪过程进行有效、精确的闭环控制，完善煮饭性能效果的效果。

可选地，在本发明上述实施例中，处理器31还用于利用第二模型对红外图像进行分析，得到烹饪器具内盛放物的类型，并获取盛放物的类型对应的烹饪方案，其中，第二模型为使用多组第二数据通过机器学习训练出来的，每组第二数据均包括：红外图像以及相应的盛放物的类型的标签。

可选地，在本发明上述实施例中，处理器31还用于利用第一子模型对红外图像进行特征提取，得到盛放物的第一属性信息，并利用第二子模型对第一属性信息进行分析，得到盛放物的类型，其中，第一子模型为使用多组第一子数据通过机器学习训练出来的，每组第一子数据均包括：红外图像以及相应的盛放物的第一属性信息的标签，第二子模型为使用多组第二子数据通过机器学习训练出来的，每组第二子数据均包括：第一属性信息以及相应的盛放物的类型的标签。

可选地，在本发明上述实施例中，第一属性信息包括：盛放物的分布位置、尺寸和颜色。

可选地，在本发明上述实施例中，处理器31还用于获取盛放物的重量信息，利用第三子模型对重量信息和第一属性信息进行分析，得到盛放物的第二属性信息，并利用第四子模型对第二属性信息进行分析，得到盛放物的类型，其中，第三子模型为使用多组第三子数据通过机器学习训练出来的，每组第三子数据均包括：重量信息、第一属性信息以及相应的盛放物的第二属性信息的标签，第四子模型为使用多组第四子数据通过机器学习训练出来的，每组第四子数据均包括：第二属性信息以及相应的盛放物的类型的标签。

可选地，在本发明上述实施例中，第二属性信息包括：盛放物的体积、密度、分布和材质。

可选地，在本发明上述实施例中，该系统还包括：重量检测结构。

其中，重量检测结构设置在烹饪器具的锅体两侧的托架上，与处理器31连接，用于检测到重量信息。

可选地，在本发明上述实施例中，处理器31还用于获取红外图像中盛放物所处位置的第一颜色信息，利用第三模型对盛放物的类型和第一颜色信息进行分析，得到盛放物的烹饪程度，根据盛放物的烹饪程度，对烹饪方案进行调整，得到调整后的烹饪方案，以及控制烹饪器具按照调整后的烹饪方案执行烹饪操作，其中，第三模型为使用多组第三数据通过机器学习训练出来的，每组第三数据均包括：盛放物的类型、第一颜色信息以及相应的盛放物的烹饪程度的标签。

可选地，在本发明上述实施例中，处理器31还用于获取红外图像中多个区域的第二颜色信息，利用第四模型对多个区域的第二颜色信息进行分析，得到烹饪参数调整值，以及控制烹饪器具按照烹饪参数调整值执行烹饪操作，其中，第四模型为使用多组第四数据通过机器学习训练出来的，每组第四数据均包括：多个区域的第二颜色信息以及相应的烹饪参数调整值的标签。

可选地，在本发明上述实施例中，处理器31还用于获取红外图像中多个区域的第二颜色信息，将多个区域的第二颜色信息进行比较，得到烹饪参数调整值，控制烹饪器具按照烹饪参数调整值执行烹饪操作。

可选地，在本发明上述实施例中，该系统还包括：

其中，红外设备设置在烹饪器具的盖体的顶部，与处理器31连接，用于采集红外图像。

实施例4

根据本发明实施例，提供了一种存储介质的实施例，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述实施例1中的烹饪器具的控制方法。

实施例5

根据本发明实施例，提供了一种处理器的实施例，处理器用于运行程序，其中，程序运行时执行上述实施例1中的烹饪器具的控制方法。

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，例如所述单元的划分，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。

所述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。

所述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所述方法的全部或部分步骤。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。

以上所述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。