一种用于食品柔性制造中自动化准备食材的方法、系统与流程

本发明涉及人工智能、大数据领域，特别涉及一种用于食品柔性制造中自动化准备食材的方法、系统。

背景技术：

当前，在食品制造过程中食物的选料、制作过程和所添加佐料都是确定的，基本不会有变化，食品的生产者没有根据不同用户的差异进行差异化生产，同时食品的生产者也没有技术手段得知不同用户的差异，以及当前正在生产食品是为哪个具体的用户生产的，以及得知这个用户的偏好并根据偏好为这个用户符合其偏好的食品。

现有技术中的方法，比如，中国专利申请CN103984725A，一种根据菜谱信息检索对应食材的产品信息的方法，预先将菜谱标识信息和食材信息录入数据库，两种信息彼此关联，并将产品信息录入数据库中，产品信息按照食材信息分类，进行食材检索时先接收用户的检索请求，缺点在于：自动完成的菜谱的自动识别不具备个性化定制的要求。比如，中国专利申请CN105844385A，基于就餐时间、就餐人数和冰箱食材的菜谱推荐方法，初始化云端服务器，所述云端服务器存储有菜谱、不同就餐人数对应的菜谱数量；智能终端接收用户输入的就餐时间和就餐人数并获取冰箱内的食材信息，智能终端将就餐时间、就餐人数和食材信息发送至云端服务器；云端服务器匹配得到推荐菜谱并将推荐菜谱发送至移动终端。缺点在于：虽然可以进行推荐，但是依照菜谱进行推荐，实时性不强。又比如，中国专利申请CN103892695A，自动烹饪方法及可自动烹饪的智能灶，按照智能灶用烹饪菜谱模板制作烹饪菜谱；将烹饪菜谱传输到智能灶的存储器中；根据指令，智能灶读取烹饪菜谱，按照读取的烹饪菜谱和准备好的烹饪食材模拟人工进行烹饪。缺点在于：虽然可以自动完成加油、下菜、翻炒、加水、加调料等烹饪操作，同样需要按照烹饪菜谱进行操作。

由上可知，现有技术中的，食品无法满足私人定制的问题，同时无法自动化地准备食材，也就无法了解这个用户的偏好并根据偏好为这个用户提供符合其偏好食品。

技术实现要素：

本发明要解决的技术问题是，提供能够自动化准备食材的方法。

解决上述技术问题，本发明提供了一种用于食品柔性制造中自动化准备食材的方法，包括如下步骤：

输入需要准备食材的指令，并从用以存放食品配置的存储器中读取得到对应的配置元数据，

根据所述配置元数据提取得到食材特征数据，所述食材特征数据中至少包括：食材种类、食材重量以及食材形状，

按照所述食材特征数据控制食材机器找到对应的食材，同时称重得到所述食材的重量，完成食材的分配；

还包括：根据所述配置元数据提取得到佐料特征数据，所述佐料特征数据中至少包括：佐料种类、佐料重量，

按照所述佐料特征数据控制食材机器找到对应的佐料，完成佐料分配；

将分配好的食材和佐料输出，完成准备。

更进一步，所述配置元数据通过访问所述存储器中的基础元数据得到，

所述基础元数据还包括：用户体验域数据和生产域数据，所述生产域数据为可进行增加、减少、修改、替换操作的，所述用户体验域数据为通过深度学习后得到；

所述用户体验域数据包括：数据标签和用户评价，所述数据标签用以，对于不同食物的对应标签，所述用户评价用以，针对所述数据标签进行权重打分，

所述生产域数据包括：{食材种类，所选择每种食材的重量，所选择每种食材的形状，所选择每种食材的处理过程、制作过程中佐料的种类、佐料的重量}。

更进一步，所述用以存放食品配置的存储器按照如下方式获得：

根据食品生产过程中的变量，选择并储存得到食品的基础元数据，

根据采集得到的用户需求访问所述基础元数据，并配置出有效元数据，

将所述有效元数据同步至人机接口，通过人机接口完成配置，

以及，将配置好的元数据存入用以食品配置的存储器。

更进一步，对所述需要准备食材的指令进行预处理：

随机改变食品配置元数据中的一生产域数据中的一个变量，

随机选择一批用户，然后根据改变后的食品配置中的生产域数据为该些用户生产食品并收集用户体验域数据，

将每个属性数值作为一个维度，根据属性数值计算出每两个用户之间的欧几里得距离，

再根据距离远近对用户进行分类，距离彼此接近的用户被分为同一类，

分类完成后对于同一类用户，使用相同或者相似的生产域数据配置。

更进一步，对所述用户体验域数据进行如下操作：

通过一随机过程，将用户分为试验用户和对比试验用户，

对所述试验用户，随机改变生产域数据的一个变量，

对所述对比试验用户，维持原生产域数据，

通过收集用户体验域数据，比较所述试验用户是否获得比所述对比试验用户更高级别的用户体验评价，

若是，则将变量调整并作为：所有用户生产食品的缺省生产域数据。

更进一步，方法还包括：

根据所述佐料重量，将之换算成佐料对应的份数，

然后按照佐料份数对应分配佐料，

最后与分配好的食材混合或者分类打包。

更进一步，所述食材机器为：机械手、传送带或者机械臂。

更进一步，通过第三方API接口，同步食谱记载的内容、SNS社交服务器上的内容、WEB服务器上的内容。

基于上述本发明还提供了一种用于食品柔性制造中自动化准备食材的系统，包括：存储器、食材选择控制器、食材重量控制器以及佐料选择控制器，

所述存储器，用以接收需要准备食材的指令，并并提供用以读取的对应的配置元数据，

所述食材选择控制器，用以根据所述配置元数据提取得到食材特征数据，所述食材特征数据中至少包括：食材种类、食材重量以及食材形状，

所述食材重量控制器，用以按照所述食材特征数据控制食材机器找到对应的食材，同时称重得到所述食材的重量，完成食材的分配；

所述佐料选择控制器，用以根据所述配置元数据提取得到佐料特征数据，所述佐料特征数据中至少包括：佐料种类、佐料重量，按照所述佐料特征数据控制食材机器找到对应的佐料，完成佐料分配。

更进一步，系统还包括：一食品信息采集器，用以根据采集得到的用户需求访问所述存储器中的元数据后得到配置元数据，以及，将所述配置元数据同步至人机接口，通过人机接口完成配置；

一食品配置元数据编辑器，用以根据食品生产过程中的变量，选择并储存得到食品的元数据。

本发明的有益效果：

本发明由于包括：输入需要准备食材的指令，并从用以存放食品配置的存储器中读取得到对应的配置元数据，根据所述配置元数据提取得到食材特征数据，所述食材特征数据中至少包括：食材种类、食材重量以及食材形状，按照所述食材特征数据控制食材机器找到对应的食材，同时称重得到所述食材的重量，完成食材的分配。通过上述操作，能够将食材进行定制化的分配。由于根据所述配置元数据提取得到佐料特征数据，所述佐料特征数据中至少包括：佐料种类、佐料重量，按照所述佐料特征数据控制食材机器找到对应的佐料，完成佐料分配；通过上述操作，能够将佐料重进行定制化的分配。通过上述的佐料和食材的分配，可以方便完成后续的具体制作程序，提高了效率。

本发明的自动化准备食材的方法，能够自动化准备食材的同时实现私人定制，即根据用户的需求准备出食材，并进一步完成私人定制。

附图说明

图1是本发明一实施例中的方法流程示意图；

图2是图1中的基础元数据结构示意图；

图3是本发明中用以存放食品配置的存储器生成流程示意图；

图4是本发明中对需要准备食材的指令进行预处理流程示意图；

图5是对用户体验域数据进行进一步操作的流程示意图；

图6是本发明一实施例中的方法流程示意图；

图7是本发明一实施例中的系统结构示意图；

图8是本发明另一实施例中的系统结构示意图。

图9是本发的一种应用场景。

具体实施方式

现在将参考一些示例实施例描述本公开的原理。可以理解，这些实施例仅出于说明并且帮助本领域的技术人员理解和实施例本公开的目的而描述，而非建议对本公开的范围的任何限制。在此描述的本公开的内容可以以下文描述的方式之外的各种方式实施。

如本文中所述，术语“包括”及其各种变体可以被理解为开放式术语，其意味着“包括但不限于”。术语“基于”可以被理解为“至少部分地基于”。术语“一个实施例”可以被理解为“至少一个实施例”。术语“另一实施例”可以被理解为“至少一个其它实施例”。

本申请中的柔性制造，包括但不限于：计算机辅助设计，可直接利用CAD数据，通过计算机控制的激光扫描系统，将三维数字模型分成若干层二维片状图形，并按二维片状图形对池内的光敏树脂液面进行光学扫描，被扫描到的液面则变成固化塑料，如此循环操作，逐层扫描成形，并自动地将分层成形的各片状固化塑料粘合在一起，仅需确定数据，数小时内便可制出精确的原型。它有助于加快开发新产品和研制新结构的速度。

本申请中的柔性制造，包括但不限于：模糊控制，模糊数学的实际应用是模糊控制器。最近开发出的高性能模糊控制器具有自学习功能，可在控制过程中不断获取新的信息并自动地对控制量作调整，使系统性能大为改善，其中尤其以基于人工神经网络的自学方法更引起人们极大的关注。

本申请中的柔性制造，包括但不限于：人工智能、专家系统及智能传感器技术，柔性制造技术中所采用的人工智能大多指基于规则的专家系统。专家系统利用专家知识和推理规则进行推理，求解各类问题(如解释、预测、诊断、查找故障、设计、计划、监视、修复、命令及控制等)。由于专家系统能简便地将各种事实及经验证过的理论与通过经验获得的知识相结合，因而专家系统为柔性制造的诸方面工作增强了柔性。

本申请中的柔性制造，包括但不限于：智能制造技术(IMT)，旨在将人工智能融入制造过程的各个环节，借助模拟专家的智能活动，取代或延伸制造环境中人的部分脑力劳动。在制造过程，系统能自动监测其运行状态，在受到外界或内部激励时能自动调节其参数，以达到最佳工作状态，具备自组织能力。该项技术是伴随计算机应用技术和人工智能而产生的，它使传感器具有内在的决策功能。

本申请中的柔性制造，包括但不限于：人工神经网络技术，人工神经网络(ANN)是模拟智能生物的神经网络对信息进行并处理的一种方法。故人工神经网络也就是一种人工智能工具。在自动控制领域，神经网络不久将并列于专家系统和模糊控制系统，成为现代自动化系统中的一个组成部分。

图1是本发明一实施例中的方法流程示意图，本实施例中的一种用于食品柔性制造中自动化准备食材的方法，包括如下步骤：

步骤S100输入需要准备食材的指令，并从用以存放食品配置的存储器中读取得到对应的配置元数据，

步骤S101根据所述配置元数据提取得到食材特征数据，所述食材特征数据中至少包括：食材种类、食材重量以及食材形状，

所述食材种类，按照不同种类，比如蔬菜、肉类、鱼类、海鲜类等等，

所述食材重量，按照不同人份进行分配或者根据食谱进行分配。

所述食材形状，比如饼状、丁状、片状、丝状、末状等。或者根据形状自行匹配出食材形状，比如，蛋糕、披萨中的食材形状为：丁状。比如，排骨饭中，食材排骨的食材形状为：块状。又比如，宫保鸡丁中，食材鸡肉为：丁状。

步骤S102按照所述食材特征数据控制食材机器找到对应的食材，同时称重得到所述食材的重量，完成食材的分配；

步骤S103根据所述配置元数据提取得到佐料特征数据，所述佐料特征数据中至少包括：佐料种类、佐料重量，

所述佐料的种类包括但不限于：盐，酱油，耗油，鲍鱼汁，醋，料酒，鸡精，味精，生抽，老抽，橄榄油，芥末油等等。

所述佐料重量，按照食谱或者根据不断更新的配置元数据确定。

步骤S104按照所述佐料特征数据控制食材机器找到对应的佐料，完成佐料分配；

配置元数需要通过随机过程后，积攒得到海量的用户体验评价数据，所述用户体验域数据为通过深度学习后得到。深度学习是指，通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。因此，通过深度模型的手段，来实现特征学习的目的。区别于传统的浅层学习，深度学习的不同在于：强调了模型结构的深度，通常有5层、6层，甚至10多层的隐层节点；明确突出了特征学习的重要性，也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易。与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻画数据的丰富内在信息。

作为本实施例中的优选，深度学习过程包括：建模过程建立得到学习模型以及模型更新过程。

步骤S105将分配好的食材和佐料输出，完成准备。

作为本实施例中的优选，食材和佐料输出的方式包括但不限于：生成一售卖二维码，当用户通过移动数据web端下单后，在线下实体店扫描二维码，即可获得食材和佐料。

作为本实施例中的优选，食材和佐料输出的方式包括但不限于：通过食材机器包装好的食材和佐料，售卖给用户进行二次加工。

作为本实施例中的优选，食材和佐料输出的方式包括但不限于：生成一射频条码，当商家通过RF射频枪，即可获得其食材和佐料的配置元数据，更进一步，进行商品溯源。

作为本实施例中的优选，食材和佐料输出的方式包括但不限于：通过食材机器完成二次加工，直接进行售卖。

所述食材和佐料的输出方式包括但不限于：混合、抽真空打包或者混合搅拌。

请参考图2是图1中的基础元数据结构示意图，作为本实施例中的优选，所述配置元数据通过访问所述存储器中的基础元数据得到，

所述基础元数据还包括：用户体验域数据和生产域数据，所述生产域数据为可进行增加、减少、修改、替换操作的，所述用户体验域数据为通过深度学习后得到；

所述用户体验域数据包括：数据标签和用户评价，所述数据标签用以，对于不同食物的对应标签，所述用户评价用以，针对所述数据标签进行权重打分，

所述生产域数据包括：{食材种类，所选择每种食材的重量，所选择每种食材的形状，所选择每种食材的处理过程、制作过程中佐料的种类、佐料的重量}。

作为本实施例中的优选，不同食物的对应标签根据不同维度得到。

作为本实施例中的优选，不同食物的对应标签按照菜系分类，包括但不限于，鲁、川、粤、闽、苏、浙、湘、徽等菜系。

作为本实施例中的优选，不同食物的对应标签按照口味分类，包括但不限于，辛辣、清淡、甜味、酸甜等。

作为本实施例中的优选，不同食物的对应标签按照种类分类，比如，面条、米饭、粥、披萨等。

作为本实施例中的优选，不同食物的对应标签按照中西式分类，中式和西式。

作为本实施例中的优选，不同食物的对应标签按照热菜、凉菜分类。

作为本实施例中的优选，不同食物的对应标签按照不同人群分类，老人、儿童、中年、青年。

作为本实施例中的优选，不同食物的对应标签按照不同制作时间分类，5分钟内、10分钟内、20-30分钟等。

图3是本发明中用以存放食品配置的存储器生成流程示意图，作为本实施例中的优选，上述流程包括：

步骤S300根据食品生产过程中的变量，选择并储存得到食品的基础元数据，

步骤S301根据采集得到的用户需求访问所述基础元数据，并配置出有效元数据，通过访问所述基础元数据，能够配置出有效元数据，基础元数据由制造商提供或者定义，可以通过客户端用户提供的不同食品的制造需求，获得有效元数据。比如，制作蛋糕，需要食材：鸡蛋、牛奶、蛋糕粉等的有效元数据，通过访问基础元数据中的各类食材获得。

步骤S302将所述有效元数据同步至人机接口，通过人机接口完成配置，人机接口是用户与操作系统之间的桥梁，通过人机接口，用户只需进行简单操作，就能实现复杂的应用计算与处理。人机接口有两种类型：用户通过交互命令、图形界面或网络界面直接对(网络)计算机进行操作的直接接口。另外，间接接口供用户以程序方式进行操作。程序员使用操作系统或第三方厂商提供的应用程序设计接口API来调用系统提供的例行程序，实现既定操作。

步骤S303将配置好的元数据存入用以食品配置的存储器。

上述的方法中提供可实现定制化和大数据研究的用于食品柔性制造中信息采集和处理的方法，从而清楚地了解当前正在生产食品是为哪个具体的用户生产的，同时了解用户的偏好并根据偏好为这个用户符合其偏好的食品，实现私人定制的要求。

图4是本发明中对需要准备食材的指令进行预处理流程示意图，作为本实施例中的优选，上述流程包括：

步骤S401随机改变食品配置元数据中的一生产域数据中的一个变量，

步骤S402随机选择一批用户，然后根据改变后的食品配置中的生产域数据为该些用户生产食品并收集用户体验域数据，所述一批用户的集合可以包括100/1000或者5000。

步骤S403将每个属性数值作为一个维度，根据属性数值计算出每两个用户之间的欧几里得距离

步骤S404再根据距离远近对用户进行分类，距离彼此接近的用户被分为同一类

步骤S405分类完成后对于同一类用户，使用相同或者相似的生产域数据配置。

作为本实施例中的优选，当用户在一次被分在一类中，还要反复进行类似计算，查看用户在其他配置情况下，品尝相同的食物是否有相近的评价，使用多次平均的距离作为分类依据，而不是使用一次的计算距离作为依据。

通过上述的算法，能够对用户进行合理的分类，从而了解得到用户的偏好，根据偏好优化食品柔性制造/食材准备过程。

图5是对用户体验域数据进行进一步操作的流程示意图，包括如下的步骤：

步骤S501通过一随机过程，将用户分为试验用户和对比试验用户，

步骤S502对所述试验用户，随机改变生产域数据的一个变量，

步骤S503对所述对比试验用户，维持原生产域数据，

步骤S504通过收集用户体验域数据，比较所述试验用户是否获得比所述对比试验用户更高级别的用户体验评价，

步骤S505若是，则将变量调整并作为：所有用户生产食品的缺省生产域数据。

在经过上述随机过程后，积攒得到海量的用户体验评价数据，所述用户体验域数据为通过深度学习后得到。深度学习是指，通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。因此，通过深度模型的手段，来实现特征学习的目的。区别于传统的浅层学习，深度学习的不同在于：强调了模型结构的深度，通常有5层、6层，甚至10多层的隐层节点；明确突出了特征学习的重要性，也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易。与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻画数据的丰富内在信息。

图6是本发明一实施例中的方法流程示意图，其包括如下步骤：

步骤S100输入需要准备食材的指令，并从用以存放食品配置的存储器中读取得到对应的配置元数据，

步骤S101根据所述配置元数据提取得到食材特征数据，所述食材特征数据中至少包括：食材种类、食材重量以及食材形状，

步骤S102按照所述食材特征数据控制食材机器找到对应的食材，同时称重得到所述食材的重量，完成食材的分配；

步骤S103根据所述配置元数据提取得到佐料特征数据，所述佐料特征数据中至少包括：佐料种类、佐料重量，

步骤S104按照所述佐料特征数据控制食材机器找到对应的佐料，完成佐料分配；

步骤S105将分配好的食材和佐料输出，完成准备。

优选地，在所述步骤S100后还包括：步骤S106通过第三方API接口，同步食谱记载的内容、SNS社交服务器上的内容、WEB服务器上的内容。通过所述步骤S106的操作，SNS社交服务器上的内容能够获得包括但不限于，微信、新浪微博、大众点评、QQ的用户体验域数据。WEB服务器上的内容包括但不限于，通过移动终端在应用程序服务器上的请求和响应。食谱记载的内容包括但不限于，从互联网获得的食谱或者通过本地上传的食谱。

基于上述步骤步骤S100，能够优化深度学习过程，从而更好地完成食材准备过程，提高工作效率和响应时间。

图7是本发明一实施例中的系统结构示意图，系统包括：存储器1、食材选择控制器2、食材重量控制器3以及佐料选择控制器4，

所述存储器1，用以接收需要准备食材的指令，并提供用以读取的对应的配置元数据，

所述食材选择控制器2，用以根据所述配置元数据提取得到食材特征数据，所述食材特征数据中至少包括：食材种类、食材重量以及食材形状，

所述食材重量控制器3，用以按照所述食材特征数据控制食材机器找到对应的食材，同时称重得到所述食材的重量，完成食材的分配；

所述佐料选择控制器4，用以根据所述配置元数据提取得到佐料特征数据，所述佐料特征数据中至少包括：佐料种类、佐料重量，按照所述佐料特征数据控制食材机器找到对应的佐料，完成佐料分配。

作为本实施例中的优选，所述存储器1中的所述配置元数据通过访问所述存储器中的基础元数据得到，所述基础元数据还包括：用户体验域数据和生产域数据，所述生产域数据为可进行增加、减少、修改、替换操作的，所述用户体验域数据为通过深度学习后得到；所述用户体验域数据包括：数据标签和用户评价，所述数据标签用以，对于不同食物的对应标签，所述用户评价用以，针对所述数据标签进行权重打分，所述生产域数据包括：{食材种类，所选择每种食材的重量，所选择每种食材的形状，所选择每种食材的处理过程、制作过程中佐料的种类、佐料的重量}。

作为本实施例中的优选，所述

作为本实施例中的优选，所述所述存储器1按照如下方式获得：

根据食品生产过程中的变量，选择并储存得到食品的基础元数据，

根据采集得到的用户需求访问所述基础元数据，并配置出有效元数据，

将所述有效元数据同步至人机接口，通过人机接口完成配置，

以及，将配置好的元数据存入用以食品配置的存储器。

作为本实施例中的优选，在存放进入储存器1前首先需要对所述需要准备食材的指令进行预处理：

随机改变食品配置元数据中的一生产域数据中的一个变量，

随机选择一批用户，然后根据改变后的食品配置中的生产域数据为该些用户生产食品并收集用户体验域数据，

将每个属性数值作为一个维度，根据属性数值计算出每两个用户之间的欧几里得距离，

再根据距离远近对用户进行分类，距离彼此接近的用户被分为同一类，

分类完成后对于同一类用户，使用相同或者相似的生产域数据配置。

作为本实施例中的优选，在存储器1中对所述需要准备食材的指令进行预处理：

随机改变食品配置元数据中的一生产域数据中的一个变量，

随机选择一批用户，然后根据改变后的食品配置中的生产域数据为该些用户生产食品并收集用户体验域数据，

将每个属性数值作为一个维度，根据属性数值计算出每两个用户之间的欧几里得距离，

再根据距离远近对用户进行分类，距离彼此接近的用户被分为同一类，

分类完成后对于同一类用户，使用相同或者相似的生产域数据配置。

作为本实施例中的优选，所述对所述用户体验域数据进行如下操作：

通过一随机过程，将用户分为试验用户和对比试验用户，

对所述试验用户，随机改变生产域数据的一个变量，

对所述对比试验用户，维持原生产域数据，

通过收集用户体验域数据，比较所述试验用户是否获得比所述对比试验用户更高级别的用户体验评价，

若是，则将变量调整并作为：所有用户生产食品的缺省生产域数据。

作为本实施例中的优选，所述佐料选择控制器4还用以，所述根据所述佐料重量，将之换算成佐料对应的份数，

然后按照佐料份数对应分配佐料，

最后与分配好的食材混合或者分类打包。

与所述食材重量控制器3、所述佐料选择控制器4相连的还包括的所述食材机器为：机械手、传送带或者机械臂。通过所述机械手能模仿人手和臂的某些动作功能，用以按固定程序抓取、搬运物件或操作食材的从而完成自动操作。通过所述传送带能够将食材配送至下一步继续生产或者售卖。通过所述机械臂用以完成高精度，高速点的需求，对应小批量生产方式，提高生产效率，比如蛋糕裱花、食材切丝等。

作为本实施例中的优选，系统还通过第三方API接口，同步食谱记载的内容、SNS社交服务器上的内容、WEB服务器上的内容。

图8是本发明另一实施例中的系统结构示意图，本实施例中的系统还包括：一食品信息采集器，用以根据采集得到的用户需求访问所述存储器中的元数据后得到配置元数据，以及，将所述配置元数据同步至人机接口，通过人机接口完成配置；一食品配置元数据编辑器，用以根据食品生产过程中的变量，选择并储存得到食品的元数据。

图9是本发的一种应用场景，在客户端，用户通过APP/关注公众号的方式，可进行自助点餐的操作。

在食材获取地点/商家店铺(可以是全自助/半自助)，用户通过人脸识别/扫描二维码/扫描一维码的方式，获得对应的食材储藏柜编码，然后打开食材储藏柜获得已经成餐或者需要二次加工的食品。所述的食材储藏柜具有保温或者冷藏的辅助储藏功能，另外还配置有机械操作手。所述机械操作手通过食材选择控制器、食材重量控制器以及佐料选择控制器获得相关操作指令，控制所述机械操作加工或者取拿得到食材/佐料。

在一些实施例中，通过一上位机与机械操作相连，所述上位机接收来自食材选择控制器、食材重量控制器以及佐料选择控制器的操作指令。比如，可以参考中国专利CN100460161C，机械手控制装置及机械手控制方法。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

总体而言，本公开的各种实施例可以以硬件或专用电路、软件、逻辑或其任意组合实施。一些方面可以以硬件实施，而其它一些方面可以以固件或软件实施，该固件或软件可以由控制器、微处理器或其它计算设备执行。虽然本公开的各种方面被示出和描述为框图、流程图或使用其它一些绘图表示，但是可以理解本文描述的框、设备、系统、技术或方法可以以非限制性的方式以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其它计算设备或其一些组合实施。

此外，虽然操作以特定顺序描述，但是这不应被理解为要求这类操作以所示的顺序执行或是以顺序序列执行，或是要求所有所示的操作被执行以实现期望结果。在一些情形下，多任务或并行处理可以是有利的。类似地，虽然若干具体实现方式的细节在上面的讨论中被包含，但是这些不应被解释为对本公开的范围的任何限制，而是特征的描述仅是针对具体实施例。在分离的一些实施例中描述的某些特征也可以在单个实施例中组合地执行。相反对，在单个实施例中描述的各种特征也可以在多个实施例中分离地实施或是以任何合适的子组合的方式实施。