一种用于食品柔性制造中信息采集和处理的方法、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信息采集和处理的方法、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。比如，在食品制造过程中需要参照着食谱，对配料比例、食材选择的不同方式进行制造。又比如，通过人机接口控制机械手完成一系列复杂的操作，精确地选料、制作和添加佐料。

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、缺少大数据层面的积累，无法清楚了解当前正在生产食品是为哪个具体的用户生产的，以及无法了解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。

技术实现要素：

本发明要解决的技术问题是，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。

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信息采集和处理的方法，包括如下步骤：

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中。

更进一步，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。

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，所述试验用户和对比试验用户为同一用户时，则是通过给定不同食物类型，获得用户体验域数。

更进一步，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。

更进一步，所述基础元数据包括的生产域数据为：

{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}。

更进一步，所述生产域数据还包括：

{制作过程中佐料的种类、佐料的重量}。

更进一步，方法还包括：通过一第三方api接口访问所述用以食品配置的存储器。

本发明还公开了一种用于食品柔性制造中信息采集和处理的系统，包括：食品信息采集器、食品配置元数据编辑器以及食品配置储存器，

所述食品信息采集器，用以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，以及，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；

所述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基础元数据；

所述食品配置储存器，用以将配置好的元数据存入用以食品配置的存储器中。

更进一步，系统还包括：第三方api接口和人机接口，

所述第三方api接口，用以提供访问所述用以食品配置的存储器的接口，

所述人机接口，用以提供接收同步的所述有效元数据的接口。

本发明的有益效果：

在本发明中用于食品柔性制造中信息采集和处理的方法，由于包括步骤：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中。本发明能够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。大数据研究是指，根据采集得到的用户需求访问所述基础元数据后，同时将配置好的元数据存入用以食品配置的存储器中，即通过深度学习先训练好模型再学习，最后实现数据的同步更新。

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是本发明一实施例中的系统结构示意图；

图3是本发明一实施例中的随机方法流程示意图；

图4是本发明一实施例中的交互流程示意图；

图5是本发明另一实施例中的交互流程示意图；

图6是本发明又一实施例中的交互流程示意图；

图7是本发明的基础元数据组成结构示意图。

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，包括如下步骤：

步骤s100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，在所述步骤s100中食品生产过程中的变量可以是食品制造过程中选择的不同食材的维度。

维度包括但不限于：生产食品所有食材种类，比如蔬菜、肉类、鱼类、海鲜类等等，

每种食材的重量的获取方式包括但不限于：基于食品制造所对应食谱、基于厨师的经验、基于摄入量、基于用餐的人数等等，

食材的形状要求包括但不限于：饼状、丁状、片状、丝状、末状等等。

食材的处理过程包括但不限于：烤制、煎、炒、烹、炸，以及食材加入的顺序等等。比如咖喱鸡先调制好咖喱酱料/红烧排骨先腌制好排骨/宫保鸡丁先炒鸡丁等等。

所有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。

步骤s101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，在所述步骤s101中的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。

比如，制作麻辣火锅汤料，需要食材：牛油30斤，糍粑辣椒10斤，郫县豆瓣3斤，老姜2斤，白酒2斤，八角、桂皮、丁香、灵草、白豆蔻、小茴香各3两、山萘、草果、砂仁各2两，以及兔腰、毛肚、鳝鱼、午餐肉、鸭肠等荤菜，藕片、莴笋、冬瓜、香菌、豆腐干、白菜、花菜、青菜头等素菜。

步骤s102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，所属领域技术人员能够明了，在步骤s102中的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s103将配置好的元数据存入用以食品配置的存储器中，在步骤s103中的存储器为本地或云端的数据库。

本实施例的方法，能够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。

在一些实施例中，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，所述生产数据可以按照生厂商、供应商根据不同季节的特点进行增加、减少、修改、替换。比如，增加该季节的新食材，减少已经下市的旧食材，修改品类不对应的食材，或者替换旧食材。

在一些实施例中，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。

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。

在一些实施例中，所述试验用户和对比试验用户为同一用户时，则是通过给定不同食物类型，获得用户体验域数。除了两两对比，还能够进行多组对比。

在一些实施例中，所述生产域数据，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。

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。

在一些实施例中，所述基础元数据包括的生产域数据为：

{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}。

在一些实施例中，所述生产域数据还包括：

{制作过程中佐料的种类、佐料的重量}。

在一些实施例中，本发明中还包括：通过一第三方api接口访问所述用以食品配置的存储器。

所述第三方api接口，包括但不限于，社交服务接口，比如：微信、qq、微博、大众点评等等。还包括：食品制造商、食材提供商以及食材配送商等。

图2是本发明一实施例中的系统结构示意图，本实施例中的一种用于食品柔性制造中信息采集和处理的系统，包括：食品信息采集器2、食品配置元数据编辑器1以及食品配置储存器3，所述食品信息采集器2，用以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，以及，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；所述食品配置元数据编辑器1，用以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；所述食品配置储存器3，用以将配置好的元数据存入用以食品配置的存储器中。作为本实施例中的优选，系统还包括：第三方api接口4和人机接口5，所述第三方api接口4，用以提供访问所述用以食品配置的存储器的接口，所述人机接口5，用以提供接收同步的所述有效元数据的接口。

在一些实施例中，所述食品配置元数据编辑器1中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。

如图3所示，在一些实施例中，食品信息采集器2还对所述用户体验域数据进行如下操作：

步骤s301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s302对所述试验用户，随机改变生产域数据的一个变量，

步骤s303对所述对比试验用户，维持原生产域数据，

步骤s304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，若是则进入步骤s305；

步骤s305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。

在所述步骤s305中所述试验用户和对比试验用户为同一用户时，则是通过给定不同食物类型，获得用户体验域数。

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。

上述的基础元数据包括的生产域数据为：{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}，以及{制作过程中佐料的种类、佐料的重量}。

图4是本发明一实施例中的交互流程示意图，包括客户端(智造者)、服务器端以及客户端(定制者)，其中交互过程如下：

s1在所述客户端(智造者)，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，

s2在所述客户端(定制者)，输入用户需求，

s3在所述服务器端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，

s4在所述服务器端向所述客户端(智造者)将有效元数据同步至人机接口，通过人机接口完成配置，

s5在所述服务器端向客户端(定制者)将配置好的元数据存入用以食品配置的存储器中。

客户端(定制者)的基础元数据包括：所有食材种类、每种食材的重量、食材的形状要求，比如饼状、丁状、片状、丝状、末状等；食材的处理过程，比如烤制、煎、炒、烹、炸，以及食材加入的顺序；所有佐料的种类、所有佐料的重量。

作为优选实施方案，基础元数据还包括用户体验域数据：用户体验域数据由数据标签和用户评价组成，数据标签是由用户为食物所打标签，例如：鲜美，甜，酸等体验属性，用户评价是针对标签的打分权重，1～10分，由用户自己掌握。

通常来说，生产域数据由食品生产环节的自变量产生，容易确定，而用户体验域的数据是通过用户参与逐步完善的。

作为本实施例中的优选，帮助用户选择最优生产域数据的方式为：

通过随机过程，将用户选择为试验用户

通过同一随机过程，将另一用户选择为对比试验用户。

针对试验用户，随机改变生产域数据的一个变量，比如制作披萨时番茄酱的比例，增加5％，制作蛋糕时奶油的比例，增加2％。

针对对比试验用户，不改变任何生产域数据的变量，使得试验用户和对比试验用户仅在随机改变的变量上有区别。

将生产的食品交给用户，并强制收集用户体验域数据，比较试验用户是否获得比对比试验用户更高的用户体验评价：如果是，那么说明改随机改变是有优势的，调整为所有用户生产食品的缺省生产域数据变量，如果不是，那么放弃这个变化。

如图7所示是本发明的基础元数据组成结构示意图，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。所述基础元数据包括的生产域数据为：{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}。

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。

所述试验用户和对比试验用户为同一用户时，则是通过给定不同食物类型，获得用户体验域数。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。

在一种优选实施方式中，试验用户和对比试验用户是同一用户，即给用户两种食物，要求用户分别评价。

图5是本发明另一实施例中的交互流程示意图，包括客户端(智造者)、服务器端以、客户端(定制者)以及web端(应用程序服务器)，其中交互过程如下：

s1在所述web端(应用程序服务器)，提供用户体验域数据，

s2在所述客户端(智造者)接收到后，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，

s3在所述web端(应用程序服务器)，随机训练并调整用户体验域数据，

s4在所述客户端(智造者)接收到后，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，

s5在所述服务器端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，

s6在所述web端(应用程序服务器)，将变量调整并作为：所有用户生产食品的缺省生产域数据，缺省生产域数据，即客户端中系统默认状态的数据。

s7在所述客户端(定制者)，输入用户需求，

s8在所述服务器端向所述客户端(智造者)将有效元数据同步至人机接口，通过人机接口完成配置，

s9在所述服务器端向客户端(定制者)将配置好的元数据存入用以食品配置的存储器中。

图6是本发明又一实施例中的交互流程示意图，包括客户端(智造者)、服务器端、客户端(定制者)以及第三方api接口，其中交互过程如下：

s1在所述第三方api接口，提供第三方用户体验域数据，

s2在所述客户端(智造者)接收到后，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，

s3在所述第三方api接口，提供随机训练并调整用户体验域数据，

s4在所述客户端(智造者)接收到后，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，

s5在所述服务器端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，

s6在在所述第三方api接口，将变量调整并作为：所有用户生产食品的缺省生产域数据，缺省生产域数据，即客户端中系统默认状态的数据。

s7在所述客户端(定制者)，输入用户需求，

s8在所述服务器端向所述客户端(智造者)将有效元数据同步至人机接口，通过人机接口完成配置，

s9在所述服务器端向客户端(定制者)将配置好的元数据存入用以食品配置的存储器中。

s10通过人机接口，接收有效元数据。

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。