烹饪器具、烹饪方法和计算机可读存储介质与流程

本发明涉及烹饪技术领域，具体而言，涉及一种烹饪器具、一种烹饪方法和一种计算机可读存储介质。

背景技术：

随着物联网技术的发展，烹饪器具作为最主要的智能家电之一，被开发出多种智能烹饪方案。

所谓智能烹饪方案通常为烹饪器具将待烹饪的物料的图像上传至服务器，以供服务器通过图像匹配确定上述物料对应的烹饪参数，但是，在服务器无法与烹饪器具进行数据交互，或网络通信质量差，或网络时间延迟大等情况发生时，烹饪器具无法及时调整烹饪参数，甚至无法实现自动烹饪过程，这均会严重影响用户的烹饪体验。

技术实现要素：

本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。

为此，本发明的一个目的在于提供一种烹饪器具。

本发明的另一个目的在于提供一种烹饪方法。

本发明的另一个目的在于提供一种计算机可读存储介质。

为了实现上述目的，根据本发明的第一方面的实施例，提供了一种烹饪器具，包括：容纳部，用于盛放物料；刻度标识，设于容纳部的内侧壁；图像采集组件，设于刻度标识对侧的内侧壁，用于采集刻度标识的图像；烹饪控制组件，连接至图像采集组件，用于根据第一预测模型对刻度标识的图像进行分析并确定物料的存放量，以及根据存放量确定物料对应的预设烹饪参数，其中，第一预测模型为通过机器学习训练历史存放量记录得到的预测模型结果。

在该技术方案中，通过在容纳部内侧相配适地设置刻度标识和图像采集组件，进而通过第一预测模型对刻度标识的图像的分析来确定物料的存放量，并继续确定对应的预设烹饪参数，实现了本地的图像分析，克服了网络通信质量对烹饪过程的限制，降低了网络时间延迟对烹饪过程的影响。

另外，由于第一预测模型是通过机器学习训练历史存放量记录得到的，其实质是本地存储的大量的历史样本数据来训练第一预测模型，进而保证第一预测模型具备较准确的预测性能，因此，第一预测模型具备较高的可靠性和准确性，同时，也不需要与服务器进行远程交互才能确定物料的烹饪参数。

优选地，第一预测模型可以采用神经网络模型，第一预测模式可以按照预设周期进行循环式的机器学习，或在检测到历史存放量记录发生更新时进行机器学习。

其中，刻度标识可以包括沿铅垂线纵向分布的多个数字形状的标识刻度，图像采集装置采集的图像可以是红外图像或可见光图像，均能够用于第一预测模型的图像分析过程，为了进一步地增强模型预测的准确性，对采集的图像可以进行图像预处理，例如，图像增强处理和二值化运算处理等。

在上述任一技术方案中，优选地，图像采集组件还用于：采集物料的图像；烹饪控制组件还用于：根据第二预测模型对物料的图像进行分析，以确定物料的属性信息，并根据属性信息调整预设烹饪参数，其中，第二预测模型为通过机器学习训练历史属性信息得到的预测模型结果，属性信息包括物料的类型、物料的品质和物料的分布区域中的至少一种。

在该技术方案中，通过采集物料的图像，并且通过第二预测模型对物料的图像进行分析以确定物料的属性信息，有利于进一步地优化烹饪过程，例如，在检测到物料为大米、丝苗米、豆类或面食时，分别调整至物料种类对应的烹饪进程，在尽可能地提高烹饪效率的同时，尽量减少溢出发生。

另外，通过第二预测模型分析确定物料的分布区域，有利于提升烹饪安全性，例如，在第二预测模型确定容纳部内的物料分布不均匀时，向用户发出提示，或自动振动容纳部，以降低食物夹生的情况发生，又如，在第二预测模型确定容纳部内的物料分布较少时，不进行烹饪加热过程，以减少烹饪器具干烧的情况发生，再如，烹饪器具通常具备预约烹饪功能，如果预约时间超过6小时，则浸泡的物料容易滋生细菌，因此，通过第二预测模型分析物料的图像，可以在检测到物料品质异常时，提醒用户中止烹饪过程，以提高食品卫生安全。

优选地，第二预测模型也可以采用神经网络模型，第二预测模式可以按照预设周期进行循环式的机器学习，或在检测到历史属性信息发生更新时进行机器学习。

在上述任一技术方案中，优选地，第二预测模型包括多个关系型子模型，每个关系型子模型分别用于训练物料的一种历史属性信息，且任两个关系型子模型之间的更新过程是相互独立的。

在该技术方案中，通过在第二预测模型中设置多个关系型子模型，且更新过程是相互独立的，能够避免重复训练模型，也即每个关系型子模型分别用于预测一种属性信息，由于同一属性信息通常具备相同的量纲，因此，无需进行归一化过程和繁琐的滤波降噪处理，一个关系型子模型仅在对应的历史属性信息发生更新时进行模型训练，关系型子模型对属性信息进行预测时针对性更强，且可靠性更高。

其中，将任一物料存储为根节点，将第二预测模型以树形分支的形式布局为多个关系型子模型。

在上述任一技术方案中，优选地，烹饪控制组件还用于：采集容纳部内的环境图像；烹饪控制组件还用于：根据第三预测模型对容纳部内的环境图像进行分析，以确定物料的实时烹饪信息，并结合属性信息和实时烹饪信息调整预设烹饪参数，其中，第三预测模型为通过机器学习训练历史烹饪信息得到的预测模型结果，预设烹饪参数包括烹饪加热功率、烹饪时长和烹饪温度中的至少一种。

在该技术方案中，通过采集容纳部内的环境图像，能够低延时地确定物料的实时烹饪信息，进而结合属性信息和实时烹饪信息调整预设烹饪参数，譬如，物料处于清洗阶段、吸水阶段、全功率加热阶段、沸腾阶段和保温阶段等，结合实时烹饪信息和属性信息来实时调整任一阶段的烹饪参数。

优选地，第三预测模型也可以采用神经网络模型，第三预测模式可以按照预设周期进行循环式的机器学习，或在检测到历史烹饪信息发生更新时进行机器学习。

在上述任一技术方案中，优选地，还包括：人机交互面板，设于烹饪器具的外侧壁和/或顶侧壁，连接至烹饪控制组件，用于显示与物料相关的提示信息，其中，提示信息包括基于属性信息确定的保鲜时间信息、基于存放量确定的添加量信息和基于实时烹饪参数确定的烹饪进程信息中的至少一种。

在该技术方案中，通过设置人机交互界面，可以更加直观地将物料的烹饪状态提示给用户，进而全方位地提升用户的烹饪体验，例如提示物料的存放量不足需要添加，又如提示物料的存放时间超过保鲜时长，再如提示物料在烹熟后进行保温等。

根据本发明的第二方面的技术方案，提供了一种烹饪方法，包括：采集烹饪器具内的刻度标识的图像；根据第一预测模型对刻度标识的图像进行分析并确定物料的存放量，以及根据存放量确定物料对应的预设烹饪参数，其中，第一预测模型为通过机器学习训练历史存放量记录得到的预测模型结果。

在该技术方案中，通过在容纳部内侧相配适地设置刻度标识和图像采集组件，进而通过第一预测模型对刻度标识的图像的分析来确定物料的存放量，并继续确定对应的预设烹饪参数，实现了本地的图像分析，克服了网络通信质量对烹饪过程的限制，降低了网络时间延迟对烹饪过程的影响。

另外，由于第一预测模型是通过机器学习训练历史存放量记录得到的，其实质是本地存储的大量的历史样本数据来训练第一预测模型，进而保证第一预测模型具备较准确的预测性能，因此，第一预测模型具备较高的可靠性和准确性，同时，也不需要与服务器进行远程交互才能确定物料的烹饪参数。

优选地，第一预测模型可以采用神经网络模型，第一预测模式可以按照预设周期进行循环式的机器学习，或在检测到历史存放量记录发生更新时进行机器学习。

其中，刻度标识可以包括沿铅垂线纵向分布的多个数字形状的标识刻度，图像采集装置采集的图像可以是红外图像或可见光图像，均能够用于第一预测模型的图像分析过程，为了进一步地增强模型预测的准确性，对采集的图像可以进行图像预处理，例如，图像增强处理和二值化运算处理等。

在上述任一技术方案中，优选地，还包括：采集物料的图像；根据第二预测模型对物料的图像进行分析，以确定物料的属性信息，并根据属性信息调整预设烹饪参数，其中，第二预测模型为通过机器学习训练历史属性信息得到的预测模型结果，属性信息包括物料的类型、物料的品质和物料的分布区域中的至少一种。

在该技术方案中，通过采集物料的图像，并且通过第二预测模型对物料的图像进行分析以确定物料的属性信息，有利于进一步地优化烹饪过程，例如，在检测到物料为大米、丝苗米、豆类或面食时，分别调整至物料种类对应的烹饪进程，在尽可能地提高烹饪效率的同时，尽量减少溢出发生。

另外，通过第二预测模型分析确定物料的分布区域，有利于提升烹饪安全性，例如，在第二预测模型确定容纳部内的物料分布不均匀时，向用户发出提示，或自动振动容纳部，以降低食物夹生的情况发生，又如，在第二预测模型确定容纳部内的物料分布较少时，不进行烹饪加热过程，以减少烹饪器具干烧的情况发生，再如，烹饪器具通常具备预约烹饪功能，如果预约时间超过6小时，则浸泡的物料容易滋生细菌，因此，通过第二预测模型分析物料的图像，可以在检测到物料品质异常时，提醒用户中止烹饪过程，以提高食品卫生安全。

优选地，第二预测模型也可以采用神经网络模型，第二预测模式可以按照预设周期进行循环式的机器学习，或在检测到历史属性信息发生更新时进行机器学习。

在上述任一技术方案中，优选地，还包括：采集容纳部内的环境图像；根据第三预测模型对容纳部内的环境图像进行分析，以确定物料的实时烹饪信息，并结合属性信息和实时烹饪信息调整预设烹饪参数，其中，第三预测模型为通过机器学习训练历史烹饪信息得到的预测模型结果，预设烹饪参数包括烹饪加热功率、烹饪时长和烹饪温度中的至少一种。

在该技术方案中，通过采集容纳部内的环境图像，能够低延时地确定物料的实时烹饪信息，进而结合属性信息和实时烹饪信息调整预设烹饪参数，譬如，物料处于清洗阶段、吸水阶段、全功率加热阶段、沸腾阶段和保温阶段等，结合实时烹饪信息和属性信息来实时调整任一阶段的烹饪参数。

优选地，第三预测模型也可以采用神经网络模型，第三预测模式可以按照预设周期进行循环式的机器学习，或在检测到历史烹饪信息发生更新时进行机器学习。

在上述任一技术方案中，优选地，还包括：显示与物料相关的提示信息，其中，提示信息包括基于属性信息确定的保鲜时间信息、基于存放量确定的添加量信息和基于实时烹饪参数确定的烹饪进程信息中的至少一种。

在该技术方案中，通过显示与物料相关的提示信息，可以更加直观地将物料的烹饪状态提示给用户，进而全方位地提升用户的烹饪体验，例如提示物料的存放量不足需要添加，又如提示物料的存放时间超过保鲜时长，再如提示物料在烹熟后进行保温等。

根据本发明的第三方面的技术方案，提供了一种计算机可读存储介质，其上存储有计算机程序，上述计算机程序被执行时实现如第二方面中任一项技术方案限定的烹饪方法。

本发明的附加方面和优点将在下面的描述部分中给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1示出了根据本发明的一个实施例的烹饪器具的示意图；

图2示出了根据本发明的一个实施例的烹饪方法的示意流程图；

图3示出了根据本发明的另一个实施例的烹饪方法的示意流程图；

图4示出了根据本发明的另一个实施例的烹饪方法的示意流程图；

图5示出了根据本发明的一个实施例的烹饪方法中的机器学习的示意图；

图6示出了根据本发明的另一个实施例的烹饪方法中的机器学习的示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

图1示出了根据本发明的一个实施例的烹饪器具100的示意图。

如图1所示，根据本发明的一个实施例的烹饪器具100，包括：容纳部102，用于盛放物料；刻度标识104，设于图像采集组件106对侧的内侧壁；图像采集组件106，设于容纳部102的内侧壁，用于采集刻度标识104的图像；烹饪控制组件，连接至图像采集组件106，用于根据第一预测模型对刻度标识104的图像进行分析并确定物料的存放量，以及根据存放量确定物料对应的预设烹饪参数，其中，第一预测模型为通过机器学习训练历史存放量记录得到的预测模型结果。

在该技术方案中，通过在容纳部102内侧相配适地设置刻度标识104和图像采集组件106，进而通过第一预测模型对刻度标识104的图像的分析来确定物料的存放量，并继续确定对应的预设烹饪参数，实现了本地的图像分析，克服了网络通信质量对烹饪过程的限制，降低了网络时间延迟对烹饪过程的影响。

另外，由于第一预测模型是通过机器学习训练历史存放量记录得到的，其实质是本地存储的大量的历史样本数据来训练第一预测模型，进而保证第一预测模型具备较准确的预测性能，因此，第一预测模型具备较高的可靠性和准确性，同时，也不需要与服务器进行远程交互才能确定物料的烹饪参数。

优选地，第一预测模型可以采用神经网络模型，第一预测模式可以按照预设周期进行循环式的机器学习，或在检测到历史存放量记录发生更新时进行机器学习。

其中，刻度标识104可以包括沿铅垂线纵向分布的多个数字形状的标识刻度，如图1所示的“0.5l”、“1.0l”、“1.5l”、“2.0l”、“2.5l”和“3.0l”，图像采集组件106采集的图像可以是红外图像或可见光图像，均能够用于第一预测模型的图像分析过程，为了进一步地增强模型预测的准确性，对采集的图像可以进行图像预处理，例如，图像增强处理和二值化运算处理等。

在上述任一技术方案中，优选地，图像采集组件106还用于：采集物料的图像；烹饪控制组件还用于：根据第二预测模型对物料的图像进行分析，以确定物料的属性信息，并根据属性信息调整预设烹饪参数，其中，第二预测模型为通过机器学习训练历史属性信息得到的预测模型结果，属性信息包括物料的类型、物料的品质和物料的分布区域中的至少一种。

在该技术方案中，通过采集物料的图像，并且通过第二预测模型对物料的图像进行分析以确定物料的属性信息，有利于进一步地优化烹饪过程，例如，在检测到物料为大米、丝苗米、豆类或面食时，分别调整至物料种类对应的烹饪进程，在尽可能地提高烹饪效率的同时，尽量减少溢出发生。

另外，通过第二预测模型分析确定物料的分布区域，有利于提升烹饪安全性，例如，在第二预测模型确定容纳部102内的物料分布不均匀时，向用户发出提示，或自动振动容纳部102，以降低食物夹生的情况发生，又如，在第二预测模型确定容纳部102内的物料分布较少时，不进行烹饪加热过程，以减少烹饪器具100干烧的情况发生，再如，烹饪器具100通常具备预约烹饪功能，如果预约时间超过6小时，则浸泡的物料容易滋生细菌，因此，通过第二预测模型分析物料的图像，可以在检测到物料品质异常时，提醒用户中止烹饪过程，以提高食品卫生安全。

优选地，第二预测模型也可以采用神经网络模型，第二预测模式可以按照预设周期进行循环式的机器学习，或在检测到历史属性信息发生更新时进行机器学习。

在上述任一技术方案中，优选地，第二预测模型包括多个关系型子模型，每个关系型子模型分别用于训练物料的一种历史属性信息，且任两个关系型子模型之间的更新过程是相互独立的。

在该技术方案中，通过在第二预测模型中设置多个关系型子模型，且更新过程是相互独立的，能够避免重复训练模型，也即每个关系型子模型分别用于预测一种属性信息，由于同一属性信息通常具备相同的量纲，因此，无需进行归一化过程和繁琐的滤波降噪处理，一个关系型子模型仅在对应的历史属性信息发生更新时进行模型训练，关系型子模型对属性信息进行预测时针对性更强，且可靠性更高。

其中，将任一物料存储为根节点，将第二预测模型以树形分支的形式布局为多个关系型子模型。

在上述任一技术方案中，优选地，烹饪控制组件还用于：采集容纳部102内的环境图像；烹饪控制组件还用于：根据第三预测模型对容纳部102内的环境图像进行分析，以确定物料的实时烹饪信息，并结合属性信息和实时烹饪信息调整预设烹饪参数，其中，第三预测模型为通过机器学习训练历史烹饪信息得到的预测模型结果，预设烹饪参数包括烹饪加热功率、烹饪时长和烹饪温度中的至少一种。

在该技术方案中，通过采集容纳部102内的环境图像，能够低延时地确定物料的实时烹饪信息，进而结合属性信息和实时烹饪信息调整预设烹饪参数，譬如，物料处于清洗阶段、吸水阶段、全功率加热阶段、沸腾阶段和保温阶段等，结合实时烹饪信息和属性信息来实时调整任一阶段的烹饪参数。

优选地，第三预测模型也可以采用神经网络模型，第三预测模式可以按照预设周期进行循环式的机器学习，或在检测到历史烹饪信息发生更新时进行机器学习。

在上述任一技术方案中，优选地，还包括：人机交互面板，设于烹饪器具100的外侧壁和/或顶侧壁108，连接至烹饪控制组件，用于显示与物料相关的提示信息，其中，提示信息包括基于属性信息确定的保鲜时间信息、基于存放量确定的添加量信息和基于实时烹饪参数确定的烹饪进程信息中的至少一种。

在该技术方案中，通过设置人机交互界面，可以更加直观地将物料的烹饪状态提示给用户，进而全方位地提升用户的烹饪体验，例如提示物料的存放量不足需要添加，又如提示物料的存放时间超过保鲜时长，再如提示物料在烹熟后进行保温等。

图2示出了根据本发明的一个实施例的烹饪方法的示意流程图。

如图2所示，根据本发明的一个实施例的烹饪方法，包括：步骤s202，采集烹饪器具内的刻度标识的图像；步骤s204，根据第一预测模型对刻度标识的图像进行分析并确定物料的存放量，以及根据存放量确定物料对应的预设烹饪参数，其中，第一预测模型为通过机器学习训练历史存放量记录得到的预测模型结果。

在该技术方案中，通过在容纳部内侧相配适地设置刻度标识和图像采集组件，进而通过第一预测模型对刻度标识的图像的分析来确定物料的存放量，并继续确定对应的预设烹饪参数，实现了本地的图像分析，克服了网络通信质量对烹饪过程的限制，降低了网络时间延迟对烹饪过程的影响。

另外，由于第一预测模型是通过机器学习训练历史存放量记录得到的，其实质是本地存储的大量的历史样本数据来训练第一预测模型，进而保证第一预测模型具备较准确的预测性能，因此，第一预测模型具备较高的可靠性和准确性，同时，也不需要与服务器进行远程交互才能确定物料的烹饪参数。

优选地，第一预测模型可以采用神经网络模型，第一预测模式可以按照预设周期进行循环式的机器学习，或在检测到历史存放量记录发生更新时进行机器学习。

其中，刻度标识可以包括沿铅垂线纵向分布的多个数字形状的标识刻度，图像采集装置采集的图像可以是红外图像或可见光图像，均能够用于第一预测模型的图像分析过程，为了进一步地增强模型预测的准确性，对采集的图像可以进行图像预处理，例如，图像增强处理和二值化运算处理等。

在上述任一技术方案中，优选地，还包括：采集物料的图像；根据第二预测模型对物料的图像进行分析，以确定物料的属性信息，并根据属性信息调整预设烹饪参数，其中，第二预测模型为通过机器学习训练历史属性信息得到的预测模型结果，属性信息包括物料的类型、物料的品质和物料的分布区域中的至少一种。

在该技术方案中，通过采集物料的图像，并且通过第二预测模型对物料的图像进行分析以确定物料的属性信息，有利于进一步地优化烹饪过程，例如，在检测到物料为大米、丝苗米、豆类或面食时，分别调整至物料种类对应的烹饪进程，在尽可能地提高烹饪效率的同时，尽量减少溢出发生。

另外，通过第二预测模型分析确定物料的分布区域，有利于提升烹饪安全性，例如，在第二预测模型确定容纳部内的物料分布不均匀时，向用户发出提示，或自动振动容纳部，以降低食物夹生的情况发生，又如，在第二预测模型确定容纳部内的物料分布较少时，不进行烹饪加热过程，以减少烹饪器具干烧的情况发生，再如，烹饪器具通常具备预约烹饪功能，如果预约时间超过6小时，则浸泡的物料容易滋生细菌，因此，通过第二预测模型分析物料的图像，可以在检测到物料品质异常时，提醒用户中止烹饪过程，以提高食品卫生安全。

优选地，第二预测模型也可以采用神经网络模型，第二预测模式可以按照预设周期进行循环式的机器学习，或在检测到历史属性信息发生更新时进行机器学习。

在上述任一技术方案中，优选地，还包括：采集容纳部内的环境图像；根据第三预测模型对容纳部内的环境图像进行分析，以确定物料的实时烹饪信息，并结合属性信息和实时烹饪信息调整预设烹饪参数，其中，第三预测模型为通过机器学习训练历史烹饪信息得到的预测模型结果，预设烹饪参数包括烹饪加热功率、烹饪时长和烹饪温度中的至少一种。

在该技术方案中，通过采集容纳部内的环境图像，能够低延时地确定物料的实时烹饪信息，进而结合属性信息和实时烹饪信息调整预设烹饪参数，譬如，物料处于清洗阶段、吸水阶段、全功率加热阶段、沸腾阶段和保温阶段等，结合实时烹饪信息和属性信息来实时调整任一阶段的烹饪参数。

优选地，第三预测模型也可以采用神经网络模型，第三预测模式可以按照预设周期进行循环式的机器学习，或在检测到历史烹饪信息发生更新时进行机器学习。

在上述任一技术方案中，优选地，还包括：显示与物料相关的提示信息，其中，提示信息包括基于属性信息确定的保鲜时间信息、基于存放量确定的添加量信息和基于实时烹饪参数确定的烹饪进程信息中的至少一种。

在该技术方案中，通过显示与物料相关的提示信息，可以更加直观地将物料的烹饪状态提示给用户，进而全方位地提升用户的烹饪体验，例如提示物料的存放量不足需要添加，又如提示物料的存放时间超过保鲜时长，再如提示物料在烹熟后进行保温等。

图3示出了根据本发明的另一个实施例的烹饪方法的示意流程图。

如图3所示，根据本发明的另一个实施例的烹饪方法，具体包括：

(1)将采集的图像数据进行预处理，其中，预处理功能在图像识别装置中实现，预处理包括图像增强和二值化运算等图像处理算法。

其中，图像采集装置具备以下特点：

(1.1)支持linux、安卓系统

(1.2)应用程序包含一个图像预处理的功能。

(1.3)图像识别功能为在系统上运行的一个应用程序。

(1.4)应用程序包含一个经过训练的深度学习模型和结果分类标签。

(1.5)得出图像识别结果后，使用图像识别结果进行烹饪控制指令的拟合。

(2)将经过预处理的图像数据发送至图像识别装置，图像识别装置所运行的图像分类脚本主要用于进行图像分类标签和神经网络模型。

具体地，图像分类脚本包含一个已经训练好的基于神经网络的图形分类模型和需要识别的图像分类标签。

图像分类标签中的数据包含物料的属性信息，例如东北米、丝苗米和水稻等。

其中，图像识别装置支持linux或者安卓系统，以支持图像识别程序运行。

(3)识别出图像分类结果后，向控制单元发送命令获取加热装置目前的烹饪阶段，根据当前的烹饪阶段，结合图像识别结果和一条基准烹饪曲线得到拟合加热曲线，向加热装置发送控制命令，包含加热功率、温度和时间3个参数。

譬如：当前阶段是吸水阶段，对象是丝苗米，得出拟合吸水阶段的3个参数：功率1200w、时间5分钟和控制温度45度。然后把这3个参数通过控制命令发送到加热装置。

其中，拟合得到的加热曲线可以进行存储，以备下一次烹饪使用。

另外，图像采集装置、图像识别装置、控制单元和加热装置中的任两个装置之间能够基于spi(serialperipheralinterface，高速同步串行)、i2c(inter-integratedcircuit，串行通信总线)和uart(universalasynchronousreceiver/transmitter，通用异步收发器)协议进行通信。

图4示出了根据本发明的另一个实施例的烹饪方法的示意流程图。

如图4所示，根据本发明的另一个实施例的烹饪方法，包括：步骤s402，图像识别装置向图像采集装置发送采集命令；步骤s404，图像采集装置将获取的多帧图像数据返回到图像识别装置；步骤s406，进行图像拼接算法处理；步骤s408，对拼接后的图像进行增强算法处理，以突出图像的特征像素；步骤s410，将增强算法处理后的图像(jpg格式、jpeg格式或png格式等)转换为base64格式，并执行图像识别程序；步骤s412，输出识别结果，并根据识别结果拟合烹饪曲线；步骤s414，实时确定与烹饪阶段对应的烹饪参数，如功率、温度和时间等。

图5示出了根据本发明的一个实施例的烹饪方法中的机器学习的示意图。

如图5所示，根据本发明的实施例的烹饪方法的机器学习框架为单模训练架构，具体分为终端和服务器端两侧。

(5.1)终端包括硬件数据采集端和嵌入式系统，其中，硬件数据采集端包括：摄像头图像捕捉模块。嵌入式系统包括：操作系统、人机交互app、图像识别模型(本地运行神经网络模型预测食物程序)、模型自动更新、程序自动升级和网络服务等。

(5.2)服务器端包括网络服务模块和数据集，其中，网络服务模块执行的步骤包括：网络连接，响应请求，收集物料的图像数据，检测模型变更状态并做出自动推送决策等。数据集包括：图像数据集、深度学习框架和识别模型，网络服务模块将图像数据保存后发送至图像数据集，并作为数据输入至深度学习框架，根据模型输出和模型更新确定与物料对应的烹饪参数。

其中，终端基于现有的通信协议向服务器端发送网络连接、发送请求和数据上传等上行信令，服务器端基于现有的通信协议向终端反馈模型自动推送。

另外，上述单模训练架构可以按照现有模型的基础上进行图像训练，或者根据历史数据进行从源头开始训练的方式，最终得到一个综合性的图像训练模型。

图6示出了根据本发明的另一个实施例的烹饪方法中的机器学习的示意图。

如图6所示，根据本发明的实施例的烹饪方法的机器学习框架为多模训练架构，具体分为终端和服务器端两侧。

(6.1)终端包括硬件数据采集端和嵌入式系统，其中，硬件数据采集端包括：摄像头图像捕捉模块。嵌入式系统包括：操作系统、人机交互app、图像识别模型(本地运行神经网络模型预测食物程序)、模型自动更新、程序自动升级和网络服务等。

(6.2)服务器端包括网络服务模块和数据集，其中，网络服务模块执行的步骤包括：网络连接，响应请求，收集物料的图像数据，检测模型变更状态并做出自动推送决策等。数据集包括：多个图像数据集、深度学习框架和多个识别模型，网络服务模块将图像数据保存后发送至图像数据集，并作为数据输入至深度学习框架，根据模型输出和模型更新确定与物料对应的烹饪参数。

其中，终端基于现有的通信协议向服务器端发送网络连接、发送请求和数据上传等上行信令，服务器端基于现有的通信协议向终端反馈模型自动推送。

另外，上述多模训练架构可以并存现有模型和新模型，当服务器端收到新数据后，能够定时的进行新数据训练得到新模型，并能够将新模型自动推送给终端设备。这种推送方案能够避免重复训练模型，而且推送过程压力也降低了(只需要要推送更新的第n个识别模型，能够得到更直接针对性的更新模型)。

根据本发明的实施例，还提出了一种计算机可读存储介质，其上存储有计算机程序，上述计算机程序被执行时实现以下步骤：采集烹饪器具内的刻度标识的图像；根据第一预测模型对刻度标识的图像进行分析并确定物料的存放量，以及根据存放量确定物料对应的预设烹饪参数，其中，第一预测模型为通过机器学习训练历史存放量记录得到的预测模型结果。

在该技术方案中，通过在容纳部内侧相配适地设置刻度标识和图像采集组件，进而通过第一预测模型对刻度标识的图像的分析来确定物料的存放量，并继续确定对应的预设烹饪参数，实现了本地的图像分析，克服了网络通信质量对烹饪过程的限制，降低了网络时间延迟对烹饪过程的影响。

另外，由于第一预测模型是通过机器学习训练历史存放量记录得到的，其实质是本地存储的大量的历史样本数据来训练第一预测模型，进而保证第一预测模型具备较准确的预测性能，因此，第一预测模型具备较高的可靠性和准确性，同时，也不需要与服务器进行远程交互才能确定物料的烹饪参数。

优选地，第一预测模型可以采用神经网络模型，第一预测模式可以按照预设周期进行循环式的机器学习，或在检测到历史存放量记录发生更新时进行机器学习。

其中，刻度标识可以包括沿铅垂线纵向分布的多个数字形状的标识刻度，图像采集装置采集的图像可以是红外图像或可见光图像，均能够用于第一预测模型的图像分析过程，为了进一步地增强模型预测的准确性，对采集的图像可以进行图像预处理，例如，图像增强处理和二值化运算处理等。

在上述任一技术方案中，优选地，还包括：采集物料的图像；根据第二预测模型对物料的图像进行分析，以确定物料的属性信息，并根据属性信息调整预设烹饪参数，其中，第二预测模型为通过机器学习训练历史属性信息得到的预测模型结果，属性信息包括物料的类型、物料的品质和物料的分布区域中的至少一种。

在该技术方案中，通过采集物料的图像，并且通过第二预测模型对物料的图像进行分析以确定物料的属性信息，有利于进一步地优化烹饪过程，例如，在检测到物料为大米、丝苗米、豆类或面食时，分别调整至物料种类对应的烹饪进程，在尽可能地提高烹饪效率的同时，尽量减少溢出发生。

另外，通过第二预测模型分析确定物料的分布区域，有利于提升烹饪安全性，例如，在第二预测模型确定容纳部内的物料分布不均匀时，向用户发出提示，或自动振动容纳部，以降低食物夹生的情况发生，又如，在第二预测模型确定容纳部内的物料分布较少时，不进行烹饪加热过程，以减少烹饪器具干烧的情况发生，再如，烹饪器具通常具备预约烹饪功能，如果预约时间超过6小时，则浸泡的物料容易滋生细菌，因此，通过第二预测模型分析物料的图像，可以在检测到物料品质异常时，提醒用户中止烹饪过程，以提高食品卫生安全。

优选地，第二预测模型也可以采用神经网络模型，第二预测模式可以按照预设周期进行循环式的机器学习，或在检测到历史属性信息发生更新时进行机器学习。

在上述任一技术方案中，优选地，还包括：采集容纳部内的环境图像；根据第三预测模型对容纳部内的环境图像进行分析，以确定物料的实时烹饪信息，并结合属性信息和实时烹饪信息调整预设烹饪参数，其中，第三预测模型为通过机器学习训练历史烹饪信息得到的预测模型结果，预设烹饪参数包括烹饪加热功率、烹饪时长和烹饪温度中的至少一种。

在该技术方案中，通过采集容纳部内的环境图像，能够低延时地确定物料的实时烹饪信息，进而结合属性信息和实时烹饪信息调整预设烹饪参数，譬如，物料处于清洗阶段、吸水阶段、全功率加热阶段、沸腾阶段和保温阶段等，结合实时烹饪信息和属性信息来实时调整任一阶段的烹饪参数。

优选地，第三预测模型也可以采用神经网络模型，第三预测模式可以按照预设周期进行循环式的机器学习，或在检测到历史烹饪信息发生更新时进行机器学习。

在上述任一技术方案中，优选地，还包括：显示与物料相关的提示信息，其中，提示信息包括基于属性信息确定的保鲜时间信息、基于存放量确定的添加量信息和基于实时烹饪参数确定的烹饪进程信息中的至少一种。

在该技术方案中，通过显示与物料相关的提示信息，可以更加直观地将物料的烹饪状态提示给用户，进而全方位地提升用户的烹饪体验，例如提示物料的存放量不足需要添加，又如提示物料的存放时间超过保鲜时长，再如提示物料在烹熟后进行保温等。

以上结合附图详细说明了本发明的技术方案，本发明提供了一种烹饪器具、烹饪方法和计算机可读存储介质，通过在容纳部内侧相配适地设置刻度标识和图像采集组件，进而通过第一预测模型对刻度标识的图像的分析来确定物料的存放量，并继续确定对应的预设烹饪参数，实现了本地的图像分析，克服了网络通信质量对烹饪过程的限制，降低了网络时间延迟对烹饪过程的影响。

本发明方法中的步骤可根据实际需要进行顺序调整、合并和删减。

本发明烹饪方法中的单元可根据实际需要进行合并、划分和删减。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(read-onlymemory，rom)、随机存储器(randomaccessmemory，ram)、可编程只读存储器(programmableread-onlymemory，prom)、可擦除可编程只读存储器(erasableprogrammablereadonlymemory，eprom)、一次可编程只读存储器(one-timeprogrammableread-onlymemory，otprom)、电子抹除式可复写只读存储器(electrically-erasableprogrammableread-onlymemory，eeprom)、只读光盘(compactdiscread-onlymemory，cd-rom)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

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。