过度烹饪检测方法和家用电器与流程

本发明实施例涉及家用电器，具体地涉及一种过度烹饪检测方法和家用电器。

背景技术：

1、过度烹饪问题一直是人们在日常烹饪过程中的重点关注问题之一，过度烹饪的发生不仅会使得菜肴口感大打折扣，严重的还可能引起火灾等安全隐患。由于发生过度烹饪时除了味道外没有其他显著物理量变化，而目前并没有一种有效的方案能够准确检测气味，因而现有技术无法有效解决过度烹饪问题。

技术实现思路

1、本发明实施例的一个目的在于提供一种改进的家用电器和过度烹饪检测方法。

2、因此，本发明实施例提供一种过度烹饪检测方法，包括：获取气体数据，其中，所述气体数据包括烹饪产生的多种待检测气体成分的浓度信息；将所述气体数据输入预设机器学习模型并获取预测结果，其中，所述预设机器学习模型用于至少根据所述气体数据预测当前所处烹饪阶段及处于所述烹饪阶段的概率；根据所述预测结果确定当前是否处于过度烹饪阶段。

3、采用本实施方案，能够极大地提高对过度烹饪现象的识别准确度，有利于及时检测甚至预防过度烹饪，从而更好地解决过度烹饪问题。具体而言，结合烹饪过程中产生的气体通常为混合气体这一特性，本实施方案采集烹饪时挥发的多种气体成分的浓度并输入预设机器学习模型进行预测，使得预设机器学习模型能够基于贴合于烹饪实际产生的气味进行预测，进而得到准确度较高的过度烹饪识别结果。

4、可选的，所述获取气体数据包括：在气体探测器运行期间调节所述气体探测器的工作温度，并接收所述气体探测器在多个工作温度下分别采集得到的候选气体数据，其中，不同工作温度关联的候选气体数据用于表征烹饪产生的不同待检测气体成分的浓度；基于接收到的多个候选气体数据生成所述气体数据。由此，在一定温度范围内调节气体探测器的工作温度以丰富气体探测器的输出数据的多样性，从而实现对多种气体成分的探测。

5、可选的，所述气体探测器包括voc传感器。由此，利用voc传感器在不同温度下对特定类型气体反应剧烈的特性，使得本实施方案所使用的气体探测器能够在一定温度范围内探测得到多种气体成分。

6、可选的，所述在气体探测器运行期间调节所述气体探测器的工作温度包括：在气体探测器运行期间，根据选取自预设工作温度集合的候选值调节所述气体探测器的工作温度，其中，所述预设工作温度集合包括所述工作温度的多个候选值。通过合理设计预设工作温度集合使得气体探测器能够准确探测到所需探测的多种气体成分。

7、可选的，所述选取自预设工作温度集合的候选值是按照递增、递减或者随机的顺序从所述预设工作温度集合中选取得到的。相应的，气体探测器的工作温度持续升高、持续降低或震荡变化，以获取各候选值关联的气体成分的浓度。

8、可选的，所述预设工作温度集合在所述气体探测器运行期间被遍历至少一轮。通过循环采集的方式获得至少一组数据，以扩充输入预设机器学习模型的数据量，这有利于提高预测结果的准确度。

9、可选的，所述气体数据是基于遍历所述预设工作温度集合至少一轮后接收到的所有候选气体数据生成的，由此，能够确保气体数据的全面性。或者，生成所述气体数据的候选气体数据的数量少于所述预设工作温度集合中候选值的数量，由此，气体探测器的响应速度更快，能够更为迅速的生成气体数据。

10、可选的，所述预设工作温度集合中的候选值是根据所述气体探测器工作在所述候选值时对待检测气体成分的灵敏度确定的。由此，使得气体探测器能够在对特定种类气体成分最敏感的工作温度下检测该种类气体成分，从而确保气体数据的精确度，这有利于确保最终预测结果的准确度。

11、可选的，所述预设机器学习模型的训练过程包括：获取训练集，其中，所述训练集包括至少一组食材处于多个烹饪阶段时分别获得的气体数据，其中，每组食材包括至少一个种类的食材，所述多个烹饪阶段至少包括正常烹饪阶段和过度烹饪阶段；基于所述训练集训练所述预设机器学习模型，直至所述预设机器学习模型的预测准确率到达预设阈值。由此，训练集中训练样本的多样性使得预设机器学习模型在复杂环境下也能表现良好，针对不同食材、不同烹饪阶段均能准确识别过度烹饪。

12、可选的，所述预设机器学习模型选取自多个候选模型，所述预设机器学习模型的训练过程还包括：选择训练得到的多个候选模型中预测准确率最高的候选模型作为所述预设机器学习模型，其中，不同候选模型采用不同算法构建得到。由此，将预测表现最优的候选模型作为最终使用的预设机器学习模型，有利于提高实际应用阶段对过度烹饪的识别准确度。

13、可选的，所述训练集还包括获得各气体数据时的烹饪数据，其中，所述烹饪数据包括烹饪温度和烹饪湿度；所述将所述气体数据输入预设机器学习模型并获取预测结果包括：将所述气体数据和与所述气体数据同步获取的烹饪数据输入所述预设机器学习模型并获取预测结果。由此，结合烹饪数据以进一步扩展训练样本的多样性，有利于优化预设机器学习模型的训练效果，提高预测准确度。

14、可选的，所述预设机器学习模型包括：包括多个第一候选模型的第一组模型，其中每一所述第一候选模型基于单个训练集训练得到，所述训练集与食材种类一一对应，所述训练集包括对应种类的食材处于多个烹饪阶段时分别获得的气体数据；包括至少一个第二候选模型的第二组模型，其中每一所述第二候选模型基于多个训练集训练得到。由此，采用不同的训练集或不同的训练集组合来训练得到多种候选模型，使得不同候选模型对不同种类食材或不同种类食材组合在各烹饪阶段产生的气味敏感，从而在实际应用时针对任意气味场合均能有合适的候选模型进行预测。

15、可选的，所述将所述气体数据输入预设机器学习模型并获取预测结果包括：将所述气体数据输入所述第一组模型并获取各第一候选模型输出的第一预测结果；若多个第一预测结果中的概率最大值和概率次大值相近且分属不同烹饪阶段，则将所述气体数据输入所述第二组模型并获取第二预测结果；根据所述第一预测结果和第二预测结果中的概率最大值所属烹饪阶段确定当前是否处于过度烹饪阶段。本实施方案将第二组模型中基于多组训练集训练得到的综合数据模型作为辅助手段，在基于单个训练集训练得到的第一组模型可信度较低时，辅以第二组模型的预测结果综合确定最终的预测结果，有利于提高预设机器学习模型最终输出的预测结果的准确度。

16、可选的，所述过度烹饪检测方法还包括：基于获取的所述气体数据和预测结果更新训练集，其中，所述训练集包括至少一组食材处于多个烹饪阶段时分别获得的气体数据；使用更新的训练集训练所述预设机器学习模型，以得到更新的预设机器学习模型。由此，随着实际使用过程中数据量的增加持续扩充训练集，进而迭代更新预设机器学习模型，以进一步改善预设机器学习模型的预测准确度。

17、因此，本发明实施例还提供一种家用电器，包括：控制模块，用于执行上述过度烹饪检测方法，并在检测到当前处于过度烹饪阶段时发送控制指令；调整模块，响应于接收到所述控制指令，根据所述控制指令调节烹饪参数。由此，在基于本实施方案所提供的过度烹饪检测方法检测到发生过度烹饪时，主动调整烹饪参数以及时阻止过度烹饪。

18、可选的，所述家用电器为灶具，由此，灶具能够主动监测过度烹饪现象并及时调整加热功率等烹饪参数避免过度烹饪进一步加剧，优化用户的烹饪体验。或者，所述家用电器为油烟机，由此，执行上述过度烹饪检测方案的油烟机能够在排气的同时检测得到准确的气体数据，进而指导灶具及时调整烹饪参数。

19、可选的，所述控制模块设置于油烟机和/或灶具，所述调整模块设置于灶具。

20、可选的，所述家用电器还包括：气体探测器，用于采集所述气体数据，所述气体探测器与所述控制模块相通信以向所述控制模块发送所述气体数据。

21、可选的，所述家用电器还包括：通信模块，所述控制模块与所述气体探测器通过所述通信模块相通信，和/或，所述控制模块与所述调整模块通过所述通信模块相通信。