基于气味的食材烹饪进度监控系统

1.本技术涉及人工智能技术领域，且更为具体地，涉及一种基于气味的食材烹饪进度监控系统。


背景技术：

2.随着经济的不断发展，食品行业迎来了发展的黄金期，新时期下，“中央厨房”凭借其在成本控制、集中采购、标准化作业以及加工配送方面的优势，已经成为餐饮工业化发展的必然趋势。
3.在智能化中央厨房中，利用新一代信息技术来辅助烹饪是重要的应用研究，例如，通过新一代信息技术来进行食材烹饪状态监控以避免食材因厨师的遗忘而导致过度烹饪等。
4.因此，期待一种辅助烹饪系统，其能够对食材烹饪进度进行智能分析与判断以避免食材过度烹饪或者未烹饪充分就结束烹饪。
5.近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
6.深度学习以及神经网络的发展为食材烹饪进度的智能分析提供了新的解决思路和方案。


技术实现要素：

7.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于气味的食材烹饪进度监控系统，其使用基于深度学习的深度神经网络模型对食材在被烹饪过程中的多个预定时间点的气味数据和与所述食材相关的烹饪味道描述文本数据进行编码，然后，考虑到在融合所述气味特征向量和所述气味文本描述特征向量以得到分类特征向量时可能存在特征向量所表达的信息的损失，因此，对所述气味特征向量和所述气味文本描述特征向量进行互柯西重概率化，最后，融合所述校正后气味特征向量和所述校正后气味文本描述特征向量以得到分类特征向量，并将其通过分类器以得到用于表示是否结束烹饪的分类结果，通过这样的方式，以避免食材过度烹饪或者未烹饪充分就结束烹饪。
8.根据本技术的一个方面，提供了一种基于气味的食材烹饪进度监控系统，其包括：
9.气味数据采集模块，用于获取由部署于智能中央厨房的电子鼻采集的食材在被烹饪过程中的多个预定时间点的气味数据；
10.气味数据特征编码模块，用于将所述食材在被烹饪过程中的多个预定时间点的气味数据通过包含一维卷积层和全连接层的时序编码器以得到气味特征向量；
11.气味文本描述模块，用于获取与所述食材相关的烹饪味道描述文本数据；
12.气味文本描述编码模块，用于将所述烹饪味道描述文本数据通过包含嵌入层的上下文编码器以得到气味文本描述特征向量；
13.第一特征分布校正模块，用于基于所述气味文本描述特征向量，对所述气味特征向量中各个位置的特征值进行校正以得到校正后气味特征向量；
14.第二特征分布校正模块，用于基于所述气味特征向量，对所述气味文本描述特征向量中各个位置的特征值进行校正以得到校正后气味文本描述特征向量；
15.特征分布融合模块，用于融合所述校正后气味特征向量和所述校正后气味文本描述特征向量以得到分类特征向量；以及，
16.进度监控结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否结束烹饪。
17.根据本技术的另一方面，提供了一种基于气味的食材烹饪进度监控方法，其包括：
18.获取由部署于智能中央厨房的电子鼻采集的食材在被烹饪过程中的多个预定时间点的气味数据；
19.将所述食材在被烹饪过程中的多个预定时间点的气味数据通过包含一维卷积层和全连接层的时序编码器以得到气味特征向量；
20.获取与所述食材相关的烹饪味道描述文本数据；
21.将所述烹饪味道描述文本数据通过包含嵌入层的上下文编码器以得到气味文本描述特征向量；
22.基于所述气味文本描述特征向量，对所述气味特征向量中各个位置的特征值进行校正以得到校正后气味特征向量；
23.基于所述气味特征向量，对所述气味文本描述特征向量中各个位置的特征值进行校正以得到校正后气味文本描述特征向量；
24.融合所述校正后气味特征向量和所述校正后气味文本描述特征向量以得到分类特征向量；以及，
25.将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否结束烹饪。
26.根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于气味的食材烹饪进度监控方法。
27.根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于气味的食材烹饪进度监控方法。
28.与现有技术相比，本技术提供的一种基于气味的食材烹饪进度监控系统，其使用基于深度学习的深度神经网络模型对食材在被烹饪过程中的多个预定时间点的气味数据和与所述食材相关的烹饪味道描述文本数据进行编码，然后，考虑到在融合所述气味特征向量和所述气味文本描述特征向量以得到分类特征向量时可能存在特征向量所表达的信息的损失，因此，对所述气味特征向量和所述气味文本描述特征向量进行互柯西重概率化，最后，融合所述校正后气味特征向量和所述校正后气味文本描述特征向量以得到分类特征向量，并将其通过分类器以得到用于表示是否结束烹饪的分类结果，通过这样的方式，以避免食材过度烹饪或者未烹饪充分就结束烹饪。
附图说明
29.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
30.图1图示了根据本技术实施例的基于气味的食材烹饪进度监控系统的应用场景图。
31.图2图示了根据本技术实施例的基于气味的食材烹饪进度监控系统的框图示意图。
32.图3图示了根据本技术实施例的基于气味的食材烹饪进度监控系统中气味数据特征编码模块的框图。
33.图4图示了根据本技术实施例的基于气味的食材烹饪进度监控系统中气味文本描述编码模块的框图。
34.图5图示了根据本技术实施例的基于气味的食材烹饪进度监控方法的流程图。
35.图6图示了根据本技术实施例的基于气味的食材烹饪进度监控方法的系统架构的示意图。
36.图7图示了根据本技术实施例的基于气味的食材烹饪进度监控方法中，将所述食材在被烹饪过程中的多个预定时间点的气味数据通过包含一维卷积层和全连接层的时序编码器以得到气味特征向量的流程图。
37.图8图示了根据本技术实施例的电子设备的框图。
具体实施方式
38.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
39.场景概述
40.随着经济的不断发展，食品行业迎来了发展的黄金期，新时期下，“中央厨房”凭借其在成本控制、集中采购、标准化作业以及加工配送方面的优势，已经成为餐饮工业化发展的必然趋势。
41.在智能化中央厨房中，利用新一代信息技术来辅助烹饪是重要的应用研究，例如，通过新一代信息技术来进行食材烹饪状态监控以避免食材因厨师的遗忘而导致过度烹饪等。
42.因此，期待一种辅助烹饪系统，其能够对食材烹饪进度进行智能分析与判断以避免食材过度烹饪或者未烹饪充分就结束烹饪。
43.深度学习以及神经网络的发展为食材烹饪进度的智能分析提供了新的解决思路和方案。
44.对于任何食材而言，随着烹饪进度的推进，食材产生的气味会发生变化，因此，可基于所述食材在被烹饪过程中的气味数据来对食材的烹饪进度进行监控，以避免食材过度烹饪或者未烹饪充分就结束烹饪，这可以基于深度学习的神经网络模型来实现。
45.具体地，在本技术的技术方案中，首先利用部署于智能中央厨房的电子鼻来采集食材被烹饪过程中的气味数据。在一个具体的实施例中，所述电子鼻可以是气味指纹分析仪，所述气味指纹分析仪能够将气味模拟数据转化为气味数字数据，即，将气味模拟数据转化为便于计算机处理的气味数字表征。
46.对于所述食材烹饪过程中所产生的气味数据，考虑到所述气味数据在时序分布上具有连续性和渐变性且气味容易受环境气味的干扰，因此，在本技术实施例中，以气味数据的时间序列替代单个时间点的气味数据来作为输入。为了提取气味数据在时间维度上的分布特征，在本技术实施例中，使用包含全连接层和一维卷积层的时序编码器对所述多个预定时间点的气味数据进行编码以得到气味特征向量。
47.但是，在本技术的技术场景中，不同食材的味道不同且在被烹饪的不同阶段，被烹饪的食材所产生的气味数据也存在差异，这使得仅以气味特征向量作为分类特征向量来进行分类的精准度较低。为此，在本技术的技术方案中，本技术发明人考虑纳入将不同食材的烹饪味道描述文本作为辅助信息来提高所述气味特征向量的类概率分布的鲁棒性。具体地，可从互联网捕捉(例如，通过爬虫软件)与所述食材相关的烹饪味道描述文本数据，其中，所述烹饪味道描述文本数据包括烹饪前的食材味道描述，烹饪过程中的不同进度下的食材味道描述，以及，烹饪结束后的食材味道描述等。然后，使用包含嵌入层的上下文编码器对所述烹饪味道描述文本数据进行编码以得到气味文本描述特征向量。
48.这样，可融合所述气味特征向量和所述气味文本描述特征向量来提高对烹饪进度分类判断的精准度。但是由于在融合所述气味特征向量和所述气味文本描述特征向量以得到分类特征向量时，可能存在特征向量所表达的信息的损失，因此对于所述气味特征向量，例如记为v1和所述气味文本描述特征向量气味特征向量，例如记为v2进行互柯西重概率化，表示为：
[0049][0050][0051]
由此，通过对特征向量的每个特征值进行基于参考特征向量的概率性信息解释，使得在通过梯度反向传播进行时序编码器和上下文编码器的训练时，时序编码器和上下文编码器的参数能够对融合带来的信息损失随训练的迭代过程而自我适应，从而增强对融合带来的信息损失的鲁棒性，提升了融合后的分类特征向量的表达能力。这样，提高对烹饪进度分类判断的精准度。
[0052]
基于此，本技术提供了一种基于气味的食材烹饪进度监控系统，其特征在于，包括：气味数据采集模块，用于获取由部署于智能中央厨房的电子鼻采集的食材在被烹饪过程中的多个预定时间点的气味数据；气味数据特征编码模块，用于将所述食材在被烹饪过程中的多个预定时间点的气味数据通过包含一维卷积层和全连接层的时序编码器以得到气味特征向量；气味文本描述模块，用于获取与所述食材相关的烹饪味道描述文本数据；气味文本描述编码模块，用于将所述烹饪味道描述文本数据通过包含嵌入层的上下文编码器
以得到气味文本描述特征向量；第一特征分布校正模块，用于基于所述气味文本描述特征向量，对所述气味特征向量中各个位置的特征值进行校正以得到校正后气味特征向量；第二特征分布校正模块，用于基于所述气味特征向量，对所述气味文本描述特征向量中各个位置的特征值进行校正以得到校正后气味文本描述特征向量；特征分布融合模块，用于融合所述校正后气味特征向量和所述校正后气味文本描述特征向量以得到分类特征向量；以及，进度监控结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否结束烹饪。
[0053]
图1图示了根据本技术实施例的基于气味的食材烹饪进度监控系统的应用场景图。如图1所示，在该应用场景中，智能化中央厨房设有烹饪厨具，并且，还设有其他厨房用设备，包括但不限于微波炉、烤箱、电磁炉等，其中，这些厨房用设备通过5g、物联网等技术实现互连通讯。首先，通过部署于智能中央厨房的电子鼻(例如，如图1中所示意的e)采集食材在被烹饪过程中的多个预定时间点的气味数据，在一个示例中，所述电子鼻可以是气味指纹分析仪。同时，通过互联网(例如，通过爬虫软件)捕捉与所述食材相关的烹饪味道描述文本数据(例如，如图1中所示意的t)。然后，将采集的所述气味数据和所述烹饪味道描述文本数据输入至部署有基于气味的食材烹饪进度监控算法的服务器中(例如，如图1所示意的s)，其中，所述服务器能够使用基于气味的食材烹饪进度监控算法对采集的所述气味数据和所述烹饪味道描述文本数据进行处理，以生成用于表示是否结束烹饪的判断结果。
[0054]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0055]
示例性系统
[0056]
图2图示了根据本技术实施例的基于气味的食材烹饪进度监控系统的框图示意图。如图2所示，根据本技术实施例的所述基于气味的食材烹饪进度监控系统100，包括：气味数据采集模块110，用于获取由部署于智能中央厨房的电子鼻采集的食材在被烹饪过程中的多个预定时间点的气味数据；气味数据特征编码模块120，用于将所述食材在被烹饪过程中的多个预定时间点的气味数据通过包含一维卷积层和全连接层的时序编码器以得到气味特征向量；气味文本描述模块130，用于获取与所述食材相关的烹饪味道描述文本数据；气味文本描述编码模块140，用于将所述烹饪味道描述文本数据通过包含嵌入层的上下文编码器以得到气味文本描述特征向量；第一特征分布校正模块150，用于基于所述气味文本描述特征向量，对所述气味特征向量中各个位置的特征值进行校正以得到校正后气味特征向量；第二特征分布校正模块160，用于基于所述气味特征向量，对所述气味文本描述特征向量中各个位置的特征值进行校正以得到校正后气味文本描述特征向量；特征分布融合模块170，用于融合所述校正后气味特征向量和所述校正后气味文本描述特征向量以得到分类特征向量；以及,进度监控结果生成模块180，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否结束烹饪。
[0057]
在本实施例中，气味数据采集模块110，用于获取由部署于智能中央厨房的电子鼻采集的食材在被烹饪过程中的多个预定时间点的气味数据。如上所述，对于任何食材而言，随着烹饪进度的推进，食材产生的气味会发生变化，因此，可基于所述食材在被烹饪过程中的气味数据来对食材的烹饪进度进行监控，以避免食材过度烹饪或者未烹饪充分就结束烹饪，从而提高烹饪质量。
[0058]
具体地，在本技术的技术方案中，利用部署于智能中央厨房的电子鼻来采集食材被烹饪过程中的气味数据。在一个具体的实施例中，所述电子鼻可以是气味指纹分析仪，所述气味指纹分析仪能够将气味模拟数据转化为气味数字数据，即，将气味模拟数据转化为便于计算机处理的气味数字表征。
[0059]
在本实施例中，气味数据特征编码模块120，用于将所述食材在被烹饪过程中的多个预定时间点的气味数据通过包含一维卷积层和全连接层的时序编码器以得到气味特征向量。应可以理解，对于所述食材烹饪过程中所产生的气味数据，考虑到所述气味数据在时序分布上具有连续性和渐变性且气味容易受环境气味的干扰，因此，在本技术实施例中，以气味数据的时间序列替代单个时间点的气味数据来作为输入。为了提取气味数据在时间维度上的分布特征，在本技术实施例中，使用包含全连接层和一维卷积层的时序编码器对所述多个预定时间点的气味数据进行编码以得到气味特征向量。
[0060]
在本技术的一个实施例中，图3图示了根据本技术实施例的基于气味的食材烹饪进度监控系统中气味数据特征编码模块的框图。如图3所示，所述气味数据特征编码模块120，包括输入向量构造单元121、全连接编码单元122和一维卷积编码单元123。其中：输入向量构造单元121，用于将所述食材在被烹饪过程中的多个预定时间点的气味数据按照时间维度排列为输入向量；全连接编码单元122，用于使用所述时序编码器的全连接层对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征；一维卷积编码单元123，用于使用时序编码器的一维卷积层对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关联特征。
[0061]
在本技术一个具体的实施例中，所述时序编码器由交替排列的全连接层和一维卷积层组成。应可以理解，通过交替排列的全连接层和一维卷积层可交替进行一维卷积编码和全连接编码以从输入数据中提取为更为深入的高维隐含特征，也就是，从输入数据中提取出更隐含的模式特征。
[0062]
在本实施例中，气味文本描述模块130，用于获取与所述食材相关的烹饪味道描述文本数据。应可以理解，在本技术的技术场景中，不同食材的味道不同且在被烹饪的不同阶段，被烹饪的食材所产生的气味数据也存在差异，这使得仅以气味特征向量作为分类特征向量来进行分类的精准度较低。为此，在本技术的技术方案中，本技术发明人考虑纳入将不同食材的烹饪味道描述文本作为辅助信息来提高所述气味特征向量的类概率分布的鲁棒性。具体地，可从互联网捕捉(例如，通过爬虫软件)与所述食材相关的烹饪味道描述文本数据，其中，所述烹饪味道描述文本数据包括烹饪前的食材味道描述，烹饪过程中的不同进度下的食材味道描述，以及，烹饪结束后的食材味道描述等。
[0063]
在本实施例中，气味文本描述编码模块140，用于将所述烹饪味道描述文本数据通过包含嵌入层的上下文编码器以得到气味文本描述特征向量。应可以理解，考虑到所述所述烹饪味道描述文本数据中各个词之间存在关联，因此，使用包含嵌入层的上下文编码器对所述烹饪味道描述文本数据进行全局特征信息提取，以得到用于表示所述烹饪味道描述文本数据的整体的所述气味文本描述特征向量。
[0064]
具体地，首先对所述烹饪味道描述文本数据进行分词以得到词序列。然后，使用所述上下文编码器的嵌入层将所述词序列中各个词分别转化为词嵌入向量以得到词嵌入向量的序列。所述嵌入层的作用在于数据转化并嵌入编码以将所述烹饪味道描述文本数据中
的各个词映射到词嵌入向量空间中以得到词嵌入向量的序列。进一步地，在本技术的技术方案中，使用基于转换器的bert模型对所述词嵌入向量的序列进行基于上下文的全局高维语义编码以提取所述词嵌入向量的序列中各个词嵌入向量相对于所述词嵌入向量的序列的全局的高维关联隐含特征以得到多个语义特征向量。并进一步地将多个语义特征向量进行级联以得到所述气味文本描述特征向量，也就是，将所述烹饪味道描述文本数据中各个词的高维特征分布表示在高维空间进行级联以得到用于表示所述烹饪味道描述文本数据的整体的所述气味文本描述特征向量。
[0065]
在本技术的一个实施例中，图4图示了根据本技术实施例的基于气味的食材烹饪进度监控系统中气味文本描述编码模块的框图。所述气味文本描述编码模块140，包括分词单元141、嵌入向量单元142、上下文语义编码单元143和级联单元144。其中：分词单元141，用于对所述烹饪味道描述文本数据进行分词以得到词序列；嵌入向量单元142，用于使用所述上下文编码器的嵌入层将所述词序列中各个词分别转化为词嵌入向量以得到词嵌入向量的序列；上下文语义编码单元143，用于使用所述上下文编码器的基于转换器的bert模型对所述词嵌入向量的序列进行上下文语义编码以得到多个语义特征向量；级联单元144，用于将所述多个语义特征向量进行级联以得到所述气味文本描述特征向量。
[0066]
接着，可融合所述气味特征向量和所述气味文本描述特征向量来提高对烹饪进度分类判断的精准度。例如，直接进行按位置的加权融合。但是由于在融合所述气味特征向量和所述气味文本描述特征向量以得到分类特征向量时，可能存在特征向量所表达的信息的损失，因此对于所述气味特征向量，例如记为v1和所述气味文本描述特征向量，例如记为v2进行互柯西重概率化，表示为：
[0067][0068][0069]
由此，通过对特征向量的每个特征值进行基于参考特征向量的概率性信息解释，使得在通过梯度反向传播进行时序编码器和上下文编码器的训练时，时序编码器和上下文编码器的参数能够对融合带来的信息损失随训练的迭代过程而自我适应，从而增强对融合带来的信息损失的鲁棒性，提升了融合后的分类特征向量的表达能力。这样，提高对烹饪进度分类判断的精准度。
[0070]
在本实施例中，第一特征分布校正模块150，用于基于所述气味文本描述特征向量，对所述气味特征向量中各个位置的特征值进行校正以得到校正后气味特征向量。
[0071]
在本技术的一个实施例中，所述第一特征分布校正模块，进一步用于基于所述气味文本描述特征向量，以如下公式对所述气味特征向量中各个位置的特征值进行校正以得到所述校正后气味特征向量；
[0072]
其中，所述公式为：
[0073][0074]
其中，表示计算以所述气味特征向量中各个位置的特征值为幂的自然指数函数值；表示计算以所述气味文本描述特征向量中各个位置的特征值为幂的自然指数函数值的加和，且为校正后气味特征向量。
[0075]
在本实施例中，第二特征分布校正模块160，用于基于所述气味特征向量，对所述气味文本描述特征向量中各个位置的特征值进行校正以得到校正后气味文本描述特征向量。
[0076]
在本技术的一个实施例中，所述第二特征分布校正模块，进一步用于基于所述气味特征向量，以如下公式对所述气味文本描述特征向量中各个位置的特征值进行校正以得到所述校正后气味文本描述特征向量；
[0077]
其中，所述公式为：
[0078][0079]
其中，表示计算以所述气味文本描述特征向量中各个位置的特征值为幂的自然指数函数值；表示计算以所述气味特征向量中各个位置的特征值为幂的自然指数函数值的加和，且为校正后气味文本描述特征向量。
[0080]
在本实施例中，特征分布融合模块170，用于融合所述校正后气味特征向量和所述校正后气味文本描述特征向量以得到分类特征向量。应可以理解，将所述校正后气味特征向量和所述校正后气味文本描述特征向量进行按位置的加权融合以得到包含有气味特征信息和气味文本描述特征信息的分类特征向量。通过将被烹饪的食材的气味特征信息和气味文本描述特征信息进行融合，以提高分类特征向量的表征能力，从而检测系统的分辨能力。
[0081]
在本技术的一个实施例中，所述特征分布融合模块170，进一步用于计算所述校正后气味特征向量和所述校正后气味文本描述特征向量的按位置加权和以得到所述分类特征向量。
[0082]
在本技术的一个实施例中，所述特征分布融合模块170，进一步用于以如下公式来融合所述校正后气味特征向量和所述校正后气味文本描述特征向量以得到分类特征向量；
[0083]
其中，所述公式为：
[0084]vc
＝λv1+βv2[0085]
其中，vc为所述分类特征向量，v1为所述校正后气味特征向量，v2为所述校正后气味文本描述特征向量，“+”表示所述第一特征图和所述第二特征图相对应位置处的元素相加，λ和β为用于控制所述分类特征图中所述第一特征图和所述第二特征图之间的平衡的加权参数。
[0086]
在本实施例中，进度监控结果生成模块180，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否结束烹饪。
[0087]
在本技术的一个实施例中，所述进度监控结果生成模块，进一步用于使用所述分类器以如下公式对所述分类特征向量进行处理以得到所述分类结果；
[0088]
其中，所述公式为：softmax{(wn,bn):
…
:(w1,b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为分类特征向量。
[0089]
也就是，计算所述一维的分类特征向量的softmax函数值，即，所述分类特征向量归属于各个分类标签的概率值，在本技术实施例中，所述分类标签包括结束烹饪(第一标签)和不结束烹饪(第二标签)。最后，将概率值较大者对应的标签作为所述分类结果。
[0090]
综上，基于本技术实施例的所述基于气味的食材烹饪进度监控系统，其使用基于深度学习的深度神经网络模型对食材在被烹饪过程中的多个预定时间点的气味数据和与所述食材相关的烹饪味道描述文本数据进行编码，然后，考虑到在融合所述气味特征向量和所述气味文本描述特征向量以得到分类特征向量时可能存在特征向量所表达的信息的损失，因此，对所述气味特征向量和所述气味文本描述特征向量进行互柯西重概率化，最后，融合所述校正后气味特征向量和所述校正后气味文本描述特征向量以得到分类特征向量，并将其通过分类器以得到用于表示是否结束烹饪的分类结果，通过这样的方式，以避免食材过度烹饪或者未烹饪充分就结束烹饪。
[0091]
如上所述，根据本技术实施例的所述基于气味的食材烹饪进度监控系统100可以实现在各种终端设备中，例如基于气味的食材烹饪进度监控系统的服务器等。在一个示例中，根据基于气味的食材烹饪进度监控系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于气味的食材烹饪进度监控系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于气味的食材烹饪进度监控系统100同样可以是该终端设备的众多硬件模块之一。
[0092]
替换地，在另一示例中，该基于气味的食材烹饪进度监控系统100与该终端设备也可以是分立的设备，并且基于气味的食材烹饪进度监控系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0093]
示例性方法
[0094]
图5图示了根据本技术实施例的基于气味的食材烹饪进度监控方法的流程图。如图5所示，根据本技术实施例的基于气味的食材烹饪进度监控系统，其特征在于，包括：s110，获取由部署于智能中央厨房的电子鼻采集的食材在被烹饪过程中的多个预定时间点的气味数据；s120，将所述食材在被烹饪过程中的多个预定时间点的气味数据通过包含一维卷积层和全连接层的时序编码器以得到气味特征向量；s130，获取与所述食材相关的烹饪味道描述文本数据；s140，将所述烹饪味道描述文本数据通过包含嵌入层的上下文编码器以得到气味文本描述特征向量；s150，基于所述气味文本描述特征向量，对所述气味特征向量中各个位置的特征值进行校正以得到校正后气味特征向量；s160，基于所述气味特征向量，对所述气味文本描述特征向量中各个位置的特征值进行校正以得到校正后气味文本描述特征向量；s170，融合所述校正后气味特征向量和所述校正后气味文本描述特征向量以得到分类特征向量；以及，s180，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否结束烹饪。
[0095]
图6图示了根据本技术实施例的基于气味的食材烹饪进度监控方法的系统架构的示意图。在本技术实施例中，首先，通过部署于智能中央厨房的电子鼻采集食材在被烹饪过程中的多个预定时间点的气味数据。然后，将所述食材在被烹饪过程中的多个预定时间点的气味数据通过包含一维卷积层和全连接层的时序编码器以得到气味特征向量。同时，通过互联网获取与所述食材相关的烹饪味道描述文本数据。然后，将所述烹饪味道描述文本数据通过包含嵌入层的上下文编码器以得到气味文本描述特征向量。接着，基于所述气味文本描述特征向量，对所述气味特征向量中各个位置的特征值进行校正以得到校正后气味特征向量。同时，基于所述气味特征向量，对所述气味文本描述特征向量中各个位置的特征值进行校正以得到校正后气味文本描述特征向量。最后，融合所述校正后气味特征向量和所述校正后气味文本描述特征向量以得到分类特征向量，并将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否结束烹饪。
[0096]
在本技术的一个实施例中，图7图示了根据本技术实施例的基于气味的食材烹饪进度监控方法中，将所述食材在被烹饪过程中的多个预定时间点的气味数据通过包含一维卷积层和全连接层的时序编码器以得到气味特征向量的流程图。将所述食材在被烹饪过程中的多个预定时间点的气味数据通过包含一维卷积层和全连接层的时序编码器以得到气味特征向量，包括：s210，将所述食材在被烹饪过程中的多个预定时间点的气味数据按照时间维度排列为输入向量；s220，使用所述时序编码器的全连接层对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征；s230，使用时序编码器的一维卷积层对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关联特征。
[0097]
在本技术的一个实施例中，将所述烹饪味道描述文本数据通过包含嵌入层的上下文编码器以得到气味文本描述特征向量，包括：对所述烹饪味道描述文本数据进行分词以得到词序列；使用所述上下文编码器的嵌入层将所述词序列中各个词分别转化为词嵌入向量以得到词嵌入向量的序列；使用所述上下文编码器的基于转换器的bert模型对所述词嵌入向量的序列进行上下文语义编码以得到多个语义特征向量；以及，将所述多个语义特征向量进行级联以得到所述气味文本描述特征向量。
[0098]
在本技术的一个实施例中，基于所述气味文本描述特征向量，对所述气味特征向量中各个位置的特征值进行校正以得到校正后气味特征向量，进一步用于基于所述气味文本描述特征向量，以如下公式对所述气味特征向量中各个位置的特征值进行校正以得到所述校正后气味特征向量；
[0099]
其中，所述公式为：
[0100][0101]
其中，表示计算以所述气味特征向量中各个位置的特征值为幂的自然指数函数值；表示计算以所述气味文本描述特征向量中各个位置的特征值为幂的自然指数函数值的加和，且为校正后气味特征向量。
[0102]
在本技术的一个实施例中，基于所述气味特征向量，对所述气味文本描述特征向
量中各个位置的特征值进行校正以得到校正后气味文本描述特征向量，进一步用于基于所述气味特征向量，以如下公式对所述气味文本描述特征向量中各个位置的特征值进行校正以得到所述校正后气味文本描述特征向量；
[0103]
其中，所述公式为：
[0104][0105]
其中，表示计算以所述气味文本描述特征向量中各个位置的特征值为幂的自然指数函数值；表示计算以所述气味特征向量中各个位置的特征值为幂的自然指数函数值的加和，且为校正后气味文本描述特征向量。
[0106]
在本技术的一个实施例中，融合所述校正后气味特征向量和所述校正后气味文本描述特征向量以得到分类特征向量，进一步用于计算所述校正后气味特征向量和所述校正后气味文本描述特征向量的按位置加权和以得到所述分类特征向量。
[0107]
在本技术的一个实施例中，将所述分类特征向量通过分类器以得到分类结果，进一步用于使用所述分类器以如下公式对所述分类特征向量进行处理以得到所述分类结果；
[0108]
其中，所述公式为：softmax{(wn,bn):
…
:(w1,b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为分类特征向量。
[0109]
这里，本领域技术人员可以理解，上述基于气味的食材烹饪进度监控方法中的各个步骤的具体操作已经在上面参考图1到图4的基于气味的食材烹饪进度监控系统的描述中得到了详细介绍，并因此，将省略其重复描述。
[0110]
示例性电子设备
[0111]
下面，参考图8来描述根据本技术实施例的电子设备。
[0112]
图8图示了根据本技术实施例的电子设备的框图。
[0113]
如图8所示，电子设备10包括一个或多个处理器11和存储器12。
[0114]
处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
[0115]
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的基于气味的食材烹饪进度监控以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如气味数据、烹饪味道描述文本数据等各种内容。
[0116]
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0117]
该输入装置13可以包括例如键盘、鼠标等等。
[0118]
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0119]
示例性计算机程序产品和计算机可读存储介质
[0120]
除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的基于气味的食材烹饪进度监控方法的步骤。
[0121]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0122]
此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的基于气味的食材烹饪进度监控方法的步骤。
[0123]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0124]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0125]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0126]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0127]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0128]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。