根据烹饪器具预测食物重量的方法、装置及相关设备与流程

1.本技术涉及计算机技术领域，尤其涉及一种根据烹饪器具预测食物重量的方法、装置及相关设备。


背景技术：

2.相关技术中，为了通过烹饪器具的外壁温度推测烹饪器具内的食物重量，通常基于不同场景构建不同的外壁温度与食物重量的线性关系模型来实现。
3.但是，利用相关技术构建的线性关系模型对烹饪器具内的食物重量进行预测的准确度低，稳定性差。


技术实现要素：

4.有鉴于此，本技术的目的在于提出一种根据烹饪器具预测食物重量的方法、装置及相关设备。
5.基于上述目的，在第一方面，本技术提供了一种根据烹饪器具预测食物重量的方法，包括：
6.确定所述烹饪器具的目标特征和/或食物特性以及温度，所述温度包括所述烹饪器具的外壁温度和/或内壁温度；以及
7.将所述烹饪器具的目标特征和/或食物特性以及温度作为输入数据，输入预训练的预测模型，输出得到所述烹饪器具内的食物重量。
8.在一种可能的实现方式中，所述目标特征，包括：所述烹饪器具的加热能力；
9.所述确定所述烹饪器具的目标特征，还包括：
10.获取实时烹饪器具的锅体材质信息、锅体厚度信息、锅体与线圈的接触面积和所述线圈的布局信息；
11.根据所述线圈的布局信息确定加热系数；
12.根据所述锅体材质信息与锅体厚度信息比值、锅体与线圈的接触面积以及加热系数确定实施烹饪器具的加热能力。
13.在一种可能的实现方式中，所述目标特征，包括：所述烹饪器具的初始温度、所述烹饪器具的当前温度以及补偿后的温度变化速率；
14.所述确定所述烹饪器具的目标特征，还包括：
15.获取所述烹饪器具的初始温度、所述烹饪器具的当前温度和实施烹饪器具的初始状态；其中，所述初始状态，包括：冷锅状态和热锅状态；
16.根据所述初始温度确定所述初始温度对应的第一时间；
17.根据所述当前温度确定所述当前温度对应的第二时间；
18.根据所述初始状态确定补偿系数；
19.根据所述初始温度和当前温度的差值的绝对值与所述第一时间和第二时间的差值的绝对值的比值以及所述补偿系数确定所述补偿后的温度变化速率。
20.在一种可能的实现方式中，所述目标特征，包括：所述烹饪器具的损耗系数；
21.所述确定所述烹饪器具的目标特征，还包括：
22.根据所述烹饪器具确定烹饪器具涂层的剥落状态和所述烹饪器具的使用时间；
23.根据所述烹饪器具涂层的剥落状态和所述烹饪器具的使用时间确定所述烹饪器具的损耗系数。
24.在一种可能的实现方式中，所述目标特征，还包括：所述烹饪器具的加热功率。
25.在一种可能的实现方式中，所述方法，还包括：
26.获取所述烹饪器具内的食物的含水率和/或食物比热容；
27.根据所述烹饪器具内的食物的含水率和/或食物比热容确定所述食物特性。
28.在一种可能的实现方式中，所述方法，还包括：
29.获取目标特征样本数据；其中，所述目标特征样本数据，包括：所述烹饪器具的加热能力样本数据、所述烹饪器具的初始温度样本数据、所述烹饪器具的当前温度样本数据、补偿后的温度变化速率样本数据、所述烹饪器具的损耗系数样本数据、所述烹饪器具的加热功率样本数据以及食物特性样本数据中的一种或多种；
30.确定所述目标特征样本数据的基尼系数；
31.根据所述基尼系数确定最佳切分点；
32.根据所述最佳切分点基于决策树模型确定待训练的预测模型；
33.根据所述目标特征样本数据训练所述待训练的预测模型以得到预测模型。
34.在第二方面，本技术提供了一种根据烹饪器具预测食物重量的装置，包括：
35.确定模块，被配置为确定所述烹饪器具的目标特征和/或食物特性以及温度，所述温度包括所述烹饪器具的外壁温度和/或内壁温度；
36.预测模块，被配置为将所述烹饪器具的目标特征和/或食物特性以及温度作为输入数据，输入预训练的预测模型，输出得到所述烹饪器具内的食物重量。
37.在第三方面，本技术提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的根据烹饪器具预测食物重量的方法。
38.在第四方面，本技术提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行如第一方面所述的根据烹饪器具预测食物重量的方法。
39.从上面所述可以看出，本技术提供的一种根据烹饪器具预测食物重量的方法、装置及相关设备，确定所述烹饪器具的目标特征和/或食物特性以及温度，所述温度包括所述烹饪器具的外壁温度和/或内壁温度，将所述烹饪器具的目标特征和/或食物特性以及温度作为输入数据，输入预训练的预测模型，输出得到所述烹饪器具内的食物重量。无需根据不同场景构建不同的温度和食物重量的线性关系模型，可以将不同的目标特征和温度作为模型的输入，在训练一个通用的预测模型的基础上，通过该预测模型预测不同条件下的不同食物的重量，通过多个目标特征对食物重量进行预测，可以提高预测结果的准确性和稳定性。
附图说明
40.为了更清楚地说明本技术或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
41.图1示出了本技术实施例所提供的一种根据烹饪器具预测食物重量的方法的示例性流程示意图。
42.图2示出了根据本技术的实施例的不同锅体材质、不同锅体厚度和不同线圈布局方式的干烧速率下温度随时间变化的趋势示意图。
43.图3示出了根据本技术的实施例的锅体外壁在不同水量和不同功率条件下温度随时间变化的趋势示意图。
44.图4示出了本技术实施例所提供的一种根据烹饪器具预测食物重量的装置的示例性结构示意图。
45.图5示出了本技术实施例所提供的一种电子设备的示例性结构示意图。
具体实施方式
46.为使本技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本技术进一步详细说明。
47.需要说明的是，除非另外定义，本技术实施例使用的技术术语或者科学术语应当为本技术所属领域内具有一般技能的人士所理解的通常意义。本技术实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
48.如背景技术部分所述，为了通过烹饪器具的外壁温度推测烹饪器具内的食物重量，通常基于不同场景构建不同的外壁温度与食物重量的线性关系模型来实现。
49.一种相关技术中，通过温度/湿度/光学传感器，检测食物的温度/湿度/质量或体积，和预先存储的期望值/阈值进行比较，从而判断是否装载过量。
50.另一种相关技术中，针对不同的食材、容器、功率、温升速率、分别预存储温度变化率和重量的关系曲线，根据实时温度变化信息，确定食材重量。
51.另一种相关技术中，将实时的热量吸收曲线和预置的热量吸收曲线进行对比，若二者差值大于阈值，则调整烹饪参数。
52.但申请人通过研究发现，相关技术中仅利用外壁温度和食物重量进行线性关系建模，模型过于简单，并且，基于不同场景构建不同的外壁温度与食物重量的线性关系模型，使得预测过程复杂，在不同场景下需要找到不同的模型对食物重量进行预测，不仅会造成预测准确度的下降，还会因为匹配不同模型时容易造成误差，利用错误的模型对当前场景的食物重量进行预测，造成预测稳定性的下降。
53.正因如此，本技术提供的一种根据烹饪器具预测食物重量的方法、装置及相关设备，确定所述烹饪器具的目标特征和/或食物特性以及温度，所述温度包括所述烹饪器具的外壁温度和/或内壁温度，将所述烹饪器具的目标特征和/或食物特性以及温度作为输入数据，输入预训练的预测模型，输出得到所述烹饪器具内的食物重量。无需根据不同场景构建不同的温度和食物重量的线性关系模型，可以将不同的目标特征和温度作为模型的输入，在训练一个通用的预测模型的基础上，通过该预测模型预测不同条件下的不同食物的重量，通过多个目标特征对食物重量进行预测，可以提高预测结果的准确性和稳定性。
54.下面通过具体的实施例来对本技术实施例所提供的根据烹饪器具预测食物重量的方法进行具体说明。
55.图1示出了本技术实施例所提供的一种根据烹饪器具预测食物重量的方法的示例性流程示意图。
56.参考图1，本技术实施例所提供的一种根据烹饪器具预测食物重量的方法具体包括以下步骤：
57.s102：确定所述烹饪器具的目标特征和/或食物特性以及温度，所述温度包括所述烹饪器具的外壁温度和/或内壁温度。
58.s104：将所述烹饪器具的目标特征和/或食物特性以及温度作为输入数据，输入预训练的预测模型，输出得到所述烹饪器具内的食物重量。
59.在一些可选的实施方式中，可以通过离线收集各种条件下的温度-重量及其他相关特征数据，并将收集到的数据转化为训练样本数据，基于决策树模型训练得到一个预测模型。其中，温度样本数据的获取可以利用热敏电阻、热电偶、热电阻、红外等测温传感器测量烹饪器具的外壁温度和/或内壁温度。例如，使用ntc热敏电阻测量外壁温度，将该外壁温度作为温度样本数据，用于训练预测模型。
60.在一些可选的实施方式中，对于预测模型的训练，可以将获取到的目标特征样本数据作为训练集，其中，目标特征样本数据可以包括烹饪器具的加热能力样本数据、烹饪器具的初始温度样本数据、烹饪器具的当前温度样本数据、补偿后的温度变化速率样本数据、烹饪器具的损耗系数样本数据、烹饪器具的加热功率样本数据以及食物特性样本数据中的一种或多种。进一步地，生成决策树模型，利用决策树模型找出最佳节点和最佳的分枝方法。其中，评估标准可以采用基尼系数，通过计算每个目标特征样本数据的基尼系数，选择最佳切分点，并根据最佳切分点和全部目标特征样本数据的基尼系数从上至下递归地生成子节点，直到训练集不可分则停止决策树的生长过程，进而可以得到待训练的预测模型。其中，为了避免基于决策树模型确定的预测模型的过拟合现象，可以控制决策树的最大长度，具体长度不做限定。再进一步地，可以利用目标特征样本数据作为训练集，对待训练的预测模型进行训练，从而得到用于预测食物重量的预测模型。
61.需要说明的是，预测模型还可以基于逻辑回归模型和/或随机森林模型训练得到。
62.在一些可选的实施方式中，输入到预测模型中的数据可以为至少一个目标特征和/或食物特性以及温度，其中，温度可以为通过测量得到的烹饪器具的外壁温度和/或内壁温度。其中，烹饪器具的目标特征可以包括烹饪器具的加热能力、烹饪器具的初始温度、烹饪器具的当前温度、补偿后的温度变化速率、烹饪器具的损耗系数以及烹饪器具的加热功率。
63.需要说明的是，烹饪器具的加热能力可以通过烹饪器具的锅体材质信息、锅体厚度信息、锅体与线圈的接触面积和线圈的布局信息进行确定。具体地，可以通过以下公式对烹饪器具的加热能力进行计算：
[0064][0065]
其中，c
heating
表示烹饪器具的加热能力，p
material
表示烹饪器具的锅体材质信息，可以用热传导率表示，p
thickness
表示烹饪器具的锅体厚度信息，s
coil
表示锅体与线圈的接触面积，k表示加热系数，其中加热系数可以通过线圈的布局信息确定，取值可以在0-1之间。为了量纲的统一，烹饪器具的锅体材质信息、烹饪器具的锅体厚度信息以及锅体与线圈的接触面积进行了不同值域的归一化。
[0066]
图2示出了根据本技术的实施例的不同锅体材质、不同锅体厚度和不同线圈布局方式的干烧速率下温度随时间变化的趋势示意图。
[0067]
对于烹饪器具的加热能力，当烹饪容器的热传导效率高，则其加热速度较快，当烹饪容器的厚度较大，则其加热速度较慢，当锅体和线圈的接触面积越大，则其加热能力越强。参考图2，锅体材质分为铸铁和复合材料，锅体厚度分别为2.5mm、3mm和5mm，线圈的布局方式分为均匀和非均匀两种，在加热功率为3挡的情况下，线圈布局均匀，厚度为5mm的铸铁烹饪器具的升温速率最高，线圈布局均匀，厚度为3mm的铸铁烹饪器具的升温速率最低，由此确定不同锅体材质、不同锅体厚度和不同线圈布局方式的条件下，烹饪器具的加热能力。
[0068]
在一些可选的实施方式中，烹饪器具的温度特性可以作为目标特征，具体通过烹饪器具的初始温度、烹饪器具的当前温度以及补偿后的温度变化速率来表示。其中，初始温度是指烹饪器具开始烹饪时的初始温度，可以将初始温度归一化到0-1之间，从而统一量纲。当前温度是指烹饪器具当前的实时温度，同样的，为了统一量纲，可以将当前温度归一化到0-1之间。对于补偿后的温度变化速率，可以通过以下公式计算得到：
[0069][0070]
其中，v
temp
表示补偿后的温度变化速率，t
start
表示烹饪器具的初始温度，t
current
表示烹饪器具的当前温度，t
start
表示初始温度对应的第一时间， t
current
表示当前温度对应的第二时间，η表示补偿系数，通过烹饪器具的初始状态确定，取值可以在0-1之间。其中，烹饪器具的初始状态可以包括冷锅状态和热锅状态，考虑到若烹饪器具刚开始炒菜，即冷锅状态，则需要有段较长时间的热锅过程，此时计算得到温度变化速率较低，此时，η取值较大，相反，若是热锅状态，则计算的温度变化速率较高，则η取值较小。
[0071]
需要说明的是，补偿后的温度变化速率也可以通过当前温度相对于上一时刻温度的变化率确定。
[0072]
在一些可选的实施方式中，对于烹饪器具的损耗系数，可以通过根据烹饪器具确定烹饪器具的图层的剥落状态以及烹饪器具的使用时间来确定。随着使用次数的增加，带有涂层的锅体，涂层的剥落状态会越来越明显，导热性能反而会提高。类似的，锅体的厚度也会越来越薄，也会提高其导热性能。导热性能的提高，会直接影响到温度的变化速率。为了统一量纲，烹饪器具的损耗系数可以取值在0-1之间。
[0073]
在一些可选的实施方式中，对于烹饪器具的加热功率，可以通过烹饪器具的实际功率或者最大功率的百分比来表示，为了统一量纲，烹饪器具的加热功率的取值区间可以归一化到0-5之间。
[0074]
图3示出了根据本技术的实施例的锅体外壁在不同水量和不同功率条件下温度随时间变化的趋势示意图。
[0075]
参考图3，加热功率可以通过不同水量和不同功率条件下温度随时间变化的趋势来进一步说明，其中，实际功率为3200w的烹饪器具装有500g的水，此时锅体外壁的升温速率最快；实际功率为8000w的烹饪器具装有1500g 的水，此时锅体外壁的升温速率最慢。
[0076]
在一些可选的实施方式中，输入至预测模型中的数据还可以包括食物特性，通过食物特性和烹饪器具的温度对烹饪器具内的食物重量进行预测。其中，食物特性可以为食物的含水率和/或食物比热容。
[0077]
通过设计实验可以进一步证明本技术的技术效果，其中，随机选取了几组不同功率、不同水量的数据进行测试，水量分别为500g、1000g、1500g、 2000g、2500g，其中，500g水量的实验样本有4组，1000g水量的实验样本有10组，1500g水量的实验样本有78组，2000g水量的实验样本有8组，2500g水量的实验样本有24组。并且，1500g水量对应的实验样本中包括了加热功率为1600w、3200w、4800w和6400w的不同结果。实验结果表明，食物重量的整体预测准确率为99.19％，且对于不同功率下相同的水量的区分度能够达到100％。
[0078]
从上面所述可以看出，本技术提供的一种根据烹饪器具预测食物重量的方法、装置及相关设备，确定所述烹饪器具的目标特征和/或食物特性以及温度，所述温度包括所述烹饪器具的外壁温度和/或内壁温度，将所述烹饪器具的目标特征和/或食物特性以及温度作为输入数据，输入预训练的预测模型，输出得到所述烹饪器具内的食物重量。无需根据不同场景构建不同的温度和食物重量的线性关系模型，可以将不同的目标特征和温度作为模型的输入，在训练一个通用的预测模型的基础上，通过该预测模型预测不同条件下的不同食物的重量，通过多个目标特征对食物重量进行预测，可以提高预测结果的准确性和稳定性。
[0079]
需要说明的是，本技术实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本技术实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
[0080]
需要说明的是，上述对本技术的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0081]
图4示出了本技术实施例所提供的一种根据烹饪器具预测食物重量的装置的示例性结构示意图。
[0082]
基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种根据烹饪器具预测食物重量的装置。
[0083]
参考图4，所述根据烹饪器具预测食物重量的装置，包括：确定模块和预测模块；其
中，
[0084]
确定模块，被配置为确定所述烹饪器具的目标特征和/或食物特性以及温度，所述温度包括所述烹饪器具的外壁温度和/或内壁温度；
[0085]
预测模块，被配置为将所述烹饪器具的目标特征和/或食物特性以及温度作为输入数据，输入预训练的预测模型，输出得到所述烹饪器具内的食物重量。
[0086]
在一种可能的实现方式中，所述目标特征，包括：所述烹饪器具的加热能力；
[0087]
所述确定模块，进一步被配置为：
[0088]
获取实时烹饪器具的锅体材质信息、锅体厚度信息、锅体与线圈的接触面积和所述线圈的布局信息；
[0089]
根据所述线圈的布局信息确定加热系数；
[0090]
根据所述锅体材质信息与锅体厚度信息比值、锅体与线圈的接触面积以及加热系数确定实施烹饪器具的加热能力。
[0091]
在一种可能的实现方式中，所述目标特征，包括：所述烹饪器具的初始温度、所述烹饪器具的当前温度以及补偿后的温度变化速率；
[0092]
所述确定模块进一步配置为：
[0093]
获取所述烹饪器具的初始温度、所述烹饪器具的当前温度和实施烹饪器具的初始状态；其中，所述初始状态，包括：冷锅状态和热锅状态；
[0094]
根据所述初始温度确定所述初始温度对应的第一时间；
[0095]
根据所述当前温度确定所述当前温度对应的第二时间；
[0096]
根据所述初始状态确定补偿系数；
[0097]
根据所述初始温度和当前温度的差值的绝对值与所述第一时间和第二时间的差值的绝对值的比值以及所述补偿系数确定所述补偿后的温度变化速率。
[0098]
在一种可能的实现方式中，所述目标特征，包括：所述烹饪器具的损耗系数；
[0099]
所述确定模块进一步配置为：
[0100]
根据所述烹饪器具确定烹饪器具涂层的剥落状态和所述烹饪器具的使用时间；
[0101]
根据所述烹饪器具涂层的剥落状态和所述烹饪器具的使用时间确定所述烹饪器具的损耗系数。
[0102]
在一种可能的实现方式中，所述确定模块进一步配置为：
[0103]
获取所述烹饪器具内的食物的含水率和/或食物比热容；
[0104]
根据所述烹饪器具内的食物的含水率和/或食物比热容确定所述食物特性。
[0105]
在一种可能的实现方式中，所述装置，还包括：训练模块；
[0106]
所述训练模块被配置为：
[0107]
获取目标特征样本数据；其中，所述目标特征样本数据，包括：所述烹饪器具的加热能力样本数据、所述烹饪器具的初始温度样本数据、所述烹饪器具的当前温度样本数据、补偿后的温度变化速率样本数据、所述烹饪器具的损耗系数样本数据、所述烹饪器具的加热功率样本数据以及食物特性样本数据中的一种或多种；
[0108]
确定所述目标特征样本数据的基尼系数；
[0109]
根据所述基尼系数确定最佳切分点；
[0110]
根据所述最佳切分点基于决策树模型确定待训练的预测模型；
[0111]
根据所述目标特征样本数据训练所述待训练的预测模型以得到预测模型。
[0112]
为了描述的方便，描述以上系统时以功能分为各种模块分别描述。当然，在实施本技术时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
[0113]
上述实施例的系统用于实现前述任一实施例中相应的根据烹饪器具预测食物重量的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0114]
图5示出了本技术实施例所提供的一种电子设备的示例性结构示意图。
[0115]
基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任意一实施例所述的根据烹饪器具预测食物重量的方法。图5示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器510、存储器520、输入/输出接口530、通信接口540和总线550。其中处理器510、存储器520、输入/输出接口530和通信接口540通过总线550实现彼此之间在设备内部的通信连接。
[0116]
处理器510可以采用通用的cpu(central processing unit，中央处理器)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
[0117]
存储器520可以采用rom(read only memory，只读存储器)、ram (random access memory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器520可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器520中，并由处理器510来调用执行。
[0118]
输入/输出接口530用于连接输入/输出模块，以实现信息输入及输出。输入/输出模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
[0119]
通信接口540用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信。
[0120]
总线550包括一通路，在设备的各个组件(例如处理器510、存储器520、输入/输出接口530和通信接口540)之间传输信息。
[0121]
需要说明的是，尽管上述设备仅示出了处理器510、存储器520、输入/ 输出接口530、通信接口540以及总线550，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
[0122]
上述实施例的电子设备用于实现前述任一实施例中相应的根据烹饪器具预测食物重量的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0123]
基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的根据烹饪器具预测食物重量的方法。
[0124]
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或
其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
[0125]
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的根据烹饪器具预测食物重量的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0126]
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本技术的范围(包括权利要求)被限于这些例子；在本技术的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本技术实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
[0127]
另外，为简化说明和讨论，并且为了不会使本技术实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(ic)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本技术实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本技术实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本技术的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本技术实施例。因此，这些描述应被认为是说明性的而不是限制性的。
[0128]
尽管已经结合了本技术的具体实施例对本技术进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态ram(dram))可以使用所讨论的实施例。
[0129]
本技术实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本技术实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本技术的保护范围之内。