【技术实现步骤摘要】
本说明书一个或多个实施例涉及成熟度识别技术，尤其涉及一种基于多传感器融合的食物成熟度识别方法及装置。
技术介绍
1、随着生活质量的提高，用户对烹饪出品质量的要求也日益提高，希望烹饪的食物能够最佳成熟度下呈现，以满足健康与美味的双重需求。传统烹饪方式往往依赖于用户的经验和直觉，尤其是在用户的烹饪经验不足时，容易导致食物成熟度判断不够精准，造成食物过熟或生熟不均，无法满足用户的成熟度需求。
技术实现思路
1、为了解决上述问题，本说明书一个或多个实施例描述了一种基于多传感器融合的食物成熟度识别方法及装置。
2、根据第一方面，提供了一种基于多传感器融合的食物成熟度识别方法，所述方法包括：
3、获取传感器针对烹饪对象的第一采集数据，根据所述第一采集数据构建特征矩阵，采集数据包括图像数据、温度数据和气体数据，所述特征矩阵的每行表征一次烹饪试验，所述特征矩阵的每列表征一种采集数据；
4、为所述特征矩阵的每行设置表征成熟度的目标标签，并基于预设特征选择规则处理所述特征矩阵，得到训练数据，所述预设特征选择规则包括主成分分析法、递归特征消除法和相关性分析法中的至少一个；
5、基于所述训练数据训练初始svm模型，得到训练好的svm模型；
6、当检测到成熟度识别指令时，获取传感器针对当前烹饪对象的第二采集数据，基于训练好的svm模型处理所述第二采集数据，得到表征所述目标标签的分类结果，并展示所述分类结果。
7、优选的，所述图像数据包括
8、优选的，所述基于预设特征选择规则处理所述特征矩阵，得到训练数据之前，还包括：
9、对所述特征矩阵进行预处理，所述预处理包括归一化、缺失值处理和数据平衡。
10、优选的，所述基于所述训练数据训练初始svm模型，得到训练好的svm模型之前，还包括：
11、构建初始svm模型，将所述初始svm模型的核函数设置为高斯径向基核，并基于网格搜索或随机搜索确定所述初始svm模型的最优超参数组合。
12、优选的，所述当检测到成熟度识别指令时，获取传感器针对当前烹饪对象的第二采集数据，基于训练好的svm模型处理所述第二采集数据，得到表征所述目标标签的分类结果，包括：
13、当检测到成熟度识别指令时，确定当前烹饪对象的烹饪方式，在各训练好的svm模型中选取与所述当前烹饪对象和烹饪方式匹配的目标svm模型；
14、获取传感器针对所述当前烹饪对象的第二采集数据，基于所述目标svm模型处理所述第二采集数据，得到表征所述目标标签的分类结果。
15、优选的，所述采集数据还包括食材组合数据、体积数据和面积数据，所述食材组合数据包括表征食材组合种类的向量特征，所述面积数据包括单个食材的面积特征，所述体积数据包括单个食材的体积特征。
16、优选的，所述基于训练好的svm模型处理所述第二采集数据，得到表征所述目标标签的分类结果，包括：
17、确定所述第一采集数据中所述气体数据的第一采集点位和第二采集数据中所述气体数据的第二采集点位；
18、基于所述第二采集点位相对于第一采集点位的位置变化数据确定气体逸散比例，并基于所述气体逸散比例调整所述第二采集数据，得到第三采集数据；
19、基于训练好的svm模型处理所述第三采集数据，得到表征所述目标标签的分类结果。
20、根据第二方面，提供了一种基于多传感器融合的食物成熟度识别装置，所述装置包括：
21、第一获取模块，用于获取传感器针对烹饪对象的第一采集数据，根据所述第一采集数据构建特征矩阵，采集数据包括图像数据、温度数据和气体数据，所述特征矩阵的每行表征一次烹饪试验，所述特征矩阵的每列表征一种采集数据；
22、设置模块，用于为所述特征矩阵的每行设置表征成熟度的目标标签，并基于预设特征选择规则处理所述特征矩阵，得到训练数据，所述预设特征选择规则包括主成分分析法、递归特征消除法和相关性分析法中的至少一个；
23、训练模块，用于基于所述训练数据训练初始svm模型，得到训练好的svm模型；
24、第二获取模块，用于当检测到成熟度识别指令时，获取传感器针对当前烹饪对象的第二采集数据，基于训练好的svm模型处理所述第二采集数据，得到表征所述目标标签的分类结果，并展示所述分类结果。
25、根据第三方面，提供了一种电子设备，包括处理器以及存储器；
26、所述处理器与所述存储器相连；
27、所述存储器，用于存储可执行程序代码；
28、所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行如第一方面或第一方面的任意一种可能的实现方式提供的方法的步骤。
29、根据第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机可读存储介质中存储有指令，当所述指令在计算机或处理器上运行时，使得所述计算机或处理器执行如第一方面或第一方面的任意一种可能的实现方式提供的方法。
30、本说明书实施例提供的方案，能够根据图像数据、温度数据和气体数据构建特征矩阵，并通过预设特征选择规则处理特征矩阵后得到的训练数据训练svm模型，最终根据训练好的svm模型对当前烹饪对象进行成熟度的智能化识别，实现了将多个传感器采集的数据进行融合处理来识别成熟度，对食物成熟度的判断更加精准，更容易满足用户对成熟度的需求。
本文档来自技高网...【技术保护点】
1.一种基于多传感器融合的食物成熟度识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述图像数据包括食物的颜色特征、纹理特征和边缘特征，所述温度数据包括不同时间点的温度特征和温度变化趋势特征，气体数据包括挥发性有机化合物的时间序列特征。
3.根据权利要求1所述的方法，其特征在于，所述基于预设特征选择规则处理所述特征矩阵，得到训练数据之前，还包括：
4.根据权利要求1所述的方法，其特征在于，所述基于所述训练数据训练初始SVM模型，得到训练好的SVM模型之前，还包括：
5.根据权利要求1所述的方法，其特征在于，所述当检测到成熟度识别指令时，获取传感器针对当前烹饪对象的第二采集数据，基于训练好的SVM模型处理所述第二采集数据，得到表征所述目标标签的分类结果，包括：
6.根据权利要求1所述的方法，其特征在于，所述采集数据还包括食材组合数据、体积数据和面积数据，所述食材组合数据包括表征食材组合种类的向量特征，所述面积数据包括单个食材的面积特征，所述体积数据包括单个食材的体积特征。
7.根
8.一种基于多传感器融合的食物成熟度识别装置，其特征在于，所述装置包括：
9.一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机可读存储介质中存储有指令，当所述指令在计算机或处理器上运行时，使得所述计算机或处理器执行如权利要求1-7任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于多传感器融合的食物成熟度识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述图像数据包括食物的颜色特征、纹理特征和边缘特征，所述温度数据包括不同时间点的温度特征和温度变化趋势特征，气体数据包括挥发性有机化合物的时间序列特征。
3.根据权利要求1所述的方法，其特征在于，所述基于预设特征选择规则处理所述特征矩阵，得到训练数据之前，还包括：
4.根据权利要求1所述的方法，其特征在于，所述基于所述训练数据训练初始svm模型，得到训练好的svm模型之前，还包括：
5.根据权利要求1所述的方法，其特征在于，所述当检测到成熟度识别指令时，获取传感器针对当前烹饪对象的第二采集数据，基于训练好的svm模型处理所述第二采集数据，得到表征所述目标标签的分类结果，包括：
6.根据权利要求1所述的方法，其特...
【专利技术属性】
技术研发人员：尚飞，任富佳，
申请(专利权)人：杭州老板电器股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。