用于食材图像的修正方法及装置、蒸烤设备、存储介质与流程

1.本技术涉及智能家电技术领域，例如涉及一种用于食材图像的修正方法及装置、蒸烤设备、存储介质。


背景技术：

2.目前，蒸箱或者烤箱等厨电设备在使用过程中，通过图像识别技术识别前述厨电设备内部食材图像，并根据食材图像获知蒸烤情况。以烤箱为例，在用户利用烤箱烤制食材过程中，烤箱内以及烤箱外的光线会对图像识别产生干扰，进而影响食材图像的检测结果。
3.针对以上问题，现有克服光线干扰的方式为利用灰度直方图均衡算法。该算法的具体步骤为获取原始图像的像素信息，并对各像素信息相关的灰度值进行非线性映射，从而消除外部光照强度的干扰或者影响，进而改善原始图像的质量并提升图像的检测准确性。
4.在实现本公开实施例的过程中，发现相关技术中至少存在如下问题：
5.在烤箱中利用摄像头采集食材图像时，食材图像被放置于封闭的烤制空间，内部光线和外部光线均对食材图像的检测产生影响。为此，食材图像的检测需要均衡烤箱内外部光照强度。将灰度直方图均衡算法应用于烤箱内食材图像的识别只能消除外部光照强度的影响，无法对烤箱内外部光照强度进行均衡处理，也就无法提升食材图像检测的准确性。


技术实现要素：

6.为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。
7.本公开实施例提供了一种用于食材图像的修正方法、装置、蒸烤设备和存储介质，以有效地均衡烤箱内外部光照强度，提升食材图像检测的准确性。
8.在一些实施例中，所述方法包括：获取所述烤制空间内的第一光照强度以及所述烤制空间外的第二光照强度；将所述第一光照强度以及所述第二光照强度输入至神经网络模型进行模型训练，获得修正系数，并根据所述修正系数修正所述烤制空间内的当前食材图像以获得修正食材图像；根据所述修正食材图像与预测食材图像，更新所述修正系数并获得目标修正系数；根据所述目标修正系数，修正所述烤制空间内的食材图像。
9.在一些实施例中，所述装置包括：包括处理器和存储有程序指令的存储器，所述处理器被配置为在运行所述程序指令时，执行如前述的用于食材图像的修正方法。
10.在一些实施例中，所述蒸烤设备，包括如前述的用于食材图像的修正装置。
11.在一些实施例中，所述存储介质，存储有程序指令，所述程序指令在运行时，执行如前述的用于食材图像的修正方法。
12.本公开实施例提供的用于食材图像的修正方法、装置、蒸烤设备和存储介质，可以实现以下技术效果：
13.该方法根据修正食材图像与预测食材图像，更新模型训练输出的修正系数并确定目标修正系数，该目标修正系数用以反映与烤箱内外光照强度对烤制空间内食材图像所产生的干扰所对应的修正量。最终，根据该目标修正系数修正烤制空间内的食材图像，从而获得修正因烤箱内外光照强度对烤制空间内食材图像的干扰，进而有效地均衡烤箱内外部光照强度，提升食材图像检测的准确性。
14.以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本技术。
附图说明
15.一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：
16.图1是本公开实施例提供的一个用于食材图像的修正方法的示意图；
17.图2是本公开实施例提供的另一个用于食材图像的修正方法的示意图；
18.图3是本公开实施例提供的另一个用于食材图像的修正方法的示意图；
19.图4是本公开实施例提供的另一个用于食材图像的修正方法的示意图；
20.图5是本公开实施例提供的另一个用于食材图像的修正方法的示意图；
21.图6是本公开实施例提供的一个应用示意图；
22.图7是本公开实施例提供的一个用于食材图像的修正装置的示意图；
23.图8是本公开实施例提供的另一个用于食材图像的修正装置的示意图。
具体实施方式
24.为了能够更加详尽地了解本公开实施例的特点与技术内容，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。
25.本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开实施例的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。
26.除非另有说明，术语“多个”表示两个或两个以上。
27.本公开实施例中，字符“/”表示前后对象是一种“或”的关系。例如，a/b表示：a或b。
28.术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，a和/或b，表示：a或b，或，a和b这三种关系。
29.术语“对应”可以指的是一种关联关系或绑定关系，a与b相对应指的是a与b之间是一种关联关系或绑定关系。
30.本公开实施例中，智能家电设备是指将微处理器、传感器技术、网络通信技术引入家电设备后形成的家电产品，具有智能控制、智能感知及智能应用的特征，智能家电设备的运作过程往往依赖于物联网、互联网以及电子芯片等现代技术的应用和处理，例如智能家
电设备可以通过连接电子设备，实现用户对智能家电设备的远程控制和管理。
31.公开实施例中，终端设备是指具有无线连接功能的电子设备，终端设备可以通过连接互联网，与如上的智能家电设备进行通信连接，也可以直接通过蓝牙、wifi等方式与如上的智能家电设备进行通信连接。在一些实施例中，终端设备例如为移动设备、电脑、或悬浮车中内置的车载设备等，或其任意组合。移动设备例如可以包括手机、智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备等，或其任意组合，其中，可穿戴设备例如包括：智能手表、智能手环、计步器等。
32.结合图1所示，本公开实施例提供一种用于食材图像的修正方法，包括：
33.s01，蒸烤设备获取烤制空间内的第一光照强度以及烤制空间外的第二光照强度。
34.s02，蒸烤设备将第一光照强度以及第二光照强度输入至神经网络模型进行模型训练，获得修正系数，并根据修正系数修正烤制空间内的当前食材图像以获得修正食材图像。
35.s03，蒸烤设备根据修正食材图像与预测食材图像，更新修正系数并获得目标修正系数。
36.该步骤中，预测食材图像表示期望的与当前食材图像对应的食材图像。该预设食材图像可以在蒸烤设备获得当前食材图像后通过绘图编辑软件调节获得，也可以为蒸烤设备根据目标亮度值对当前食材图像进行亮度调节后生成。前述图像修正软件可以为photoshop，也可以为artweaver。
37.s04，蒸烤设备根据目标修正系数，修正烤制空间内的食材图像。
38.采用本公开实施例提供的用于食材图像的修正方法，该方法根据修正食材图像与预测食材图像，更新模型训练输出的修正系数并确定目标修正系数，该目标修正系数用以反映与烤箱内外光照强度对烤制空间内食材图像所产生的干扰所对应的修正量。最终，根据该目标修正系数修正烤制空间内的食材图像，从而获得修正因烤箱内外光照强度对烤制空间内食材图像的干扰，进而有效地均衡烤箱内外部光照强度，提升食材图像检测的准确性。
39.可选的，结合图2所示，蒸烤设备根据修正食材图像与预测食材图像，更新修正系数并获得目标修正系数，包括：
40.s11，蒸烤设备响应携带有目标亮度值的控制指令，并根据目标亮度值调节当前食材图像的亮度以生成预测食材图像。
41.该步骤中，控制指令可以与蒸烤设备通信连接的服务器发送，也可以由与蒸烤设备通信连接的终端设备发送。本公开实施例对此可不做具体限定。此外，目标亮度值表示预设的期望的图像亮度值。由此，蒸烤设备根据该目标亮度值调节当前食材图像的亮度所生成的预测食材图像，可作为修正食材图像进行修正前的期望食材图像。可以理解地，目标亮度值可根据用户的需求进行设定。
42.s12，蒸烤设备获得修正食材图像与预测食材图像对应的损失函数。
43.该步骤中，损失函数能够反映出修正食材图像与预测食材图像的差异程度。
44.s13，蒸烤设备根据损失函数的收敛情况，更新修正系数，以获得目标修正系数。
45.这样，蒸烤设备根据损失函数的收敛情况，能够间接获知修正食材图像与预测食材图像的差异程度。再根据差异程度更新修正系数，从而准确地确定出目标修正系数，从而
通过对烤制空间内食材图像的修正提升食材图像检测的准确性。
46.可选的，结合图3所示，蒸烤设备根据损失函数的收敛情况，更新初始修正系数，以获得目标修正系数，包括：
47.s21，蒸烤设备在损失函数持续收敛的情况下，确定与修正食材图像对应的权重系数为神经网络模型的目标权重系数。
48.该步骤中，按照以下方式确定损失函数持续收敛：损失函数收敛且损失函数值的变化率位于一预设范围内。在损失函数持续收敛时，表明神经网络模型基本达到局部最优。因此，将此时与修正食材图像对应的权重系数确定为神经网络模型的目标权重系数。
49.可以理解地，蒸烤设备在损失函数收敛且损失函数值的变化率位于预设范围以外的情况下，表明神经网络模型未达到局部最优。此时，蒸烤设备将继续对神经网络模型进行网络训练，直至损失函数满足持续收敛。
50.s22，蒸烤设备将第一光照强度以及第二光照强度输入至配置有目标权重系数的神经网络模型进行网络训练，获得目标修正系数。
51.这样，能够获得使神经网络基本达到局部最优状态的目前权重系数，以将第一光照强度和第二光照强度输入至配置有该目标权重系数的神经网络模型进行网络训练，可获得准确度较高的目标修正系数，从而能够提升食材图像检测的准确性。
52.可选的，神经网络模型配置有三层全连接层，并配置有relu线性整流函数。
53.这样，配置relu线性整流函数，可使神经网络模型具有非线性特性，从而提升网络训练的训练效率。需要说明的是，选用三层全连接层的神经网络模型，能够有效地拟合第一光照强度和第二光照强度，从而能够准确地训练生成修正系数。
54.在实际应用中，图6表示光照强度经神经网络模型网络训练后生成的拟合曲线。该拟合曲线为三维曲线。横轴external-a1、external-a2分别表示第一光照强度和第二光照强度。纵轴parameter-d表示修正系数。如图6所示，三层全连接层包括第一全连接层、第二全连接层和第三全连接层。第一全连接层、第二全连接层和第三全连接层分别配置512个神经元、1024个神经元、2048个神经元。
55.蒸烤设备将不同强度的第一光照强度和第二光照强度输入至配置有前述全连接层的神经网络模型中进行网络训练后可获得该拟合曲线。通过该拟合曲线能够确定出第一光照强度和第二光照强度与修正系数之间的拟合关系。蒸烤设备再通过像素级对烤制空间内的食材图像进行修正，可有效地均衡烤箱内外部光照强度。
56.可选的，结合图4所示，蒸烤设备根据目标修正系数，对烤制空间内的食材图像进行修正处理，包括：
57.s31，蒸烤设备获取食材图像的各图像像素值。
58.s32，蒸烤设备根据目标修正系数，获得各像素值的修正策略。
59.s33，蒸烤设备根据修正策略，对各图像像素值进行修正。
60.这样，蒸烤设备确定目标修正系数后，若将目标修正系数与食材图像作乘积，将导致亮度值较高对应的图像位置处曝光过度或者导致亮度值较低对应的图像位置处曝光过度。因此，蒸烤设备针对食材图像的各图像像素进行调整。由于不同图像位置处的像素值有所不同，因此，蒸烤设备根据目标修正系数，获得各图像像素值的修正策略，并根据该修正策略对各图像像素值进行修正，实现对食材图像像素级的调整，从而获得与预测食材图像
最接近的修正食材图像。
61.可选的，结合图5所示，根据目标修正系数，获得各像素值的修正策略，包括：
62.s41，蒸烤设备在目标修正系数表示需要执行调亮处理的情况下，将小于或者等于像素均值的第一图像像素值与目标修正系数作乘积以更新第一图像像素值，并将大于像素均值的第二图像像素值与目标像素修正值作乘积以更新第二图像像素值。
63.该步骤中，按照以下方式确定像素均值：将各图像像素值求和后取平均，确定像素均值。
64.s42，蒸烤设备在目标修正系数表示需要执行调暗处理的情况下，将小于或者等于像素均值的第一图像像素值与目标像素修正值作乘积以更新第一图像像素值，并将大于像素均值的第二图像像素值与目标修正系数作乘积以更新第二图像像素值。
65.这样，蒸烤设备将各图像像素值与像素均值比较，可获知各图像像素值对应的图像像素的亮度情况，进而根据该亮度情况进行相应亮度的调节。
66.可选的，根据目标修正系数，确定需要执行调亮/调暗处理，包括：
67.蒸烤设备在目标修正系数大于系数阈值的情况下，确定执行调亮处理。
68.蒸烤设备在目标修正系数小于系数阈值的情况下，确定执行调暗处理。其中，系数阈值可预先设定。作为一种示例，系数阈值为1。
69.这样，蒸烤设备在目标修正系数大于系数阈值时，表明该图像像素值对应的图像像素过暗，需要进行调亮处理。蒸烤设备在目标修正系数小于系数阈值时，表明该图像像素值对应的图像像素过量，需要进行调暗处理。
70.可选的，按照以下方式确定目标像素修正值：
71.目标像素修正值＝d-|d-1|
×
α，0.5＜α＜1；
72.其中，d表示所述目标修正系数，α表示预设比例值。例如，α为0.5、0.7或者0.8。
73.作为一种示例，以系数阈值为1为例。像素均值为x，第一图像像素值为x1，第二图像像素值为x2。
74.在d》1且时，第一图像像素值x1更新为d
×
x1；
75.在d》1且时，第二图像像素值x2更新为(d-(d-1)
×
0.8)
×
x2。
76.这样，图像像素值较大的位置亮度偏高。第二图像像素值大于像素均值的情况下，为防止前述亮度偏高的位置过度曝光，前述位置对应的目标像素修正值相比小于或者等于像素均值的图像像素值对应的目标修正系数偏小。
77.在d＜1且时，第一图像像素值x1更新为(d+(1-d)
×
0.8)
×
x1；
78.在d＜1且时，第二图像像素值x2更新为d
×
x2。
79.这样，图像像素值较小的位置亮度偏暗。第一图像像素值小于像素均值的情况下，为防止前述亮度偏暗的位置过度曝光，前述位置对应的目标像素修正值相比大于像素均值的图像像素值对应的目标修正值偏大。
80.结合图7所示，本公开实施例提供一种用于食材图像的修正装置，包括获取模块21、确定模块22、更新模块23和执行模块24。获取模块21被配置为获取烤制空间内的第一光照强度以及烤制空间外的第二光照强度；确定模块22被配置为将第一光照强度以及第二光照强度输入至神经网络模型进行模型训练，获得修正系数，并根据修正系数修正烤制空间
内的当前食材图像以获得修正食材图像；更新模块23被配置为根据修正食材图像与预测食材图像，更新修正系数并获得目标修正系数；执行模块24被配置为根据目标修正系数，修正烤制空间内的食材图像。
81.采用本公开实施例提供的用于食材图像的修正装置，有效地均衡烤箱内外部光照强度，提升食材图像检测的准确性。
82.结合图8所示，本公开实施例提供一种用于食材图像的修正装置，包括处理器(processor)100和存储器(memory)101。可选地，该装置还可以包括通信接口(communication interface)102和总线103。其中，处理器100、通信接口102、存储器101可以通过总线103完成相互间的通信。通信接口102可以用于信息传输。处理器100可以调用存储器101中的逻辑指令，以执行上述实施例的用于食材图像的修正方法。
83.此外，上述的存储器101中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
84.存储器101作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令/模块。处理器100通过运行存储在存储器101中的程序指令/模块，从而执行功能应用以及数据处理，即实现上述实施例中用于食材图像的修正方法。
85.存储器101可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器101可以包括高速随机存取存储器，还可以包括非易失性存储器。
86.本公开实施例提供了一种蒸烤设备，包含上述的用于食材图像的修正装置。
87.本公开实施例提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为执行上述用于食材图像的修正方法。
88.本公开实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述用于食材图像的修正方法。
89.上述的计算机可读存储介质可以是暂态计算机可读存储介质，也可以是非暂态计算机可读存储介质。
90.本公开实施例的技术方案可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括一个或多个指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质，包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
91.以上描述和附图充分地示出了本公开的实施例，以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。而且，本技术中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的，除非上下文清楚地表明，否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)
旨在同样包括复数形式。类似地，如在本技术中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外，当用于本技术中时，术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素，和/或组件的存在，但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下，由语句“包括一个
…”
限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。本文中，每个实施例重点说明的可以是与其他实施例的不同之处，各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言，如果其与实施例公开的方法部分相对应，那么相关之处可以参见方法部分的描述。
92.本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，可以取决于技术方案的特定应用和设计约束条件。所述技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能，但是这种实现不应认为超出本公开实施例的范围。所述技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
93.本文所披露的实施例中，所揭露的方法、产品(包括但不限于装置、设备等)，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，可以仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例。另外，在本公开实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
94.附图中的流程图和框图显示了根据本公开实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中，不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生，有时不同的操作或步骤之间不存在特定的顺序。例如，两个连续的操作或步骤实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

技术特征：
1.一种用于食材图像的修正方法，其特征在于，包括：获取烤制空间内的第一光照强度以及所述烤制空间外的第二光照强度；将所述第一光照强度以及所述第二光照强度输入至神经网络模型进行模型训练，获得修正系数，并根据所述修正系数修正所述烤制空间内的当前食材图像以获得修正食材图像；根据所述修正食材图像与预测食材图像，更新所述修正系数并获得目标修正系数；根据所述目标修正系数，修正所述烤制空间内的食材图像。2.根据权利要求1所述的方法，其特征在于，所述根据所述修正食材图像与预测食材图像，更新所述修正系数并获得目标修正系数，包括：响应携带有目标亮度值的控制指令，并根据所述目标亮度值调节所述当前食材图像的亮度以生成所述预测食材图像；获得所述修正食材图像与所述预测食材图像对应的损失函数；根据所述损失函数的收敛情况，更新所述修正系数，以获得所述目标修正系数。3.根据权利要求2所述的方法，其特征在于，所述根据所述损失函数的收敛情况，更新初始修正系数，以获得所述目标修正系数，包括：在所述损失函数持续收敛的情况下，确定与所述修正食材图像对应的权重系数为所述神经网络模型的目标权重系数；将第一光照强度以及第二光照强度输入至配置有所述目标权重系数的神经网络模型进行网络训练，获得所述目标修正系数。4.根据权利要求1至3任一项所述的方法，其特征在于，所述神经网络模型配置有三层全连接层，并配置有relu线性整流函数。5.根据权利要求1至3任一项所述的方法，其特征在于，所述根据所述目标修正系数，修正所述烤制空间内的食材图像，包括：获取所述食材图像的各图像像素值；根据所述目标修正系数，获得所述各像素值的修正策略；根据所述修正策略，对所述各图像像素值进行修正。6.根据权利要求5所述的方法，其特征在于，所述根据所述目标修正系数，获得所述各像素值的修正策略，包括：在所述目标修正系数表示需要执行调亮处理的情况下，将小于或者等于像素均值的第一图像像素值与所述目标修正系数作乘积以更新所述第一图像像素值，并将大于所述像素均值的第二图像像素值与目标像素修正值作乘积以更新所述第二图像像素值；在所述目标修正系数表示需要执行调暗处理的情况下，将小于或者等于像素均值的第一图像像素值与目标像素修正值作乘积以更新所述第一图像像素值，并将大于所述像素均值的第二图像像素值与所述目标修正系数作乘积以更新所述第二图像像素值。7.根据权利要求6所述的方法，其特征在于，根据所述目标修正系数，确定需要执行调亮/调暗处理，包括：在所述目标修正系数大于系数阈值的情况下，确定执行调亮处理；在所述目标修正系数小于所述系数阈值的情况下，确定执行调暗处理。8.一种用于食材图像的修正装置，包括处理器和存储有程序指令的存储器，其特征在
于，所述处理器被配置为在运行所述程序指令时，执行如权利要求1至7任一项所述的用于食材图像的修正方法。9.一种蒸烤设备，其特征在于，包括如权利要求8所述的用于食材图像的修正装置。10.一种存储介质，存储有程序指令，其特征在于，所述程序指令在运行时，执行如权利要求1至7任一项所述的用于食材图像的修正方法。

技术总结
本申请涉及智能家电技术领域，公开一种用于食材图像的修正方法，包括获取所述烤制空间内的第一光照强度以及所述烤制空间外的第二光照强度；将所述第一光照强度以及所述第二光照强度输入至神经网络模型进行模型训练，获得修正系数，并根据所述修正系数修正所述烤制空间内的当前食材图像以获得修正食材图像；根据所述修正食材图像与预测食材图像，更新所述修正系数并获得目标修正系数；根据所述目标修正系数，修正所述烤制空间内的食材图像。该方法能够有效地均衡烤箱内外部光照强度，提升食材图像检测的准确性。本申请还公开一种用于食材图像的修正装置及蒸烤设备、存储介质。存储介质。存储介质。


技术研发人员：李玉强 吕守鹏
受保护的技术使用者：海尔智家股份有限公司
技术研发日：2022.01.28
技术公布日：2023/8/9