用于食材图像的识别方法及装置、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识别方法及装置、蒸烤设备、存储介质。


背景技术：

2.目前，随着科学技术的快速发展，用户对智能家电的使用频率日益变高。以智能厨电为例，烤箱长时间使用过后，为获知烘焙食物是否糊化，需向使用者反馈当前烘焙食物的糊化情况。因此，对蒸烤设备的糊化情况的准确识别提出了更高的要求。
3.现有的糊化识别的方式为以预设时间间隔获取食材图像信息后，将食材图像信息输入至卷积神经网络模型进行模型训练。根据模型训练结果确定图像的糊化度。在烘焙披萨过程中，随着烘焙时间的增加，披萨不同位置的像素值会发生改变。然后，将当前烘焙阶段的图像与糊化度进行拟合，获得像素值与糊化度的拟合曲线，根据该拟合曲线确定糊化值。
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.模型训练的对象为食材图像信息，模型训练的计算量较大，存在无法实时地进行糊化识别的问题。


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识别方法、装置、蒸烤设备和存储介质，以提升食材图像糊化识别的实时性。
8.在一些实施例中，所述方法包括：获取蒸烤设备配置的摄像头采集的图像信息；对所述图像信息进行图像分割，获得多个子图像；通过图像分类网络模型对所述多个子图像分别进行特征提取并生成所述图像信息相关联的糊化特征信息；根据所述糊化特征信息，确定所述图像信息对应的图像的糊化情况。
9.在一些实施例中，所述装置包括：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识别方法。
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识别装置。
11.在一些实施例中，所述存储介质，存储有程序指令，其特征在于，所述程序指令在运行时，执行如前述的用于食材图像的识别方法
12.本公开实施例提供的用于食材图像的识别方法、装置、蒸烤设备和存储介质，可以实现以下技术效果：
13.蒸烤设备对摄像头采集的图像信息进行分割处理形成多个子图像，在通过图像分类网络模型对各子图像分别进行特征提取并生成图像信息相关联的糊化特征信息，降低了
图像分类网络模型进行网络训练的复杂性，从而提升食材图像糊化识别的实时性。
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识别方法的示意图；
17.图2是本公开实施例提供的另一个用于食材图像的识别方法的示意图；
18.图3是本公开实施例提供的另一个用于食材图像的识别方法的示意图；
19.图4是本公开实施例提供的一个应用示意图；
20.图5是本公开实施例提供的另一应用示意图；
21.图6是本公开实施例提供的另一个用于食材图像的识别方法的示意图；
22.图7是本公开实施例提供的另一个用于食材图像的识别方法的示意图；
23.图8是本公开实施例提供的另一个用于食材图像的识别方法的示意图；
24.图9是本公开实施例提供的一个用于食材图像的识别装置的示意图；
25.图10是本公开实施例提供的另一个用于食材图像的识别装置的示意图。
具体实施方式
26.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。
27.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。
28.除非另有说明，术语“多个”表示两个或两个以上。
29.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。
30.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。
31.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。
32.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。
33.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。
34.结合图1所示，本公开实施例提供一种用于食材图像的识别方法，包括：
35.s01，蒸烤设备获取蒸烤设备配置的摄像头采集的图像信息。
36.s02，蒸烤设备对图像信息进行图像分割，获得多个子图像。
37.s03，蒸烤设备通过图像分类网络模型对多个子图像分别进行特征提取并生成图像信息相关联的糊化特征信息。
38.s04，蒸烤设备根据糊化特征信息，确定图像信息对应的图像的糊化情况。
39.采用本公开实施例提供的用于食材图像的识别方法，蒸烤设备对摄像头采集的图像信息进行分割处理形成多个子图像，在通过图像分类网络模型对各子图像分别进行特征提取并生成图像信息相关联的糊化特征信息，降低了图像分类网络模型进行网络训练的复杂性，从而提升食材图像糊化识别的实时性。此外，该方法能够在不损失网络训练速度的情况下保证糊化程度判断的准确性。
40.可选的，结合图2所示，蒸烤设备通过图像分类网络模型对多个子图像分别进行特征提取并生成图像信息相关联的糊化特征信息，包括：
41.s11，蒸烤设备将各子图像输入至注意力网络模型进行糊化特征提取，获得各子图像对应的第一糊化特征子图像。
42.该步骤中，通过注意力网络模型进行糊化特征提取，保持各子图像的大小，能够增大糊化特征的权重并且减小无效特征权重。该无效特征至非糊化图像的图像特征。
43.s12，蒸烤设备利用knn算法对各子图像对应的第一糊化特征子图像进行分类以生成各子图像对应的第二糊化特征子图像。
44.该步骤中，通过knn算法对第一糊化特征子图像进行分类以生成第二糊化子特征图像，能够增加各像素点的像素通道数量，从而在糊化特征提取后的第一糊化特征子图像基础上，获得更为准确的特征子图像。
45.s13，蒸烤设备将各子图像对应的第二糊化特征子图像输入n层卷积层进行网络训练，获得图像信息相关联的糊化特征信息。
46.该步骤中，由于网络训练的对象为经分割处理后的子图像对应的第二糊化特征子图像，所以，降低了网络模型训练的计算量，提升了糊化识别的实时性。同时，通过对各子图像对应的第二糊化特征子图像经n层卷积层进行网络训练，能够准确地获得图像信息相关联的糊化特征信息，从而提高糊化特征信息的准确性。
47.这样，能够提升糊化识别的实时性，并且提高糊化特征信息的准确性。
48.结合图3所示，蒸烤设备利用knn算法对各子图像对应的第一糊化特征子图像进行分类以生成各子图像对应的第二糊化特征子图像，包括：
49.s21，蒸烤设备提取各第一糊化特征子图像的像素点以及与各像素点相关联的相邻像素点。
50.s22，蒸烤设备将各像素点与该像素点对应的相邻像素点进行通道拼接处理，生成
第二糊化特征子图像。
51.该步骤中，确定像素点的相邻像素点，可以为将与该像素点的距离值小于或者等于预设距离值的像素点作为相邻像素点，也可以为将与该像素点的距离值根据由小到大顺序排序，将前s个距离值对应的像素点确定为相邻像素点。其中，s大于或者等于3且s的上限值可进行预设。
52.这样，能够增加各像素点的像素通道数量，提升第二糊化特征子图像获取的准确性。
53.作为一种示例，将任一第一糊化特征子图像f的第i个像素点的像素特征用fi＝(x
i1
,x
i2
,x
i3
,
…
,x
ip
)表示。p表示像素点的像素特征的维数。结合图5所示，f大小为h
×w×
c，c＝3。即，f具有h
×
w个元素，每个元素为维数为3的一维向量。前述h
×
w个元素共同构成h
×w×
c的第一糊化特征子图像f。
54.首先，蒸烤设备针对前述第一糊化特征子图像f均选取3个距离值最近的像素点作为f的第i个像素点fi＝(x
i1
,x
i2
,x
i3
,
…
,x
ip
)的相邻像素点。具体地，相邻像素点的像素特征表示为fj＝(x
j1
,x
j2
,x
j3
,
…
,x
jp
)，其中，j＝1,2,3。
55.然后，蒸烤设备将前述第i个像素点与前述相邻像素点进行通道拼接，即从向量的维度将第i个像素点与前述相邻像素点各自的像素特征进行合并以生成第第i个像素点对应的拼接特征向量：
56.f
i,concat
＝(x
i1
,x
i2
,x
i3
,
…
,x
ip
,x
11
,x
12
,x
13
,
…
,x
1p
,x
21
,x
22
,x
23
,
…
,x
3p
,x
31
,x
32
,x
33
,
…
,x
3p
)。
57.最后，将所有像素点对应f
i,concat
组合生成第二糊化特征子图像，该第二糊化特征子图像由h
×w×
p。其中，p表示第二糊化特征子图像的每个元素的维数，且p＝c
×
(s+1)。
58.可选的，结合图6所示，蒸烤设备通过图像分类网络模型对多个子图像分别进行特征提取并生成图像信息相关联的糊化特征信息，包括：
59.s31，蒸烤设备将各子图像输入至注意力网络模型进行糊化特征提取，获得各子图像对应的第一糊化特征子图像。
60.该步骤中，注意力网络模型可参考现有技术对注意力网络模型的相关介绍，本公开实施例对此不再赘述。
61.s32，蒸烤设备利用knn算法对各子图像对应的第一糊化特征子图像进行分类以生成各子图像对应的第二糊化特征子图像。
62.s33，蒸烤设备将各子图像对应的第二糊化特征子图像输入n层卷积层进行网络训练。
63.s34，蒸烤设备将经网络训练处理的各第二糊化特征子图像进行维度转换处理以生成各子图像对应的糊化特征向量。
64.该步骤中，通过对各第二糊化特征子图像进行维度转换处理，能够将各第二糊化特征子图像转换为一维向量，降低计算复杂度。
65.s35，蒸烤设备将各子图像对应糊化特征向量进行合并以生成糊化特征信息。
66.这样，能够降低计算复杂度。
67.可选的，结合图7所示，蒸烤设备将各子图像对应的糊化特征向量进行合并以生成糊化特征信息，包括：
68.s41，蒸烤设备将各子图像对应的子糊化特征向量进行合并，获得图像信息对应的图像的糊化特征向量。
69.s42，蒸烤设备将糊化特征向量进行归一化处理，获得图像信息对应的图像的目标糊化特征向量。
70.s43，蒸烤设备将目标糊化特征向量中数值最大的元素确定为糊化特征信息。
71.这样，将糊化特征向量进行归一化处理，便于后续进行向量合并处理。从目标糊化特征向量中选取数值最大的元素为糊化特征信息。蒸烤设备通过可量化的糊化特征信息准确地获得图像的糊化程度。与现有的对食材图像信息整体进行模型训练相比，降低了图像识别的计算复杂度。
72.结合图8所示，本公开实施例提供还一种用于食材图像的识别方法，包括：
73.s51，蒸烤设备获取蒸烤设备配置的摄像头采集的图像信息。
74.s52，蒸烤设备提取所述图像信息中各像素点。
75.s53，蒸烤设备利用中值滤波器对图像信息的各像素点进行中值滤波处理，更新图像信息。
76.该步骤中，中值滤波器的原理为将每一像素点的灰度值设置为该像素点的邻域内所有像素点的灰度值的中值。由于蒸烤设备使用过程中，蒸烤设备内部光照强度并非一成不变，并且，蒸烤设备配置的摄像头可能发生对焦不准的情况，所以，前述情况将导致图像存在噪声，该噪声将对后续的图像识别产生干扰。从而降低图像识别的准确性。为降低前述噪声对图像识别的干扰，采用中值滤波器对图像信息的各像素点进行中值滤波处理，以去除图像中的噪声。
77.作为一种示例，像素点的邻域可以为以该像素点为中心点且位于预设区域内的像素点所在的区域。该预设区域可以为已像素点为中心的矩形区域。本公开实施例对该预设区域的选取可不做限定。例如，目标像素点的灰度值为9，以该目标像素点为中心且位于矩形区域内像素点的灰度值为1、2、2、1、3、1、1、1。矩形区域包含有9个像素点，且前述目标像素点位于矩形区域中心位置处。经中值滤波处理后，目标像素点的灰度值为1、2、2、1、3、1、1、1的中值，即目标像素点的灰度值更新为1。
78.s54，蒸烤设备对新的图像信息进行图像分割，获得多个子图像。
79.s55，蒸烤设备通过图像分类网络模型对多个子图像分别进行特征提取并生成图像信息相关联的糊化特征信息。
80.s56，蒸烤设备根据糊化特征信息，确定图像信息对应的图像的糊化情况。
81.采用本公开实施例提供的用于食材图像的识别方法，能够有效地去除图像中的噪声，从而改善图像的质量，提升后续步骤图像识别的准确性。
82.可选的，蒸烤设备根据糊化特征信息，确定图像信息对应的图像的糊化情况，包括：
83.蒸烤设备在糊化特征信息与预设糊化特征值匹配的情况下，确定图像信息对应的图像处于糊化状态。
84.这样，蒸烤设备将糊化特征信息以可量化的方式进行表示，能够较为准确地反映出图像的糊化程度，并且将其与预设糊化特征值进行匹配即可获得图像的糊化状态，有效地图像糊化识别的难度。
85.该步骤中，糊化特征信息与预设糊化特征值匹配，可以为糊化特征信息大于或者等于预设糊化特征值，也可以为糊化特征信息位于预设糊化特征值对应的预设范围内。本公开实施例对此可不做具体限定。
86.在实际应用中，结合图4所示，以蒸烤设备为烤箱为例，进行说明。
87.首先，烤箱对摄像头采集的图像信息进行图像分割，将图像分割为16块子图像f
0i
，i＝1,2,
…
,16。
88.然后，烤箱将16块子图像分别输入至注意力网络模型进行糊化特征提取，生成第一糊化特征子图像。再将利用knn算法对第一糊化特征子图像进行分类生成第二糊化特征子图像f
1i
，i＝1,2,
…
,16。
89.再次，烤箱将第二糊化特征子图像输入至卷积核大小为3层卷积层且卷积层步长为2的网络模型中进行网络训练，得到f
2i
，i＝1,2,
…
,16。烤箱再将f
2i
，i＝1,2,
…
,16输入至卷积核大小为3层卷积层且卷积层步长为2的网络模型中进行网络训练，得到f
3i
，i＝1,2,
…
,16。烤箱再将f
3i
，i＝1,2,
…
,16输入至卷积核大小为3层卷积层且卷积层步长为2的网络模型中进行网络训练，得到f
4i
，i＝1,2,
…
,16。
90.然后，烤箱将f
4i
进行维度转换处理后合并以生成一维向量成m5。将该m5进行归一化处理后，获得目标糊化特征向量。
91.最后，烤箱将目标糊化特征向量中数值最大的元素确定为糊化特征信息。
92.结合图9所示，本公开实施例提供一种用于食材图像的识别装置，包括获取模块21、分割模块22、确定模块23和执行模块24。获取模块21被配置为获取蒸烤设备配置的摄像头采集的图像信息；分割模块22被配置为对图像信息进行图像分割，获得多个子图像；确定模块23被配置为通过图像分类网络模型对多个子图像分别进行特征提取并生成图像信息相关联的糊化特征信息；执行模块24被配置为根据糊化特征信息，确定图像信息对应的图像的糊化情况。
93.采用本公开实施例提供的用于食材图像的识别装置，有利于提升食材图像糊化识别的实时性以及在不损失网络训练速度的情况下保证糊化程度判断的准确性。
94.结合图10所示，本公开实施例提供一种用于食材图像的识别装置，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识别方法。
95.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。
96.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识别方法。
97.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。
98.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识别装置。
99.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识别方法。
100.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识别方法。
101.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。
102.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。
103.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。
104.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。
105.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。
106.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识别方法，其特征在于，包括：获取蒸烤设备配置的摄像头采集的图像信息；对所述图像信息进行图像分割，获得多个子图像；通过图像分类网络模型对所述多个子图像分别进行特征提取并生成所述图像信息相关联的糊化特征信息；根据所述糊化特征信息，确定所述图像信息对应的图像的糊化情况。2.根据权利要求1所述的方法，其特征在于，所述通过图像分类网络模型对所述多个子图像分别进行特征提取并生成所述图像信息相关联的糊化特征信息，包括：将各子图像输入至注意力网络模型进行糊化特征提取，获得所述各子图像对应的第一糊化特征子图像；利用knn算法对所述各子图像对应的第一糊化特征子图像进行分类以生成所述各子图像对应的第二糊化特征子图像；将所述各子图像对应的第二糊化特征子图像输入n层卷积层进行网络训练，获得所述图像信息相关联的糊化特征信息。3.根据权利要求2所述的方法，其特征在于，所述利用knn算法对所述各子图像对应的第一糊化特征子图像进行分类以生成所述各子图像对应的第二糊化特征子图像，包括：提取各第一糊化特征子图像的像素点以及与各像素点相关联的相邻像素点；将各像素点与该像素点对应的相邻像素点进行通道拼接处理，生成所述第二糊化特征子图像。4.根据权利要求2所述的方法，其特征在于，所述所述将所述各子图像对应的第二糊化特征子图像输入n层卷积层进行网络训练后，还包括：将经网络训练处理的各第二糊化特征子图像进行维度转换处理以生成所述各子图像对应的糊化特征向量；将所述各子图像对应糊化特征向量进行合并以生成所述糊化特征信息。5.根据权利要求4所述的方法，其特征在于，所述将所述各子图像对应的糊化特征向量进行合并以生成所述糊化特征信息，包括：将所述各子图像对应的糊化特征向量进行归一化处理，获得目标糊化特征向量；将所述目标糊化特征向量中数值最大的元素确定为所述糊化特征信息。6.根据权利要求1至5任一项所述的方法，其特征在于，对所述图像信息进行图像分割，获得多个子图像前，还包括：提取所述图像信息中各像素点；利用中值滤波器对所述图像信息的各像素点进行中值滤波处理，更新所述图像信息，以根据更新的新的图像信息进行图像分割处理。7.根据权利要求1至5任一项所述的方法，其特征在于，所述根据所述糊化特征信息，确定所述图像信息对应的图像的糊化情况，包括：在所述糊化特征信息与预设糊化特征值匹配的情况下，确定所述图像信息对应的图像处于糊化状态。8.一种用于食材图像的识别装置，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
食材图像的识别方法。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识别装置。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识别方法。

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识别方法，包括获取蒸烤设备配置的摄像头采集的图像信息；对所述图像信息进行图像分割，获得多个子图像；通过图像分类网络模型对所述多个子图像分别进行特征提取并生成所述图像信息相关联的糊化特征信息；根据所述糊化特征信息，确定所述图像信息对应的图像的糊化情况。该方法能够提升食材图像糊化识别的实时性。本申请还公开一种用于食材图像的识别装置及蒸烤设备、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：2023/8/14