《一种基于深度学习的智能烘烤装置以及方法.pdf》由会员分享，可在线阅读，更多相关《一种基于深度学习的智能烘烤装置以及方法.pdf（7页珍藏版）》请在专利查询网上搜索。
1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201811146213.X (22)申请日 2018.09.29 (71)申请人 广东科学技术职业学院 地址 519090 广东省珠海市金湾区珠海大 道南侧 (72)发明人 樊秋月 陈健斌 梁俊雄 关倩宜 (74)专利代理机构 广州嘉权专利商标事务所有 限公司 44205 代理人 梁嘉琦 (51)Int.Cl. A21B 1/24(2006.01) A21B 3/00(2006.01) (54)发明名称 一种基于深度学习的智能烘烤装置以及方 法 (57)摘要 本发明公开了基于深。
2、度学习的智能烘烤方 法以及装置， 所述的智能烘烤方法包括将反馈模 块反馈的信息分析、 学习， 并生成烘烤曲线， 然后 根据烘烤曲线， 控制机械运动模块进行烘烤； 智 能烘烤装置包括中央处理模块、 深度学习模块、 机械运动模块、 反馈模块， 深度学习模块根据反 馈模块反馈的信息生成烘烤曲线， 中央处理模块 则根据烘烤曲线控制机械运动模块进行烘烤； 根 据不同的烤制食材得到不同的烘烤曲线， 按照烘 烤曲线进行烘烤， 从而使一种烘烤系统即可完成 对多种食材制作多种口味的烤制食品。 权利要求书1页 说明书3页 附图2页 CN 109287687 A 2019.02.01 CN 109287687 A 。
3、1.一种基于深度学习的智能烘烤装置， 其特征在于： 包括中央处理模块(1)、 深度学习 模块(2)、 机械运动模块(3)和反馈模块(4)， 所述深度学习模块(2)、 机械运动模块(3)、 和反 馈模块(4)分别与中央处理模块(1)连接； 所述深度学习模块(2)， 用于将反馈模块(4)反馈的信息分析、 深度学习， 并生成烘烤曲 线； 所述中央处理模块(1)， 用于根据深度学习模块(2)得到的烘烤曲线， 控制机械运动模 块(3)进行烘烤。 2.根据权利要求1所述的基于深度学习的智能烘烤装置， 其特征在于， 所述的机械运动 模块(3)包括翻转机械臂模块(31)、 喷焰模块(32)、 氧气和燃料均衡调。
4、节模块(33)， 所述翻 转机械臂模块(31)、 喷焰模块(32)以及氧气和燃料均衡调节模块(33)分别与中央处理模块 (1)连接； 所述翻转机械臂模块(31)， 用于根据烘烤曲线调整烘烤位置和方向； 所述喷焰模块(32)， 用于根据烘烤曲线喷出气焰烘烤食材； 所述氧气和燃料均衡调节模块(33)， 用于根据烘烤曲线动态调节进氧压力和燃料调配 速度。 3.根据权利要求1或2任一项所述的基于深度学习的智能烘烤装置， 其特征在于， 还包 括数据协助模块(5)， 所述数据协助模块(5)与中央处理模块(1)连接， 用于存储反馈模块 (4)的数据并生成数据包实时与中央处理模块(1)进行交换。 4.根据权利。
5、要求3所述的基于深度学习的智能烘烤装置， 其特征在于， 还包括伺服电源 模块(6)和漏电短路保护模块(7)； 所述伺服电源模块(6)与中央处理模块(1)连接， 所述漏 电短路保护模块(7)与伺服电源模块(6)连接。 5.根据权利要求3所述的基于深度学习的智能烘烤装置， 其特征在于， 还包括油烟净化 模块(8)， 所述油烟净化模块(8)与中央处理模块(1)连接。 6.一种基于深度学习的智能烘烤方法， 其特征在于， 包括以下步骤： 将反馈模块(4)反馈的信息分析、 深度学习， 并生成烘烤曲线； 根据烘烤曲线， 控制机械运动模块(3)进行烘烤。 7.根据权利要求6所述的基于深度学习的智能烘烤方法， 。
6、其特征在于， 还包括以下步 骤： 根据烘烤曲线调整烘烤位置和方向； 根据烘烤曲线动态调节进氧压力和燃料调配速度。 8.根据权利要求6或7任一项所述的基于深度学习的智能烘烤方法， 其特征在于， 还包 括以下步骤： 存储反馈模块(4)的数据并生成数据包实时与中央处理模块(1)进行交换。 权 利 要 求 书 1/1 页 2 CN 109287687 A 2 一种基于深度学习的智能烘烤装置以及方法 技术领域 0001 本发明涉及食材制作领域， 特别是一种基于深度学习的智能烘烤装置以及方法。 背景技术 0002 目前， 市场上的烘烤设备， 只是单纯地提供烘烤的热度， 将食物烤熟， 若要得到美 味的烤制食。
7、品则需要一个经验丰富的厨师人手翻转食材进行烤制。 也有一些智能烘烤设备 按照中央处理器既定的程序， 智能旋转食材， 调节烘烤设备的运行， 节省人力， 但只能单纯 制作单一口味和风格的烤制食品， 不能达到多样性的食材制作和口味多样化的要求。 发明内容 0003 为解决上述问题， 本发明的目的在于提供基于深度学习的智能烘烤方法以及装 置， 完成多种食材的烤制和烤制食品口味多样化的要求。 0004 本发明解决其问题所采用的技术方案是： 0005 根据本发明的第一方面， 一种基于深度学习的智能烘烤装置， 包括中央处理模块、 深度学习模块、 机械运动模块和反馈模块， 所述深度学习模块、 机械运动模块和反。
8、馈模块分 别与中央处理模块连接； 所述深度学习模块， 用于将反馈模块反馈的信息分析、 深度学习， 并生成烘烤曲线； 所述中央处理模块， 用于根据深度学习模块得到的烘烤曲线， 控制机械运 动模块进行烘烤。 0006 进一步， 所述的机械运动模块包括翻转机械臂模块、 喷焰模块、 氧气和燃料均衡调 节模块， 所述翻转机械臂模块、 喷焰模块以及氧气和燃料均衡调节模块分别与中央处理模 块连接； 所述翻转机械臂模块， 用于根据烘烤曲线调整烘烤位置和方向； 所述喷焰模块， 用 于根据烘烤曲线喷出气焰烘烤食材； 所述氧气和燃料均衡调节模块， 用于根据烘烤曲线动 态调节进氧压力和燃料调配速度。 0007 此外，。
9、 所述的一种基于深度学习的智能烘烤装置还包括数据协助模块， 所述数据 协助模块与中央处理模块连接， 用于存储反馈模块的数据并生成数据包实时与中央处理模 块进行交换。 0008 进一步， 所述的一种基于深度学习的智能烘烤装置还包括伺服电源模块、 漏电短 路保护模块和油烟净化模块； 伺服电源模块与中央处理模块连接， 漏电短路保护模块与伺 服电源模块连接， 油烟净化模块与中央处理模块连接。 0009 根据本发明的第二方面， 一种基于深度学习的智能烘烤方法， 包括以下步骤， 将反 馈模块反馈的信息分析、 深度学习， 并生成烘烤曲线； 根据烘烤曲线， 控制机械运动模块进 行烘烤。 0010 进一步， 所。
10、述的一种基于深度学习的智能烘烤方法还包括， 根据烘烤曲线调整烘 烤位置和方向； 根据烘烤曲线动态调节进氧压力和燃料调配速度。 0011 此外， 所述的一种基于深度学习的智能烘烤方法还包括以下步骤， 存储反馈模块 的数据并生成数据包实时与中央处理模块进行交换。 说 明 书 1/3 页 3 CN 109287687 A 3 0012 本发明的有益效果是： 本发明提供的基于深度学习的智能烘烤方法以及装置， 根 据不同的烤制食材得到不同的烘烤曲线， 然后按照烘烤曲线控制装置运行模式， 从而得到 不同烤制食品的各种口味， 使一种烘烤系统即可完成对多种食材制作多种口味的烤制食 品； 同时可以自动化完成烘烤。
11、， 节省人力成本。 附图说明 0013 下面结合附图和实例对本发明作进一步说明。 0014 图1是本发明一种基于深度学习的智能烘烤方法的第一实施例的流程图； 0015 图2是本发明一种基于深度学习的智能烘烤方法的第二实施例的流程图； 0016 图3是本发明一种基于深度学习的智能烘烤装置的结构图。 具体实施方式 0017 参照图1和图2， 本发明的一个实施例， 步骤a1中， 初始数据获取： 首先是获得大量 的关于烘烤食物的数据， 按照机械运动模块3对食物烘烤的时间、 角度、 火力进行记录， 将烘 烤得到的食物给顾客试食， 让顾客评分， 从0分到1分， 分数越高代表口感味道越好， 从而得 到数据表。
12、格。 然后按照数据表格， 将时间、 角度、 火力的其中两个量作定量， 另一个量作变 量， 以变量做横坐标， 以分数做纵坐标， 得到一系列的初始烘烤曲线。 0018 模型优化： 在深度学习模块2中， 设置输入层： 机械运动模块3烘烤方式， 输出层： 评 分分数； 将机械运动模块3烘烤方式(即由反馈模块4反馈得到的烘烤时间、 角度、 火力这些 数据)作为输入层， 根据初始烘烤曲线， 按照深度信念网络(DBNs)算法(具体算法可参考参 考文献中的方法： Hinton， G.E.， Osindero， S.and Teh， Y.W.A fast learning algorithm for deep 。
13、belief nets.Neural Computation， vol18， pp.15271554， 2006)， 输出为评分 分数， 对初始烘烤曲线进行大量的训练和优化， 对中间的加权参数进行优化和完善(例如对 组成整个深度信念网络的N个受限玻尔兹曼机的隐含层选取sigmoid激活函数， 通过对比散 度算法和吉布斯采样对每层隐含层多次迭代预训练来更新模型参数， 进而得到参数较优的 深度信念网络模型， 并且对预训练后的深度信念网络模型再加一层softmax回归， 对整个网 络进行反向微调)得到最终烘烤曲线； 期间， 数据的处理由中央处理模块1完成， 同时数据协 助模块5存储反馈模块4的数据并。
14、生成数据包实时经过中央处理模块1进行交换， 分担中央 处理模块1处理数据的压力。 根据不同的食材可以得到不同的烘烤曲线。 0019 步骤a2中， 烘烤制作： 中央处理模块1根据深度学习模块2得到的最终烘烤曲线， 控 制机械运动模块3对食物进行烘烤； 调控翻转机械臂模块31根据烘烤曲线闭环全方位调整 烘烤位置和方向， 调控喷焰模块32根据烘烤曲线烘烤食材， 并将有效的热能用在食材关键 性部分， 调控氧气和燃料均衡调节模块33根据烘烤曲线动态调节进氧压力和燃料调配速 度， 以此来分别调控烘烤时间、 角度、 火力。 按照不同的烘烤曲线即可完成对多种食材进行 多样化风味的烘烤。 0020 参照图3， 。
15、另一个实施例， 一种基于深度学习的智能烘烤装置， 包括中央处理模块 1、 深度学习模块2、 机械运动模块3、 反馈模块4， 深度学习模块2、 机械运动模块3、 反馈模块4 分别与中央处理模块1连接； 深度学习模块2， 用于将反馈模块4反馈的信息分析、 深度学习， 并生成烘烤曲线； 中央处理模块1， 用于根据深度学习模块2得到的烘烤曲线， 控制机械运动 说 明 书 2/3 页 4 CN 109287687 A 4 模块3进行烘烤。 0021 进一步， 所述的机械运动模块3包括翻转机械臂模块31、 喷焰模块32、 氧气和燃料 均衡调节模块33； 翻转机械臂模块31， 用于根据烘烤曲线闭环全方位调整。
16、烘烤位置和方向； 喷焰模块32， 用于根据烘烤曲线烘烤食材， 并将有效的热能用在食材关键性部位； 氧气和燃 料均衡调节模块33， 用于根据烘烤曲线动态调节进氧压力和燃料调配速度。 0022 此外， 所述的基于深度学习的智能烘烤装置还包括数据协助模块5， 数据协助模块 5与中央处理模块1连接， 用于存储反馈模块4的数据并生成数据包实时与中央处理模块1进 行交换。 0023 进一步， 所述的基于深度学习的智能烘烤装置还包括伺服电源模块6、 漏电短路保 护模块7和油烟净化模块8； 伺服电源模块6与中央处理模块1连接， 漏电短路保护模块7与伺 服电源模块6连接， 油烟净化模块8与中央处理模块1连接。 。
17、全天候伺服电源， 根据系统火力 的需求实时动态地调整电源输出功率。 当考虑满功率运行时， 若发生过载或者漏电， 漏电短 路保护模块7可以紧急自动切断电源。 油烟净化模块8采用新型环保自循环净化方案， 烘烤 过程中产生的油烟在设备内部压缩和净化后再排出设备外， 减少空气污染。 0024 以上所述， 只是本发明的较佳实施例而已， 本发明并不局限于上述实施方式， 只要 其以相同的手段达到本发明的技术效果， 都应属于本发明的保护范围。 说 明 书 3/3 页 5 CN 109287687 A 5 图1 图2 说 明 书 附 图 1/2 页 6 CN 109287687 A 6 图3 说 明 书 附 图 2/2 页 7 CN 109287687 A 7 。