加热状态识别装置、加热控制装置、加热控制方法、加热状态识别系统以及加热控制系统与流程 专利技术说明

供热;炉灶;通风;干燥设备的制造及其应用技术1.本发明的实施方式涉及一种加热状态识别装置、加热控制装置、加热控制方法、加热状态识别系统以及加热控制系统。背景技术：2.以往，在餐饮店中，店铺的工作人员以判断加热量从而能够向顾客提供加热烹调得更美味的烹调物的方式努力。例如，存在以不沸腾的方式进行锅的温度调整的烹调方法。然而，对锅等进行加热的加热装置的加热调整有时会受工作人员的经验影响(参照日本特开2017-133722号公报)。技术实现要素：3.因此，本发明要解决的问题在于提供一种能够不受烹调者的经验影响而用更适当的加热控制进行烹调的加热状态识别装置、加热控制装置、加热控制方法、加热状态识别系统以及加热控制系统。4.一个实施方式所涉及的加热状态识别装置，具备：5.获取部，其获取按时间序列对具有被加热物和液体的容器内进行拍摄而得到的多个时间序列图像；以及6.识别部，其使用基于多个时间序列图像而获取到的时间序列的特征量来识别液体的多个容器内状态。7.也可以是，还具备特征量生成部，该特征量生成部具有卷积神经网络，该卷积神经网络针对多个时间序列图像中的每个图像生成图像特征量并将所述图像特征量按时间序列排列来生成时间序列的图像特征量，8.识别部具有递归型神经网络，该递归型神经网络基于卷积神经网络所生成的时间序列的图像特征量来识别多个加热状态。9.也可以是，还具备学习部，该学习部使用学习集进行机器学习，该学习集包含与被加热物及液体的状态对应的正确标签以及卷积神经网络所生成的时间序列的图像特征量，10.识别部基于机器学习的结果来识别状态。11.加热控制装置也可以是火力控制部，该火力控制部基于上述的加热状态识别装置的识别部的识别结果，来控制用于加热容器的加热装置的火力。12.也可以是，火力控制部进行根据液体沸腾前的规定的状态来变更维持规定的状态的时间的控制。13.也可以是，在识别部不依赖于液体的液体状态而识别出投入了被加热物的状态的情况下，在从识别出投入了被加热物的状态的时刻起经过了规定时刻之后，火力控制部使显示装置显示催促废弃容器内的被加热物的显示图像。14.一个实施方式所涉及的加热状态识别方法，包括以下工序：15.获取工序，获取按时间序列对具有被加热物和液体的容器内进行摄像拍摄而得到的多个时间序列图像；以及16.识别工序，使用基于多个时间序列图像获取时间序列的图像特征量而得到的时间序列的图像特征量来识别液体的多个加热状态。17.也可以是，包括火力控制工序，在所述火力控制工序中，基于加热状态识别方法的识别工序的识别结果，来控制用于加热容器的加热装置的火力。18.一个实施方式所涉及的加热状态识别系统，具备：19.摄像装置，其从具有被加热物和液体的容器的上部拍摄容器内；20.获取部，其获取摄像装置按时间序列拍摄到的多个图像；以及21.识别部，其使用基于多个时间序列图像而获取到的时间序列的图像特征量来识别液体的多个加热状态。22.加热控制系统也可以具备火力控制部，该火力控制部基于上述的加热状态识别系统的识别部的识别结果，来控制用于加热容器的加热装置的火力。23.根据本发明，能够提供能够不受烹调者的经验影响而以更适当的加热控制进行烹调的加热控制装置、加热控制方法以及加热控制系统。附图说明24.图1是示出本实施方式的加热控制系统的结构的框图。25.图2是示出对烹调容器进行拍摄的摄像装置的位置的一例的图。26.图3是示出特征量生成部的结构例的图。27.图4是用文章说明被加热物和液体的状态的表。28.图5是示出学习部的学习处理例的流程图。29.图6是示出火力控制部的控制例的流程图。30.图7是示出与人的操作对应的正确标签例的表。31.图8是示出多次发生在变为第四状态之后变为第三状态的状态的例子的图。32.图9是示出第二实施方式的烹调指示装置的结构的框图。33.图10是示出第二实施方式所涉及的火力控制部的控制例的流程图。具体实施方式34.下面，参照附图来详细地说明本发明的实施方式所涉及的加热状态识别装置、加热控制装置、加热控制方法、加热状态识别系统以及加热控制系统。此外，下面所示的实施方式是本发明的实施方式的一例，本发明并不被解释为限定于这些实施方式。另外，在本实施方式中参照的附图中，有时对同一部分或具有同样的功能的部分标注相同的附图标记或类似的附图标记，并省略其重复的说明。另外，为了便于说明，存在附图的尺寸比率与实际的比率不同的情况、结构的一部分从附图中省略的情况。35.(第一实施方式)36.图1是示出第一实施方式的加热控制系统1的结构的框图。图1的加热控制系统1是能够控制加热装置的火力的系统。如图1所示，本实施方式的加热控制系统1构成为具备：加热装置10、烹调容器20、摄像装置30、显示装置40、操作部50以及加热控制装置60。37.图2是示出从上方对载置在加热装置10上的烹调容器20的内部进行拍摄的摄像装置30的位置的一例的图。如图2所示，加热装置10例如是煤气炉，在其壳体的上表面部具有作为发热部的燃烧器。另外，能够利用燃烧器操作按钮的马达的旋转操作来进行燃烧器的火力调整(发热量的调整)。此外，本实施方式所涉及的加热装置10是煤气炉，但并不限定于此。例如，也可以是电炉。38.烹调容器20例如是锅，在内部储存作为被加热物的食材以及水与调味料混合而成的烹调用水。39.摄像装置30例如是摄像机，能够从烹调容器20的上部按时间序列对表示烹调容器20内的状态的图像进行拍摄。摄像装置30例如将红色图像(r图像)、绿色图像(g图像)、蓝色图像(b图像)这3种数字图像数据输出到加热控制装置60。3种数字图像数据分别由例如纵1080×横1920的像素构成。40.再次如图1所示，显示装置40例如是监视器。显示装置40显示加热控制装置60所生成的图像。41.操作部50例如由键盘、指示设备等构成。也能够与显示装置40合并为触摸面板。操作部50输出与使用加热控制装置60的用户的操作相应的指示信号。42.加热控制装置60是能够控制加热装置10的火力的装置，该加热控制装置60具备：获取部600、存储部602、特征量生成部603、学习部604、识别部607、火力控制部608以及图像生成部610。这样的加热控制装置60例如通过个人计算机实现。即，加热控制装置60例如构成为包括cpu(central processing unit：中央处理单元)。另外，本实施方式所涉及的加热状态识别装置61具备获取部600、特征量生成部603、学习部604以及识别部607，本实施方式所涉及的加热状态识别系统62具备摄像装置30以及加热状态识别装置61。此外，本实施方式所涉及的加热状态识别装置61具备学习部604，但并不限定于此。例如，加热状态识别装置61也可以构成为不具备学习部604。43.获取部600也能够获取摄像装置30拍摄到的时间序列的图像，并将该图像存储于存储部602。获取部600还能够例如与网络连接，经由网络从服务器等获取图像。44.存储部602例如由hdd(硬盘驱动器)、ssd(固态驱动器)等构成。存储部602也能够存储获取部600获取到的图像以进行学习。另外，存储部602存储有用于执行加热控制的各种程序。由此，加热控制装置60例如通过执行存储于存储部602的程序来构成各处理部。另外，存储部602存储识别用的机器学习模型。此外，在本实施方式中，有时将学习完毕的机器学习模型称为学习完毕模型。45.特征量生成部603例如根据获取部600获取到的各个时间序列图像来按时间序列生成图像特征量。学习数据例如是将与烹调容器20内的被加热物及液体的状态对应的正确标签同特征量生成部603所生成的时间序列的图像特征量建立关联而得到的数据。在后文描述特征量生成部603的详情。46.学习部604使用存储于存储部602的学习数据来进行机器学习、例如监督学习。该学习部604例如通过神经网络进行机器学习。另外，学习部604也可以在除加热控制装置60外的例如学习用的计算能力更高的计算机内进行运算处理。学习后的模型(学习完毕模型)例如经由网络保存于存储部602并由识别部607使用。此外，学习部604在本实施方式中在除加热控制装置60外的计算机内进行运算处理，但并不限定于此。例如，学习部604也可以设置在加热控制装置60内。在该情况下，也能够使在现场获得的数据即时地反映到学习中。47.另外，学习部604进行机器学习的机器学习模型并不限定于神经网络。例如，也可以通过k-means法等一般的聚类方法学习识别函数等作为机器学习模型。此外，在后文描述学习部604的详情。48.识别部607使用学习部604中的机器学习结果来识别烹调容器20内的液体的规定状态。本实施方式所涉及的识别部607使用由学习部604学习后的神经网络。该神经网络能够使用由特征量生成部603基于通过摄像装置30拍摄到的多个时间序列图像而生成的时间序列的特征量，来识别包含烹调容器20内的液体的沸腾前的规定的状态的多个加热状态。在后文描述识别部607的详情。49.火力控制部608基于识别部607的识别结果来控制加热装置10的火力。例如，火力控制部608控制加热装置10的马达的旋转，来控制加热装置10的火力。也在后文描述火力控制部608的详情。50.图像生成部610基于识别部607的识别结果来生成表示烹调容器20内的状态的图像，并将该图像输出到显示装置40。另外，图像生成部610也可以基于识别部607的识别结果来生成表示操作指示的图像。51.在此，使用图3来说明特征量生成部603和学习部604的详情。52.图3是示出特征量生成部603的结构例的图。如图3所示，特征量生成部603具有多个图像特征量提取部603a。图像特征量提取部603a例如是卷积神经网络(cnn、convolutional neurl network，下面有时简记为cnn。)。此外，在本实施方式中使用了多个图像特征量提取部603a，但并不限定于此。例如，也可以向一个图像特征量提取部603a依次输入图像t1～tn，从而依次生成图像特征量t1～tn。53.在该cnn中，各层的神经元被分类为滤波器，各滤波器检测输入数据中的不同的重复的特征。卷积神经网络中的多层神经网络架构例如具有多个卷积层、多个采样层以及多个完全连接的层。另外，该cnn是通过现有的带标签图像进行了学习的学习完毕的cnn(例如imagenet pre-trained network：imagenet预训练网络)。即，特征量提取部603a固定卷积神经网络来前馈输入图像，从而生成中间层输出的值作为特征量。54.向多个特征量提取部603a各自输入按时间序列拍摄到的图像t1～tn。例如，1张图像使用将红色图像(r图像)、绿色图像(g图像)、蓝色图像(b图像)这3种数字图像分别缩小为224×224像素而得到的图像。在本实施方式中，用各8位(256灰度)的数值保持r、g、b这三原色。由此，224×224×3的像素数据被输入到cnn的初级的卷积层。然后，生成时间序列的图像特征量t1～tn。例如，n为60，在一秒内拍摄到的60张时间序列的图像被输入到学习部604或识别部607。另外，特征量提取部603a所生成的图像特征量例如是1024维。这样，通过cnn，针对图像t1～tn中的每个图像生成图像特征量t1～tn。而且，特征量生成部603输出按时间序列排列的图像特征量t1～tn。55.使用图4来详细地说明学习用的数据。56.图4是用文章说明被加热物和液体的状态的表。烹调容器20内的被加热物和液体的状态随着加热时间的经过而按时间序列变化。即，随着烹调容器20的加热进行，例如按时间序列从第一状态变化为第四状态。例如，第一状态是“未沸腾、未进行任何操作的状态”。第二状态是“液面稳定、气泡到处上升起来的状态”。第三状态是“液面涌动、但气泡未出现或不显眼的状态”。第四状态是“正在沸腾的状态”。例如，第一状态至第三状态表示沸腾前的状态。在学习用的数据中，对在第一状态时由获取部600获得的时间序列的图像或由特征量生成部603获得的时间序列的图像特征量赋予表示第一状态的标签作为正确标签，对在第二状态时由获取部600获得的时间序列的图像或由特征量生成部603获得的时间序列的图像特征量赋予表示第二状态的标签作为正确标签，对在第三状态时由获取部600获得的时间序列的图像或由特征量生成部603获得的时间序列的图像特征量赋予表示第三状态的标签作为正确标签，对在第四状态时由获取部600获得的时间序列的图像或由特征量生成部603获得的时间序列的图像特征量赋予表示第四状态的标签作为正确标签。这些标签例如能够通过人工赋予。这些带标签的时间序列的图像或时间序列的图像特征量作为学习数据存储于存储部602。57.再次返回到图3来对学习部604进行说明。该学习部604使用上述的学习数据来学习作为机器学习模型的例子的神经网络。学习部604所学习的神经网络例如以学习带标签的时间序列的图像特征量来输出针对所输入的时间序列的图像特征量的标签(第一状态～第四状态)的方式进行学习。例如，该神经网络是将具有多个节点的层多级连接而成的神经网络(lstm：long short-term memory：长短期记忆)。lstm是学习时间序列数据的递归型神经网络(recurrent neural network)的一个方式。58.例如，在该神经网络中，各节点之间的连接系数被初始化，并被依次输入带标签的时间序列的图像特征量。然后，神经网络通过反向传播(误差反向传播法)等处理来生成，该反向传播以使神经网络中的输出与对所输入的时间序列的图像特征量赋予的标签之间的误差变少的方式校正连接系数。例如，通过以使规定的损失函数最小化的方式进行反向传播等处理来生成学习完毕的神经网络。通过反复上述那样的处理，神经网络能够更好地再现并输出针对所输入的特征量的标签。此外，关于神经网络的学习方法，并不限定于上述的方法，能够应用任意的公知技术。59.识别部607具有进行了上述那样的学习的神经网络。该神经网络能够将以往难以判别的沸腾前的状态识别为多个状态。例如，如果处于第一状态即“未沸腾、未进行任何操作的状态”，则时间序列的图像特征量没有变动，神经网络能够识别为处于第一状态。60.另外，例如，如果处于第二状态即“液面稳定、气泡到处上升起来的状态”，则与气泡相当的像素数据的值的时间序列的变动被捕捉为时间序列的图像特征量。这样，例如在捕捉到与气泡相当的图像特征量的时间序列的变动的情况下，神经网络能够识别为处于第二状态。61.另外，例如，如果处于第三状态即“液面涌动、但气泡未出现或不显眼的状态”，则与液面的涌动相当的像素数据的值的时间序列的变动被捕捉为时间序列的图像特征量。这样，例如在捕捉到与液面的涌动相当的图像特征量的时间序列的变动的情况下，神经网络能够识别为处于第三状态。62.另外，例如，如果处于第四状态即“正在沸腾的状态”，则从图像的整体区域捕捉到与液面的涌动及气泡相当的像素数据的值的时间序列的变动。在该情况下，与气泡相当的像素数据的值的时间序列的变动比第三状态的该变动更大。这样，与液面的涌动相当的像素数据的值的时间序列的变动被捕捉为时间序列的图像特征量。由此，例如在与液面及气泡相当的像素数据的值更大的时间序列的变动被捕捉为时间序列的图像特征量的情况下，神经网络能够识别为处于第四状态。63.这样，能够根据基于按时间序列对具有被加热物和液体的烹调容器20内进行拍摄而得到的多个时间序列图像而获取到的时间序列的图像特征量，来捕捉沸腾前的微小变化。由此，能够使用这些时间序列的图像特征量来识别液体的多个加热状态。此外，在本实施方式中，将加热状态分为4类，但并不限定于此。例如，也可以分为5类、分为10类。64.在此，使用图5来说明学习部604的学习处理例。图5是示出学习部604的学习处理例的流程图。如图5所示，首先，学习部604从存储部602获取学习数据的集(步骤s100)。在学习数据为时间序列的图像的情况下，在此使用特征量生成部603转换为时间序列的图像特征量。接着，学习部604开始进行神经网络的学习(步骤s102)。在该情况下，进行提供时间序列的图像特征量作为输入、提供与时间序列的图像特征量对应的1至4中的任一个标签作为教师信号的学习(步骤s104)。即，进行基于反向传播的学习，该反向传播以使与所输入的特征量对应的标签同神经网络的输出值之间的误差变少的方式校正连接系数。65.接着，学习部604判定是否满足学习的结束条件(步骤s106)，在不满足结束条件的情况下(步骤s106：“否”)，重复进行从步骤s104起的处理。结束条件例如是学习次数。66.另一方面，在满足结束条件的情况下(步骤s106：“是”)，结束整体处理。像这样，学习用于输出针对从时间序列的多个图像获得的时间序列的图像特征量的状态的神经网络。67.在此，说明火力控制部608的处理程序的一例。火力控制部608的处理程序按料理例如编程有第一状态至第四状态的持续时间。在此，在不沸腾的状态下进行烹调的情况下，火力控制部608例如将即将沸腾之前的第三状态的时间设为最长，来控制被加热物及液体的加热状态和冷却状态。68.例如，火力控制部608使用识别部607的识别结果来控制加热装置10的火力的强弱以及火力的维持时间，以转变所编程的状态。69.使用图6来说明火力控制部608的控制例。图6是示出火力控制部608的控制例的流程图。如图6所示，首先，获取部600从摄像装置30获取时间序列的多个图像(步骤s200)。70.接着，特征量生成部605根据60×60×3的60张时间序列的像素数据来生成时间序列的图像特征量，并将该图像特征量输入到识别器607，来识别时间序列的多个图像的状态(步骤s202)。71.接着，火力控制部608根据识别部识别出的状态来控制加热装置10的火力(步骤s204)。例如，在维持现状的状态的情况下，以不变更火力的方式控制加热装置10的火力，在使状态加热至下一状态的情况下，增加加热装置10的火力。另一方面，在使状态冷却至下一状态的情况下，减少加热装置10的火力。72.接着，火力控制部608判定所编程的烹调是否结束(步骤s206)，在未结束的情况下(步骤s206：“否”)，重复进行从步骤s200起的处理。另一方面，在已结束的情况下(步骤s206：“是”)，停止加热装置10，结束整体处理。在使用温度计的加热控制的情况下，温度会由于被加热物的位置、对流的产生状态而发生不均匀。与此相对地，在基于时间序列的图像的识别中，使用图像整体的状态变化的信息，因此，状态的识别达到更高精度。因此，火力控制部608的加热控制也能够更高精度地进行。73.如上所述，根据本实施方式，设为学习部604根据按时间序列对具有被加热物和液体的容器进行拍摄而得到的多个时间序列图像，来对液体的沸腾前的规定的状态进行机器学习。由此，识别部607能够基于学习部604的学习结果，来将液体的表面图像的微小变化捕捉为图像特征量的时间序列的变动，从而能够识别沸腾前的规定状态。另外，识别部607识别沸腾前的规定的状态，因此，火力控制部608例如能够进行以不使具有被加热物和液体的容器沸腾的方式进行烹调的加热控制。74.(第一实施方式的第一变形例)75.第一实施方式所涉及的加热控制系统1识别了加热装置10对烹调容器20的加热状态，但第一实施方式的第一变形例所涉及的加热控制系统1与第一实施方式中加热控制系统1不同之处在于还能够识别人对烹调容器20的操作。下面，关于与第一实施方式不同之处进行说明。76.图7是示出与烹调者的人的操作对应的正确标签例的表。例如，第五状态是“不依赖液体状态而用工具进行搅拌的状态”。第六状态是“不以来液体状态而使用工具进行撇浮沫等的状态”。第七状态是“不以来液体状态而投入了食材的状态”。77.即，在第一实施方式的变形例所涉及的加热控制系统1中，除了第一状态至第四状态之外，还使用第五状态至第七状态的时间序列的图像来学习在识别部607使用的机器学习模型。在该情况下，例如对第五状态赋予5的正确标签、对第六状态赋予6的正确标签、对第七状态赋予7的正确标签，来学习在识别部607使用的机器学习模型。78.由此，还能够认知锅的状态而优先检测正在操作的烹调者的动作。例如，在识别部607识别出第七状态的情况下，在从识别出第七状态的时刻起经过规定时刻之后，火力控制部608使显示装置40显示催促废弃烹调容器20内的被加热物的显示图像。由此，能够维持烹调容器20内的被加热物的质量，这样，识别部607能够使用按时间序列拍摄到的多个时间序列图像，除了识别第一状态至第四状态之外，还识别第五状态至第七状态中的任一种状态。79.(第一实施方式的第二变形例)80.第一实施方式的第二变形例所涉及的加热控制系统1还具有当烹调容器20的加热状态变为规定状态时发出警告来停止加热的功能。81.图8是示出发生了多次在变为“变为了沸腾状态”第四状态之后变为“液面涌动但气泡未出现或不显眼”第三状态的状态的例子的图。82.如图8所示，在加热控制系统1中，在进行在第三状态下停止的加热控制的情况下，有可能会变为第四状态。这样，当第四状态的次数变为例如作为规定次数的3次以上时，向显示装置40发出警告，并且停止加热。83.有时在被加热物中包含有可能由于长时间的沸腾而质量降低的物品。这样，通过根据沸腾次数发出警告，从而能够促使质量的确认，也能够根据质量状态来废弃被加热物。84.(第一实施方式的第三变形例)85.第一实施方式的第三变形例所涉及的加热控制装置60还具备：液体温度测定部(未图示)，其对烹调容器20内的液体温度进行测定；以及气压测定部(未图示)，其对大气压进行测定。识别部607使用液体温度测定部测定出的液体温度和气压测定部测定出的气压中的至少一方以及基于多个时间序列图像而获取到的时间序列的图像特征量，来识别液体的多个加热状态。例如，识别部607能够基于由液体温度测定部和气压测定部中的至少一方测定出的结果，来对使用基于多个时间序列图像而获取到的时间序列的图像特征量而识别出的液体的多个加热状态的识别结果进行校正。86.火力控制部608使用也基于由液体温度测定部和气压测定部中的至少一方测定出的结果的识别部607的识别结果来控制用于加热烹调容器20的加热装置10的火力。例如，根据设置加热控制装置60的场所的高度，气压改变，沸点也不同。识别部607能够基于由液体温度测定部和气压测定部中的至少一方测定出的结果来校正这样的基于环境的变动，加热控制装置60能够进行更高精度的控制。87.(第一实施方式的第四变形例)88.第一实施方式的第四变形例所涉及的加热控制装置60还具备测量多个加热状态等的时间的时间测量部(未图示)。时间测量部测量各状态(例如第一状态～第四状态(图4)、后述的第五状态～第七状态(图7))的经过时间。89.火力控制部608基于识别部607的识别结果以及由时间测量部测量的从被加热物被投入起的经过时间，来控制用于加热烹调容器20的加热装置10的火力。例如，能够在熬煮了一定时间后停止加热并转移至保温等。由此，火力控制部608特别是能够进行在投入了食材(例如肉)之后在特定的时间停止加热等控制。90.(第二实施方式)91.第二实施方式所涉及的加热控制系统1与第一实施方式中加热控制系统1不同之处在于根据烹调容器20的形状来变更识别部所使用的神经网络。下面，关于与第一实施方式不同之处进行说明。92.图9是示出第二实施方式所涉及的加热控制系统1的结构的框图。如图9所示，本实施方式的加热控制系统1构成为还具备加热控制装置60的形状识别部612。93.烹调容器20存在圆形、方形等不同的多个形状。学习部604学习在形状识别部612使用的机器学习模型以用于形状识别。在该情况下，使用将输入数据设为从烹调容器20的上方拍摄到的图像数据并将教师类别设为形状的学习数据。94.另外，识别部607用的机器学习模型也分别使用对圆形形状的烹调容器20进行拍摄而得到的学习数据1和对方形形状的烹调容器20进行拍摄而得到的学习数据2来进行学习。即，识别部607具有用学习数据1进行学习得到的学习结果1的机器学习模型1以及用学习数据2进行学习得到的学习结果2的机器学习模型2。95.关于圆形形状的烹调容器20的对流，以圆形形状锅的中心部为对流中心产生对流。另一方面，方形形状的烹调容器20的对流示出对流中心向受到加热位置的影响的位置偏移的倾向。因此，根据烹调容器20的形状而分开使用机器学习模型1和机器学习模型2进一步提高识别精度。96.使用图10来说明第二实施方式所涉及的火力控制部608的控制例。图10是示出第二实施方式所涉及的火力控制部608的控制例的流程图。如图12所示，首先，获取部600从摄像装置30获取图像(步骤s300)。97.接着，形状识别部612转换为60×60×3的像素数据，并输入到在形状识别部612使用的机器学习模型，识别图像的状态，来判别是否为圆形形状(步骤s302)。98.接着，如果是圆形形状(步骤s302：“是”)，则识别部607使用学习结果1的机器学习模型1，如果是方形形状(步骤s302：“否”)，则识别部607使用学习结果2的机器学习模型2。99.如上所述，根据本实施方式，设为根据烹调容器20的形状来变更在识别部607使用的神经网络。由此，即使在容器内的状态根据烹调容器20的形状而不同的情况下，也能够更高精度地识别容器内的状态。100.上述的实施方式中说明的加热控制装置60和加热控制系统1的至少一部分可以由硬件构成，也可以由软件构成。在由软件构成的情况下，也可以将用于实现加热控制装置60和加热控制系统1的至少一部分的功能的程序收纳于软盘、cd-rom等记录介质，使计算机读入来执行该程序。记录介质不限定于磁盘、光盘等可装卸的记录介质，也可以是硬盘部、存储器等固定型的记录介质。101.另外，也可以经由因特网等通信线路(也包含无线通信)分发用于实现加热控制装置60和加热控制系统1的至少一部分的功能的程序。并且，也可以在对该程序进行加密或施加调制或进行了压缩的状态下，将该程序经由因特网等有线线路、无线线路来分发或者将该程序收纳于记录介质后分发。102.以上，对若干个实施方式进行了说明，但这些实施方式仅作为例子呈现，并不意图限定发明的范围。在本说明书中说明的新的装置、方法以及程序能够以其它各种方式实施。另外，能够对在本说明书中说明的装置、方法以及程序的方式在不脱离发明的主旨的范围内进行各种省略、置换、变更。103.附图标记说明104.1：烹调系统；10：加热装置；20：烹调容器；30：摄像装置；40：显示装置；60：加热控制装置；61：加热状态识别装置；62：加热状态识别系统；600：获取部；603：特征量生成部；604：学习部；606：识别器学习部；607：识别部；608：火力控制部；612：形状识别部。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!