1.本技术涉及厨具技术领域，特别是涉及一种烹饪设备、烹饪设备控制方法、存储介质和计算机程序产品。


背景技术：

2.随着厨具技术和各地区菜系的发展，出现了具有蒸煮炒等功能的烹饪设备。
3.传统技术中，烹饪设备烹饪食物时，整个烹饪过程中，烹饪设备通常是处于关闭状态，或某些时刻处于关闭状态，当用户查看食物烹饪状态时，需要打开烹饪设备，例如打开烹饪设备的锅盖，实现烹饪状态的查看。
4.然而，烹饪过程中通常伴随着高温或热气等，当用户打开正处于烹饪状态中的烹饪设备查看食物烹饪状态时，容易发生烫伤等安全事故。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够提高烹饪过程查看食物烹饪状态安全性的烹饪设备、烹饪设备控制方法、存储介质和计算机程序产品。
6.第一方面，本技术提供了一种烹饪设备。所述烹饪设备包括：
7.输入设备，用于接收用户的输入操作；
8.设备本体；
9.设置于所述设备本体内的参数采集组件，所述参数采集组件至少包括气味传感器，用于采集烹饪参数，所述烹饪参数至少包括气体响应值；
10.所述设备本体上还设置有控制器，所述控制器与所述参数采集组件、输入设备电连接，
11.所述控制器响应于所述输入操作获取菜品种类以及烹饪指令，调用所述菜品种类对应的状态监测模型，在烹饪过程中根据所述参数采集组件采集的所述烹饪参数、当前烹饪时长、以及所述状态监测模型，得到当前时刻的烹饪状态。
12.在其中一个实施例中，所述烹饪状态包括食物成熟度；所述控制器根据所述烹饪参数、当前烹饪时长、以及所述状态监测模型，得到当前时刻的烹饪状态预测值，根据所述当前时刻的烹饪状态预测值确定当前时刻的食物成熟度；其中，所述烹饪状态预测值与食物成熟度具有对应关系。
13.在其中一个实施例中，所述参数采集组件还包括温度传感器、湿度传感器、气压传感器和功率传感器中的至少一种，所述烹饪参数还包括温度值、湿度值、气压值和瞬时功率值中的至少一种。
14.在其中一个实施例中，所述控制器，存储有不同种类菜品对应的状态监测模型，各菜品对应的状态监测模型是根据各菜品的样本数据集，各样本标注的烹饪状态，采用预设的构建模型的方法分别训练得到的。
15.在其中一个实施例中，所述控制器通过所述输入设备接收到输入操作，等待预设
时间后，调用对应的状态监测模型。
16.在其中一个实施例中，所述烹饪设备还包括与所述控制器电连接的显示设备；所述控制器将所述烹饪状态通过所述显示设备显示。
17.在其中一个实施例中，所述控制器还通过所述输入设备获取食物的目标烹饪状态或烹饪指令对应的烹饪程序，在监测食物达到烹饪程序预设的烹饪状态，或设置的目标烹饪状态时，控制停止烹饪。
18.第二方面，本技术还提供了一种烹饪设备控制方法。所述方法包括：
19.获取基于用户的输入操作所产生的烹饪指令，所述烹饪指令含有菜品种类，所述输入操作从输入设备接收得到；
20.根据所述烹饪指令调用所述菜品种类对应的状态监测模型，并进入烹饪状态；
21.获取烹饪过程中的烹饪参数，根据所述烹饪参数、当前烹饪时长和所述状态监测模型，得到当前时刻的烹饪状态；
22.其中，所述烹饪参数至少包括气体响应值，所述烹饪参数由设置于设备本体内的参数采集组件采集得到。
23.在其中一个实施例中，所述烹饪状态包括食物成熟度；所述获取烹饪过程中的烹饪参数，根据所述烹饪参数、当前烹饪时长和所述状态监测模型，得到当前时刻的烹饪状态，包括：
24.获取烹饪过程中的烹饪参数，根据所述烹饪参数、当前烹饪时长、以及所述状态监测模型，得到当前时刻的烹饪状态预测值，根据所述当前时刻的烹饪状态预测值确定当前时刻的食物成熟度；其中，所述烹饪状态预测值与食物成熟度具有对应关系。
25.在其中一个实施例中，所述烹饪参数还包括温度值、湿度值、气压值和瞬时功率值中的至少一种。
26.在其中一个实施例中，所述方法还包括：预先存储有不同种类菜品对应的状态监测模型，各菜品对应的状态监测模型是根据各菜品的样本数据集，各样本标注的烹饪状态，采用预设的构建模型的方法分别训练得到的。
27.在其中一个实施例中，根据所述烹饪指令调用所述菜品种类对应的状态监测模型，包括：接收到所述烹饪指令，等待预设时间后，调用对应的状态监测模型。
28.在其中一个实施例中，将所述烹饪状态通过显示设备显示。
29.在其中一个实施例中，所述方法还包括：
30.通过所述输入设备获取食物的目标烹饪状态或烹饪指令对应的烹饪程序，在监测食物达到烹饪程序预设的烹饪状态，或设置的目标烹饪状态时，控制停止烹饪。
31.第三方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
32.获取基于用户的输入操作所产生的烹饪指令，所述烹饪指令含有菜品种类，所述输入操作从输入设备接收得到；
33.根据所述烹饪指令调用所述菜品种类对应的状态监测模型，并进入烹饪状态；
34.获取烹饪过程中的烹饪参数，根据所述烹饪参数、当前烹饪时长和所述状态监测模型，得到当前时刻的烹饪状态；
35.其中，所述烹饪参数至少包括气体响应值，所述烹饪参数由设置于设备本体内的
参数采集组件采集得到。
36.第四方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
37.获取基于用户的输入操作所产生的烹饪指令，所述烹饪指令含有菜品种类，所述输入操作从输入设备接收得到；
38.根据所述烹饪指令调用所述菜品种类对应的状态监测模型，并进入烹饪状态；
39.获取烹饪过程中的烹饪参数，根据所述烹饪参数、当前烹饪时长和所述状态监测模型，得到当前时刻的烹饪状态；
40.其中，所述烹饪参数至少包括气体响应值，所述烹饪参数由设置于设备本体内的参数采集组件采集得到。
41.上述烹饪设备、烹饪设备控制方法、存储介质和计算机程序产品，控制器从输入设备接收用户的输入操作，确定本次烹饪的菜品种类和烹饪指令，调用对应的状态监测模型，在烹饪过程中，控制器根据参数采集组件采集的烹饪参数、当前烹饪时长、以及状态监测模型，确定当前时刻的烹饪状态。其中，参数采集组件至少包括气味传感器，烹饪参数至少包括气体响应值。由于控制器根据输入操作调用对应的状态监测模型之后，可以实时得到当前时刻的烹饪状态，因此无需用户特意打开烹饪设备视察，不容易发生烫伤等安全事故。因此本技术能够提高烹饪过程查看食物烹饪状态安全性。
附图说明
42.图1为一个实施例中烹饪设备的内部结构图；
43.图2为一个实施例中烹饪设备控制方法的应用环境图；
44.图3为一个实施例中烹饪设备控制方法的流程示意图；
45.图4为一个实施例中构建状态监测模型的流程示意图。
具体实施方式
46.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
47.如图1所示，烹饪设备包括输入设备201、设备本体100和参数采集组件202，输入设备201用于接收用户的输入操作，输入设备可以为按键、麦克风、触摸屏，以实现输入操作，输入操作可以是手动输入，也可以是语音输入。用户通过输入设备201，向烹饪设备发出输入操作，指示本次烹饪的菜品种类。控制器203在获取到用户的输入操作之后，将基于该输入操作产生相应的烹饪指令(烹饪指令中含有菜品种类)，确定菜品种类。根据菜品种类确定调用的状态监测模型，根据当前时刻采集的烹饪参数和当前烹饪时长，以及所调用的状态监测模型，可以计算得到当前时刻的烹饪状态。
48.其中，烹饪设备10可以但不限于蒸箱、烤箱和蒸烤箱等。
49.在一个实施例中，如图1所示，一种烹饪设备，其特征在于，包括：输入设备201，用于接收用户的输入操作；设备本体100；设置于所述设备本体100内的参数采集组件202，所述参数采集组件202至少包括气味传感器，用于采集烹饪参数，所述烹饪参数至少包括气体
响应值；所述设备本体100上还设置有控制器203，所述控制器203与所述参数采集组件202、输入设备201电连接，所述控制器203响应于所述输入操作获取菜品种类以及烹饪指令，调用菜品种类对应的状态监测模型，在烹饪过程中根据所述参数采集组件202采集的所述烹饪参数、当前烹饪时长、以及所述状态监测模型，得到当前时刻的烹饪状态。
50.其中，输入设备可以为按键、麦克风、触摸屏，以实现输入操作可以是手动输入，也可以是语音输入。对于不同的菜品种类，其在烹饪过程中各时刻的烹饪状态是不相同的。为了智能地预测菜品在各时刻的烹饪状态，因此为不同菜品分别设置有对应的状态监测模型。当控制器响应于输入操作确定菜品种类以及烹饪指令之后，根据当前确定的菜品种类调用对应的状态监测模型，对当前时刻菜品的烹饪状态进行预测。其中，状态监测模型是从与控制器通信的服务器获取的，状态监测模型也可以是在烹饪设备自身完成构建过程，例如调用状态监测模型的控制器，或烹饪设备中其他具有计算功能的设备，不作具体限定。
51.在一个实施例中，控制器203预先存储有各菜品种类和状态监测模型之间的对应关系，当输入操作为手动输入时，控制器203响应手动输入生成对应的烹饪指令，烹饪指令包含用户选择的菜品种类，控制器根据该烹饪指令中的菜品种类调用对应的状态监测模型。其中，手动输入可以但不限于菜品名称或菜品对应的编号。
52.在一个实施例中，控制器203预先存储有各菜品种类的关键词和状态监测模型之间的对应关系，当输入操作为语音输入时，控制器203获取用户的语音，对用户语音进行关键词提取，生成对应的烹饪指令，烹饪指令包含用户本次确定的菜品种类，控制器根据该烹饪指令中的菜品种类调用对应的状态监测模型。
53.其中，烹饪参数是食物烹饪过程中与食物状态发生变化有关的参数，能够反应烹饪食物在烹饪过程中的烹饪状态。烹饪参数至少包括气体响应值，可选地，由于食物烹饪过程中，食物状态发生变化可能会带来烹饪环境湿度和温度的变化，因此烹饪参数还可以包括湿度值和温度值等。
54.当启动烹饪之后，烹饪参数由参数采集组件202实时采集得到，烹饪参数至少包括气体响应值。除了由参数采集组件202采集的烹饪参数，与食物状态发生变化有关的参数还包括烹饪时长。在一个实施例中，烹饪设备将实时采集的烹饪参数、当前烹饪时长作为状态监测模型的入参进行计算，得到的输出结果即烹饪食物在当前时刻的烹饪时长。可选地，烹饪设备将实时采集的烹饪参数作为状态监测模型的入参进行计算，得到的输出结果作为确定当前时刻的烹饪状态的一部分，将当前烹饪时长作为确定当前时刻的烹饪状态的另一部分，对这两部分分别赋以不同的权重再求和，得到当前时刻的烹饪状态。
55.本实施例中，控制器从输入设备接收用户的输入操作，确定本次烹饪的菜品种类和烹饪指令，调用对应的状态监测模型，在烹饪过程中，控制器根据参数采集组件采集的烹饪参数、当前烹饪时长、以及状态监测模型，确定当前时刻的烹饪状态。其中，参数采集组件至少包括气味传感器，烹饪参数至少包括气体响应值。由于控制器根据输入操作调用对应的状态监测模型之后，可以实时得到当前时刻的烹饪状态，因此无需用户特意打开烹饪设备视察，不容易发生烫伤等安全事故。因此本技术能够提高烹饪过程查看食物烹饪状态安全性。
56.在一个实施例中，控制器根据当前时刻采集的烹饪参数、当前烹饪时长和状态监测模型进行计算，得到当前时刻的烹饪状态。因此，使用户能够获取在烹饪过程中的任一时
刻的烹饪状态。在一个实施例中，烹饪设备还包括与控制器电连接的显示设备，控制器将计算后得到的烹饪状态发送显示设备，通过显示设备显示当前时刻的烹饪状态，例如文字显示为“11：39当前五分熟”。
57.在一个实施例中，控制器在确定当前时刻的烹饪状态之后，判断当前时刻的烹饪状态是否达到目标烹饪状态，如果达到目标烹饪状态则控制停止烹饪；如果没达到目标烹饪状态则返回执行获取烹饪参数、当前烹饪时长的步骤。此时，设备本体继续烹饪食物，控制器仍实时计算得到当前时刻的烹饪状态。
58.在一个实施例中，当达到目标烹饪状态时，控制器控制停止烹饪，并将当前的烹饪状态发送给显示设备，通过显示设备显示当前的烹饪状态。
59.在一个实施例中，所述烹饪状态包括食物成熟度；所述控制器根据所述烹饪参数、当前烹饪时长、以及所述状态监测模型，得到当前时刻的烹饪状态预测值，根据所述当前时刻的烹饪状态预测值确定当前时刻的食物成熟度；其中，所述烹饪状态预测值与食物成熟度具有对应关系。
60.其中，烹饪状态是食物在烹饪过程中的物理化学状态，物理化学状态为食物宏微观结构的状态。对于不同种类的食物，烹饪状态的考量标准是不同的。当烹饪设备为烤箱和蒸烤箱时，且工作模式为烘烤食物时，烹饪状态包括食物成熟度。例如用烤箱烤牛排，烹饪状态则为食物成熟度，可以将烤牛排分为2分熟、4分熟、7分熟、8分熟等。
61.控制器确定当前时刻的食物成熟度时，是根据烹饪参数、当前烹饪时长和状态监测模型进行计算，得到当前时刻的烹饪状态预测值。再根据当前时刻的烹饪状态预测值确定当前时刻的食物成熟度。具体地，控制器预先存储有烹饪状态预测值和食物成熟度之间的对应关系，例如，在该对应关系中，烹饪状态预测值包括0、1、2、3，对应的食物成熟度分别为2分熟、4分熟、7分熟、8分熟。在该例子中，若当前时刻的烹饪状态预测值经计算为2时，对应的食物成熟度为7分熟。
62.本实施例中，当烹饪状态包括食物成熟度时，控制器根据烹饪参数、当前烹饪时长以及状态监测模型，得到当前时刻的烹饪状态预测值，根据当前时刻的烹饪状态预测值确定当前时刻的食物成熟度，对于烘烤类食物，烹饪状态大部分直接表现为食物成熟度。通过计算烹饪状态预测值，再确定当前时刻的食物成熟度，因此便于确定烘烤类食物的烹饪状态。
63.在一个实施例中，所述参数采集组件还包括温度传感器、湿度传感器、气压传感器和功率传感器中的至少一种，所述烹饪参数还包括温度值、湿度值、气压值和瞬时功率值的至少一种。
64.其中，温度传感器用于实时采集烹饪环境中的温度值，湿度传感器用于实时采集烹饪环境中的湿度值，气压传感器用于实时采集烹饪环境中的气压值，功率传感器用于实时采集烹饪环境中的瞬时功率值。参数采集组件可以包括温度传感器、湿度传感器、气压传感器、和功率传感器中的至少一种，例如参数采集组件可以为湿度传感器和气压传感器的组合，也可以是温度传感器、湿度传感器和气压传感器的组合。参数采集组件的组合方式不同，对应的烹饪参数不同。例如，当参数采集组件包括湿度传感器和气压传感器时，则烹饪参数包括湿度值和气压值。当参数采集组件包括温度传感器、湿度传感器和气压传感器时，则烹饪参数包括温度值、湿度值和气压值。
65.其中，对于温度传感器、湿度传感器、气压传感器、和功率传感器，等均可以是控制器外接的设备，也可以是控制器自带的功能。例如，瞬时功率值的采集可以是控制器外接功率传感器的方式，也可以是选择出厂设置有可采集瞬时功率值的控制器，其他同理。
66.本实施例中，参数采集组件包括温度传感器、湿度传感器、气压传感器、和功率传感器中的至少一种，从而在通过气味传感器采集气体响应值的基础上，结合更多的烹饪因素(温度值、湿度值气压值和瞬时功率值的至少一种)对食物的烹饪状态进行监测，使烹饪状态的监测结果更为准确。
67.在一个实施例中，确定当前烹饪时长，可以是控制器自带的计时器进行计时，也可以是如图2所示，烹饪设备10通过网络连接和服务器20实现通信，控制器203按照预设频率向服务器20上报通电状态，其中，通电状态包括烹饪启动时的时间点，控制器203根据烹饪启动时的时间点和当前最新时间点进行计算，可以确定当前烹饪时长。
68.在一个实施例中，所述控制器，存储有不同种类菜品对应的状态监测模型，各菜品对应的状态监测模型是根据各菜品的样本数据集，各样本标注的烹饪状态，采用预设的构建模型的方法分别训练得到的。
69.其中，对于各类菜品，控制器存储有不同菜品对应的状态监测模型，各个菜品对应的状态监测模型是分别根据各自的样本数据集，标注不同烹饪状态，采用预设的构建模型的方法训练得到。预设的构建模型的方法包括但不限于主成分分析、线性判别分析、聚类分析、决策树、神经网络和逻辑回归等。
70.各菜品对应的状态监测模型，可以是在烹饪设备之外的其他计算设备进行样本数据集的获取和模型的训练。可选地，各菜品对应的状态监测模型，也可以是在烹饪设备中的控制器完成样本数据集的获取和模型的训练。
71.本实施例中，控制器存储的各菜品对应的状态监测模型，可以是在烹饪设备之外的其他计算设备上采用预设的构建模型的方法分别训练得到的，从而无需控制器具备较强的计算处理能力。
72.在一个实施例中，以预设的构建模型的方法为神经网络时举例，当训练模型是在服务器上完成时，确定服务器训练得到状态监测模型的过程，包括：获取样本数据集；将样本数据集中的样本输入到待训练的神经网络模型，输出预测烹饪状态；根据预测烹饪状态和标注烹饪状态的误差，对待训练的神经网络模型进行调参；判断样本数据集中的数据是否均训练完，当数据均训练完时，判断均方误差值是否大于最小目标误差，当小于最小目标误差时，得到构建好的所述状态监测模型。
73.本实施例中，训练过程只要同时满足样本数据集中的数据全部训练结束，以及均方误差值小于最小目标误差，即可得到构建好的状态监测模型。
74.在一个实施例中，当不小于最小目标误差时，更新训练步数，判断训练步数是否大于最大目标步数；当不大于最大目标步数时，获取样本数据集，继续根据样本数据集对状态监测模型进行训练；当训练步数大于最大目标步数时，得到构建好的状态监测模型。
75.本实施例中，训练过程中，均方误差虽没有达到小于最小目标误差的条件，但只要训练步数达到了预设的最大目标步数，也可得到构建好的状态监测模型。
76.可以理解的是，通过利用不同种类食物的样本数据集，构思得到各种类食物的状态监测模型。
77.在一个实施例中，所述控制器通过所述输入设备接收到输入操作，等待预设时间后，调用对应的状态监测模型。
78.其中，预设时间是控制器预设的，在响应于输入操作确定烹饪指令和菜品种类之后，到调用状态监测模型时所经历的等待时间。控制器在获取到烹饪指令以及确定菜品种类时，并不会立即调用状态监测模型，而是等待一段预设时间再调用。在预设时间内，用户可以启动烹饪设备上的散热风机，对设备本体腔内的空气先进行换气，在换气之后，再调用状态监测模型对当前时刻的烹饪状态进行监测，从而有利于使得气味传感器阵列，能在烹饪设备的残留空气被尽可能清除的情况下，进行监测，得到更为准确的监测结果。
79.本实施例中，在通过输入设备接收到输入操作之后，等待预设时间再调用对应的状态监测模型，在等待的预设时间内可以降低历史使用对当前监测的影响，从而使得调用状态监测模型对烹饪状态的监测结果更为准确。
80.在一个实施例中，所述控制器还通过所述输入设备获取食物的目标烹饪状态或烹饪指令对应的烹饪程序，在监测食物达到烹饪程序预设的烹饪状态，或设置的目标烹饪状态时，控制停止烹饪。
81.其中，目标烹饪状态是用户从输入设备输入的，希望烹饪食物在一次烹饪结束时，所达到的烹饪状态。例如烤牛排，目标烹饪状态可以设置为8分熟。目标烹饪状态是可以根据用户喜好自定义的，通过输入设备输入。例如用户期望烤牛排最终烹饪状态是7分熟，通过输入设备输入7分熟，控制器接收输入7分熟的用户操作，并确定7分熟作为本次烹饪的目标烹饪状态。
82.烹饪指令对应的烹饪程序中的烹饪指令和目标烹饪指令不同，此处烹饪指令携带有菜品种类和其预设的烹饪状态，其中，预设的烹饪状态是菜品的常规成熟状态，不是由用户根据喜好自定义的。在用户未设定目标烹饪状态的情况下，控制器按照该烹饪指令启动烹饪程序，以预设的烹饪状态为目标，当控制器监测到食物达到烹饪程序预设的烹饪状态时，则控制停止烹饪。例如烤牛排，常规成熟状态为7分熟，则预设的烹饪状态设置为7分熟，烹饪过程中，在用户未设定目标烹饪状态的情况下，控制器按照该携带有预设的烹饪状态为7分熟的烹饪指令启动烹饪程序，当控制器监测到食物达到7分熟的烹饪状态时，则控制停止烹饪。
83.本实施例中，控制器控制停止烹饪的条件可以是由用户设定目标烹饪状态，也可以是在用户没有设定目标烹饪状态时，根据烹饪指令对应的烹饪程序自动运行，直至达到预设的烹饪状态即停止烹饪，从而更方便用户使用。
84.在一个实施例中，如图3所示，提供了一种烹饪设备控制方法，可以应用于如图2所示的应用环境中，以该方法应用于图2中的烹饪设备为例进行说明，包括以下步骤：
85.步骤202，获取基于用户的输入操作所产生的烹饪指令，所述烹饪指令含有菜品种类，所述输入操作从输入设备接收得到。
86.其中，输入操作可以是手动输入，如触摸屏，也可以是语音输入。当输入操作为手动输入时，控制器根据手动输入生成对应的烹饪指令，烹饪指令包含用户点选的菜品种类的编号。当输入操作为语音输入时，控制器获取用户的语音，对用户语音进行关键词提取，生成对应的烹饪指令，烹饪指令包含用户本次确定的菜品种类。
87.步骤204，根据所述烹饪指令调用所述菜品种类对应的状态监测模型，并进入烹饪
状态。
88.其中，对于不同菜品，分别具有对应的状态监测模型，当控制器基于输入操作生成烹饪指令之后，根据烹饪指令中包含菜品种类调用对应的状态监测模型，并进入烹饪状态。
89.步骤206，获取烹饪过程中的烹饪参数，根据所述烹饪参数、当前烹饪时长和所述状态监测模型，得到当前时刻的烹饪状态。
90.其中，烹饪参数是食物烹饪过程中与食物状态发生变化有关的参数，可以用于表示烹饪食物在烹饪过程中的烹饪状态。
91.当启动烹饪之后，烹饪参数由参数采集组件202实时采集得到，烹饪参数至少包括气体响应值。除了由参数采集组件202采集的烹饪参数，与食物状态发生变化有关的参数还包括烹饪时长。在一个实施例中，烹饪设备将实时采集的烹饪参数、当前烹饪时长作为状态监测模型的入参进行计算，得到的输出结果即烹饪食物在当前时刻的烹饪时长。可选地，烹饪设备将实时采集的烹饪参数作为状态监测模型的入参进行计算，得到的输出结果作为确定当前时刻的烹饪状态的一部分，将当前烹饪时长作为确定当前时刻的烹饪状态的另一部分，对这两部分分别赋以不同的权重再求和，得到当前时刻的烹饪状态。
92.上述烹饪设备控制方法中，控制器从输入设备接收用户的输入操作，确定本次烹饪的菜品种类和烹饪指令，调用对应的状态监测模型，在烹饪过程中，控制器根据参数采集组件采集的烹饪参数、当前烹饪时长、以及状态监测模型，确定当前时刻的烹饪状态。其中，参数采集组件至少包括气味传感器，烹饪参数至少包括气体响应值。由于控制器根据输入操作调用对应的状态监测模型之后，可以实时得到当前时刻的烹饪状态，因此无需用户特意打开烹饪设备视察，不容易发生烫伤等安全事故。因此本技术能够提高烹饪过程查看食物烹饪状态安全性。
93.在一个实施例中，所述烹饪状态包括食物成熟度；所述获取烹饪过程中的烹饪参数，根据所述烹饪参数、当前烹饪时长和所述状态监测模型，得到当前时刻的烹饪状态，包括：获取烹饪过程中的烹饪参数，根据所述烹饪参数、当前烹饪时长、以及所述状态监测模型，得到当前时刻的烹饪状态预测值，根据所述当前时刻的烹饪状态预测值确定当前时刻的食物成熟度；其中，所述烹饪状态预测值与食物成熟度具有对应关系。
94.其中，烹饪状态是食物在烹饪过程中的物理化学状态，物理化学状态为食物宏微观结构的状态。对于不同种类的食物，烹饪状态的考量标准是不同的。当烹饪设备为烤箱和蒸烤箱时，且工作模式为烘烤食物时，烹饪状态包括食物成熟度。例如用烤箱烤牛排，烹饪状态则为食物成熟度，可以将烤牛排分为2分熟、4分熟、7分熟、8分熟等。
95.控制器确定当前时刻的食物成熟度时，是根据烹饪参数、当前烹饪时长和状态监测模型进行计算，得到当前时刻的烹饪状态预测值。再根据当前时刻的烹饪状态预测值确定当前时刻的食物成熟度。具体地，控制器预先存储有烹饪状态预测值和食物成熟度之间的对应关系，例如，在该对应关系中，烹饪状态预测值包括0、1、2、3，对应的食物成熟度分别为2分熟、4分熟、7分熟、8分熟。在该例子中，若当前时刻的烹饪状态预测值经计算为2时，对应的食物成熟度为7分熟。
96.本实施例中，当烹饪状态包括食物成熟度时，控制器根据烹饪参数、当前烹饪时长以及状态监测模型，得到当前时刻的烹饪状态预测值，根据当前时刻的烹饪状态预测值确定当前时刻的食物成熟度，对于烘烤类食物，烹饪状态大部分直接表现为食物成熟度。通过
计算烹饪状态预测值，再确定当前时刻的食物成熟度，因此便于确定烘烤类食物的烹饪状态。
97.在一个实施例中，所述参数采集组件还包括温度传感器、湿度传感器、气压传感器和功率传感器中的至少一种，所述烹饪参数还包括温度值、湿度值、气压值和瞬时功率值中的至少一种。
98.其中，温度传感器用于实时采集烹饪环境中的温度值，湿度传感器用于实时采集烹饪环境中的湿度值，气压传感器用于实时采集烹饪环境中的气压值，功率传感器用于实时采集烹饪环境中的瞬时功率值。参数采集组件可以包括温度传感器、湿度传感器、气压传感器、和功率传感器中的至少一种，例如参数采集组件可以为湿度传感器和气压传感器的组合，也可以是温度传感器、湿度传感器和气压传感器的组合。参数采集组件的组合方式不同，对应的烹饪参数不同。例如，当参数采集组件包括湿度传感器和气压传感器时，则烹饪参数包括湿度值和气压值。当参数采集组件包括温度传感器、湿度传感器和气压传感器时，则烹饪参数包括温度值、湿度值和气压值。
99.其中，对于温度传感器、湿度传感器、气压传感器、和功率传感器，等均可以是控制器外接的设备，也可以是控制器自带的功能。例如，瞬时功率值的采集可以是控制器外接功率传感器的方式，也可以是选择出厂设置有可采集瞬时功率值的控制器，其他同理。
100.本实施例中，参数采集组件包括温度传感器、湿度传感器、气压传感器、和功率传感器中的至少一种，从而在通过气味传感器采集气体响应值的基础上，结合更多的烹饪因素(温度值、湿度值气压值和瞬时功率值的至少一种)对食物的烹饪状态进行监测，使烹饪状态的监测结果更为准确。
101.在一个实施例中，所述方法还包括：预先存储有不同种类菜品对应的状态监测模型，各菜品对应的状态监测模型是根据各菜品的样本数据集，各样本标注的烹饪状态，采用预设的构建模型的方法分别训练得到的。
102.其中，对于各类菜品，控制器存储有不同菜品对应的状态监测模型，各个菜品对应的状态监测模型是分别根据各自的样本数据集，标注不同烹饪状态，采用预设的构建模型的方法训练得到。预设的构建模型的方法包括但不限于主成分分析、线性判别分析、聚类分析、决策树、神经网络和逻辑回归等。
103.各菜品对应的状态监测模型，可以是在烹饪设备之外的其他计算设备进行样本数据集的获取和模型的训练。可选地，各菜品对应的状态监测模型，也可以是在烹饪设备中的控制器完成样本数据集的获取和模型的训练。
104.本实施例中，控制器存储的各菜品对应的状态监测模型，可以是在烹饪设备之外的其他计算设备上采用预设的构建模型的方法分别训练得到的，从而无需控制器具备较强的计算处理能力。
105.在一个实施例中，根据所述烹饪指令调用所述菜品种类对应的状态监测模型，包括：接收到所述烹饪指令，等待预设时间后，调用对应的状态监测模型。
106.控制器在获取到烹饪指令以及确定菜品种类时，并不会立即调用状态监测模型，而是等待一段预设时间再调用。在预设时间内，用户可以启动烹饪设备上的散热风机，对设备本体腔内的空气先进行换气，在换气之后，再调用状态监测模型对当前时刻的烹饪状态进行监测，从而有利于使得气味传感器阵列，能在烹饪设备的残留空气被尽可能清除的情
况下，进行监测，得到更为准确的监测结果。
107.本实施例中，在通过输入设备接收到输入操作之后，等待预设时间再调用对应的状态监测模型，在等待的预设时间内可以降低历史使用对当前监测的影响，从而使得调用状态监测模型对烹饪状态的监测结果更为准确。
108.在一个实施例中，所述方法还包括：通过所述输入设备获取食物的目标烹饪状态或烹饪指令对应的烹饪程序，在监测食物达到烹饪程序预设的烹饪状态，或设置的目标烹饪状态时，控制停止烹饪。
109.其中，目标烹饪状态是用户从输入设备输入的，希望烹饪食物在一次烹饪结束时，所达到的烹饪状态。例如烤牛排，目标烹饪状态可以设置为8分熟。目标烹饪状态是可以根据用户喜好自定义的，通过输入设备输入。例如用户期望烤牛排最终烹饪状态是7分熟，通过输入设备输入7分熟，控制器接收输入7分熟的用户操作，并确定7分熟作为本次烹饪的目标烹饪状态。
110.烹饪指令对应的烹饪程序中的烹饪指令和目标烹饪指令不同，此处烹饪指令携带有菜品种类和其预设的烹饪状态，其中，预设的烹饪状态是菜品的常规成熟状态，不是由用户根据喜好自定义的。在用户未设定目标烹饪状态的情况下，控制器按照该烹饪指令启动烹饪程序，以预设的烹饪状态为目标，当控制器监测到食物达到烹饪程序预设的烹饪状态时，则控制停止烹饪。例如烤牛排，常规成熟状态为7分熟，则预设的烹饪状态设置为7分熟，烹饪过程中，在用户未设定目标烹饪状态的情况下，控制器按照该携带有预设的烹饪状态为7分熟的烹饪指令启动烹饪程序，当控制器监测到食物达到7分熟的烹饪状态时，则控制停止烹饪。
111.本实施例中，控制器控制停止烹饪的条件可以是由用户设定目标烹饪状态，也可以是在用户没有设定目标烹饪状态时，根据烹饪指令对应的烹饪程序自动运行，直至达到预设的烹饪状态即停止烹饪，从而更方便用户使用。
112.在一个实施例中，以预设的构建模型的方法为神经网络时举例，如图4所示，状态监测模型从获取样本数据集进行训练到得到构建好的状态监测模型的过程，包括步骤s302-s314，其中：
113.步骤s302，获取样本数据集。
114.其中，样本数据集包括菜品在至少一个烹饪状态下的烹饪参数，以及样本的标注烹饪状态。
115.步骤s304，将样本数据集中的样本输入到待训练的神经网络模型，输出预测烹饪状态。
116.步骤s306，根据预测烹饪状态和标注烹饪状态的误差，对待训练的神经网络模型进行调参。
117.具体地，从整个神经网络来看，预测烹饪状态和标注烹饪状态的误差是输出层相对输入层之间各级误差累计作用导致的，其包括隐含层误差和输出层误差，其中，隐含层误差是指标注烹饪状态在输入层和隐含层之间传输时，其输出结果和输入层输入的标注烹饪状态之间存在的误差。输出层误差是指标注烹饪状态在隐含层和输出层之间传输时，其输出结果和隐含层的输出结果(隐含层的输出结果即为输出层的输入)之间的存在的误差。
118.步骤s308，判断样本数据集中的数据是否均训练完，当数据均训练完时，执行步骤
s310，判断均方误差值是否大于最小目标误差。当小于最小目标误差时，执行步骤312，得到构建好的所述状态监测模型。
119.此处，表明得到构建好的状态监测模型，条件是同时满足样本数据集中的数据全部训练结束，以及均方误差值小于最小目标误差。
120.当不小于最小目标误差时，执行步骤s313，更新训练步数(加1)，再执行步骤s314，判断训练步数是否大于最大目标步数。当不大于最大目标步数时，则返回执行步骤s302，获取样本数据集，继续根据样本数据集对状态监测模型进行训练。如果步骤s314中训练步数大于最大目标步数，则执行步骤s312，得到构建好的状态监测模型。
121.此处，表明得到构建好的状态监测模型，条件还可以是均方误差虽没有达到小于最小目标误差的条件，但训练步数达到了预设的最大目标步数。
122.其中，对于各菜品，样本数据集是该菜品在多个烹饪状态下的数据。根据不同烹饪状态下食物的烹饪参数，确定烹饪状态下食物的烹饪成熟度，并将烹饪成熟度转化为数值型变量，形成对应的数据标签。其中，烹饪参数包括气体响应值、温度值、湿度值、烹饪时长、瞬时功率值和气压值等。烹饪成熟度包括未熟、浅色、中等或深色中的一种，数值型变量包括0、1、2或3中的一种。此处的数值型变量即前述的烹饪状态预测值。将烹饪成熟度转化为数值型变量，例如当烹饪成熟度为浅色时，则对应的数值型变量为1。
123.以采用3层结构的bp-ann(神经网络的一种)为例，包括输入层、隐含层、输出层。其中烹饪参数作为输入层神经元，烹饪成熟度作为输出层神经元，隐含层神经元数可以选择5-20个，在可以提高准确率的基础上，隐含层神经元数目可以不按此限定。模型训练可以采用lm(levenberg-marquardt)算法，或梯度下降法等进行，学习函数采用梯度下降动量学习函数。
124.第一函数包括s型对数函数，根据样本数据集和第一函数计算隐含层的输入和输出，根据隐含层的输入和输出计算得到隐含层误差。在获得隐含层误差之后，根据隐含层误差对第一函数的权值和阈值进行修正，调整第一函数的权值和阈值。第二函数包括纯线性函数，根据样本数据集和第二函数计算输出层的输入和输出，根据输出层的输入和输出计算得到输出层误差。在获得输出层误差之后，根据输出层误差对第二函数的权值和阈值进行修正，调整第二函数的权值和阈值。
125.最小目标误差是理想的最小误差，目标误差设定越小，得到的状态监测模型监测结果更为准确。当样本数据集中的数据均训练结束，并且状态监测模型的均方误差值小于最小目标误差时，可以确定状态监测模型已经达到了理想训练结果，可以投入使用进行烹饪状态监测。
126.本实施例中，通过预设的神经网络模型的建模方法，以最小目标误差为目标构建状态监测模型，从而使状态监测模型的监测结果更为准确。
127.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的
步骤或者阶段的至少一部分轮流或者交替地执行。
128.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
129.在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
130.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
131.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
132.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。