1.本发明涉及燃气灶测温及控制技术领域，尤其是涉及一种燃气灶测温装置及方法。


背景技术：

2.人们在享用天然气进行烹饪带来的便捷的同时，也受到由于燃气泄漏或过度加热造成的火灾威胁。在烹饪时，家用灶具的过度加热不仅对锅具及食物造成损坏，而且还存在很大的火灾隐患，特别是在烧水或者煲汤的时候，人们因为不能长时间地看守火源而导致干烧或溢锅现象的时常发生。随着用户对烹饪体验、智能化控制以及厨房安全的要求逐步提高，精准测量燃气灶加热下的锅具温度，具有重要的应用价值。
3.现有的燃气灶对锅具的测温方式主要采用接触锅底的ntc传感器测温法，这种方法需要改变传统燃烧器的结构，在燃气灶燃烧器的中心处开孔放置测温探头。这种接触式的测温方法不仅很难避免高温烟气及火焰对测温探头的加热干扰，而且也容易导致锅底温度的不均匀，特别是对陶瓷锅和底部内凹锅具，其测温精度难以保证。


技术实现要素：

4.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种燃气灶测温装置及方法。
5.本发明的目的可以通过以下技术方案来实现：
6.一种燃气灶测温装置，该装置包括：
7.图像采集单元：视野对准灶台上的燃烧器及其上部的锅具；
8.红外辐射监测单元：用于测量锅具外表面的红外辐射；
9.灶台温度测量单元：用于测量灶台温度；
10.数据处理单元：基于锅具图像确定锅具外表面发射率并结合锅具外表面的红外辐射确定锅具表面红外辐射温度，基于燃烧器火焰图像获取火焰大小，基于灶台温度和火焰大小对锅具表面红外辐射温度进行修正确定锅具表面真实温度。
11.优选地，所述的图像采集单元包括用于采集图像的摄像头及其光学配件、用于照明以及锅具外表面发射率测量时提供主动发射信号的led灯。
12.优选地，所述的红外辐射监测单元包括红外热电堆传感器以及用于限制红外热电堆传感器接收视角的热电堆遮光罩，所述的红外热电堆传感器安装在热电堆遮光罩内。
13.优选地，所述的红外辐射监测单元还包括用于指示红外热电堆传感器视场接收位置的准直激光器。
14.优选地，所述的红外辐射监测单元对准锅具底部设置，用于测量锅具底部外表面的红外辐射。
15.优选地，所述的数据处理单元包括：
16.锅具类型机器学习模型，用于识别锅具信息，包括锅具材质和类型；
17.发射率确定模型，用于确定锅具外表面发射率，包括当锅具为金属锅具时，所述的发射率确定模型基于锅具表面反射图像确定锅具外表面发射率，当锅具为非金属锅具时，所述的发射率确定模型基于锅具材质和类型给定锅具外表面发射率；
18.火焰大小识别模型，用于通过燃烧器火焰图像识别火焰大小；
19.温度修正模型，利用灶台温度和火焰大小对锅具表面红外辐射温度进行修正。优选地，所述的温度修正模型表示为：
20.tm＝tn+a(ε)
×
f+b(ε)
×
t
p
21.其中，tm为锅具表面真实温度，tn为锅具表面红外辐射温度，f为火焰大小，t
p
为灶台温度，a(ε)为火焰对锅具温度影响的修正系数，b(ε)为灶台温度对锅具温度影响的修正系数，ε为锅具外表面发射率，a(ε)、b(ε)均为关于ε的函数。
22.优选地，所述的图像采集单元和红外辐射监测单元独立或集成一体设置于灶台面板上位于燃烧器侧面。
23.优选地，所述的灶台温度测量单元包括用于测量锅具下部灶台面板温度的接触式或非接触式温度传感器。
24.一种燃气灶测温方法，该方法基于所述的燃气灶测温装置，该方法包括：
25.采集锅具图像，基于锅具图像确定锅具外表面发射率；
26.测量锅具外表面的红外辐射，结合锅具外表面发射率实时确定锅具表面红外辐射温度；
27.实时采集燃烧器火焰图像，基于燃烧器火焰图像确定火焰大小；
28.实时采集灶台温度，基于灶台温度和火焰大小对锅具表面红外辐射温度进行修正，确定锅具表面真实温度。
29.与现有技术相比，本发明具有如下优点：
30.(1)本发明该装置将机器视觉和实时传感技术相结合，通过图像采集单元和数据处理单元可以准确获取锅具外表面发射率，从而结合红外辐射监测单元测量的锅具外表面的红外辐射可以准确地确定锅具表面红外辐射温度，进一步地，通过图像采集单元采集的燃烧器火焰图像可以获取火焰大小的影响(包括火焰和高温烟气对锅具表面温度的影响)，更进一步，通过实时传感获取灶台温度，最后，基于火焰大小和灶台温度对锅具表面红外辐射温度进行修正，由此，从三个方便克服了锅具温度测量不准确的问题，包括：1)克服了家用锅具表面发射率变化范围大，难以提前获知精确数值的问题，2)克服了锅具温度受火焰和高温烟气的严重干扰的问题，3)克服了长时间加热条件下，受热而温度升高的灶台表面和支架等附属配件对锅具表面的温度测量产生严重干扰的问题，由此，大大提高的温度测量的准确度；
31.(2)本发明采用人工智能深度学习技术对锅具外表面的发射率进行辨识，首先通过深度学习技术识别锅具的材质，当为金属材质时，通过获得锅具表面反射光的亮度情况，从而较为准确地计算出金属的表面发射率，当为非金属材质时，根据材质类型来确定表面发射率，从而使得锅具外表面的发射率更为精确，保证后续通过红外辐射测温技术获得的锅具表面红外辐射温度更加精准可靠；
32.(3)本发明装置可以依据锅具的材质、形貌等信息辨识出用户可能的烹饪方法，进而可以针对不同的锅具和烹饪方式设置不同的温控策略，不仅可以有效地防止锅具干烧的
发生，同时也为烹饪过程的智能化奠定了基础。
附图说明
33.图1为本发明一种燃气灶测温装置在灶台上的布置示意图；
34.图2为本发明一种燃气灶测温装置在灶台内的布置示意图；
35.图3为本发明图像采集单元和红外辐射监测单元集成模块结构示意图；
36.图4为本发明数据处理单元进行“边缘计算”的方案示意图；
37.图5为本发明数据处理单元进行“云计算”的方案示意图；
38.图6为本发明采用燃气灶测温装置进行测温的流程图；
39.图中，1为图像采集单元与红外辐射监测单元集成模块，2为灶台温度测量单元，3为数据处理单元，4为灶台面板，5为锅具，6为锅支架，7为燃烧器，1-1为摄像头及其光学配件，1-2为led灯，1-3为准直激光器，1-4为红外热电堆传感器，1-5为热电堆遮光罩，1-6为支架与外壳。
具体实施方式
40.下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。
41.实施例
42.结合图1和图2，本实施例提供一种燃气灶测温装置，该装置包括：
43.图像采集单元：视野对准灶台上的燃烧器及其上部的锅具5；
44.红外辐射监测单元：用于测量锅具5外表面的红外辐射；
45.灶台温度测量单元2：用于测量灶台温度；
46.数据处理单元3：基于锅具图像确定锅具外表面发射率并结合锅具外表面的红外辐射确定锅具表面红外辐射温度，基于燃烧器火焰图像获取火焰大小，基于灶台温度和火焰大小对锅具表面红外辐射温度进行修正确定锅具表面真实温度。需要说明的是，上述火焰大小表征的是燃烧器产生的火焰及高温烟气对锅具表面温度的影响程度，灶台温度表征的是灶台表面和支架等附属配件对锅具表面的温度的影响程度。
47.图像采集单元和红外辐射监测单元独立或集成一体设置于灶台面板4上位于燃烧器侧面。本实施例中图像采集单元和红外辐射监测单元集成为一体形成图像采集单元与红外辐射监测单元集成模块1，如图3所示，图像采集单元与红外辐射监测单元集成模块1布置于灶台面板4的上表面，其距离燃烧器的中心轴约20cm至30cm，图像采集单元与红外辐射监测单元集成模块1包括摄像头及其光学配件1-1、照明用led灯1-2、准直激光器1-3、红外热电堆传感器1-4、热电堆遮光罩1-5及支架与外壳1-6组成的。由摄像头及其光学配件1-1和照明用led灯1-2组成的图像采集单元布置于结构体1的上部，而由准直激光器1-3、红外热电堆传感器1-4及热电堆遮光罩1-5组成的红外辐射检测单元布置于结构体1的下部。支架与外壳1-6用于将上述的结构体1固定于灶台面板4的上表面，并具有一定防护作用，以防止在烹饪过程中锅内物质溅出污染其结构体1内部的传感器。摄像头及其光学配件1-1用于锅具5的图像及燃烧器7的火焰图像的采集，led灯1-2用于图像采集时的补光照明，可布置于
摄像头及其光学配件1-1的临近位置；摄像头及其光学配件1-1的视场包含整个锅具5和燃烧器形成的火焰。红外热电堆传感器1-4用于采集锅5具底部表面的红外发射信号，其外侧安装有遮光罩1-5，以保障红外热电堆传感器1-4具有较小的接收视角；准直激光器1-3布置于红外热电堆传感器1-4的临近位置，可在锅具5的外表面形成光斑，用于指示红外热电堆传感器1-4的视场接收位置，可在使用中用于调整锅具5在锅支架6上的位置，以保障红外热电堆传感器1-4对准锅具5的外表面，同时避免红外热电堆传感器1-4的视角被锅支架或其他障碍物遮挡。
48.灶台温度测量单元2和数据处理单元3布置于灶具内部，其中灶台温度测量单元2布置于灶台面板4的下表面靠近燃烧器的区域，数据处理单元3布置于灶具内部的底部框架上，并通过数据通讯接线与图像采集单元与红外检测单元组成的结构体1和灶台温度测量单元2进行通讯。
49.数据处理单元3包括：
50.锅具类型机器学习模型，用于识别锅具信息，包括锅具材质(不锈钢、铸铁、铝、陶瓷、玻璃等)和类型(煎炒锅、蒸煮锅等)；
51.发射率确定模型，用于确定锅具外表面发射率，包括当锅具为金属锅具时，发射率确定模型基于锅具表面反射图像确定锅具外表面发射率，当锅具为非金属锅具时，发射率确定模型基于锅具材质和类型给定锅具外表面发射率；
52.火焰大小识别模型，基于燃烧器火焰图像获取火焰大小；
53.温度修正模型，利用灶台温度和火焰影响温度对锅具表面红外辐射温度进行修正。
54.锅具类型机器学习模型为预先训练的深度学习网络，用于对锅具类型和材质进行识别。锅具类型机器学习模型可通过如下步骤获得：
55.步骤1：采集不同类型的锅具样本图片，图片样本主要包括不同尺寸、不同外观形貌、不同材质的金属蒸煮锅、金属煎炒锅、陶瓷锅、玻璃锅等类型；
56.步骤2：将采集到图片转化为统一分辨率的图片格式并进行人工分类和标注，将处理好的图片作为训练样本集；在训练锅具识别模型之前，要通过一系列随机变换的方法来人为的增加训练样本集的大小，使得训练后的深度学习算法泛化能力更强，具体步骤如下：
57.步骤21：对训练样本集进行白化处理，可以减少因为环境光照不同引起的影响；
58.步骤22：对图像进行随机的左右翻转，可以增加深度学习算法对不同方向的摆放锅具的检测能力；
59.步骤23：随机变换图像的对比度，可以减少由于环境光照不同所引起的影响；
60.步骤24：随机变换图像的大小，可以减少由于锅具尺寸不同所引起的影响；
61.步骤3：利用训练样本集离线训练深度学习模型；其中，深度学习算法采用多层卷积神经网络，网络结构及具体训练过程如下：
62.步骤31：构造多层卷积神经网络vgg16；
63.步骤31中，构造多层卷积神经网络vgg16，其中有16层权重层、5层池化层、1层输入层和1层输出层总共23层，具体结构为：第1层为大小为224
×
224的图像输入层；第2层和第3层为卷积层，卷积核的大小都为3
×
3，并且每层的卷积核数量都为64个；第4层为最大值池化层；第5层和第6层为卷积层，卷积核的大小都为3
×
3，并且每层的卷积核的数量都为128
个；第7层为最大值池化层；第8、9和10层为卷积层，卷积核的大小都为3
×
3，并且每层的卷积核的数量都为256个；第11层为最大值池化层；第12、13和14层为卷积层，卷积核的大小都为3
×
3，并且每层的卷积核的数量都为512个；第15层为最大值池化层；第16、17和18层为卷积层，卷积核的大小都为3
×
3，并且每层的卷积核数量都为512个；第19层为最大值池化层；第20，21和22层为全连接层，其中第20，21全连接层有4096个神经节点，第22的全连接层有1000个神经节点；第23层为softmax分类层；
64.步骤32：利用训练样本集，采用adam算法对多层卷积神经网络vgg16的误差做梯度最速下降优化，当多层网络的损失函数小于预定的标准时，存储各层网络的权重数值即可获得所需的机器学习模型。
65.火焰大小识别模型通过统计图像采集单元视野中火焰特有的颜色像素值，即f值来估算火焰及高温烟气对锅具红外温度的影响程度，具体地：首先根据像素点的像素值是否在设定的像素阈值范围内判定该像素点是否为火焰点，然后计算图像中所有火焰点的像素和作为f。
66.温度修正模型表示为：
67.tm＝tn+a(ε)
×
f+b(ε)
×
t
p
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(公式1)
68.其中，tm为锅具表面真实温度，tn为锅具表面红外辐射温度，f为火焰大小，t
p
为灶台温度，a(ε)为火焰对锅具温度影响的修正系数，b(ε)为灶台温度对锅具温度影响的修正系数，ε为锅具外表面发射率，a(ε)、b(ε)均为关于ε的函数，a(ε)、b(ε)可以通过实验测试的方法获得。
69.如图4所示，数据处理单元3可以由具备“边缘计算”处理能力的微处理器及其电路系统组成(可称为“边缘计算”方案)，其主要功能为：1.依据图像采集单元获得的锅具图像并通过预先内置的深度学习计算模型，识别出锅具的材料(不锈钢、铸铁、铝、陶瓷、玻璃等)和类型(煎炒锅、蒸煮锅等)；2.依据识别出的锅具材料信息进行材料发射率辨识，其中如果识别出锅具材料为金属时，可以通过控制图像采集单元的摄像头和辅助照明led光源，获得锅具表面反射光的亮度情况，从而较为准确地计算出金属的表面发射率；如果识别锅具材料为非金属时，将为这些非金属材质直接指定发射率；3.依据图像采集单元采集的火焰图像，估算出火焰及高温烟气对锅具表面温度的影响程度；4.将上述过程获得的锅具表面发射率、锅具类型、火焰干扰影响、灶台温度干扰、红外辐射检测单元获得的锅具辐射信号等进行处理和计算，获得锅具表面的真实温度。此外，数据处理单元3可以安装在灶具内部，并通过数据线与安装在灶台上面的图像采集单元、红外辐射检测单元和灶台温度测量单元2进行数据通讯，同时也可连接燃气灶的气源控制阀开关，在判断锅具温度异常时及时切断气源供应，保证厨房安全。
70.如图5所示，上述的数据处理单元3也可以由具有数据接收和远程传输数据至云计算服务器功能的微处理器及其电路系统组成(可称为“云计算”方案)，这一单元的功能是将图像采集单元、红外辐射检测单元和灶台温度测量单元2的测量数据通过无线或有线网络发送至远端的云计算服务器，布置于云计算服务器上的深度学习网络，经过云计算服务器的计算后，再将锅具的材质、类型，锅具表面的温度等信息回传给上述的数据处理单元3，再经数据处理单元3判断后对燃气灶的气源控制阀进行操控。
71.基于上述燃气灶测温装置，本实施例还提供一种燃气灶测温方法，如图6所示，该
方法包括：
72.采集锅具图像，基于锅具图像确定锅具外表面发射率；
73.测量锅具外表面的红外辐射，结合锅具外表面发射率实时确定锅具表面红外辐射温度；
74.实时采集燃烧器火焰图像，通过燃烧器火焰图像确定火焰大小；
75.实时采集灶台温度，基于灶台温度和火焰大小对锅具表面红外辐射温度进行修正，确定锅具表面真实温度。
76.在通过上述装置对锅具的温度进行测量时，需经过以下的测量流程：
77.第一步：当用户开启燃气灶的同时，摄像头1-1首先对锅具进行第1次拍照，并将照片传输给数据处理单元3进行锅具类型及锅具材质的识别。若数据处理单元3经过识别计算后判定其视野内的锅具材质为非金属时，则依据非金属的类型直接确定锅具的表面发射率数值；若数据处理单元3经过识别计算后判定其视野内的锅具材质为金属时，则控制led灯1-2开启，同时控制摄像头1-1对锅具进行第2次拍照。依据第1次与第2次拍照结果这锅具底部的亮度差异，数据处理单元3对金属锅具的反射率特征进行评估，以确定锅具外表面的发射率数值。
78.第二步：确定锅具发射率之后，摄像头1-1将进行第3次拍照，通过统计视野中火焰特有的颜色像素值来估算火焰及高温烟气对锅具红外温度的影响程度f值。
79.第三步：数据处理单元3接收红外热电堆传感器1-4获取的锅具表面红外辐射信号，依据该数值和锅具表面的发射率计算锅具表面的红外温度tn。
80.第四步：数据处理单元3接收灶台温度测量单元2获取的灶台温度信号，并依据公式1，获得锅具表面的红外温度tm。
81.重复上述步骤，直到用户关闭燃气阀门，或者锅具表面温度达到预定的值后，数据处理单元3对燃气阀门进行主动操控。
82.此外，本发明装置可以依据锅具的材质、形貌等信息辨识出用户可能的烹饪方法，进而可以针对不同的锅具和烹饪方式设置不同的温控策略，不仅可以有效地防止锅具干烧的发生，同时也为烹饪过程的智能化奠定了基础。
83.上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。