一种面向居家养老的智能厨房监测系统和方法

技术领域

本发明涉及智能厨房技术领域，更具体地说，本发明涉及面向居家养老的智能厨房监测方法。

背景技术

随着社会化进程的提高，为适应环保的要求，厨房也经历了一场变革，许多家庭实现了厨房电气化，但与此同时也增加了火灾和天然气泄漏等厨房事故而造成人员伤亡的比例。其中，最容易发生的事故往往是由于很多人忽视了正在工作的灶台而导致的，这种情况发生在老年人身上居多，尤其是独居老年人。

由于我国的人口老龄化问题日益严重，居家养老服务开始逐渐推行，老人住在自己家里的时候，不仅可以继续得到家人照顾，同时还会有物业和社区人员为老人提供上门服务。但是由于目前的居家养老服务存在服务不及时、管理效率低等问题，仍然没能实现大规模推广，因此居家养老与智能家居领域缺少了有效的方法进行厨房监测。

发明内容

为了解决背景技术中存在的问题，本发明提出了一种面向居家养老的智能厨房监测方法，针对老年人在厨房的情况，可以检测灶台工作状态下的人体位置，以避免因独居老人照看不慎造成的厨房事故，面向的主要用户人群为独居老人，同时物业和子女也起到协调管控的作用。

为实现上述目的，本发明提供如下技术方案：

一、一种面向居家养老的智能厨房监测系统：

包括：家庭厨房端、云平台服务端和消息接收端；

所述的家庭厨房端主要由传感器模块、电源模块、控制器和通信模块组成；

所述的传感器模块，首先单点感知炉灶温度，并根据炉灶温度监测判断炉灶是否正在工作，若炉灶正在工作，然后通过温度点阵感知人体温度，将采集到的人体温度数据传递到控制器；

所述电源模块，将家庭用的交流电AC转为直流电DC，220V电压转3.3V电压；

所述的控制器，连接到传感器并持续地采集传感器的温度信息，并对传感器所采集的数据仅预处理；

所述的通信模块，连接控制器，并和云平台服务端通信连接，将控制器采集的数据信息传送给云平台服务端；

所述的云平台服务端位于云端，作为智能厨房的监控处理端，持续接收家用厨房端的通信模块传递来的温度信息，存储到数据库中，并对温度信息进行处理判断获得预警信息；

所述的消息接收端包括PC端和手机移动端，接收云平台服务端发来的预警信息。

所述的云平台服务端中，用数据训练更新模型同步传送到控制器上，然后使用已用数据训练更新的模型对温度信息进行处理，如果模型识别出人不在工作的灶台附近，则判定为危险状态，产生预警信息并发送到消息接收端。

所述的传感器模块具体是通过红外镜头捕捉带有温度信息的热辐射信号，利用红外光学处理将热辐射信号转为电信号，然后电信号经过处理转为数字信号输出。

所述的家庭厨房端安装位于炉灶上方的房顶上。

所述的家庭厨房端内带有旋转运动机构，传感器模块安装在旋转运动机构上，由旋转运动机构带动传感器模块旋转，可选择地朝向炉灶附近调整角度进行拍摄测量。

二、一种面向居家养老的智能厨房监测方法：

方法的操作步骤如下：

步骤1：在不工作的时候，控制智能厨房监测系统处于低功耗状态，控制器处于休眠状态；

步骤2：通过传感器模块实时单点感知炉灶温度，如果传感器模块采集到的炉灶温度高于预设温度阈值，则触发控制器的工作状态，同时开始持续地采集记录炉灶的温度点阵，经预处理后通过通信模块传输到云平台服务端；

步骤3：在云平台服务端，使用阈值法对经过预处理后的数据信息进行特征提取，具体采用帧差法构造背景图像，以得到作为背景温度信息CDM，能提高算法准确性：

其中，CDM

步骤4：在云平台服务端，继续对背景图像输入RBF神经网络进行处理，RBF神经网络包括输入层、隐含层、和输出层的三层神经网络，且RBF神经网络的径向基函数使用高斯函数，距离计算使用欧式距离；

使用RBF神经网络进行训练学习的子步骤为：

4.1、确定输入层节点为X＝[x

输出人体轮廓在灶台周围的结果为Y＝[y

设定学习因子η、动态因子α以及迭代终止精度ε，初始化隐含层节点的中心参数C和宽度向量D，以及隐含层至输出层的连接权值W，初始阶段在预设的范围内任意指定C，W和D值即可，然后进行迭代处理，采用梯度下降法训练以上三个RBF神经网络参数；

4.2、迭代处理过程中计算输出的均方根误差RMS，并判断：

若RMS≤ε，则训练结束，否则继续进行第4.3步；

4.3、迭代计算，对中心参数Cj、隐含层至输出层的连接权值W

首先，计算隐含层中第j个节点的输出值z

式中，H表示隐含层的输入值；C

然后，通过加权的方式计算输出层的输出值：

Y＝[y

其中，z

本发明中的RBF神经网络与卷积神经网络模型无关，因此无卷积层。RBF神经网络包括输入层，隐含层和输出层。隐含层节点的数量受输入层节点数量影响，而输入层节点数量与温度点数量有关。隐含层节点旨在解决本发明的温度分类问题来识别人体温度/炉灶工作温度。

输出层一层包括不同节点，对应温度点阵中各个温度点的判定结果(是否为人体温度/炉灶工作温度)。

然后，采用以下公式计算误差函数E，以最小化代价：

其中，O

输出层一层包括不同节点，对应温度点阵中各个温度点的判定结果(是否为人体温度/炉灶工作温度)。X为经预处理和帧差法后得到的温度点阵及其相关特征信息，包括温度点的像素位置坐标和背景温度信息。接着，进行参数的迭代计算：中心参数、连接权值和宽度向量均通过以下公式进行自适应计算，来自适应调节到最佳值，具体如下：

式中，W

通过最小化误差函数E，反复迭代计算，以获取以上各个参数的最佳取值。

4.4、返回第4.2步，直到结束。

步骤5：根据训练模型，

对实时采集到待检测的温度点阵的温度信息数据输入到训练后的模型中进行人体轮廓识别，如果识别出人在灶台周围，则为安全状态；如果识别出人未在灶台周围且经过固定阈值时间段，则为危险状态；

步骤6：在判断为危险状态情况下，由云平台服务端发送预警信息到消息接收端，消息接收端得到预警信息进行危险提醒。

所述步骤2中，同时判断：若炉灶温度最高点在预设固定一段时间内均持续低于灶台的工作温度后，则判断灶台处于不工作状态，控制器回到休眠状态，进行低功耗运行。

针对居家养老经常会发生的厨房火灾问题，为加强对厨房内灶台工作状况的监测，本发明提出了一种家庭用智能厨房监测方法。通过设计，本发明在家庭厨房安装智能感知设备，在物业处安装管理服务设备，在子女处安装预警设备，通过这三方的协调和管控，减少和消除居家养老时厨房事故的发生，最大限度地减少家庭损失。另外，考虑到维护用户的安全隐私，本发明不采用传统的相机进行视觉传感，而是通过温度传感器监测厨房灶台的温度判断其工作状态，同时监测人体位置判断其是否位于灶台附近，结合这两种结果，可以有效地判断厨房是否处于安全状态。

本发明的有益效果是：

本发明的智能厨房监测方法，并提供了监测人是否离开厨房的算法，以减少厨房事故的发生。面向的主体对象是独居老年人，同时物业和子女也参与整个过程的协调管控。由于监测过程是基于温度传感器进行的，不仅节省了成本，同时也保护了用户的安全隐私。

附图说明

图1为本发明的方法逻辑示意图。

图2为本发明的探测环境示意图。

具体实施方式

下面结合附图和具体实施对本发明作进一步说明。

本发明的实施例及其实施情况如下：

如图2所示，家庭厨房端设备的安装位置1在房顶上，需要放在吸顶式外壳里面，利用吸顶式安装在房间顶部，房间顶部与地面垂直距离为2.75-2.85m，与灶台平面的垂直距离1.75-1.85m。温度传感器探头需要旋转角度，最大为50°，以改变探测方向，可以探测到水平距离为0.7-0.8m的2个炉灶，以及6-7m的人体最大水平探测距离。

红外阵列传感器具有非接触，非隐私入侵和被动感应的独特性能，作为本发明实施例中的感知设备，搜集厨房里的炉灶以及人体的温度，为厨房提供了一种不显眼、低成本且方便的长期智能监测方法。采用金属封装后，红外阵列传感器可集成红外感应热电堆探测器芯片和信号处理专用集成芯片，实现本发明中传感器模块的功能。由于红外阵列传感器包含大量的热红外像素点，得到大规模温度点阵，使得感知设备的灵敏度提升。使用过程中，供电电压设定为3.3V，电流消耗不不超过23mA，工作温度范围-45～85℃，测温范围-40～300℃。

1.智能厨房监测的组成部分和功能

包括：家庭厨房端、云平台服务端和消息接收端，具体示意图如图1所示；

家庭厨房端主要由传感器模块、电源模块、控制器和通信模块组成；家庭厨房端安装位于炉灶上方的房顶上。家庭厨房端内带有旋转运动机构，传感器模块安装在旋转运动机构上，由旋转运动机构带动传感器模块旋转，可选择地朝向炉灶附近调整角度进行拍摄测量。

(1)传感器模块

传感器模块，首先单点感知炉灶温度，并根据炉灶温度监测判断炉灶是否正在工作，若炉灶正在工作，然后通过温度点阵感知人体温度，将采集到的人体温度数据传递到控制器，控制器再发送给云平台服务端，判断是否有人在厨房附近；

传感器模块具体是通过红外镜头捕捉带有温度信息的热辐射信号，利用红外光学处理将热辐射信号转为电信号，然后电信号经过处理转为数字信号输出。

(2)电源模块

电源模块，将家庭用的交流电AC转为直流电DC，220V电压转3.3V电压，以供本发明各个模块和器件使用；

(3)控制器

控制器，连接到传感器并持续地采集传感器的温度信息，并对传感器所采集的数据仅预处理，作为后续提供判断厨房状态的依据；

具体的数据的预处理主要分为四个部分：

第一步是数据的截取，由于采集到温度数据一部分是无用数据，截取出有用数据；

第二步是数据转换，温度数据并不是十进制的数值，把数据转换为十进制；

第三步是将温度数据改写成矩阵的形式，温度数据矩阵在二维像素平面排列为网格，(X

第四步是滤波操作，采用一个奇数个数的滑动窗口在温度网格处进行滑动，同时将窗口正中心位置的值用窗口内点的中值代替，让其余的点接近真实值，以达到消除噪声的目的。

(4)通信模块

通信模块，连接控制器，并和云平台服务端通信连接，将控制器采集的数据信息传送给云平台服务端，实现控制器和云平台服务端的交互，；

云平台服务端位于云端，作为智能厨房的监控处理端，集中家庭厨房安全，持续接收家用厨房端的通信模块传递来的温度信息，存储到数据库中，并对温度信息进行处理判断获得预警信息；

消息接收端包括位于物业处的PC端和位于子女等家属处的手机移动端，接收云平台服务端发来的预警信息，进而由使用消息接收端的人进行做出警示响应措施，由物业或子女上门解决，以实现降低厨房事故的发生概率。

云平台服务端中，用数据训练更新模型同步传送到控制器上，然后使用已用数据训练更新的模型对温度信息进行处理，如果模型识别出人不在工作的灶台附近，则判定为危险状态，产生预警信息并发送到消息接收端。

2.智能厨房监测方法的操作步骤及算法实现

步骤1：在不工作的时候，控制智能厨房监测系统处于低功耗状态，控制器处于休眠状态；

步骤2：通过传感器模块实时单点感知炉灶温度，如果传感器模块采集到的炉灶温度高于预设温度阈值，即用户设定的炉灶最低工作温度，则触发控制器的工作状态，同时开始持续地采集记录炉灶的温度点阵，经预处理后通过通信模块传输到云平台服务端，进行后续的数据处理和模型训练，用于判断和监测人体位置；

步骤2中，同时判断：若炉灶温度最高点在预设固定一段时间内均持续低于灶台的工作温度后，则判断灶台处于不工作状态，控制器回到休眠状态，进行低功耗运行。

步骤3：在云平台服务端接收到温度信息组成图像，温度信息实际为一个温度点阵数据，使用阈值法对图像进行特征提取，利用相邻帧图像的特征提取结果采用帧差法构造背景图像，得到背景温度信息CDM，能提高提高后续方法算法处理的准确性，公式用于表示帧之间的灰度级变化：

其中，CDM

步骤4：在云平台服务端，继续对背景图像输入RBF神经网络进行处理，RBF神经网络包括输入层、隐含层、和输出层的三层神经网络，且RBF神经网络的径向基函数使用高斯函数，距离计算使用欧式距离；

这样在云平台服务端，使用径向基函数(RBF)神经网络算法，针对大量数据进行人体轮廓识别的训练。

使用RBF神经网络进行训练学习的子步骤为：

4.1、确定输入层节点为X＝[x

输出人体轮廓在灶台周围的结果为Y＝[y

设定学习因子η、动态因子α以及迭代终止精度ε，初始化隐含层节点的中心参数C和宽度向量D，以及隐含层至输出层的连接权值W，其中宽度向量与隐含层节点的方差σ

4.2、迭代处理过程中计算输出的均方根误差RMS，并判断：

若RMS≤ε，则训练结束，否则继续进行第4.3步；

4.3、迭代计算，对中心参数C

首先，计算隐含层中第j个节点的输出值z

可以看出，本发明选用了高斯函数作为径向基的激活函数。式中，H表示隐含层的输入值；C

然后，通过加权的方式计算输出层的输出值：

Y＝[y

其中，z

然后，采用以下公式计算误差函数E，以最小化代价：

其中，O

式中，W

通过最小化误差函数E，反复迭代计算，以获取以上各个参数的最佳取值。

4.4、返回第4.2步，直到结束。

步骤5：根据训练模型，

对实时采集到待检测的温度点阵的温度信息数据输入到训练后的模型中进行人体轮廓识别，如果识别出人在灶台周围，则为安全状态；如果识别出人未在灶台周围且经过固定阈值时间段，即超过一段时间没有检测到人体的存在(具体的时间数值和距离由用户根据家庭情况设定)，则为危险状态；

步骤6：在判断为危险状态情况下，由云平台服务端发送预警信息到消息接收端，即物业PC端和子女的手机端，消息接收端得到预警信息进行危险提醒，可以避免因人离开灶台而造成的厨房事故。

另外，在一些实施例中的电源模块将家庭用的交流电AC转为直流电DC，220V电压转3.3V电压，以供使用。

一些实施例中的控制器选择STM32作为主控芯片，采集红外温度阵列传感器的温度信息，并对其做数据预处理，作为后续提供判断厨房状态的依据。

一些实施例中的通信模块选用NB IOT，实现控制器和云平台服务端的交互，将控制器的数据信息传送给云平台服务端。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。