过度烹饪检测方法和家用电器

技术领域

本发明实施例涉及家用电器技术领域，具体地涉及一种过度烹饪检测方法和家用电器。

背景技术

过度烹饪问题一直是人们在日常烹饪过程中的重点关注问题之一，过度烹饪的发生不仅会使得菜肴口感大打折扣，严重的还可能引起火灾等安全隐患。由于发生过度烹饪时除了味道外没有其他显著物理量变化，而目前并没有一种有效的方案能够准确检测气味，因而现有技术无法有效解决过度烹饪问题。

发明内容

本发明实施例的一个目的在于提供一种改进的家用电器和过度烹饪检测方法。

因此，本发明实施例提供一种过度烹饪检测方法，包括：获取气体数据，其中，所述气体数据包括烹饪产生的多种待检测气体成分的浓度信息；将所述气体数据输入预设机器学习模型并获取预测结果，其中，所述预设机器学习模型用于至少根据所述气体数据预测当前所处烹饪阶段及处于所述烹饪阶段的概率；根据所述预测结果确定当前是否处于过度烹饪阶段。

采用本实施方案，能够极大地提高对过度烹饪现象的识别准确度，有利于及时检测甚至预防过度烹饪，从而更好地解决过度烹饪问题。具体而言，结合烹饪过程中产生的气体通常为混合气体这一特性，本实施方案采集烹饪时挥发的多种气体成分的浓度并输入预设机器学习模型进行预测，使得预设机器学习模型能够基于贴合于烹饪实际产生的气味进行预测，进而得到准确度较高的过度烹饪识别结果。

可选的，所述获取气体数据包括：在气体探测器运行期间调节所述气体探测器的工作温度，并接收所述气体探测器在多个工作温度下分别采集得到的候选气体数据，其中，不同工作温度关联的候选气体数据用于表征烹饪产生的不同待检测气体成分的浓度；基于接收到的多个候选气体数据生成所述气体数据。由此，在一定温度范围内调节气体探测器的工作温度以丰富气体探测器的输出数据的多样性，从而实现对多种气体成分的探测。

可选的，所述气体探测器包括VOC传感器。由此，利用VOC传感器在不同温度下对特定类型气体反应剧烈的特性，使得本实施方案所使用的气体探测器能够在一定温度范围内探测得到多种气体成分。

可选的，所述在气体探测器运行期间调节所述气体探测器的工作温度包括：在气体探测器运行期间，根据选取自预设工作温度集合的候选值调节所述气体探测器的工作温度，其中，所述预设工作温度集合包括所述工作温度的多个候选值。通过合理设计预设工作温度集合使得气体探测器能够准确探测到所需探测的多种气体成分。

可选的，所述选取自预设工作温度集合的候选值是按照递增、递减或者随机的顺序从所述预设工作温度集合中选取得到的。相应的，气体探测器的工作温度持续升高、持续降低或震荡变化，以获取各候选值关联的气体成分的浓度。

可选的，所述预设工作温度集合在所述气体探测器运行期间被遍历至少一轮。通过循环采集的方式获得至少一组数据，以扩充输入预设机器学习模型的数据量，这有利于提高预测结果的准确度。

可选的，所述气体数据是基于遍历所述预设工作温度集合至少一轮后接收到的所有候选气体数据生成的，由此，能够确保气体数据的全面性。或者，生成所述气体数据的候选气体数据的数量少于所述预设工作温度集合中候选值的数量，由此，气体探测器的响应速度更快，能够更为迅速的生成气体数据。

可选的，所述预设工作温度集合中的候选值是根据所述气体探测器工作在所述候选值时对待检测气体成分的灵敏度确定的。由此，使得气体探测器能够在对特定种类气体成分最敏感的工作温度下检测该种类气体成分，从而确保气体数据的精确度，这有利于确保最终预测结果的准确度。

可选的，所述预设机器学习模型的训练过程包括：获取训练集，其中，所述训练集包括至少一组食材处于多个烹饪阶段时分别获得的气体数据，其中，每组食材包括至少一个种类的食材，所述多个烹饪阶段至少包括正常烹饪阶段和过度烹饪阶段；基于所述训练集训练所述预设机器学习模型，直至所述预设机器学习模型的预测准确率到达预设阈值。由此，训练集中训练样本的多样性使得预设机器学习模型在复杂环境下也能表现良好，针对不同食材、不同烹饪阶段均能准确识别过度烹饪。

可选的，所述预设机器学习模型选取自多个候选模型，所述预设机器学习模型的训练过程还包括：选择训练得到的多个候选模型中预测准确率最高的候选模型作为所述预设机器学习模型，其中，不同候选模型采用不同算法构建得到。由此，将预测表现最优的候选模型作为最终使用的预设机器学习模型，有利于提高实际应用阶段对过度烹饪的识别准确度。

可选的，所述训练集还包括获得各气体数据时的烹饪数据，其中，所述烹饪数据包括烹饪温度和烹饪湿度；所述将所述气体数据输入预设机器学习模型并获取预测结果包括：将所述气体数据和与所述气体数据同步获取的烹饪数据输入所述预设机器学习模型并获取预测结果。由此，结合烹饪数据以进一步扩展训练样本的多样性，有利于优化预设机器学习模型的训练效果，提高预测准确度。

可选的，所述预设机器学习模型包括：包括多个第一候选模型的第一组模型，其中每一所述第一候选模型基于单个训练集训练得到，所述训练集与食材种类一一对应，所述训练集包括对应种类的食材处于多个烹饪阶段时分别获得的气体数据；包括至少一个第二候选模型的第二组模型，其中每一所述第二候选模型基于多个训练集训练得到。由此，采用不同的训练集或不同的训练集组合来训练得到多种候选模型，使得不同候选模型对不同种类食材或不同种类食材组合在各烹饪阶段产生的气味敏感，从而在实际应用时针对任意气味场合均能有合适的候选模型进行预测。

可选的，所述将所述气体数据输入预设机器学习模型并获取预测结果包括：将所述气体数据输入所述第一组模型并获取各第一候选模型输出的第一预测结果；若多个第一预测结果中的概率最大值和概率次大值相近且分属不同烹饪阶段，则将所述气体数据输入所述第二组模型并获取第二预测结果；根据所述第一预测结果和第二预测结果中的概率最大值所属烹饪阶段确定当前是否处于过度烹饪阶段。本实施方案将第二组模型中基于多组训练集训练得到的综合数据模型作为辅助手段，在基于单个训练集训练得到的第一组模型可信度较低时，辅以第二组模型的预测结果综合确定最终的预测结果，有利于提高预设机器学习模型最终输出的预测结果的准确度。

可选的，所述过度烹饪检测方法还包括：基于获取的所述气体数据和预测结果更新训练集，其中，所述训练集包括至少一组食材处于多个烹饪阶段时分别获得的气体数据；使用更新的训练集训练所述预设机器学习模型，以得到更新的预设机器学习模型。由此，随着实际使用过程中数据量的增加持续扩充训练集，进而迭代更新预设机器学习模型，以进一步改善预设机器学习模型的预测准确度。

因此，本发明实施例还提供一种家用电器，包括：控制模块，用于执行上述过度烹饪检测方法，并在检测到当前处于过度烹饪阶段时发送控制指令；调整模块，响应于接收到所述控制指令，根据所述控制指令调节烹饪参数。由此，在基于本实施方案所提供的过度烹饪检测方法检测到发生过度烹饪时，主动调整烹饪参数以及时阻止过度烹饪。

可选的，所述家用电器为灶具，由此，灶具能够主动监测过度烹饪现象并及时调整加热功率等烹饪参数避免过度烹饪进一步加剧，优化用户的烹饪体验。或者，所述家用电器为油烟机，由此，执行上述过度烹饪检测方案的油烟机能够在排气的同时检测得到准确的气体数据，进而指导灶具及时调整烹饪参数。

可选的，所述控制模块设置于油烟机和/或灶具，所述调整模块设置于灶具。

可选的，所述家用电器还包括：气体探测器，用于采集所述气体数据，所述气体探测器与所述控制模块相通信以向所述控制模块发送所述气体数据。

可选的，所述家用电器还包括：通信模块，所述控制模块与所述气体探测器通过所述通信模块相通信，和/或，所述控制模块与所述调整模块通过所述通信模块相通信。

附图说明

图1是本发明实施例的一种过度烹饪检测方法的流程图；

图2是图1中步骤S101的一个具体实施方式的流程图；

图3是本发明实施例的一种预设机器学习模型的训练过程流程图；

图4是图1中步骤S102的一个具体实施方式的流程图；

图5是本发明实施例一种家用电器的典型应用场景示意图；

附图中：

1-家用电器；10-油烟机；11-灶具；12-控制模块；13-调整模块；14-气体探测器；15-通信模块；16-显示界面。

具体实施方式

为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例作详细地说明。

图1是本发明实施例的一种过度烹饪检测方法的流程图。

本实施方案可以应用于烹饪进程监控场景，如监控当前所处烹饪阶段以便及时发现过度烹饪现象。本实施方案可以检测烹饪单个菜肴时的烹饪阶段，例如，在家庭烹饪场景中，用户在灶台烹饪时检测该灶台产生的气味以监控烹饪阶段。或者，本实施方案也可以检测同时烹饪多个菜肴时的整体烹饪阶段，例如，在餐饮业后厨烹饪场景中，可以检测多个灶台各自烹饪菜肴所产生的混合气味，以监控多个菜肴的整体烹饪阶段。

具体地，参考图1，本实施例所述过度烹饪检测方法可以包括如下步骤：

步骤S101，获取气体数据，其中，所述气体数据包括烹饪产生的多种待检测气体成分的浓度信息；

步骤S102，将所述气体数据输入预设机器学习模型并获取预测结果，其中，所述预设机器学习模型用于至少根据所述气体数据预测当前所处烹饪阶段及处于所述烹饪阶段的概率；

步骤S103，根据所述预测结果确定当前是否处于过度烹饪阶段。

进一步，所述待检测气体成分可以产生自被烹饪的食材。不同种类的食材在烹饪时可能产生不同种类的气体成分，同一种类食材在不同的烹饪阶段也可能产生不同种类的气体成分。例如，食材按种类可以包括肉类、坚果类、蔬菜类等。

进一步，烹饪阶段可以包括：正常烹饪阶段、过度烹饪阶段等，其中过度烹饪阶段还可以进一步细分为一级过度烹饪阶段、二级过度烹饪阶段或者轻度过度烹饪阶段、中度过度烹饪阶段、重度过度烹饪阶段等。不同的烹饪阶段可能产生不同种类的气体成分，对于用户的直观感受即为闻到不同的气味。

在一个具体实施中，参考图2，步骤S101可以包括如下步骤：

步骤S1011，在气体探测器运行期间调节所述气体探测器的工作温度，并接收所述气体探测器在多个工作温度下分别采集得到的候选气体数据，其中，不同工作温度关联的候选气体数据用于表征烹饪产生的不同待检测气体成分的浓度；

步骤S1012，基于接收到的多个候选气体数据生成所述气体数据。

由此，在一定温度范围内调节气体探测器的工作温度以丰富气体探测器的输出数据的多样性，从而实现对多种气体成分的探测。

具体地，所述气体探测器可以包括挥发性有机化合物(volatile organiccompounds，简称VOC)传感器。VOC传感器在不同温度下对特定类型气体反应剧烈，利用此特性使得本实施方案所使用的气体探测器能够在一定温度范围内探测得到多种气体成分。例如，在特定工作温度下，VOC传感器和空气中的特定类型气体成分发生反应并输出电阻值，该电阻值可以用于表征该特定类型气体成分的浓度。

进一步，步骤S1011可以包括步骤：在气体探测器运行期间，根据选取自预设工作温度集合的候选值调节所述气体探测器的工作温度，其中，所述预设工作温度集合包括所述工作温度的多个候选值。通过合理设计预设工作温度集合使得气体探测器能够准确探测到所需探测的多种气体成分。

所述预设工作温度集合中的候选值可以是根据所述气体探测器工作在所述候选值时对待检测气体成分的灵敏度确定的。例如，可以通过预先实验确定各种食材在过度烹饪时主要产生的气体成分，以该气体成分为目标，调节VOC传感器的工作温度来测试VOC传感器在何种工作温度下对该类气体成分的敏感度(即灵敏度)最高，以及测出这个气体成分所需时间。灵敏度最高的工作温度即添加至所述预设工作温度集合，作为执行本实施方案时可以选取的候选值。由此，使得气体探测器能够在对特定种类气体成分最敏感的工作温度下检测该种类气体成分，从而确保气体数据的精确度，这有利于确保最终预测结果的准确度。

进一步，所述选取自预设工作温度集合的候选值可以是按照递增、递减或者随机的顺序从所述预设工作温度集合中选取得到的。相应的，气体探测器的工作温度持续升高、持续降低或震荡变化，以获取各候选值关联的气体成分的浓度。

例如，执行步骤S1011时，可以从预设工作温度集合中选取数值最低的候选值作为VOC传感器的初始工作温度，在该初始工作温度下采集得到候选气体数据后，逐渐增加VOC传感器的工作温度，直至在预设工作温度集合中数值最高的候选值下采集得到候选气体数据。

当VOC传感器以持续升温或持续降温的方式进行气体探测时，VOC传感器的工作温度不会在短时间内剧烈波动，利于延长器件寿命。当VOC传感器随机从预设工作温度集合中选取候选值时，有更大几率快速切换至对当前烹饪食材产生的气体成分敏感的工作温度，有利于VOC传感器的快速响应。

进一步，所述预设工作温度集合在所述气体探测器运行期间可以被遍历至少一轮。通过循环采集的方式获得至少一组数据，以扩充输入预设机器学习模型的数据量，这有利于提高预测结果的准确度。例如，执行步骤S1011时，反复遍历预设工作温度集合以获得多组不同待检测气体成分的浓度，并将其中相同种类气体成分的多个浓度值取平均值，由此将多组数据整合为一组气体数据输入预设机器学习模型。由此，通过多次探测取平均值的方式消除单次探测误差对预测结果的影响。

进一步，VOC传感器从当前工作温度切换至下一工作温度的时间间隔，可以根据在当前工作温度下探测得到对应气体成分所需时间确定。该所需时间可以通过实验预先设定。

进一步，所述气体数据可以是基于遍历所述预设工作温度集合至少一轮后接收到的所有候选气体数据生成的，由此，能够确保气体数据的全面性，使得气体数据包括烹饪过程中可能出现的所有气体成分的浓度信息。例如，执行步骤S1012时，在遍历预设工作温度集合一轮后，将获得的所有候选气体数据均作为气体数据输入预设机器学习模型。又例如，在遍历预设工作温度集合多轮后，将相同工作温度下获得的多个候选气体数据整合为单个候选气体数据，将所有工作温度下整合后的候选气体数据最为最终的气体数据输入预设机器学习模型。

或者，生成所述气体数据的候选气体数据的数量可以少于所述预设工作温度集合中候选值的数量，由此，气体探测器的响应速度更快，能够更为迅速的生成气体数据。例如，执行步骤S1012时，在获得一个或多个候选气体数据后即作为气体数据输入预设机器学习模型，以期能够更快地得到预测结果。

采用本实施方案，能够极大地提高对过度烹饪现象的识别准确度，有利于及时检测甚至预防过度烹饪，从而更好地解决过度烹饪问题。具体而言，结合烹饪过程中产生的气体通常为混合气体这一特性，本实施方案采集烹饪时挥发的多种气体成分的浓度并输入预设机器学习模型进行预测，使得预设机器学习模型能够基于贴合于烹饪实际产生的气味进行预测，进而得到准确度较高的过度烹饪识别结果。

在一个具体实施中，预设工作温度集合中的各候选值可以用于检测多种食材烹饪时可能产生的气体成分。例如，收集烹饪肉类、蔬菜类等多种食材单独烹饪和混合烹饪时产生的气体并分析气体成分，根据分析得到的各种气体成分分别确定合适的候选值，最终生成所述预设工作温度集合。相应的，执行步骤S1011时，无论当前烹饪的食材属于何种种类，均从单个预设工作温度集合中选取候选值作为VOC传感器的工作温度。

在一个变化例中，可以针对不同种类的食材针对性的设计预设工作温度集合，例如，对肉类食材烹饪时产生的气体成分敏感的工作温度可以构建一个预设工作温度集合，对坚果类食材烹饪时产生的气体成分敏感的工作温度可以另外构建一个预设工作温度集合。相应的，执行步骤S1011时，根据当前烹饪的食材所述种类调取对应的预设工作温度集合，并从中选取候选值作为VOC传感器的工作温度。当烹饪的食材混合多个种类时，分别调取各种食材对应的预设工作温度集合进行探测。例如，当前烹饪的食材种类可以获取自用户输入信息，也可以通过图像传感器等传感设备主动探测确定。

在一个具体实施中，参考图3，本实施例所述预设机器学习模型的训练过程可以包括如下步骤：

步骤S301，获取训练集，其中，所述训练集包括至少一组食材处于多个烹饪阶段时分别获得的气体数据，其中，每组食材包括至少一个种类的食材，所述多个烹饪阶段至少包括正常烹饪阶段和过度烹饪阶段；

步骤S302，基于所述训练集训练所述预设机器学习模型，直至所述预设机器学习模型的预测准确率达到预设阈值。

由此，训练集中训练样本的多样性使得预设机器学习模型在复杂环境下也能表现良好，针对不同食材、不同烹饪阶段均能准确识别过度烹饪。

具体地，所述训练集包括的多组食材中，有些组可以包括单一种类的食材，有些组则可以包括混合种类的食材，从而丰富训练集的多样性。

进一步，预设机器学习模型可以选取自多个候选模型，其中，不同候选模型采用不同算法构建得到。

例如，步骤S302中可以基于训练集分别训练各候选模型，直至各候选模型的预测准确率达到预设阈值。然后，选择训练得到的多个候选模型中预测准确率最高的候选模型作为所述预设机器学习模型。由此，将预测表现最优的候选模型作为最终使用的预设机器学习模型，有利于提高实际应用阶段对过度烹饪的识别准确度。

又例如，步骤S302中可以基于训练集分别训练各候选模型，并将各候选模型中预测准确率最先达到预设阈值的候选模型确定为预设机器学习模型。

其中，预设阈值的具体数值可以根据用户需要设定，如可以取值自85％至99％。预设阈值可以用于衡量用户对于模型预测错误率的容忍度，不同候选模型的预设阈值可以相同也可以不同。

用于构建候选模型的算法可以选自：多层感知器(multilayer perceptron，简称MLP)、随机森林(random forest)算法、逻辑回归(logistic regression)算法、决策树(decision tree)、极梯度提升树(Extreme Gradient Boosting Decision Tree，简称XGBoost)以及K最邻近(K-Nearest Neighbor，简称KNN)分类算法等。

候选模型的预测准确率可以是基于训练集初步训练得到模型后用测试集测试得到的。其中，测试集的获取过程可以参考训练集的生成过程，不同之处在于测试集在模型构建阶段没有输入给候选模型。

在一个典型的应用场景中，可以有意识的过度烹饪尽可能多种类的不同食物，并混合一些经常一起烹饪的食物，并采集烹饪过程中产生的气体。然后，使用气体分析仪来分析所采集气体中的气体成分，例如分析当过度烹饪时气体中会出现的主要气体成分。根据分析出的过度烹饪时产生的每种气体成分(即待检测气体成分)，调节VOC传感器的动态加热温度，使得VOC传感器对该待检测气体成分比较敏感。将调节好的VOC传感器安装至灶具的合适位置上，准备用来接收过度烹饪的数据。

接下来，设计用于做过度烹饪实验的食材列表，在灶具下方进行过度烹饪的实验并基于VOC传感器收集烹饪过程中的气体数据。同时，安排标定人员在现场进行实时标定。例如，当没有由于过度烹饪产生的气味时，标定人员可以标定当前为正常烹饪阶段，当第一次出现由于过度烹饪产生的气味时，标定过度烹饪发生。

进一步，过度烹饪阶段还可以进一步细化为轻微焦味阶段、中度焦味阶段和重度焦味阶段。标定人员的实时标定结果和对应的气体数据即可生成训练集。

将所有的过度烹饪实验至少进行三遍，在每次进行实验时收集并标定数据。

根据收集的数据，将最后一次实验的数据作为测试集，其余数据分为训练集和验证集用于生成预设机器学习模型。例如，基于训练集构建采用特定算法的预设机器学习模型，然后用验证集验证并调整预设机器学习模型的模型参数，最后用测试集测试预设机器学习模型的预测准确率。

在一个具体实施中，预设机器学习模型可以结合气体数据和烹饪数据预测烹饪阶段及对应概率。相应的，训练集还可以包括获得各气体数据时的烹饪数据，其中，所述烹饪数据可以包括烹饪温度和烹饪湿度。

例如，可以在灶具附近假设温湿度采集设备，或者在油烟机上假设温湿度采集设备以采集烹饪时的温度和湿度数据。又例如，烹饪数据可以复用VOC传感器采集得到。

相应的，步骤S102可以包括步骤：将所述气体数据和与所述气体数据同步获取的烹饪数据输入所述预设机器学习模型并获取预测结果。由此，结合烹饪数据以进一步扩展训练样本的多样性，有利于优化预设机器学习模型的训练效果，提高预测准确度。

在一个具体实施中，预设机器学习模型可以包括第一组模型和第二组模型。所述第一组模型可以包括多个第一候选模型，其中每一所述第一候选模型基于单个训练集训练得到，所述训练集与食材种类一一对应，所述训练集包括对应种类的食材处于多个烹饪阶段时分别获得的气体数据。所述第二组模型可以包括至少一个第二候选模型，其中每一所述第二候选模型基于多个训练集训练得到。

具体地，各第一候选模型可以采用相同或不同的算法构建得到。类似的，第二候选模型较之第一候选模型，或者多个第二候选模型之间也可以是采用相同或不同算法构建得到的。

进一步，对于任一第一候选模型或第二候选模型，可以选取自基于相同训练集和不同算法构建得到的多个候选模型中预测表现最好的一个。

例如，第二候选模型可以基于所有的训练集训练得到。又例如，假设存在训练集1、训练集2和训练集3共三个训练集，第二组模型可以包括第二候选模型1和第二候选模型2共两个第二候选模型，其中第二候选模型1可以基于训练集1和训练集2训练得到，第二候选模型2可以基于训练集1、训练集2和训练集3训练得到。

也就是说，第一候选模型可以基于烹饪单一种类食材时的气体数据训练得到，第二候选模型可以基于烹饪混合种类食材时的气体数据训练得到。混合种类食材关联的气体数据可以视为复杂数据(complex data)，单一种类食材关联的气体数据可以视为简单数据(simple data)。基于复杂数据构建得到的第二候选模型适配度高，实际应用中能够可靠地预测多个种类食材的烹饪阶段。基于简单数据构建得到的第一候选模型对特定种类食材的烹饪阶段预测准确率高，例如，第一候选模型是基于烹饪肉类时生成的训练集训练得到的，则该第一候选模型在后续使用时对肉类的烹饪阶段预测表现好。

由此，采用不同的训练集或不同的训练集组合来训练得到多种候选模型，使得不同候选模型对不同种类食材或不同种类食材组合在各烹饪阶段产生的气味敏感，从而在实际应用时针对任意气味场合均能有合适的候选模型进行预测。

进一步，参考图4，步骤S102可以包括如下步骤：

步骤S1021，将所述气体数据输入所述第一组模型并获取各第一候选模型输出的第一预测结果；

步骤S1022，比较多个第一预测结果中的概率最大值和概率次大值；

若数值(即多个第一预测结果中的概率最大值和概率次大值)相近且分属不同烹饪阶段，则执行步骤S1023和步骤S1024；其中，步骤S1023包括：将所述气体数据输入所述第二组模型并获取第二预测结果，步骤S1024包括：根据所述第一预测结果和第二预测结果中的概率最大值所属烹饪阶段确定当前是否处于过度烹饪阶段。

若步骤S1022的比较结果为数值(多个第一预测结果中的概率最大值和概率次大值)不相近，或者，数值相近且属于相同烹饪阶段，则执行步骤S1025，根据多个第一预测结果中的概率最大值所属烹饪阶段确定当前是否处于过度烹饪阶段。

具体而言，当第一预测结果中的概率最大值和概率次大值相近且分属不同烹饪阶段时，表明第一组模型针对本次烹饪阶段预测的预测可信度差，因而结合第二组模型的第二预测结果辅助确定当前实际的烹饪阶段。

例如，第一预测结果中的概率最大值和概率次大值之间的差异小于10％时，可以认为两者数值相近。在实际应用中，可以根据需要调整该差异值。

由上，本实施方案将第二组模型中基于多组训练集训练得到的综合数据模型作为辅助手段，在基于单个训练集训练得到的第一组模型可信度较低时，辅以第二组模型的预测结果综合确定最终的预测结果，有利于提高预设机器学习模型最终输出的预测结果的准确度。

在一个具体实施中，步骤S103中若预设机器学习模型输出的预测结果为过度烹饪阶段，则直接确定当前处于过度烹饪阶段。

或者，若预测结果为当前处于过度烹饪阶段，则判断预设机器学习模型输出的概率是否高于预设标准值。若概率高于预设标准值则确定当前处于过度烹饪阶段。若概率低于预设标准值则重新执行步骤S101和步骤S102，直至预测概率超过预设标准值。例如，预设标准值可以为60％，在实际应用中该数值可以根据需要调整。

在一个具体实施中，步骤S103之后，本实施方案所述过度烹饪检测方法还可以包括步骤：基于获取的所述气体数据和预测结果更新训练集，其中，所述训练集包括至少一组食材处于多个烹饪阶段时分别获得的气体数据；使用更新的训练集训练所述预设机器学习模型，以得到更新的预设机器学习模型。由此，随着实际使用过程中数据量的增加持续扩充训练集，进而迭代更新预设机器学习模型，以进一步改善预设机器学习模型的预测准确度。

进一步，在步骤S102得到预测结果后，可以将预测结果发送给用户并接收用户反馈。若用户反馈表明本次预测结果存在偏差，则基于用户修正后的预测结果更新训练集以迭代更新预设机器学习模型。

图5是本发明实施例一种家用电器的典型应用场景示意图。

具体地，参考图5，本实施例所述的家用电器1可以包括：控制模块12，用于执行上述图1至图4所示的过度烹饪检测方法，并在检测到当前处于过度烹饪阶段时发送控制指令；调整模块13，响应于接收到所述控制指令，根据所述控制指令调节烹饪参数。

例如，家用电器1可以包括灶具11、油烟机10等厨房用具。

由此，在基于本实施方案所提供的过度烹饪检测方法检测到发生过度烹饪时，主动调整烹饪参数以及时阻止过度烹饪。

例如，控制模块12可以设置于油烟机10，调整模块13可以设置于灶具11。例如，控制模块12可以为油烟机10的主控板。例如，调整模块13可以为灶具11的主控板，灶具11的主控板可以用于调节灶具11的加热功率、火力大小等。

进一步，家用电器1还可以包括气体探测器14，用于采集所述气体数据，气体探测器14与控制模块12相通信以向控制模块12发送所述气体数据。例如，气体探测器14可以设置于油烟机10，以便在油烟机10排气时顺便检测得到气体数据。进一步，气体探测器14表面可以覆盖有保护膜，以减少烹饪期间产生的湿气对探测精度的影响。

气体探测器14和控制模块12之间、控制模块12和调整模块13之间可以采用有线或无线方式相通信。

进一步，家用电器1还可以包括通信模块15，控制模块12与气体探测器14可以通过通信模块相通信15。例如，通信模块15可以设置于油烟机10，以便在控制模块12和气体探测器14之间进行信号传输。

进一步，控制模块12与调整模块13之间也可以通过通信模块15相通信。例如，灶具11可以集成有通信模块(图未示)并与控制模块12相通信，以接收控制指令。

或者，通信模块15可以与用户的设备终端相通信，以将预测结果及时告知用户。例如，设备终端可以包括手机、IPAD、家庭监控设备等。

需要指出的是，图5仅示例性的展示控制模块12、调整模块13、气体探测器14和通信模块15在家用电器1上可能的设置位置，在实际应用中可以根据需要调整各模块的相互位置关系和在家用电器1上的具体设置位置。各模块可以相互独立，也可以集成在同一芯片或集成为同一功能模块。例如，控制模块12和通信模块15可以集成在一起。

由此，灶具11能够主动监测过度烹饪现象并及时调整加热功率等烹饪参数避免过度烹饪进一步加剧，优化用户的烹饪体验。执行上述过度烹饪检测方案的油烟机10能够在排气的同时检测得到准确的气体数据，进而指导灶具11及时调整烹饪参数。

在一个典型的应用场景中，预设机器学习模型可以部署在控制模块12上，气体探测器14可以通过特定的通信协议连接到控制模块12。

油烟机10的显示界面16可以设置有触发按键(图未示)，用户点击该按键时触发监测过度烹饪的功能。或者，用户可以通过与油烟机10相通信的智能终端远程触发该功能。

响应于功能被触发，控制模块12执行上述图1至图4所示的过度烹饪检测方法。具体地，控制模块12控制气体探测器14工作以采集烹饪过程中的气体数据。进一步，气体探测器14将采集到的气体数据发送至控制模块12。然后，控制模块12将气体数据输入预设机器学习模型并获取预测结果。由此，能够实时监测是否有过度烹饪的事件发生。

若预测结果表明当前处于过度烹饪阶段，则控制模块12生成控制指令并通过通信模块15发送至调整模块13。调整模块13根据控制指令调节烹饪参数，以期缓解、消除过度烹饪事件。例如，控制指令可以为减小加热功率、停止加热，以指示灶具11采取减少进一步过度烹饪的措施。

进一步，可以根据预测结果所指示的过度烹饪程度，生成合适的控制指令。例如，若预测结果表明当前处于轻度过度烹饪阶段，则控制指令可以指示调整模块13降低加热功率。又例如，若预测结果表明当前处于中度过度烹饪阶段，则控制指令可以指示调整模块13直接停止加热。

在一个变化例中，控制模块12也可以设置于灶具11，从而气体数据、控制指令均在灶具11内部传输，无需和其他设备发生远程交互。

尽管上文已经描述了具体实施方案，但这些实施方案并非要限制本公开的范围，即使仅相对于特定特征描述单个实施方案的情况下也是如此。本公开中提供的特征示例意在进行例示，而非限制，除非做出不同表述。在具体实施中，可将一项或者多项从属权利要求的技术特征与独立权利要求的技术特征进行组合，并可通过任何适当的方式而不是仅通过权利要求书中所列举的特定组合来组合来自相应独立权利要求的技术特征。

虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。