一种冰箱、食材成分识别方法和装置与流程

1.本发明涉及食物检测技术领域，尤其涉及一种冰箱、食材成分识别方法和装置。


背景技术：

2.随着人们生活水平和消费水平的提高，冰箱中的食材越来越丰盛，用户对食材的营养、口感等的品质需求也越来越高，这使得智能冰箱产品也越来越成为人民关注热点。
3.智能冰箱通常设置有影音娱乐、新闻播送、食材管理等功能。而其中，食材管理的功能则涉及到获取食物成分的比例，例如水分、蛋白质、脂肪、糖、淀粉、纤维素等成分的比例。现有的智能冰箱的识别策略通常是根据文献记载，对某一种类食物的成分及其比例设定预设值，通过图像识别、电子标签或条码等方式确定食材种类后，调取该食物种类对应的成分及其比例，得到成分识别结果。
4.然而，发明人发现现有技术至少存在如下问题：由于现有的食材成分识别方法对某种食材种类的成分及其比例的预设值是单一的、固定的，而实际情况下，同样的食材种类，其成分比例是不完全相同的。例如同样是牛肉，其脂肪成分的含量可能不同，如果使用者对营养成分高度关注，采用现有技术的方法就无法区分一份脂肪含量较高的牛肉与一份脂肪含量较低的牛肉，现有的食材成分识别方法的缺点显而易见。


技术实现要素：

5.本发明实施例的目的是提供一种冰箱、食材成分识别方法和装置，能有效实现对不同食材种类的主要营养成分及其比例的识别，为使用者的饮食健康提供基础数据支持，为用户提供更好的使用体验。
6.为实现上述目的，本发明实施例提供了一种冰箱，包括：
7.冰箱箱体，内部设置有储存室，用于储存食材；
8.红外光谱仪，设置于所述冰箱箱体上，用于检测食材的红外光谱数据；
9.主控装置，与所述红外光谱仪连接，用于：
10.响应于预设的食材成分识别指令，确定待检测食材的食材种类；
11.接收所述红外光谱仪检测到的所述待检测食材的红外光谱数据；
12.将所述红外光谱数据输入预设的且与所述食材种类对应的食材成分识别模型，以得到所述待检测食材的主要营养成分以及每一所述主要营养成分的比例；所述比例为所述主要营养成分在食材总成分中所占的比值。
13.作为上述方案的改进，通过以下步骤构建每一食材种类对应的食材成分识别模型：
14.获取每一所述食材种类对应的若干食材训练样本；其中，每一所述食材种类的主要营养成分是预先设置的，且每一所述食材训练样本的主要营养成分的比例是已知的；
15.采用红外光谱仪检测每一所述食材训练样本的红外光谱数据；
16.根据每一所述食材种类对应的所有所述食材训练样本的营养成分的比例和红外
光谱数据，训练得到每一所述食材种类对应的食材成分识别模型。
17.作为上述方案的改进，所述根据每一所述食材种类对应的所有所述食材训练样本的营养成分的比例和红外光谱数据，训练得到每一所述食材种类对应的食材成分识别模型，具体包括：
18.确定每一所述食材训练样本的红外光谱数据的每一特征吸收峰，并计算每一所述特征吸收峰的特征参数；其中，所述特征参数包括位置和波长；
19.根据所述特征吸收峰的特征参数，采用预设的光谱数据分析方法，确定所述特征吸收峰对应的官能团，以确定所述特征吸收峰对应的主要营养成分；
20.在每一所述食材种类下，将每一所述食材训练样本的每一所述特征吸收峰的特征参数，与所述特征吸收峰对应的主要营养成分的比例的对应关系导入预设的拟合模型进行拟合，以训练得到每一所述食材种类对应的食材成分识别模型。
21.作为上述方案的改进，所述预设的光谱数据分析方法为间隔偏最小二乘法、向后间隔偏最小二乘法或动态向后间隔偏最小二乘法。
22.作为上述方案的改进，所述确定待检测食材的食材种类，具体包括：
23.获取所述待检测食材的图像信息；
24.将所述待检测食材的图像信息输入预设的食材种类分类模型，以得到所述待检测食材的食材种类。
25.作为上述方案的改进，在所述将所述红外光谱数据输入预设的且与所述食材种类对应的食材成分识别模型，以得到所述待检测食材的主要营养成分以及每一所述主要营养成分的比例之后，所述主控装置还用于：
26.获取所述待检测食材的重量；
27.根据所述待检测食材的重量和每一所述主要营养成分的比例，计算所述待检测食材的热量值。
28.作为上述方案的改进，所述冰箱还包括显示装置，所述显示装置与所述主控装置连接；
29.所述主控装置还用于：
30.将所述待检测食材的每一所述主要营养成分、比例和所述热量值发送给所述显示装置进行显示。
31.作为上述方案的改进，每一所述食材种类对应的食材成分识别模型存储在云端服务器中，则所述主控装置还与所述云端服务器连接，以获取所述云端服务器下发的所述食材成分识别模型。
32.本发明实施例还提供了一种食材成分识别方法，包括：
33.响应于预设的食材成分识别指令，确定待检测食材的食材种类；
34.检测所述待检测食材的红外光谱数据；
35.将所述红外光谱数据输入预设的且与所述食材种类对应的食材成分识别模型，以得到所述待检测食材的主要营养成分以及每一所述主要营养成分的比例；所述比例为所述主要营养成分在食材总成分中所占的比值。
36.本发明实施例还提供了一种食材成分识别装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程
序时实现如上所述的食材成分识别方法。
37.与现有技术相比，本发明实施例公开的冰箱、食材成分识别方法和装置，响应于预设的食材成分识别指令，确定待检测食材的食材种类；接收红外光谱仪检测到的所述待检测食材的红外光谱数据；将所述红外光谱数据输入预设的且与所述食材种类对应的食材成分识别模型，以得到所述待检测食材的主要营养成分以及每一所述主要营养成分的比例；所述比例为所述主要营养成分在食材总成分中所占的比值。采用本发明实施例的技术手段，通过将待检测食材的红外光谱数据输入预先建立的食材成分识别模型进行比对分析，能够精准地计算得到待检测食材的主要营养成分及其比例，为使用者的饮食健康提供基础数据支持，提供了一种更加智能、编辑、科学的冰箱，为用户提供更好的使用体验。
附图说明
38.图1是本发明实施例提供的一种冰箱的结构示意图；
39.图2是本发明实施例中主控装置所执行的工作流程示意图；
40.图3是本发明实施例提供的食材成分识别模型的训练步骤示意图；
41.图4是本发明实施例提供的一种食材成分识别方法的流程示意图；
42.图5是本发明实施例提供的一种食材成分识别装置的结构示意图。
具体实施方式
43.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
44.参见图1，是本发明实施例提供的一种冰箱的结构示意图。本发明实施例提供了一种冰箱10，包括：冰箱箱体11，内部设置有储存室，用于储存食材。
45.所述冰箱10还设有红外光谱仪12，设置于所述冰箱箱体11上，用于检测食材的红外光谱数据。
46.具体地，在实际使用过程中，用户可以手持待检测食材，放置在所述红外光谱仪12的数据检测端，当所述红外光谱仪12上电并启动后，可以对所述待检测食材进行检测，输出红外光谱数据。
47.优选地，可以在所述冰箱内部设置一专门存放待检测食材的储存室，并且所述红外光谱仪12的数据检测端对准所述存放待检测食材的储存室。在实际使用中，用户将所述待检测食材放入该储存室后，启动所述红外光谱仪12对所述待检测食材进行检测，输出红外光谱数据。
48.作为优选的实施方式，在使用所述红外光谱仪12之前，还需要进行参数矫正操作。所述参数矫正操作具体包括：通过对空白背景及白色底色的背景进行扫描，获取的空白数据作为吸光度光谱的测量的基线，在每次使用前根据此基线进行矫正。
49.采用本发明实施例的技术手段，能够防止红外光谱仪的光路系统在运输过程中收到振动发生偏移，确保每次扫描的光谱吸收峰的峰位不发生变化。
50.所述冰箱10还包括主控装置13，与所述红外光谱仪12连接。
51.参见图2，是本发明实施例中主控装置所执行的工作流程示意图。所述主控装置具体用于执行步骤s11至s13：
52.s11、响应于预设的食材成分识别指令，确定待检测食材的食材种类；
53.s12、接收所述红外光谱仪检测到的所述待检测食材的红外光谱数据；
54.s13、将所述红外光谱数据输入预设的且与所述食材种类对应的食材成分识别模型，以得到所述待检测食材的主要营养成分以及每一所述主要营养成分的比例；所述比例为所述主要营养成分在食材总成分中所占的比值。
55.在本发明实施例中，当用户需要对某一待检测食材进行食材成分检测时，启动所述红外光谱仪12对所述待检测食材进行检测，所述红外光谱仪12将输出的红外光谱数据发送给所述主控装置13。
56.并且，所述主控装置13响应于预设的食材成分识别指令，确定待检测食材的食材种类。
57.在一种实施方式下，步骤s11，也即所述确定待检测食材的食材种类，具体包括s111和s112：
58.s111、获取所述待检测食材的图像信息；
59.s112、将所述待检测食材的图像信息输入预设的食材种类分类模型，以得到所述待检测食材的食材种类。
60.在本发明实施例中，预先训练一食材种类分类模型，当所述主控装置13接收到食材成分识别指令后，获取待检测食材的图像信息，并输入所述食材种类分类模型中，基于神经网络的深度学习算法，分析得到所述待检测食材的食材种类。
61.可选地，通过在所述冰箱上设置一摄像机，当用户需要进行食材成分识别时，通过所述摄像机拍摄待检测食材的图像信息，并发送给所述主控装置，以使所述主控装置进行食材种类分析。
62.需要说明的是，所述食材种类分析模型是预先通过获取若干标记有对应食材种类的图像信息对初始神经网络模型进行训练得到的。并且，所述食材种类分析模型所采用的图像识别技术可以采用现有技术中的图像识别技术，在此不做赘述。
63.在另一种实施方式下，步骤s11，也即所述确定待检测食材的食材种类，具体包括s111’、：
64.s111’、根据用户输入的食材种类信息，确定所述待检测食材的食材种类。
65.在本发明实施例中，当用户需要进行食材成分识别时，通过预设的人机交互界面向所述主控装置13输入食材种类信息，以使所述主控装置能够确定待检测食材的食材种类。
66.进一步地，在所述主控装置13在获取到待检测食材的食材种类和红外光谱数据之后，根据所述待检测食材的食材种类，确定对应的食材成分识别模型，进而，将所述红外光谱数据输入与所述食材种类对应的食材成分识别模型，以得到所述待检测食材的主要营养成分以及每一所述主要营养成分的比例；所述比例为所述主要营养成分在食材总成分中所占的比值。
67.具体地，所述食材成分识别模型具体用于：将输入的红外光谱数据与本地或云端的标准数据库进行比对，利用两个光谱曲线的相似度来判断检测待检测食材的所有主要营
养成分及其比例。当该主要营养成分的比例与所述标准数据库的数据相匹配时，即可得到食材成分识别结果并输出；所述食材成分识别结果即包括所述待检测食材的主要营养成分以及每一所述主要营养成分的比例。
68.作为优选的实施方式，每一所述食材种类对应的食材成分识别模型存储在云端服务器中，则所述主控装置还与所述云端服务器连接，并在接收到所述食材成分识别指令后，将获取的待检测食材的食材种类上传至云端处理器，以触发所述云端处理器下发的所述食材种类对应的食材成分识别模型。
69.采用本发明实施例的技术手段，由于模型存储在云端服务器中，不会因为数据库模型的数据量而影响识别速度，也便于对每一模型进行升级更新。
70.本发明实施例提供了一种冰箱，包括红外光谱仪，用于检测食材的红外光谱数据；主控装置，用于：响应于预设的食材成分识别指令，确定待检测食材的食材种类；接收所述红外光谱仪检测到的所述待检测食材的红外光谱数据；将所述红外光谱数据输入预设的且与所述食材种类对应的食材成分识别模型，以得到所述待检测食材的主要营养成分以及每一所述主要营养成分的比例；所述比例为所述主要营养成分在食材总成分中所占的比值。采用本发明实施例的技术手段，通过将待检测食材的红外光谱数据输入预先建立的食材成分识别模型进行比对分析，能够精准地计算得到待检测食材的主要营养成分及其比例，为使用者的饮食健康提供基础数据支持，提供了一种更加智能、编辑、科学的冰箱，为用户提供更好的使用体验。
71.作为优选的实施方式，是本发明实施例提供的食材成分识别模型的训练步骤示意图。本发明实施例通过以下步骤s21至s23构建每一食材种类对应的食材成分识别模型：
72.s21、获取每一所述食材种类对应的若干食材训练样本；其中，每一所述食材种类的主要营养成分是预先设置的，且每一所述食材训练样本的主要营养成分的比例是已知的。
73.在本发明实施例中，将日常生活中常见的食材根据其组成成分和主要营养物质，预先划分出多个食材种类。作为举例，所述食材种类包括但不限于肉类、鱼类、虾蟹类、叶菜类、根茎类蔬菜、果实类蔬菜、不同大类的水果、食用油、淀粉类食材。不同的食材归属于不同的食材种类，例如牛肉、羊肉和猪肉归属于肉类，苹果、香蕉和梨等归属于水果类。
74.需要说明的是，以上食材种类的分类仅作为举例，在实际应用中，可以根据用户饮食需求和用户对食材成分识别结果的精准度要求等，按照食材的组成成分划分为更多且更详细的食材种类，均不影响本发明取得的有益效果。
75.并且，针对每一食材种类，预先确定其主要营养成分。作为举例，以苹果为一种食材种类，其主要营养成分包括水、干物质、苹果酸和糖度。
76.进一步地，获取每一所述食材种类对应的若干食材训练样本，例如对于水果类，需要获取多种水果样本，且同一种水果样本的数量还需尽可能多，且覆盖不同成熟度、不同生产地区、不同生产季节等因素，以使得所获得的食材训练样本尽可能覆盖各种可能性。并获取每一食材训练样本的主要营养成分的比例。
77.可选地，每一所述食材训练样本的主要营养成分的比例的获取方法为：在实验室环境下，使用不同的测试方法和测试仪器进行分析，从而获得该每一食材训练样本的每一主要营养成分，例如水分、蛋白质、脂肪、糖、淀粉、纤维素等等的比例。
78.s22、采用红外光谱仪检测每一所述食材训练样本的红外光谱数据。
79.采用预设的红外光谱仪，对每一所述食材训练样本进行检测，以获取每一食材训练样本的红外光谱数据。
80.s23、根据每一所述食材种类对应的所有所述食材训练样本的营养成分的比例和红外光谱数据，训练得到每一所述食材种类对应的食材成分识别模型。
81.预先针对每一食材种类，构建对应的初始神经网络模型。在获得该食材种类对应的所有食材训练样本的主要营养成分的比例以及红外光谱数据之后，则可以对所述初始神经网络模型进行训练，得到该食材种类对应的食材成分识别模型。对每一食材种类对应的食材训练样本都进行训练，可以得到每一食材种类对应的食材成分识别模型。
82.作为优选的实施方式，步骤s23具体通过步骤s231至s233执行：
83.s231、确定每一所述食材训练样本的红外光谱数据的每一特征吸收峰，并计算每一所述特征吸收峰的特征参数；其中，所述特征参数包括位置和波长；
84.s232、根据所述特征吸收峰的特征参数，采用预设的光谱数据分析方法，确定所述特征吸收峰对应的官能团，以确定所述特征吸收峰对应的主要营养成分；
85.s233、在每一所述食材种类下，将每一所述食材训练样本的每一所述特征吸收峰的特征参数，与所述特征吸收峰对应的主要营养成分的比例的对应关系导入预设的拟合模型进行拟合，以训练得到每一所述食材种类对应的食材成分识别模型。
86.具体地，对每次采集的红外光谱数据进行归一化处理，获取红外光谱数据中的各个最大吸收峰，也即所述特征吸收峰。
87.可以理解地，近红外光谱的通常使用的识别波段为740nm
‑‑
2450nm。其中主要观察到的为各基团的振动跃迁。红外谱带的强度是一个振动跃迁概率的量度，分子振动时偶极矩的变化愈大，谱带强度愈大。特征频率区的吸收峰基本上都是由基团的伸缩振动产生，数目不是很多，但是有很强的特征性，因此可以主要用于鉴定官能团。分子中的某些基团或化学键在不同化合物中对应的谱带波数基本上只是固定的或者只在小波段范围内变化。如羰基的特征波数基本上在1600～1750nm。许多化学键都有特征波数，因此可以来鉴别化合物的类型。
88.确定红外光谱数据的每一特征吸收峰的特征参数，通过反复遗传算法等反复挑选特征波长，即光谱吸收峰峰尖、峰谷的准确位置，以确定具体的特征参数。
89.进而，采用预设的光谱数据分析方法，确定所述特征吸收峰对应的官能团，以确定所述特征吸收峰对应的主要营养成分。
90.优选地，所述预设的光谱数据分析方法为间隔偏最小二乘法、向后间隔偏最小二乘法或动态向后间隔偏最小二乘法。
91.进一步地，在每一所述食材种类下，将每一所述食材训练样本的每一所述特征吸收峰的特征参数，与所述特征吸收峰对应的主要营养成分的比例的对应关系导入预设的拟合模型进行拟合，以训练得到每一所述食材种类对应的食材成分识别模型。
92.其中，所述预设的拟合模型为单变量拟合模型、多元拟合模型或随机森林拟合模型。
93.在建立食材模型时，可以用已知的食材模型反复校验，以便训练模型的深度学习算法。为了降低模型的运算量，便于在后续研究中在线快速检测引用，也可以使用多元线性
回归方法建立成分含量检测模型。实际建模过程中，可以通过显著性指标进一步对特征波长进行优选，使得模型进一步简化。通过该类食材的不同样品对该数据模型进行训练，得到训练好的食材成分识别模型。并且，可根据化学分析的方法对该数据模型中的成分的比例进行校正。
94.作为举例，苹果的主要成分为水、干物质、苹果酸、糖度等。具体实施时，可先通过以上四种主要成分，分别找出其特征波数(特征峰)的组合，以实现定性的目的。然后，对苹果进行近红外光谱模型建模，及包含以上四种主要成分的特征波数组合的特征谱。对此特征谱进行模型简化，即只采用其中四种主要成分的特征谱，即建立完成该初步的模型。如此，对能获取到的不同种类、成熟度、不同地区的苹果(含量有所不同)，进行反复建模对模型进行校正，以深度学习的方法训练模型，以增强模型的适用性。
95.同时，针对某一特定苹果，采用化学定量分析的方法对以上四种主要成分进行定量分析，定量分析的结果与模型的判定结果相关联，即可建立起某一成分与单一特征谱的定量关系。
96.例如，第一次建立模型时，只是获取到了水、干物质、苹果酸、糖度等四种成分的特征峰，而不知道其准确的含量。而化学分析可以准确得出，干物质11.5％，苹果酸0.13％,糖度10.3％，水分88％。则以上四种成分的含量与分别与其特征谱对应，即可通过特征谱的峰面积与含量建立起对应关系。然后再通过反复深度学习算法，对模型进行训练，以实现不同的苹果的四种成份间含量差异的模型适应性。
97.同样的，对于淀粉类食品(米、面)、肉类(牛肉、羊肉、鸡肉)、水产类(鱼、虾)等不同大类，但主要营养成份基本相同的食材，均可采用以上方法进行建模，并对模型进行简化。以便建立相对完整的红外光谱数据库。
98.采用本发明实施例的技术手段，基于神经网络的深度学习算法，学习并提取近红外光谱的波长特征，直接对待检测食材形成的近红外光谱进行处理和识别，实现对食材成分及比例的识别，相较于传统近红外光谱识别技术，不需要提取待检测物质的光谱的特征峰，从而不易受到近红外光谱中其他波长的干扰。
99.作为优选的实施方式，在步骤s13之后，所述主控装置还用于执行步骤s31至s32：
100.s31、获取所述待检测食材的重量；
101.s32、根据所述待检测食材的重量和每一所述主要营养成分的比例，计算所述待检测食材的热量值。
102.在本发明实施例中，所述主控装置13还能获取所述待检测食材的重量。进而，在分析计算得到所述待检测食材的每一主要营养成分的比例之后，将每一主要营养成分换算成热量值，并乘以所述待检测食材的重量，即可得到所述待检测食材的总的热量值。
103.优选地，所述冰箱还包括显示装置，所述显示装置与所述主控装置连接。则所述主控装置还用于执行步骤s33：
104.s33、将所述待检测食材的每一所述主要营养成分、比例和所述热量值发送给所述显示装置进行显示。
105.在本发明实施例中，将计算得到的所述待检测食材的每一所述主要营养成分、比例和所述热量值，通过冰箱显示端进行显示。当然，也可以将上述数据发送到用户的手机app进行显示，从而为用户的健康饮食提供实时、原味的数据支持。
106.参见图4，是本发明实施例提供的一种食材成分识别方法的流程示意图。本发明实施例提供了一种食材成分识别方法，包括步骤s41至s43：
107.s41、响应于预设的食材成分识别指令，确定待检测食材的食材种类；
108.s42、检测所述待检测食材的红外光谱数据；
109.s43、将所述红外光谱数据输入预设的且与所述食材种类对应的食材成分识别模型，以得到所述待检测食材的主要营养成分以及每一所述主要营养成分的比例；所述比例为所述主要营养成分在食材总成分中所占的比值。
110.采用本发明实施例的技术手段，通过将待检测食材的红外光谱数据输入预先建立的食材成分识别模型进行比对分析，能够精准地计算得到待检测食材的主要营养成分及其比例，为使用者的饮食健康提供基础数据支持，提供了一种更加智能、编辑、科学的冰箱，为用户提供更好的使用体验。
111.作为优选的实施方式，通过以下步骤构建每一食材种类对应的食材成分识别模型：
112.获取每一所述食材种类对应的若干食材训练样本；其中，每一所述食材种类的主要营养成分是预先设置的，且每一所述食材训练样本的主要营养成分的比例是已知的；
113.采用红外光谱仪检测每一所述食材训练样本的红外光谱数据；
114.根据每一所述食材种类对应的所有所述食材训练样本的营养成分的比例和红外光谱数据，训练得到每一所述食材种类对应的食材成分识别模型。
115.优选地，所述根据每一所述食材种类对应的所有所述食材训练样本的营养成分的比例和红外光谱数据，训练得到每一所述食材种类对应的食材成分识别模型，具体包括：
116.确定每一所述食材训练样本的红外光谱数据的每一特征吸收峰，并计算每一所述特征吸收峰的特征参数；其中，所述特征参数包括位置和波长；
117.根据所述特征吸收峰的特征参数，采用预设的光谱数据分析方法，确定所述特征吸收峰对应的官能团，以确定所述特征吸收峰对应的主要营养成分；
118.在每一所述食材种类下，将每一所述食材训练样本的每一所述特征吸收峰的特征参数，与所述特征吸收峰对应的主要营养成分的比例的对应关系导入预设的拟合模型进行拟合，以训练得到每一所述食材种类对应的食材成分识别模型。
119.优选地，所述预设的光谱数据分析方法为间隔偏最小二乘法、向后间隔偏最小二乘法或动态向后间隔偏最小二乘法。
120.优选地，步骤s41，也即所述确定待检测食材的食材种类，具体包括：
121.s411、获取所述待检测食材的图像信息；
122.s412、将所述待检测食材的图像信息输入预设的食材种类分类模型，以得到所述待检测食材的食材种类。
123.作为优选的实施方式，在步骤s43之后，所述方法还包括步骤s44至s46：
124.s44、获取所述待检测食材的重量；
125.s45、根据所述待检测食材的重量和每一所述主要营养成分的比例，计算所述待检测食材的热量值。
126.s46、将所述待检测食材的每一所述主要营养成分、比例和所述热量值进行显示。
127.参见图5，是本发明实施例提供的一种食材成分识别装置的结构示意图。本发明实
施例提供了一种食材成分识别装置50，包括处理器51、存储器52以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述实施例所述的食材成分识别方法。
128.需要说明的是，本发明实施例提供的一种食材成分识别装置用于执行上述实施例的一种食材成分识别方法的所有流程步骤，两者的工作原理和有益效果一一对应，因而不再赘述。
129.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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。
130.以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

技术特征：
1.一种冰箱，其特征在于，包括：冰箱箱体，内部设置有储存室，用于储存食材；红外光谱仪，设置于所述冰箱箱体上，用于检测食材的红外光谱数据；主控装置，与所述红外光谱仪连接，用于：响应于预设的食材成分识别指令，确定待检测食材的食材种类；接收所述红外光谱仪检测到的所述待检测食材的红外光谱数据；将所述红外光谱数据输入预设的且与所述食材种类对应的食材成分识别模型，以得到所述待检测食材的主要营养成分以及每一所述主要营养成分的比例；所述比例为所述主要营养成分在食材总成分中所占的比值。2.如权利要求1所述的冰箱，其特征在于，通过以下步骤构建每一食材种类对应的食材成分识别模型：获取每一所述食材种类对应的若干食材训练样本；其中，每一所述食材种类的主要营养成分是预先设置的，且每一所述食材训练样本的主要营养成分的比例是已知的；采用红外光谱仪检测每一所述食材训练样本的红外光谱数据；根据每一所述食材种类对应的所有所述食材训练样本的营养成分的比例和红外光谱数据，训练得到每一所述食材种类对应的食材成分识别模型。3.如权利要求2所述的冰箱，其特征在于，所述根据每一所述食材种类对应的所有所述食材训练样本的营养成分的比例和红外光谱数据，训练得到每一所述食材种类对应的食材成分识别模型，具体包括：确定每一所述食材训练样本的红外光谱数据的每一特征吸收峰，并计算每一所述特征吸收峰的特征参数；其中，所述特征参数包括位置和波长；根据所述特征吸收峰的特征参数，采用预设的光谱数据分析方法，确定所述特征吸收峰对应的官能团，以确定所述特征吸收峰对应的主要营养成分；在每一所述食材种类下，将每一所述食材训练样本的每一所述特征吸收峰的特征参数，与所述特征吸收峰对应的主要营养成分的比例的对应关系导入预设的拟合模型进行拟合，以训练得到每一所述食材种类对应的食材成分识别模型。4.如权利要求3所述的冰箱，其特征在于，所述预设的光谱数据分析方法为间隔偏最小二乘法、向后间隔偏最小二乘法或动态向后间隔偏最小二乘法。5.如权利要求1所述的冰箱，其特征在于，所述确定待检测食材的食材种类，具体包括：获取所述待检测食材的图像信息；将所述待检测食材的图像信息输入预设的食材种类分类模型，以得到所述待检测食材的食材种类。6.如权利要求1所述的冰箱，其特征在于，在所述将所述红外光谱数据输入预设的且与所述食材种类对应的食材成分识别模型，以得到所述待检测食材的主要营养成分以及每一所述主要营养成分的比例之后，所述主控装置还用于：获取所述待检测食材的重量；根据所述待检测食材的重量和每一所述主要营养成分的比例，计算所述待检测食材的热量值。7.如权利要求6所述的冰箱，其特征在于，所述冰箱还包括显示装置，所述显示装置与
所述主控装置连接；所述主控装置还用于：将所述待检测食材的每一所述主要营养成分、比例和所述热量值发送给所述显示装置进行显示。8.如权利要求1至6任一项所述的冰箱，其特征在于，每一所述食材种类对应的食材成分识别模型存储在云端服务器中，则所述主控装置还与所述云端服务器连接，以获取所述云端服务器下发的所述食材成分识别模型。9.一种食材成分识别方法，其特征在于，包括：响应于预设的食材成分识别指令，确定待检测食材的食材种类；检测所述待检测食材的红外光谱数据；将所述红外光谱数据输入预设的且与所述食材种类对应的食材成分识别模型，以得到所述待检测食材的主要营养成分以及每一所述主要营养成分的比例；所述比例为所述主要营养成分在食材总成分中所占的比值。10.一种食材成分识别装置，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求9所述的食材成分识别方法。

技术总结
本发明公开了一种冰箱、食材成分识别方法和装置。所述冰箱包括用于检测食材的红外光谱数据的红外光谱仪，以及主控装置，用于：响应于预设的食材成分识别指令，确定待检测食材的食材种类；接收所述红外光谱仪检测到的所述待检测食材的红外光谱数据；将所述红外光谱数据输入预设的且与所述食材种类对应的食材成分识别模型，以得到所述待检测食材的主要营养成分以及每一所述主要营养成分的比例；所述比例为所述主要营养成分在食材总成分中所占的比值。采用本发明实施例，能有效实现对不同食材种类的主要营养成分及其比例的识别，为使用者的饮食健康提供基础数据支持，为用户提供更好的使用体验。用体验。用体验。


技术研发人员：周晓东 罗晨 王海燕 李媛
受保护的技术使用者：海信（山东）冰箱有限公司
技术研发日：2022.01.04
技术公布日：2023/7/22