Intelligent cooking method and apparatus, electronic device, storage medium, and program product

Abstract

It is provided that an intelligent cooking method and apparatus, an electronic device, a storage medium, and a program product. The method includes: obtaining user portrait data, food material information, and dietary preference information (S310); determining target cooking materials, target cooking steps, and target cooking parameters according to the user portrait data, the food material information, and the dietary preference information (S320); and controlling a target intelligent kitchen utensil to execute the target cooking steps to cook the target cooking materials according to the target cooking parameters (S330).

Description

INTELLIGENT COOKING METHOD AND APPARATUS, ELECTRONIC DEVICE, STORAGE MEDIUM, AND PROGRAM PRODUCTTECHNICAL FIELD

[0001] The present application relates to the field of artificial intelligence technology, and more particularly, to an intelligent cooking method and apparatus, an electronic device, a storage medium, and a program product.BACKGROUND

[0002] Traditional cooking methods rely on human experience and manual methods to prepare food. When a cook has no cooking experience or insufficient cooking experience, it is difficult to prepare healthy food with good mouthfeel and taste. Moreover, traditional cooking methods require more manual operation time and higher labor costs.

[0003] Therefore, how to provide a more intelligent and automated cooking method to reduce the difficulty of cooking and reduce manual operation time for cooking is a problem that needs to be solved in the present disclosure.SUMMARY

[0004] The present disclosure provides an intelligent cooking method and apparatus, an electronic device, a storage medium, and a program product, capable of improving intelligence and automation of cooking, reducing the difficulty and cost of cooking, and reducing manual operation time for cooking.

[0005] In a first aspect, an intelligent cooking method is provided. The method includes: obtaining user portrait data, food material information, and dietary preference information; determining target cooking materials, target cooking steps, and target cooking parameters according to the user portrait data, the food material information, and the dietary preference information; and controlling a target intelligent kitchen utensil to execute the target cooking steps to cook the target cooking materials according to the target cooking parameters.

[0006] In a second aspect, an intelligent cooking apparatus is provided. The apparatus includes: a first obtaining module configured to obtain user portrait data, food material information, and dietary preference information; a determining module configured to determine target cooking materials, target cooking steps, and target cooking parameters according to the user portrait data, the food material information, and the dietary preference information; and a control module configured to control a target intelligent kitchen utensil to cook the target cooking materials according to the target cooking steps and target cooking parameters.

[0007] In a third aspect, an electronic device is provided. The electronic device includes a processor and a memory. The memory is configured to store a computer program, and the processor is configured to call and run the computer program stored in the memory to perform the method according to the first aspect or any implementation thereof.

[0008] In a fourth aspect, a computer-readable storage medium is provided. The computer-readable storage medium stores a computer program causing a computer to perform the method according to the first aspect or any implementation thereof.

[0009] In a fifth aspect, a computer program product is provided. The computer program product contains computer program instructions which cause a computer to perform the method according to the first aspect or any implementation thereof.

[0010] In a sixth aspect, a computer program is provided. The computer program causes a computer to perform the method according to the first aspect or any implementation thereof.

[0011] With the technical solutions according to the present disclosure, an electronic device can first obtain user portrait data, food material information and dietary preference information, and then determine target cooking materials, target cooking steps and target cooking parameters based on the user portrait data, food material information and dietary preference information. Finally, the electronic device can control a target intelligent kitchen utensil to execute the target cooking steps and to cook the target cooking materials according to the target cooking parameters. In the above process, the electronic device can achieve automated cooking of cooking materials based on the obtained user portrait data, food material information and dietary preference information. It does not require a cook to have cooking experience, and it can reduce the time for manual cooking. This can improve the intelligence and automation of cooking, reduce cooking difficulty and cost, and reduce manual operation time for cooking.BRIEF DESCRIPTION OF DRAWINGS

[0012] In order to describe the technical solutions according to the embodiments of the present disclosure more clearly, figures used in description of the embodiments will be introduced briefly below. Obviously, the figures described below only illustrate some embodiments of the present disclosure, and other figures can be obtained by those of ordinary skill in the art based on these drawings without any inventive efforts.

[0013] FIG. 1 is a schematic diagram showing an application scenario according to an embodiment of the present disclosure;

[0014] FIG. 2 is a schematic diagram showing another application scenario according to an embodiment of the present disclosure;

[0015] FIG. 3 is a flowchart illustrating an intelligent cooking method according to an embodiment of the present disclosure;

[0016] FIG. 4 is a schematic diagram showing an intelligent cooking method according to an embodiment of the present disclosure;

[0017] FIG. 5 is a schematic diagram showing an intelligent cooking method according to another embodiment of the present disclosure;

[0018] FIG. 6 is a schematic diagram showing an intelligent cooking method according to yet another embodiment of the present disclosure;

[0019] FIG. 7 is a schematic diagram showing an intelligent cooking method according to another embodiment of the present disclosure;

[0020] FIG. 8 is a schematic diagram showing an intelligent cooking method according to another embodiment of the present disclosure;

[0021] FIG. 9 is a schematic diagram showing an intelligent cooking method according to another embodiment of the present disclosure;

[0022] FIG. 10 is a schematic diagram showing an intelligent cooking method according to another embodiment of the present disclosure;

[0023] FIG. 11 is a schematic diagram showing an intelligent cooking method according to another embodiment of the present disclosure;

[0024] FIG. 12 is a schematic diagram showing an intelligent cooking method according to another embodiment of the present disclosure;

[0025] FIG. 13 is a schematic diagram showing an intelligent cooking apparatus 1300 according to an embodiment of the present disclosure; and

[0026] FIG. 14 is a schematic block diagram of an electronic device 1400 according to an embodiment of the present disclosure.DESCRIPTION OF EMBODIMENTS

[0027] The technical solutions in the embodiments of the present disclosure will be described clearly and completely below with reference to the figure in the embodiments of the present disclosure. Obviously, the described embodiments are only some embodiments, rather than all embodiments, of the present disclosure. All other embodiments obtained by those skilled in the art based on the embodiments in the present disclosure without inventive efforts are to be encompassed by the scope of the present disclosure.

[0028] It is to be noted that the terms "first" and "second" in the description and claims of the present disclosure and the above-mentioned figures are used to distinguish similar objects from each other, and are not necessarily used to describe a specific sequence or order. It should be understood that the data used in this way can be interchanged as appropriate such that the embodiments of the present disclosure can be implemented in orders other than those shown or described herein. In addition, the terms "comprising" and "having" and any variants thereof are intended to cover non-exclusive inclusions. For example, a process, method, system, product or device that includes a series of steps or units is not necessarily limited to those steps or units that are explicitly listed, and may include other steps or units that are not explicitly listed or are inherent to the process, method, product, or device.

[0029] As mentioned above, traditional cooking methods rely on human experience and manual methods to prepare food. When a cook has no cooking experience or insufficient cooking experience, it is difficult to prepare healthy food with good mouthfeel and taste. Moreover, traditional cooking methods require more manual operation time and higher labor costs.

[0030] In order to solve the above technical problems, the present disclosure can determine target cooking materials, target cooking steps and target cooking parameters based on obtained user portrait data, food material information and dietary preference information, and control a target intelligent kitchen utensil to execute the target cooking steps and to cook the target cooking materials according to the target cooking parameters, thereby achieving automated cooking of cooking materials. It does not require a cook to have cooking experience, and it can reduce the time for manual cooking. Thus, the solutions of the present disclosure can improve the intelligence and automation of cooking, reduce cooking difficulty and cost, and reduce manual operation time for cooking.

[0031] It should be understood that the technical solutions of the present disclosure can be, but not limited to being, applied to the following scenarios.

[0032] In some implementations, the technical solutions of the present disclosure can be applied to intelligent cooking scenarios. For example, it can be used in various cooking scenarios such as home cooking and restaurant cooking.

[0033] In some implementations, FIG. 1 is a schematic diagram showing an application scenario according to an embodiment of the present disclosure. As shown in FIG. 1, the application scenario may include an electronic device 110 and an intelligent kitchen utensil 120. The electronic device 110 can establish a connection with the intelligent kitchen utensil 120 through a wired network or a wireless network.

[0034] For example, the electronic device 110 may be a mobile phone, a tablet computer, a desktop, a laptop, a handheld computer, a notebook computer, a vehicle-mounted device, an Ultra-Mobile Personal Computer (UMPC) , a netbook, and a cellular phone, a Personal Digital Assistant (PDA) , an Augmented Reality (AR)  / Virtual Reality (VR) device, etc., and the present disclosure is not limited to these examples. The intelligent kitchen utensil 120 may be an intelligent stew pot, an intelligent oven, or an intelligent wok, and the present disclosure is not limited to these examples.

[0035] For example, the electronic device 110 can send a control instruction to the intelligent kitchen utensil 120 to monitor the intelligent kitchen utensil 120, and the intelligent kitchen utensil 120 can cook cooking materials according to the control instruction. For example, an intelligent kitchen utensil application (App) can be installed on the electronic device 110, and the electronic device can obtain a user's selection operation on a button in the intelligent kitchen utensil APP and send the control instruction to the intelligent kitchen utensil 120 .

[0036] In addition, FIG. 1 exemplarily shows one electronic device and one intelligent kitchen utensil. In fact, it may include other numbers of electronic devices and intelligent kitchen utensils, and the present disclosure is not limited to this.

[0037] In other implementations, FIG. 2 is a schematic diagram showing another application scenario according to an  embodiment of the present disclosure. As shown in FIG. 2, the application scenario may include an electronic device 210. The electronic device 210 and the target intelligent kitchen utensil in the technical solution of the present disclosure is the same device.

[0038] For example, the electronic device 210 may include a camera, a touch button, a voice transceiver module, and a cooking module. Here, the electronic device 210 may obtain a user's user portrait data, food material information, and dietary preference information based on the camera, touch button, and voice transceiver module, and cook cooking materials based on the cooking module.

[0039] After introducing the application scenarios of the technical solutions of the present disclosure, the technical solutions of the present disclosure will be elaborated below:

[0040] FIG. 3 is a flowchart illustrating an intelligent cooking method provided by an embodiment of the present disclosure. The method can be performed by the electronic device 110 and the intelligent kitchen utensil 120 as shown in FIG. 1, or can be performed by the electronic device 210 as shown in FIG. 2, and the present disclosure is not limited to this. As shown in FIG. 3, the method may include the following steps:

[0041] at S310, obtaining user portrait data, food material information, and dietary preference information;

[0042] at S320, determining target cooking materials, target cooking steps, and target cooking parameters according to the user portrait data, the food material information, and the dietary preference information; and

[0043] at S330, controlling a target intelligent kitchen utensil to execute the target cooking steps to cook the target cooking materials according to the target cooking parameters.

[0044] It can be appreciated that a user portrait is user characteristics abstracted based on user attributes, consumption habits, browsing records, etc. An electronic device can infer user requirements based on the user portrait and provide the user with more efficient and customized services. For example, in the technical solutions of the present disclosure, the electronic device can determine user portrait data based on the user's age, region, food consumption records, and food data browsing records. The user portrait data may include, but not limited to, at least one of the following: favorite cuisine, most eaten food, favorite taste, and most browsed food.

[0045] For example, the food material information may be, but not limited to being, at least one of the following: a name of the food material, a picture of the food material, a quantity of the food material, a type of the food material, and a freshness of the food material. For example, the material information can be text "eggplant" , a voice "eggplant" , or an image including an eggplant.

[0046] For example, the dietary preference information may be, but not limited to being, at least one of the following: a preferred taste and a preferred mouthfeel. The preferred taste can be salty, spicy, sweet or sour-sweet, etc. The preferred mouthfeel can be crispy, soft or mild.

[0047] In some implementations, the electronic device can display a cooking information input interface. The cooking information input interface can include a food material information input box and a dietary preference information input box. In the cooking information input interface, based on the electronic device, the user can input the food material information in the food material information input box, and input the dietary preference information in the dietary preference information input box, such that the electronic device can obtain the food material information and dietary preference information. Here, both the food material information and the dietary preference information can be in at least one of text form, image form, and voice form.

[0048] For example, the electronic device can display the cooking information input interface as shown in FIG. 4. The user can input the food material information, "eggplant, minced meat" , and the dietary preference information, "salty taste, mild mouthfeel" , on the interface based on the electronic device.

[0049] In some implementations, before the above step S310, the method may further include: outputting voice information, the voice information being used to obtain cooking requirement data; and obtaining a user instruction generated based on the voice information, the user instruction including the cooking requirement data. The above step S320 may include: determining the target cooking materials, the target cooking steps, and the target cooking parameters according to the user portrait data, the food material information, the dietary preference information, and the user instruction. In this way, the  electronic device can proactively ask questions and guide the user to provide more key information. That is, the electronic device can meet the user's requirements more conveniently and precisely by means of conversational intelligent interaction, so as to further improve the intelligence of cooking.

[0050] For example, the electronic device may include an intelligent dialogue system. The electronic device may have a natural dialogue with the user using the intelligent dialogue system and understand the user's detailed cooking requirements. Here, the intelligent dialogue system can be a question and answer model based on Bidirectional Encoder Representations from Transformers (BERT) , and the present disclosure is not limited to this.

[0051] Exemplarily, the cooking requirement data may include, but not limited to, at least one of the following: kitchen utensils to be used, expected cooking time, preferred taste and mouthfeel, and food to be cooked.

[0052] For example, after the electronic device outputs the voice information, it can obtain the user's voice data. Then, the electronic device can use natural language processing technology to transcribe and analyze the user's voice data in real time to identify key information such as the name, mouthfeel and taste requirements of the dish, so as to obtain the user instruction. Here, the natural language processing technology can be a Long Short Term Memory (LSTM) network. Alternatively, the user instruction obtained by the electronic device may be the user's voice data obtained after outputting the voice information.

[0053] For example, when the electronic device performs voice interaction with the user, the electronic device can also analyze the user's voice data based on emotion analysis technology and intent recognition technology to more accurately capture the user's requirements. For example, assuming that the user's voice data is "Let's eat something salty" , the electronic device can determine the user's taste requirement as "salty taste" based on intent recognition technology.

[0054] For example, the electronic device can display a voice interaction interface as shown in FIG. 5. The voice interaction interface can include a voice input button. The user can click or long-press the voice input button to input voice data. The electronic device can display the text corresponding to the output voice information and the text corresponding to the user instruction in the voice interaction interface. For example, as shown in FIG. 5, the electronic device can output the voice message "What kitchen utensils do you want to use for cooking" , and display the text corresponding to the voice message "What kitchen utensils do you want to use for cooking" in the voice interaction interface. Then, after obtaining the voice information, the user can make the voice "need to use the intelligent wok" , and the electronic device can determine the user instruction as "intelligent wok" based on the voice "need to use the intelligent wok" and display the user instruction "intelligent wok" in the voice interaction interface.

[0055] In some implementations, the electronic device can use deep learning technologies such as Convolutional Neural Networks (CNN) to analyze images of materials or food uploaded by the user, and identify key information such as the type, freshness, and quantity of the food materials, and determine the key information as the food material information. Specifically, the electronic device can first perform preprocessing, such as scaling, cropping, enhancing, etc., on the input images, and then the electronic device can use a trained deep learning model to extract and classify the preprocessed images, so as to determine key information such as type, freshness, and quantity of the food materials. In addition, the electronic devices can also take pictures of the food materials first, and then use the deep learning technology to analyze the pictures of the food materials.

[0056] Exemplarily, the electronic device can display a cooking information input interface as shown in FIG. 6. The cooking information input interface can include a shooting button and a shooting area. The electronic device can respond to the user's click operation on the shooting button, and take a picture of the food materials in the shooting area to obtain the image of the food materials. Then, a CNN can be used to analyze the image of the food materials to determine the key information such as type, freshness, and quantity of the food materials, and determine the key information as the food material information.

[0057] Exemplarily, the electronic device may include a food material identification area. As shown in FIG. 7, the user can put food materials into the food material identification area of the electronic device. Then, the electronic device can identify and analyze the food materials put in by the user to determine the key information such as type, freshness, and quantity of the food materials, and determine the key information as the food material information.

[0058] In some implementations, the electronic device can use the GPT technology to intelligently identify the users' cooking requirements and mouthfeel and taste intentions, achieve rapid understanding and response to the user requirements, and provide a basis for subsequent intelligent recipe generation. Here, the GPT technology can be used for voice recognition and natural language processing.

[0059] In the above process, the electronic device can obtain the user's requirements for cooking by means of voice recognition, image recognition, etc., e.g., obtain information like the dishes the user wants to cook, the required mouthfeel and taste, etc., thereby achieving rapid understanding and response to the user requirements, and providing a basis for subsequent intelligent recipe generation.

[0060] In some implementations, the above step S320 may include: determining a plurality of recipes based on the user portrait data, the food material information, and the dietary preference information; determining a target recipe from the plurality of recipes; and determining the target cooking materials according to the target recipe, and determining the target cooking steps and the target cooking parameters according to the target recipe.

[0061] Referring to the above embodiments, the electronic device can also determine the plurality of recipes based on the user portrait data, the food material information, the dietary preference information, and the user instruction.

[0062] For example, the electronic device can first perform keyword extraction on the user portrait data, the food material information, and the dietary preference information to determine at least one keyword. Then, the electronic device can search for recipes in a recipe library based on at least one keyword, so as to determine the plurality of recipes. Here, the recipe library may be a database storing a number of recipes.

[0063] For example, assuming that the user portrait data is as follows: the most frequently eaten food is eggplant, the food material information is eggplant, and the dietary preference information is salty taste preferred, then the electronic device can perform keyword extraction on the user portrait data, food material information, and diet preference information, to determine the keywords as "eggplant" and "salty taste" , search in the recipe library based on these keywords, and determine a plurality of recipes including: a minced pork and eggplant recipe, an eggplant soup recipe, and a braised eggplant recipe.

[0064] For example, the electronic device can use collaborative filtering and deep learning-based recommendation algorithms to process the user profile data, food material information, and dietary preference information, to generate personalized intelligent recipes (i.e., the plurality of recipes described above) . Here, the collaborative filtering is a recommendation algorithm that can predict the content that the user may be interested in based on the user's historical data, such as the above user portrait data, food material information and dietary preference information. The collaborative filtering can include user-based collaborative filtering and item-based collaborative filtering.

[0065] In addition, the electronic device can also use an association rule mining technology to process the user portrait data, food material information and dietary preference information to determine the user's potential dietary preferences and generate more accurate recipe recommendations based on the user's actual requirements.

[0066] For example, the above operation of determining the target recipe from the plurality of recipes may include: determining attribute information of each of the plurality of recipes; and determining the target recipe based on the attribute information of the plurality of recipes. The attribute information may include at least one of the following: nutritional value information, food calorie information, food taboo information, cooking time consumption information, and cooking difficulty information.

[0067] For example, the electronic device can determine the attribute information of each of the plurality of recipes, and display the attribute information of each of the plurality of recipes on the recipe selection interface as shown in FIG. 8. The user can select the target recipe from the plurality of recipes according to the attribute information of the plurality of recipes displayed on the recipe selection interface. Specifically, the electronic device can obtain the user's click operation on the target attribute information displayed on the recipe selection interface, and in response to the click operation, determine the recipe corresponding to the target attribute information as the target recipe.

[0068] For example, the electronic device can first determine a matching relationship between ages, physical conditions and recipes. Next, the electronic device can obtain the user's physical condition and age, and then, based on the  user's physical condition and age, select from the plurality of recipes a recipe that matches the user's physical condition and age as the target recipe, so as to meet the personalized requirements of the user. Here, the physical condition may include disease data, blood pressure and blood sugar data, height and weight data, etc.

[0069] For example, assuming that eating the food in Recipe 1 is beneficial to the physical health of the user at Age 1 and with Physical Condition 1, and eating the food in Recipe 2 is beneficial to the physical health of the user at Age 2 and Physical Condition 2, the electronic device can determine the matching relationship between i) ages and physical conditions and ii) recipes as: Recipe 1 corresponds to Age 1 and Physical Condition 1, and Recipe 2 corresponds to Age 2 and Physical Condition 2. If the electronic device obtains the user's age and physical condition as Age 1 and Physical Condition 1, and the plurality of recipes include Recipe 1 and Recipe 2, then according to the above matching relationship, the electronic device can determine that Age 1 and Physical Condition 1 match Recipe 1, then the electronic device can determine that the target recipe as Recipe 1.

[0070] In some implementations, the above operation of determining the target cooking steps and target cooking parameters based on the target recipe may include: determining a plurality of intelligent kitchen utensil combinations each capable of executing the target recipe; determining cooking steps and cooking parameters for executing the target recipe according to each of the plurality of intelligent kitchen utensil combinations, each intelligent kitchen utensil combination including at least one intelligent kitchen utensil; selecting a target intelligent kitchen utensil combination from the plurality of intelligent kitchen utensil combinations; determining cooking steps corresponding to the target intelligent kitchen utensil combination as the target cooking steps, and determining cooking parameters corresponding to the target intelligent kitchen utensil combination as the target cooking parameters. The above step S330 may include: controlling an intelligent kitchen utensil in the target intelligent kitchen utensil combination to cook the target cooking materials according to the target cooking steps and the target cooking parameters.

[0071] For example, the cooking steps may refer to steps that the intelligent kitchen utensil needs to perform when cooking food. For example, assuming that the intelligent kitchen utensil is an intelligent wok, the cooking steps may be as follows: the intelligent wok first stir-fries the food with high heat at 100 degrees Celsius for 5 minutes, and then stir-fries the food with low heat at 50 degrees Celsius for 2 minutes. The cooking parameters may include, but not limited to, at least one of: temperature of the food during cooking, humidity of the food during cooking, cooking time length, and temperature generated by the intelligent kitchen utensil during cooking. The target cooking materials refer to the food that needs to be cooked when cooking according to the target cooking steps and target cooking parameters, that is, the food materials in the target recipe.

[0072] For example, the electronic device can convert the target recipe into specific cooking steps and cooking parameters based on knowledge graph technology, such that the target cooking steps and target cooking parameters can be determined.

[0073] For example, the electronic device can use Constraint Satisfaction Problem (CSP) solving technology to optimize and adjust the target recipe for different intelligent kitchen utensil combinations, and determine the cooking steps and cooking parameters for each of the plurality of intelligent kitchen utensil combinations to execute the target recipe. In this way, the electronic device can generate customized cooking recipes for saucepan, oven, or air fryer.

[0074] In the above embodiments, the electronic device can generate personalized intelligent recipes using machine learning algorithms based on the user portrait data, food material information and dietary preference information, in combination with the user's age and physical condition, and then determine the cooking steps, cooking parameters and cooking materials.

[0075] In addition, the electronic device can also display attribute information such as nutritional value, cooking time, etc., of each recipe to facilitate user selection.

[0076] In some implementations, the target intelligent kitchen utensil may include a stirrer and a temperature control module. The above step S330 may include: identifying a food material area where the target cooking materials are located; collecting image information, first temperature information, and humidity information of the food material area; adjusting, based on the target cooking parameters, a stirring parameter of the stirrer and a temperature value of the temperature control  module according to at least one of the image information, the first temperature information, and the humidity information; and cooking the cooking materials with the stirrer having the adjusted stirring parameter and the temperature control module having the adjusted temperature value.

[0077] For example, during the cooking process, the electronic device can collect image information and use image recognition technology such as CNN to process the image information to analyze the appearance of the target cooking materials and determine the degree of cooking of the target cooking materials. For example, when the target cooking material is steak, the electronic device can determine how the steak is cooked based on the image information of the steak, so as to control the temperature value of the temperature control module and the stirring parameter of the stirrer based on the determination result.

[0078] For example, during the cooking process, the electronic device can use Internet of Things (IoT) technology to communicate in real time with various sensors, such as temperature sensor, humidity sensor, etc., to collect the temperature information and humidity information of the food material area using the sensors. The temperature sensor may be an infrared array temperature sensor.

[0079] In some implementations, the electronic device can identify the food material area where the target cooking material is located in any of the following schemes.

[0080] In Scheme 1, the electronic device can obtain an infrared temperature image and an RGB image of an inner wall of the target intelligent kitchen utensil. Then, the electronic device can fuse the infrared temperature image and the RGB image to obtain a fused image. Finally, the electronic device can process the fused image based on a deep learning model to obtain the food material area.

[0081] For example, the electronic device can take a picture of the inner wall of the target intelligent kitchen utensil based on an infrared camera to obtain the infrared temperature image, and take a picture of the inner wall of the target intelligent kitchen utensil based on a camera to obtain the RGB image. Then, the electronic device can register the infrared temperature image and the RGB image to fuse the infrared temperature image and the RGB image in a same coordinate system to obtain the fused image. Then, the electronic device can use a deep learning model, such as CNN, to perform feature extraction on the fused image. Next, the electronic device can combine the feature extraction results and use an image segmentation method, such as Mask R-CNN, U-Net, etc., to segment the fused image, so as to obtain the food material area and a packaging material area.

[0082] Scheme 2 may include generating a temperature matrix according to temperatures of an inner wall of the target intelligent kitchen utensil; quantizing elements in the temperature matrix into a plurality of temperature levels; counting the number of elements corresponding to each of the plurality of temperature levels; drawing a temperature histogram according to the plurality of temperature levels and the number of elements corresponding to each of the plurality of temperature levels, the temperature histogram having an abscissa representing the plurality of temperature levels and an ordinate representing the number of elements corresponding to each of the plurality of temperature levels; and determining the food material area based on the temperature histogram. Specifically, the above operation of determining the food material area according to the temperature histogram may include: setting a plurality of predetermined thresholds; determining, for any of the plurality of predetermined thresholds, any number of elements in the temperature histogram that is greater than the predetermined threshold as a first category, and any number of elements in the temperature histogram that is smaller than or equal to the predetermined threshold as a second category, and calculating an inter-category variance between the first category and the second category; determining a largest inter-category variance among a plurality of inter-category variances; and determining the food material area according to the first category and the second category corresponding to the largest inter-category variance.

[0083] For example, the electronic device can use an infrared array temperature sensor to collect temperatures of the inner wall of the target intelligent kitchen utensil and obtain infrared temperature array data. Then, the electronic device can perform preprocessing such as denoising and missing value population on the infrared temperature array data. Then, the electronic device can normalize the preprocessed infrared temperature array data and map the infrared temperature array data to a unified range, such as 0-1, to eliminate dimensional differences of the data. Then, the electronic device can generate a  temperature matrix based on the normalized infrared temperature array data.

[0084] For example, the electronic device can use a maximum inter-category variance method (OTSU algorithm) to determine the predetermined threshold. The OTSU algorithm is an algorithm that automatically determines the optimal threshold. It can find a set of optimal segmentation points in the image to maximize the inter-category variance of the two areas, e.g., maximizing the inter-category variance of the food material area and the packaging material area, so as to determine the food material area.

[0085] For example, assuming that the temperature matrix generated by the electronic device is shown in FIG. 9, the electronic device can discretize the elements in the temperature matrix and quantize them into a limited number of levels, such as 256 levels or 6 levels. For example, during the discretization processing, the electronic device can determine that 0℃to 10℃, 11℃ to 20℃, 21℃ to 30℃, 31℃ to 40℃, 41℃ to 50℃, and 51℃ to 60℃ correspond to temperature levels of 1, 2, 3, 4, 5, and 6, respectively. The electronic device can quantize the elements in the temperature matrix in FIG. 9 to obtain a level matrix as shown in FIG. 9. Then, the electronic device can count the numbers of elements corresponding to the temperature levels 1, 2, 3, 4, 5, and 6, respectively, as 1, 4, 7, 3, 6, and 3. Then, the electronic device can draw a temperature histogram as shown in FIG. 9 based on the above plurality of temperature levels and the number of elements corresponding to each of the plurality of temperature levels. Then, the electronic device can set a predetermined threshold t, where t is a real number, and traverse all possible values of t. For each value of t, the number of elements smaller than or equal to t is regarded as a second category, and the number of elements greater than t is regarded as a first category. The weighted variance of each of the first category and the second category is calculated, and the difference between the respective weighted variances of the first category and the second category is determined as the inter-category variance between the first category and the second category. Then, the electronic device can determine that the predetermined threshold corresponding to the largest inter-category variance among multiple inter-category variances as the optimal threshold. For the optimal threshold, the difference between the first category and the second category is maximized, such that the food material area and packaging material area can be well separated. Finally, the electronic device can determine the food material area and packaging material area based on the temperature distribution of the food material and packaging material. When the temperature of the food material is lower than the temperature of the packaging material, the area corresponding to the temperature level that is smaller than or equal to the optimal threshold can be determined as the food material area, and the area corresponding to the temperature level higher than the optimal threshold is determined as the packaging material area. When the temperature of the food material is higher than or equal to the temperature of the packaging material, the area corresponding to the temperature level greater than the optimal threshold can be determined as the food material area, and the area corresponding to the temperature level smaller than or equal to the optimal threshold can be determined as the packaging material area.

[0086] For example, as shown in FIG. 10, the grid area in FIG. 10 represents the food material area, and the white area represents the packaging material area.

[0087] In some implementations, the above operation of adjusting, based on the target cooking parameters, the stirring parameter of the stirreraccording to at least one of the image information, the first temperature information, and the humidity information may include: dividing the food material area into a plurality of temperature areas according to the first temperature information, identifying at least one cold spot region and at least one hot spot region from the plurality of temperature regions; drawing first temperature distribution curves for a plurality of time instances according to coordinate information and first temperature information corresponding to each of the at least one cold spot area and the at least one hot spot area; and adjusting the stirring parameter of the stirrer according to the first temperature distribution curves for the plurality of time instances and the target cooking parameters. Here, the coordinate information corresponding to the cold spot area may be location information of the cold spot area in the food material area, and the coordinate information corresponding to the hot spot area may be location information of the hot spot area in the food material area.

[0088] Specifically, the above operation of adjusting the stirring parameter of the stirrer according to the first temperature distribution curves for the plurality of time instances and the target cooking parameters may include: determining a target cold spot area with a highest temperature increasing rate according to the first temperature distribution curves for the plurality of time instances; adjusting a stirring position of the stirrer according to coordinate information corresponding to the  target cold spot area such that the stirrer points to the target cold spot area, and adjusting a rotation speed and a rotation direction of the stirrer such that the stirrer stirs a food material corresponding to the target cold spot area; collecting second temperature information of the food material area after a target time length, and drawing a second temperature distribution curve according to the second temperature information; determining whether a temperature in the second temperature distribution curve is within a predetermined temperature range, the predetermined temperature range being included in the target cooking parameters; and adjusting, when the temperature in the second temperature distribution curve is within the predetermined temperature range, the stirring parameter of the stirrer such that the stirrer stops stirring, or re-obtaining, when the temperature in the second temperature distribution curve is not within the predetermined temperature range, temperature information of the food material area, updating the first temperature distribution curves for the plurality of time instances according to the re-obtained temperature information, and continuing to determine a target cold spot area with the highest temperature increasing rate according to the first temperature distribution curves for the plurality of time instances, until the stirrer stops stirring.

[0089] For example, the electronic device may first obtain first temperature information of the food material area using an infrared array temperature sensor. The first temperature information may be infrared temperature array data. Then, the infrared temperature array data can be normalized, and spatial analysis and clustering methods, such as K-means clustering algorithm, can be used to divide the normalized infrared temperature array data into K different areas, where K is a positive integer. Each area corresponds to a heat level. For example, the infrared temperature array data may be divided into three areas: a high temperature area, a medium temperature area, and a low temperature area. The electronic device can then calculate the temperature mean and variance for each area, identify, among all areas, the area with the highest temperature as the hot spot area and the area with the lowest temperature as the cold spot area. In order to more accurately identify the cold spot area and the hot spot area, the electronic device can use a spatial autocorrelation index such as Moran's I to evaluate the similarity between the areas. Since a high spatial autocorrelation of an area may indicate that the temperature distribution in the area has a significant agglomeration, an area with a high spatial autocorrelation can be determined as the cold spot area or hot spot area. Alternatively, an infrared array temperature sensor can be installed on the stirrer, and the electronic device can set the rotation speed and rotation range of the stirrer such that the stirrer can cover the entire food material area to perform a global scan with the stirrer and capture all cold spot areas within the food material area using the infrared temperature array. Then, the electronic device can reconstruct a temperature field using an interpolation method to obtain the first temperature distribution curve. The interpolation method can be the Kriging interpolation method, which is a commonly used geostatistical method that can utilize the spatial correlation between data for prediction. With the Kriging interpolation method, the electronic device can generate a smooth temperature distribution curve between the first temperature information corresponding to the cold spot area and the first temperature information corresponding to the hot spot area, thereby better describing the temperature changes during food cooking and determining more detailed temperature distribution information.

[0090] For example, the electronic device can adjust the power of the temperature control module using a PID control algorithm to achieve fine control of the temperature of the cooking process.

[0091] Exemplarily, the electronic device can determine at least one time sequence based on the first temperature information of at least one cold spot area at a plurality of time instances. The time sequence includes the first temperature information of each of the plurality of time instances. Then, the electronic device can calculate a temperature change rate in each time sequence, and determine the cold spot area corresponding to the time sequence with the largest temperature change rate as the cold spot with the highest temperature increasing rate, that is, the target cold spot area. Then, the electronic device can convert the coordinate information of the target cold spot area into a stirring position, e.g., converting the coordinate information of the target cold spot area into a stirrer rotation angle, and control the rotation angle of the stirrer using PID such that the stirrer can point to the cold spot area, and control the stirrer to stir the materials corresponding to the target cold spot area. Alternatively, the stirrer's rotation speed and rotation direction can be adjusted. After the stirrer maintains at the current angle for stirring for a period of time, the stirrer can re-perform a global scan to capture the cold spot area in the food material area, and repeat the above steps to re-determine the target cold spot area and update the pointing direction of the stirrer. During each iteration, the electronic device can monitor the temperature of the food area in real time. When the  temperature of the food area is evenly heated to a predetermined temperature range or a target temperature, the adjustment process of the stirrer ends.

[0092] In some possible implementations, when the electronic device is a terminal device such as a mobile phone, the electronic device can seamlessly connect with various intelligent kitchen utensils such as intelligent stew pots, intelligent ovens, intelligent air fryers, etc., via API interfaces or communication protocols, to automatically control the start, stop, temperature, time and other parameters of the intelligent kitchen utensils during the cooking process, thereby achieving automation and intelligence in the cooking process.

[0093] In the above embodiment, the electronic device can monitor and adjust the cooking process by wireless connection with the intelligent kitchen utensils. During the cooking process, the electronic device can automatically control the intelligent kitchen utensils to complete various cooking stages, such as food material preparation, stirring, stir-frying, stewing, baking, etc., according to the target cooking steps and target cooking parameters. At the same time, the electronic device can use IoT technology to communicate in real time with various sensors such as temperature sensors, humidity sensors, etc., monitor the cooking status, and feed back the data during the cooking process to the electronic device in real time, so that the intelligent kitchen utensils can be adjusted when needed, e.g., automatically adjusting the speed, strength and direction of the stirrer to ensure that food is always heated evenly, thereby ensuring that the mouthfeel and taste of the food meet the user requirements.

[0094] In some implementations, the electronic device can display a cooking sharing information input interface, and obtain cooking sharing information inputted by a user on the cooking sharing information input interface. Then, the electronic device can display the cooking sharing information on an intelligent cooking community interface. Here, the intelligent cooking community interface may include relevant sharing content that is determined based on the user portrait data of the user. For example, the electronic device can display a cooking sharing information input interface and an intelligent cooking community interface as shown in FIG. 9.

[0095] In the above embodiment, the electronic device can provide a cooking community function, that is, the user can share his or her cooking experience, recipes, insights, etc., with other users via the cooking sharing information input interface. The electronic device can provide the user with recommended relevant content shared by other users based on the user's preference and recipe history. The user can view relevant content shared by other users via the intelligent cooking community interface, which helps improve user satisfaction and promotes construction and development of the intelligent cooking community.

[0096] In some implementations, after the cooking is completed, the electronic device can collect user feedback information. The user feedback information may include the user's suggestions for intelligent cooking using the electronic device, e.g., the heating speed is too slow. Afterwards, the electronic device can use GPT technology to continuously optimize the algorithm in the cooking process based on the user feedback information, thereby improving cooking quality and user satisfaction.

[0097] For example, the electronic device can combine the feedback information and real-time data during the cooking process to optimize the cooking plan using machine learning algorithms. For example, reinforcement learning, such as Q-learning and Deep Q-Network, can be used to continuously learn and adjust the cooking plan in a number of simulated cooking processes to better meet the user requirements.

[0098] In some possible implementations, in the above cooking method, the electronic device can use edge computing technology to migrate part of the computing tasks from the cloud to the device side, that is, part of the computing tasks are handled at the electronic device, thereby achieving real-time monitoring and feedback of the cooking process more quickly. In this way, the speed and efficiency of data processing can be improved, communication delays can be reduced, and the user can check the cooking status at any time, thereby ensuring the safety and deliciousness of the food and providing the user with a smoother cooking experience.

[0099] In some implementations, as shown in FIG. 12, the electronic device can identify the food material pictures according to an algorithm based on a computer model and obtain the food material information. The intelligent kitchen utensil can perform voice interaction with the user, convert the user's language into first text information based on a voice  recognition algorithm, and determine second text information such as the user's mouthfeel based on the user portrait data. Alternatively, the second text information can also be inputted by the user based on the intelligent kitchen utensil. Then, the first text information and the second text information can be converted into a user taste requirement and a user mouthfeel requirement based on a natural language processing algorithm. Then, logical reasoning can be performed on the food material information, user taste requirement and user mouthfeel requirement to determine the intelligent recipe. Then, the type of food materials and the mouthfeel requirement in the intelligent recipe can be determined based on a decision tree, and an intelligent cooking plan can be generated based on the type of food materials and the mouthfeel requirement in the intelligent recipe, and the intelligent kitchen utensil can be controlled to execute the cooking plan to obtain the target food.

[0100] It should be noted that all the above technical solutions can be combined in any way to form optional embodiments of the present disclosure, and description thereof will be omitted here.

[0101] It should be noted that in the above embodiments, relevant data such as voice, images, text, user portrait, etc., has obtained user permission, consent or authorization, and comply with relevant laws, regulations and standards.

[0102] FIG. 13 is a schematic diagram of an intelligent cooking apparatus 1300 according to an embodiment of the present disclosure. As shown in FIG. 13, the intelligent cooking apparatus 1300 includes:

[0103] a first obtaining module 1310 configured to obtain user portrait data, food material information, and dietary preference information;

[0104] a determining module 1320 configured to determine target cooking materials, target cooking steps, and target cooking parameters according to the user portrait data, the food material information, and the dietary preference information; and

[0105] a control module 1330 configured to control a target intelligent kitchen utensil to execute the target cooking steps to cook the target cooking materials according to the target cooking parameters.

[0106] In some implementations, the determining module 1320 may be configured to: determine a plurality of recipes based on the user portrait data, the food material information, and the dietary preference information; determine a target recipe from the plurality of recipes; determine the target cooking materials according to the target recipe, and determine the target cooking steps and the target cooking parameters according to the target recipe.

[0107] In some implementations, the determining module 1320 may be configured to: determine a plurality of intelligent kitchen utensil combinations each capable of executing the target recipe; determine cooking steps and cooking parameters for executing the target recipe according to each of the plurality of intelligent kitchen utensil combinations, each intelligent kitchen utensil combination including at least one intelligent kitchen utensil; select a target intelligent kitchen utensil combination from the plurality of intelligent kitchen utensil combinations; and determine the cooking steps corresponding to the target intelligent kitchen utensil combination as the target cooking steps, and determine the cooking parameters corresponding to the target intelligent kitchen utensil combination as the target cooking parameters. The control module 1330 may be configured to control an intelligent kitchen utensil in the target intelligent kitchen utensil combination to cook the target cooking materials according to the target cooking steps and the target cooking parameters.

[0108] In some implementations, the target intelligent kitchen utensil may include a stirrer and a temperature control module. The control module 1330 may be configured to: identify a food material area where the target cooking materials are located; collect image information, first temperature information, and humidity information of the food material area; adjust, based on the target cooking parameters, a stirring parameter of the stirrer and a temperature value of the temperature control module according to at least one of the image information, the first temperature information, and the humidity information; and cook the cooking materials with the stirrer having the adjusted stirring parameter and the temperature control module having the adjusted temperature value.

[0109] In some implementable ways, the control module 1330 may be configured to: obtain an infrared temperature image and an RGB image of an inner wall of the target intelligent kitchen utensil; fuse the infrared temperature image and the RGB image to obtain a fused image; and process the fused image based on a deep learning model to obtain the food material area.

[0110] In some implementations, the control module 1330 may be configured to: generate a temperature matrix  according to temperatures of an inner wall of the target intelligent kitchen utensil; quantize elements in the temperature matrix into a plurality of temperature levels; count the number of elements corresponding to each of the plurality of temperature levels; draw a temperature histogram according to the plurality of temperature levels and the number of elements corresponding to each of the plurality of temperature levels, the temperature histogram having an abscissa representing the plurality of temperature levels and an ordinate representing the number of elements corresponding to each of the plurality of temperature levels; and determine the food material area based on the temperature histogram.

[0111] In some implementations, the control module 1330 may be configured to: set a plurality of predetermined thresholds; determine, for any of the plurality of predetermined thresholds, any number of elements in the temperature histogram that is greater than the predetermined threshold as a first category, and any number of elements in the temperature histogram that is smaller than or equal to the predetermined threshold as a second category, and calculate an inter-category variance between the first category and the second category; determine a largest inter-category variance among a plurality of inter-category variances; and determine the food material area according to the first category and the second category corresponding to the largest inter-category variance.

[0112] In some implementations, the control module 1330 may be configured to: divide the food material area into a plurality of temperature areas according to the first temperature information; identify at least one cold spot region and at least one hot spot region from the plurality of temperature regions; draw first temperature distribution curves for a plurality of time instances according to coordinate information and first temperature information corresponding to the at least one cold spot area and the at least one hot spot area; and adjust the stirring parameter of the stirrer according to the first temperature distribution curves for the plurality of time instances and the target cooking parameters.

[0113] In some implementations, the control module 1330 may be configured to: determine a target cold spot area with a highest temperature increasing rate according to the first temperature distribution curves for the plurality of time instances; adjust a stirring position of the stirrer according to coordinate information corresponding to the target cold spot area such that the stirrer points to the target cold spot area, and adjust a rotation speed and a rotation direction of the stirrer such that the stirrer stirs a food material corresponding to the target cold spot area; collect second temperature information of the food material area after a target time length, and draw a second temperature distribution curve according to the second temperature information; determine whether a temperature in the second temperature distribution curve is within a predetermined temperature range, the predetermined temperature range being included in the target cooking parameters; and adjust, when the temperature in the second temperature distribution curve is within the predetermined temperature range, the stirring parameter of the stirrer such that the stirrer stops stirring, or re-obtain, when the temperature in the second temperature distribution curve is not within the predetermined temperature range, temperature information of the food material area, update the first temperature distribution curves for the plurality of time instances according to the re-obtained temperature information, and continue to determine a target cold spot area with the highest temperature increasing rate according to the first temperature distribution curves for the plurality of time instances, until the stirrer stops stirring.

[0114] In some implementations, the apparatus 1300 may further include: an outputting module 1340 and a second obtaining module 1350. The outputting module 1340 may be configured to: output voice information, the voice information being used to obtain cooking requirement data, and the second obtaining module 1350 may be configured to: obtain a user instruction generated based on the voice information, the user instruction including the cooking requirement data. The determining module 1320 may be configured to: determine the target cooking materials, the target cooking steps, and the target cooking parameters according to the user portrait data, the food material information, and the dietary preference information, and the user instruction.

[0115] In some implementations, the apparatus 1300 may further include: a first display module 1360, a third obtaining module 1370, and a second display module 1380. The first display module 1360 may be configured to: display a cooking sharing information input interface. The third obtaining module 1370 may be configured to: obtain cooking sharing information inputted from a user on the cooking sharing information input interface. The second display module 1380 may be configured to: display the cooking sharing information on an intelligent cooking community interface. The intelligent cooking community interface may include relevant sharing content that is determined based on the user portrait data of the  user.

[0116] It should be understood that the apparatus embodiments and the method embodiments may correspond to each other, and for similar descriptions, reference can be made to the method embodiments and the details will be omitted here for simplicity. Specifically, the apparatus 1300 shown in FIG. 13 can execute the above method embodiments, and the above and other operations and / or functions of the respective modules in the apparatus 1300 are provided to implement the corresponding processes in the above method, and for the sake of brevity, details thereof will be omitted here.

[0117] The apparatus 1300 according to the embodiment of the present disclosure has been described above from the perspective of functional modules in conjunction with the figures. It should be understood that these functional modules can be implemented in the form of hardware, by means of instructions in the form of software, or as a combination of hardware and software modules. In particular, the steps of the above method embodiments of the present disclosure can be implemented by hardware integrated logic circuits in a processor or instructions in the form of software. The steps of the methods disclosed in the embodiments of the present disclosure may be directly embodied as being performed and completed by a hardware decoding processor, or by a combination of hardware and software modules in the decoding processor. Optionally, the software modules can be located in a known storage medium in the related art, such as random access memory, flash memory, read-only memory, programmable read-only memory, electrically erasable programmable memory, or register. The storage medium can be located in the memory, and the processor can read information from the memory and perform the steps of the above methods in combination with its hardware.

[0118] FIG. 14 is a schematic block diagram of an electronic device 1400 according to an embodiment of the present disclosure.

[0119] As shown in FIG. 14, the electronic device 1400 may include a memory 1410 and a processor 1420. The memory 1410 is configured to store a computer program and transmit program codes to the processor 1420. In other words, the processor 1420 can call and run the computer program from the memory 1410 to implement the methods in the embodiments of the present disclosure.

[0120] For example, the processor 1420 may be configured to execute the above method embodiments according to instructions in the computer program.

[0121] In some embodiments of the present disclosure, the processor 1420 may include, but not limited to, a general purpose processor, a Digital Signal Processor (DSP) , an Application Specific Integrated Circuit (ASIC) , a Field Programmable Gate Array (FPGA) or another programmable logic device, a discrete gate or transistor logic device, or a discrete hardware component.

[0122] In some embodiments of the present disclosure, the memory 1410 may include, but not limited to, a volatile memory or a non-volatile memory, or may include both volatile and non-volatile memories. Here, the non-volatile memory may be a Read-Only Memory (ROM) , a Programmable ROM (PROM) , an Erasable PROM (EPROM) , an Electrically EPROM (EEPROM) , or a flash memory. The volatile memory may be a Random Access Memory (RAM) , which is used as an external cache. As illustrative, rather than limiting, examples, many forms of RAMs are available, including Static RAM (SRAM) , Dynamic RAM (DRAM) , Synchronous DRAM (SDRAM) , Double Data Rate SDRAM (DDR SDRAM) , Enhanced SDRAM (ESDRAM) , Synchlink DRAM (SLDRAM) ) , and Direct Rambus RAM (DR RAM) .

[0123] In some embodiments of the present disclosure, the computer program can be divided into one or more modules, and the one or more modules may be stored in the memory 1410 and executed by the processor 1420 to complete the methods according to the present disclosure. The one or more modules may be a series of computer program instruction segments capable of completing specific functions. The instruction segments are used to describe the execution process of the computer program in the electronic device.

[0124] As shown in FIG. 14, the electronic device may further include: a transceiver 1430, which may be connected to the processor 1420 or the memory 1410.

[0125] Here, the processor 1420 can control the transceiver 1430 to communicate with other devices. Specifically, it can send information or data to other devices, or receive information or data sent by other devices. The transceiver 1430 may include a transmitter and a receiver. The transceiver 1430 may further include one or more antennas.

[0126] It should be understood that various components in the electronic device are connected through a bus system. In addition to a data bus, the bus system further includes a power bus, a control bus, and a status signal bus.

[0127] The present disclosure further provides a computer storage medium having a computer program stored thereon. When the computer program is executed by a computer, the computer can perform the methods according to the above method embodiments. In other words, an embodiment of the present disclosure also provides a computer program product containing instructions which, when executed by a computer, cause the computer to perform the methods according to the above method embodiments.

[0128] When implemented in software, it can be implemented in whole or in part in the form of a computer program product. The computer program product includes one or more computer instructions. When the computer program instructions are loaded and executed on a computer, all or part of the processes or functions described in the embodiments of the present disclosure are generated. The computer may be a general purpose computer, a special purpose computer, a computer network, or any other programmable device. The computer instructions may be stored in a computer-readable storage medium, or transmitted from one computer-readable storage medium to another. For example, the computer instructions may be transmitted from a website, computer, server, or data center to another website, computer, server, or data center via wired communication (e.g., coaxial cable, optical fiber, or Digital Subscriber Line (DSL) ) or wireless communication (e.g., infrared, wireless, microwave, etc. ) . The computer-readable storage medium may be any available medium that can be accessed by a computer, or a data storage device including one or more available mediums, such as a server, a data center, etc. The available mediums may include magnetic mediums (e.g., floppy disks, hard disks, magnetic tapes) , optical medium (e.g., Digital Video Disc (DVD) ) , or semiconductor mediums (e.g., Solid State Disk (SSD) ) , etc.

[0129] It can be appreciated by those skilled in the art that modules and algorithm steps in the examples described in connection with the embodiments disclosed herein can be implemented in electronic hardware or any combination of computer software and electronic hardware. Whether these functions are executed by hardware or software depends on specific applications and design constraint conditions of the technical solutions. Those skilled in the art may use different methods for each specific application to implement the described functions, and such implementation is to be encompassed by the scope of this disclosure.

[0130] In the embodiments of the present disclosure, it can be appreciated that the disclosed systems, devices, and methods may be implemented in other ways. For example, the device embodiments described above are illustrative only. For example, the divisions of the modules are only divisions based on logical functions, and there may be other divisions in actual implementations. For example, more than one module or component may be combined or integrated into another system, or some features can be ignored or omitted. In addition, the mutual coupling or direct coupling or communicative connection as shown or discussed may be indirect coupling or communicative connection between devices or modules via some interfaces which may be electrical, mechanical, or in any other forms.

[0131] The modules described as separate components may or may not be physically separated, and the components shown as modules may or may not be physical modules, that is, they may be co-located or distributed across a number of network elements. Some or all of the modules may be selected according to actual needs to achieve the objects of the solutions of the embodiments. For example, the functional modules in the embodiments of the present disclosure may be integrated into one processing module, or alternatively be separate physical modules, or two or more modules may be integrated into one module.

[0132] While the specific embodiments of the present disclosure have been described above, the scope of the present disclosure is not limited to these embodiments. Various variants and alternatives can be made by those skilled in the art without departing from the scope of the present disclosure. These variants and alternatives are to be encompassed by the scope of present disclosure as defined by the claims as attached.

Claims

1.An intelligent cooking method, comprising:obtaining user portrait data, food material information, and dietary preference information;determining target cooking materials, target cooking steps, and target cooking parameters according to the user portrait data, the food material information, and the dietary preference information; andcontrolling a target intelligent kitchen utensil to execute the target cooking steps to cook the target cooking materials according to the target cooking parameters.2.The method according to claim 1, wherein said determining the target cooking materials, the target cooking steps, and the target cooking parameters according to the user portrait data, the food material information, and the dietary preference information comprises:determining a plurality of recipes based on the user portrait data, the food material information, and the dietary preference information;determining a target recipe from the plurality of recipes; anddetermining the target cooking materials according to the target recipe, and determining the target cooking steps and the target cooking parameters according to the target recipe.3.The method according to claim 2, wherein said determining the target cooking steps and the target cooking parameters according to the target recipe comprises:determining a plurality of intelligent kitchen utensil combinations each capable of executing the target recipe;determining cooking steps and cooking parameters for executing the target recipe according to each of the plurality of intelligent kitchen utensil combinations, each intelligent kitchen utensil combination comprising at least one intelligent kitchen utensil;selecting a target intelligent kitchen utensil combination from the plurality of intelligent kitchen utensil combinations; anddetermining cooking steps corresponding to the target intelligent kitchen utensil combination as the target cooking steps, and determining cooking parameters corresponding to the target intelligent kitchen utensil combination as the target cooking parameters, andsaid controlling the target intelligent kitchen utensil to cook the target cooking materials according to the target cooking steps and the target cooking parameters comprises:controlling an intelligent kitchen utensil in the target intelligent kitchen utensil combination to cook the target cooking materials according to the target cooking steps and the target cooking parameters.4.The method according to any one of claims 1 to 3, wherein the target intelligent kitchen utensil comprises a stirrer and a temperature control module, and said controlling the target intelligent kitchen utensil to execute the target cooking steps to cook the target cooking materials according to the target cooking parameters comprises:identifying a food material area where the target cooking materials are located;collecting image information, first temperature information, and humidity information of the food material area;adjusting, based on the target cooking parameters, a stirring parameter of the stirrer and a temperature value of the temperature control module according to at least one of the image information, the first temperature information, and the humidity information; andcooking the cooking materials with the stirrer having the adjusted stirring parameter and the temperature control module having the adjusted temperature value.5.The method according to claim 4, wherein said identifying the food material area where the target cooking materials are located comprises:obtaining an infrared temperature image and an RGB image of an inner wall of the target intelligent kitchen utensil;fusing the infrared temperature image and the RGB image to obtain a fused image; andprocessing the fused image based on a deep learning model to obtain the food material area.6.The method according to claim 4, wherein said identifying the food material area where the target cooking materials are located comprises:generating a temperature matrix according to temperatures of an inner wall of the target intelligent kitchen utensil;quantizing elements in the temperature matrix into a plurality of temperature levels;counting a number of elements corresponding to each of the plurality of temperature levels;drawing a temperature histogram according to the plurality of temperature levels and the number of elements corresponding to each of the plurality of temperature levels, the temperature histogram having an abscissa representing the plurality of temperature levels and an ordinate representing the number of elements corresponding to each of the plurality of temperature levels; anddetermining the food material area based on the temperature histogram.7.The method according to claim 6, wherein said determining the food material area according to the temperature histogram comprises:setting a plurality of predetermined thresholds;determining, for any of the plurality of predetermined thresholds, any number of elements in the temperature histogram that is greater than the predetermined threshold as a first category, and any number of elements in the temperature histogram that is smaller than or equal to the predetermined threshold as a second category, and calculating an inter-category variance between the first category and the second category;determining a largest inter-category variance among a plurality of inter-category variances; anddetermining the food material area according to the first category and the second category corresponding to the largest inter-category variance.8.The method according to claim 4, wherein said adjusting, based on the target cooking parameters, the stirring parameter of the stirrer according to at least one of the image information, the first temperature information, and the humidity information comprises:dividing the food material area into a plurality of temperature areas according to the first temperature information;identifying at least one cold spot region and at least one hot spot region from the plurality of temperature regions;drawing first temperature distribution curves for a plurality of time instances according to coordinate information and first temperature information corresponding to each of the at least one cold spot area and the at least one hot spot area; andadjusting the stirring parameter of the stirrer according to the first temperature distribution curves for the plurality of time instances and the target cooking parameters.9.The method according to claim 8, wherein said adjusting the stirring parameter of the stirrer according to the first temperature distribution curves for the plurality of time instances and the target cooking parameters comprises:determining a target cold spot area with a highest temperature increasing rate according to the first temperature distribution curves for the plurality of time instances;adjusting a stirring position of the stirrer according to coordinate information corresponding to the target cold spot area such that the stirrer points to the target cold spot area, and adjusting a rotation speed and a rotation direction of the stirrer such that the stirrer stirs a food material corresponding to the target cold spot area;collecting second temperature information of the food material area after a target time length, and drawing a second temperature distribution curve according to the second temperature information;determining whether a temperature in the second temperature distribution curve is within a predetermined temperature range, the predetermined temperature range being comprised in the target cooking parameters; andadjusting, when the temperature in the second temperature distribution curve is within the predetermined temperature range, the stirring parameter of the stirrer such that the stirrer stops stirring, orre-obtaining, when the temperature in the second temperature distribution curve is not within the predetermined temperature range, temperature information of the food material area, updating the first temperature distribution curves for the plurality of time instances according to the re-obtained temperature information, and continuing to determine a target cold spot area with the highest temperature increasing rate according to the first temperature distribution curves for the plurality of time instances, until the stirrer stops stirring.10.The method according to any one of claims 1 to 3, further comprising, prior to determining the target cooking materials, the target cooking steps, and the target cooking parameters according to the user portrait data, the food material information, and the dietary preference information:outputting voice information, the voice information being used to obtain cooking requirement data; andobtaining a user instruction generated based on the voice information, the user instruction comprising the cooking requirement data,wherein said determining the target cooking materials, the target cooking steps, and the target cooking parameters according to the user portrait data, the food material information, and the dietary preference information comprises:determining the target cooking materials, the target cooking steps, and the target cooking parameters according to the user portrait data, the food material information, the dietary preference information, and the user instruction.11.The method according to any one of claims 1 to 3, further comprising:displaying a cooking sharing information input interface;obtaining cooking sharing information inputted by a user on the cooking sharing information input interface; anddisplaying the cooking sharing information on an intelligent cooking community interface;wherein the intelligent cooking community interface comprises relevant sharing content that is determined based on the user portrait data of the user.12.An intelligent cooking apparatus, comprising:a first obtaining module configured to obtain user portrait data, food material information, and dietary preference information;a determining module configured to determine target cooking materials, target cooking steps, and target cooking parameters according to the user portrait data, the food material information, and the dietary preference information; anda control module configured to control a target intelligent kitchen utensil to cook the target cooking materials according to the target cooking steps and target cooking parameters.13.An electronic device, comprising:a processor and a memory, wherein the memory is configured to store a computer program, the processor is configured to call and run the computer program stored in the memory to perform the method according to any one of claims 1 to 11.14.A computer-readable storage medium for storing a computer program, the computer program causing a computer to perform the method according to any one of claims 1 to 11.15.A computer program product containing instructions, the computer program product, when running on an electronic device, causing the electronic device to perform the method according to any one of claims 1 to 11.

Images