JP7641122B2

JP7641122B2 - 加熱調理器及び学習済みモデル生成方法

Info

Publication number: JP7641122B2
Application number: JP2021004942A
Authority: JP
Inventors: 哲児都甲
Original assignee: Sharp Corp
Current assignee: Sharp Corp
Priority date: 2021-01-15
Filing date: 2021-01-15
Publication date: 2025-03-06
Anticipated expiration: 2041-01-15
Also published as: JP2022109554A

Description

本発明は、加熱調理器及び学習済みモデル生成方法に関する。

特許文献１に記載の調理装置は、入力手段である操作入力装置と、加熱手段と、撮像装置と、中央情報処理装置とを備える。ユーザーは、操作入力装置により、あらかじめ提示されたメニューの中から希望する加熱メニューを設定する。撮像装置は、加熱前の食品を撮像する。中央情報処理装置は、操作入力装置により選択された加熱メニューがグリル系加熱であれば、食品の表面に焦げ色を付加するように、撮像した加熱前の映像を、仕上がり後の映像に加工する。そして、加熱手段は、食品（被加熱物）を加熱する。撮像装置は、さらに、加熱が行われる間に食品の映像を撮像する。中央情報処理装置は、加工した食品の映像と、加熱が行われる間に撮像された食品の映像とが一致するか否かを判断し、一致すると判断した場合、加熱出力を停止する。

特開平９－２２９３７３号公報

しかしながら、特許文献１に記載の調理装置において、ユーザーは、操作入力装置によって、あらかじめ提示されたメニューの中から希望する加熱メニューを設定する必要がある。従って、加熱メニューを設定する手間がユーザーにとって負担である。

本発明は上記課題に鑑みてなされたものであり、その目的は、加熱調理器を操作するユーザーの手間を軽減できる加熱調理器及び学習モデル生成方法を提供することを目的とする。

本願の一局面によれば、加熱調理器は、加熱部と、撮像部と、推定部と、加熱制御部とを備える。加熱部は、被加熱物を加熱する。撮像部は、前記被加熱物が加熱されている時に、前記被加熱物を撮像する。推定部は、前記撮像部の撮像結果に基づいて、前記被加熱物の加熱中に、前記被加熱物の名称を推定する。加熱制御部は、前記推定部の推定結果に応じて、前記加熱部を制御する。

本願の他の局面によれば、学習済みモデル生成方法は、学習データを取得するステップと、被加熱物の名称を推定する学習済みモデルを、前記学習データを機械学習することによって生成するステップとを含む。前記学習データは、料理を示す学習対象料理画像と、前記料理の名称を示す名称情報とを含む。

本発明によれば、加熱調理器を操作するユーザーの手間を軽減できる。

本発明の実施形態１に係る加熱調理器を示すブロック図である。実施形態１に係る加熱調理器の動作の概要を示すブロック図である。実施形態１に係る学習装置を示すブロック図である。実施形態１に係る学習データの一例を示す図である。実施形態１に係る学習データの他の一例を示す図である。実施形態１に係る学習データの他の一例を示す図である。実施形態１に係る学習データの他の一例を示す図である。実施形態１に係る学習データの他の一例を示す図である。実施形態１に係る学習データの他の一例を示す図である。実施形態１に係る学習済みモデルの入力情報及び出力情報を示すブロック図である。実施形態１に係る学習済みモデル生成方法を示すフローチャートである。実施形態１に係る撮像部の撮像結果の一例を示す図である。実施形態１に係る記憶部が記憶するテーブルを示す図である。実施形態１に係る加熱部の動作の一例を示す図である。実施形態１に係る加熱調理器が実行する処理を示すフローチャートである。本発明の実施形態２に係る加熱調理器を示すブロック図である。実施形態２に係る料理画像の一例を示す図である。実施形態２に係る料理画像の他の一例を示す図である。実施形態２に係る料理画像の他の一例を示す図である。実施形態２に係る料理画像の他の一例を示す図である。実施形態２に係る料理画像の他の一例を示す図である。実施形態２に係る料理画像の他の一例を示す図である。実施形態２に係る撮像部の撮像結果と加工後の撮像結果とを示す図である。実施形態２に係る加熱調理器が実行する処理を示すフローチャートである。実施形態１の変形例に係る学習データを示す図である。

本発明の実施形態について、図面を参照しながら説明する。なお、図中、同一又は相当部分については同一の参照符号を付して説明を繰り返さない。

まず、図１を参照して、加熱調理器１について説明する。図１は、加熱調理器１を示すブロック図である。

加熱調理器１は、例えば、電子レンジ、オーブン、炊飯器、又は電気鍋である。以下、加熱調理器１が電子レンジである場合を例に挙げて、本発明について説明する。図１に示すように、実施形態１において、加熱調理器１は、制御部１０と、記憶部２０と、加熱部３０と、撮像部４０と、操作部５０と、本体部（図示せず）とを備える。

本体部は、加熱庫を含む。加熱庫には、被加熱物が配置される。被加熱物は、例えば食材である。

加熱部３０は、加熱庫に配置された被加熱物を加熱する。実施形態１において、加熱部３０は、例えば、レンジ加熱機能、熱風循環加熱機能、及びグリル加熱機能を有する。レンジ加熱機能は、例えば、加熱庫内にマイクロ波を放射することによって、被加熱物を加熱調理する機能である。熱風循環加熱機能は、例えば、加熱庫内に熱風を循環させて加熱庫内の温度の均一化を図ったり、熱風を被加熱物の上面に直接吹き付けたりすることによって、被加熱物を加熱調理する機能である。グリル加熱機能は、主として、被加熱物を輻射熱に曝すことによって、被加熱物を加熱調理する機能である。つまり、加熱部３０は、例えば、マイクロ波供給部及びヒータを含む。

撮像部４０は、例えばカメラである。具体的には、撮像部４０は、例えば、ＣＣＤ（ＣｈａｒｇｅＣｏｕｐｌｅｄＤｅｖｉｃｅ）デジタルテレビジョンカメラ等で構成されたカメラである。撮像部４０は、例えば、加熱庫の外側であって、加熱庫を構成する壁面に形成された開口に対向するように設置される。撮像部４０は、例えば、加熱部３０によって被加熱物が加熱されている時に、被加熱物を撮像する。実施形態１において、撮像部４０は、例えば、所定時間ごとに被加熱物を撮像する。具体的には、撮像部４０は、例えば、加熱部３０によって被加熱物が加熱されている間、所定時間が経過する度に被加熱物を撮像する。例えば、所定時間は２秒である。

記憶部２０は、記憶装置を含み、ソフトウェアのようなコンピュータープログラム及び種々のデータを記憶する。具体的には、記憶部２０は、ＲＯＭ（ＲｅａｄＯｎｌｙＭｅｍｏｒｙ）、及びＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）のような主記憶装置（例えば、半導体メモリ）と、ソリッドステートドライブ、及び／又は、ハードディスクドライブのような補助記憶装置とを含む。記憶部２０は、リムーバブルメディアを含んでいてもよい。記憶部２０は、記憶媒体（例えば、非一時的コンピューター読取可能記憶媒体）の一例である。

また、記憶部２０は、例えば、学習済みモデルＬＭ及びテーブルＴｂを記憶する。

実施形態１において、学習済みモデルＬＭは、学習データを機械学習することで構築される。以下、本明細書において学習データを学習データＴＤと記載する場合がある。学習データＴＤについては後述する。

また、実施形態１において、テーブルＴｂにおいて、複数の料理の名称（ピザ、トースト及びスポンジケーキ等）の各々に対して、料理に応じた加熱時間と、料理に応じた加熱強度とが関連付けられている。すなわち、記憶部２０は、料理の名称に対して、料理に応じた加熱時間と、料理に応じた加熱強度とを関連付けて記憶する。加熱強度は、例えば、被加熱物を加熱するときの温度又はワット数のことである。

操作部５０は、例えば、加熱調理器１が備える操作キー、又は、液晶ディスプレイのような表示部に設けられたタッチパネルを含む。なお、加熱調理器１は、表示部を備えていなくてもよい。操作キーには、マウス、及び／又は、キーボードのような入力デバイスも含まれる。操作部５０は、ユーザーに操作されて、例えば、加熱部３０による加熱を開始する指示を受け付ける。操作部５０は、「受付部」の一例である。

制御部１０は、ＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）及びＭＰＵ（ＭｉｃｒｏＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）のようなプロセッサーを含む。なお、記憶部２０及び制御部１０は、ＡＳＩＣ（ＡｐｐｌｉｃａｔｉｏｎＳｐｅｃｉｆｉｃＩｎｔｅｇｒａｔｅｄＣｉｒｃｕｉｔ）、又はＦＰＧＡ（Ｆｉｅｌｄ－ＰｒｏｇｒａｍｍａｂｌｅＧａｔｅＡｒｒａｙ）のような集積回路で構成されてもよい。プロセッサーは、「コンピューター」の一例に相当する。

制御部１０のプロセッサーは、記憶部２０の記憶装置に記憶されたコンピュータープログラムを実行して、記憶部２０、加熱部３０、撮像部４０、及び操作部５０を制御する。また、制御部１０のプロセッサーは、記憶部２０の記憶装置に記憶されたコンピュータープログラムを実行して、推定部１１、加熱制御部１２、及び計測部１３として機能する。つまり、制御部１０は、推定部１１、加熱制御部１２及び計測部１３を含む。

推定部１１は、撮像部４０の撮像結果に基づいて、被加熱物の加熱中に、被加熱物の名称を推定する。

加熱制御部１２は、推定部１１の推定結果に応じて、加熱部３０を制御する。例えば、加熱制御部１２は、推定部１１の推定結果に応じて、一定時間が経過してから加熱部３０による被加熱物の加熱を停止させる。より具体的には、加熱制御部１２は、推定部１１が推定した被加熱物の名称に応じた加熱時間にわたって被加熱物が加熱されるように、加熱部３０を制御する。

計測部１３は、被加熱物が加熱された時間を計測する。例えば、計測部１３は、加熱部３０が被加熱物への加熱を開始してから、推定部１１が被加熱物の名称を推定する時までの、被加熱物が加熱された時間を計測する。

次に、図１及び図２を参照して、加熱調理器１の動作の概要について説明する。図２は、加熱調理器１の動作の概要を示すブロック図である。

図２に示すように、まず、計測部１３は、加熱部３０による加熱を開始する指示を操作部５０が受け付けた時から、被加熱物が加熱される時間の計測を開始する。

一方、推定部１１は、被加熱物が加熱されている時に、撮像部４０の撮像結果である料理画像ＨＧを学習済みモデルＬＭに入力する。具体的には、推定部１１は、被加熱物の加熱中に、料理画像ＨＧを学習済みモデルＬＭに入力する。料理画像ＨＧは、撮像部４０によって撮像された被加熱物を示す。

学習済みモデルＬＭは、入力された料理画像ＨＧに基づいて、入力された料理画像ＨＧが示す被加熱物の名称を示す名称情報ＭＮを出力する。具体的には、学習済みモデルＬＭは、被加熱物の加熱中に、料理画像ＨＧに示される被加熱物の名称情報ＭＮを出力する。

そして、推定部１１は、被加熱物の加熱中に、学習済みモデルＬＭが出力した名称情報ＭＮを取得する。すなわち、推定部１１は、料理画像ＨＧに基づいて、被加熱物の加熱中に、被加熱物の名称を推定する。従って、推定部１１は、被加熱物の名称を精度良く推定できる。そして、推定部１１は、名称情報ＭＮを加熱制御部１２に入力する。

加熱制御部１２は、名称情報ＭＮに応じて、加熱部３０を制御する。すなわち、加熱制御部１２は、推定部１１の推定結果に応じて、加熱部３０を制御する。従って、予めユーザーが操作部５０を操作して被加熱物への加熱方法（メニュー）を選択することなく、被加熱物に対して、被加熱物の名称に応じた加熱ができる。その結果、加熱調理器１を操作するユーザーの手間を軽減できる。

具体的には、加熱制御部１２は、推定部１１の推定結果に応じて、被加熱物に応じた加熱時間と、加熱強度とを決定する。従って、予めユーザーが操作部５０を操作して被加熱物への加熱時間と加熱強度とを選択することなく、被加熱物に対して、被加熱物の名称に応じた加熱ができる。その結果、ユーザーが加熱調理器１を操作する手間を軽減しつつ、被加熱物の名称に応じた加熱時間と加熱強度とで、被加熱物を加熱できる。すなわち、被加熱物の名称に応じて、適切に被加熱物を加熱できる。

具体的には、例えば、被加熱物がトーストである場合、推定部１１は、被加熱物がトーストであると推定する。一方、例えば、記憶部２０が記憶するテーブルＴｂにおいて、トーストに対して、１１分を示す加熱時間、及び１８０℃を示す加熱強度が関連付けられている。そこで、加熱制御部１２は、被加熱物を加熱する時間を１１分に決定し、被加熱物を加熱する加熱強度を１８０℃に決定する。従って、加熱制御部１２は、例えば、被加熱物が１１分にわたって１８０℃で加熱されるように、加熱部３０を制御する。その結果、適切にトーストが焼き上がる。

より具体的には、実施形態１において、加熱制御部１２は、決定した加熱時間と、計測部１３の計測結果とに基づいて、被加熱物に対する残りの加熱時間を決定する。従って、加熱制御部１２は、決定した残りの加熱時間にわたって被加熱物を加熱するように加熱部３０を制御する。その結果、加熱部３０によって被加熱物が過剰に加熱されることを防止できる。すなわち、被加熱物を適切に加熱できる。

次に、図３を参照して、学習済みモデルＬＭを生成する学習装置１００について説明する。図３は、学習装置１００を示すブロック図である。学習装置１００は、例えば、コンピューターである。学習装置１００は、学習データＴＤを機械学習することによって、学習済みモデルＬＭを生成する。そして、学習装置１００は学習済みモデルＬＭを出力する。学習済みモデルＬＭは、上述したように、入力された料理画像ＨＧが示す被加熱物の名称を推定する。学習データＴＤは、学習装置１００による機械学習の対象である。

図３に示すように、学習装置１００は、処理部１１０と、記憶部１２０とを備える。

処理部１１０は、ＣＰＵ及びＧＰＵ等のプロセッサーを備える。記憶部１２０は、記憶装置を含み、データ及びコンピュータープログラムを記憶する。処理部１１０のプロセッサーは、記憶部１２０の記憶装置が記憶しているコンピュータープログラムを実行して、各種処理を実行する。例えば、記憶部１２０は、加熱調理器１の記憶部２０と同様に、主記憶装置と、補助記憶装置とを備え、リムーバブルメディアを備えていてもよい。記憶部１２０は、例えば、非一時的コンピューター読取可能記憶媒体である。

記憶部１２０は、学習プログラムＬＰを記憶している。学習プログラムＬＰは、複数の学習データＴＤの中から一定の規則を見出し、見出した規則を表現する学習済みモデルＬＭを生成するための機械学習アルゴリズムを実行するためのプログラムである。

機械学習アルゴリズムは、教師あり学習であれば、特に限定されず、例えば、決定木、最近傍法、単純ベイズ分類器、サポートベクターマシン、又は、ニューラルネットワークである。従って、学習済みモデルＬＭは、決定木、最近傍法、単純ベイズ分類器、サポートベクターマシン、又は、ニューラルネットワークを含む。学習済みモデルＬＭを生成する機械学習において、誤差逆伝搬法を利用してもよい。

例えば、ニューラルネットワークは、入力層、単数又は複数の中間層、及び、出力層を含む。具体的には、ニューラルネットワークは、ディープニューラルネットワーク（ＤＮＮ：ＤｅｅｐＮｅｕｒａｌＮｅｔｗｏｒｋ）、再帰型ニューラルネットワーク（ＲＮＮ：ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌＮｅｔｗｏｒｋ）、又は、畳み込みニューラルネットワーク（ＣＮＮ：ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ）であり、ディープラーニングを行う。例えば、ディープニューラルネットワークは、入力層、複数の中間層、及び、出力層を含む。

処理部１１０は、学習プログラムＬＰに基づいて複数の学習データＴＤを機械学習する。その結果、複数の学習データＴＤの中から一定の規則が見出されて、学習済みモデルＬＭが生成される。つまり、学習済みモデルＬＭは、学習データＴＤを機械学習することで構築される。記憶部１２０は、学習済みモデルＬＭを記憶する。

具体的には、処理部１１０は、学習データＴＤに含まれる学習対象料理画像ＬＧと名称情報ＭＮとの間における一定の規則を見出して、学習済みモデルＬＭを生成する。学習対象料理画像ＬＧは説明変数であり、名称情報ＭＮは目的変数である。実施形態１において、学習対象料理画像ＬＧは料理を示す。名称情報ＭＮは、学習対象料理画像ＬＧに示される料理の名称を示す。

さらに具体的には、処理部１１０は、学習プログラムＬＰに基づいて複数の学習データＴＤを機械学習することによって、複数の学習済みパラメータを算出し、複数の学習済みパラメータが適用された１以上の関数を含む学習済みモデルＬＭを生成する。学習済みパラメータは、複数の学習データＴＤを用いた機械学習の結果に基づいて取得されるパラメータ（係数）である。

学習済みモデルＬＭは、入力情報を入力して、出力情報を出力するように、コンピューターを機能させる。換言すれば、学習済みモデルＬＭは、入力情報を入力して、出力情報を出力する。具体的には、学習済みモデルＬＭは、入力された料理画像ＨＧが示す料理の名称を推定するように、コンピューターを機能させる。換言すれば、学習済みモデルＬＭは、入力された料理画像ＨＧが示す料理の名称を推定する。

次に、図４Ａ～図４Ｆを参照して、学習データＴＤについて説明する。図４Ａは、学習データＴＤの一例を示す。図４Ｂ～図４Ｆの各々は、学習データＴＤの他の一例を示す。以下、図４Ａに示す学習データＴＤを学習データＴＤ１と記載し、図４Ｂに示す学習データＴＤを学習データＴＤ２と記載し、図４Ｃに示す学習データＴＤを学習データＴＤ３と記載し、図４Ｄに示す学習データＴＤを学習データＴＤ４と記載し、図４Ｅに示す学習データＴＤを学習データＴＤ５と記載し、図４Ｆに示す学習データＴＤを学習データＴＤ６と記載する場合がある。

実施形態１において、学習データＴＤは、学習対象料理画像ＬＧと、名称情報ＭＮとを含む。また、実施形態１において、学習対象料理画像ＬＧに示される料理の名称を、例えばユーザーが判断する。すなわち、学習対象料理画像ＬＧには、ユーザーによって判断された料理の名称を示す名称情報ＭＮがラベル付けされている。理解を容易にするため、料理の焼き色をハッチングで示している。具体的には、ハッチングの間隔が広いほど焼き色が薄く、ハッチングの間隔が狭いほど焼き色が濃いように示している。

図４Ａ～図４Ｆに示すように、複数の学習データＴＤは、それぞれ、複数の料理（例えば、ピザ及びトースト等）に対応する。具体的には、図４Ａ～図４Ｃに示す複数の学習データＴＤは、ピザに対応する。また、図４Ｄ～図４Ｆに示す複数の学習データＴＤは、トーストに対応する。また、複数の学習データＴＤの各々の学習対象料理画像ＬＧは、それぞれ、１つの料理が加熱される過程において、異なる時の料理を示す。

例えば、図４Ａ～図４Ｃに示す学習データＴＤ１～学習データＴＤ３の各々は、ピザが加熱される過程において、異なる時のピザを示す。

図４Ａに示すように、学習データＴＤ１の学習対象料理画像ＬＧが示すピザは、学習データＴＤ２の学習対象料理画像ＬＧが示すピザ及び学習データＴＤ３の学習対象料理画像ＬＧが示すピザよりも前の段階のピザを示す。実施形態１において、学習データＴＤ１の学習対象料理画像ＬＧには、「ピザ」を示す名称情報ＭＮがラベル付けされている。本明細書において、「ピザ」を示す名称情報ＭＮを、名称情報ＭＮ１と記載する場合がある。

また、図４Ｂに示すように、学習データＴＤ２の学習対象料理画像ＬＧが示すピザは、学習データＴＤ１の学習対象料理画像ＬＧが示すピザと学習データＴＤ３の学習対象料理画像ＬＧが示すピザとの間の段階のピザを示す。また、実施形態１において、学習データＴＤ２の学習対象料理画像ＬＧには、「ピザ」を示す名称情報ＭＮ１がラベル付けされている。

さらに、図４Ｃに示すように、学習データＴＤ３の学習対象料理画像ＬＧが示すピザは、学習データＴＤ１の学習対象料理画像ＬＧが示すピザ及び学習データＴＤ２の学習対象料理画像ＬＧが示すピザよりも後の段階のピザを示す。また、実施形態１において、学習データＴＤ３の学習対象料理画像ＬＧには、「ピザ」を示す名称情報ＭＮ１がラベル付けされている。

また、例えば、図４Ｄ～図４Ｆに示す学習データＴＤ４～学習データＴＤ６の各々は、トーストが加熱される過程において、異なる時のトーストを示す。

図４Ｄに示すように、学習データＴＤ４の学習対象料理画像ＬＧが示すトーストは、学習データＴＤ５の学習対象料理画像ＬＧが示すトースト及び学習データＴＤ６の学習対象料理画像ＬＧが示すトーストよりも前の段階のトーストを示す。また、実施形態１において、学習データＴＤ４の学習対象料理画像ＬＧには、「トースト」を示す名称情報ＭＮがラベル付けされている。本明細書において、「トースト」を示す名称情報ＭＮを、名称情報ＭＮ２と記載する場合がある。

また、図４Ｅに示すように、学習データＴＤ５の学習対象料理画像ＬＧが示すトーストは、学習データＴＤ４の学習対象料理画像ＬＧが示すトーストと学習データＴＤ６の学習対象料理画像ＬＧが示すトーストとの間の段階のトーストを示す。また、実施形態１において、学習データＴＤ５の学習対象料理画像ＬＧには、「トースト」を示す名称情報ＭＮ２がラベル付けされている。

さらに、図４Ｆに示すように、学習データＴＤ６の学習対象料理画像ＬＧが示すトーストは、学習データＴＤ４の学習対象料理画像ＬＧが示すトースト及び学習データＴＤ５の学習対象料理画像ＬＧが示すトーストよりも後の段階のトーストを示す。実施形態１において、学習データＴＤ６の学習対象料理画像ＬＧには、「トースト」を示す名称情報ＭＮ２がラベル付けされている。

なお、名称情報ＭＮは、「ピザ」又は「トースト」等という文字列で表されていてもよいし、「ピザ」及び「トースト」の各々に対応する識別情報（ＩＤ）で示されてもよい。

次に、図５を参照して、学習済みモデルＬＭの入力情報及び出力情報について説明する。図５は、学習済みモデルＬＭの入力情報及び出力情報を示すブロック図である。

図５に示すように、学習済みモデルＬＭの入力情報は、撮像部４０の撮像結果である料理画像ＨＧである。学習済みモデルＬＭは、入力された料理画像ＨＧに基づいて、料理画像ＨＧが示す被加熱物の名称情報ＭＮを出力する。図５に示す例において、学習済みモデルＬＭは、料理画像ＨＧが示す被加熱物の名称は「トースト」であると推定する。従って、学習済みモデルＬＭは、「トースト」を示す名称情報ＭＮを出力する。

次に、図３及び図６を参照して、学習装置１００が実行する学習方法を説明する。図６は、実施形態１に係る学習済みモデル生成方法を示すフローチャートである。図６に示すように、学習済みモデル生成方法は、ステップＳ４１～ステップＳ４４を含む。

図３及び図６に示すように、ステップＳ４１において、学習装置１００の処理部１１０は、学習データＴＤを取得する。例えば、処理部１１０は、ユーザーによって入力された学習データＴＤを取得する。

次に、ステップＳ４２において、処理部１１０は、学習プログラムＬＰに基づいて、学習データＴＤを機械学習する。

次に、ステップＳ４３において、処理部１１０は、学習終了条件を満たすか否かを判定する。学習終了条件は、機械学習を終了するために予め定められた条件である。学習終了条件は、例えば、反復回数が規定回数に到達したことである。

ステップＳ４３において、否定的判定（Ｎｏ）がされた場合は、処理はステップＳ４１に進む。その結果、機械学習が繰り返される。

一方、ステップＳ４３で肯定的判定（Ｙｅｓ）された場合は、処理はステップＳ４４に進む。

ステップＳ４４において、処理部１１０は、最新の複数のパラメータ（係数）つまり、複数の学習済みパラメータ（係数）を適用したモデル（１以上の関数）を、学習済みモデルＬＭとして出力する。そして、記憶部１２０は学習済みモデルＬＭを記憶する。

以上、学習装置１００がステップＳ４１～ステップＳ４４を実行することで、学習済みモデルＬＭが生成される。

次に、図７～図９を参照して、加熱調理器１の動作について説明する。まず、加熱庫に被加熱物が載置された状態で、操作部５０は、加熱部３０による加熱開始の指示を受け付ける。そして、加熱制御部１２は、被加熱物を加熱するように加熱部３０を制御する。その結果、加熱部３０は被加熱物への加熱を開始する。このとき、加熱部３０は、例えば、所定の加熱強度で被加熱物を加熱する。また、加熱部３０が被加熱物への加熱を開始するとともに、計測部１３は、被加熱物が加熱される時間の計測を開始する。

図７は、撮像部４０の撮像結果である料理画像ＨＧを示す図である。図７に示すように、推定部１１は、撮像部４０の撮像結果である料理画像ＨＧを学習済みモデルＬＭに入力する。学習済みモデルＬＭは、入力された料理画像ＨＧに基づいて、「ピザ」を示す名称情報ＭＮを出力する。そして、推定部１１は、学習済みモデルＬＭが出力した名称情報ＭＮを取得する。

図８は、記憶部２０が記憶するテーブルＴｂを示す図である。図８に示すように、テーブルＴｂにおいて、名称情報ＭＮに対して、加熱時間Ｈｔと、加熱強度Ｈｓとが関連付けられている。加熱制御部１２は、推定部１１の推定結果、すなわち、推定部１１が取得した名称情報ＭＮに応じて、被加熱物に対する加熱時間Ｈｔと加熱強度Ｈｓとを決定する。例えば、図７に示す料理画像ＨＧが示す被加熱物の名称情報ＭＮが「ピザ」であると推定されたため、加熱制御部１２は、加熱時間Ｈｔを「２５分」に決定し、加熱強度Ｈｓを「２５０℃」に決定する。

図９は、加熱部３０の動作の一例を示す図である。図９に示すように、推定部１１が名称情報ＭＮを取得したときの計測部１３の計測結果、すなわち被加熱物の加熱時間Ｃｔは４分である。つまり、加熱部３０によって被加熱物への加熱が開始してから４分が経過したときに、撮像結果である料理画像ＨＧに基づいて名称情報ＭＮが取得されている。そして、加熱制御部１２は、加熱時間Ｈｔを「２５分」に決定し、加熱強度Ｈｓを「２５０℃」に決定している。従って、加熱制御部１２は、計測部１３の計測結果（加熱時間Ｃｔ）と、決定した加熱時間Ｈｔとに基づいて、被加熱物に対する残りの加熱時間Ｒｔを決定する。そして、推定部１１が名称情報ＭＮを取得してから、残りの加熱時間Ｒｔが経過することに応じて被加熱物への加熱が終了するように、加熱制御部１２は加熱部３０を制御する。

次に、図１０を参照して、加熱調理器１が実行する処理について説明する。図１０は、実施形態１に係る加熱調理器１が実行する処理を示すフローチャートである。加熱調理器１が実行する処理は、ステップＳ１～ステップＳ１０を含む。

図１０に示すように、ステップＳ１において、操作部５０は、加熱部３０による加熱開始の指示を受け付ける。そして、加熱制御部１２は、被加熱物を加熱するように加熱部３０を制御する。その結果、加熱部３０は被加熱物を加熱する。また、加熱部３０が被加熱物への加熱を開始するとともに、計測部１３は、被加熱物が加熱される時間の計測を開始する。

ステップＳ２において、制御部１０は、被加熱物を撮像するように撮像部４０を制御する。その結果、撮像部４０は、被加熱物を撮像する。

ステップＳ３において、推定部１１は、撮像結果である料理画像ＨＧを学習済みモデルＬＭに入力する。

ステップＳ４において、推定部１１は、ステップＳ３で入力された料理画像ＨＧに基づいて、学習済みモデルＬＭが名称情報ＭＮを出力したか否かを判定する。ステップＳ４において否定的判定（Ｎｏ）がされる場合、すなわち、学習済みモデルＬＭが名称情報ＭＮを出力しなかった場合、又は、学習済みモデルＬＭが「不明」を出力した場合、処理はステップＳ２に進む。一方、ステップＳ４において肯定的判定（Ｙｅｓ）がされる場合、すなわち、学習済みモデルＬＭが名称情報ＭＮを出力した場合、処理はステップＳ５に進む。学習済みモデルＬＭが名称情報ＭＮを出力しなかった場合、及び、学習済みモデルＬＭが「不明」を出力した場合については後述する。

ステップＳ５において、推定部１１は、学習済みモデルＬＭが出力した名称情報ＭＮを取得する。そして、推定部１１は、取得した状態情報ＳＢを加熱制御部１２に入力する。

ステップＳ６において、加熱制御部１２は、推定部１１の推定結果に応じて、被加熱物に対する加熱時間Ｈｔと、加熱強度Ｈｓとを決定する。

ステップＳ７において、加熱制御部１２は、計測部１３の計測結果と、ステップＳ６で決定した加熱時間Ｈｔとに基づいて、被加熱物に対する残りの加熱時間Ｒｔを決定する。

ステップＳ８において、加熱制御部１２は、ステップＳ６で決定した加熱強度Ｈｓに基づいて、加熱部３０の加熱強度を調整する。

ステップＳ９において、加熱制御部１２は、ステップＳ７で残りの加熱時間Ｒｔが決定されたときから、ステップＳ７で決定された残りの加熱時間Ｒｔが経過したか否かを判定する。ステップＳ９において肯定的判定（Ｙｅｓ）がされる場合、処理はステップＳ１０に進む。一方、ステップＳ９において否定的判定（Ｎｏ）がされる場合、処理は、ステップＳ９に戻る。

ステップＳ１０において、加熱制御部１２は、被加熱物への加熱を停止するように加熱部３０を制御する。その結果、加熱部３０は、加熱を停止する。

（実施形態２）
次に、図１１を参照して、実施形態２に係る加熱調理器１ａについて説明する。図１１は、実施形態２に係る加熱調理器１ａを示すブロック図である。実施形態２では、加熱調理器１ａがターンテーブル６０を備える点と、推定部１１ａがパターンマッチングによって被加熱物の名称を推定する点とで、実施形態２は実施形態１と主に異なる。以下、実施形態２が実施形態１と異なる点を主に説明する。

加熱調理器１ａは、制御部１０ａと、記憶部２０ａと、加熱部３０と、撮像部４０と、操作部５０と、ターンテーブル６０とを備える。

ターンテーブル６０には、被加熱物が載置される。実施形態２において、加熱部３０が被加熱物を加熱する間、ターンテーブル６０は、例えば、略一定の角速度で回転する。すなわち、ターンテーブル６０は、被加熱物が載置されて回転する。

制御部１０ａは、ＣＰＵ及びＭＰＵのようなプロセッサーを含む。制御部１０のプロセッサーは、記憶部２０ａの記憶装置に記憶されたコンピュータープログラムを実行して、記憶部２０ａ、加熱部３０、撮像部４０、操作部５０、及びターンテーブル６０を回転させるためのモーター（不図示）を制御する。

また、制御部１０のプロセッサーは、記憶部２０ａの記憶装置に記憶されたコンピュータープログラムを実行して、推定部１１ａ、加熱制御部１２、計測部１３、及び補正部１４として機能する。つまり、制御部１０は、推定部１１ａ、加熱制御部１２、計測部１３、及び補正部１４を含む。推定部１１ａ及び補正部１４については後述する。

記憶部２０ａは、パターンマッチング用データＰＤと、テーブルＴｂとを記憶する。パターンマッチング用データＰＤは、複数の料理画像ＭＧと、名称情報ＭＮとを含む。

次に、図１２Ａ～図１２Ｆを参照して、記憶部２０ａが記憶するパターンマッチング用データＰＤについて説明する。図１２Ａは、パターンマッチング用データＰＤの一例を示す。図１２Ｂ～図１２Ｆの各々は、パターンマッチング用データＰＤの他の一例を示す。以下、図１２Ａに示すパターンマッチング用データＰＤをパターンマッチング用データＰＤ１と記載し、図１２Ｂに示すパターンマッチング用データＰＤをパターンマッチング用データＰＤ２と記載し、図１２Ｃに示すパターンマッチング用データＰＤをパターンマッチング用データＰＤ３と記載し、図１２Ｄに示すパターンマッチング用データＰＤをパターンマッチング用データＰＤ４と記載し、図１２Ｅに示すパターンマッチング用データＰＤをパターンマッチング用データＰＤ５と記載し、図１２Ｆに示すパターンマッチング用データＰＤをパターンマッチング用データＰＤ６と記載する場合がある。

図１２Ａ～図１２Ｆに示すように、複数のパターンマッチング用データＰＤの料理画像ＭＧは、それぞれ、複数の料理（例えば、ピザ及びトースト等）に対応する。また、複数の料理画像ＭＧは、それぞれ、１つの料理が加熱される過程において、異なる時の料理を示す。

例えば、図１２Ａ～図１２Ｃに示すパターンマッチング用データＰＤ１～パターンマッチング用データＰＤ３の各々の料理画像ＭＧは、ピザが加熱される過程において、異なる時のピザを示す。

図１２Ａに示すように、パターンマッチング用データＰＤ１の料理画像ＭＧが示すピザは、パターンマッチング用データＰＤ２の料理画像ＭＧが示すピザ及びパターンマッチング用データＰＤ３の料理画像ＭＧが示すピザよりも前の段階のピザを示す。実施形態２において、パターンマッチング用データＰＤ１の料理画像ＭＧには、「ピザ」を示す名称情報ＭＮ１がラベル付けされている。

また、図１２Ｂに示すように、パターンマッチング用データＰＤ２の料理画像ＭＧが示すピザは、パターンマッチング用データＰＤ１の料理画像ＭＧが示すピザとパターンマッチング用データＰＤ３の料理画像ＭＧが示すピザとの間の段階のピザを示す。実施形態２において、パターンマッチング用データＰＤ２の料理画像ＭＧには、「ピザ」を示す名称情報ＭＮ１がラベル付けされている。

さらに、図１２Ｃに示すように、パターンマッチング用データＰＤ３の料理画像ＭＧが示すピザは、パターンマッチング用データＰＤ１の料理画像ＭＧが示すピザ及びパターンマッチング用データＰＤ２の料理画像ＭＧが示すピザよりも後の段階のピザを示す。実施形態２において、パターンマッチング用データＰＤ３の料理画像ＭＧには、「ピザ」を示す名称情報ＭＮ１がラベル付けされている。

また、例えば、図１２Ｄ～図１２Ｆに示すパターンマッチング用データＰＤ４～パターンマッチング用データＰＤ６の各々は、トーストが加熱される過程において、異なる時のトーストを示す。

図１２Ｄに示すように、パターンマッチング用データＰＤ４の料理画像ＭＧが示すトーストは、パターンマッチング用データＰＤ５の料理画像ＭＧが示すトースト及びパターンマッチング用データＰＤ６の料理画像ＭＧが示すトーストよりも前の段階のトーストを示す。実施形態２において、料理画像ＭＧ４には、「トースト」を示す名称情報ＭＮ２がラベル付けされている。

また、図１２Ｅに示すように、パターンマッチング用データＰＤ５の料理画像ＭＧが示すトーストは、パターンマッチング用データＰＤ５の料理画像ＭＧが示すトーストとパターンマッチング用データＰＤ６の料理画像ＭＧが示すトーストとの間の段階のトーストを示す。実施形態２において、パターンマッチング用データＰＤ５の料理画像ＭＧには、「トースト」を示す名称情報ＭＮ２がラベル付けされている。

さらに、図１２Ｆに示すように、パターンマッチング用データＰＤ６の料理画像ＭＧが示すトーストは、パターンマッチング用データＰＤ４の料理画像ＭＧ４が示すトースト及びパターンマッチング用データＰＤ５の料理画像ＭＧ５が示すトーストよりも後の段階のトーストを示す。実施形態２において、パターンマッチング用データＰＤ６の料理画像ＭＧ６には、「トースト」を示す名称情報ＭＮ２がラベル付けされている。

次に、図１３を参照して、撮像結果の向きの補正について説明する。図１３は、撮像部４０の撮像結果である料理画像ＨＧと、補正後の撮像結果である料理画像ＨＧＡとを示す図である。図１３に示すように、被加熱物がピザＰｚである場合を例に挙げて説明する。すなわち、図１３に示す例において、ターンテーブル６０にピザＰｚが載置されている。

補正部１４は、ターンテーブル６０が回転するときの角速度ωに基づいて、料理画像ＨＧの向きを補正する。料理画像ＨＧＡは、補正部１４によって、角速度ωと被加熱物が加熱された計測部１３の計測結果とに基づき料理画像ＨＧの向きを補正したものである。計測部１３の計測結果は、被加熱物が加熱部３０によって加熱された時間ｔのことである。具体的には、θ＝ω×ｔによって、料理画像ＨＧの向きを補正する角度θが算出される。補正部１４は、角度θだけ、ターンテーブル６０が回転する方向と反対の方向に料理画像ＨＧを回転させることによって、料理画像ＨＧを補正する。

推定部１１ａは、補正後の料理画像ＨＧＡと、記憶部２０ａに記憶される料理画像ＭＧとを比較して、比較結果に基づいて、被加熱物の名称を推定する。従って、料理画像ＨＧの向きを補正せずに被加熱物の名称を推定する場合よりも、精度よく被加熱物の名称を推定できる。

本実施形態において、推定部１１ａは、比較結果が示すマッチング率が閾値以上であるか否かを判定する。マッチング率とは、料理画像ＨＧＡが示す被加熱物と、記憶部２０ａに記憶される料理画像ＭＧとのマッチングする比率を示す。閾値は、例えば９０％である。すなわち、料理画像ＨＧＡと、料理画像ＭＧとのマッチング率が９０％以上である場合、推定部１１ａは、被加熱物の名称が、料理画像ＭＧに関連付けられた名称情報ＭＮであると推定する。そして、加熱制御部１２は、推定部１１ａの推定結果に応じて、加熱部３０を制御する。

次に、図１４を参照して、実施形態２の加熱調理器１ａが実行する処理について説明する。図１４は、加熱調理器１ａが実行する処理を示すフローチャートである。

図１４に示すように、ステップＳ２１において、操作部５０は、加熱部３０による加熱開始の指示を受け付ける。そして、加熱制御部１２は、被加熱物を加熱するように加熱部３０を制御する。その結果、加熱部３０は被加熱物を加熱する。また、加熱部３０が被加熱物への加熱を開始するとともに、計測部１３は、被加熱物が加熱される時間の計測を開始する。

ステップＳ２２において、制御部１０は、被加熱物を撮像するように撮像部４０を制御する。その結果、撮像部４０は、被加熱物を撮像する。

ステップＳ２３において、補正部１４は、ターンテーブル６０が回転しているか否かを判定する。ステップＳ２３で肯定的判定（Ｙｅｓ）がされる場合、すなわち、ターンテーブル６０が回転していると補正部１４が判定した場合、処理はステップＳ２４に進む。一方。ステップＳ２３で否定的判定（Ｎｏ）がされる場合、すなわち、ターンテーブル６０が回転していないと補正部１４が判定した場合、処理はステップＳ２５に進む。ここで、補正部１４は、ターンテーブル６０を回転させるモーターが駆動しているか否かを判定することで、ターンテーブル６０が回転しているか否かを判定してもよい。

ステップＳ２４において、補正部１４は、ターンテーブル６０が回転するときの角速度ωと、計測部１３の計測結果とに基づいて、ステップＳ２２での撮像部４０の撮像結果である料理画像ＨＧを補正する。

ステップＳ２５において、推定部１１は、撮像結果である料理画像ＨＧと、料理画像ＭＧとを比較する。なお、ステップＳ２４で撮像結果である料理画像ＨＧが補正部１４によって補正された場合、推定部１１は、補正後の撮像結果である料理画像ＨＧＡと料理画像ＭＧとを比較する。

ステップＳ２６において、推定部１１は、ステップＳ２５における比較結果が示すマッチング率が閾値以上であるか否かを判定する。ステップＳ２６において否定的判定（Ｎｏ）がされる場合、すなわち、撮像結果と料理画像ＭＧとのマッチング率が閾値未満である場合、処理はステップＳ２２に進む。一方、ステップＳ２６において肯定的判定（Ｙｅｓ）がされる場合、すなわち、撮像結果と料理画像ＭＧとのマッチング率が閾値以上である場合、処理はステップＳ２７に進む。

ステップＳ２７において、推定部１１は、被加熱物の名称を推定する。具体的には、マッチング率が閾値以上であった料理画像ＭＧに関連づけられている名称情報ＭＮを取得する。

ステップＳ２８において、加熱制御部１２は、推定部１１の推定結果に応じて、被加熱物に対する加熱時間Ｈｔと、加熱強度Ｈｓとを決定する。

ステップＳ２９において、加熱制御部１２は、計測部１３の計測結果と、ステップＳ６で決定した加熱時間Ｈｔとに基づいて、被加熱物に対する残りの加熱時間Ｒｔを決定する。

ステップＳ３０において、加熱制御部１２は、ステップＳ２９で決定した加熱強度Ｈｓに基づいて、加熱部３０の加熱強度を調整する。

ステップＳ３１において、加熱制御部１２は、ステップＳ２９で残りの加熱時間Ｒｔが決定されたときから、加熱時間Ｒｔが経過したか否かを判定する。ステップＳ３１において肯定的判定（Ｙｅｓ）がされる場合、処理はステップＳ３２に進む。一方、ステップＳ３１において否定的判定（Ｎｏ）がされる場合、処理は、ステップＳ３１に戻る。

ステップＳ３２において、加熱制御部１２は、被加熱物への加熱を停止するように加熱部３０を制御する。その結果、加熱部３０は、加熱を停止する。

（変形例）
次に、図１５を参照して、実施形態１の変形例に係る加熱調理器１について説明する。図１５は、実施形態１の変形例に係る加熱調理器１の学習済みモデルＬＭが機械学習した学習データＴｄａを示す図である。変形例では、１つの学習データＴｄａが複数の学習対象料理画像ＬＤを含む点で、変形例は実施形態１と主に異なる。以下、変形例が実施形態１と異なる点を主に説明する。

図１５に示すように、１つの学習データＴｄａは、複数の学習対象料理画像ＬＤと、名称情報ＭＮとを含む。具体的には、学習データＴｄａは、複数の学習対象料理画像ＬＤ１～ＬＤＮＸを含む。理解を容易にするため、料理の焼き色をハッチングで示している。具体的には、ハッチングの間隔が広いほど焼き色が薄く、ハッチングの間隔が狭いほど焼き色が濃いように示している。

複数の学習対象料理画像ＬＤは、それぞれ、料理が加熱される過程において、異なる時の料理を示す。具体的には、複数の学習対象料理画像ＬＤは、それぞれ、１つの料理が加熱される過程において、所定時間ごとに撮像された料理を示す。変形例において、所定時間は例えば２秒である。すなわち、変形例に係る学習済みモデルＬＭが学習する学習対象料理画像ＬＤは、料理動画である。

変形例に係る撮像部４０は、例えば、所定時間ごとに被加熱物を撮像する。そして、推定部１１は、所定時間ごとに撮像された複数の撮像結果である料理動画を学習済みモデルＬＭに入力する。すなわち、変形例において、学習済みモデルＬＭの入力情報は、撮像部４０によって撮像された動画である。学習済みモデルＬＭは、入力された料理動画に基づいて、料理動画が示す被加熱物の名称情報ＭＮを出力する。

以上、図面を参照しながら本発明の実施形態及び変形例について説明した。但し、本発明は、上記の実施形態に限られるものではなく、その要旨を逸脱しない範囲で種々の態様において実施することが可能である。また、上記の実施形態に開示されている複数の構成要素を適宜組み合わせることによって、種々の発明の形成が可能である。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。図面は、理解しやすくするために、それぞれの構成要素を主体に模式的に示しており、図示された各構成要素の個数等は、図面作成の都合から実際とは異なる場合もある。また、上記の実施形態で示す各構成要素は一例であって、特に限定されるものではなく、本発明の効果から実質的に逸脱しない範囲で種々の変更が可能である。

（１）図７を参照して説明したように、学習済みモデルＬＭは、推定部１１によって入力された料理画像ＨＧに基づいて、料理画像ＨＧが示す被加熱物の名称示す名称情報ＭＮを出力した。ただし、推定部１１によって入力された料理画像ＨＧに基づいて、学習済みモデルＬＭが被加熱物の名称を推定できない場合、学習済みモデルＬＭは、例えば、名称情報ＭＮを出力しなくてもよいし、「不明」を示す名称情報ＭＮを出力してもよい。学習済みモデルＬＭが名称情報ＭＮを出力しない場合、又は学習済みモデルＬＭが「不明」を示す名称情報ＭＮを出力する場合、推定部１１は、再度、撮像部４０が被加熱物を撮像するように撮像部４０を制御する。具体的には、推定部１１は、前回撮像部４０が被加熱物を撮像してから所定時間後に被加熱物を撮像するように撮像部４０を制御する。すなわち、推定部１１が被加熱物の名称を推定するまで、撮像部４０は、所定時間ごとに被加熱物を撮像する。従って、被加熱物にとって適切でない加熱強度と加熱時間とで、被加熱物が加熱されることを抑制できる。

（２）図９を参照して説明したように、加熱制御部１２は、計測部１３の計測結果（加熱時間Ｃｔ）と、決定した加熱時間Ｈｔとに基づいて、被加熱物に対する残りの加熱時間Ｒｔを決定した。そして、推定部１１が名称情報ＭＮを取得してから、残りの加熱時間Ｒｔが経過することに応じて被加熱物への加熱が終了するように、加熱制御部１２は加熱部３０を制御した。ただし、加熱制御部１２は、残りの加熱時間Ｒｔが経過した時から、さらに一定の時間が経過した上で被加熱物への加熱が終了するように、加熱部３０を制御してもよい。

（３）図１０のステップＳ１～ステップＳ１０の順番は、適宜変更し得る。

（４）図１４のステップＳ２１～図１５のステップＳ３２の順番は、適宜変更し得る。

（５）図４Ａ～図４Ｃを参照して説明したように、１つの料理に対して、３つの学習対象料理画像ＬＧを学習済みモデルＬＭに入力させた。ただし、学習済みモデルＬＭが被加熱物の名称を推定できる限り、１つの料理に対して１つまたは２つの学習対象料理画像ＬＧを学習してもよいし、４つ以上の学習対象料理画像ＬＧを学習してもよい。

（６）図１２及び図１３を参照して説明したように、実施形態２に係る加熱調理器１ａは、ターンテーブル６０を備えていた。ただし、加熱調理器１ａが被加熱物を加熱する限り、加熱調理器１ａは、ターンテーブル６０を備えていなくてもよい。この場合、補正部１４は、撮像結果を補正しない。

（７）図１２及び図１３を参照して説明したように、実施形態２に係る加熱調理器１ａの推定部１１ａは、撮像結果である料理画像ＨＧと記憶部２０ａに記憶される料理画像ＭＧとを比較して、比較結果に基づいて、被加熱物の名称を推定した。ただし、推定部１１ａが被加熱物の名称を推定できる限り、推定部１１ａは、複数の撮像結果である料理画像ＨＧの差分と、記憶部２０ａに記憶される複数の料理画像ＭＧの差分とを比較して、比較結果に基づいて、被加熱物の名称を推定してもよい。この場合、記憶部２０ａに記憶される複数の料理画像ＭＧの差分とは、１つの料理が加熱される過程において異なる時の料理を示す複数の料理画像ＭＧの差分のことである。

本発明は、加熱調理器及び学習済みモデル生成方法の分野に利用可能である。

１加熱調理器
１１推定部
１２加熱制御部
１３計測部
１４補正部
２０記憶部
３０加熱部
４０撮像部
５０操作部
６０ターンテーブル
ＨＧ料理画像
Ｈｔ加熱時間
Ｈｓ加熱強度
ＬＭ学習済みモデル
ＬＧ学習対象料理画像
ＭＧ仕上げ画像
ＳＴ状態情報
ＴＤ学習データ

Claims

被加熱物を加熱する加熱部と、
前記被加熱物が加熱されている時に、前記被加熱物を撮像する撮像部と、
前記撮像部の撮像結果に基づいて、前記被加熱物の加熱中に、前記被加熱物の名称を推定する推定部と、
学習データを機械学習することで構築された学習済みモデルを記憶する記憶部と、
前記推定部の推定結果に応じて、前記加熱部を制御する加熱制御部と
を備え、
前記推定部は、前記撮像結果を前記学習済みモデルに入力し、
前記学習済みモデルは、前記入力された前記撮像結果に基づいて、前記被加熱物の名称を示す名称情報を出力し、
前記学習データは、１つの被加熱物が加熱される過程において、異なる時の前記１つの被加熱物の複数の撮像結果を含み、
前記記憶部は、料理の名称に対して、前記料理に応じた加熱時間及び加熱強度を関連付けたテーブルを記憶し、
前記加熱制御部は、
加熱開始の指示を受け付けた場合、前記被加熱物に関わらず所定の加熱強度で、前記加熱部に前記被加熱物の加熱を開始させ、
前記被加熱物の加熱開始後、前記推定部によって推定された前記被加熱物の名称に対応する前記料理の名称に基づいて、前記テーブルにおいて当該料理の名称に関連付けられた加熱時間及び加熱強度を決定し、
決定した前記加熱時間と、前記被加熱物の加熱開始から前記被加熱物の名称が推定された時点までの経過時間とに基づいて、前記被加熱物の名称が推定された時点から前記被加熱物に対する加熱を終了するまでの前記被加熱物に対する残りの加熱時間を調整し、
決定した前記加熱強度に基づいて、前記加熱部の加熱強度を調整する、
加熱調理器。
前記学習データは、料理を示す学習対象料理画像と、前記料理の名称を示す名称情報とを含み、
前記推定部は、前記撮像結果である料理画像を前記学習済みモデルに入力し、
前記学習済みモデルは、前記入力された料理画像に基づいて、前記被加熱物の名称を示す名称情報を出力し、
前記推定部は、前記学習済みモデルが出力した前記名称情報を取得する、請求項１に記載の加熱調理器。
複数の前記学習データの各々の前記学習対象料理画像は、それぞれ、一つの前記料理が加熱される過程において、異なる時の前記料理を示す、請求項２に記載の加熱調理器。
一つの料理に対して、複数の料理画像と前記料理の名称とを記憶する記憶部をさらに備え、
前記複数の料理画像は、それぞれ、前記料理が加熱される過程において、異なる時の前記料理を示し、
前記推定部は、前記撮像結果と前記料理画像とを比較して、比較結果に基づいて、前記被加熱物の名称を推定する、請求項１に記載の加熱調理器。
前記被加熱物が載置されて回転するターンテーブルと、
前記被加熱物が加熱された時間を計測する計測部と、
前記ターンテーブルが回転するときの角速度と、前記計測部の計測結果とに基づいて、前記撮像結果の向きを補正する補正部と
をさらに備え、
前記推定部は、補正後の前記撮像結果に基づいて、前記被加熱物の名称を推定する、請求項４に記載の加熱調理器。