VERFAHREN ZUR STEUERUNG EINES GARGERÄTS

Abstract

 Ein Verfahren zur Steuerung eines Gargerätes ist beschrieben, bei dem ein Bild von einem zu garenden Gargut mittels einer optischen Vorrichtung erstellt und an eine Steuereinheit eines Gargerätes übermittelt wird. Ferner vergleicht die Steuereinheit das Bild und/oder die Eigenschaften des Bildes mit zuvor in einer Datenbank der Steuereinheit hinterlegten Bildern und/oder Eigenschaften von Bildern, um die Klasse des Gargutes zu bestimmen, wobei die in der Datenbank hinterlegten Bilder und/oder die Eigenschaften der Bilder zu Klassen zusammengefasst sind. Wenn die Steuereinheit die Klasse des Gargutes bestimmt hat, werden ein der bestimmten Klasse entsprechender Garprozess vom Gargerät automatisch begonnen, das Bild und/oder die Eigenschaften des Bildes bei Bedarf zur Datenbank hinzugefügt und der bestimmten Klasse zugewiesen. Wenn die Steuereinheit die Klasse des Gargutes nicht bestimmen kann, übergibt der Benutzer des Gargerätes die Klasse des Gargutes mittels einer Benutzerschnittstelle an die Steuereinheit und das Bild und/oder die Eigenschaften des Bildes werden bei Bedarf zur Datenbank hinzugefügt und der übergebenen Klasse zugewiesen.

Beschreibung

[0001] Die Erfindung betrifft ein Verfahren zur Steuerung eines Gargeräts.

[0002] Gargeräte, die im Großküchen- bzw. Profibereich zum Einsatz kommen, sollen einen möglichst hohen Automatisierungsgrad aufweisen, sodass ein mit dem Gargerät ausgeführter Garprozess möglichst effizient und fehlerfrei abläuft. Um diesen Anforderungen gerecht zu werden, sind aus dem Stand der Technik Gargeräte bekannt, bei denen der Bediener des Gargeräts, wenn er das Gargerät mit einem bestimmten Gargut beschickt hat, nur noch angeben muss, um welche Art von Gargut es sich handelt. Das Gargerät erkennt dann automatisch die Menge und/oder das Kaliber des Garguts und steuert den Garprozess automatisch, sodass die Garzeit und eventuelle Zwischenschritte des Garprozesses auf die Menge bzw. das Kaliber des Garguts angepasst sind.

[0003] Bei derartigen Gargeräten kann es jedoch immer noch zu Fehlbedienungen kommen, wenn der Bediener des Gargeräts aus Unwissenheit oder aus Versehen eine falsche Art von Gargut angibt, sodass das Gargerät einen Garprozess für eine andere Art von Gargut ausführt als dasjenige, das sich im Gargerät tatsächlich befindet.

[0004] Aufgabe der Erfindung ist es daher, den Automatisierungsgrad bei der Steuerung eines Gargeräts zu erhöhen, um das dabei auftretende Fehlerpotenzial weiter zu senken.

[0005] Die Aufgabe wird erfindungsgemäß durch ein Verfahren zur Steuerung eines Gargerätes gelöst, bei dem:

a) ein Bild von einem zu garenden Gargut mittels einer optischen Vorrichtung, insbesondere einer Kamera, erstellt und an eine Steuereinheit eines Gargerätes übermittelt wird,

b) die Steuereinheit das Bild und/oder die Eigenschaften des Bildes, wie Konturen, Konturenhistogramme, auftretende Farben und Farbhistogramme, mit zuvor in einer Datenbank der Steuereinheit hinterlegten Bildern und/oder Eigenschaften von Bildern vergleicht, um die Klasse des Gargutes zu bestimmen, wobei die in der Datenbank hinterlegten Bilder und/oder die Eigenschaften der Bilder zu Klassen zusammengefasst sind,

c) wenn die Steuereinheit die Klasse des Gargutes bestimmt hat, ein der bestimmten Klasse entsprechender Garprozess vom Gargerät automatisch begonnen wird, das Bild und/oder die Eigenschaften des Bildes bei Bedarf zur Datenbank hinzugefügt und der bestimmten Klasse zugewiesen werden, und

d) wenn die Steuereinheit die Klasse des Gargutes nicht bestimmen kann, der Benutzer des Gargerätes die Klasse des Gargutes mittels einer Benutzerschnittstelle an die Steuereinheit übergibt und das Bild und/oder die Eigenschaften des Bildes bei Bedarf zur Datenbank hinzugefügt und der übergebenen Klasse zugewiesen werden.

[0006] Der Grundgedanke der Erfindung ist es, den Automatisierungsgrad eines Gargerätes dadurch zu erhöhen, dass das Gargerät selbst und automatisiert erkennt, um welches Gargut es sich handelt, und daraufhin einen dem Gargut entsprechenden Garprozess automatisch beginnt. Das Gargerät startet also selbsttägig den Garprozess, sofern die Klasse des Garguts erkannt worden ist. Demnach wird dem Benutzer keine Auswahl zwischen den wahrscheinlichsten Klassen zur Auswahl gestellt, zwischen denen der Benutzer manuell eine Auswahl treffen muss. Damit das Gargerät das zu garende Gargut erkennen kann, sind in einer Datenbank der Steuereinheit Klassen bestimmter Gargüter hinterlegt, anhand derer das zu garende Gargut bestimmt werden kann. Die Bestimmung der Klasse des zu garenden Garguts kann dabei anhand des aufgenommenen Bildes selbst erfolgen, was jedoch aufgrund unterschiedlicher Belichtungen und unterschiedlichen Hintergründen sowie der hohen Datenmenge schwierig ist. Daher ist es vorteilhaft, die aufgenommenen Bilder des zu garenden Garguts zu abstrahieren, um abstrahierte Daten aus Wiedererkennungsparametern des jeweiligen Garguts zu ermitteln, die den Eigenschaften des Bildes entsprechen. Anhand der Wiedererkennungsparameter kann die entsprechende Klasse bestimmt werden. Bei diesen Wiedererkennungsparametern kann n es sich um die Konturen, Konturenhistogramme, auftretende Farben und/oder Farbhistogramme handeln. Das Gargerät ist dabei lernfähig ausgebildet, da die Klassen bzw. die die Klassen umfassende Datenbank stetig mit neuen Daten versorgt werden, die von den zu garenden Gargütern gewonnen werden, sofern dies vom Benutzer vorgesehen ist. Aufgrund der neu gewonnen Daten und der Zuordnung zu der entsprechenden Klasse wird die Klasse aktualisiert bzw. angepasst. Sofern das Gargerät die Klasse des zu garenden Garguts selbst erkannt hat, kann die Aktualisierung bzw. Anpassung der Klasse automatisch erfolgen, ansonsten über die manuelle Zuordnung des Bedieners. Es kann jedoch vorgesehen sein, das bereits vorhandene Klassen nicht durch Aufnahme von neuen Daten verändert werden, um einer Verschlechterung der Klassifizierung der Klassen aufgrund neuer Daten vorzubeugen.

[0007] Ein Aspekt der Erfindung sieht vor, dass die optische Vorrichtung das Bild des Gargutes beim Einführen des Gargutes in das Gargerät erstellt. Hierdurch ist einerseits sichergestellt, dass das Gargut rechtzeitig vor Beginn des Garprozesses erkannt wird. Andererseits ist dadurch gewährleistet, dass die Qualität des Bildes des Gargutes aufgrund von Dämpfen innerhalb des Gargerätes oder durch Veränderungen des Garguts beim Garen nicht variiert. Das Bild vom Gargut wird demnach örtlich außerhalb des Garraums aufgenommen.

[0008] Insbesondere werden die Eigenschaften des Bildes von der Steuereinheit aus dem Bild extrahiert. Die Steuereinheit ist demnach derart eingerichtet, dass sie das von der optischen Vorrichtung aufgenommene Bild anhand der charakteristischen Variablen oder Wiedererkennungsparametern abstrahiert, sodass ein abstrahierter Datensatz bzw. ein mathematisches Objekt erzeugt werden kann, über das ein Vergleich mit den in der Datenbank hinterlegten Klassen möglich ist. Hierzu können Bilderkennungsalgorithmen verwendet werden.

[0009] Gemäß einem weiteren Aspekt der Erfindung werden neben der Klasse auch die Menge und/oder das Kaliber des Gargutes bestimmt, wobei anhand dieser Informationen der Garprozess angepasst wird. Die automatische Erkennung kann somit nicht nur das Gargut selbst, sondern auch die Menge und/oder das Kaliber bestimmen, wodurch sichergestellt ist, dass der Garprozess an das eingebrachte Gargut optimal angepasst ist.

[0010] Insbesondere können die Bilder und/oder die Eigenschaften von Bildern vom Benutzer aus der Datenbank entfernt oder einer anderen Klasse zugewiesen werden. Hierdurch kann die Einteilung der Klassen nachträglich eingestellt werden bzw. angepasst werden, sodass das Gargerät bzw. die Steuerung des Gargeräts ein ähnliches Gargut bei einem späteren Einführen direkt der Klasse zuordnet, die der Bediener des Gargeräts manuell eingestellt hat. Dies ist insbesondere auch dann vorteilhaft, wenn festgestellt worden ist, dass für ein bestimmtes Gargut, das eigentlich einer ersten Klasse zugeordnet worden ist, ein besseres Garergebnis erzielt wird, wenn ein Garprozess gemäß einer zweiten Klasse durchgeführt wird.

[0011] Ein weiterer Aspekt der Erfindung sieht vor, dass der Benutzer, wenn die Steuereinheit die Klasse des Gargutes bestimmt hat, die Klasse des Gargutes mittels einer Benutzerschnittstelle in eine andere Klasse ändern kann, wobei in diesem Falle das Bild und/oder die Eigenschaften des Bildes in der Datenbank der anderen Klasse zugewiesen werden, die Zuordnung des Bildes und/oder der Eigenschaften des Bildes zur von der Steuereinheit bestimmten Klasse aufgehoben wird und gegebenenfalls der Garprozess angepasst wird. Der manuelle Eingriff stellt eine Sicherheitsfunktion dar, sofern die automatische Erkennung ein Gargut einer falschen Klasse zuordnet. Die Datenbank wird dabei ebenfalls entsprechend angepasst.

[0012] Ferner kann die Steuereinheit beim Vergleich zur Bestimmung der Klasse des Gargutes für mehrere, insbesondere für jede Klasse, einen Zugehörigkeitsfaktor des Gargutes zur jeweiligen Klasse ermitteln. Der Zugehörigkeitsfaktor stellt eine Art Wahrscheinlichkeit dar, die angibt, wie wahrscheinlich das zu garende Gargut einer bestimmten Klasse zuzuordnen ist. Die jeweiligen Klassen weisen charakteristische Werte für die charakteristischen Variablen bzw. Wiedererkennungsparametern auf, wie die Konturenhistogramme und/oder die Farbhistogramme, anhand derer bzw. der Abweichung von den charakteristischen Werten der Zugehörigkeitsfaktor zu einer bestimmten Klasse ermittelt werden kann. Die charakteristischen Werte entsprechen den Schwerpunkten der entsprechenden Klassen.

[0013] Insbesondere bestimmt die Steuereinheit die Klasse mit dem größten Zugehörigkeitsfaktor als Klasse des Gargutes, falls der Zugehörigkeitsfaktor größer als ein vorbestimmter Schwellwert ist. Über den Schwellwert kann eingestellt werden, dass eine bestimmte Übereinstimmung oder Wahrscheinlichkeit vorliegen muss, damit das Gargerät das zu garende Gargut als bekannt ansieht und einer bestimmten Klasse zuordnen kann.

[0014] Ferner ordnet die Steuereinheit das Gargut keiner Klasse zu, wenn sämtliche ermittelte Zugehörigkeitsfaktoren unterhalb des vorbestimmten Schwellwertes liegen. Dies ist insbesondere dann der Fall, wenn das zu garende Gargut dem Gargerät unbekannt ist, wodurch der Benutzer des Gargerätes gemäß Schritt d) aufgefordert wird, das Gargut einer Klasse zuzuweisen.

[0015] Gemäß einem weiteren Aspekt der Erfindung gibt die Steuereinheit dem Benutzer des Gargerätes wahrscheinliche Klassen für das zu garende Gargut über die Benutzerschnittstelle zur Auswahl an, wenn die Steuereinheit die Klasse des Garguts nicht eindeutig bestimmen kann. Dies ist insbesondere dann der Fall, wenn die Steuereinheit aufgrund der Zugehörigkeitsfaktoren mehrere Klassen mit einem gleich großen bzw. ähnlich großen Zugehörigkeitsfaktor ermittelt hat. Der Benutzer wird dann vom Gargerät aufgefordert, eine der wahrscheinlichen Klassen auszuwählen. Sollte das zu garende Gargut keiner der wahrscheinlichen Klassen zuzuordnen sein, so kann der Benutzer gemäß Schritt d) die Klasse manuell eingeben.

[0016] Generell kann ein lineares oder nicht-lineares multidimensionales statistisches Verfahren zur Verarbeitung der Eigenschaften des Bildes durchgeführt werden. Die erfassten Bilder bzw. deren Eigenschaften stellen eine große Menge statisch auswertbarer Daten dar, die durch ein entsprechendes Verfahren bearbeitet und analysiert werden können. Insbesondere ist es hierdurch möglich, dass das Gargerät die erfassten Gargüter klassifizieren kann.

[0017] Ein weiterer Aspekt der Erfindung sieht vor, dass eine neue Klasse eines noch unbekannten Garguts und/oder eine Veränderung der bereits vorhandenen Klasseneinteilung mithilfe des linearen oder nichtlinearen multidimensionalen statistischen Verfahrens bestimmt bzw. durchgeführt wird, insbesondere mithilfe einer linearen Diskriminanzanalyse (LDA).

[0018] Bei den multidimensionalen statistischen Verfahren, auch Diskriminanzanalysen genannt, handelt es sich allgemein um Methoden zur Unterscheidung von zwei oder mehreren Klassen, die anhand von charakteristischen Variablen oder Wiedererkennungsparametern gekennzeichnet sind, wobei das Verfahren die jeweiligen Klassen aufgrund ihrer charakteristischen Variablen überprüfen kann, sodass hierdurch eine eindeutige Zuordnung des Garguts zu einer der jeweiligen Klasse möglich ist, sofern die jeweilige Klasse bereits bekannt ist. Ansonsten kann eine neue Klasse angelegt werden, die die Daten des bisher unbekannten Garguts aufweist. Bei der Diskriminanzanalyse werden die aus den Bildern in mathematische Objekte abstrahierte Daten, beispielsweise Vektoren oder Matrizen, als Koordinaten in einem entsprechend mehrdimensionalen Raum aufgefasst.

[0019] Je mehr charakteristische Wiedererkennungsparameter oder Variablen zur Unterscheidung der jeweiligen Gargüter herangezogen werden, desto höher ist die entsprechende Dimension des mathematischen Objekts. Um komplexe Zuordnungen der Gargüter bei mehreren charakteristischen Wiedererkennungsparametern zu vermeiden, können die hochdimensionalen mathematischen Objekte in ihrer Dimension reduziert werden. Beispielsweise kann hierfür das Fisher'sche Kriterium verwendet werden, wodurch die mathematischen Objekte in lediglich eine Dimension projiziert werden können. Generell ist vorgesehen, dass eine Klasse derart reduziert wird, dass die Klasse einen Schwerpunkt und eine gewisse Ausdehnung um diesen Schwerpunkt aufweist.

[0020] Um die jeweiligen Klassen voneinander zu trennen, werden in der LDA Linearfunktionen verwendet, also ein lineares Gleichungssystem, das jeden charakteristischen Wiedererkennungsparameter mit einem entsprechenden Koeffizienten verknüpft, sodass Funktionen ermittelt werden, die die Klassen voneinander abgrenzen.

[0021] Soll eine neue Klasse angelegt werden und/oder muss die bereits vorhandene Klasseneinteilung, also die Grenzen der jeweiligen Klassen, angepasst werden, so muss das lineare oder nichtlineare multidimensionale statistische Verfahren durchgeführt werden. Da hierzu Rechenzeit benötigt wird, kann es sinnvoll sein, mehrere solcher Rechenvorgänge zusammenzufassen.

[0022] Insbesondere weisen die linearen oder nicht-linearen multidimensionalen statistischen Verfahren zur Klassifizierung ein Maß für die Erkennungssicherheit auf, insbesondere ein intrinsisches Maß für die Erkennungssicherheit. Dies ist vor allem dann von Bedeutung, wenn ein unbekanntes Objekt zugeführt wird. Bei dem Maß für die Erkennungssicherheit kann es sich um den Zugehörigkeitsfaktor direkt handeln oder dieser kann aus dem Maß für die Erkennungssicherheit hergeleitet werden. Demnach wird der Zugehörigkeitsfaktor durch das lineare oder nicht-lineare multidimensionale statistische Verfahren selbst bereitgestellt oder zumindest aus diesem abgeleitet.

[0023] Die lineare Diskriminanzanalyse als statistisches Verfahren zur Klassifizierung zeichnet sich dadurch aus, dass sie ein intrinsisches Maß für die Erkennungssicherheit hat, also bereits in sich selbst aufweist. Hierdurch muss keine weitere Implementierung erfolgen, um das Maß für die Erkennungssicherheit bei der Anwendung des multidimensionalen statistischen Verfahrens angeben zu können.

[0024] Bei der Durchführung des linearen oder nicht-linearen multidimensionalen statistischen Verfahrens können Diskriminanzfunktionen bestimmt werden. Diese Diskriminanzfunktionen dienen dazu, die gewonnen Daten aus den Eigenschaften der Bilder sinnvoll zu trennen, sodass Klassen gebildet werden. Anhand der Diskriminanzfunktionen ist es somit möglich, dass das Gargerät, insbesondere die Steuerung, eine Entscheidung darüber treffen kann, zu welcher Klasse ein neues Gargut gehört, dessen Eigenschaften mathematisch erfasst worden sind, insbesondere durch einen Bilderkennungsalgorithmus.

[0025] Generell kann wenigstens ein Bilderkennungsalgorithmus verwendet werden, der multidimensionale mathematische Objekte ausgehend von den erfassten Eigenschaften des Bildes erstellt, wobei das lineare oder nicht-lineare multidimensionale statistische Verfahren die Dimension der mathematischen Objekte reduziert. Hierdurch ist es möglich, die hochkomplexen und multidimensionalen mathematischen Objekte, die durch den Bilderkennungsalgorithmus erzeugt werden, in besser handhabbare mathematische Objekte zu skalieren, sodass sich unter anderem die Diskriminazfunktionen einfacher und schneller bestimmen lassen. Demnach kann die Klassifizierung unbekannter Objekte in effizienter Weise durchgeführt werden.

[0026] Generell werden die vom Bilderkennungsalgorithmus extrahierten Eigenschaften eines neuen Garguts in ein mathematisches Objekt zusammengefasst, welches vom linearen oder nicht-linearen multidimensionalen statistischen Verfahren in seinen Dimensionen reduziert werden kann. Das (reduzierte) mathematische Objekt wird dann in wenigstens eine der zuvor berechneten Diskriminanzfunktionen eingesetzt, um die Zugehörigkeit des neuen Garguts zu einer der Klassen zu ermitteln.

[0027] Mit der LDA ist es zudem generell möglich, die einzelnen Klassen voneinander besonders einfach zu unterscheiden, da mit der LDA, insbesondere dem der LDA zugrunde liegendem Fisher'schen Kriterium, intrinsische Maße für die Erkennungssicherheit angegeben werden können. Dies betrifft sowohl die Klassen als auch die Zwischenräume zwischen den Klassen.

[0028] Die linearen oder nicht-linearen multidimensionalen statistischen Verfahren sind generell keine Bilderkennungsalgorithmen, sondern zusätzlich hierzu vorgesehene Verfahren, über die die von den Bilderkennungsalgorithmen erzeugten mathematischen Objekte weiterverarbeitet werden.

[0029] Insbesondere wird zu Beginn eine Lernphase durchgeführt, in der die Datenbank die Klassen erlernt. In der Lernphase des Gargeräts werden dem Gargerät Objekte zur Klasseneinteilung vorgesetzt, wobei die lineare Diskriminanzanalyse diese Objekte anhand der charakteristischen Variablen oder Wiedererkennungsparamter klassifiziert und die entsprechenden linearen Diskriminanzfunktionen berechnen kann. Anhand des Schwerpunkts und der Ausdehnung um den Schwerpunkt kann mithilfe der LDA aufgrund des intrinsischen Erkennungsmaßes der Zugehörigkeitsfaktor eines zu bestimmenden Garguts in einfacher Weise ermittelt werden. Hierzu werden die entsprechend ermittelten Wiedererkennungsparameter des neuen Objekts in die Diskriminanzfunktionen eingesetzt und die Diskriminanzvariable berechnet. Anhand derer ist dann eine Zuordnung über den Zugehörigkeitsfaktor möglich. Anders ausgedrückt stellt die Diskriminanzvariable bzw. der Zugehörigkeitsfaktor das Verhältnis aus dem Abstand des neuen Punktes des zu garenden Garguts vom Klassenschwerpunkt zur Ausdehnung der Klasse in Richtung des neuen Punktes dar.

[0030] Allgemein lässt sich bei Verfahren, die für jede Klasse eine Standardabweichung der verwendeten abstrakten Merkmale bzw. Wiedererkennungsparameter im Merkmalsraum erstellen, wie die LDA, ein Zugehörigkeitsfaktor durch Vergleich des Abstandes des Merkmalssatzes des neuen Objektes zu den Schwerpunkten der einzelnen Klassen im Merkmalsraum mit den jeweiligen Standardabweichungen bestimmen. Dabei kann eine Standardhäufigkeitsverteilung, beispielsweise eine Gauß-Verteilung, um den Klassenschwerpunkt angenommen werden.

[0031] Alternativ zu der linearen Diskriminanzanalyse (LDA) kann auch eine Hauptkomponentenanalyse (PCA) als lineares multidimensionales statistisches Verfahren durchgeführt werden.

[0032] Die jeweiligen Datensätze werden bei der Hauptkomponentenanalyse durch die jeweilige Varianz voneinander getrennt, die möglichst groß sein soll. Zunächst werden die jeweiligen Klassen bzw. deren hochdimensionale Objekte durch eine möglichst geringe Zahl an aussagekräftigen Linearkombinationen angenähert. Die aussagekräftigen Linearkombinationen werden als Hauptkomponenten bezeichnet. Die Hauptkomponenten können durch Ermittlung der Eigenwerte und Eigenvektoren der jeweiligen Datensätze ermittelt werden.

[0033] Des Weiteren kann ein "Random Forest"-Verfahren (RFV) zur Klassifizierung angewandt werden. Das Random Forst-Verfahren weist jedoch im Gegensatz zur LDA kein intrinsisches Maß für die Erkennungssicherheit auf, weswegen beim RFV noch eine entsprechende Implementierung vorgenommen werden muss, um zusätzlich ein Maß für die Erkennungssicherheit zu erhalten.

[0034] Alternativ kann ein sogenanntes ISOMAP-Verfahren angewandt werden, bei dem eine nichtlineare Dimensionsreduzierung durchgeführt wird. Die ISOMAP-Verfahren sind auch als L-ISOMAP- oder C-ISOMAP-Verfahren bekannt.

[0035] Ein weiteres alternatives Verfahren zur Klassifizierung stellt das "Nearest Neighbor"-Verfahren dar, das öfters auch als "k-nächste-Nachbarn-Algorithmus" bekannt ist. Hierbei wird ein unbekanntes Objekt unter anderem aufgrund der "k" nächsten bereits klassifizierten Objekte klassifiziert. Dieses Verfahren eignet sich insbesondere dann, wenn viele Klassen bereits bekannt sind und keine Objekte einer neuen Klasse zugeführt werden.

[0036] Weitere Vorteile und Eigenschaften der Erfindung ergeben sich aus der nachfolgenden Beschreibung und den Zeichnungen, auf die Bezug genommen wird.

[0037] In den Zeichnungen zeigen:

• Fig. 1 ein Flussdiagramm, das den Ablauf der Lernphase darstellt, und
• Fig. 2 ein Flussdiagramm, das den Ablauf des Erkennungsverfahrens darstellt.

[0038] In einer ersten Phase, die auch Lernphase genannt wird und in Figur 1 gezeigt ist, werden dem Gargerät die unterschiedlichen Klassen angelernt.

[0039] In dieser Lernphase werden dem Gargerät verschiedene Objekte ein und derselben Klasse vorgesetzt, sodass das Gargerät Bilder von den verschiedenen Objekten erstellt. Hierbei werden insbesondere die charakteristischen Parameter der Objekte erfasst.

[0040] Die Steuerung des Gargeräts abstrahiert dann aus den aufgenommenen Bildern Daten, die den charakteristischen Wiedererkennungsparameter bzw. Variablen entsprechen. Bei diesen charakteristischen Variablen oder Wiedererkennungsparametern kann es sich um Farbhistogramme, Konturenhistogramme, Farben oder Konturen der Objekte handeln.

[0041] Die charakteristischen Wiedererkennungsparameter bzw. Variablen werden anschließend in mathematische Objekte wie einen Vektor, eine Matrix oder eine Zahl umgesetzt, um diese rechentechnisch handhaben zu können.

[0042] Je nach Anzahl der charakteristischen Wiedererkennungsparameter bzw. Variablen ergeben sich mathematische Objekte mit einer entsprechend hohen Dimension. Daher kann eine Reduzierung der mathematischen Objekte auf eine niedrigere Dimension vorgesehen sein, um die Rechenprozesse zu erleichtern und zu beschleunigen. Dieser optionale Schritt ist in der Figur 1 gestrichelt dargestellt.

[0043] Beispielsweise kann dies mithilfe des Fisher'schen Kriteriums durchgeführt werden. Hierdurch kann eine mehrdimensionale Matrix in einen zweidimensionalen Raum projiziert werden, sodass die der Matrix zugehörige Klasse durch einen Schwerpunkt und eine lineare Ausdehnung der Klasse definiert ist.

[0044] Diese bisher beschriebenen Prozesse laufen für sämtliche vorgesehene Klassen ab, sodass allgemein aufgrund der vielen Daten der vielen verschiedenen Objekte eine Datenwolke entsteht. Diese Datenwolke weist verschiedene Datenunterwolken auf, die jeweils einer bestimmten Klasse abstrakt zuzuordnen sind. Jedoch kann die Datenunterwolke einer bestimmten Klasse noch nicht von einer anderen Klasse unterschieden werden.

[0045] Diese Unterscheidung ist erst möglich, nachdem ein lineares oder nichtlineares multidimensionales statistisches Verfahren, auch Diskriminanzanalyse genannt, durchgeführt worden ist, das die jeweilige Datenunterwolke einer bestimmten Klasse durch eine die Datenunterwolken aller Klassen trennende lineare oder nichtlineare Diskriminanzfunktion trennt. Dies kann beispielsweise mithilfe der linearen Diskriminanzanalyse (LDA) geschehen.

[0046] Mit der Diskriminanzanalyse oder einem anderen Verfahren zur Gruppierung werden demnach Diskriminanzfunktionen ermittelt, die die charakteristischen Wiedererkennungsparamter als Variablen aufweisen. Über die Diskriminanzfunktionen sind die angelernten Klassen voneinander unterscheidbar, wobei es je nach Klassen und Wiederkennungsparametern durchaus zu Überschneidungen kommen kann.

[0047] Wurden nun die mehreren Klassen dem Gargerät angelernt, so kann bei einem späteren Betrieb des Gargeräts die Steuerung automatisch erkennen, ob ein zu garendes Gargut einer bestimmten Klasse zuzuordnen ist. Dies ist in Figur 2 gezeigt.

[0048] Hierzu wird das zu garende Gargut beim Einführen wiederum mittels einer optischen Vorrichtung (Kamera) aufgenommen, wobei die entsprechenden charakteristischen Parameter aus dem aufgenommenen Bild bestimmt und erneut abstrahiert werden. Anhand der abstrahierten Werte kann die Steuerung dann ermitteln, ob das zu garende Gargut einer bestimmten Klasse zuzuordnen ist. Hierzu werden die charakteristischen Paramter in die Diskriminanzfunktionen eingesetzt und die Diskriminanzvariable ermittelt. Die Diskriminanzvariable entspricht einem Zugehörigkeitsfaktor, über den die Zugehörigkeit als eine Art Wahrscheinlichkeit zu einer entsprechenden Klasse angegeben wird.

[0049] Der Zugehörigkeitsfaktor ist dabei derart definiert, dass er angibt, wie weit der projizierte neue Datenpunkt des zu garenden Garguts vom Schwerpunkt der jeweiligen Klasse im Vergleich zur Ausdehnung der jeweiligen Klasse entfernt ist. Je näher der jeweilige Punkt des zu garenden Garguts am Schwerpunkt der Klasse ist, desto wahrscheinlicher ist das zu garende Gargut der jeweilige Klasse zuzuordnen. Dies wird durch einen hohen Zugehörigkeitsfaktor dargestellt.

[0050] Sollten alle Zugehörigkeitsfaktoren zu den jeweiligen Klassen beim Erkennen eines zu garenden Garguts unterhalb von zuvor definierten Schwellwerten liegen, so gibt das Gargerät über eine Benutzerschnittstelle aus, dass keine eindeutige Zuordnung möglich ist. Der Benutzer kann nun eine Klasse manuell auswählen und/oder das Gargerät zeigt die wahrscheinlichsten Klassen an, aus denen der Benutzer dann die richtigte Klasse auswählen kann.

[0051] Des Weiteren kann die automatische Erkennung so ausgelegt sein, dass sie neben der Klasse des Garguts auch die Menge und/oder das Kaliber des Garguts erkennt.

[0052] Im Folgenden soll ein Beispiel angegeben werden, an dem das Verfahren zur Steuerung des Gargeräts erläutert wird:

Aus Gründen der besseren Anschaulichkeit wird dabei davon ausgegangen, dass das Gargerät nur drei Klassen von Gargut kennt. Hierbei kann es sich beispielsweise um rote Paprika, rote Chili und Kartoffel handeln.

[0053] Ferner wird aus Gründen der besseren Veranschaulichung angenommen, dass zur Bestimmung der jeweiligen Klassen lediglich zwei Parameter herangezogen werden, beispielsweise die Kontur und das Farbhistogramm.

[0054] Wird dem Gargerät nun ein zu garendes Objekt zugeführt, beispielsweise eine rote Paprika, so wird das zu garende Objekt fotografiert und anhand des aufgenommenen Bildes die charakteristischen Parameter, das Farbhistogramm und die Kontur, aus dem Bild bestimmt und abstrahiert. Aufgrund der abstrahierten Daten wird dann von der Steuerung ermittelt, ob das zu garende Gargut entweder in die Klasse Paprika rot oder Chili rot gehört. Dies geschieht durch Einsetzen der charakteristischen Parameter in die bereits zur Klassenunterscheidung gebildeten Diskriminanzfunktionen.

[0055] Da dem Gargerät die Klasse rote Paprika schon bekannt ist, wird ein Zugehörigkeitsfaktor ausgegeben, welcher derart hoch ist, dass das Gargerät automatisch erkennt, dass es sich um eine rote Paprika handelt.

[0056] Würde dem Gargerät jedoch eine rote Mini-Paprika zugeführt, dessen Größe typischerweise zwischen den Größen einer roten Paprika und einer roten Chili liegt, so kann es sein, dass das Gargerät für beide Klassen einen etwa gleich großen Zugehörigkeitsfaktor ermittelt. Hierdurch kann das Gargerät keine eindeutige Zuordnung des zu garenden Objekts zu einer bestimmten Klasse ermitteln, weswegen das Gargerät dem Bediener des Gargeräts die beiden wahrscheinlichsten Klassen, hier Paprika rot bzw. Chili rot, zur Auswahl vorschlägt. Die Klasse Kartoffel wird dabei nicht vorgeschlagen, da der Zugehörigkeitsfaktor aufgrund des unterschiedlichen Farbhistogramms und der unterschiedlichen Kontur entsprechend klein ist.

[0057] Der Bediener kann dann manuell auswählen, ob die rote Mini-Paprika eher der Klasse Paprika rot oder der Klasse Chili rot zuzuordnen ist. Entscheidet sich der Bediener für eine der beiden Klassen, so wird der Schwerpunkt der gewählten Klasse sowie dessen Ausdehnung entsprechend um die neu hinzugewonnenen Daten der Mini-Paprika rot verändert, sofern die Option aktiviert ist, dass neue Daten der Datenbank hinzugefügt werden dürfen. Daher ist dies in Figur 2 gestrichelt dargestellt.

[0058] Dies bedeutet, dass das Gargerät beim Erkennen neuer Gargüter dazulernt. Dies geschieht ebenfalls dann, wenn ein bereits erkanntes Gargut einer bekannten Klasse zugeordnet wird, die jedoch nicht exakt den Schwerpunkt dieser Klasse trifft. Hierdurch können sich der Schwerpunkt und die Ausdehnung der Klasse verschieben. Dies gewährleistet eine dauerhafte Anpassung und somit höchste Erkennungsgenauigkeit des Gargeräts.

[0059] Alternativ kann sich der Benutzer jedoch auch dazu entscheiden, eine neue Klasse anzulegen, die er beispielsweise Mini-Paprika rot nennt. Da diese Klasse dem Gargerät bisher noch nicht bekannt war, hat das Gargerät noch keine Abgrenzung gegenüber den anderen Klassen. Dies kann erst dann geschehen, wenn das zur Klassifizierung benötigte lineare oder nichtlineare multidimensionale statistische Verfahren durchgeführt wird, um entsprechende Diskriminanzfunktionen zur Abgrenzung der Klassen zu ermitteln. Hierzu muss eine ausreichende Datenbasis für die neue Klasse vorhanden sein.

[0060] Dies kann im Hintergrund während des Betriebs des Gargeräts geschehen oder vom Bediener aktiv oder vom Gargerät automatisch gestartet werden, beispielsweise über Nacht, wenn das Gargerät nicht bedient wird und daher keine Rechenleistung für andere Rechenprozesse benötigt.

[0061] Ein weiteres Beispiel ist eine gelbe Paprika, die dem Gargerät als zu garendes Gargut zugeführt wird.

[0062] Da das Gargerät bisher die Klasse Paprika gelb noch nicht kennt, wird das Gargerät keine eindeutige Zuordnung der gelben Paprika zu einer bestimmten Klasse durchführen können. Aufgrund der beiden charakteristischen Parameter, Farbhistogramm sowie Kontur, würde das Gargerät jedoch die Klasse Paprika rot mit einem höheren Zugehörigkeitsfaktor ermitteln.

[0063] Der Bediener des Gargeräts kann dann entscheiden, ob er die gelbe Paprika zur Klasse Paprika rot hinzufügt oder eine neue Klasse Paprika gelb erstellen möchte.

[0064] Entscheidet sich der Bediener des Gargeräts dazu, die gelbe Paprika ebenfalls in die Klasse Paprika rot einzuordnen, so würde die Klasse Paprika rot sich derart ausdehnen, dass bei einem späteren Garprozess, wenn beispielsweise eine orangene Paprika dem Gargerät zugeführt wird, diese automatisch in die Klasse Paprika rot eingeordnet wird, da nun die Klasse Paprika rot sämtliche Farbspektren von rot bis gelb umfasst.

[0065] Würde das Gargerät anstatt des beispielhaft verwendeten linearen Diskriminanzanalyseverfahrens ein nichtlineares multidimensionales statistisches Verfahren zur Ermittlung der Klassen verwenden, so könnte eine Klasse derart ausgebildet sein, dass nur rote und gelbe Paprika von ihr umfasst sind, jedoch keine Farben, die im farblichen Zwischenraum liegen, wie dies beim linearen Diskriminanzanalyseverfahren der Fall ist. Dies bedeutet, dass der Zwischenraum sozusagen ausgespart bleibt.

[0066] Diese Aussparung lässt sich durch Implementierung weiterer Verfahrensschritte auch mit einem linearen multidimensionalen statistischen Verfahren realisieren, insbesondere automatisiert. Ferner kann der Benutzer die Aussparrung manuell vornehmen.

[0067] Konkret können bei der linearen Diskriminazanalyse einer vom Benutzer angelegten Klasse mehrere Unterklassen zugewiesen werden. Im zuvor genannten Beispiel könnte die vom Benutzer angelegte Klasse "Paprika rot/gelb" in die Unterklassen "Paprika rot" und "Paprika gelb" zerlegt werden, sodass der Zwischenbereich ("Paprika orange") nicht enthalten ist. Dies kann durch den Benutzer selbst vorgenommen werden. Es gibt aber auch die Möglichkeit, dies völlig automatisch vorzunehmen, ohne dass der Benutzer eingreifen muss, wie nachfolgend erläutert wird.

[0068] Im einfachsten Fall zerfällt die Klasse nur bezüglich einzelner Merkmale bzw. Wiedererkennungsparameter in disjunkte Gebiete im Merkmalsraum bzw. im Parameterraum. Um diese Situation automatisch zu erkennen, muss nach Lücken oder nach Häufungspunkten in den einzelnen Merkmalen gesucht werden.

[0069] Dazu könnten beispielsweise die Datenpunkte bezüglich des jeweiligen Merkmals sortiert werden, um anschließend die Abstände zu den nächsten, übernächsten bzw. n-ten Nachbarn einfach berechnen zu können. Die Maxima der Funktion Abstand versus Merkmalsmittelwert der beiden Punkte sind potentielle Trennwerte für Unterklassen.

[0070] Ob eine Trennung der potentiellen Unterklassen sinnvoll ist, kann über einen geeigneten Schwellwert für den Parameter Schwerpunktabstand zum quadratischen Mittelwert der Standardabweichungen der jeweiligen potentiellen Unterklassen geschehen.

[0071] Diese Trennung kann eindimensional ablaufen, sofern das Trennungskriterium ein Merkmal bzw. ein Wiedererkennungsparameter ist, weshalb die benötigte Rechenzeit gering ist.

[0072] Wenn eine Trennung in mehreren Merkmalen in Frage kommt, muss geprüft werden, ob die Unterklassen im Wesentlichen aus denselben Datenpunkten bestehen oder nicht.

[0073] Sofern die Unterklassen im Wesentlichen aus denselben Datenpunkten bestehen, so würde sich die Zahl der Unterklassen reduzieren und das Kriterium für eine Trennung wäre durch die entsprechenden Abstände im Unterraum zu ersetzen, der von den zur Trennung in Frage kommenden Merkmalen aufgespannt wird.

[0074] Es sollte für jede Unterklasse eine ausreichende Anzahl von Datenpunkten vorhanden sein, damit die Schwerpunkte und die Standardabweichungen im Merkmalsraum für jede Unterklasse mit hinreichender Zuverlässigkeit bestimmt werden können. Der Schwellwert, der zur Entscheidung über die Trennung der potentiellen Unterklassen dient, sollte daher von der Zahl der verfügbaren Datenpunkte und der Anzahl der Merkmale abhängen.

[0075] Bei diesem implementierten Verfahren würden im gesamten Merkmalsraum bzw. Parameterraum der Wiedererkennungsparameter nur solche Lücken gefunden werden, die senkrecht zu den Merkmalsachsen liegen. Es ist darüber hinaus durchaus möglich, schräg liegende Lücken oder solche Lücken zu finden, die eine kompliziertere Form haben.

[0076] Dazu könnte beispielsweise nach der Durchführung einer LDA nach Löchern in dem zu einer Klasse gehörenden Gebiet gesucht werden. Für die Suche nach solchen Löchern gibt es viele Umsetzungsmöglichkeiten.

[0077] Beispielsweise könnte jeder Datenpunkt durch eine Gewichtsfunktion ersetzt werden, die mit dem Abstand abfällt. Die Summe der Gewichtsfunktionen stellt dann ein Maß für die Dichte der Datenpunkte in der Nachbarschaft dar. Ihre Minima sind die Zentren potentieller Löcher.

[0078] Dieses beispielhafte Verfahren und analoge Verfahren kommen auch für einzelne Merkmale in Frage, insbesondere bei vielen Datenpunkten. Sofern wenige Datenpunkte vorliegen, ist das zuvor genannte Verfahren aus Zeitgründen zu bevorzugen.

[0079] Ein Kriterium für die Sinnhaftigkeit von Unterklassen könnte die Reduzierung des Klassenvolumens sein. Die Unterklassen werden vorzugsweise um die Maxima der Gewichtsfunktion gebildet. Die Datenpunkte werden dann jeweils dem nächstgelegenen Maximum zugeordnet.

[0080] Hiermit lassen sich selbst komplexe Klassengrenzen approximieren, die normalerweise nur mit nichtlinearen Verfahren abgebildet werden könnten.

[0081] Im Gegensatz hierzu sind die benötigten Rechenverfahren zur Berechnung der nichtlinearen Diskriminanzfunktionen aus einem nichtlinearen Gleichungssystem erheblich aufwendiger als die oben beispielhaft genannten Verfahren, sodass mehr Rechenleistung und Zeit zur Verfügung stehen muss. Dies liegt unter anderem daran, dass es kein allgemein gültiges Verfahren zur Lösung eines nichtlinearen Gleichungssystems gibt. Ob und wie die nichtlinearen Gleichungen lösbar sind, hängt immer von den entsprechenden Daten ab.

[0082] Aufgrund dessen ist die mit wenig Rechenleistung verbundende Suche nach Lücken effizient und deckt im Anwendungsbereich von automatisierter Garguterkennung die meisten Fälle ab.

[0083] Daher ist ein lineares multidimensionales statistisches Verfahren typischerweise bevorzugt, insbesondere bei Gargeräten, die bei einem Endverbraucher stehen, bei dem kein Fachmann vor Ort ist.

[0084] Sofern das Gargerät die Klasse des Garguts automatisch erkannt hat, greift es auf eine Datenbank zu, um einen für die bestimmte Klasse entsprechenden Garprozess auszuwählen. Die Datenbank kann im Gargerät integriert oder außerhalb des Gargeräts vorgesehen sein, wobei das Gargerät dann über eine Schnittstelle auf die Datenbank zugreift. Der Zugriff auf die Datenbank findet auch dann statt, wenn das Gargerät die Klasse des Garguts nicht erkannt hat, und der Benutzer eine Klasse ausgewählt hat.

[0085] Das Gargerät vergleicht dann, insbesondere bei einer Mischbeschickung, die derzeit im Garraum vorliegenden Garraumbedingungen, beispielsweise Temperatur und Feuchte, mit den Kennwerten des der bestimmten Klasse entsprechenden Garprozesses. Sofern die im Garraum vorliegenden Garraumbedingungen in einem Bereich liegen, der dem der bestimmten Klasse entsprechenden Garprozess entspricht, so kann der Benutzer das vom Gargerät erkannte Gargut einlegen. Dies wird dem Benutzer signalisiert. Sollten die Garraumbedingungen außerhalb des Bereichs liegen, so wird dies dem Benutzer ebenfalls signalisiert.

[0086] Das Gargerät kann bei der Bestimmung des der bestimmten Klasse entsprechenden Garprozesses auch auf die Einstellungen des Gargeräts zurückgreifen, insbesondere den geographischen Aufstellort des Gargeräts und die gewählte Sprache. Hierüber können landes- oder regionaltypische Unterschiede im gewünschten Garprozess berücksichtigt werden. Dies betrifft beispielsweise den Bräunungsgrad einer Backware.

[0087] Sofern mehrere Garprozesse für die bestimmte Klasse des Garguts hinterlegt sind, wie Dämpfen oder Grillen bei einem Fisch, so kann das Gargerät dem Benutzer die der entsprechenden Klasse zugeordneten Garprozesse zur Auswahl stellen. Der Benutzer kann dann auswählen, welcher Garprozess durchführt werden soll. Das Gargerät erkennt demnach die Klasse des Garguts automatisch und sucht in der Datenbank nach Garprozessen für die erkannte Klasse, wodurch der Automatisierungsgrad entsprechend erhöht ist.

[0088] Bei der Auswahl mehrerer Garprozesse kann das Gargerät insbesondere anzeigen, welcher der zur Auswahl stehenden Garprozesse aufgrund der vorliegenden Garraumbedingungen durchgeführt werden kann.

[0089] Des Weiteren können neben der optischen Vorrichtung weitere Sensoren vorgesehen sein, beispielsweis ein Temperatursensor für das zu erkennende Gargut. Der Temperatursensor kann die optische Vorrichtung dahingehend unterstützen, dass erkannt wird, ob es sich beispielsweise um eine tiefgefrorene Backware oder eine gekühlte Backware handelt. Generell kann dies die optische Vorrichtung auchh allein erkennen, beispielsweise aufgrund des Glanzes bzw. der Reflexion der Oberfläche des zu erkennenden Garguts. Entsprechend dem erkannten Zustand des Garguts wird auf einen bestimmten Garprozess in der Datenbank zurückgegriffen.

[0090] Allgemein kann der Bediener beim manuellen Verschieben von erkannten Gargütern auch die Datenbank entsprechend ändern, sodass sich die Klassen anpassen. Dieser Eingriff in die Datenbank soll allerdings nur eine optionale Möglichkeit darstellen, die beispielsweise über ein Passwort restriktiv gehandhabt wird. Die Veränderung bereits bekannter Klassen ist ebenfalls optional.

[0091] Mit dem erfindungsgemäßen Verfahren ist ein noch höherer Automatisierungsgrad bei der Steuerung eines Gargeräts geschaffen.

Ansprüche

1. Verfahren zur Steuerung eines Gargerätes, bei dem:

a) ein Bild von einem zu garenden Gargut mittels einer optischen Vorrichtung, insbesondere einer Kamera, erstellt und an eine Steuereinheit eines Gargerätes übermittelt wird,

b) die Steuereinheit das Bild und/oder die Eigenschaften des Bildes, wie Konturen, Konturenhistogramme, auftretende Farben und Farbhistogramme, mit zuvor in einer Datenbank der Steuereinheit hinterlegten Bildern und/oder Eigenschaften von Bildern vergleicht, um die Klasse des Gargutes zu bestimmen, wobei die in der Datenbank hinterlegten Bilder und/oder die Eigenschaften der Bilder zu Klassen zusammengefasst sind,

c) wenn die Steuereinheit die Klasse des Gargutes bestimmt hat, ein der bestimmten Klasse entsprechender Garprozess vom Gargerät automatisch begonnen wird, das Bild und/oder die Eigenschaften des Bildes bei Bedarf zur Datenbank hinzugefügt und der bestimmten Klasse zugewiesen werden, und

d) wenn die Steuereinheit die Klasse des Gargutes nicht bestimmen kann, der Benutzer des Gargerätes die Klasse des Gargutes mittels einer Benutzerschnittstelle an die Steuereinheit übergibt und das Bild und/oder die Eigenschaften des Bildes bei Bedarf zur Datenbank hinzugefügt und der übergebenen Klasse zugewiesen werden.

2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die optische Vorrichtung das Bild des Gargutes beim Einführen des Gargutes in das Gargerät erstellt.

3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass die Eigenschaften des Bildes von der Steuereinheit aus dem Bild extrahiert werden.

4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass neben der Klasse auch die Menge und/oder das Kaliber des Gargutes bestimmt wird, wobei anhand dieser Informationen der Garprozess angepasst wird.

5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass Bilder und/oder Eigenschaften von Bildern vom Benutzer aus der Datenbank entfernt oder einer anderen Klasse zugewiesen werden können.

6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der Benutzer, wenn die Steuereinheit die Klasse des Gargutes bestimmt hat, die Klasse des Gargutes mittels einer Benutzerschnittstelle zu einer anderen Klasse ändern kann, wobei in diesem Falle das Bild und/oder die Eigenschaften des Bildes in der Datenbank der anderen Klasse zugewiesen werden, die Zuordnung des Bildes und/oder der Eigenschaften des Bildes zur von der Steuereinheit bestimmten Klasse aufgehoben wird und ggf. der Garprozess angepasst wird.

7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Steuereinheit beim Vergleich zur Bestimmung der Klasse des Gargutes für mehrere, insbesondere für jede Klasse einen Zugehörigkeitsfaktor des Gargutes zur jeweiligen Klasse ermittelt.

8. Verfahren nach Anspruch 7, dadurch gekennzeichnet, dass die Steuereinheit die Klasse mit dem größten Zugehörigkeitsfaktor als Klasse des Gargutes bestimmt, falls der Zugehörigkeitsfaktor größer als ein vorbestimmter Schwellwert ist.

9. Verfahren nach Anspruch 7 oder 8, dadurch gekennzeichnet, dass die Steuereinheit das Gargut keiner Klasse zuordnet, wenn sämtliche ermittelte Zugehörigkeitsfaktoren unterhalb des vorbestimmten Schwellwertes liegen.

10. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass ein lineares oder nicht-lineares multidimensionales statistisches Verfahren zur Verarbeitung der Eigenschaften des Bildes durchgeführt wird.

11. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass eine neue Klasse eines noch unbekannten Garguts und/oder eine Veränderung der bereits vorhandenen Klasseneinteilung mithilfe des linearen oder nicht-linearen multidimensionalen statistischen Verfahrens bestimmt bzw. durchgeführt wird, insbesondere mithilfe einer linearen Diskriminanzanalyse (LDA).

12. Verfahren nach Anspruch 10 oder 11, dadurch gekennzeichnet, dass das lineare oder nicht-lineare multidimensionale statistische Verfahren ein Maß für die Erkennungssicherheit aufweist, insbesondere ein intrinsisches Maß für die Erkennungssicherheit.

13. Verfahren nach einem der Ansprüche 10 bis 12, dadurch gekennzeichnet, dass bei der Durchführung des linearen oder nicht-linearen multidimensionalen statistischen Verfahrens Diskriminanzfunktionen bestimmt werden.

14. Verfahren nach einem der Ansprüche 10 bis 13, dadurch gekennzeichnet, dass Bilderkennungsalgorithmen multidimensionale mathematische Objekte ausgehend von den erfassten Eigenschaften des Bildes erstellen, wobei das lineare oder nicht-lineare multidimensionale statistische Verfahren die Dimension der mathematischen Objekte reduziert.

15. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Gargerät eine Lernphase zu Beginn durchführt, in der die Datenbank die Klassen erlernt.

Zeichnung