使用有监督模型对火候等级进行定量分析的方法

在编写新的菜谱时，我发现对于需要精确控制火候的菜肴，燃气炉具的火力难以用量化的方式表达：

将炉灶打开高火，同时锅中加入橄榄油，热锅 15-30秒。
将炉灶切换至中火，随后按顺序快速加入黄油
...

我阅读了以下的issue：
https://github.com/Anduin2017/HowToCook/issues/933
https://github.com/Anduin2017/HowToCook/issues/303
https://github.com/Anduin2017/HowToCook/issues/300
https://github.com/Anduin2017/HowToCook/issues/129

发现这似乎是一个长久的、没有被彻底解决的问题。我认为如果要将整个烹饪过程自动化，对于火候的量化是必须的。因此我在我的菜谱中加入了简易的火力参考标准：

• 对于燃气灶：
  • 高火：旋转气阀至最大出气速度的 70%-90%。
  • 中火：旋转气阀至最大出气速度的 40%-60%。
  • 小火：旋转气阀至最大出气速度的 10%-30%。

电磁炉等电力烹饪厨具可以用温度和功率方便的判断火力，而燃气炉具则不同。正如 https://github.com/Anduin2017/HowToCook/issues/303 中提到，使用阀门旋转角来判断火力大小是不够严谨的。这是由于燃气灶、水龙头这类日常使用的阀门，通常属于非线性控制阀。对于大多数阀门系统，流量 $Q \propto \sqrt{\Delta P} \cdot A$, ( $\Delta P$ ：压差， $A$：开口面积)

所以即使开口面积线性变化，流量依旧是非线性变化的。

我暂时想到了几个非接触式的定量分析燃气炉具火力的方案：

红外传感器测量

这是我能想到的最直观的办法，因为温度和热辐射成正比。

• 测量热辐射功率密度（单位：W/m²），归一化为百分比：火力百分比 = $\frac{E}{E_{\text{max}}} \times 100%$， $E$ 表示当前热辐射值， $E_{\text{max}}$ 表示最大热辐射基准值。
• 阈值划分（在校准后动态调整）， 高火70%~100%， 中火30%~70%，小火：0%~30%
• 热辐射值扣除环境温度影响（如减去25°C室温对应的黑体辐射）

火焰光谱分析

高火时火焰呈蓝色（波长450-495nm），小火时黄色（570-590nm）增多。通过视觉方案分析火焰颜色来判断温度

• 用RGB传感器或摄像头，计算蓝色通道占比：
  $$\text{蓝色比}=\frac{B}{R+G+B}\times100%$$
• 阈值：高火：蓝色比 > 60%，中火：40%~60%，小火：< 40%

温度变化率

锅底温度上升速率与火力正相关，和第一个方案有点类似。

• 监测锅底温度（热电偶或红外测温），计算斜率：
  $$\Delta T/\Delta t=\frac{T_{t+1}-T_t}{\text{时间间隔}}$$
• 阈值（以水加热为例）：高火：> 3°C/s， 中火：1~3°C/s， 小火：< 1°C/s

算法部分，应该要先校准：

• 高火校准：开最大火力，记录热辐射强度（设为基准值）、蓝色比、温度变化率。
• 小火校准：开最小稳定火焰，记录对应参数。
• 中火插值：通过线性或非线性模型生成中间阈值。

随后把数据应用到动态自适应模型：

• 使用机器学习如随机森林等算法对传感器数据（热辐射、光谱、温度变化率）进行融合。
• 模型输入：归一化后的传感器数据。
• 输出：火力状态概率分布，选最高概率作为结果。

例如，如果要在煮鸡蛋时判断火力：

1. 传感器数据：
   • 热辐射： $1200 W/m^2$（基准最大值为 $1500 W/m^2$ -> 80%）
   • 蓝色比：65%
   • 温度变化率：2.8°C/s
2. 综合判断：
   • 热辐射80% → 高火区间
   • 蓝色比65% → 高火特征
   • 温度变化率接近中火上限
3. 结论：高火状态（置信度>90%）。

以上方案仅作抛砖引玉之用，但难点还是在于硬件怎么搭配，希望能有大佬把方案落地 :D

The issue names no repository files, tests, or entry points; begin by reviewing linked issues 933, 303, 300, and 129 alongside the proposed sensor measurements and calibration steps. Done would mean turning the heat-level quantification proposal into a concrete hardware and supervised-model implementation, but the issue does not define acceptance criteria.