食品的温度状态直接影响其质量和安全性。但是传统的人工测温方式效率低下,难以实现实时监测。热成像技术可以捕捉物体表面的红外辐射,反映物体的温度分布和热特征，实现非接触测温。传统的热成像温度监控依赖于手动检测或是单点温度数据采集，准确性不足且对不同类型食品的泛化能力弱，传统的热成像需要分割食品的遮罩，对于不同食品需要重新标注训练。
本数据集为食品温度缓解状态的AI感知模型训练设计，总含量226个JPG格式热成像伪彩色图像文件。数据集中包含两大类食品温度状态：“eased”（温度已缓解），即食品温度与环境温度接近；以及“not eased”（还未缓解），即食品温度与环境温度差异较大。每类各自存放于相应命名的文件夹中，以利于机器学习算法进行学习与分类。
训练集中共计216张图像，用以训练AI模型，表征各种环境下的食品温度缓解特征。验证集包含10张图像，可评估模型的泛化能力，将学习到的特征应用于未曾见过的数据。基于本数据训练的AI模型能够学会如何区分温度是否已经缓解至接近环境温度，帮助食品加工和储存环节实现实时监控与自动调控。

本数据集适用于多种食品自动化生产线的温控流程。在诸如烘焙、烹饪或冷却等环节，食品温度缓解到室温后才便于进行后续加工、打包。而且食品原料的解冻环节同样需要监控，需要判断是否达到合适的加工温度。本数据集中包含的热成像图像文件，已经处理为相对温差的表征。

本数据集训练的AI模型无需增加额外硬件成本，通过模型训练可以长期实现温度监测的智能化和低人力成本运营；可广泛应用于食品制造业的关键控制点温度监测，实现对熟食和冷链产品在生产、加工、运输和取用时的温度缓解识别，具体场景包括但不限于：食品流水线、蒸箱和各类加热/冷却工艺中的温度缓解监测。