CN104914720B - 具有自动学习功能的电子鼻智能烘烤控制系统及控制方法 - Google Patents

Abstract

本发明公开了一种具有自动学习功能的电子鼻智能烘烤控制系统及控制方法，系统设置有中控计算机，中控计算机的输入端分别连接有电子鼻模块、图像采集器和水分检测仪，中控计算机的输出端连接有PID控制器，PID控制器用于控制烘烤加热器和通风调节器工作，在中控计算机中配置有气味ANN网络、图像ANN网络和水分ANN网络。其显著效果是：系统具备自动学习功能并充分融合了电子鼻技术、图像处理技术以及人工神经网络技术，通过实时采集烘烤过程中烘烤对象的气味信息、图像信息和水分信息，利用大量样本数据训练出的ANN网络预测得到不同烘烤对象所对应的烘烤工艺曲线，从而适应不同烘烤对象全自动化的智能烘烤控制，优化了烘烤产品的质量。

Description

具有自动学习功能的电子鼻智能烘烤控制系统及控制方法

技术领域

本发明涉及到智能控制技术，具体地说，是一种具有自动学习功能的、基于电子鼻(人工嗅觉)技术、人工神经网络的智能烘烤控制系统及控制方法，人工神经网络(Artificial Neural Network)简称ANN网络。

背景技术

在工业生产和食品加工过程中，常常涉及到烘烤工艺，烘烤过程的操控是否合理直接影响烘烤产品的品质评定。目前的烘烤过程多为人工、半自动化操控，每位烘烤师管理几至几十个烤房，虽然已根据经验设定了烘烤工艺曲线，但由于烘烤对象的性质差异，需要烘烤师在实施烘烤的整个过程中，对烘烤过程实施24小时的监控并不断修正、调节烘烤工艺曲线，不仅使烘烤师的劳动强度大，且由于烘烤师的烘烤技术良莠不齐，导致烘烤成品的质量差异，这极大地制约了烘烤成品质量整体提高的可能性。此外，各个地域烘烤对象品种种类繁多，烘烤对象烘烤出来的香味也是呈现多种多样的特性，单一的烘烤工艺难以满足所有地域烘烤对象的烘烤工艺要求。

随着电子鼻技术的日益成熟，在挥发性气味检测和判别领域得到越来越广泛的应用，并且效果良好，已经制成了比较成熟的产品。研究表明，有的烘烤对象(如烟叶)散发的气体中的化学成分达到数千种，致香物质又十分复杂，有些成分含量虽然低，但对烘烤对象香气/香味起着很大的贡献。而电子鼻模仿人类嗅觉感官系统，对气味具有很好的广谱响应性，能解决烘烤对象中对复杂未知气味的测量问题。从而用电子鼻识别烘烤过程中各个阶段产生的气味，再从电子鼻的传感器阵列数据中提取烘烤对象在烘烤过程中的气味特征信息是完全可行的。

中国专利201210221024.0公开了一种自动烘烤监控系统及方法，该系统结合电子鼻技术和图像处理技术，通过循环判断和控制，能够自动地实时采集烤箱内食物烘烤过程中的实际温度、实际湿度和实际气体成分，根据烤箱内的实际气体成分实时准确判断食物所处的烘烤阶段，并相应调节烤箱内的温度和湿度使之达到食物所处的烘烤阶段对应的烘烤温度设定值和烘烤湿度设定值，实现对食物烘烤过程的自适应调整监控，进而提高了烘烤工艺的准确性和烘烤质量。

虽然通过多种传感器技术的融合能够掌握食物的烘烤阶段，从而对烘烤过程进行调整，但是该系统及方法仍然采用固定的烘烤工艺曲线，在预定的烘烤阶段设置的烘烤温度和烘烤湿度(即干球温度和湿球温度)属于固定值，这些值往往也是通过经验数据所得，在烘烤过程中无法针对不同的烘烤对象进行调整，而且不能自动对烘烤时间和干球温度和湿球温度进行修正，系统的智能性较差，烘烤质量难以达到最优。

发明内容

为了解决上述问题，本发明首先提出了一种具有自动学习功能的电子鼻智能烘烤控制系统，该系统建立了对烘烤工艺曲线进行智能调节的人工神经网络，并能在烘烤结束时在以前的人工神经网络基础之上自动学习当前采集到的烘烤信息，更新以前的人工神经网络，使得人工神经网络在样本足够多的情况下适用于不同的烘烤对象，从而满足不同的烘烤工艺曲线需求，达到优化烘烤质量的目的，实现对烘烤工艺曲线的自动调整和烘烤过程的全程自动化操作。

为达到上述目的，本发明所采用的具体技术方案如下：

一种具有自动学习功能的电子鼻智能烘烤控制系统，其关键在于：设置有中控计算机，该中控计算机的输入端分别连接有电子鼻模块、图像采集器和水分检测仪，该中控计算机的输出端连接有PID控制器，所述PID控制器用于控制烘烤加热器和通风调节器工作；

在所述中控计算机中配置有气味ANN网络、图像ANN网络和水分ANN网络，所述电子鼻模块用于采集烘烤对象在烘烤过程中的气味信息，所述中控计算机根据电子鼻模块采集的气味信息提取气味特征，所述气味ANN网络以所述气味特征为主要输入，经过预测得到当前阶段所需的第一剩余烘烤时间、第一干球温度调整量和第一湿球温度调整量；

所述图像采集器用于采集烘烤对象在烘烤过程中的图像信息，所述中控计算机根据图像采集器采集的图像信息提取图像特征，所述图像ANN网络以所述图像特征为主要输入，经过预测得到当前阶段所需的第二剩余烘烤时间、第二干球温度调整量和第二湿球温度调整量；

所述水分检测仪用于采集烘烤对象在烘烤过程中的水分信息，所述中控计算机根据水分检测仪采集的水分信息提取水分特征，所述水分ANN网络以所述水分特征为主要输入，经过预测得到当前阶段所需的第三剩余烘烤时间、第三干球温度调整量和第三湿球温度调整量；

所述中控计算机根据所述气味ANN网络、图像ANN网络和水分ANN网络的预测值确定当前阶段最终所需的剩余烘烤时间、干球温度调整量和湿球温度调整量来控制所述PID控制器工作。

基于上述设计，本系统配置了多种采集设备，充分融合了烘烤过程中的气味信息、图像信息和烘烤对象的水分信息，经过大量样本数据对上述人工神经网络进行训练，再结合烘烤规则，最终实现不同烘烤对象的烘烤工艺曲线的调整，由于烘烤规则是根据烘烤工艺以及烘烤师在实际操作中总结出的经验的体现，针对不同的烘烤对象，再利用多种监测数据来进行智能调整，避免了现有系统中只能通过区分烘烤阶段来实现自动调整的缺陷，优化了烘烤产品的质量。

作为进一步描述，所述电子鼻模块中设置有多个气体传感器、温度传感器、湿度传感器和气压传感器，从而更加准确地得到气味特征。

结合上述系统，本发明还提出了一种具有自动学习功能的电子鼻智能烘烤控制系统的控制方法，主要按照以下步骤进行：

步骤1：根据经验数据建立烘烤规则，该烘烤规则包括烘烤时间以及预定烘烤时间点的干球温度量和湿球温度量；

步骤2：通过电子鼻模块采集烘烤对象在烘烤过程中的气味信息，以所述气味信息提取的气味特征为主要输入，利用气味ANN网络预测得到当前阶段所需的第一剩余烘烤时间t₁、第一干球温度调整量g₁和第一湿球温度调整量s₁；

步骤3：通过图像采集器采集烘烤对象在烘烤过程中的图像信息，以所述图像信息提取的图像特征为主要输入，利用图像ANN网络预测得到当前阶段所需的第二剩余烘烤时间t₂、第二干球温度调整量g₂和第二湿球温度调整量s₂；

步骤3：通过水分检测仪采集烘烤对象在烘烤过程中的水分信息，以所述水分信息提取的水分特征为主要输入，利用水分ANN网络预测得到当前阶段所需的第三剩余烘烤时间t₃、第三干球温度调整量g₃和第三湿球温度调整量s₃；

步骤4：按照t＝a₁t₁+a₂t₂+a₃t₃计算所需的当前阶段最终所需的剩余烘烤时间t；

按照g＝b₁g₁+b₂g₂+b₃g₃计算干球温度调整量g；

按照s＝c₁s₁+c₂s₂+c₃s₃计算湿球温度调整量s；

其中a₁,a₂,a₃,b₁,b₂,b₃,c₁,c₂,c₃均为加权系数；

且a₁+a₂+a₃＝1；b₁+b₂+b₃＝1；c₁+c₂+c₃＝1；

步骤5：根据步骤4所得的当前阶段最终所需的剩余烘烤时间t、干球温度调整量g和湿球温度调整量s，运用烘烤规则进行修正并以修正后的值对烘烤工艺曲线进行调整控制。

该方法通过先验数据建立烘烤规则，同时利用大量的样本数据训练不同的ANN网络，然后分别利用烘烤过程中的气味特征、图像特征和水分特征作为神经网络的主要输入，通过神经网络的学习和推理能力来预测出相应的当前阶段剩余烘烤时间、干球温度调整量和湿球温度调整量，最后通过数据加权来调整烘烤工艺曲线，针对不同的烘烤对象，ANN网络可以预测出不同的调整参数，从而适应整个烘烤过程中的智能调节。

作为进一步描述，所述电子鼻模块中设置有多个气体传感器、温度传感器、湿度传感器和气压传感器，从该电子鼻模块中提取气味特征的方法如下：

步骤2-1：将电子鼻模块的反应过程分为清洗阶段、响应阶段、吹扫阶段和休息阶段，每一周期采样N个点，其中清洗阶段N1个点，响应阶段N2个点，吹扫阶段N3个点，N＝N1+N2+N3，休息阶段不采样；

步骤2-2：将响应阶段N2个点的数据减去清洗阶段N1个点的平均值，然后将每个气体传感器在响应阶段的所有采样数据进行合并，经过低通滤波和归一化处理，将其归一化为方差为1，均值为0的数据矩阵[x₁,x₂,…x_p]，这里p为气体传感器的个数，每次对p个气味传感器的采样构成矩阵的一行；

步骤2-3：利用主成分分析算法对数据矩阵[x₁,x₂,…x_p]进行降维处理，得到贡献率最高的前两个/三个分量；

步骤2-4：将步骤2-3所得到的前两个/三个分量作为独立成分分析算法的输入，由独立成分分析算法得到两个/三个独立分量，将其与求复相关系数；保留复相关系数较小的一个独立分量，去掉其它分量。这里为温度传感器、湿度传感器和气压传感器的检测数据矩阵；

步骤2-5：将步骤2-4所得的独立分量进行低通/带通滤波，将滤波结果作为所述气味特征输入所述气味ANN网络。

再进一步的描述，所述电子鼻模块中的传感器每30秒采一个数据点，所述休息阶段为10分钟，电子鼻模块一个采样周期为1小时。

为了更能体现烘烤对象在不同烘烤过程中的信息特征，步骤3中，从图像采集器的图像信息中提取图像特征的方法如下：

步骤3-1：对图像采集器所采集的图像信息进行预处理，包括双边滤波和区域选择，通过双边滤波减少图像噪声的影响，通过区域选择选取图像的中间部分从而减少图像边缘影响；

步骤3-2：将预处理后的图像分别转换为RGB和HSV模式，提取图像的R、G、H分量作为所述图像特征，其中H分量的计算公式如下：

其中Max表示R、G、B分量中的最大值，Min表示R、G、B分量中的最小值。

为了提高预测参数的准确性，所述气味ANN网络、图像ANN网络和水分ANN网络的输入参量中还包括当前烘烤阶段、当前阶段已烘烤时间、当前阶段理论干球温度、当前阶段理论湿球温度、烘烤对象种类和烘烤对象部位信息。

根据气味信息、图像信息和水分信息及其在烘烤过程中与烘烤对象关联性，结合优化算法确定所述加权系数a₁,a₂,a₃,b₁,b₂,b₃,c₁,c₂,c₃的大小。

每一次烘烤结束时，中控计算机将自动建立本次烘烤的样本数据库，结合以前采集的样本数据集，利用网络优化算法自动对气味ANN网络、图像ANN网络和水分ANN网络进行再训练，训练结束时，选择性能参数更为优越的人工神经网络作为新调控系统预测网络。从而使得系统能随着样本种类的增加不断增加网络的鲁棒性，使得调控效果不断改良。

本发明的显著效果是：系统充分融合了电子鼻技术、图像处理技术以及智能学习技术，通过实时采集烘烤过程中烘烤对象的气味信息、图像信息和水分信息，利用大量样本数据训练出的ANN网络预测得到不同烘烤对象所对应的烘烤工艺曲线，从而适应不同烘烤对象全自动化的智能烘烤控制，优化了烘烤产品的质量。

附图说明

图1是本发明的系统原理框图；

图2是气味ANN网络的输入输出关系图；

图3是图像ANN网络的输入输出关系图；

图4是水分ANN网络的输入输出关系图。

具体实施方式

下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。

如图1所示，一种基于具有自动学习功能的电子鼻智能烘烤控制系统，设置有中控计算机，该中控计算机的输入端分别连接有电子鼻模块、图像采集器和水分检测仪，该中控计算机的输出端连接有PID控制器，所述PID控制器用于控制烘烤加热器和通风调节器工作；

在所述中控计算机中配置有气味ANN网络、图像ANN网络和水分ANN网络，所述电子鼻模块用于采集烘烤对象在烘烤过程中的气味信息，所述中控计算机根据电子鼻模块采集的气味信息提取气味特征，所述气味ANN网络以所述气味特征为主要输入，经过预测得到当前阶段所需的第一剩余烘烤时间、第一干球温度调整量和第一湿球温度调整量；

所述图像采集器用于采集烘烤对象在烘烤过程中的图像信息，所述中控计算机根据图像采集器采集的图像信息提取图像特征，所述图像ANN网络以所述图像特征为主要输入，经过预测得到当前阶段所需的第二剩余烘烤时间、第二干球温度调整量和第二湿球温度调整量；

所述水分检测仪用于采集烘烤对象在烘烤过程中的水分信息，所述中控计算机根据水分检测仪采集的水分信息提取水分特征，所述水分ANN网络以所述水分特征为主要输入，经过预测得到当前阶段所需的第三剩余烘烤时间、第三干球温度调整量和第三湿球温度调整量；

所述中控计算机根据所述气味ANN网络、图像ANN网络和水分ANN网络的预测值确定当前阶段最终所需的剩余烘烤时间、干球温度调整量和湿球温度调整量来控制所述PID控制器工作。

在本实施例中，所述电子鼻模块中设置有多个气体传感器、温度传感器、湿度传感器和气压传感器。

如图2-图4所示，在构建上述系统的基础上，可以按照以下方法进行智能烘烤控制，具体步骤为：

步骤1：根据经验数据建立烘烤规则，该烘烤规则包括烘烤时间以及预定烘烤时间点的干球温度和湿球温度；

步骤2：通过电子鼻模块采集烘烤对象在烘烤过程中的气味信息，以所述气味信息提取的气味特征为主要输入，利用气味ANN网络预测得到当前阶段所需的第一剩余烘烤时间t₁、第一干球温度调整量g₁和第一湿球温度调整量s₁；

步骤3：通过图像采集器采集烘烤对象在烘烤过程中的图像信息，以所述图像信息提取的图像特征为主要输入，利用图像ANN网络预测得到当前阶段所需的第二剩余烘烤时间t₂、第二干球温度调整量g₂和第二湿球温度调整量s₂；

步骤3：通过水分检测仪采集烘烤对象在烘烤过程中的水分信息，以所述水分信息提取的水分特征为主要输入，利用水分ANN网络预测得到当前阶段所需的第三剩余烘烤时间t₃、第三干球温度调整量g₃和第三湿球温度调整量s₃；

步骤4：按照t＝a₁t₁+a₂t₂+a₃t₃计算当前阶段最终所需的剩余烘烤时间t；

按照g＝b₁g₁+b₂g₂+b₃g₃计算干球温度调整量g；

按照s＝c₁s₁+c₂s₂+c₃s₃计算湿球温度调整量s；

其中a₁,a₂,a₃,b₁,b₂,b₃,c₁,c₂,c₃均为加权系数；

且a₁+a₂+a₃＝1；b₁+b₂+b₃＝1；c₁+c₂+c₃＝1。

步骤5：根据步骤4所得的当前阶段最终所需的剩余烘烤时间t、干球温度调整量g和湿球温度调整量s，运用烘烤规则进行修正并以修正后的值对烘烤工艺曲线进行调整控制。

本实例结合烟叶散叶烘烤为例，图2是烟叶散叶智能烘烤过程中的气味ANN网络的结构图，这是一个人工神经网络，它有7个输入，3个输出。输入包含有现场采集并经过预处理后的烘烤对象(烟叶)的气味信息，以及烘烤对象的类别信息(烟叶品种、烟叶部位)，类别信息对网络的区分是有帮助的。理论干球温度和理论湿球温度表示原有烘烤工艺曲线(也可以是“烘烤规则表”、“参考烘烤工艺曲线”或“理论烘烤曲线”)中在当前阶段设定的干球温度和湿球温度值，是固定值，烟叶部位的不同导致理论的烘烤干球温度和湿球温度设定值是不同的。但实际的烘烤工艺曲线和理论烘烤工艺曲线是有很大出入的，每个地方的地域特点和烟叶的实际特性决定了每个烘烤过程中实际的烘烤工艺曲线是不同的，需要对理论烘烤工艺曲线进行修改。故人工神经网络的输出是在理论干球温度和理论湿球温度的基础上的调整量。输出分别是干球温度调整量、湿球温度调整量和当前阶段剩余烘烤时间。

在实施时，所述电子鼻模块中设置有10个气体传感器、1个温度传感器、1个湿度传感器和1个气压传感器，从该电子鼻模块中提取气味特征的方法如下：

步骤2-1：每30秒采集一次电子鼻传感器阵列的响应值，电子鼻响应过程是采用泵吸式，即将反应过程分为四个阶段，清洗阶段，响应阶段，吹扫阶段及休息阶段，每一周期采样100个点，其中清洗阶段40个点，响应阶段20个点，吹扫阶段40个点，休息阶段为10分钟(不采数据)，一个采样周期为1小时；

步骤2-2：将响应阶段20个点的数据减去清洗阶段40个点的平均值，然后将10个气体传感器在响应阶段的所有采样数据进行合并，经过低通滤波和归一化处理，将其归一化为方差为1，均值为0的数据矩阵[x₁,x₂,…x₁₀]；

步骤2-3：利用主成分分析算法对数据矩阵[x₁,x₂,…x₁₀]进行降维处理，得到贡献率最高的两个分量[s₁,s₂]；

步骤2-4：利用独立成分分析算法将步骤2-3所得到的两个分量[s₁,s₂]进行处理，得到两个独立分量s₁₁,s₁₂，将其与[x₁₁,x₁₂,x₁₃]求复相关系数；保留复相关系数较小的一个独立分量，其中[x₁₁,x₁₂,x₁₃]为温度传感器、湿度传感器和气压传感器的检测数据矩阵；

步骤2-5：将步骤2-4所剩余的独立分量进行带通滤波，将滤波结果每20个点的平均值作为所述气味特征输入所述气味ANN网络。

同理，针对图像ANN网络和水分ANN网络而言，其输入参量中也包括当前烘烤阶段、当前阶段已烘烤时间、理论干球温度量、理论湿球温度量、烘烤对象种类和烘烤对象部位信息，水分ANN网络所需的水分特征直接采用烘烤对象水分检测仪的输出值，而图像ANN网络所需的图像特征是按照以下方式进行提取：

步骤3-1：对图像采集器所采集的图像信息进行预处理，包括双边滤波和区域选择，通过双边滤波减少图像噪声的影响，通过区域选择选取图像的中间部分从而减少图像边缘影响；

步骤3-2：将预处理后的图像分别转换为RGB和HSV模式，提取图像的R、G、H分量作为所述图像特征，其中H分量的计算公式如下：

其中Max表示R、G、B分量中的最大值，Min表示R、G、B分量中的最小值。

通过观察上述三个人工神经网络的训练结果，可根据阶段预测准确度以及烘烤经验确定各个网络在各个阶段的加权系数，同时也可以由优化算法寻优得到，在各个阶段分别使用优化算法进行寻优操作，以遗传算法为例，基因为三个加权比例系数，适应度函数选择为整个数据集在各个阶段的平均误差(即加权输出值与实际值的平均误差)，寻优得到在各个阶段平均误差最小的基因即为最优的加权系数。在针对本例而言，根据气味信息、图像信息和水分信息及其在烘烤过程中与烘烤对象关联性，结合遗传算法优化得到误差最小的加权系数a₁,a₂,a₃,b₁,b₂,b₃,c₁,c₂,c₃的大小。

针对烟叶烘烤而言，所采用的烘烤规则表如表1所示，实际操作中，将烘烤工艺曲线按照时间节点的顺序划分成1～19等不同的阶段，对烘烤工艺曲线的修改值的预测在每个奇数阶段只有三次，偶数阶段为升温阶段，时间较短，暂不考虑。时间选取为在进入奇数阶段的第一个小时进行预测一次，其他两次的时间间隔为理论烘烤曲线上本阶段时长的1/3时长，即在第一次预测完之后经过当前阶段总时长的1/3时间后进行下一次预测。每个奇数阶段只进行三次预测。

在进行神经网络预测后，其加权系数可以按照表2所示的规则设定，对网络输出值(即步骤4中得到的烘烤工艺曲线修改预测值)需要做修正限制，修正的依据是表1烤烟规则表。在实际烘烤中的干球温度和湿球温度设定值与表1给出的值相差不得超过0.5℃。尤其注意上部叶变黄期需要做特殊处理，为保证上部叶的水分不流失，湿球温度设定值需要设定得比当前实际的湿球温度值更高。

修正后的预测值由中控计算机送给PID控制器，从而实现烘烤工艺曲线的自动修改/调节，PID控制器根据实时采集的烤房干球温度、湿球温度值和更改后的工艺曲线上的目标干球温度和湿球温度的差异，控制烘烤加热器和通风调节器工作，从而将实际干湿球温度按照修改后工艺曲线上的设定值进行烘烤，保重烘烤产品质量达到最优。

由于系统具有自动学习功能，在烘烤结束时，中控计算机上的烘烤控制系统将自动建立本次烘烤的样本数据库，结合以前采集的样本数据集自动对上述神经网络进行再训练，训练结束时，选择性能参数更为优越的人工神经网络作为新调控系统预测网络，使得系统性能更加优越。

表1：烘烤规则表

注：“---”表示为此时刻没有参考值

表2：加权系数表

烘烤阶段	气味网络加权系数a	图像网络加权系数b	水分网络加权系数c
				1、3、5、7、9	0.45	0.45	0.1
11、13、15、17、19	0.7	0.2	0.1

Claims (9)

1.一种具有自动学习功能的电子鼻智能烘烤控制系统，其特征在于：设置有中控计算机，该中控计算机的输入端分别连接有电子鼻模块、图像采集器和水分检测仪，该中控计算机的输出端连接有PID控制器，所述PID控制器用于控制烘烤加热器和通风调节器工作；

在所述中控计算机中配置有气味ANN网络、图像ANN网络和水分ANN网络，所述电子鼻模块用于采集烘烤对象在烘烤过程中的气味信息，所述中控计算机根据电子鼻模块采集的气味信息提取气味特征，所述气味ANN网络以所述气味特征为主要输入，经过预测得到当前烘烤阶段所需的第一剩余时间、第一干球温度调整量和第一湿球温度调整量；

所述图像采集器用于采集烘烤对象在烘烤过程中的图像信息，所述中控计算机根据图像采集器采集的图像信息提取图像特征，所述图像ANN网络以所述图像特征为主要输入，经过预测得到当前烘烤阶段所需的第二剩余时间、第二干球温度调整量和第二湿球温度调整量；

所述水分检测仪用于采集烘烤对象在烘烤过程中的水分信息，所述中控计算机根据水分检测仪采集的水分信息提取水分特征，所述水分ANN网络以所述水分特征为主要输入，经过预测得到当前烘烤阶段所需的第三剩余时间、第三干球温度调整量和第三湿球温度调整量；

所述中控计算机根据所述气味ANN网络、图像ANN网络和水分ANN网络的预测值确定当前烘烤阶段最终所需的剩余时间、干球温度调整量和湿球温度调整量来控制所述PID控制器工作；

每一次烘烤完成后，所述中控计算机还用于自动学习本次烘烤数据并优化所述气味ANN网络、图像ANN网络和水分ANN网络的控制参数。

2.根据权利要求1所述的具有自动学习功能的电子鼻智能烘烤控制系统，其特征在于：所述电子鼻模块中设置有多个气体传感器、温度传感器、湿度传感器和气压传感器。

3.一种具有自动学习功能的电子鼻智能烘烤控制系统的控制方法，其特征在于按照以下步骤进行：

步骤1：根据经验数据建立烘烤规则，该烘烤规则包括烘烤时间以及预定烘烤时间点的干球温度和湿球温度；

步骤2：通过电子鼻模块采集烘烤对象在烘烤过程中的气味信息，以所述气味信息提取的气味特征为主要输入，利用气味ANN网络预测得到当前阶段所需的第一剩余烘烤时间t₁、第一干球温度调整量g₁和第一湿球温度调整量s₁；

步骤3：通过图像采集器采集烘烤对象在烘烤过程中的图像信息，以所述图像信息提取的图像特征为主要输入，利用图像ANN网络预测得到当前阶段所需的第二剩余烘烤时间t₂、第二干球温度调整量g₂和第二湿球温度调整量s₂；

步骤3：通过水分检测仪采集烘烤对象在烘烤过程中的水分信息， 以所述水分信息提取的水分特征为主要输入，利用水分ANN网络预测得到当前阶段所需的第三剩余烘烤时间t₃、第三干球温度调整量g₃和第三湿球温度调整量s₃；

步骤4：按照t＝a₁t₁+a₂t₂+a₃t₃计算当前阶段最终所需的剩余烘烤时间t；

按照g＝b₁g₁+b₂g₂+b₃g₃计算干球温度调整量g；

按照s＝c₁s₁+c₂s₂+c₃s₃计算湿球温度调整量；

其中a₁,a₂,a₃,b₁,b₂,b₃,c₁,c₂,c₃均为加权系数；

且a₁+a₂+a₃＝1；b₁+b₂+b₃＝1；c₁+c₂+c₃＝1；

步骤5：根据步骤4所得的当前阶段最终所需的剩余烘烤时间t、干球温度调整量g和湿球温度调整量s，运用烘烤规则进行修正并以修正后的值对烘烤工艺曲线进行调整控制。

4.根据权利要求3所述的具有自动学习功能的电子鼻智能烘烤控制系统的控制方法，其特征在于：所述电子鼻模块中设置有多个气体传感器、温度传感器、湿度传感器和气压传感器，从该电子鼻模块中提取气味特征的方法如下：

步骤2-1：将电子鼻模块的反应过程分为清洗阶段、响应阶段、吹扫阶段和休息阶段，每一周期采样N个点，其中清洗阶段N1个点，响应阶段N2个点，吹扫阶段N3个点，N＝N1+N2+N3，休息阶段不采样；

步骤2-2：将响应阶段N2个点的数据减去清洗阶段N1个点的平均值，然后将气体传感器在响应阶段的所有采样数据进行合并，经过 低通滤波和归一化处理，将其归一化为方差为1，均值为0的数据矩阵[x₁,x₂,…x_p]，这里p为气体传感器的个数，每次对p个气味传感器的采样构成矩阵的一行；

步骤2-3：利用主成分分析算法对数据矩阵[x₁,x₂,…x_p]进行降维处理，得到贡献率最高的前两个/三个分量；

步骤2-4：利用独立成分分析算法将步骤2-3所得到的两个/三个分量进行处理，得到两个/三个独立分量，将其与矩阵求复相关系数；保留复相关系数最小的一个独立分量，去掉其它独立分量，其中为温度传感器、湿度传感器和气压传感器的检测数据矩阵；

步骤2-5：将步骤2-4所剩余的独立分量进行低通/带通滤波，将滤波结果按每个气味采样间隔求气味平均值作为所述气味特征输入所述气味ANN网络。

5.根据权利要求4所述的具有自动学习功能的电子鼻智能烘烤控制系统的控制方法，其特征在于：所述电子鼻模块中的传感器输出被定期采样，采样过程分为四个阶段—清洗阶段、响应阶段、吹扫阶段和休息阶段，其中休息阶段不采数据点，采样周期由被采样物的气味变化快慢决定。

6.根据权利要求3所述的具有自动学习功能的电子鼻智能烘烤控制系统的控制方法，其特征在于：步骤3中，从图像采集器的图像信息中提取图像特征的方法如下：

步骤3-1：对图像采集器所采集的图像信息进行预处理，包括双 边滤波和区域选择，通过双边滤波减少图像噪声的影响，通过区域选择选取图像的中间部分从而减少图像边缘影响；

步骤3-2：将预处理后的图像分别转换为RGB和HSV模式，提取图像的R、G、H分量作为所述图像特征，其中H分量的计算公式如下：

其中Max表示R、G、B分量中的最大值，Min表示R、G、B分量中的最小值。

7.根据权利要求3-6任意一项权利要求所述的具有自动学习功能的电子鼻智能烘烤控制系统的控制方法，其特征在于：所述气味ANN网络、图像ANN网络和水分ANN网络的输入参量中还包括当前烘烤阶段、当前阶段已烘烤时间、当前阶段理论干球温度、当前阶段理论湿球温度、烘烤对象种类和烘烤对象部位信息。

8.根据权利要求3所述的具有自动学习功能的电子鼻智能烘烤控制系统的控制方法，其特征在于：所述加权系数a₁,a₂,a₃,b₁,b₂,b₃,c₁,c₂,c₃，是根据专家经验结合优化算法得到。

9.根据权利要求3所述的具有自动学习功能的电子鼻智能烘烤控制系统的控制方法，其特征在于：每一次烘烤结束时，中控计算机 将自动建立本次烘烤的样本数据库，结合以前采集的样本数据集，利用网络优化算法自动对气味ANN网络、图像ANN网络和水分ANN网络进行再训练，训练结束时，选择性能参数更为优越的人工神经网络作为新调控系统预测网络。