CN105142408B - 热处理监控系统 - Google Patents

Abstract

本发明公开了一种热处理监控系统，所述热处理监控系统包括：传感器单元，所述传感器单元具有用于确定正在加热的食物的当前传感器数据的至少一个传感器；处理单元，所述处理单元用于由当前传感器数据确定当前特征数据；和监控单元，所述监控单元适于通过对当前特征数据与参考加热过程的参考特征数据比较来确定监控的食物的当前加热过程中的当前加热过程状态。

Description

热处理监控系统

技术领域

本发明涉及一种热处理监控系统，具体地涉及一种用于加热、烘焙或醒发要加热的类似于面包、生面团或类似物的食物的监控系统。

背景技术

也许是由于火的发明，人类通过热量来处理食品。然而直到现在，该任务仍然由操作员来控制。本发明的目的是使食品处理自动化，且具体地使面包焙烤或醒发成形自动化，使得不需要人的相互作用。.

许多已知的发明接近该目的。例如，DE 10 2005 030483记载了一种用于通过可以自动打开或关闭的开口装置进行热处理的烤箱。在DE 20 2011 002570中，指出一种用于食品的热处理且将食品容纳在产品托架上的设备。所述设备配备有用于控制用于检测产品的类型和数量的处理过程的控制系统。所述控制器通过预定义的数据选择执行产品的自动识别。在处理腔室外的摄像机可以用作传感器。在EP 250 169 A1中，记载了一种烤炉门，所述烤炉门包括用于目视观察烘炉或焙烤室的摄像机。该可视化有利于减少观看窗口所造成的能量损失。US 0 2011 0123689记载了一种烤炉，该烤炉包括摄像机和距离传感器，以便提取用于加热过程的产品特征。DE 20 2011 002 570 U1记载了一种在烤炉中具有传感器采集的系统。.

然而，食品的热处理，尤其是通过烤炉烘焙面包仍然遵从人工装置且在人监督下进行。当操作员将面包放到烤炉中时，必须设置重要特性，例如温度、时间和循环。通常，该设置储存在烤炉控制程序的数据库内。操作员必须选择适当的程序，并且这仍然是误差的来源且使人力工作需要一定程度的专门技能。此外，许多过程参数可能会导致不受欢迎的食品结果。即使已经选择校正程序，面包可能仍然烘焙不足或者过烘焙。这是由于烤炉预先加热、生面团制备、室外温度、室外湿度、负荷分配、烤炉门开启时间以及更多的因素的差异所引起。仍然需要熟练的人力来监督烘焙或食品热处理。.

此外，当处理食品时，例如在原始生面团或预烘焙的生面团的制造厂中，正在处理的对象经历许多过程变化。由于许多食品的特性，正在处理的对象在形状、颜色、尺寸和许多其它参数方面会不同。这是工业食品加工中关键问题中的一个，这是因为加工装置通常必须被调节以校正这些变化。因此，理想的是使工业过程步骤自动化，从而使得理想地不需要人工调整。在烘焙中，例如面粉特性的变化会造成工业生面团加工装置严重的过程变化。例如，可能必须适应烤炉或真空烘焙单元的混合器、面团分切机、生面团成型装置、醒发成形、切割、包装、烘焙程序的参数。

发明内容

为了获得自动烘焙或食品加工的目的，必须设置具有来自适当的监控装置的数据的相应监控系统。因此，需要具有用于收集适当数据的监控装置的监控系统。.

对于在烤炉中烘焙的食品，一种具有摄像机的监控系统可以用于通过烤炉中的窗口监控烘焙过程。然而，为了防止经由窗口的热逸散造成热损失，在传统烤炉中，这种观看窗口由双层玻璃制成，即所述窗口具有内层窗玻璃和外层窗玻璃。因此，来自烤炉外的光会通过外层窗玻璃并通过内层窗玻璃反射到摄像机中，从而造成烘焙食品的扰动图像。

因此，理想的是提供一种降低通过双层玻璃窗捕获的烘焙食品的图像的干扰的热处理监控系统。.

在食品加工系统中，关于加工食品的构成的数据应该在不停止食品加工的情况下获得，以便不减小生产量。因此，理想的是根据非接触式测量技术调节食品加工系统的上述装置或者食品加工中的任何其它装置的参数。.

为了使监控装置捕获的数据用于自动烘焙或食品加工，理想的是提供一种用于对通过观察加工食品的加工区域的监控装置所记录的大量图像分类的方法并提供一种使用所述方法的机器。.

一旦数据被适当地分类，则理想的是具有认知能力优点，以便增加热处理机的灵活度、质量和效率。这可以在以下目的中进一步分离：.

期望提供一种能够通过从有经验的人获得如何提炼食品加工中的相关信息以及如何操作考虑的知识的系统，其中所述系统应该显示未知情况下的合理性能并且将能无监督地学习。.

期望提供一种通过能量供应的闭环控制增加效率的系统，所述闭环控制适于改变加工时间并保持期望的食品加工状态。.

期望提供一种具有通过适用不同类型的食物或过程任务用于各不相同的食品加工任务的灵活性的系统。.

这些目的通过根据所附权利要求的热处理监控系统获得。.

具体地，有利的是使用与染色或变深的外窗口结合的照明以从热处理室(烤炉)捕捉图像。这使得外部光对烤炉内部图片的图像处理有较小影响。建议给所述窗口染色至少40％。.

对于工业食品加工有利的是使用激光谱线发生器或任何其它光源、以及摄像机传感器或任何其它光学传感器，以掌握关于正在处理的食物的信息。通过也称为激光三角测量的过程可以将激光谱线投射到测量对象上，以便获得所述测量对象的特征。.

此外，有利的是自动进行食物的热处理，使得除了对烤炉或热处理机器装载和卸载之外不需要另外的人的互动。然而，如果需要甚至可以自动进行该步骤。为了这样做，热处理机需要处理室，所述处理室为被监控且装备有诸如温度计的内部处理室温度传感器的摄像机。代替使用摄像机也可以使用至少两个光电二极管的阵列。有利的是使用更多的传感器获得的信号，所述信号与内部处理室湿度、时间、通风、热量分布、负载量、负载分配、负载重量、食物表面的温度以及处理食物的内部温度相关。以下的传感器也可以被应用：湿度计、激光三角测量、插入式温度传感器、声传感器、标盘、定时器和更多传感器。另外，可以应用连接到应用的任何对热量敏感的传感器的冷却系统。例如，这可以为电气、空气或水冷却系统，例如珀耳帖冷却器或通风机、热电式热泵或蒸汽式压缩制冷机以及更多的装置。.

另外，在食物以及具体地为烘焙食品进行的热处理过程中，对于热处理机，例如具有热处理室的烤炉，有利的是内部温度和内部摄像机图像或者其它传感器可以用于控制电源或处理参数。根据本发明，摄像机图像适于检测与加热期间食物的改变体积和/或颜色相关的参数。根据在此之前学习或整理的模型机，可以通过该方法对热处理机确定处理的食物是否处于预先限定的期望过程状态，并且所述过程可以通过热处理过程的动力的闭环控制来单独调节。可以通过分配由处理食物的期望过程条件所限定的参数在多个本地分配的热处理机处达到期望的过程结果。此外，使用的传感器以及得到的过程数据，具体地为摄像机图像，可以用于根据数据特征确定食物的类型和质量并因此自动地开始适当的过程变化。.

根据本发明的一个实施例，一种热处理监控系统包括：热处理机，所述热处理机包括热处理室、包括内部窗口和外部窗口的双层玻璃窗、和用于照明热处理室的内部的照明设备；和监控设备，所述监控设备安装到热处理机且包括通过内部窗口观察热处理室的内部的摄像机，其中外部窗口的可见光透射率低于内部窗口的可见光透射率，以减少双层玻璃窗结构内的反射以及对摄像机记录的图像的图像处理的外部照明作用。优选地，外部窗口通过涂层颜色变深。优选地，金属箔或染色箔被施加到外部窗口。优选地，外部窗口包括有色玻璃。优选地，外部窗口具有60％的最大可见光透射率。优选地，双层玻璃窗是热处理机的热处理机门的热处理机门窗。优选地，监控设备适于生成要在热处理室内加热的食物的高动态范围 (HDR)处理图像。优选地，监控设备还包括外壳和摄像机安装到的摄像机传感器安装件。优选地，所述外壳配备有散热器和风扇以提供摄像机的冷却。优选地，热处理机为具有至少两个以堆叠方式布置的托盘的对流式或柜式烤炉。优选地，摄像机倾斜为使得在水平和/或垂直方向上关于双层玻璃窗适于在对流式或柜式烤炉中立即观察至少两个托盘。优选地，热处理监控系统包括用于单独观察每个托盘的至少两个摄像机。优选地，热处理监控系统还包括控制单元，所述控制单元适于根据用于确定食物的加热过程的结束时间的训练数据来加工和分类摄像机观察的食物图像。优选地，控制单元适于在必须结束加热过程时停止热处理机的加热。优选地，控制单元适于在必须结束烘焙过程时自动地打开热处理机的门，或者其中控制单元适于在必须结束加热过程时通过冷空气或空气对热处理室通风。.

根据本发明的另一个实施例，一种热处理监控系统包括：传感器单元，所述传感器单元具有用于确定正在加热的食物的当前传感器数据的至少一个传感器；处理单元，所述处理单元用于由当前传感器数据确定当前特征数据；和监控单元，所述监控单元适于通过对当前特征数据与参考加热过程的参考特征数据比较来确定监控的食物的当前加热过程中的当前加热过程状态。优选地，热处理监控系统还包括学习单元，所述学习单元适于根据至少一个训练加热过程的特征数据来确定当前传感器数据到当前特征数据的映射和/或确定参考加热过程的参考特征数据。优选地，学习单元适于通过至少一个训练加热过程的差异分析来确定当前传感器数据到当前特征数据的映射，以减少当前传感器数据的维度。优选地，学习单元适于通过至少一个训练加热过程的差异分析来确定当前特征数据到特征数据的映射，以减少当前特征数据的维度。优选地，所述差异分析包括主成分分析(PCA)、等距特征映射(ISOMAP)、线性离差分析(LDA)和降维技术中的至少一个。优选地，学习单元适于通过将加热程序的预定特征数据与至少一个训练加热过程的被通过用户偏爱分类为训练组的一部分的特征数据训练组相结合来确定参考加热过程的参考特征数据。优选地，热处理监控系统还包括用于记录当前加热过程的当前特征数据的记录单元，其中学习单元适于从记录单元接收记录的特征数据以用作训练加热过程的特征数据。优选地，传感器单元包括记录正在加热的食物的像素图像的摄像机，其中摄像机的当前传感器数据对应于当前像素图像的当前像素数据。优选地，当前像素数据包括与第一颜色相对应的第一像素数据、与第二颜色相对应的第二像素数据和与第三颜色相对应的第三像素数据。优选地，第一颜色、第二颜色和第三颜色分别对应于R、G和B。优选地，摄像机适于生成作为当前像素数据的HDR处理的像素图像。优选地，热处理监控系统还包括分类单元，所述分类单元适于对要加热的食物的类型分类并选择与确定的食物类型相对应的参考加热过程。优选地，热处理监控系统还包括控制单元，所述控制单元适于根据监控单元确定的当前加热过程状态与预定的加热过程状态的比较将加热过程从醒发过程改变成烘焙过程。优选地，热处理监控系统还包括控制单元，所述控制单元适于控制显示单元，所述显示单元根据由监控单元确定的当前加热过程状态与和加热的端点相对应的预定加热过程的比较来指示加热过程的剩余时间，和/ 或显示热处理室的内部的图像。优选地，热处理监控系统还包括适于在必须结束加热过程时警告使用者的控制单元。优选地，热处理监控系统还包括控制单元，所述控制单元适于控制加热室的温度控制、通过增加水或蒸汽调节热处理室中的湿度的装置、通风机构的控制、用于调节风扇速度的装置、用于调节热处理室与相应环境之间的差压的装置、用于设置热处理室内与时间有关的温度曲线的装置、用于执行并调节不同热处理过程(例如，醒发或烘焙)的装置、用于调节热处理室内的内部气流分布的装置、用于调节相应的电磁或声音发射器的电磁和声音发射强度以用于检查或观察要加热食物的特性的装置。优选地，传感器单元的至少一个传感器包括以下传感器中的至少一个：湿度计；插入式温度传感器；处理室温度传感器；声传感器；标盘；定时器；摄像机；图像传感器；光电二极管阵列；处理室内的气体的气体分析仪；用于确定插入式温度传感器的温度分布图的装置；用于确定要处理的食物的类似于光或声音的电磁或声学过程发射物的装置，所述发射物响应于光或声音发射器或来源反射或发出；用于由要加热的食物的3D测量确定结果的装置，所述3D测量包括3D或立体摄像机系统或雷达；用于确定要处理的食物的类型、组成、模式、光学特性、体积或质量。.

根据本发明的另一个实施例提供一种热处理监控系统，所述热处理监控系统包括：热处理或烘焙单元，所述热处理或烘焙单元用于烘焙或醒发要加热的食品或食物或者食品加工线；激光分配单元，所述激光分配单元用于生成第一激光束和第二激光束，并且用于将第一激光束和第二激光束引导到烘焙单元内的烘焙食品的位置；第一光检测单元，所述第一光检测单元用于检测从烘焙食品散射的第一激光束的反射；第二光检测单元，所述第二光检测单元用于检测从烘焙食品散射的第二激光束的反射；测量单元，所述测量单元用于根据第一光检测单元和第二检测单元的检测确定烘焙食品的高度轮廓；和移动单元，所述移动单元用于改变激光分配单元与烘焙食品之间的距离。在此，激光分配单元优选地包括：第一激光生成单元，所述第一激光生成单元用于生成第一激光束；和第二激光生成单元，所述第二激光生成单元用于生成第二激光束。此外，激光分配单元优选地包括：主激光生成单元，所述主激光生成单元用于生成主激光束；光学单元，所述光学单元用于由主激光束生成第一激光束和第二激光束。光学单元优选地包括：可移动且可旋转的反射镜，主激光束被朝向所述反射镜引导，以用于可选地通过相对于主激光生成单元移动和旋转来生成第一激光束和第二激光束。光学单元优选地包括：半透明反射镜，主激光束被朝向所述半透明反射镜引导，以用于生成第一激光束和辅助激光束；和辅助激光束被引导到的反射镜，以用于生成第二激光束。第一激光束优选地被朝向第一位置引导；第二激光束优选地被朝向第二位置引导；一片烘焙食品优选地通过移动单元从第一位置移动到第二位置；和该片烘焙食品的高度轮廓的改变优选地通过测量单元确定。优选地，第一激光束被引导到一片烘焙食品的第一端部并具有相对于该片烘焙食品的支撑件小于45°的倾斜；第二激光束被引导到该片烘焙食品的与第一端部相对的第二端部并具有相对于支撑件小于45°的倾斜；以及第一激光束与第二激光束之间的最小角度大于90°。优选地，移动单元为通过烘焙单元移动烘焙食品的传送带。优选地，激光分配单元位于烘焙单元内；以及第一激光束和第二激光束被直接从激光分配单元朝向烘焙食品引导。优选地，激光生成单元位于烘焙单元外；以及激光束被偏转反射镜朝向烘焙食品引导。优选地，光检测单元位于烘焙单元外；以及激光束的反射被导向反射镜到光检测单元。优选地，反射镜被加热。优选地，第一激光束和第二激光束是扇形；以及第一激光束和第二激光束的反射通过透镜聚焦在第一和第二光检测单元上。优选地，由激光分配单元、烘焙食品和光检测单元构成的光学系统满足Scheimpflug原理。本发明的一种用于监控烘焙的方法包括以下步骤：加工烘焙单元中的烘焙食品；通过烘焙单元移动烘焙食品；生成第一激光束和第二激光束并将第一激光束和第二激光束引导到烘焙单元内的烘焙食品的位置；检测从烘焙食品散射的第一激光束的反射；检测从烘焙食品散射的第二激光束的反射；和根据散射的第一和第二激光束的检测确定烘焙食品的高度轮廓。

附图说明

所包括以提供本发明的进一步了解的附图结合在本申请中并构成本申请的部分，显示了本发明的(一个或多个)实施例且与说明书一起用于说明本发明的原理。在附图中：.

图1A和图1B显示热处理监控系统的一个实施例的示意性横截面图和示意性侧视图；.

图2A和图2B显示热处理监控系统的一个实施例的传统的双层玻璃窗和双层玻璃窗的反射特性；.

图3显示另一个热处理监控系统的不同的示意图；.

图4显示图像传感器的一个实施例的示意图；.

图5显示图像传感器的另一个实施例的示意图；.

图6A和图6B显示热处理监控系统的另一个实施例的示意性前视图和侧视图；.

图7显示热处理室的一个实施例的示意图；.

图8显示食物生产系统的一个实施例的示意图；.

图9显示使用激光三角测量的食物生产系统的一个实施例的示意图；.

图10显示使用激光三角测量的食物生产系统的另一个实施例的示意图；.

图11显示具有用于布置生面团的指示的托盘的一个实施例的示意性俯视图；.

图12显示一体形成在烤炉支架中的传感器系统的一个实施例的示意图；.

图13显示热处理监控系统的一个实施例的示意性数据处理流；.

图14显示根据本发明的用于具有传感器和致动器的食物生产机器的认知感知-动作回路；.

图15显示线性和非线性的降维技术的类别；.

图16显示通过最佳线性分离器将二维测试数据映射到三维空间；.

图17显示根据本发明的体系结构和元件组，以用于使用具有传感器和致动器的黑盒模型设计用于食物生产系统中的过程监控或闭环控制的代理；.

图18A显示热处理监控系统的一个实施例的示意性横截面图；以及.

图18B显示热处理监控系统的一个实施例的方框图。

具体实施方式

图1A和1B显示根据本发明的一个实施例的热处理监控系统100。图1A 显示热处理监控系统100的示意性横截面俯视图，而图1B显示该热处理监控系统的示意性前视图。.

如图1A和图1B所示，热处理监控系统或烘焙监控系统或者醒发成形和/或烘焙监控系统100具有烤炉110，所述烤炉具有热处理室或炉室120、在烤炉110的侧壁的至少一个双层玻璃窗130以及在炉室120内的照明设备 140。.

热处理机或烤炉110可以是可以传统地用于烹饪食物(具体地，用于烘焙面包或者使面包醒发成形)的任何烤炉。所述烤炉可以使用不同技术烹饪食物。所述烤炉可以为对流式烤炉或者辐射式烤炉。.

热处理室或炉室120占据烤炉110的大部分内部。在炉室120内烹饪食物。食物可以放置在不同数量的托盘上，所述托盘可以被支撑在炉室壁处。食物还可以位于具有多个托盘的可移动推车上，从而可以在炉室120内移动。在炉室120内设置热源，所述热源用于烹饪食物。此外，炉室内还可以包括通风系统，以更均匀地分配热源产生的热量。.

炉室或热处理室的内部通过照明设备140变亮。照明设备140可以布置在炉室或热处理室内，如图1A中所示。照明设备140还可以位于炉室120 外并通过窗口照亮炉室120。照明设备140可以为任何传统的发光装置，例如灯泡、卤灯、光电二极管或者这些装置中的多个的组合。照明设备140 可以聚焦在要在炉室120内烹饪的食物上。具体地，照明设备140可以被调节或者聚焦成使得要烹饪的食物与炉室120的周围内部之间或者食物与食物所位于的托盘和/或推车之间存在高对比度。这种高对比度还可以仅仅通过对于由照明设备140发出的光使用特定颜色来支持或者产生。.

在炉室120的壁中设置窗口。为了防止热量从炉室120中损失，窗口优选地为具有外层窗玻璃或外窗口135和内层窗玻璃或内窗口136的双层玻璃窗130。双层玻璃窗130通过在内窗口136与外窗口135之间提供特定气体或者真空可以防止内窗口136与外窗口135之间出现热逸散。双层玻璃窗 130还可以通过内窗口136与外窗口135之间的空气通风被冷却以防止加热外窗口135，其中在内窗口136与外窗口135之间没有提供特定气体或者真空。照明设备140也可以设置在内窗口136与外窗口135之间。外窗口135的外玻璃面不热，因此适于安装摄像机160。此外，还可以有利地在内窗口 136与外窗口135之间使用光学隧道，这是因为这将再次减少反射和热量影响。.

通过双层玻璃窗130可以从热处理机或烤炉外面观察炉室120内的烹饪或烘焙过程。.

如图1B所示，监控设备150安装在热处理机或烤炉110上。监控设备150 横跨双层玻璃窗130的外窗口135安装，并且包括紧挨着外窗口135布置的摄像机160，所述摄像机用于在烹饪或烘焙期间观察炉室120内的食物。摄像机160可以为能够以计算机可访问形式提供图像数据的任何传统的摄像机。摄像机160可以例如为电荷耦合装置(CCD)摄像机或互补金属氧化物半导体(CMOS)摄像机。摄像机160在烹饪过程期间获得烹饪食物的图像。如下所述，这些图像可以用于自动控制烹饪或烘焙过程。虽然摄像机 160优选地安装在外窗口135外以容易地成整体地位于监控设备150内，其中摄像机160接着通过双层玻璃窗130观察热处理室120的内部，但是摄像机160也可以设置在内窗口136与外窗口135之间，以通过内窗口136观察热处理室的内部。.

然而，如果在炉室120外在双层玻璃窗130的前面存在外部光源，则出现问题。.

如图2A所示，外部光源270发出的刺激光272可以通过双层玻璃窗的外窗口235’，但是可能会被内窗口236反射到观察要烹饪的食物280的摄像机260中。因此，摄像机260不仅获得从食物280发出或反射的光282，而且还获得在内壁236处反射的刺激光272。这造成由摄像机260提供的图像数据损坏，并因此可能会不利地影响自动烘烤过程。.

在本实施例中，该不利影响可通过阻止刺激光通过外窗口235来防止。这可以通过给外窗口235染色或使外窗口235变深来实现。接着，刺激光272 被外窗口235反射或吸收且不会到达内窗口236。因此，没有刺激光272被内窗口反射到摄像机260中，并且摄像机260仅捕捉关于食物280的校正信息。因此，根据本实施例，通过给外窗口235染色或使外窗口235变深可防止自动食品加工过程受到破坏。.

因此，为了从烤炉110的热处理室120捕捉图像，有利的是结合给外窗口235染色或使外窗口235变深来使用照明设备140。这提供外部光对图片内的烤炉的图像处理的较小影响。.

根据本发明，外窗口135的可见光透射率低于内窗口136的可见光透射率。在此，外窗口135的可见光透射率低于内窗口136的95％的可见光透射率，更优选地低于80％，尤其是低于60％。此外，双层玻璃窗130的外窗口 235可以优选地具有75％的最大可见光透射率。可见光透射率是正在垂直于玻璃窗表面入射的光的透射率，该透射率在可见光波长范围内，即在380 nm-780nm之间。进一步优选的是给所述窗染色至少40％，因此最大的可见光透射率是60％。换句话说，至少40％的射入光被外窗口235吸收或反射，而60％的光通过外窗口235透射。内窗口236可以具有普通玻璃的可见光透射率。进一步优选的是给所述窗染色至少60％，从而导致40％的透射率。变深涂层或箔可以有利地涂敷在烤炉的双层玻璃门的外窗口处，以防止涂层由于热效应而损坏。由于外窗口变深，来自烤炉外部的光的反射可以明显减少。烤炉门窗口可以通过金属箔或涂层(反射镜窗)或者通过给箔染色而颜色变深。烤炉门窗口可以为包括例如染色的外玻璃和/或内玻璃的染色窗。如果摄像机安装在外窗口135上，则可以省去外窗口135在摄像机的位置处的变深或者反射率，例如通过在涂层内具有孔，以确保摄像机通过外窗口135的涂层中的孔观察，其中确定外窗口135的透射率不包括孔区域。.

烤炉或热处理机110可以还包括烤炉门或热处理机门，炉室120通过所述门可以打开和关闭。烤炉门可以包括窗口，炉室120可以通过所述窗口观察。优选地，所述窗口包括用于防止用于炉室120的热能的热损失的双层玻璃窗130。因此，热处理监控系统100可以包括监控设备150和包括监控设备150的烤炉110、或者具有安装到其烤炉门的监控设备150的烤炉 110。.

因此，也可以减少烤炉门窗口的双层玻璃窗结构内的反射。因此，图像处理的外部照射效应是可忽略不计的。因此，对于炉室120的相应照明强度，炉室120的内部可以通过监控设备150的摄像机160观察到。.

图3显示图1A和图1B中所示的热处理监控系统的一个实施例的不同视图。.

如图3中所示，监控设备350安装到热处理监控系统300的柜式烤炉310 的前侧。监控设备350包括外壳、摄像机传感器安装件、和安装到摄像机传感器安装件以通过烤炉门窗口330观察炉室内部的摄像机。摄像机在水平和/或垂直方向上相对于烤炉门窗口330倾斜为适于立即观察柜式烤炉 310中的至少两个烘焙托盘。.

根据另一个实施例，传感器安装件和外壳通过风扇冷却内部。此外，从图4和图5可以看到，监控设备350的摄像机传感器安装件可以配备有用于提供冷却的散热器和风扇。传感器安装件和外壳可以被优化成具有立即看见烤炉中的两个烘焙托盘的最佳观察角度。.

图6A和图6B分别显示图1A和图1B中所示的热处理监控系统的另一个实施例的俯视图和侧视图。.

如图6A中所示，监控设备650安装在热处理监控系统600的烤炉610 上。监控设备650与烤炉门632的双层玻璃窗630部分重叠。监控设备650包括在外壳内的摄像机。此外，监控设备650包括显示器655，所述显示器允许向使用者显示信息且能够进行人工介入。.

烤炉610可以具有在顶部的对流式烤炉和在下面的两个柜式烤炉，如图6A和6B所示。.

此外，根据一个实施例，监控设备150可以包括用于在烘焙过程必须结束时通知使用者的警报装置。另外，监控设备150可以包括控制输出装置，以例如停止烤炉110的热处理和/或自动地打开烤炉门和/或通过冷空气或空气使炉室120通风。烤炉110和监控设备150一起形成热处理监控系统 100。.

根据进一步的实施例，监控设备150适于在炉室120内产生烘焙食品的高动态范围(HDR)的处理图像。这在与染色的外窗口135相结合时尤其有利，这是因为来自内部焙烤室120的光的光强度通过染色箔而被减小，并且HDR加工能够更好地分段。此外，通过使用HDR加工可以增强烘焙食品及围绕其的炉壁或托盘之间的对比度。这使热处理监控系统100能够更加精确地确定烘焙食品的轮廓或形状。.

图7举例说明根据另一个实施例的用于处理室720的可能的传感器装置。如前所述，处理室720由至少一个摄像机760监控。摄像机760还可以包括具有至少两个光电二极管的图像传感器或光电二极管阵列。有利的是使用多于一个的摄像机，以便监控可以不同装载的多个托盘。至少一个摄像机760可以定位在处理室720内，但是有利的是施加减少朝向(一个或多个) 摄像机760的热量影响的窗口，具体地双层玻璃窗730。双层玻璃窗730可以在处理室的任何壁中。.

如上所述，有利的是通过并入至少一个照明设备(例如，灯泡或者发光二极管(LED))将照明施加到处理室720。限定的处理室照明支持获得稳固的摄像机图像。进一步有利的是施加至少一个特定波长的照明并施加适当波长的过滤器以用于摄像机或者图像传感器或光电二极管阵列 760。这进一步增加了可视监控系统的稳固性。如果波长被选择为红外线或者近红外线且因此选择图像传感器760以及可选的过滤器，则可视监控系统可以收集与关键地用于特定食物处理过程的温度分布有关的信息。.

摄像机或可视系统760可以配备有专门的透镜系统，所述透镜系统使食物的可视化最优化。由于负载的加工状态在其本身的装载中是非常相似的，因此不是必须捕捉关于所有装载食物的图像。另外，所述摄像机或可视系统可以配备有自动聚焦系统以及亮度优化技术。有利的是使用多个图像传感器760用于特定波长，以便收集关于与食物处理相关的颜色变化的信息。有利的是将摄像机或图像传感器760定位成在热处理期间收集食物的体积变化的信息。尤其有利的是设置食品的顶部视图。.

还有利的是可以将第二烤炉门或处理室开口附加到预先存在的开口系统。传感器系统或者尤其是摄像机、以及照明单元接着可以被定位在烤炉门窗口的高度。门或者双门系统的顶部的该门可以在传感器系统被改装到烤炉的情况下来施加。.

如上所述的监控设备中的每一个都可以安装到烤炉的前侧，可以如图1A、图1B、图3、图4A和图4B中的示例所示。监控设备包括外壳、摄像机传感器安装件、和安装到摄像机传感器安装件以通过烤炉门窗口观察炉室内部的摄像机。摄像机在水平和/或垂直方向上相对于烤炉门窗口倾斜成适于立即观察柜式烤炉中的至少两个烘焙托盘。监控设备可以还包括用于在必须结束烘焙过程时通知使用者的警报装置。另外，监控设备可以包括控制输出装置，以停止例如烤炉的加热和/或自动地打开烤炉门和/或通过冷空气或者空气使炉室通风。烤炉和监控设备一起形成热处理监控系统。.

如上所述，一个摄像机传感器用于观察烘焙过程。根据另一个实施例，有利的是使用多个摄像机传感器。如果热处理室内的每一个托盘都具有对准的至少一个摄像机传感器，则监控及控制软件可以单独地对每一个托盘收获信息。因此，可以计算每一个托盘的剩余烘焙时间。.

剩余烘焙时间可以用于在烘焙时间在另一个托盘之前已经结束的情况下警告烤炉使用者打开门并取出托盘中的至少一个。根据本发明，可以通过远程系统或信息技术系统警告使用者。所述警告可以发生在网站的显示上、智能电话上或者紧挨着计数器的闪光灯上。这具有的益处是使用者在其通常的工作地点(可以不在烤炉的前面)处被警告。.

根据本发明的监控系统的另一个实施例，监控系统可以用于工业食物生产系统，例如烘焙或预先烘焙生产线或者形成并分配生面团的生面团制备系统中。然而，监控系统还可以用于食物制造或加工的任何其它领域中。.

图8显示了具有至少一个传感器系统装置850的监控系统800，所述监控系统用于具有带式输送机815(移动单元)的热处理机或烤炉810(烘焙单元)。这些烤炉810通常用于工业食物生产系统。.

传感器系统850可以具有至少一个以下的传感器：湿度计；插入式温度传感器；处理室温度传感器；声传感器；激光三角测量器；标盘；定时器；摄像机；图像传感器；光电二极管阵列。该传感器系统850的一部分还为支持装置，例如照明、冷却或移动算法。.

根据一个实施例，激光三角测量器可以用于获得关于食物量的信息。接着，传感器系统装置850包括朝向烤炉或烘焙单元810内的烘焙食品生成并引导激光束的激光分配单元。激光分配单元可以同时将激光束引导到单片烘焙食品上，或者根据另一个实施例在食物处理过程内至少两次引导以获得关于食物量随着时间的变化的信息。.

烘焙食品的食物量信息和/或高度轮廓接着由测量单元获得，所述测量单元分析检测激光束从烘焙食品的反射的光检测单元的检测结果。对于所有激光束可以具有单个或多个光检测单元，或者对每一个激光束具有一个光检测单元。.

根据另一个实施例，至少一个附加传感器系统852可以放置在热处理机的内部或外部的不同位置处。可选地，传感器系统850可以被施加在带式输送机在不同的加工时间两次通过食物的位置处。可选地，传感器系统 850可以以与带式输送机815相同的速度移动。.

根据另外的实施例，可以使用多于一个的摄像机传感器或光学传感器以及用于激光三角测量的多于一个的激光谱线发生器。

根据图9所示的一个实施例，监控系统900包括至少两个监控设备，每一个监控设备都具有激光谱线发生器955和光接收装置960，例如摄像机或光电二极管阵列。因此，根据该实施例的激光分配单元包括第一激光发生单元和第二激光发生单元。.

激光束956从激光发生器955朝向带式输送机915上的例如为原始或预先烘焙的生面团的食物980发出。激光束从食物980朝向光接收装置960反射。由于已知激光发生器955和光接收装置960相对于彼此以及相对于带式输送机915的位置，因此可以通过从在光接收装置960内观察到的激光束 956所在的精确位置进行三角测量而获得激光发生器955到食物980的距离。因此，使用这种激光三角测量可以确定加工食物980的表面轮廓。.

如图9所示，激光束956被直接朝向食物或烘焙食品980引导，并且被直接朝向光接收装置或光检测单元960散射。根据另一个实施例，激光束的光路径可以通过偏转或导向反射镜改变。接着，激光发生器955或光检测单元960可以还定位在热处理室或烘焙单元外。这允许热处理监控系统的更柔性设计。此外，为了防止反射镜有蒸汽，反射镜可以被加热到高到足以阻止产生蒸汽但低到足以不损坏反射镜的温度。.

如图9中所示，来自激光发生器955的激光束956被聚焦成监控制造的不同阶段的食物980。要注意的是虽然在图9中显示了激光发生器955聚焦在两个相邻食物片980上，但是激光发生器可以同样聚焦在彼此间隔更大距离的多片食物980上。例如，两片食物可以通过多个测量仪分离，或者激光发生器955可以位于带式输送机915通过的焙烤室的入口和出口，并且在进入和退出焙烤室期间观察食物980的表面轮廓。为此，激光发生器或发生单元955还可以被布置成使得所述发生器或单元从顶部几乎垂直地朝向食物980发射光。.

还要注意的是激光谱线发生器955不需要位于带式输送机915的上方，但也可以位于带式输送机915的侧面。当然，至少两个激光谱线发生器955 也可以位于带式输送机915的不同侧。.

因此，通过使用聚焦在不同食物片980上且观察食物片980的相应的表面结构的两个或更多个激光发生器955，在带式输送机或移动单元915使食物980从第一激光束的聚焦点朝向第二激光束的聚焦点移动通过烘焙单元时，可以观察到由烘焙或食物生产过程所引起的该表面结构的不同。关于烘焙或食物生产过程的各个阶段的表面结构差异的该信息可以用于自动地控制所述过程，并因此允许自动的烘焙或食物生产。.

激光束956可以为点状或者可以为扇形，并且横跨带式输送机915的带的整个宽度延伸。通过使用扇形激光束956可以获得带式输送机915上输送的食物980的三维轮廓，其可以更好地用于自动地控制烘焙或食物生产过程。接着，扇形激光束从食物的反射可以通过光检测单元960上的透镜校准或集中，以便允许小的光检测单元960可以容易地结合到热处理监控系统中。.

如图10中所示，除了观察不同食物片之外，尤其有益的是使监控系统 1000的至少两个传感器系统以45度的倾斜角度对准每片食物，从顶部左侧和顶部右侧观察测量对象1080。这有利的是由于当观察圆形对象时，激光发生器1055及其分别对准的光接收装置1060可以测量所在区域的圆形对象的表面结构，该区域可以在仅使用一个传感器时被已经使用的顶部视图遮挡的区域。根据另一个实施例，激光束可以甚至相对于支撑食物1080的传送带或托盘倾斜小于45°。接着，可以更好地观察靠近食物的支撑件的表面结构。.

在使用扇形激光束的情况下，风扇跨越的平面的倾斜度相对于食物 1080的支撑件应该小于45°。这也意味着激光束之间的角度必须大于90°。

要注意的是虽然图10中显示了激光发生器1055聚焦在相同的食物片 1080上，但是激光发生器1055也可以同样聚焦在彼此分离的两个不同的实物片1080上。例如，两片食物可以通过多个测量仪分离，或者激光发生器 1055可以位于带式输送机通过的烘焙室的入口和出口，并且在进入和退出烘焙室期间观察食物1080的表面轮廓。.

还要注意的是激光谱线发生器1055不需要位于带式输送机的上方，而是也可以位于带式输送机的侧面。当然，激光谱线发生器1055也可以位于带式输送机的不同侧。.

此外，根据另一个实施例，在烤炉内可以具有激光三角测量显示器。接着，可以使用从大约45度角度(顶部左侧和顶部右侧)观看烘焙产品的至少两个激光三角测量传感器和两个直线激光器。这获得的优点是一个激光器同样可以在其底部测量烘焙产品的圆形，同时通过从顶部视角使用一个激光谱线和摄像机，底部半圆被遮挡且没有测量问题。.

因此，根据这些实施例，关于烘焙或食物生产过程的附加信息可以根据更有效和可靠地执行自动烘焙或者食物制造来提供。.

根据另一个实施例，激光线谱发生器或者任何其它光源、以及摄像机传感器或者任何其它光学传感器可以用于获取关于正在处理的食物的信息。对于如上所述的过程，亦称为激光三角测量，激光线谱可以投射到测量对象上。光学传感器、传感器阵列或者典型地为摄像机可以被朝向该测量对象引导。如果通过光源和投射的激光线谱的端部形成的摄像机投影或观察点及其相应平面以及激光线谱发生器的平面不平行或者成一定角度，则检测的光学信息可以用于执行提供关于包括三维结构或体积的尺寸和形状的信息的测量。.

在如上所述的实施例中，已经使用两个激光发生单元，以便生成和引导激光束。根据另一个实施例，主激光发生单元可以用于生成主激光束，所述主激光束接着通过光学单元分布在烘焙单元内。在热处理监控系统内使用这种结构通过减少激光发生单元的数量可以节省能量成本和空间。.

此外，激光发生单元可以位于烘焙单元外，并且仅有主激光束可以输入到烘焙单元中。这使得尤其是在也在烘焙单元外设置光检测单元的情况下可以更灵活地选择热处理监控系统的结构。.

光学单元可以为可将单个主激光束分裂成两个或更多个激光束的任何类型的光学系统。例如，光学系统可以包括半透明反射镜，该反射镜朝向要观察的第一位置反射一部分主激光束并将一部分主激光束朝向将光朝向感兴趣的第二位置反射的反射镜传送。主激光束也可以被分离成使得所述主激光束的多个部分被直接朝向要观察的位置引导。根据另一个实施例，在主激光束的光路径内也可以具有更多的反射镜和/或透镜。.

根据另一个实施例，光学单元可以包括可移动且可旋转的反射镜，该反射镜可选地生成激光束。为此，可移动且可旋转的反射镜可以设置在食物或烘焙食品的上方，并且可以移动并旋转成使得主激光束在不同时间被引导到不同的食物片或单片食物上的不同位置。因此，由测量单元收集的体积信息将根据时间表示烘焙单元内的不同位置。.

使用这种反射镜减少了烘焙单元内的空间需求并提供热处理监控系统的灵活设计。此外，使用者可以容易地将操作从一种模式转换到另一种模式，在所述一种模式中观察两个不同的食物片以获得关于食物的高度轮廓和/或体积轮廓的变化的信息，在所述另一种模式中从不同方向观察单个食物片以也靠近食物片的支撑件获得食物片的整个三维形状。可移动且可旋转的反射镜也可以平行地执行这种不同任务。.

当然，结合主激光束使用的反射镜也可以被加热以防止有蒸汽。.

根据另一个实施例，由激光分配单元、食物或烘焙食品以及光检测单元构成的光学系统可以满足Scheimpflug原理。这确保通过激光束取样的烘焙食品始终聚焦在光检测单元上，因此允许精确测量烘焙食品的高度轮廓。.

根据另一个实施例，激光三角测量可以与灰色图像处理相结合以同时采集关于形状和尺寸的信息以及关于纹理、颜色和其它光学特征的信息。生成的过程数据可以用于生成测量对象(在这种情况下为食物)的独特特征。这可以为正在处理的可以被切开的诸如生面团或烘焙面包的食物的形状、尺寸、体积、颜色、变深、纹理、孔径和密度。提出的信息中的一些或所有可以用于说明传感器数据，以便允许自动烘焙或食品加工。

在如上所述的实施例中，数据捕获主要通过诸如摄像机或光电二极管阵列的图像传感器来执行。然而，根据另外的实施例，通过图像传感器获得的数据可以补充有来自各种其它传感器(例如，湿度计、插入式温度传感器、处理室温度传感器、声传感器、激光、标盘和定时器)的数据。此外，处理室内的气体的气体分析仪、用于确定插入式温度传感器的温度分布图的装置、用于确定要处理的食物的电磁或声学过程发射物(类似于响应于光源或声源反射或发出的光或声音)的装置、用于确定要加热的食物的3D测量的结果的装置(包括3D或立体摄像机系统或雷达)、用于确定要处理的食物的类型、构造、图案、光学特性、体积或质量的装置也可以用作用于传感器单元1810的传感器，如下所述。自动的食品加工或烘焙接着可以根据来自所有传感器的所有数据来控制。.

例如，返回图7，处理室720可以另外配备有至少一个温度传感器或温度计762。虽然这仅显示在图7内，但是在此说明的任何其它实施例也可以包括这种温度传感器762。当通过热量处理食物时，温度信息涉及过程特征。所述温度传感器可以包含关于随着时间变化的热显影的信息及其在处理室内的分布。还可以采集关于烤炉状态、其热处理系统和可选的预先加热的信息。.

还有利的是可以包含插入式温度计。插入式温度计能够采集内部食物温度信息，该信息对于确定食品加工状态很重要。面包烘焙中有利的是获得关于内部和面包屑的温度的信息。.

此外，要加热的食物的随着时间变色进程可以用于确定炉室内的实际温度，并且可以另外用于烘焙过程中的相应的温度控制。处理室720或在此说明的任何其它实施例可以配备有关于处理室湿度的至少一个传感器，例如湿度计764。尤其是对于面包烘焙，关于湿度的采集信息是有利的。当生面团被加热时，包含的水蒸发，从而造成内部处理室湿度不同。例如，对于空气循环，烘焙过程期间的处理室湿度可以首先上升，然后再下降，从而指示食品加工状态。.

处理室720或在此说明的任何其它实施例可以另外配备有采集装载的食物重量及其最终的分布的信息的至少一个传感器。这可以通过热处理室 720的托盘安装系统中的一体式标盘766来实现。托盘支架或炉身(stack) 支架可以由可旋转轮或圆盘支撑，从而松开烤炉的负载。标盘766可以与轮或圆盘一体形成且将其作为转换器。当需要的能源供应及其方向在热处理期间会显著变化时，有利的是为每一个使用的托盘或托盘组单独获得重量信息，以便具有关于总食物重量及其相对分配的信息。另外，有利的是获得随着时间变化的食物重量差的信息，同时通过热量进行处理。例如，在面包烘焙中，生面团大约损失约10％的初始重量。此外，可以通过声音信号的发射和捕捉、例如通过扩音器和扬声器768获得关于生面团或食物的状态的信息。.

此外，在所述实施例中，可以使用可选的摄像机、图像传感器、或光电二极管阵列传感器以及最终可选的照明装置。代替将摄像机放置在任意处理室壁上的窗口的后面，该摄像机或者第二摄像机还可以与烤炉门或处理室开口一体形成。.

代替将照明一体到任一个处理室壁中，也可以将照明一体到烤炉门或处理室开口中。通常的烤炉门具有使操作员能够视觉上看见处理的食物并监督过程的窗口。根据另一个实施例，至少一个摄像机、图像传感器、光电二极管阵列或任何其它成像装置都可以一体到烤炉门或处理室开口中。没有供操作员使用的窗口的烤炉门由于热绝缘可以更好而可以被设计得使能量更有效。另外，外部照明的差异不会影响处理室监控摄像机的图像，该图像则将仅依赖于限定的处理室照明。然而，将要注意的是这种装置不能稍后容易地安装在已经存在的烤炉上。.

另外，可以有利的是将屏幕或数字可视显示器一体地结合到烤炉门的外壁上或者处理室外的任何其它地方。该屏幕可以显示从处理室监控摄像机捕捉的图像。这使操作员能够可看见地监督烘焙过程，尽管这是本发明不是必须的一个目的。.

此外，有利的是可以使用指示食物分布的托盘或一堆托盘。例如，在面包烘焙中，当对烤炉装载时，可以对每一个烘焙循环改变生面团的放置。这些不同可以通过具有匹配和识别技术的图像处理来处理。有利的是对于每一个生产循环具有相似的装载或食物放置，如图11中所示。在设置托盘 1100时可以应用自动放置系统。对于人工放置，至少一些使用的托盘可以具有生面团放置在何处的指示1110。块、堆、锅、模具、食物图标、食物示图或线可以用作标示。.

此外，当摄像机传感器一体地结合到烤炉环境或食品加工系统中时，所述摄像机传感器可以有利地与冷却装置成为一体。冷却装置可以为至少一个冷却板、至少一个风扇和/或至少一个水冷系统。.

此外，可以使用快门，所述快门仅在需要时暴露摄像机传感器。所述快门通常不需要拍摄照片且通常可以仅每5秒或更短时间拍照片。如果快门仅每5秒开启，则对摄像机芯片的热量影响明显较低，从而减小由于热量影响造成误差的可能性并因此增加热处理监控系统的可靠性。.

进一步有利的是可以拍摄至少两个照片或更多、或者通过多个非破坏性读出进行一次曝光且组合像素值。组合可以采用平均值或者通过高动态范围成像从至少两个中计算一个图片。波长过滤器可以与快门结合或者独立使用，所述波长过滤器仅允许相关波长通过，例如可见光或红外线辐射。这可以进一步减小对摄像机芯片的热量影响并因此更进一步地增加监控系统的可靠性。.

在图12所示的另一个实施例中，可以使用一些烤炉设计中使用的传感器系统与烤炉支架或移动推车的一体化。为了使支架式烤炉旋转，传感器系统可以与烤炉支架成为一体，如1200所标示。传感器系统一体形成在食物承载托盘中的至少一个的上方。推车中的传感器系统可以具有以下传感器中的至少一个：湿度计；插入式温度传感器；处理室温度传感器；声传感器；标盘；定时器；摄像机；图像传感器；光电二极管阵列。与支架成一体的传感器系统的一部分也为支持装置，例如如本发明中所述的照明或冷却。本发明的另一个目的是在如1210标示的支架的安装件处具有电连接，例如电线或电插头。进一步有利的是使传感器系统的至少一部分与如 1220标示的旋转支架炉壁成为一体。这有利的是减小传感器系统上的热效应。对于摄像机、图像传感器或光电二极管阵列有利的是应用图像旋转或移动校正算法，以便校正支架的旋转或食物的移动。该算法可以由来自烤炉控制的与旋转或移动速度有关的测量参数或预先设置的参数支持。.

在另一个实施例中，图形用户界面(GUI)可以显示烤炉内的每一个托盘和底板的图片。在对流式烤炉中，可以单独地确定每一个托盘的结束时间。这表示如果一个托盘比另一个托盘更早完成，则使用者可以获得腾空该托盘并留下另一个在炉中的信号。这是有利的，这是因为许多烤炉对于不同托盘可能具有相同的结果。此外，如果烤炉具有大致相同的烘焙温度，则一个烤炉可以在每一个托盘上烘烤不同的产品。因此，可以更灵活且有效地操作单个烤炉。.

在另一个实施例中，烤炉还可以确定烘焙食品在托盘上的分布。烤炉还可以拒绝装载不好的托盘。.

使用如上所述的传感器中的一个或多个可以收集关于烘焙或食品加工过程的数据。为了允许有效且可靠的自动烘焙或食品加工，加工机器，例如烤炉或带式输送机，需要知道如何从所有数据中提取有关数据、如何根据这些数据对加工食品和食品加工的阶段进行分类、以及如何根据所述数据和所述分类自动地控制加工。这可以通过能够根据机器改进技术控制烘焙过程的热处理监控系统来获得。.

图13说明了控制单元和数据处理图，上述实施例中的任何一个的数据可以根据该图来处理。.

在此，用于热处理机1310的控制单元或热处理监控系统1300通过所述的传感器系统中的任一个识别要处理的食物。要处理的食物的识别可以通过唯一的传感器数据输入矩阵D_a来实现。该传感器数据输入矩阵或其简化表达式可用于通过其数据特征或数据指纹来识别食物处理过程。.

控制单元1300具有数据库入口，该数据库能够比较传感器数据输入矩阵与1301标示的预先储存的信息。这使控制单元1300能够选择用于当前食物处理的控制程序或加工过程。根据一个实施例，该过程的一部分是传感器数据输入矩阵D_a与致动器控制数据矩阵D_b的映射X_c，

D_aX_c＝D_b (公式1.00)

热处理机1310通过致动器控制数据矩阵D_b例如通过控制烤炉控制参数(例如，能量供应或者加工的开始和结束时间)来控制食品加工。热处理机接着在闭环控制模式下运转。典型地，传感器数据输入矩阵D_a在维度上明显高于致动器控制数据矩阵D_b。

根据一个实施例，有利的是通过机器知道的已知方法找到映射X_c以及传感器数据输入矩阵D_a的简化表达式。这是因为要处理的食物的类型和给予的过程通常各不相同。.

从数据处理来看，传感器数据输入与适当的致动器输出之间的关系可以与非线性和时间高度相关。现今，这些参数由通常对热处理机的耗时配置具有重要的专门技术的操作员来选择。根据本发明的一个实施例，机器学习方法可以通过从操作员获悉的初始数据组执行将来的系统配置并加快配置时间以及增加处理的效率和质量。.

所有应用的数据都可以储存在资料库中。根据本发明，有益的是连接热处理机与网络。通过该网络可以交换任何数据库数据。这使操作员能够与多个本地分布的热处理机交互。为了实现此目的，热处理机具有与网络交互并使用诸如传输控制协议(TCP)和网络协议(IP)的特定协定的设备。根据本发明，热处理机可以配备有用于局域网(LAN)、无线区域网 (WLAN)或者移动式无线电通讯中使用的移动式网络入口的网络装置。

在之前所述的实施例中的任一个中，烘焙或食品加工过程可以包括学习阶段和生产阶段。在学习阶段中，操作员将食物放入热处理机。食物依照要求由操作员通过热量来处理。这可以在具有或者没有热处理室的预先加热的情况下来执行。在通过热量加工之后，操作员在已经达到期望的过程状态时可以规定食物的类型。操作员还可以在产品处于烘焙中、过烘培以及在期望的过程状态时提供信息。.

所述机器使用所述的机器学习方法来计算未来的食物生产的加工参数。接着，热处理机或者连接网络中的热处理机可用于具有额外的学习阶段或者进入自动化生产。当处于自动化生产时，操作员在可选的预先加热的情况下仅仅将食物放入热处理机。机器接着检测处理室中的食物并执行预先地学习的热处理过程。.

当已经达到期望的食物加工状态时或者仅在完成面包时，机器结束热处理过程。还可以通过打开门或者结束能量供应或使热空气从处理室中通风来实现。还可以给操作员提供可视信号或者声信号。此外，热处理机可以从操作员请求反馈。可以要求选择类别，例如不足烘焙、食品或过烘焙。装载和卸载处理室的自动装载系统可以使所述过程充分自动化。为此，可以使用机器人臂或对流带。.

机器学习和食品加工控制中的最新技术已经被检验而生成自适应监控。人工神经网络(ANN)、支持向量机(SVM)和K-最近邻算法(KNN) 分类已经在其应用于食品加工的专门应用程序时被研究。本发明的一个目的是为了评估机器学习在没有操作员限定的过程模型的情况下可实现何种操作。.

在下文中给出本发明的理论的简要概述。这包括用于通过降维来减少传感器数据的技术，例如主成分分析、线性离差分析和等距特征映射。还包括分类的引入以及无监督学习方法，例如模糊K-最近邻算法、人工神经网络、支持向量机和加强学习。对于数字格式，千位分隔符为逗号“，”，而十进制分隔符为点(.)；因此，一千由数字1,000.00表示。.

特征提取和降维.

本发明不是寻求也不希望在机器中获得类似于人的性能。然而，人工代理的食品加工或生产机器内的能够控制食品加工任务的类似认知的能力的研究可以为最尖端的方法中的一些朝向认知体系提供应用方案。对于生产机器的方法可以在认知感知作用的回路体系内来构造，如图14中所示，还限定了认识技术系统。诸如感知、学习和提高知识的认识能力允许机器通过传感器和致动器独立地与环境交互。因此，在下文中将说明从机器学习已知的将适用于生产系统中的认知感知作用的回路加工的不同部分的一些方法。.

如果认知技术系统仅仅具有其传感器数据输入的特征再现，则能够操作更高量的数据。此外，提取特征通过聚焦在更相关的数据组信息而加强或增加了信噪比。然而，具有许多从数据组提取相关特征的方法，其中数据组的理论方面概括如下。.

为了以认知方式选择或获悉特征，想要一种在不需要人监督的情况下可以完全独立地应用的方法。获得该方法的一种方式是利用降维(DR)，其中尺寸t×n的数据组X被映射到尺t×p的较低维度数据组Y。在本文中，被称为观测空间且作为特征空间。所述概念是指通过以较低维度生成表达式来识别或获悉特定数据组中的较高维度流形(manifold)。.

发现数据组中的特征所使用的方法可以细分为两组：线性和非线性，如图15中所示。线性降维技术看起来优于数据组具有非线性结构时的非线性降维。这伴随有成本，这是因为非线性技术通常具有比线性技术更长的执行时间。此外，与非线性方法相反，线性技术可获得直接的往复映射方法。问题在于线性降维技术是否足以用于食品加工，或者是否非线性技术在成本上更具有优势。以下的非线性技术对于人工数据组非常有利： HessianLLE、拉普拉斯特征映射(Laplacian Eigenmaps)、局部线性映射 (LLE)、多层自编码器(ANNAut)、核PCA(Kernel PCA)、多维标度法 (MDS)、等距特征映射(Isomap)和其它技术。结果，Isomap证明是对于人工数据组最好的测试算法。发现Isomap算法看起来是用于食品加工的最适用的非线性降维技术。因此，在下面介绍Isomap和两个线性降维技术。.

主成分分析.

主成分分析(PCA)能够发现通过变化分离数据组的特征。这能够识别由数据组尽可能多地变化来表现的单独特征组，但是在维度上较低。 PCA在其它规范中已知为卡洛南-洛伊变换，并且被称为奇异值分解 (SVD)的部分也是公知的名称。PCA在统计图案或面貌识别中频繁使用。在体型小的对象中，计算数据组的方差的主特征向量和特征值。需要通过高维数据组t×n平均调节矩阵X的t×p元素来找到较低维度表达式Y，从而保持尽可能地变化且具有去相关列，以便对数据组x_i计算低维数据表达式 y_i。因此，PCA寻求尺寸n×p的线性映射M_PCA，该线性映射使项最大化，并且和cov(X)作为X的协方差矩阵。通过公式2.3解开特征值：

cov(X)M_PCA＝M_PCAΛ， (公式2.3)

通过由Λ＝diag(λ_l，…，λ_p)给出的对角矩阵获得p阶主特征值。期望的投影通过公式2.4给出：

Y＝XM_PCA， (公式2.4)

该公式将期望的投影提供到线性基M_PCA上。这可以显示出表现高维数据表达式中的变化的特征向量或主分量(PC)由通过变化分类的矩阵M_PCA的p第一列给出。p的值通过反映由于降维造成的信息损失的剩余方差的分析来确定。

通过借助最大变量来找到变量的正交线性组合，PCA减少数据的维度。PCA是用于分析数据组的非常有效的工具。然而，PCA可能不会始终找到最佳的较低维度表达式，尤其是在原始数据组具有非线性结构的情况下。.

线性离差分析.

尽管PCA有效，但是线性离差分析(LDA)可以被视为监督降维技术。通过使用线性方法可以分类线性离差分析，这是因为线性离差分析还将对数据组X的线性映射M_LDA提供给较低维度矩阵Y，如公式2.4中的M_PCA所示。所需的监督在潜在的需求将生成完全独立的系统的情况下是一个缺陷。然而，LDA支持对传感器数据的特性的理解，这是以为内LDA可以生成表示期望的测试数据组的特征。.

由于LDA的细节以及费希尔判别式是已知的，因此以下是简要的简化概述。假定具有均值为零的数据X。监督过程提供用于通过均值为零的数据X_c将X分成C类的类信息。可以通过公式2.5计算此信息：

(公式2.5)

类内离散度S_w是阶c数据的变化与其自身的平均值的度量。类间离散度S_b遵循以下公式：

S_b＝cov(X)-S_w (公式2.6)

类间离散度是每类的变化关于其它类的平均值的度量。通过使用费希尔判别式以低维表达式最优化类间离散度和类内离散度的比值获得线性映射M_LDA，

(公式2.7)

通过对于解开特征值使费希尔判别式最大化能够提供不为零的 C-1特征值。因此，该过程寻求最佳特征以在子空间中通过线性投影分离给出的类别。LDA因此以级间方差与组内方差的最大比分离低维表达式。.

等距特征映射.

PCA和LDA方法产生从高维数据组到低维表达式的线性映射。这可以表示为在观测空间中获悉流形并为此在较低维特征空间中找到表达式。对于具有非线性结构的数据组，例如人工Swiss-roll数据组，线性投影将失去原始流形的非线性特征。线性投影不能以简要的方式减小维度：特征空间中的数据点尽管不在观测空间中也会表现出接近。为了解决该问题，非线性的降维技术已经相对于线性技术而提出。然而，获得的结果是不清楚非线性技术是否实实际上优于建立的线性技术，例如用于来自食品加工传感器系统的数据的PCA和LDA。.

等距特征映射或等距映射算法尝试保存观测空间中的数据点之间的成对的测地距或曲线距离。与为可以用尺或勾股定理测量的两个点之间的普通距离或直接距离的欧几里德距离相反，所述测地距是经过观测空间中的流形测量的两个点之间的距离。换句话说，不采用最短路径，而是必须使用相邻数据点作为数据点之间的中心与跳跃。观测空间中的数据点x_i可以通过构建连接该数据点与其在数据组X中的K最近相邻点的相邻图N来估算。成对的测地距矩阵可以通过Dijkstra的最短路径算法来构建。为了减少维度并获得数据组Y，多维标度法(MDS)可以应用于成对的测地距矩阵。 MDS寻求尽可能多地保持数据点之间的成对距离。第一步是应用应力函数，例如通过公式2.8给出的原始应力函数：

(公式2.8)

以便获得特征及观测空间中的成对距离之间的质量或误差的测量。在此，||x_i-x_j||是观测空间中的数据点x_i和x_j的欧几里德距离且y_i和y_j对于该特征空间是相同的。应力函数可以通过解出成对的距离矩阵的特征问题而被最小化。.

等距映射算法因此通过尽可能地保持数据点之间的成对测地距而减少维度。.

用于机器学习的分类0

在机器学习中，不仅是提取为很大科学兴趣的特征，而且还需要获得决定和判断情况。分类技术可以帮助机器在复杂情况之间进行区别，例如食品加工中所发现的。因此，分类使用对存在的数据分割的通常所说的类别。这些类别可以从特定的训练数据组中获悉。在对AI和认知机研究中，人工神经网络在该过程中相对较早开发。相比较，核心及其和增强学习的原理仅是最近呈现，但显示出提高的认知能力。.

人工神经网络.

人工神经网络(ANN)已经广泛地讨论了几十年。ANN是人工指令历史中首先成功的一个。使用天然大脑作为模型，多个人工神经细胞以网络布局连接，使得ANN可以获悉近似函数，例如图案识别。所述模型允许神经细胞在达到或超过特定阈值的情况下触发其输出。这可以利用阈值函数来模型化。天然神经细胞看起来像具有二元阈值的“火焰(fire)”。然而，也可以使用S形函数，.

(公式2.9)

其中，v作为转换参数。对于每一个输入连接限定可调重量因数w_i，该可调重量因数能够使ANN认识到通常所说的学习范例。阈值函数o可以使用重量因数W和来自之前的神经细胞的输出P来表示，o＝W^TP，同时具有矩阵-向量符号。神经细胞可以分层为前馈结构、多层感知器(MLP)或者例如具有使用具有通常所说的复现神经网络中的延迟元件的反馈回路获得的无限输入响应。MLP是具有分层结构的前馈网络；多个隐蔽层可以在需要时增加以解决非线性问题。MLP可以与连续的阈值函数(例如，S 形函数)一起使用，以便支持下面所述的用于监督学习的反传算法。这在公式2.10中常识使误差E最小化：

(公式2.10)

来自指定输出z_i的当前输出a_i，其中特定重量被递推地调节。对于具有一个隐蔽层的MLP，如果h_j为隐蔽层值，e_i为输入值，α≥0为学习率且ε_i＝z_i-a_i，则隐蔽层和输入层的重量根据以下公式来调节：

(公式2.11)

(公式2.12)

所述层从输入开始到输出来列举。对于反传，对相应的输出向量调节重量直到总误差不能进一步再减小为止。最后，对于C类的分类，输出层可以由C类输出神经组成，从而表现出各个类的概率，或者由为每一类限定范围的单个输出神经组成。

ANN因此可以从训练数据组学习或者适应训练数据组，并且可以找到从N输入神经到C输出神经的线性或非线性函数。这可以用于分类以区分数据组中的一组类别。

核心机器

通常，分类技术应该用于确定根据测量数据出现的获悉类别的概率的目的。分类可以作为C中的一组类别c_i＝c₁，…，c_N以数学方式来计算，其中数据组由表示，并且p_i的概率为：

p_i＝p(c_i|x_i)＝f_c(x_i，θ) (公式2.13)

接着可以对每一类单独选择参数θ或者可以从训练数据组获悉参数θ。

为了获得专门的知识，理想的是促成有效的训练算法并显示复杂的非线性函数。核心机器或支持向量机(SVM)可以帮助这两个目的。SVM 或者在该具体的上下文中为支持向量分类(SVC)的简单说明如下：为了两类(好和坏)之间的区分，需要划界线并指出哪个是哪个；由于一个项目不可能均为这两类，因此需要二元判定，c_i∈{-1，1}。如果对于低维空间中的两类仅可以找到非线性分隔符，则可以在高维空间，超平面中为该两类找到线性表达式。换句话说，如果线性分隔符不可能在实际空间中，则维度的增加允许线性分离。例如，可以通过具有圆形分隔符的函数F的两维空间f₁＝x₁，f₂＝x₂与使用线性分隔符的三维空间映射，如图16所示。对于这种情况，SV在对应的高维空间中寻求一组类别c_i的最佳的线性分隔符，超平面：

(公式2.14)

在三维空间中，可以通过超平面H来分离，其中o是H的法向向量，至原点的垂直距离|b|/||o||并且o具有欧几里德范数||o||。为了发现用作最佳线性分隔符的超平面，SVC通过差平面与最接近的数据点x_i之间由公式2.15 给出的差数最大化：

(公式2.15)

这可以通过使比率||o||²/2最小化并通过最佳拉格朗日乘子参数α_i解出而获得。为了实现此目的，表达式：

(公式2.16)

必须在限制α_i≥0且∑_iα_ic_i＝0的情况下被最大化。对于不偏的超平面的最佳线性分隔符接着使用公式2.17来给出：

(公式2.17)

从而允许两类分类。

SVM具有两个重要特性：SVM在计算运行时间方面是有效的且可以通过公式2.16和2.17来证明。首先，与每一个数据组相关联的通常所说的支持向量或者参数组α_i除了最接近分隔符的点以外都为零。限定超平面的参数的有效数通常小于l，从而增加了计算性能。其次，数据输入表达式2.16仅为成对点的点乘积的形式。这允许有机会通过公式2.18应用通常所说的核映射：

(公式2.18)

从而通常能在不需要明确知道F的情况下计算F(x_i)·F(x_j)。核函数 K(x_i，x_j)允许直接对相应特征中的成对输入点计算点乘积。然而，通过本发明应用的核函数为高斯径向基函数且必须满足特定条件，如在公式2.19 中：

(公式2.19)

γ作为可调核参数。

由于至此仅论述两种类型之间的二元判定，因此在此要注意的是也能够进行柔和的且多类别的判定。后一种可以通过每一类c_i相对于其余n-1 类的成对结合来分步骤获得。

SVC因此可以用于获悉复杂的数据。这将该数据以及时方式构建到一组类别中。映射到较高维空间中并找到最佳线性分隔符能够使SVM使用有效的计算技术，例如支持矢量和核映射。.

模糊K-最邻近算法.

与先前论述的支持向量机不同，称为模糊K-最邻近算法(KNN)分类的较不复杂但高度有效的算法还可以分离数据内的类别。所述算法可以通过计算到一组最近邻数据的距离来对未知的数据分类。.

假定在已知的类别组中具有一组n标记的具有隶属关系的样本。如果得到新的样 本x，则可以通过到现有类别的隶属度的矢量距离计算特定类别的隶属度的概率p_i(x)。如 果类别A中的隶属的概率与具有6％的类别B 和仅具有4％的类别C相比为90％，则最佳结果 看来是显而易见的。相比之下，如果类别A中的隶属的概率为45％，而类别B的隶属概率为 43％，则最佳结果将不再是显而易见的。因此，KNN提供隶属信息作为可能的类别中对K最近 邻域及其隶属度的函数。这可以通过公式2.20来概括：. (公式2.20)

其中p_ij是标记样本组内的第j向量的第i类中的隶属概率。变量m是距离及其对帮助计算的隶属值有影响的权重。

当应用时，通常设置m＝2且最邻近数K＝20。

加强学习.

与从训练数据获悉函数或概率模型的之前的学习方法对比，加强学习 (RL)可以长期使用来自代理自己的行动的环境反馈帮助学习，而不需要教导。这需要在监督学习与无监督学习之间进行区分。如果寻找长期目标，则积极的环境反馈，也称为回报或加强，可以支持改进。代理可以从回报学习如何优化其与现实世界交互的政策或策略，所述最佳策略为优化期望总回报的策略。RL不需要对环境或者全部回报函数的全部之前的模型。人工代理因此指示认知能力并以相似的方式作用于动物，动物可以从类似于疼痛和饥饿的消极结果以及从类似于愉快和食物的积极回报中学习。在这种情况下，选择代理必须使用值函数方法，其中尝试最大化其环境回报。.

在RL中，代理在察觉到处于其当前状态s_t的环境中采取行动a_t，以便通过学习特定策略π来最大化长期回报r_t。然而，在可以开始加强学习之前，必须找到关于适当的代理设计的答案。代理可以尝试通过评估策略π的回报(retum)来最大化预期的回报。该代理行为也被称为值函数评估。代理可以通过使用状态值函数V_π(s)估算状态值来评估动作，考虑持续变化的特定策略π_w如公式2.21中：

(公式2.21)

代理使用该函数可以评估给定状态和后续策略的预期回报。也可以推算给定状态和策略之后的动作的预期回报。因此，代理在考虑给定状态时从状态作用函数或Q函数选择动作，如公式2.22中：.

(公式2.22)

因此，下一个动作依赖于回报函数r_t，并且为了允许代理同意对预期的未来回报超过当前回报进行让步，可以选择折扣因数0≤γ≤1。可以设置代理应该为未来回报做出多少折扣，例如，未来回报对于γ＝0是不相关的。

在RL中，所述方法可以细分成多组，例如基于方法或引导策略研究的值函数。许多不同的行动者-评论家算法(actor-critic algorithm)是基于方法的值函数，从而对策略评估并优化预期回报。为了获得基于值函数的方法，人工代理的行为和置于此的控制问题可以被规定为马尔可夫决策过程(MDP)。所述系统能够经由连续状态组察觉到其环境，其中且s₀作为初始状态。可以关于限定为π(a_t|s_t)＝p(a_t|s_t，w_t)的随机且参数化的策略从可能的动作组进行选择，且策略参数为对于已知策略，可以关于预期回报由状态映射到动作。每一个动作之后的回报依赖于 r_t(s_t，a_t)。如果可获得无环境模型，则所述的行动者-评论家方法可以潜在地开发策略发现算法。名称从现场获得，其中行动者响应于来自评论家的反馈改变其动作。这可以使用给定计算函数作为一组特征的权重函数或者通常所说的基函数φ(s)来获得，所述函数接着给出具有值函数参数v的状态值函数的近似值，如公式2.23中：

V_π(s)＝φ(s)^Tv (公式2.23)

改进策略是可以通过策略梯度解决的一个最优化结果。策略梯度方法的选择是集中和效率的关键。两者看起来都符合自然行动者-评论家(NAC)算法，如2008年的Neurocomputing第1180-1190页第7-9号第 71卷J.Peters和S.Schaa的“Natural Actor-Critic”所述，其中行动者使用公式2.24中导出的评论家的策略来改进：.

(公式2.24)

用于改进NAC算法的策略参数的步骤接着使用公式2.25来计算：.

(公式2.25)

其中α是学习率，并且是使用费希尔度规计算的自然梯度或者从所述的NAC算法公布内验证的策略获得。具有LSTD-Q的NAC算法是 2008年的Neurocomputing第1180-1190页第7-9号第71卷J.Peters和S. Schaal的“Natural actor-critic”的第1183页上的表格1充分证明的。这通过参数化策略π(a|s)＝p(a|s，w)初始参数为w＝w₀来应用，包括为伪代码的以下步骤：

1：开始：制订初始状态s₀～p(s_t)并选择参数

A_t+1＝0；b_t+1＝z_t+1＝0

2：对于t＝0，1，2，…do

3：执行：制订动作观察下一个状态

s_t+1～p(s_t+1|s_t，a_t)，以及回报rt＝r(s_t，a_t)。

4：评论家计算(LSTD-Q(λ))：更新

4.1：基函数：

4.2：统计：b_t+1＝b_t+z_t+1r_t，

4.3：评论家参数：

5：行动者：如果梯度估算是准确的，则更新策略参数

5.1：并忘记(重置)统计.结束.

如在本文中其它地方所说明，基函数φ(s)可以通过将传感器数据输入映射到特征空间中而呈现。在这种情况下，基函数等于特征值。基函数同样可以不同地选择或者代理可以使用原始传感器数据。基函数同样可以包含自适应法或自己的学习步骤，从而通过回报函数结果最大化。.

重要的是要注意也可应用其它RL代理。可以应用许多其它策略学习代理原理。此外，独创的是除了分类输出或者质量指示符还使用其它资源作为回报信号r_t。例如，可以将后处理或预先处理传感器应用为回报信号源。回报函数可以为后处理传感器的测量数据的在0与1之间或者-1到1 之间的要成为好或坏类别的一部分的概率值，这通过如上所述的分类来确定。在预先处理传感器用于给出回报r_t的情况下，RL代理可以找到参数组来获得该目的。因此，加强学习可以为朝向长期目标的步骤，这在于加强学习需要使用策略发现算法(例如，自然行动者-评论家)从给出的回报中学习策略。

认知技术体系结构.

人工代理为通过传感器察觉其环境并由于此通过致动器作用的任何代理。代理被限定为具有程序的体系结构。为此使用的有灵感的角色模型是天然认知，并且想要实现用于技术系统的相似的作用认知。因此，代理将配备有认知能力，例如摘要信息、专门的知识以及用于制造工作站做出的判断。该部分作为所述过程的一部分引入产生并使代理能够管理生产任务的体系结构。为了实现此目的，代理通过读取来自传感器的数据并限定用于致动器的动作来跟随认知感知动作回路。.

天然认知能力是从更大的数据组提炼相关信息并在该信息内的类别之间进行区分。根据本发明使用数据缩减技术和分类方法的组合来获得表现出相似情形的事物，从而将该概念从天然认知转移到数学数据分析的领域。在工业生产中，许多制造过程可以使用黑盒模型执行，该黑盒模型聚焦在盒子的各处而不是内部实际所发生的情况。至生产系统中可以使用的黑盒的连接通常是传感器和致动器。传感器，例如摄像机、扩音器、触觉传感器和其它传感器，监控生产过程。这些系统也需要致动器，例如线性驱动或机器人定位，以便与其环境交互。对于每一个生产过程，这些致动器都必须被参数化。为了学习代理如何可以自适应地控制这些生产系统的至少一个参数，自学习算法、分类技术、知识储存库、特征提取方法、降维技术和流形学习技巧的许多组合都可以使用。本发明还提供了不同的控制技术，使用多个不同的传感器和致动器的打开及关闭回路。在许多模拟和实验之后，证明这些技术可以如何组合的简单体系结构至少对食品加工来说证明是成功且可靠的。然而，食物处理可以被转换为黑盒形式，因此可以适用于其它类型的生产过程。.

图17显示可以适用于设计可以提供监控或用于生产任务的自适应过程控制的代理的认知体系结构。所述图说明了单元通信和信息处理步骤。天然认知看起来是首先通过识别代表符号(例如，构造信号)来提炼信息。相似的过程可以使用降维(DR)实现，其中代理使用输入的传感器数据的低维表达式。天然认知接着辨别关于输入的感知结果的知识是否已经存在。该步骤可以通过使用对“感知”结果或特征分类来获得。天然对象可以决定学习或者设计新的动作。为了复制该动作，本发明的体系结构提供自学习技术，该自学习技术提供处理逻辑。在寻求在不需要开始复杂决策过程的情况下获得快速反应中，还可以“硬连线”传感器输入，所述传感器输入可以使用闭环控制设计直接启动致动器。因此，本发明的体系结构可以关于四个使用模式来设计，这将在下文中单独说明：第一，提炼相关信息；第二，从有经验者接收如何监控和控制过程或者监督学习的反馈；第三，作用于学习的知识；以及第四，在之前未知的情况中独立控制过程。正如其它认知体系的情况，在此的目的是产生对人具有某种人工指令或认知能力的代理。.

代理可以由来自不同降维和分类技术的多个部分组成，从而允许在整体食品加工质量方面比较组成的代理的运行和模块。许多不同的降维和分类技术可以应用，并且一些技术已经在研究项目中评估过。本发明的认知体系结构提供以下模块用于构成代理：主成分分析(PCA)、线性离差分析(LDA)、等距特征映射(Isomap)、支持向量机(SVM)、K-最紧邻规则(KNN)、人工神经网络(ANN)以及加强学习(RL)、以及一些其它的方法。该体系结构内的控制代理的本发明的三个实施例将为代理A 连接的Isomap、SVM、ANN和PID能量供应控制、或者代理B连接的Isomap、 SVM和PID能量供应控制、或者代理C连接的ANN和Fuzzy KNN以用于控制。.

提炼相关信息.

在自然人类识别中，我们从听到、感觉和看见的事物中提炼或吸收信息。因此，通常仅记得大多数感兴趣的事情。受此启发，技术认知系统将类似地从生产过程提炼相关信息。通过提炼的特征而不是原始的传感器数据操作具有特定优点。许多脆弱的传感器信号可以将维度缩减得更少，但是获得更好得信号，从而生成更可靠的特征。另外，为了实现实时过程控制，必须减小输入的传感器数据的量，这是因为大量的数据可能对整个系统更长执行时间具有明显影响。.

本发明的体系结构需要测试运行，以便提炼初始信息。在代理训练的该时段期间，将控制的致动器的参数范围改变。为了确定哪些信息最相关，代理将探测其自己的活动范围。在初始的基准测试之后，系统分析记录的传感器数据，以便发现代表特征。代理可以独立地解出不同种类传感器的特征计算，但是感知单元将理想地被训练成将感知输入映射到学习的特征空间中。发现特征空间的有用表达式是关键的，这是因为系统将仅能够辨别特征值的变化或者对该变化做出反应。本发明的认知处理的目的是提供尽可能多的信息用于后续加工步骤。然而，原始的传感器数据包含副本、相关数和可以忽略的相关性。因此，为了提炼相关信息，最显著特征或者包含最大量信息的特征应该被识别。为了实现该“认知”，代理应该执行该任务而不需要有经验的人的监督。因此，选择一种特征提取的方法，该方法可以应用于所有不同种类的加工任务和相应的传感器数据，而不需要改变参数或重新配置。流形学习或降维技术满足该需要。流形学习或降维技术可以将观测空间中的传感器数据组X的维度n减少到特征空间中的数据组Y的维度p。通常，新的量p远小于n。然而，许多线性和非线性的降维技术已经被常识并测试用于不同目的。本发明提供了一种用于生产工作站的适当的特征提取技术，该技术遵从以下要求，特征提取方法对使用者清楚地工作且能够向使用者显示加工步骤。特征提取方法能够无监督地运行。特征提取方法可在合理的时间框架内执行以用于重新配置，尤其是在加工期间。提取特征包含用于多个食物负载内的可靠分类的足够过程信息。.

实质上，PCA寻求显示更大数据组的正交线性组合。这些可以对输入的传感器数据矢量计算。这些特征向量可以用作用于分类直到阈值d的特征。与分类相结合的特征提取可以使用线性离差分析获得。使用LDA和限定为“良好”、“中等”和“差”的三个获悉的质量级分析相同的数据组提供了另一组特征。特征提取还可以使用Isomap算法获得。不幸的是非线性特征不能以与LDA和PCA的线性特征抽取相同的方式显示。以上提出的方法的提取特征在下文中比较。LDA特征看起来包含比PCA特征中的任一个更多的细节。使用该计算方法，LDA特征看起来包含比PCA更少特征的更多加工信息，这是因为LDA特征尤其是被设计成分离期望的类别。此外，可以以使这两种方法比Isomap更透明的方式使用PCA和LDA显示计算的特征。使用者获得的理念是在特征仅通过看到其在过程食品中被识别的情况下看起来像何种过程。PCA和Isomap具有的有点是它们可以无监督地运行，从而在具有LDA的情况下是不可能的。因此，LDA仅用作对PCA的比较，但不被认为是对期望体系结构的可选方案。此外，LDA特征看起来对于具体的过程各不相同。Isomap对于分析和样本外延伸具有显著较高的执行时间。因此，如果通过PCA的分类获得足够的结果，则通过研究更可能应用于系统。因此，选择的方法将为PCA，除非Isomap显示指向本发明的第一目的的显著更好的性能。由于最重要的质量测量是为本发明基本原理的实验结果，因此必须搁置降维技术的最后选择。.

实质上，降维可以允许代理提炼检测训练试验期间的变化和相似性的相关信息。这帮助代理与显著更高的原始传感器数据量相比仅处理几个特征值。此外，降维可以支持在未知的情况中感知相似性，例如相似的食品加工特征，例如食物大小和形状，即使这些还不是训练的一部分也是如此。这可以提高代理对未知但相似的情况的适应性。.

由有经验的人监督的学习.

在自然人类识别中，例如在童年中，我们通常向他人学习如何管理复杂任务。类似地，机器应该具有初始从有经验的人学习其任务的可能性。有监督的学习看起来是最有效的对生产装配认知代理的方式。在工业生产中，合格的监督人通常存在于生产系统正在安装或者设置时。我们检查的体系结构使用人-机通信，以便例如通过触摸屏式平板电脑上的直观图形用户界面从有经验者接收反馈。如上所述，每个致动器或测试运行至少有一个测试动作在该体系结构中需要作为初始的学习阶段。在这些测试期间，代理从期望的活动范围内运行一个致动器并储存传感器数据输入。运行后，有经验者提供关于机器人是已经正确地运行所述致动器的反馈还是所述动作是不成功或是不理想的。所述反馈可以为许多不同类别，从而可以限定不同类的失败和退出策略。分类技术接着可以收集特征以及相应的监督反馈。分类模块将结合查找表格用作经验并作为用于当前系统状态的分类的规划储存库。代理可以如何执行其自己的动作和提供其本身的反馈对于接下来的部分将是重要的；该部分主要涵盖从有经验的人学习的能力以及用于监控目的的该知识的应用。.

支持向量机、K-最近邻规则以及人工神经网络作为分类技术已经说明。有经验的人教授机器越多，则系统将越可能获得期望目标。为了节省成本，如果可能的话，必需的人类监督时间应该最小化到仅有一个或两个基准测试。.

半监督学习.

先前的讨论显示了研究的认知体系结构中的代理如何察觉其周围事物以及如何向有经验的人学习，并且显示代理在监控方面的知识。根据选择的特征提供的监控信号从不同传感器获得，所述传感器利用训练的分类器来译码。该监控信号看起来具有提高的质量且可应用到过程参数的控制。代理接着将其位置从观察加工改变成实际上作用于获得的知识。然而，如果代理也可应用到工业过程中的过程控制，则代理必须满足许多要求且性能接近完美。以下是对于基于认知的体系结构的一些要求：过程控制模块应该能够完成从传感器输入到致动器输出的至少一个控制循环。受控参数应该在改变时对过程结果具有影响，同时以及时方式响应。过程控制模块应该在提供可靠稳定性和需要的动态的平衡方面被优化。.

为了实现适用于工业生产过程的稳定的过程控制，通常需要快速或者实时的闭环控制。在研究中的体系结构的优点是代替原始传感器数据的特征的使用允许更快地完成控制回路且具有最小的信息损失。在该体系结构中，任何种类的控制器设计都可以实现，从而与分类输出相适应。简单的变型将具有三个可能的分类输出值：正在烘培，I级；校正，II级；和过烘焙，III级。这可以使用以下公式表示：.

(公式3.1)

其中，p是级别概率，y_e是质量指示符。

PID控制器可以根据上述的关于由有经验的人监督的学习的监控信号调节系统致动器的参数。将PID控制与分类结果结合使代理能够执行能量供应控制加工。这可以如下所示来实现：.

(公式3.2)

其中P为比例，I为整数，并且D为导出行为。目的是使质量指示符y_e、分类模型的输出与期望值0.0之间的误差e_t最小化。在该上下文中，依赖于与质量指标有关的可能的类别的期望值的独特应用性提供了改变该值以优化期望的过程结果的机会。一种方法说明了具有ANN和相应试验的 PID控制。另一种方法研究SVM分类模型控制食品加工的应用。.

无监督的学习.

根据建议，自学习机构被集成到本发明的系统中。根据训练特征进行新产品的检查可以检测新的或者先前未知的情况。在这些情况中，系统执行另一个测试动作并使用先前的训练特征对新的食物分类。此时，不需要请教有经验的人；所述系统可以独立地将获得的知识映射到新的食物上且可以适当地调节过程控制。.

为了获得过程反馈控制，监控信号y_e被用作控制变量。对于可以为与y_e具有相关性的任何可变过程参数的致动变量，能量供应看起来适用于其惯量及其与y_e的牢固关系。能量供应的数量由公式3.2所示的PID算法计算。为了获得过程控制，代理通过将监控信号连接到PID控制器来关闭回路，如公式3.2中所示。反馈控制器被设计为信号输入-信号输出(SISO)控制系统，该系统从分类单元接收监控信号y_e，其中对于过低能量供应 0＜y_e≤1，而对于过高能量供应-1≤y_e＜0，并且使用此作为参考值以最小化控制器误差。

先前的说明概述了认知代理如何从有经验的人的反馈学习。认知系统应该可以从其自己的动作学习或者给出其自己的反馈。这种认知能力可以通过加强学习(RL)获得。分类可以取代提供反馈的作用，并且提供给 RL代理对其自己动作的回报。代理接着根据对于其先前性能接收的反馈或回报来学习如何动作或者如何烘焙的策略。为了测试，学习任务因此用于代理学习根据获得的指示如何以不同速度加工食物，而不需要有经验的人的监督。.

为了使用加强学习获得给定的学习任务需要可靠的回报函数。由于系统具有多个传感器数据输入，因此识别良好烘培的特征的分类器，例如支持向量机，可以用作回报函数这些回报可以实现之前所述的自然行动者-评论者方法中的评论者的作用。因此，代理选择的下一个动作是绝对能量供应a_t。选择的动作取决于学习的策略，如公式4.1所示：

π(a_t|s_t)＝p(a_t|s_t，w_t) (公式4.1)

策略参数w_t依赖于梯度和w_t-1，如公式2.25。然而，应用的算法的完整查看，请参考具有最小方差的时序差分学习(least-squares temporal difference learning)LSTD-Q(λ)的自然行动者-评论者算法。所述策略应该使代理通过从回报r_t中学习能够由状态s_t映射到动作a_t。所述回报自然影响策略参数。本发明的在研究中的RL代理的最佳策略已经通过西格马函数(sigma function)发现：

(公式4.2)

其中，L_m是允许的最大功率，η是通过从-1到1的随机数与探查参数ε的乘积确定的探查噪声。本发明已经研究了适用于用于食物生产机的认知体系结构的模块，其中该体系结构在连接传感器和致动器的认知感知动作回路内。认知能力是：为了提炼相关信息；为了从有经验的人学习；为了使用获得的知识作决定；以及学习如何处理代理之前没有受到训练的情况。.

如上所述，先前讨论的机器学习技术可以以在此说明的热处理监控系统的任何一个实施例来实现。.

在下文中，说明图18A和18B所示的热处理监控系统100的一个实施例。热处理监控系统包括关于图1A和1B如上所述的烤炉100和监控设备 150。然而，关于图18A说明的实施例不应该限于使用如上所述的窗口130，因此可以使用适于允许摄像机160观察要加热的食物的任何种类的窗口 1800。监控设备150的实施例应该进一步不限于图1A和1B的实施例内的使用，而可以进一步采用在烘焙或预先烘焙线或者食物加热生产线内，如关于图8-10如上所述的任一个其它实施例中所述。.

图18B中显示监控设备150的一个实施例的方框图。因此，监控设备150 和监控系统100包括具有至少一个传感器1815以确定正在加热的食物的当前传感器数据的传感器单元1810、由当前的传感器数据确定当前的特征数据的处理单元1820、和适于通过比较当前特征数据与参考加热过程的参考特征数据来确定监控的食物的当前加热过程中的当前加热过程状态的监控单元1830。热处理监控系统还包括学习单元1840，所述学习单元适于确定当前传感器数据到当前特征数据的映射以及根据至少一个训练加热过程的特征数据确定参考加热过程的参考特征数据。监控设备150进一步包括适于对要加热的食物的类型分类并选择与确定的食物类型相对应的参考加热过程的分类单元1850。应该强调的是各个单元1820、1830、1840和 1850可以单独设置或者也可以作为通过监控设备150的CPU运行的软件来实现。.

传感器单元1810包括至少一个传感器1812，其中传感器1812可以为上述的任何传感器、具体地关于图1A和1B所述的摄像机160、关于图7或图8 所述的传感器系统850的任何传感器或者关于图12所述的传感器系统。具体地，传感器单元1810的至少一个传感器1812包括湿度计、插入式温度传感器、处理室温度传感器、声传感器、标盘、定时器、摄像机、图像传感器、光电二极管阵列、处理室内部的气体的气体分析仪、用于确定插入式温度传感器的温度分布图的装置、用于确定要处理的食物的电磁或声学过程发射物(类似于光或声音，响应于光或声音发射器或来源反射或发出) 的装置、用于确定来自要加热的食物的测量的结果的装置(包括3D或者立体照相机系统或雷达)、或者用于确定要处理的食物的类型、组成、图案、光学特性、体积或质量的装置。根据该实施例，有益的是尽可能切实可行地使用传感器数据作为输入。难以预测哪一个传感器信号提供最佳信息。在算法检测参考烘焙的变化时，用于器械机器学习的学习单元1840可以选择不同的传感器数据用于各不相同的烘焙产品。有时，体积和颜色变化可以为最显著的数据，有时可以为湿度、温度和重量。.

在一个实施例中，传感器单元1810包括作为唯一传感器1812的摄像机 160，从而产生的优点在于没有另外的传感器必须一体形成到监控设备150 中。因此，监控设备150可以形成为安装到烤炉110的烤炉门的单个且紧凑的外壳。然而，所述监控设备也可以在监控设备150处设置传感器数据输入接口1814，上述的传感器的当前传感器数据通过所述传感器数据输入接口可以被传感器单元1810读取并传送到处理单元1820。传感器1812的当前传感器数据不必须为原始数据，而是可以为预先处理的类似于HDR的摄像机160的像素数据或者激光三角测量传感器的预先处理的传感器数据，所述数据可以包含例如观察的食物片的体积的计算值。.

处理单元1820、监控单元1830、学习单元1840和分类单元1850共同根据如上所述的机器学习技术向使用者提供优化的食物加热结果。.

在此，处理单元1820和学习单元1840被设置成减少上述的至少一个传感器1812的当前传感器数据的量。具体地，学习单元1840适于通过至少一个训练加热过程的差异分析来确定当前传感器数据到当前特征数据的映射，以减少当前传感器数据的维度。学习单元1840可以一体地形成到监控设备150中或者可以为位于另外位置的外部单元，其中可以例如经由因特网提供数据连接(如以下关于PCA回路的使用所述)。在传感器数据的类型彼此相匹配的情况下，至少一个训练加热过程因此可以基于本地监控设备150的传感器单元1810的当前传感器数据，而且还基于(世界上)不同位置处的另外的监控设备的传感器单元的当前传感器数据。传感器数据通过训练加热过程减少了维度，其中具有随着时间最大变化的传感器数据是权重最多的。.

由学习单元1840执行的差异分析包括上面已经说明年所有细节的主成分分析(PCA)、等距特征映射(ISOMAP)或线性离差分析(LDA)、或者降维技术中的至少一个。.

主导特征的判读和选择因此可以通过对一系列食品加工数据应用 PCA或主成分分析来执行。如上所述，所述特征以此方式可以通过差异来拣选，并且最突出的可以非常有益于监控。通过执行如上所述的分析，映射可以获得以用于将传感器数据映射到特征数据，所述特征数据的维度减少且对正在执行并由监控设备150监控的加热过程特征化。也可以从外部服务器收到或者可以储存在监控设备150中的存储器中的映射接着由处理单元1820应用，以将从传感器单元1810输入的电流传感器数据映射到当前的特征数据，所述数据接着被传送到监控单元1830。要强调的是在一些情况下，“映射”可以是对某些传感器数据的识别映射，因此所述传感器数据中的一些可以等于相应的特征数据，特别是关于预先处理的传感器数据，该预先处理的传感器数据已经包含类似于加热室内的绝对温度、要加热的食物的体积值、加热室内的湿度的湿度值的特征值。然而，所述映射优选地为减少数据维度的映射。学习单元可以进一步适于通过至少一个训练加热过程的差异分析确定当前特征数据到特征数据的映射，以减少当前特征数据的维度。.

监控单元1830接着适于通过比较当前特征数据与参考加热过程的参考特征数据来确定监控食物的当前加热过程中的当前加热过程状态。.

在监控期间，一个期望兴趣是表现当前特征数据并达成关于正常加工和非正常加工的判定。通过提出的方法可以收集正常行为的特征，然后一旦特征值不同于先前学习的正常行为时假设为不正常行为。这可以通过包括分类(例如，如上所述的支持向量机或k-最近邻规则)来支持。监控单元1830可以适于根据确定的当前特征数据或当前的加热过程状态来确定至少一个致动器的至少一个动作，其中如上所述的控制单元1300可以在监控单元1830中实现。因此，监控单元1830可以适于执行如上所述的所有机器学习技术。.

根据一个实施例，参考加热过程的参考特征数据与当前特征数据匹配以确定当前的加热过程状态。参考特征数据可以为从外部服务器接收或者储存在监控设备150的存储器中的预定数据。在另一个实施例中，(监控设备的外部或者内部的)学习单元1840可以适于通过将加热程序的预定特征数据与被使用者分类为训练组的一部分的至少一个训练加热过程的特征数据训练组相结合来确定参考加热过程的参考特征数据。加热程序可以被理解为与时间有关的特征数据序列，所述特征数据为要加热的食物的特定种类或类型的特征。.

例如，参考加热过程或者预定加热程序可以为关于要加热的食物(类似于羊角面包)的特定类型的特征数据序列，从而获得优化的加热或烘焙结果。换句话说，如果当前特征数据准确地遵从具有限定相关特征的维数的特征空间中的参考特征数据点的与时间有关的路径，则食物在预定的优化时间之后将被以优化方式加热，即羊角面包将被完美地烘培。所述优化时间可以取决于加热或焙烤室内的温度。.

将加热程序的预定特征数据与至少一个训练加热过程的被使用者分类为训练组的一部分的特征数据训练组相结合意味着，(即，被使用者认为是“良好”的至少一个训练加热过程的)训练组的特征空间中的特征数据的点云对于每个时点(特征空间内确定点云的中心点)都是平均数，然后用于调节预定的加热程序。这可以通过进一步对每个时点同样地或者以权重方式对加热程序的特征和训练组的特征求平均值来实现。例如，训练组的权重可以为25％，预定的加热程序的权重可以为75％。.

因此，至少一个参考烘焙(训练加热过程)可以被采用来优化随后的烘焙。进一步地，来自随后烘焙的反馈因此可以优化单独的烘焙程序。因此，如果正在通过当前传感器数据及其从当前烘焙和通常所说的“地面实况”(参考加热过程)获得的计算变化来修改当前烘焙，其中这为与至少一个参考烘焙(训练组)的特征数据以及从稍后对烘焙程序及其基于的传感器数据的反馈(训练组)相结合的烘焙程序(预定加热程序)，则可以获得更一致的烘焙质量。.

因此，可以通过来自与烘焙程序花费的时间相结合的参考烘焙的传感器数据的相应特征值计算重要特征。在此，可行的是使用许多不同的特征计算变化并然后通过该变化对其进行分类。用于通过变化分类的可能的机制是如上所述的主成分分析(PCA)。当随着时间变化的多个特征和特征值由参考烘焙计算时，可行的是通过PCA对随着时间变化的这些特征和特征值的组分类。.

可以通过取得最重要特征和特征值数据组中的至少一个，优选地为具有最显著变化的数据组，自动地设计用于重复烘焙的控制算法。如果存在多个参考烘焙，则优选的是采用具有最高变化和最高特征值重复的一个。.

为了实现上述的可能性以将预定加热程序调节为形成“地面实况 (groundtruth)”，即参考加热过程，监控设备150可以还包括用于记录当前加热过程的当前特征数据的记录单元1822，其中学习单元1840适于从记录单元1822接收记录的特征数据以用作训练加热过程的特征数据。.

分类单元1850可以被设置成对要加热的食物类型分类。这可以通过对要加热食物的像素图像进行图像处理，例如通过人脸识别技术来实现。在确定要加热的食物的类型(面包卷、松饼、羊角面包或面包)之后，所述分类可用于选择与要加热食物的相应类型相对应的相应的预定加热程序或储存的参考加热过程。另外，可以提供子类，例如小羊角面包、中型羊角面包或者大尺寸羊角面包。不同的参考加热过程也可以关于非食物型类别储存。例如，可以具有与不同的与时间有关的环境或烤炉参数相对应的参考加热程序。.

例如，在本发明的烘焙过程中可以应用天气数据。通过烤炉的几何位置的已知地理高度可以确定沸点，因此获得烘焙程序的适应。此外，烤炉环境的局部压力、温度和湿度数据可以用于进一步调节烘焙程序。因此，这些数据可以被记录并用作用于特定参考加热程序的指标数据，所述参考加热程序接着可以在存储器中查阅。.

另外，负载、单元和校正的统计也可以用作用于本发明的自学习烘焙过程的数据。因此，烘焙数据历史可以帮助提高本发明的烘焙过程。通过由功用限定估计的分布反馈可以提高本发明的烘焙过程。使用中的热处理监控系统可以进一步显示在可缩放世界地图上。.

此外，烘焙数据历史也可以考虑随着时间生产的烘焙产品的量。热处理监控系统可以对周期性发生的最小生产量和最大生产量研究烘焙数据历史并推算下一个最小或最大量的出现。热处理监控系统可以接着通知系统的使用者对于预期的最小或最大时间周期生产过多还是过少的食物。.

当前加热过程状态通过比较当前特征数据与参考特征数据来确定。所述比较可以是对参考加热程序的每个时点对当前特征数据和参考特征数据的距离的确定。因此，通过确定被确定的距离的最近距离可以在参考加热程序中查出近似距离的时点，并因此可以确定例如剩余烘焙时间。.

如上所述，传感器单元1810可以包括记录被加热食物的像素图像的摄像机，类似于摄像机160，其中摄像机的当前传感器数据对应于当前像素图像的当前像素数据。.

用于图像处理的特征检测可以包括以下步骤：检测边缘、拐角、斑点、感兴趣区域、兴趣点、颜色或灰色水平图像的处理、形状、脊部、感兴趣的斑点或区域或者兴趣点。来自传感器数据的特征也可以包括目标幅度选择或者基于频率的特征选择。.

在此，边缘为在两个图像区域之间存在边界(或者边缘)的点。通常，边缘可以为几乎任何形状，并且可以包括接合处。实际上，边缘通常被限定为具有强大梯度量值的图像中的点组。此外，一些常用算法接着将高梯度点链接在一起以形成边缘的更完整说明。这些算法通常将一些限制放在边缘的特性上，例如形状、平滑度和梯度值。局部地，边缘具有一维结构。.

术语拐角和兴趣点有些可互换地使用且表示图像中的点状特征，所述点状特征具有局部二维结构。由于早期算法首先执行边缘检测，然后再分析边缘以发现方向中的急剧变化(拐角)，因此出现名称“拐角”。这些算法接着发展成使得不再需要例如通过观察图像梯度中的高弯曲水平进行明确的边缘检测。接着注意的是通常所说的拐角也检测图像中的不是传统意义的拐角的部分(例如，可以检测黑暗背景上的小亮点)。这些点被频繁知道作为兴趣点，但是术语“拐角”如传统使用。

与更为点状的拐角相比，斑点提供区域方面的图像结构的补充说明。虽然如此，斑点描述符通常包含优选的点(操作者反应的局部最大值或者重心)，这表示许多斑点检测器也可以被视为兴趣点操作者。斑点检测器可以检测图像中的由拐角检测器检测过于平滑的区域。考虑缩小图像，然后执行拐角检测。检测器将响应为缩小图像中的尖端的点，但是在原图中可以是平滑的。在这一点上，拐角检测器与斑点检测器之间的不同变得略微不清楚。对于大范围，该区别可以通过包括适当的规模概念来弥补。虽然如此，由于对不同标盘处的不同类型的图像结构的响应特性，LoG和DoH 斑点检测器在拐角检测的章节中也被提到。.

对于细长对象，脊部的概念是一个天然工具。从灰色水平图像计算的脊部描述符可以被视为中轴线的概括。从应用观点来看，脊部可以被认为是表现对称轴的一维曲线，另外具有与每个脊部点相关联的局部脊部特征。然而，不幸的是算法与边缘特征、拐角特征或斑点特征相比难以从灰色水平图像的普通类别提取脊部特征。虽然如此，脊部描述符也频繁用于空中图像中的道路提取以及提取医学图像中的血管。.

当前像素数据可以包括与第一颜色相对应的第一像素数据、与第二颜色相对应的第二像素数据、以及与第三颜色相对应的第三像素数据，其中第一颜色、第二颜色和第三颜色分别对应于R、G和B。在此，用于通过白色光照明食物的照明源是有利的。然而，也可以在光学区域中的优选波长区域中设置单色照明源，例如在600nm处，以观察相应波长的灰色像素图像。.

由于提供R、G和B像素值的单独分析，可以实现可以学习面包颜色的。在此，需要从烤炉像素分割面包像素，这可以通过颜色来实现。有利的是使用高动态范围(HDR)预先处理图片具有更强的信息以具有最佳分割。因此，摄像机优选地适于生成HDR处理的像素图像作为当前像素数据。在此，也可以实施对数换算，其中摄像机适于记录线性对数像素图像或者线性及对数组合的像素图像。为了学习面包像素，可以使用如上所述的具有后向传播或者SVM类别的人工神经网络，这通过图片来训练，其中烤炉手动遮蔽。.

例如，对于烘焙辊，烘焙期间的最重要变化可以是颜色变化(像素的亮度变化)以及体积变化(具有特定亮度的像素数的变化)。这可以为参考烘焙或者参考加热过程期间的两个最显著特征以及随着时间的相应特征值变化。这产生烘烤过程的特征。例如，表示体积变化的特征值可以在烘焙的20分钟中的10分钟之后具有最大值，而颜色变化在烘焙的20分钟中的15分钟之后具有最大值。接着可以在重复烘焙中通过重复烘焙的输入传感器数据中的分类器检测，例如上述的支持向量机，从而最高概率匹配参考烘焙或者参考加热程序。例如，反复烘焙中的颜色变化可以在体积变化的5分钟之后具有最大值。反复烘焙与参考烘焙的时间差因此将为50％。这将导致剩余烘焙时间改进至少50％。在此，消耗时间为5分钟而不是15分钟。.

此外，可以结合影响因子，所述影响因子可以影响控制算法对反复烘焙程序的控制算法。这可以是自动地以使参考烘焙的数量影响置信因数，或者使得手动设置到特定因数。这同样可以使用先前所述的信息技术通过远程系统来优化。.

此外，尤其是可以通过表示颜色变化的特征的变化改变该系统内的温度。如所述可以计算表示颜色变化(像素亮度的变化)的特征。可行的是使像素亮度规格化。在规格化之后，可以根据颜色变化调节温度。如果例如在剩余时间的75％之后不会预期有颜色变化，则可以升高温度，或者如果与从参考烘焙相比具有更多的颜色变化，则可以降低温度。.

监控设备150可以还包括控制单元1860，所述控制单元适于根据通过监控单元确定的当前加热过程状态与预定加热过程状态的比较将加热过程从烹饪过程改变到烘焙过程。当前的加热过程状态如上所述通过确定“最近距离”的时点计算。如果计算的时点比预定加热过程状态的时点晚，则通过比较预定加热过程状态的时点与计算的时点改变加热过程。例如，按照惯例，应该在要加热的食物100％体积变化之后完成醒发，因此如果面包卷或羊角面包具有两倍体积，则醒发应该停止并应该开始烘焙过程。要烘焙的面包或食物的体积变化可以通过摄像机像素特征以非常有效的方式来检测。要控制的热处理机可以为一体化醒发/烘培机器，然而也可以控制用于醒发或烘焙的不同机器。.

为了简化计算并确保有再现性的结果，优选的是加热温度在当前加热过程中保持恒定。.

控制单元1860还适于根据由监控单元确定的当前加热过程状态与和加热端点相对应的预定加热过程状态的比较停止加热过程。控制单元1860 可以适于在必须结束加热过程时警告使用者。因此，监控设备可以包括警告单元1870和显示单元1880。显示单元1880被设置成指示当前加热过程状态，例如剩余的加热或烘焙时间。显示单元1880可以进一步显示热处理室的内部的当前像素图像以用于由使用者视觉监控要加热的食物。控制单元1860可以适于控制显示单元1880，所述显示单元适于根据由监控单元确定的当前加热过程状态与和加热端点和/或热处理室内部的显示图像相对应的预定加热过程状态的比较指示加热过程的剩余时间。.

控制单元1860进一步被连接到输出接口1890，以用于控制如上所述或者下述的类似于加热室的温度控制的致动器、通过增加水调节热处理室中湿度的装置、或者通风机构(通风百叶窗)的控制。所述致动器可以进一步包括用于适应风扇速度的装置、用于适应热处理室与相应环境之间的差压的装置、用于设置热处理室内与时间有关的温度曲线的装置、用于执行并适应不同热处理过程(例如，醒发或烘焙)的装置、用于适应热处理室内的气流分布的装置、用于调节相应的电磁或声音发射器的电磁和声音发射强度以检查或观察要加热食物的特性的装置。.

具体地，控制单元1860适于控制加热室的温度控制、通过增加水或蒸汽调节热处理室中的湿度的装置、通风机构的控制、用于调节风扇速度的装置、用于调节热处理室与相应环境之间的差压的装置、用于设置热处理室内与时间有关的温度曲线的装置、用于执行并调节不同热处理过程(例如，醒发或烘焙)的装置、用于调节热处理室内的内部气流分布的装置、用于调节相应的电磁或声音发射器的电磁和声音发射强度以用于检查或观察要加热食物的特性的装置。.

本发明的一种热处理监控方法包括：确定正在加热的食物的当前传感器数据；由当前传感器数据确定当前的特征数据；和通过对当前特征数据与参考加热过程的参考特征数据进行比较来确定监控的食物的当前加热过程中的当前加热过程状态。所述方法优选地还包括：根据至少一个加热过程的特征数据来确定当前传感器数据至当前特征数据的映射和/或确定参考加热过程的参考特征数据。另外，所述方法包括通过至少一个训练加热过程的差异分析确定当前传感器数据至当前特征数据的映射以减少当前传感器数据的维度。所述方法还包括通过至少一个训练加热过程的差异分析确定当前特征数据至特征数据的映射以减少当前特征数据的维度。差异分析优选地包括主成分分析(PCA)、等距特征映射(ISOMAP)或线性离差分析(LDA)和降维技术中的至少一个。所述方法还包括优选地通过将加热程序的预定特征数据与至少一个训练加热过程的被使用者分类为训练组的一部分的特征数据训练组相结合来确定参考加热过程的参考特征数据。另外，通过本发明的方法可以记录当前加热过程的当前特征数据，其中记录的特征数据用作训练加热过程的特征数据。此外，所述方法可以包括对要加热的食物的类型分类以及选择与确定的食物类型相对应的参考加热过程。优选地，加热过程根据对当前加热过程状态与预定加热过程状态的比较从醒发过程改变到烘焙过程。加热温度优选地在当前加热过程中保持恒定。优选地，所述加热过程根据通过监控单元确定的当前加热过程状态与和加热端点相对应的预定加热过程的比较而停止。在有利的实施例中，使用者在必须结束加热过程时受到警告。.

根据监控设备150的另一个实施例，机器学习可以用于多输入及多输出(MIMO)系统。具体地，用于增加水、剩余烘焙时间和/或温度的调节系统可以通过使用机器学习技术的热处理监控系统来实现。.

所述系统在参考烘焙期间收集所有传感器数据。在潮湿的情况下，至少一个湿度计检测参考烘焙期间经过烘焙时间的湿度的参考值。当反复烘焙相同产品时，要增加的水的量可能不同。烘焙产品的量可以不同，烤炉内部容积可以不同，或者装载烤炉时烘焙产品上的存在或多或少的冰或水。.

接下来对于其它改进，根据本发明的控制系统增加需要的水以获得与参考烘焙相比相似的条件。由于剩余烘焙时间可以通过控制系统来调节，因此将增加水的时间同样变化。代替使用固定时间，例如在20分钟烘焙程序的10分钟之后添加1升的水，根据该实施例，所述系统将在经过时间的 50％之后添加需要的水以达到参考烘焙湿度水平。.

一旦在实现本发明中辨别出不正常行为，则该信号或不正常信号及其相应的增幅可以用于在食物生产过程内调节加工装置，例如混合器(能量引入到生面团中)、面团分切机(切割频率)或者工业烤炉(烘焙程序时间或温度)。.

根据另一个实施例，烘焙室内的食物的观察可以“现场”进行，因此烤炉内部的现场图能够对烘焙过程远程访问。另外，远程的烤炉调节可以提高自学习热处理监控系统的烘焙性能。.

在一个实施例中，可以使用“感知”、“认知”和“动作”(P-C-A)回路、认知代理以及适用于工业过程的通过致动器和智能传感器进行的机器学习技术。输送认知能力、知识和技巧以及产生许多交互P-C-A回路在感知制造厂中将是有利的。.

仅有很少的食物生产过程是独特的。大部分食物生产过程能够在相似的环境中以不同设备或以执行相同任务的不同时间来进行。通常没有信息交换或者仅有有限信息交换仍然存在于这些过程之间。相同的食品加工站通常需要每一个实体单独配置管理相似的过程任务。为了增加机器的能力以帮助彼此，有利的是组合成空间或时间分布的P-C-A回路。特定主题出现以达到该目的：为了能够在不同机构之间进行技术人才的转移，有利的是建立可靠且适用的多P-C-A回路布局。该元系统应该能够识别相似的过程、解释传感器数据、取得特征并分析不同机构的结果。降维、聚集和分类技术能够使机器以较高水平沟通。机器-机器信任模型、集体学习和知识表达是该目的必不可少的。此外，一些工业过程可以重新限定，以便以认知术语优化总性能。数据处理和硬件配置应该产生安全、可靠且强大的过程以共享信息并传输技巧。.

使用用于控制或参数化工业应用的自优化算法提供持续提高单独知识基础的可能性。加强学习例如给出提供该可能性的一组方法。这些算法依赖于过程状态的探查，以便获悉最佳状态-动作组合。加强学习代理还可以通过简单的P-C-A回路来说明，其中评估环境的状态信息的过程是回路的“感知”单元，当前控制规则的改变表现为“动作”部分，并且将估计的状态信息映射到新的控制规则的过程给出单个P-C-A回路的“认知”部分。在工业应用中，探测大的状态空间由于类似于安全、速度或成本的各种理由并不总是可行的。使用多P-C-A回路方法用于经过多个代理分配学习任务可以减少单独代理的调查量，而学习经验量仍然保持很高。此外，能够使在不同的P-C-A回路之间进行教导。用于多P-C-A方法的可能分配是一个系统或装配线中的多个代理的组合，例如监控和闭环控制单元。两个不同代理可以被训练以优化不同过程参数两个多P-C-A水平的组合可用于发现所有参数的最佳路径。.

两个概要的多P-C-A回路可以提高设置和配置时间的制造性能、过程灵活度以及质量。一种方法是通过共同的知识和技术人才的转移结合并共同改进相似的工作站。另一种方法能够使不同单元彼此自提高反馈。在下文中，应该说明根据本发明的用于认知处理装置的网络系统。本发明的一个优点在于一旦合作系统获得足够的机器知识，所述合作系统会逃避重复的配置步骤并可以明显减少停工时间以及增加产品灵活性。.

根据本发明的一个实施例，为了有助于多个热处理监控系统100的集成，所有分布系统彼此通过因特网连接。这些系统获得的知识共享，因此获得过程配置的综合数据库、传感器设置和质量标准评估程序。.

为了在机器之间共享信息，所有机器必须使用相似的特征采集方法。作为获得这些目的的第一方案，当前使用认知数据处理方法组合来自监控系统100的相应传感器单元1810的多个传感器以接收良好的状态评定。.

使用认知降维技术可以去除来自这些传感器的不必要且冗余的数据。减少的传感器数据用于对过程状态分类。聚集允许甚至在不同装置之间识别特定的过程状态。如果检测到与参考的显著差异并因此检测到未知的过程状态，将警告监督人。有经验者向系统可以接着教授新的状态和对策(如果有可能的话)以提高其性能。.

要开发的认知系统应该能够学习以分离可接受和无法接受的结果，此外能够尽可能逃避无法接受的结果。技术认知的使用消除了对烘焙或食物生产过程的全部物理模型的需要。所述系统能够通过改进至少一个操纵变量来稳定所述过程。分配认知允许不同制造位置之间具有中心数据库。从一个过程采集的信息可以被传送到不同位置处的相似过程。

Claims (15)

1.一种热处理监控系统(100)，包括：

-传感器单元(1810)，所述传感器单元具有用于确定正在被加热的食物的当前传感器数据的至少一个传感器(1812)；

-处理单元(1820)，所述处理单元用于通过应用映射由所述当前传感器数据确定当前特征数据，在所述映射中，通过至少一个训练加热过程的差异分析，当前传感器数据的维度被减少，其中，在所述至少一个训练加热过程中具有随着时间最大变化的传感器数据权重最多；和

-监控单元(1830)，所述监控单元适于通过比较所述当前特征数据与参考加热过程的参考特征数据来确定监控的食物的当前加热过程中的当前加热过程状态，

其中，所述映射被储存在监控设备(150)的存储器中或者从外部服务器收到，所述映射由学习单元(1840)通过至少一个训练加热过程的差异分析而获得。

2.根据权利要求1所述的热处理监控系统，还包括：

-学习单元(1840)，所述学习单元适于根据所述至少一个训练加热过程的特征数据确定当前传感器数据到当前特征数据的映射和/或确定参考加热过程的参考特征数据。

3.根据权利要求2所述的热处理监控系统(100)，其中，所述差异分析包括主成分分析(PCA)、等距特征映射(ISOMAP)或线性离差分析(LDA)或降维技术中的至少一种。

4.根据权利要求2所述的热处理监控系统(100)，其中，所述学习单元(1840)适于通过将加热程序的预定特征数据与至少一个训练加热过程的被通过用户偏爱分类为训练组的一部分的特征数据训练组相结合来确定参考加热过程的参考特征数据。

5.根据权利要求2-4中任一项所述的热处理监控系统(100)，还包括：

记录单元(1822)，所述记录单元用于记录当前加热过程的当前特征数据，其中所述学习单元(1840)适于从所述记录单元(1822)接收将用作训练加热过程的特征数据的所记录的特征数据。

6.根据权利要求1所述的热处理监控系统(100)，其中，所述传感器单元(1810)包括记录正在被加热的食物的像素图像的摄像机(160)，其中所述摄像机的所述当前传感器数据对应于当前像素图像的当前像素数据。

7.根据权利要求6所述的热处理监控系统(100)，其中，所述当前像素数据包括与第一颜色相对应的第一像素数据、与第二颜色相对应的第二像素数据和与第三颜色相对应的第三像素数据。

8.根据权利要求7所述的热处理监控系统(100)，其中，所述第一颜色、所述第二颜色和所述第三颜色分别对应于R、G和B。

9.根据权利要求6-8中任一项所述的热处理监控系统(100)，其中，所述摄像机(160)适于生成HDR处理过的像素图像作为当前像素数据。

10.根据权利要求1所述的热处理监控系统(100)，还包括：

分类单元(1850)，所述分类单元适于对要被加热的食物的类型分类并选择与确定的食物类型相对应的参考加热过程。

11.根据权利要求1所述的热处理监控系统(100)，还包括：

控制单元(1860)，所述控制单元适于根据由所述监控单元确定的所述当前加热过程状态与预定加热过程状态的比较将加热过程从醒发过程改变到烘焙过程。

12.根据权利要求1所述的热处理监控系统(100)，还包括：

控制单元(1860)，所述控制单元适于控制显示单元(1880)，所述显示单元根据由所述监控单元确定的所述当前加热过程状态与和加热的端点相对应的预定加热过程的比较来指示所述加热过程的剩余时间，和/或适于显示热处理室的内部的图像。

13.根据权利要求1所述的热处理监控系统(100)，还包括：

控制单元(1860)，所述控制单元适于在必须结束所述加热过程时向使用者发出警告。

14.根据权利要求1所述的热处理监控系统(100)，还包括：

控制单元(1860)，所述控制单元适于控制加热室的温度控制；通过增加水或蒸汽调节热处理室中的湿度的装置；通风控制机构；用于调节风扇速度的装置；用于调节所述热处理室与相应环境之间的差压的装置；用于设置所述热处理室内与时间有关的温度曲线的装置；用于执行并调节类似于醒发或烘焙的不同热处理过程的装置；用于调节所述热处理室内的内部气流分布的装置；用于调节相应的电磁或声音发射器的电磁和声音发射强度以用于检查或观察要加热食物的特性的装置。

15.根据权利要求1所述的热处理监控系统(100)，其中，所述传感器单元(1810)的所述至少一个传感器(1812)包括以下项中的至少一种：湿度计；插入式温度传感器；处理室温度传感器；声传感器；标盘；定时器；摄像机；图像传感器；光电二极管阵列；所述处理室内部的气体的气体分析仪；用于确定所述插入式温度传感器的温度分布图的装置；用于确定要处理的食物的类似于响应于光或声音发射器或来源反射或发出的光或声音的电磁或声学过程发射物的装置；用于由要加热的食物的3D测量确定结果的包括3D或立体摄像机系统或雷达的装置；或者用于确定要处理的食物的类型、组成、模式、光学特性、体积或质量的装置。