CN114241221A - 一种基于神经网络预测算法的控制系统 - Google Patents
一种基于神经网络预测算法的控制系统 Download PDFInfo
- Publication number
- CN114241221A CN114241221A CN202210185001.2A CN202210185001A CN114241221A CN 114241221 A CN114241221 A CN 114241221A CN 202210185001 A CN202210185001 A CN 202210185001A CN 114241221 A CN114241221 A CN 114241221A
- Authority
- CN
- China
- Prior art keywords
- sample
- parameter
- sample value
- parameters
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于神经网络预测算法的控制系统,所述控制系统包括采集单元、运算单元以及控制单元;所述采集单元通过采集待烘焙的茶叶的图像信息,获得第一参数;由用户确定所需要的茶叶品类从而确定标准样本值;通过所述运算单元将第一参数与烘焙工序相关的第二参数输入由神经网络组成的预测系统,获得一个调试样本值;将调试样本值与用户期望的标准样本值进行反复预测与对比,优化第二参数的权重值,从而指导烘焙设备根据最优解的参数进行程序化烘焙工作,从而获得用户期望的茶叶品类。
Description
技术领域
本发明涉及控制或调节系统技术领域。具体而言,涉及一种基于神经网络预测算法的控制系统。
背景技术
控制系统意味着通过它可以按照所希望的方式保持和改变机器、机构或其他设备内任何感兴趣或可变的量。控制系统同时是为了使被控制对象达到预定的理想状态而实施的。控制系统使被控制对象趋于某种需要的稳定状态。而人工神经网络就是模拟人思维的某种方式,这是一个非线性动力学系统,其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单,功能有限,但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。基于神经网络的控制系统有很多的应用场景,但是在茶叶生产中引用不多见。
查阅相关已公开技术方案,CN111414971A 一种基于卷积神经网络的成品茶叶种类及品级识别方法公开了一种基于卷积神经网络的成品茶叶种类及品级识别方法,该方法包括:成品茶叶样本图像采集步骤;成品茶叶样本图像处理步骤;训练成品茶叶的类型品级识别模型和成品茶叶图像识别步骤。CN106295802A 一种基于粒子群算法优化BP神经网络的茶叶存储时间分类方法,其旨在通过改进的BP神经网络解决茶叶储存时间分类问题,即利用粒子群算法优化BP神经网络,获得BP神经网络的权值和阈值,进而构建毛峰茶叶储存时间的PSO-BP分类模型和方法。
以上技术方案的提出,主要都是把一般的控制方法或功能应用在茶叶分级或者存储等环节,还没法用于茶叶的生产过程尤其是不能对多种物料的原生情况进行动态的烘焙参数调节。
发明内容
本发明的目的在于,通过本控制系统通过采集单元通过图像采集的方式,获取原始茶叶的原始信息,并进行定性与定量分析,从而获取原始茶叶的第一参数P1;进一步通过设置一个标准参数值作为烘焙后的成品目标标准,调取数据库中的第二参数P2,并采用预测模型进行烘焙参数的优化后,并输入烘焙装置,实现根据不同品质种类的茶叶,实施不同的烘焙参数,最终尽可能产出期望的茶叶成品。
本发明采用如下技术方案:
一种基于神经网络预测算法的控制系统,所述控制系统包括:
采集单元:被配置为使用图像采样设备,用于对原材料茶叶在烘焙工序前进行初始样本的图像采集,基于初始样本的图像分析确定第一参数P1;并且在茶叶完成烘焙工序后,进行结束样本的图像采集,分析确定结束样本值;
运算单元:一个预测模型被配置运行于所述运算单元;通过向所述预测模型输入第一参数P1以及第二参数P2,预测获得一个调试样本值;将所述调试样本值与标准样本值进行对比,缩小所述调试样本值与标准样本值的得分差距,确定在所述预测模型中与所述第二参数P2对应的一组最优权重值;
控制单元:使用所述第二参数P2以及对应的最优权重值,设置一组工作参数,并将所述工作参数用于控制烘焙设备的烘焙工作;
其中,所述采集单元使用基于采用主成份分析法,对所述初始样本的图像信息进行主成分分析,获得多个图像特征变量,并通过筛选,选择贡献率累计大于85%的7个主成分因子作为第一参数P1的子参数;
其中,所述预测模型被配置为采用人工神经网络进行机器学习运算;
所述运算单元还包括一个模型训练器,用于对所述预测模型进行预训练和常规训练;对所述预测模型的预训练,包括:
通过固定使用一组茶叶的原始样本,获得一组第一参数P1;每次将一组预设的第二参数P2作为工作参数,通过多次实际烘焙实验测试,获得多组结束样本,并对所述结束样本进行图像分析获得对应的多组结束样本值;为每组所述结束样本值进行评分并记录样本得分,用于评价所述结束样本的质量优劣程度;
预训练还包括:
将一个标准样本值作为预测目标,通过将多组第一参数P1以及将多组第二参数P2输入所述预测模型进行训练,并获得多个所述调试样本值;进一步的,将所述调试样本值与所述标准样本值进行对比,获得每一个调试样本值的样本得分。
其中,所述采集单元对所述初始样本以及所述结束样本的分析步骤包括:
图像预处理,包括对图像进行中值滤波以及锐化处理;
样本特征提取,包括对图像进行颜色特征以及纹理特征提取;
所述第二参数P2,包括控制烘焙设备在三个烘焙工作阶段的烘焙温度H以及保持时间T;将烘焙温度H以及保持时间T进行参数组合,即:P=[(H1,T1),(H2,T2),(H3,T3)];
所述控制系统的工作分为调参阶段和实施阶段;
在所述调参阶段,包括执行以下步骤:
S1:用户选定一个所述标准样本值,所述运算单元以所述标准样本值作为所述预测模型的输出目标;
S2:所述采集单元采集当前初始样本的图像信息,获得所述第一参数P1,并将所述第一参数P1输入所述预测模型;
S3:从所述数据库中提取一组所述第二参数P2,输入所述预测模型,为所述第二参数P2配置一组权重值;
S4:使用所述预测模型进行预测并输出一组所述调试样本值;
S5:将所述调试样本值与所述标准样本值进行评比,计算所述调试样本值的样本得分;
S6:若样本得分未达到满意阈值,则改变一组权重值中至少一个权重的数值;重复步骤S3至步骤S6,直到样本得分达到满意阈值;
S7:记录达到满意阈值时的一组权重值以及一组第二参数P2为调参结果;
在所述实施阶段,包括执行以下步骤:
P1:所述控制单元调取所述调参结果,并按照所述调参结果设置烘焙设备工作;
P2:采集已完成烘焙的茶叶样本,并记录为结束样本;
P3:对所述结束样本进行图像分析获得结束样本值,为所述结束样本值进行评分;
所述标准样本值包括多个评分项;包括由评审人员指定所述标准样本值的部分或全部评分项的分值;包括由所述采集单元通过分析所述标准样本值的图像后,基于图像分析获得多个样本特征以及每个样本特征的数值,并将样本特征的数值与多个评分项进行得分转换;
所述结束样本值包括多个评分项;包括由评审人员指定所述结束样本值的部分或全部评分项的分值;包括由所述采集单元通过分析所述结束样本值的图像后,基于图像分析获得多个样本特征以及每个样本特征的数值,并将样本特征的数值与多个评分项进行得分转换;
所述控制系统包括一种控制设备;所述控制设备包括处理器和存储器;其中,所述存储器中包括存储有一个数据库,用于存储所述控制系统中的所述第一参数P1、所述第二参数P2、所述标准样本值、所述调试样本值、所述结束样本值;
所述数据库还包括存储多组预测数据,所述预测数据包括以一组所述第一参数P1、一组所述第二参数P2以及对应的权重值、一组所述调试样本值以及一组所述调试样本值的得分;
所述数据库还包括存储多组实施数据;所述实施数据包括以一组所述第一参数P1、一组所述第二参数P2以及对应的权重值、一组所述结束样本值以及一组所述结束样本值的得分;
将所述预测数据以及所述实施数据返回输入所述模型训练器,用于进一步训练优化所述预测模型。
本发明所取得的有益效果是:
1. 本发明的控制系统通过对图像进行定性和定量分析,获得大量具参考性的可用于计算的基础数据,有利于进行基于机器学习的预测运算;
2. 本发明的控制系统可根据不同的茶叶种类以及需求的茶叶风味,更改所述预测模型的第一参数以及第二参数,从而适用于多种茶叶种类的生产;
3. 本发明的控制系统可因应烘焙设备的可控精细程度,改变第二参数的数量,从而实施更简单或更精细化的烘焙控制;
4. 本发明的软、硬件布局需求基于模块化设计,可在技术更新和修改阶段方便地进行切换和升级,有利于今后技术方案的优化和升级。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制,而是将重点放在示出实施例的原理上。在不同的视图中,相同的附图标记指定对应的部分。
图1为所述控制系统的调参阶段步骤示意图;
图2为一种采集单元的图像采集的示意图;
图3为采用RGB模型颜色对茶叶样本进行特征提取并分析各分量的数值的示意图,其中(a)为红色R分量的特征提取示意图,(b)为绿色G分量的特征提取示意图,(c)为蓝色B分量的特征提取示意图,(d)为原始图像;
图4为采用基于灰度共生矩阵对茶叶进行纹理特征提取的示意图,其中(a)为一级茶叶的灰度直方图,(b)为二级茶叶的灰度直方图,(c)为三级茶叶的灰度直方图,(d)为四级茶叶的灰度直方图;
图5为采用人工神经网络的所述预测模型的示意图。
具体实施方式
为了使得本发明的目的技术方案及优点更加清楚明白,以下结合其实施例,对本发明进行进一步详细说明;应当理解,此处所描述的具体实施例仅用于解释本发明 ,并不用于限定本发明。对于本领域技术人员而言,在查阅以下详细描述之后,本实施例的其它系统、方法和/或特征将变得显而易见。旨在所有此类附加的系统、方法、特征和优点都包括在本说明书、本发明的范围内,并且受所附权利要求书的保护。在以下详细描述描述了所公开的实施例的另外的特征,并且这些特征根据以下将详细描述将是显而易见的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或组件必须具有特定的方位.以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
实施例一:
茶叶的烘焙主要的参数为烘焙时间和烘焙温度;其中,温度高低是决定茶叶口味品质的主要因子,当温度升高时,茶叶中的水分逐渐蒸发出来,而后香气伴随着水分蒸发出来,大部分香气成分中的芳香精油,类沸点均在150度以上,因此烘焙的温度应在150度以下,通常以不超过110度为宜;进一步的,同样温度下较嫩的茶叶耐火力较弱,烘焙时间宜缩短,反之较粗老的茶叶耐火力较强,烘焙时间需较长;粗制茶发酵程度较充足者,耐火力较弱,时间要缩短,反之要延长;外形紧结的茶叶耐火程度高,需较长的再烘焙时间,反之则缩短时间;
而对于不同种类的茶叶,或者不同的茶叶口味,亦有不同的适合的烘焙时间和温度设置;
进一步的,对于同一种茶叶,因为茶叶采摘的时间不同,当年的种植气候不同,亦会影响茶叶本身的性质;因此本控制系统在烘焙环节前,采用所述采集单元,首先对原始茶叶进行定性和定量分析,以获取原始茶叶的基本情况;
进一步的,通过调整烘焙参数,亦可以获得不同品质特点的茶叶成品;因此,本实施例说明其中一种采用神经网络预测算法的控制系统,从原始茶叶开始分析,并且以期望获得的茶叶品质为目标,通过所述预测模型进行烘焙参数的预测和优化;
一种基于神经网络预测算法的控制系统,所述控制系统包括:
采集单元:被配置为使用图像采样设备,用于对原材料茶叶在烘焙工序前进行初始样本的图像采集,基于初始样本的图像分析确定第一参数P1;并且在茶叶完成烘焙工序后,进行结束样本的图像采集,分析确定结束样本值;
运算单元:一个预测模型被配置运行于所述运算单元;通过向所述预测模型输入第一参数P1以及第二参数P2,预测获得一个调试样本值;将所述调试样本值与标准样本值进行对比,缩小所述调试样本值与标准样本值的得分差距,确定在所述预测模型中与所述第二参数P2对应的一组最优权重值;
控制单元:使用所述第二参数P2以及对应的最优权重值,设置一组工作参数,并将所述工作参数用于控制烘焙设备的烘焙工作;
其中,所述采集单元使用基于采用主成份分析法,对所述初始样本的图像信息进行主成分分析,获得多个图像特征变量,并通过筛选,选择贡献率累计大于85%以上的7个主成分因子作为第一参数P1的子参数;
其中,所述预测模型被配置为采用人工神经网络进行机器学习运算;
所述运算单元还包括一个模型训练器,用于对所述预测模型进行预训练和常规训练;对所述预测模型的预训练,包括:
通过固定使用一组茶叶的原始样本,获得一组第一参数P1;每次将一组预设的第二参数P2作为工作参数,通过多次实际烘焙实验测试,获得多组结束样本,并对所述结束样本进行图像分析获得对应的多组结束样本值;为每组所述结束样本值进行评分并记录样本得分,用于评价所述结束样本的质量优劣程度;
预训练还包括:
将一个标准样本值作为预测目标,通过将多组第一参数P1以及将多组第二参数P2输入所述预测模型进行训练,并获得多个所述调试样本值;进一步的,将所述调试样本值与所述标准样本值进行对比,获得每一个调试样本值的样本得分。
其中,所述采集单元对所述初始样本以及所述结束样本的分析步骤包括:
图像预处理,包括对图像进行中值滤波以及锐化处理;
样本特征提取,包括对图像进行颜色特征以及纹理特征提取;
所述第二参数P2,包括控制烘焙设备在三个烘焙工作阶段的烘焙温度H以及保持时间T;将烘焙温度H以及保持时间T进行参数组合,即:P=[(H1,T1),(H2,T2),(H3,T3)];
所述控制系统的工作分为调参阶段和实施阶段;
如附图1,在所述调参阶段,包括执行以下步骤:
S1:用户选定一个所述标准样本值,所述运算单元以所述标准样本值作为所述预测模型的输出目标;
S2:所述采集单元采集当前初始样本的图像信息,获得所述第一参数P1,并将所述第一参数P1输入所述预测模型;
S3:从所述数据库中提取一组所述第二参数P2,输入所述预测模型,为所述第二参数P2配置一组权重值;
S4:使用所述预测模型进行预测并输出一组所述调试样本值;
S5:将所述调试样本值与所述标准样本值进行评比,计算所述调试样本值的样本得分;
S6:若样本得分未达到满意阈值,则改变一组权重值中至少一个权重的数值;重复步骤S3至步骤S6,直到样本得分达到满意阈值;
S7:记录达到满意阈值时的一组权重值以及一组所述第二参数P2为调参结果;
在所述实施阶段,包括执行以下步骤:
P1:所述控制单元调取所述调参结果,并按照所述调参结果设置烘焙设备工作;
P2:采集已完成烘焙的茶叶样本,并记录为结束样本;
P3:对所述结束样本进行图像分析获得结束样本值,为所述结束样本值进行评分;
所述标准样本值包括多个评分项;包括由评审人员指定所述标准样本值的部分或全部评分项的分值;包括由所述采集单元通过分析所述标准样本值的图像后,基于图像分析获得多个样本特征以及每个样本特征的数值,并将样本特征的数值与多个评分项进行得分转换;
所述结束样本值包括多个评分项;包括由评审人员指定所述结束样本值的部分或全部评分项的分值;包括由所述采集单元通过分析所述结束样本值的图像后,基于图像分析获得多个样本特征以及每个样本特征的数值,并将样本特征的数值与多个评分项进行得分转换;
所述控制系统包括一种控制设备;所述控制设备包括处理器和存储器;其中,所述存储器中包括存储有一个数据库,用于存储所述控制系统中的所述第一参数P1、所述第二参数P2、所述标准样本值、所述调试样本值、所述结束样本值;
所述数据库还包括存储多组预测数据,所述预测数据包括以一组所述第一参数P1、一组所述第二参数P2以及对应的权重值、一组所述调试样本值以及一组所述调试样本值的得分;
所述数据库还包括存储多组实施数据;所述实施数据包括以一组所述第一参数P1、一组所述第二参数P2以及对应的权重值、一组所述结束样本值以及一组所述结束样本值的得分;
将所述预测数据以及所述实施数据返回输入所述模型训练器,用于进一步训练优化所述预测模型;
其中,通过所述采集单元通过图像分析待加工茶叶以及烘焙后的茶叶的图像信息;待加工茶叶和烘焙后的茶叶都包括了大量图像信息,包括色泽、形状、平均大小、水分、透光率等;
对于待加工茶叶,在一种实施方式中,包括对获得的原始图像进行中值滤波以及锐化处理;中值滤波可平衡保全图像边缘信息与抑制图像杂声的矛盾,进一步突出图像中边缘的有用信息;锐化处理则可以增强图像的细节信息,令图像边缘轮廓和线条细节信息进行更容易识别的表达,有利于对茶叶的形状和大小面税进行统计和分析;
在一种实施方式中,包括进行基于RGB模型颜色特征提取,如附图3所示,根据R、G、B三个分量的数值,作为其中一部分图像特征变量;
进一步的,在一种实施方式中,包括进行基于HSI模型颜色特征提取,作为其中一部分图像特征变量;HSI模型的颜色特征提取更有利于不受光线与拍摄角度影响;因此通过RGB模型与HSI模型的结合,可以获得多个图像特征变量;
进一步的,在一种实施方式中;对茶叶的纹理特征进行提取;
其中如附图4所示,包括4个等级茶叶的灰度直方图像和数据,图中直方图横坐标为灰度值,纵坐标为像素点出现的次数;采用基于灰度共生矩阵对茶叶进行纹理特征提取,获得多个等级茶叶图像的图像能源、惯性矩、同质性、相关性等多个方向上的图像特征变量;
进一步的,通过上述对茶叶图像的处理与图像特征变量提取,已经获得多个图像特征变量以及其数值;而如果将以上图像特征变量均输入所述预测模型,则由于输入数据过大,而且统计学的概率性不强等原因,容易导致最后的所述预测模型难以拟合;
因此,进一步的,采用主成分分析算法对多个图像特征变量进行压缩;一般的流程为:
对图像特征变量进行标准化和归一化;计算各变量之间的相关系数矩阵;计算压缩后的特征向量与特征值;计算主成分贡献率及累计贡献率;计算主成分负荷;计算各主成分的得分;以上对茶叶图像的分析方式的目标,在于获得最后所述第一参数P1的7个子参数;
以上对茶叶图像处理与特征提取的实施方式仅作为其中一种实施方式进行举例,可以在具体的实施过程中由相关技术人员进行调整;
进一步,如附图5所示,所述预测模型使用基于ANN神经网络进行训练;所述预测模型包括输入层、隐藏层以及输出层;作为示例,在输入层、隐藏层以及输出层中的多个节点以全连接方法相互连接;在输入层中,包括多个输入节点x1、x2……xm,用于对应所述第一参数P1以及所述第二参数P2中包括的参数个数,此位m的数值对应于所述第一参数P1与所述第二参数P2包含的参数个数数量,例如在本实施方式中包括所述第一参数P1包含7个子参数,所述第二参数P2包含6个子参数,则m的值为13;在所述输出层中包括多个输出节点y1、y2……yn;输出节点的数量,根据多个所述评分项的项目数量进行调整;
进一步的,隐藏层的数量为2个;可选地隐藏层的数量为3个,具体考虑运算时间的需要以及需要拟合的程序,过多的隐藏层在所述预测模型并未成熟前,容易发生过拟合的情况,因此需要根据实际操作人员的调试进行选择隐藏层数量的选择;
其中,所述预训练阶段的作用,是为所述预测模型提供多组训练数据;在实际的烘焙操作中,采用同一种待加工茶叶,从而固定一组第一参数P1;采用少量分批的烘焙方式进行分组处理;
对所述第二参数P2,即将烘焙过程分为三个阶段,并分别设置每个阶段的烘焙温度H与时间T,因此所述第二参数P2一共包括6个子参数;
进一步的,采用多组相同的待加工茶叶,并通过采用不同的第二参数P2,从而获得多组的不同茶叶成品,具体上说,即日常理解中的浅度烘焙、中度烘焙、深度烘焙等规格的茶叶;
进一步的,采用所述采集单元再次对结束烘焙的茶叶进行图像采集,并且进行与上述类似的或者优化的图像处理方式并进行图像特征提取;并进一步的,可选地进行主成分分析,以获得多个所述结束样本值;
所述结束样本值基于实际烘焙的茶叶样品所得,其数据基于真实实验所得;但因为实验的进行受成本限制,例如,所述第一参数P1基于待加工茶叶的,无法在短时间内进行大批量的更改待加工茶叶种类从而进行实验;同时更改所述第二参数亦需要花费大量的时间与成本;
因此需要进一步拓展训练数据,包括;
在一些实施方式中,通过调整所述第一参数P1的一个或多个子参数值,观察所述预测模型的预测数据;
在一些实施方式中,通过手动设置一个所述标准样本值,作为所述预测模型的目标值,通过反复地进行对所述第二参数在隐藏层中的权重值的反复调试,从而尽可能逼近所述标准样本值;
通过调整所述第二参数P2的权重,在现实意义中,即对在烘焙过程中三个阶段的温度和时间进一步进行细化和微调;因此,对于多种类的待加工茶叶,区别于以往只根据技术人员的经验设置烘焙工序的参数,可通过机器学习后的所述预测模型,从而实施多样化的烘焙参数设置;
并且,在今后的每次实际烘焙作业中,所述采集单元亦对烘焙后的茶叶进行结束样本值采集,进一步丰富所述数据库的记录数据,从而可以持续地优化所述预测模型。
实施例二:
本实施例应当理解为至少包含前述任意一个实施例的全部特征,并在其基础上进一步改进;
在一些茶叶种类的烘焙工序中,包括在第一阶段烘焙结束后,对半成品茶叶进行晾干后,再进行第二阶段的烘焙作业;因此,可以提供充足的采样时间,以决定在第二阶段的烘焙设备的工作参数;
在第一阶段的烘焙中,使用一个所述预测模型作为第一预测模型,并使用原始茶叶获取所述第一参数P1,以所述第二参数中的第一阶段两个参数H1和T1指导第一阶段烘焙设备的工作参数,即P2=(H1,T1);
在第二阶段的烘焙中,包括在所述运算单元配置运行一个第二预测模型;
进一步的,通过所述采集单元获取第一阶段烘焙后的茶叶的图像信息;可选地,采集晾干一小时或两小时后的半成品茶叶的图像信息,进行图像分析后,获得一组第三参数P3;
进一步的,将(H2,T2)和(H3,T3)作为第二阶段烘焙的第四参数P4,即P4=[(H2,T2),(H3,T3)];将所述第三参数P3以及所述第四参数P4输入所述第二预测模型;
其中,所述第一预测模型的输入节点数量相应地设置为9个;所述第二预测模型的输入节点数量设置为11个;
其中所述第一预测模型的隐藏层数量设置为2层;所述第一预测模型的隐藏层数量设置为2层,可选地可增加为3层;
通过以上实施方式,对于半成品茶叶亦采取进一步的阶段性评价和采样,所述第三参数P3表征茶叶在半成品阶段的图像分析结果,进一步优化后续第二阶段烘焙的参数设置,即所述第四参数P4。
实施例三:
本实施例应当理解为至少包含前述任意一个实施例的全部特征,并在其基础上进一步改进;
可选地,所述标准样本值包括对标准样本进行冲泡操作,并分析其茶汤的色泽、悬浮物、浓度,并且通过由评审人员对标准样本值进行尝味评分,从而设置更多的评分项;
对所述结束样本值,同样地可以设置冲泡操作,并通过所述采集单元的图像分析,分析其茶汤的图像表现,从而与所述标准样本值进行对比以及评分;
其中,包括在所述预测模型中,设置相应的输出节点,用于指示茶汤的特性。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
虽然上面已经参考各种实施例描述了本发明,但是应当理解,在不脱离本发明的范围的情况下,可以进行许多改变和修改。也就是说上面讨论的方法,系统和设备是示例。各种配置可以适当地省略,替换或添加各种过程或组件。例如,在替代配置中,可以以与所描述的顺序不同的顺序执行方法,和/或可以添加,省略和/或组合各种部件。而且,关于某些配置描述的特征可以以各种其他配置组合,如可以以类似的方式组合配置的不同方面和元素。此外,随着技术发展其中的元素可以更新,即许多元素是示例,并不限制本公开或权利要求的范围。
在说明书中给出了具体细节以提供对包括实现的示例性配置的透彻理解。然而,可以在没有这些具体细节的情况下实践配置例如,已经示出了众所周知的电路,过程,算法,结构和技术而没有不必要的细节,以避免模糊配置。该描述仅提供示例配置,并且不限制权利要求的范围,适用性或配置。相反,前面对配置的描述将为本领域技术人员提供用于实现所描述的技术的使能描述。在不脱离本公开的精神或范围的情况下,可以对元件的功能和布置进行各种改变。
综上,其旨在上述详细描述被认为是例示性的而非限制性的,并且应当理解,以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (8)
1.一种基于神经网络预测算法的控制系统,其特征在于,所述控制系统包括:
采集单元:被配置为使用图像采样设备,用于对原材料茶叶在烘焙工序前进行初始样本的图像采集,基于初始样本的图像分析确定第一参数P1;并且在茶叶完成烘焙工序后,进行结束样本的图像采集,分析确定结束样本值;
运算单元:一个预测模型被配置运行于所述运算单元;通过向所述预测模型输入第一参数P1以及第二参数P2,预测获得一个调试样本值;将所述调试样本值与标准样本值进行对比,缩小所述调试样本值与标准样本值的得分差距,确定在所述预测模型中与所述第二参数P2对应的一组最优权重值;
控制单元:使用所述第二参数P2以及对应的最优权重值,设置一组工作参数,并将所述工作参数用于控制烘焙设备的烘焙工作;
其中,所述采集单元使用基于采用主成份分析法,对所述初始样本的图像信息进行主成分分析,获得多个图像特征变量,选择贡献率累计大于85%的7个主成分因子作为第一参数P1的子参数;所述贡献率是指所述特征变量在被分析图像中的突出程度;
其中,所述预测模型被配置为采用人工神经网络进行机器学习运算;
所述运算单元还包括一个模型训练器,用于对所述预测模型进行预训练和常规训练;对所述预测模型的预训练,包括:
通过固定使用一组茶叶的原始样本,获得一组第一参数P1;每次将一组预设的第二参数P2作为工作参数,通过多次实际烘焙实验测试,获得多组结束样本,并对所述结束样本进行图像分析获得对应的多组结束样本值;为每组所述结束样本值进行评分并记录样本得分,用于评价所述结束样本的质量优劣程度;
预训练还包括:
将一个标准样本值作为预测目标,通过将多组第一参数P1以及将多组第二参数P2输入所述预测模型进行训练,并获得多个所述调试样本值;进一步的,将所述调试样本值与所述标准样本值进行对比,获得每一个调试样本值的样本得分。
2.根据权利要求1所述一种基于神经网络预测算法的控制系统,其特征在于,所述采集单元对所述初始样本以及所述结束样本的分析步骤包括:
图像预处理,包括对图像进行中值滤波以及锐化处理;
样本特征提取,包括对图像进行颜色特征以及纹理特征提取。
3.根据权利要求2所述一种基于神经网络预测算法的控制系统,其特征在于,所述第二参数P2,包括控制烘焙设备在三个烘焙工作阶段的烘焙温度H以及保持时间T;将烘焙温度H以及保持时间T进行参数组合,即:P2=[(H1,T1),(H2,T2),(H3,T3)]。
4.根据权利要求3所述一种基于神经网络预测算法的控制系统,其特征在于,所述控制系统的工作分为调参阶段和实施阶段;
在所述调参阶段,包括执行以下步骤:
S1:用户选定一个所述标准样本值,所述运算单元以所述标准样本值作为所述预测模型的输出目标;
S2:所述采集单元采集当前初始样本的图像信息,获得所述第一参数P1,并将所述第一参数P1输入所述预测模型;
S3:从数据库中提取一组所述第二参数P2,输入所述预测模型,为所述第二参数P2配置一组权重值;
S4:使用所述预测模型进行预测并输出一组所述调试样本值;
S5:将所述调试样本值与所述标准样本值进行评比,计算所述调试样本值的样本得分;
S6:若样本得分未达到满意阈值,则改变一组权重值中至少一个权重的数值;重复步骤S3至步骤S6,直到样本得分达到满意阈值;
S7:记录达到满意阈值时的一组权重值以及一组第二参数P2为调参结果;
在所述实施阶段,包括执行以下步骤:
P1:所述控制单元调取所述调参结果,并按照所述调参结果设置烘焙设备工作;
P2:采集已完成烘焙的茶叶样本,并记录为结束样本;
P3:对所述结束样本进行图像分析获得结束样本值,为所述结束样本值进行评分。
5.根据权利要求4所述一种基于神经网络预测算法的控制系统,其特征在于,所述标准样本值包括多个评分项;包括由评审人员指定所述标准样本值的部分或全部评分项的分值;包括由所述采集单元通过分析所述标准样本值的图像后,基于图像分析获得多个样本特征以及每个样本特征的数值,并将样本特征的数值与多个评分项进行得分转换。
6.根据权利要求5所述一种基于神经网络预测算法的控制系统,其特征在于,所述结束样本值包括多个评分项;包括由评审人员指定所述结束样本值的部分或全部评分项的分值;包括由所述采集单元通过分析所述结束样本值的图像后,基于图像分析获得多个样本特征以及每个样本特征的数值,并将样本特征的数值与多个评分项进行得分转换。
7.根据权利要求6所述一种基于神经网络预测算法的控制系统,其特征在于,所述控制系统包括一种控制设备;所述控制设备包括处理器和存储器;其中,所述存储器中设有所述数据库,用于存储所述控制系统中的所述第一参数P1、所述第二参数P2、所述标准样本值、所述调试样本值、所述结束样本值;
还包括存储多组预测数据,所述预测数据包括以一组所述第一参数P1、一组所述第二参数P2以及对应的权重值、一组所述调试样本值以及一组所述调试样本值的得分;
还存储有多组测试实施数据,所述实施数据包括以一组所述第一参数P1、一组所述第二参数P2以及对应的权重值、一组所述结束样本值以及一组所述结束样本值的得分。
8.根据权利要求7所述一种基于神经网络预测算法的控制系统,其特征在于,将所述预测数据以及所述实施数据返回输入所述模型训练器,用于进一步优化所述预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210185001.2A CN114241221B (zh) | 2022-02-28 | 2022-02-28 | 一种基于神经网络预测算法的控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210185001.2A CN114241221B (zh) | 2022-02-28 | 2022-02-28 | 一种基于神经网络预测算法的控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114241221A true CN114241221A (zh) | 2022-03-25 |
CN114241221B CN114241221B (zh) | 2022-05-03 |
Family
ID=80748243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210185001.2A Active CN114241221B (zh) | 2022-02-28 | 2022-02-28 | 一种基于神经网络预测算法的控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114241221B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114895723A (zh) * | 2022-07-08 | 2022-08-12 | 湖南工商大学 | 一种智能控制系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003102384A (ja) * | 2001-09-27 | 2003-04-08 | Kawasaki Kiko Co Ltd | 荒茶加工システム及び方法 |
US20140127357A1 (en) * | 2012-11-07 | 2014-05-08 | Taiwan Tian Jian Biotechnology Co. Ltd. | Method of Manufacturing Artichoke Tea |
CN107752794A (zh) * | 2017-09-27 | 2018-03-06 | 珠海格力电器股份有限公司 | 烘焙方法及装置 |
CN108719516A (zh) * | 2018-05-22 | 2018-11-02 | 湖南师范大学 | 一种基于rbf神经网络茶机加工控制参数智能整定方法 |
CN110837223A (zh) * | 2018-08-15 | 2020-02-25 | 大唐南京发电厂 | 一种燃气轮机燃烧优化控制方法及系统 |
CN111125908A (zh) * | 2019-12-24 | 2020-05-08 | 重庆科技学院 | 基于极限学习机的面包生产建模及决策参数优化方法 |
CN111888788A (zh) * | 2020-06-15 | 2020-11-06 | 广东工业大学 | 一种适于中药提取浓缩的循环神经网络控制方法和系统 |
CN112783228A (zh) * | 2020-12-31 | 2021-05-11 | 遵义师范学院 | 基于神经网络的大型温棚pd控制系统及方法 |
CN113359628A (zh) * | 2021-05-31 | 2021-09-07 | 三江侗族自治县仙池茶业有限公司 | 一种绿茶加工过程的控制方法和装置 |
CN113484309A (zh) * | 2021-06-28 | 2021-10-08 | 安徽农业大学 | 一种高光谱耦合纳米化比色传感器监测红茶发酵程度的方法 |
-
2022
- 2022-02-28 CN CN202210185001.2A patent/CN114241221B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003102384A (ja) * | 2001-09-27 | 2003-04-08 | Kawasaki Kiko Co Ltd | 荒茶加工システム及び方法 |
US20140127357A1 (en) * | 2012-11-07 | 2014-05-08 | Taiwan Tian Jian Biotechnology Co. Ltd. | Method of Manufacturing Artichoke Tea |
CN107752794A (zh) * | 2017-09-27 | 2018-03-06 | 珠海格力电器股份有限公司 | 烘焙方法及装置 |
CN108719516A (zh) * | 2018-05-22 | 2018-11-02 | 湖南师范大学 | 一种基于rbf神经网络茶机加工控制参数智能整定方法 |
CN110837223A (zh) * | 2018-08-15 | 2020-02-25 | 大唐南京发电厂 | 一种燃气轮机燃烧优化控制方法及系统 |
CN111125908A (zh) * | 2019-12-24 | 2020-05-08 | 重庆科技学院 | 基于极限学习机的面包生产建模及决策参数优化方法 |
CN111888788A (zh) * | 2020-06-15 | 2020-11-06 | 广东工业大学 | 一种适于中药提取浓缩的循环神经网络控制方法和系统 |
CN112783228A (zh) * | 2020-12-31 | 2021-05-11 | 遵义师范学院 | 基于神经网络的大型温棚pd控制系统及方法 |
CN113359628A (zh) * | 2021-05-31 | 2021-09-07 | 三江侗族自治县仙池茶业有限公司 | 一种绿茶加工过程的控制方法和装置 |
CN113484309A (zh) * | 2021-06-28 | 2021-10-08 | 安徽农业大学 | 一种高光谱耦合纳米化比色传感器监测红茶发酵程度的方法 |
Non-Patent Citations (3)
Title |
---|
FENG ZHOU 等: "An RBF-ARX Model-Based Variable-Gain Feedback RMPC Algorithm", 《IEEE ACCESS》 * |
MUHAMMED SIRAJUL HUDA KALATHINGAL 等: "Artificial neural network modeling and genetic algorithm optimization of process parameters in fluidized bed drying of green tea leaves", 《FOOD PROCESS ENGINEERING》 * |
余亚飞 等: "初茶加工设备智能化控制系统的研究与实现", 《宁德师范学院学报(自然科学版)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114895723A (zh) * | 2022-07-08 | 2022-08-12 | 湖南工商大学 | 一种智能控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114241221B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104914720B (zh) | 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 | |
CN106446942A (zh) | 基于增量学习的农作物病害识别方法 | |
CN110991511A (zh) | 一种基于深度卷积神经网络的向日葵作物种子分拣方法 | |
CN110479636B (zh) | 基于神经网络自动分拣烟叶的方法及装置 | |
CN108960269B (zh) | 数据集的特征获取方法、装置及计算设备 | |
CN107860099A (zh) | 一种空调的结霜检测方法、装置、存储介质及设备 | |
CN114241221B (zh) | 一种基于神经网络预测算法的控制系统 | |
CN111080579A (zh) | 基于深度学习实现图像分割和分类的骨龄评估方法 | |
CN111915101A (zh) | 基于lpp-hmm方法的复杂装备故障预测方法及系统 | |
CN107918487A (zh) | 一种基于皮肤电信号识别中文情感词的方法 | |
Przybył et al. | Computer vision and Artificial Neural Network techniques for classification of damage in potatoes during the storage process. | |
CN109145685B (zh) | 基于集成学习的果蔬高光谱品质检测方法 | |
CN112733958A (zh) | 一种温室臭氧浓度控制方法及系统 | |
CN114596590A (zh) | 一种用于具有长尾分布特性的单猴视频动作分类方法 | |
CN117196659B (zh) | 基于区块链技术的产品追溯方法及系统 | |
CN116449713A (zh) | 一种基于高温烤房的烟叶烘烤模拟方法及系统 | |
Ji et al. | Apple color automatic grading method based on machine vision | |
Karyemsetty et al. | A Machine Learning Approach to Classification of Okra | |
CN113076309B (zh) | 烟草生丝水分加水量预测系统及方法 | |
Lestari et al. | Identifying the Quality System of Cocoa Beans to Increase Productivity Using Backpropagation Neural Network Algorithm: A Case Study at Sumber Rejeki Farmers Group, Patuk Gunung Kidul | |
CN112183292B (zh) | 基于低空遥感的大田作物干旱表型提取与抗旱性评估方法 | |
Roychowdhury | Deep-ReAP: Deep representations and partial label learning for multi-pathology classification | |
CN113869973A (zh) | 产品推荐方法、产品推荐系统和计算机可读存储介质 | |
CN112686268A (zh) | 一种基于SVD-ResNet50神经网络的农作物叶片病症识别方法 | |
CN112926450A (zh) | 一种基于深度信念网络的叶片病害特征识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |