CN114627315A - 大批量糕点烘焙阶段识别方法 - Google Patents
大批量糕点烘焙阶段识别方法 Download PDFInfo
- Publication number
- CN114627315A CN114627315A CN202210114982.1A CN202210114982A CN114627315A CN 114627315 A CN114627315 A CN 114627315A CN 202210114982 A CN202210114982 A CN 202210114982A CN 114627315 A CN114627315 A CN 114627315A
- Authority
- CN
- China
- Prior art keywords
- sequence
- baking
- pastry
- saturation
- color information
- 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
- 235000014594 pastries Nutrition 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 58
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 78
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 39
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 39
- 238000010411 cooking Methods 0.000 claims abstract description 32
- 239000013598 vector Substances 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 claims 12
- 230000002596 correlated effect Effects 0.000 claims 1
- 238000005314 correlation function Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005070 ripening Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- FFRBMBIXVSCUFS-UHFFFAOYSA-N 2,4-dinitro-1-naphthol Chemical compound C1=CC=C2C(O)=C([N+]([O-])=O)C=C([N+]([O-])=O)C2=C1 FFRBMBIXVSCUFS-UHFFFAOYSA-N 0.000 description 1
- MIDXCONKKJTLDX-UHFFFAOYSA-N 3,5-dimethylcyclopentane-1,2-dione Chemical compound CC1CC(C)C(=O)C1=O MIDXCONKKJTLDX-UHFFFAOYSA-N 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013736 caramel Nutrition 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/004—CO or CO2
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Medicinal Chemistry (AREA)
- Pure & Applied Mathematics (AREA)
- Food Science & Technology (AREA)
- Mathematical Optimization (AREA)
- Analytical Chemistry (AREA)
- Computational Mathematics (AREA)
- Biochemistry (AREA)
- Biophysics (AREA)
- Combustion & Propulsion (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Biomedical Technology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及电数字数据处理技术领域,具体涉及一种大批量糕点烘焙阶段识别方法。获取每个时间段的特征向量,包括烤箱内部的二氧化碳浓度、湿度、糕点的颜色信息和烹熟评价值;由特征向量之间的相似度将特征向量分为多个组,通过每组非特征向量得到每个时间段对应颜色信息的置信度;利用多个时间段的颜色信息和对应置信度训练颜色预测网络,利用训练好的颜色预测网络获取下一时间段的颜色信息预测值,进而确认其所属糕点烘焙阶段。通过对电数字数据进行相关函数的计算以训练颜色预测网络,利用颜色预测网络预测下一时间段糕点的颜色信息以识别其所对应的烘焙阶段,由烘焙阶段对应的标准时间范围调整烤箱温度,以保证糕点的烘焙质量,提高其良品率。
Description
技术领域
本发明涉及电数字数据处理技术领域,具体涉及一种大批量糕点烘焙阶段识别方法。
背景技术
为了匹配市场需求,大批量糕点烘培设备应运而生。与此同时,糕点烘培阶段的烹熟度识别成为了糕点良品率的重中之重。目前大批量糕点烘培设备的烘焙过程都是通过设定固定设备参数使大批量糕点烘培设备在设定时间段内进行运行的过程。但大批量糕点烘培设备的烘焙时长都是固定设置好的,无法保证烘焙材料正好满足其烘焙环境,进而会导致烘焙质量无法达到理想效果。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种大批量糕点烘焙阶段识别方法,所采用的技术方案具体如下:
根据采样频率获取烤箱内部的二氧化碳浓度、湿度和糕点的颜色信息,得到设定时间段内的二氧化碳浓度序列、湿度序列和颜色信息序列;结合所述二氧化碳浓度序列和颜色信息序列得到对应时间段内糕点的烹熟评价值;将所述二氧化碳浓度序列、所述湿度序列、所述颜色信息序列和所述烹熟评价值作为对应时间段内的烘焙特征向量;
获取多个时间段内的所述烘焙特征向量,根据所述烘焙特征向量计算任意两个所述时间段内糕点的色泽质量相似程度,由所述色泽质量相似程度对所述烘焙特征向量进行分组,得到多个类别组;根据每个所述类别组中所述烘焙特征向量的所述湿度序列获取每个所述烘焙特征向量对应的所述颜色信息序列的置信度;
利用多个所述时间段的所述颜色信息序列训练颜色预测网络,基于所述置信度构建所述颜色预测网络的损失函数;实时获取糕点烘焙过程中多个历史时间段的实际颜色信息序列,将这些所述实际颜色信息序列输入训练好的所述颜色预测网络得到下一时间段的颜色信息预测序列,根据所述颜色信息预测序列确认其所属的糕点烘焙阶段。
进一步地,基于确认的所述糕点烘焙阶段对所述烤箱进行调整,其方法包括:
根据确认的所述糕点烘焙阶段获取到达该阶段的标准烘焙时间范围和实际烘焙时长,通过确认所述实际烘焙时长是否在所述标准烘焙范围来调整烤箱的温度。
进一步地,所述糕点烘焙阶段的划分方法,包括:
基于成功制作糕点在整个糕点烘焙过程中的所有饱和度序列,将其作为最优实验数据,然后将所述最优实验数据分为多个类别,每一个类别对应一个糕点烘焙阶段。
进一步地,所述根据所述颜色信息预测序列确认其所属的糕点烘焙阶段的方法,包括:
将每个所述类别中所有的饱和度序列作为对应所述糕点烘焙阶段的标准饱和度序列集合;将所述饱和度预测序列与每个所述糕点烘焙阶段的所述标准饱和度序列集合进行对比,以确认所述饱和度预测序列所属的所述糕点烘焙阶段。
进一步地,所述由所述色泽质量相似程度对所述烘焙特征向量进行分组,得到多个类别组的方法,包括:
把每个所述色泽质量相似程度转化为聚类所需的样本距离,基于所述样本距离利用DBSCAN聚类算法将所述烘焙特征向量分为多个所述类别组。
进一步地,所述置信度的获取方法,包括:
分别计算当前类别组中每个所述湿度序列的湿度均值,得到该类别组的湿度均值序列,将当前湿度均值与所述湿度均值序列中的每个所述湿度均值计算相对应的湿度差值,得到湿度差值之和,由所述湿度差值之和得到当前湿度均值对应时间段的所述饱和度序列的所述置信度,所述置信度与所述湿度差值之和呈负相关关系。
进一步地,所述颜色预测网络的训练集包括多个训练样本,且每个训练样本所包括的数据为一个所述饱和度序列。
进一步地,所述颜色预测网络的损失函数是每个所述训练样本的输入和输出数据之间的均方差损失的加权求和,每个所述训练样本的权重与对应所述饱和度序列的所述置信度呈正相关关系。
进一步地,所述颜色信息序列包括亮度序列和饱和度序列。
进一步地,所述结合所述二氧化碳浓度序列和颜色信息序列得到对应时间段内糕点的烹熟评价值的方法,包括:
获取所述亮度序列对应的亮度变化方差、所述饱和度序列对应的饱和度均值、所述二氧化碳浓度序列对应的二氧化碳浓度均值,由所述饱和度均值、所述二氧化碳浓度均值和所述亮度变化方差构建所述烹熟评价值的计算公式,以得到对应时间段内糕点的所述烹熟评价值,其中,所述饱和度均值与所述烹熟评价值呈正相关关系、所述烹熟评价值与所述二氧化碳浓度均值呈正相关关系、所述烹熟评价值与所述亮度变化方差呈负相关关系。
本发明实施例至少具有如下有益效果:通过对电数字数据进行相关函数的计算以训练颜色预测网络,利用颜色预测网络预测下一时间段糕点的颜色信息以识别其所对应的烘焙阶段,由烘焙阶段对应的标准时间范围调整烤箱温度,以保证糕点的烘焙质量,提高其良品率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种大批量糕点烘焙阶段识别方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种大批量糕点烘焙阶段识别方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种大批量糕点烘焙阶段识别方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种大批量糕点烘焙阶段识别方法的步骤流程图,该方法包括以下步骤:
步骤S001,根据采样频率获取烤箱内部的二氧化碳浓度、湿度和糕点的颜色信息,得到设定时间段内的二氧化碳浓度序列、湿度序列和颜色信息序列;结合二氧化碳浓度序列和颜色信息序列得到对应时间段内糕点的烹熟评价值;将二氧化碳浓度序列、湿度序列、颜色信息序列和烹熟评价值作为对应时间段内的烘焙特征向量。
具体的,糕点呈现的转化色,特别是表面的颜色是在烘烤、油炸、煎、烙等受热过程中,主要是美拉德反映、焦糖化作用等引起的褐变作用,形成浅黄、金黄、棕黄、红褐、枣红等不同深浅的颜色,然而其颜色变化主要体现在亮度和饱和度上,随着糕点的烘焙过程糕点的亮度越来越低、饱和度越来越高,因此,本发明实施例在烤箱中内置抗高温的摄像头,利用摄像头对烤箱内的糕点进行图像采集,且图像采集的频率为一秒,将每张图像通过MASK-RCNN神经网络以除去背景得到糕点图像,将糕点图像进行HSV空间转化,然后通过电脑终端分析得到糕点图像的亮度值和饱和度值。进而以一分钟为设定时间段,基于采样频率获取每张糕点图像的亮度值和饱和度值,分别构成一分钟时间段内的亮度序列和饱和度序列,然后获取亮度序列对应的亮度变化方差。
糕点变得松软的重要原因之一就是糕点内部的添加剂转化为二氧化碳,随着二氧化碳的排出,糕点变成多孔结构,即变得松软可口,所以在糕点烘培过程中,烤箱内会产生二氧化碳,使用二氧化碳气体检测仪检测二氧化碳含量,同样的以一秒为采样频率,获取烤箱内部一分钟的时间段内的二氧化碳浓度序列。
需要说明的是,本发明实施例中将二氧化碳浓度检测仪对应采集气体的接口安装到烤箱上壁,方便气体浓度检测。
在糕点烘培过程中糕点内部水分会转化为水蒸气排出,因此根据烤箱内部的水分变化,也可以侧面反映出糕点烘培的烹熟度信息,同样的以一秒为采样频率,利用湿度检测仪检测烤箱内的湿度,进而获取烤箱内部一分钟的时间段内的湿度序列。
需要说明的是,将烤箱湿度检测仪安置在烤箱内部,其具有抗高温的特性。具体安装位置由实施者根据烤箱设计工艺确定,方便测量即可。
进一步地,结合一分钟的时间段内采集的数据来分析,即结合亮度变化方差、饱和度序列和二氧化碳浓度序列计算该时间段内糕点的烹熟评价值,则烹熟评价值的具体获取过程为:分别获取饱和度序列和二氧化碳浓度序列的平均值,得到饱和度均值和二氧化碳浓度均值,由饱和度均值、二氧化碳浓度均值和亮度变化方差构建烹熟评价值的计算公式,即其中,U为烹熟评价值,mean(Q)为二氧化碳浓度均值,mean(S)为饱和度均值;STD(L)为亮度变化方差。
需要说明的是,随着糕点在烤箱内逐渐成熟,采集图像对应的糕点亮度会越来越低、糕点色彩饱和度会越来越高,且二氧化碳浓度也会越来越高。
最后,将二氧化碳浓度序列、湿度序列、饱和度序列和烹熟评价值作为对应时间段内的烘焙特征向量。
步骤S002,获取多个时间段内的烘焙特征向量,根据烘焙特征向量计算任意两个时间段内糕点的色泽质量相似程度,由色泽质量相似程度对烘焙特征向量进行分组,得到多个类别组;根据每个类别组中烘焙特征向量的湿度序列获取每个烘焙特征向量对应的颜色信息序列的置信度。
具体的,利用步骤S001的方法获取多个连续时间段内的烘焙特征向量,然后基于相似度将所有的烘焙特征向量进行分组,其具体过程为:
(1)由烘焙特征向量中的饱和度序列和烹熟评价值计算任意两个时间段内糕点的色泽质量相似程度。
具体的,色泽质量相似程度的计算公式为:
其中,R(A,B)为时间段A和时间段B之间的色泽质量相似程度,abs(UA,UB)为时间段A和时间段B之间对应烹熟评价值的差值绝对值,UA为时间段A的饱和度序列,UB为时间段B的饱和度序列。
需要说明的是,色泽质量相似程度越大,说明对应两个时间段越属于同一糕点烘焙阶段。
(2)利用步骤(1)能够得到任意两个时间段内糕点的色泽质量相似程度,进而把每个色泽质量相似程度转化为聚类所需的样本距离,其计算样本距离的公式为:然后基于样本距离利用DBSCAN聚类算法将烘焙特征向量分为多个类别组,每一个类别组认为其对应时间段大致属于同一个糕点烘焙阶段。
进一步地,基于聚类后的类别组中的湿度序列计算每个时间段对应糕点的饱和度序列的置信度,其置信度的获取方法为:以一个类别组为例,分别计算该类别组中每个湿度序列的湿度均值,得到该类别组的湿度均值序列,将当前湿度均值与湿度均值序列中的每个湿度均值计算相对应的湿度差值,得到湿度差值之和,由湿度差值之和得到当前湿度均值对应时间段的饱和度序列的置信度,则置信度的计算公式为:其中,Ci为第i个时间段的饱和度序列的置信度,mi为第i个时间段的湿度均值;M为第i个时间段所属类别组的湿度均值序列。
由每个类别组对应的湿度均值序列能够得到对应类别组内每个湿度序列对应的置信度,也即是湿度序列对应时间段内饱和度序列的置信度,进而能够得到每个时间段内对应饱和度序列的置信度。
步骤S003,利用多个时间段的颜色信息序列训练颜色预测网络,基于置信度构建颜色预测网络的损失函数;实时获取糕点烘焙过程中多个历史时间段的实际颜色信息序列,将这些实际颜色信息序列输入训练好的颜色预测网络得到下一时间段的颜色信息预测序列,根据颜色信息预测序列确认其所属的糕点烘焙阶段。
具体的,颜色预测网络采用TCN预测网络,该TCN预测网络的训练过程为:该预测网络有一个训练集,该训练集包括多个训练样本,且每个训练样本所包括的数据为一个饱和度序列,则饱和度序列是通过步骤S001的方法得到的;将每个训练样本作为特征序列输入TCN预测网络中,并将该特征序列的下一值作为标签,以使TCN网络能够学习到当前序列模式下的下一个预测值,进而得到剩余的特征序列,以此进行重复训练;TCN网络的损失函数采用均方差损失函数。
本发明实施例为了颜色预测网络的预测结果更加准确,对均方差损失函数进行进一步的改进,改进后的均方差损失是每个训练样本的输入和输出数据之间的均方差损失的加权求和。具体的,利用每个训练样本的置信度为其均方差损失分配权重,所有训练样本的置信度构成置信度序列,将该置信度序列归一化,将归一化之后的置信度作为相应训练样本的权重。具体的,将第i个训练样本的置信度记为Ci,将归一化之后分配的权重记为C′i,其中∑Cj表示所有训练样本的置信度之和,Cj表示第j个训练样本的置信度;第i个训练样本的损失函数为Lossi,对应的TCN网络的损失函数Loss=∑(Lossi*Ci)。
进一步地,实时获取糕点烘焙过程中多个历史时间段的实际饱和度序列,一个历史时间段对应一个实际饱和度序列,将这些实际饱和度序列输入训练好的颜色预测网络得到下一时间段的饱和度预测序列,然后根据饱和度预测序列确认下一时间段对应的糕点烘焙阶段,则具体过程为:
(1)基于成功制作糕点在整个糕点烘焙过程中的所有饱和度序列,将其作为最优实验数据,然后将最优实验数据分为多个类别,每一个类别对应一个糕点烘焙阶段,且将每个类别中所有的饱和度序列作为对应糕点烘焙阶段的标准饱和度序列集合。
具体的,基于四分位数的方法将制作成功的糕点在烘焙过程中的所有饱和度序列按照时间序列分为4个类别,具体的,在糕点烘焙过程中,糕点颜色的饱和度是单调递增的,因此能够得到所有饱和度序列中的三个边界饱和度序列,即上四分位数值、下四分位数值和中位数值,则进而将所有饱和度序列中的第一个饱和度序列至上四分位数值之间的所有饱和度序列称为糕点烘焙初始阶段,上四分位数值至中位数值之间所有饱和度序列称为糕点烘焙催熟阶段,中位数值至下四分位数值之间的所有饱和度序列称为糕点烘焙将熟阶段,下四分位数值至最后一个饱和度序列之间的所有饱和度序列称为糕点烘焙成熟阶段。然后基于所有饱和度序列的划分方法相应的能够得到每个糕点烘焙阶段所对应的标准烘焙时间范围,即每一个糕点烘焙阶段对应一个标准烘焙时间范围。
(2)将饱和度预测序列与每个糕点烘焙阶段的标准饱和度序列集合进行对比,以确认饱和度预测序列所属的糕点烘焙阶段,也即确认了饱和度预测序列对应时间段所处的糕点烘焙阶段。
进一步地,获取饱和度预测序列所对应时间段的烘焙总时长,通过对比烘焙总时长与其所属糕点烘焙阶段的标准烘焙时间范围来调整烤箱,具体为:当烘焙总时长正好处于标准烘焙时间范围时,则不需要调整烤箱;当烘焙总时长小于标准烘焙时间范围的最小烘焙时间时,说明烤箱的温度过高,导致糕点在其标准烘焙时长之前达到了其标准烘焙时长对应的糕点烹熟度,如果不及时降低烤箱温度,会造成糕点最后焦化严重,无法食用,因此要及时降低烤箱温度;当烘焙总时长大于标准烘焙时间范围的最大烘焙时间时,说明烤箱的温度过低,导致糕点晚于其标准烘焙时间达到其所属糕点烘焙阶段应有的糕点烹熟度,如果不及时调高烤箱温度,会造成糕点最后达不到标准烘焙质量,因此要及时调高烤箱的温度。
综上所述,本发明实施例提供了一种大批量糕点烘焙阶段识别方法。通过采集烤箱内部的二氧化碳浓度、湿度和糕点的颜色信息将其通过相对应的函数计算得到每个时间段内糕点的烹熟评价值;基于烹熟评价值和颜色信息获取任意两个时间段内糕点的色泽质量相似度,以将多个时间段对应的湿度进行分类,以得到每个时间段对应颜色信息的置信度;利用多个时间段的颜色信息和对应置信度训练颜色预测网络,利用训练好的颜色预测网络获取下一时间段的颜色信息预测值,进而确认其所属糕点烘焙阶段。通过对电数字数据进行相关函数的计算以训练颜色预测网络,利用颜色预测网络预测下一时间段糕点的颜色信息以识别其所对应的烘焙阶段,由烘焙阶段对应的标准时间范围调整烤箱温度,以保证糕点的烘焙质量,提高其良品率。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种大批量糕点烘焙阶段识别方法,其特征在于,该方法包括以下步骤:
根据采样频率获取烤箱内部的二氧化碳浓度、湿度和糕点的颜色信息,得到设定时间段内的二氧化碳浓度序列、湿度序列和颜色信息序列;结合所述二氧化碳浓度序列和颜色信息序列得到对应时间段内糕点的烹熟评价值;将所述二氧化碳浓度序列、所述湿度序列、所述颜色信息序列和所述烹熟评价值作为对应时间段内的烘焙特征向量;
获取多个时间段内的所述烘焙特征向量,根据所述烘焙特征向量计算任意两个所述时间段内糕点的色泽质量相似程度,由所述色泽质量相似程度对所述烘焙特征向量进行分组,得到多个类别组;根据每个所述类别组中所述烘焙特征向量的所述湿度序列获取每个所述烘焙特征向量对应的所述颜色信息序列的置信度;
利用多个所述时间段的所述颜色信息序列训练颜色预测网络,基于所述置信度构建所述颜色预测网络的损失函数;实时获取糕点烘焙过程中多个历史时间段的实际颜色信息序列,将这些所述实际颜色信息序列输入训练好的所述颜色预测网络得到下一时间段的颜色信息预测序列,根据所述颜色信息预测序列确认其所属的糕点烘焙阶段。
2.如权利要求1所述的一种大批量糕点烘焙阶段识别方法,其特征在于,基于确认的所述糕点烘焙阶段对所述烤箱进行调整,其方法包括:
根据确认的所述糕点烘焙阶段获取到达该阶段的标准烘焙时间范围和实际烘焙时长,通过确认所述实际烘焙时长是否在所述标准烘焙范围来调整烤箱的温度。
3.如权利要求2所述的一种大批量糕点烘焙阶段识别方法,其特征在于,所述糕点烘焙阶段的划分方法,包括:
基于成功制作糕点在整个糕点烘焙过程中的所有饱和度序列,将其作为最优实验数据,然后将所述最优实验数据分为多个类别,每一个类别对应一个糕点烘焙阶段。
4.如权利要求3所述的一种大批量糕点烘焙阶段识别方法,其特征在于,所述根据所述颜色信息预测序列确认其所属的糕点烘焙阶段的方法,包括:
将每个所述类别中所有的饱和度序列作为对应所述糕点烘焙阶段的标准饱和度序列集合;将所述饱和度预测序列与每个所述糕点烘焙阶段的所述标准饱和度序列集合进行对比,以确认所述饱和度预测序列所属的所述糕点烘焙阶段。
5.如权利要求1所述的一种大批量糕点烘焙阶段识别方法,其特征在于,所述由所述色泽质量相似程度对所述烘焙特征向量进行分组,得到多个类别组的方法,包括:
把每个所述色泽质量相似程度转化为聚类所需的样本距离,基于所述样本距离利用DBSCAN聚类算法将所述烘焙特征向量分为多个所述类别组。
6.如权利要求1所述的一种大批量糕点烘焙阶段识别方法,其特征在于,所述置信度的获取方法,包括:
分别计算当前类别组中每个所述湿度序列的湿度均值,得到该类别组的湿度均值序列,将当前湿度均值与所述湿度均值序列中的每个所述湿度均值计算相对应的湿度差值,得到湿度差值之和,由所述湿度差值之和得到当前湿度均值对应时间段的所述饱和度序列的所述置信度,所述置信度与所述湿度差值之和呈负相关关系。
7.如权利要求1所述的一种大批量糕点烘焙阶段识别方法,其特征在于,所述颜色预测网络的训练集包括多个训练样本,且每个训练样本所包括的数据为一个所述饱和度序列。
8.如权利要求7所述的一种大批量糕点烘焙阶段识别方法,其特征在于,所述颜色预测网络的损失函数是每个所述训练样本的输入和输出数据之间的均方差损失的加权求和,每个所述训练样本的权重与对应所述饱和度序列的所述置信度呈正相关关系。
9.如权利要求1所述的一种大批量糕点烘焙阶段识别方法,其特征在于,所述颜色信息序列包括亮度序列和饱和度序列。
10.如权利要求9所述的一种大批量糕点烘焙阶段识别方法,其特征在于,所述结合所述二氧化碳浓度序列和颜色信息序列得到对应时间段内糕点的烹熟评价值的方法,包括:
获取所述亮度序列对应的亮度变化方差、所述饱和度序列对应的饱和度均值、所述二氧化碳浓度序列对应的二氧化碳浓度均值,由所述饱和度均值、所述二氧化碳浓度均值和所述亮度变化方差构建所述烹熟评价值的计算公式,以得到对应时间段内糕点的所述烹熟评价值,其中,所述饱和度均值与所述烹熟评价值呈正相关关系、所述烹熟评价值与所述二氧化碳浓度均值呈正相关关系、所述烹熟评价值与所述亮度变化方差呈负相关关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210114982.1A CN114627315B (zh) | 2022-01-31 | 2022-01-31 | 大批量糕点烘焙阶段识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210114982.1A CN114627315B (zh) | 2022-01-31 | 2022-01-31 | 大批量糕点烘焙阶段识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114627315A true CN114627315A (zh) | 2022-06-14 |
CN114627315B CN114627315B (zh) | 2023-04-18 |
Family
ID=81898050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210114982.1A Active CN114627315B (zh) | 2022-01-31 | 2022-01-31 | 大批量糕点烘焙阶段识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114627315B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943737A (zh) * | 2022-07-25 | 2022-08-26 | 深圳中食匠心食品有限公司 | 一种酥饼品质评价方法、装置及可读存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180232689A1 (en) * | 2017-02-13 | 2018-08-16 | Iceberg Luxembourg S.A.R.L. | Computer Vision Based Food System And Method |
CN109886112A (zh) * | 2019-01-16 | 2019-06-14 | 创新奇智(合肥)科技有限公司 | 一种基于图像的物体识别方法、商品自助收银系统及电子设备 |
GB201910762D0 (en) * | 2019-07-27 | 2019-09-11 | Davies Philip Michael | AI controlled toasting appliance |
CN110490306A (zh) * | 2019-08-22 | 2019-11-22 | 北京迈格威科技有限公司 | 一种神经网络训练和对象识别方法、装置和电子设备 |
US20190377972A1 (en) * | 2018-06-08 | 2019-12-12 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method and apparatus for training, classification model, mobile terminal, and readable storage medium |
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 |
CN111797896A (zh) * | 2020-06-01 | 2020-10-20 | 锐捷网络股份有限公司 | 基于智慧烘焙的商品识别方法及装置 |
CN113080500A (zh) * | 2021-04-01 | 2021-07-09 | 深圳九章聚源人工智能科技有限公司 | 一种基于神经网络的烟叶烘烤方法、系统及其相关组件 |
WO2021142475A1 (en) * | 2020-01-12 | 2021-07-15 | Neurala, Inc. | Systems and methods for anomaly recognition and detection using lifelong deep neural networks |
-
2022
- 2022-01-31 CN CN202210114982.1A patent/CN114627315B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180232689A1 (en) * | 2017-02-13 | 2018-08-16 | Iceberg Luxembourg S.A.R.L. | Computer Vision Based Food System And Method |
US20190377972A1 (en) * | 2018-06-08 | 2019-12-12 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method and apparatus for training, classification model, mobile terminal, and readable storage medium |
CN109886112A (zh) * | 2019-01-16 | 2019-06-14 | 创新奇智(合肥)科技有限公司 | 一种基于图像的物体识别方法、商品自助收银系统及电子设备 |
GB201910762D0 (en) * | 2019-07-27 | 2019-09-11 | Davies Philip Michael | AI controlled toasting appliance |
CN110490306A (zh) * | 2019-08-22 | 2019-11-22 | 北京迈格威科技有限公司 | 一种神经网络训练和对象识别方法、装置和电子设备 |
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 |
WO2021142475A1 (en) * | 2020-01-12 | 2021-07-15 | Neurala, Inc. | Systems and methods for anomaly recognition and detection using lifelong deep neural networks |
CN111797896A (zh) * | 2020-06-01 | 2020-10-20 | 锐捷网络股份有限公司 | 基于智慧烘焙的商品识别方法及装置 |
CN113080500A (zh) * | 2021-04-01 | 2021-07-09 | 深圳九章聚源人工智能科技有限公司 | 一种基于神经网络的烟叶烘烤方法、系统及其相关组件 |
Non-Patent Citations (2)
Title |
---|
B. BROYART: "Modelling of Heat and Mass Transfer Phenomena and Quality Changes During Continuous Biscuit Baking Using Both Deductive and Inductive (Neural Network) Modelling Principles", 《FOOD AND BIOPRODUCTS PROCESSING》 * |
吴娟: "基于图像特征和GA-SVM的烤烟烘烤阶段识别研究", 《西南师范大学学报(自然科学版)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943737A (zh) * | 2022-07-25 | 2022-08-26 | 深圳中食匠心食品有限公司 | 一种酥饼品质评价方法、装置及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114627315B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114627315B (zh) | 大批量糕点烘焙阶段识别方法 | |
CN112036433B (zh) | 一种基于CNN的Wi-Move行为感知方法 | |
CN106934418B (zh) | 一种基于卷积递归网络的绝缘子红外诊断方法 | |
Wang et al. | Segmentation of crop disease images with an improved K-means clustering algorithm | |
CN112818827B (zh) | 基于图像识别的烟叶烘烤过程中阶段控温点的判断方法 | |
CN107609588B (zh) | 一种基于语音信号的帕金森患者updrs得分预测方法 | |
CN111860639A (zh) | 一种量化烤烟烟叶烘烤特性的判定系统及判定方法 | |
CN110222592B (zh) | 一种基于互补时序行为提案生成的时序行为检测网络模型的构建方法 | |
CN112749633B (zh) | 分离与重构的个体辐射源识别方法 | |
CN109002855A (zh) | 一种基于卷积神经网络的红茶发酵程度的鉴定方法 | |
Nashat et al. | Multi-class colour inspection of baked foods featuring support vector machine and Wilk’s λ analysis | |
CN112787736A (zh) | 一种基于协方差矩阵的长短期记忆协作频谱感知方法 | |
CN109347584A (zh) | 基于指数平滑预测的频谱感知方法 | |
CN114331979A (zh) | 一种烟叶烘烤的智能决策方法和系统 | |
CN112056945A (zh) | 一种烹饪设备食物烹饪状态的提醒方法 | |
CN112329558A (zh) | 一种基于烧结机尾断面视频的FeO含量预测方法 | |
CN113358647A (zh) | 一种烟草烘烤数据预测监控模型建立方法 | |
CN113221614A (zh) | 一种基于混合神经网络的电网绝缘子破损图像识别方法 | |
CN116561535A (zh) | 一种基于个性化建筑交互设计处理方法 | |
CN112184627A (zh) | 基于图像处理与神经网络的柑橘保鲜品质检测方法及应用 | |
CN115713625A (zh) | 一种教学实录视频与课件背景的快速结合成片方法 | |
CN113033705B (zh) | 一种基于模式识别的铜转炉吹炼造渣期终点智能判断与校验方法 | |
CN115496816A (zh) | 一种序列服饰图像主题色自适应提取方法 | |
CN115112989A (zh) | 基于低频数据的非侵入式负荷监测方法 | |
CN109697433A (zh) | 一种基于3d卷积神经网络的铝电解槽过热度状态识别方法及系统 |
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 |