CN115227119B - 一种咖啡智能研磨方法和系统 - Google Patents

Abstract

本说明书实施例提供一种咖啡智能研磨方法和系统，该方法基于咖啡智能研磨装置实现，咖啡智能研磨装置包括给料器、筛选组件、粉碎机、降温装置、控制器；所述筛选组件包括分离装置；该方法包括：基于给料器向筛选组件输入咖啡豆；基于咖啡豆，通过筛选组件获取筛后料；基于粉碎机对筛后料的处理，获取咖啡粉；通过降温装置对咖啡粉进行降温，得到待用粉；其中，通过筛选组件获取筛后料包括：获取咖啡豆的物料图像；基于控制器对物料图像的处理，确定可疑物料；基于分离装置分离咖啡豆的可疑物料，得到筛后料。

Description

一种咖啡智能研磨方法和系统

技术领域

本说明书涉及新一代信息技术和高端装备制造领域，特别涉及一种咖啡智能研磨方法和系统。

背景技术

咖啡类饮品已经成为当代人们饮食生活中常见的一类饮品，市场对咖啡的需求量日渐增大。咖啡生产不仅需要高效的生产速度，还需要严格的质量控制，传统的生产方式已经不能满足现代化大批量、高品质咖啡生产的需求，国外高端设备厂商已经实现了自动化、一体化的咖啡生产设备，但这些设备局限于机械和电子控制技术，尚未应用新一代信息技术，对于质量控制、能耗控制难以进一步提高。

因此，希望提供一种更适应当下需求的咖啡智能研磨方法和系统，提高咖啡生产的效率，增强咖啡生产的质量控制，同时减少能耗。

发明内容

本说明书一个或多个实施例提供一种咖啡智能研磨方法，基于咖啡智能研磨装置实现，咖啡智能研磨装置包括给料器、筛选组件、粉碎机、降温装置、控制器；筛选组件包括分离装置；该方法包括：基于给料器向筛选组件输入咖啡豆；基于咖啡豆，通过筛选组件获取筛后料；基于粉碎机对筛后料的处理，获取咖啡粉；通过降温装置对咖啡粉进行降温，得到待用粉；其中，通过筛选组件获取筛后料包括：获取咖啡豆的物料图像；基于控制器对物料图像的处理，确定可疑物料；基于分离装置分离咖啡豆的可疑物料，得到筛后料。

本说明书实施例之一提供一种咖啡智能研磨系统，用于控制咖啡智能研磨装置，咖啡智能研磨装置包括给料器、筛选组件、粉碎机、降温装置、控制器；筛选组件包括分离装置；该系统包括：输入模块，用于基于给料器向筛选组件输入咖啡豆；筛选模块，用于基于咖啡豆，通过筛选组件获取筛后料；粉碎模块，用于基于粉碎机对筛后料的处理，获取咖啡粉；降温模块，用于通过降温装置对咖啡粉进行降温，得到待用粉；其中，筛选模块进一步用于：获取咖啡豆的物料图像；基于控制器对物料图像的处理，确定可疑物料；基于分离装置分离咖啡豆的可疑物料，得到筛后料。

附图说明

本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本说明书一些实施例所示的一种咖啡智能研磨系统的应用场景示意图；

图2是根据本说明书一些实施例所示的一种咖啡智能研磨系统的示例性模块图；

图3是根据本说明书一些实施例所示的一种咖啡智能研磨方法的示例性流程图；

图4是根据本说明书一些实施例所示的基于识别模型进行咖啡豆筛选的示例性示意图；

图5是根据本说明书一些实施例所示的输送速度确定的示例性流程图。

具体实施方式

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例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说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

图1是根据本说明书一些实施例所示的一种咖啡智能研磨系统的应用场景示意图。

在一些实施例中，咖啡智能研磨系统的应用场景100可以包括处理器110、网络120、存储设备130、终端设备140以及咖啡智能研磨装置150。

处理器110可以用于处理来自应用场景100的至少一个组件或外部数据源(如，云数据中心)的数据和/或信息。处理器110可以经由网络120连接到存储设备130、终端设备140和/或咖啡智能研磨装置150以访问和/或接收数据和信息。例如，处理器110可以经由网络120接收咖啡智能研磨装置150的相关信息(如，咖啡豆的重量信息、咖啡豆的图像信息等)。

在一些实施例中，处理器110可以是单个处理器，也可以是处理器组。该服务器组可以是集中式或分布式的(例如，处理器110可以是分布式系统)，可以是专用的也可以由其他设备或系统同时提供服务。在一些实施例中，处理器110可以本地连接到网络120或者与网络120远程连接。在一些实施例中，处理器110可以在云平台上实施。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。

网络120可以促进信息和/或数据的交换。在一些实施例中，应用场景100中的一个或以上组件(如，存储设备130、终端设备140、咖啡智能研磨装置150)可以经由网络120将信息和/或数据发送到应用场景100中的另一个组件。网络120可以包括局域网(LAN)、广域网(WAN)、有线网络、无线网络等或其任意组合。在一些实施例中，网络120可以是有线网络或无线网络中的任意一种或多种。在一些实施例中，网络120可以包括一个或以上网络接入点。例如，网络120可以包括有线或无线网络接入点，例如基站和/或网络交换点，通过这些网络接入点，应用场景100的一个或多个组件可连接到网络120以交换数据和/或信息。

存储设备130可以用于储存数据和/或指令。数据可以包括与用户、终端设备140、咖啡智能研磨装置150等有关的数据。在一些实施例中，存储设备130可以储存处理器110用来执行或使用以完成本说明书中描述的示例性方法的数据和/或指令。例如，存储设备130可以存储咖啡智能研磨装置150的相关信息。又例如，存储设备130可以存储一个或多个机器学习模型。在一些实施例中，存储设备130可以是处理器110的一部分。

在一些实施例中，存储设备130可包括大容量存储器、可移动存储器、易失性读写内存、只读内存(ROM)等或其任意组合。在一些实施例中，存储设备130可在云平台上实现。在一些实施例中，存储设备130可以连接到网络120以与应用场景100的一个或以上组件(例如，处理器110、咖啡智能研磨装置150)通信。

终端设备140可以指用户所使用的一个或多个终端设备或软件。在一些实施例中，用户可以是终端设备140的所有者。在一些实施例中，终端设备140可以包括移动设备140-1、平板计算机140-2、膝上型计算机140-3、车载设备等或其任意组合。在一些实施例中，终端设备140可以包括信号发送器和信号接收器，被配置为与咖啡智能研磨装置150通信以获取相关信息。

在一些实施例中，终端设备140可以是固定的和/或移动的。例如，终端设备140可以直接安装在处理器110和/或咖啡智能研磨装置150上，成为处理器110和/或咖啡智能研磨装置150的一部分。再例如，终端设备140可以是可移动的设备，用户可以携带终端设备140位于相对于处理器110、咖啡智能研磨装置150的距离较远的位置，终端设备140可以通过网络120与处理器110和/或咖啡智能研磨装置150连接和/或通信。

在一些实施例中，终端设备140可以接收用户请求，并经由网络120将与请求有关的信息发送到处理器110。例如，终端设备140可以接收用户要求发送相关信息的请求，并经由如网络120将与请求有关的信息发送到处理器110。终端设备140还可以经由网络120从处理器110接收信息。例如，终端设备140可以从处理器110接收咖啡智能研磨装置150的相关信息，所确定的一个或以上相关信息可以显示在终端设备140上。又例如，处理器110可以将咖啡智能研磨装置150的相关信息确定的结果(如，咖啡豆筛选结果等)或筛选速度提示信息发送到终端设备140。

咖啡智能研磨装置150指能够实现从咖啡豆输入、筛选、粉碎、降温，到最后获得高品质咖啡粉的一系列操作过程的装置。在一些实施例中，咖啡智能研磨装置150可以包括给料器151、筛选组件152、粉碎机153及降温装置154。其中，筛选组件152可以包括，图像获取装置152-1、控制器152-2及分离装置152-3。

给料器151指咖啡智能研磨装置中的一种辅助性设备，其主要功能是将尚未加工的物料(如，咖啡豆等)从某一设备(如，料斗、贮仓等)连续均匀地喂料给承接设备或运输机械(如筛选组件152)，给料器151是实行流水作业自动化的必备设备。在一些实施例中，给料器分为敞开型和封闭型两种类型，常见的给料器有电磁振动给料器、棒条振动给料器、螺旋给料器。给料器151的类型在本说明书中不做限制。

筛选组件152指用于筛选给料器151输入的原始咖啡豆来获得筛后料的部件。在一些实施例中，筛选组件152可以包括，图像获取装置152-1、控制器152-2及分离装置152-3。

图像获取装置152-1指用于获取咖啡豆图像的装置。在一些实施例中，图像获取装置152-1可以包括拍摄装置。拍摄装置可以获取咖啡豆的图像，并经由网络120将咖啡豆的图像传送至处理器110。控制器152-2指用于处理咖啡豆物料图像，确定可疑物料的装置，是协调和指挥整个咖啡智能研磨装置150完成此操作的主令装置。在一些实施例中，控制器分为组合逻辑控制器和微程序控制器两种类型。控制器152-2的类型在本说明书中不做限制。分离装置152-3指用于分离咖啡豆和可疑物料的设备。在一些实施例中，分离装置根据结构可分为板式塔和填料塔两种类型，常用的有泡罩塔，浮阀塔，筛板塔，淋降板塔，填料塔等应用于蒸馏、吸收、萃取、吸附等操作。分离装置152-3的类型在本说明书中不做限制。

粉碎机153指将大尺寸的咖啡豆粉碎至要求尺寸的咖啡粉的机械。粉碎机由粗碎、细碎、风力输送等装置组成，以高速撞击的形式达到粉碎的目的，利用风能一次成粉。根据所需物料细度的D90标准(90％的物料达到预定细度)可将粉碎机区分为破碎机(60目以下)、粉碎机(60-120目)、超细粉碎机(120-300目)、超微粉碎机(300目以上)。在一些实施例中，可以根据不同批次咖啡豆粉碎细度的需求，采用上述粉碎机中的一种或任意组合。

降温装置154指用于对研磨好的咖啡粉进行降温冷却，从而得到待用粉的装置。在一些实施例中降温装置可以包括使用常规方式进行降温的装置(如通过空气流动带走高温气体等)，也可以包括使用冷凝器进行降温的装置(如通过把气体或蒸气转变成液体将仪器中的热量以较快的方式传到仪器附近的空气中，从而实现降温)。降温装置154的类型在本说明书中不做限制。

应当注意应用场景仅仅是为了说明的目的而提供，并不意图限制本说明书的范围。对于本领域的普通技术人员来说，可以根据本说明书的描述，做出多种修改或变化。例如，应用场景还可以包括数据库。又例如，应用场景可以在其他设备上实现类似或不同的功能。然而，变化和修改不会背离本说明书的范围。

图2是根据本说明书一些实施例所示的一种咖啡智能研磨系统的示例性模块图。

如图2所示，在一些实施例中，咖啡智能研磨系统200可以包括输入模块210、筛选模块220、粉碎模块230和降温模块240。

输入模块210可以用于基于给料器向筛选组件输入咖啡豆。关于给料器和筛选组件的更多内容参见图1及其相关描述，关于输入的方式参见图3及其相关描述。

筛选模块220可以用于基于咖啡豆，通过筛选组件获取筛后料。在一些实施例中，筛选模块220可以进一步用于获取咖啡豆的物料图像；基于控制器对物料图像的处理，确定可疑物料；基于分离装置分离咖啡豆的可疑物料，得到筛后料。在一些实施例中，筛选模块220还包括第一容器和第二容器，筛选模块220可以进一步用于判断第一容器的咖啡豆是否满足预设条件，响应于满足预设条件，将咖啡豆基于第一容器抛送至第二容器，第二容器内的咖啡豆即为筛后料；响应于不满足预设条件，从第一容器筛除咖啡豆。

在一些实施例中，筛选模块220还包括控制器，控制器包括识别模型，识别模型为机器学习模型，筛选模块220可以进一步用于基于识别模型对物料图像的处理，确定可疑物料。在一些实施例中，获取咖啡豆的物料图像包括获取咖啡豆在不同光照颜色下的不同物料图像。在一些实施例中，模型输入还包括第二容器内的咖啡豆的图像。

在一些实施例中，识别模型还包括NN(Neural Network)，NN的输入为分类层的多个输出和筛选特征，输出为是否剔除的判断结果，其中，NN的输入还包括输入速度。分类层是指能够对输入的图像进行特定分类的模型。关于控制器和分离装置的更多内容参见图1及其相关描述，关于筛后料、物料图像、可疑物料、第一容器和第二容器的更多内容参见图3及其相关描述，关于物料图像的获取和处理以及识别模型的更多内容参见图4及其相关描述。

粉碎模块230可以用于基于粉碎机对筛后料的处理，获取咖啡粉。关于粉碎机的更多内容参见图1及其相关描述，关于咖啡粉的更多内容参见图3及其相关描述。

降温模块240可以用于通过如冷凝器等降温装置对咖啡粉进行降温，得到待用粉。关于降温装置的更多内容参见图1及其相关描述，关于待用粉的更多内容参见图3及其相关描述。

如图2所示，在一些实施例中，咖啡智能研磨系统200还可以包括获取模块250以及调整模块260。

获取模块250可以用于获取降温装置的降温速度及可疑物料的占比。关于降温速度和可疑物料占比的更多内容参见图5及其相关描述。

调整模块260可以用于基于降温速度及可疑物料的占比，调整给料器向筛选组件输入咖啡豆的速度。在一些实施例中，速度调整还包括基于识别模型的平均置信度，平均置信度越大，速度的调整幅度越大。在一些实施例中，调整模块260可以进一步用于基于预测模型对降温速度及占比的处理，确定给料器向筛选组件输入咖啡豆的速度。关于输送速度、速度调整、置信度和预测模型的更多内容参见图5及其相关描述。

图2所示的系统及其模块可以利用各种方式来实现。

需要注意的是，以上对于咖啡智能研磨系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图2中披露的输入模块210、筛选模块220、粉碎模块230、降温模块240、获取模块250和调整模块260可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。

图3是根据本说明书一些实施例所示的一种咖啡智能研磨方法的示例性流程图。在一些实施例中，流程300可以由处理器110执行。如图3所示，流程300包括下述步骤：

步骤310，基于给料器向筛选组件输入咖啡豆。在一些实施例中，步骤310可以由输入模块210执行。

给料器指咖啡智能研磨装置中用于投放原始咖啡豆的一种辅助性设备。关于给料器的更多内容参见图1及其相关描述。

筛选组件指用于筛选给料器输入的原始咖啡豆来获得筛后料的部件。关于筛选组件的更多内容参见图1及其相关描述。

在一些实施例中，给料器可以基于多种方式实现向筛选组件输入咖啡豆。例如，给料器可以使料仓中的咖啡豆物料均匀的排放到皮带输送机上形成适当厚度和宽度的咖啡豆物料层，输入受料设备中。又如，给料器可以使咖啡豆物料在倾斜的筛面上作连续的抛掷运动，并连续均匀地将咖啡豆物料送至受料设备中。再如，给料机的底板连同咖啡豆物料向前运动时，料仓内的咖啡豆物料随之填满机体内的空间，当底板向后运动时，底板上的咖啡豆物料不能随之返回而受阻卸出，实现给料。又如，给料器可以由机壳和叶轮组成，机壳上、下端的进、出料口分别与料仓、受料设备连接，叶轮绕水平轴线转动时咖啡豆物料落入叶轮的各腔格之间，随叶轮旋转半周后卸入受料设备。

步骤320，基于咖啡豆，通过筛选组件获取筛后料。在一些实施例中，步骤320可以由筛选模块220执行。

筛后料指经过筛选组件剔除掉异物(如石头、谷类、金属)、瑕疵豆(如虫蛀、生豆、霉豆)后的咖啡豆物料。

在一些实施例中，可以通过在筛选组件的分离装置中设置重量传感器来筛选异物。例如，划定正常咖啡豆的重量范围，通过重量传感器感应重量不在此范围内的物料则剔除。在一些实施例中，可以通过在筛选组件的分离装置中设置固定孔径的方式筛选异物。例如，将咖啡豆的大小分为不同等级，每个等级划分固定的孔径大小，通过孔径将大小与正常咖啡豆不相符的物料剔除。

在一些实施例中，可以结合上述两种方式或其他方式来剔除异物。例如，还可以通过使用磁铁对异物进行吸附来剔除咖啡豆中含金属的颗粒。

在一些实施例中，通过筛选组件获取筛后料包括：获取咖啡豆的物料图像；基于控制器对物料图像的处理，确定可疑物料；基于分离装置分离咖啡豆的所述可疑物料，得到筛后料。

物料图像指拍摄到的咖啡豆图像。例如，在X光照射下获取的灰度值不同的咖啡豆影像，在不同颜色灯光照射下获取的咖啡豆图像。在一些实施例中，可以通过拍摄装置(如，X射线摄影装置、普通摄像头等)来获取物料图像。

控制器指协调和指挥整个咖啡智能研磨装置完成处理咖啡豆物料图像，确定可疑物料操作的主令装置。关于控制器的更多内容参见图1及其相关描述。

可疑物料指掺杂在正常咖啡豆中的其他杂质。例如，异物(如石头、谷类、金属)、瑕疵豆(如虫蛀、生豆、霉豆)等。在一些实施例中，可以基于拍摄到的物料图像，通过识别模型确定可疑物料。关于可疑物料确定方式的更多内容参见图4及其相关描述。

分离装置指用于分离咖啡豆和可疑物料的设备。

在一些实施例中，分离装置可以通过重量传感器与固定的孔径大小对咖啡豆中的可疑物料进行剔除，得到筛后料。关于分离装置的更多内容参见图1及其相关描述。

在一些实施例中，筛选组件还包括第一容器和第二容器，通过筛选组件获取筛后料包括：筛选模块220判断第一容器的咖啡豆是否满足预设条件，响应于满足预设条件，将咖啡豆基于第一容器抛送至第二容器，第二容器内的咖啡豆即为筛后料；响应于不满足预设条件，从第一容器筛除咖啡豆。

第一容器用于盛放给料器输入的原始咖啡豆。第一容器中的咖啡豆可能含有异物(如石头、谷类、金属)、瑕疵豆(如虫蛀、生豆、霉豆)等杂质。

第二容器用于盛放经过筛选后满足预设条件的咖啡豆。第二容器中的咖啡豆已剔除杂质，可以用于下一步粉碎操作。在一些实施例中，可以对第二容器中的筛选后料进行人工复筛，对咖啡豆中的可疑物加强检查并剔除。

预设条件指重量或大小等适应正常咖啡豆的参数。例如，正常咖啡豆的重量范围，又例如，正常咖啡豆的直径大小。预设条件可以基于多批次的无杂质咖啡豆的粒重均值范围或直径均值范围确定，也可以基于专家经验确定。

在一些实施例中，判断第一容器的咖啡豆是否满足预设条件，包括将第一容器的咖啡豆输入离心机，基于离心机的离心结果判断咖啡豆是否满足预设条件。

在一些实施例中，可以将第一容器中的咖啡豆置于带有重量传感器的传送带，若咖啡豆的重量处于预设条件的重量范围内，则咖啡豆基于传送带抛送(或采取其他传送方式)至第二容器中，否则剔除。在一些实施例中，可以将第一容器中的咖啡豆至于带有预设条件中不同孔径大小的装置中，若咖啡豆可以穿过孔径，则咖啡豆基于传送带抛送(或采取其他传送方式)至第二容器中，否则剔除。

在一些实施例中，可以通过传送带将不满足预设条件的咖啡豆输送至剔除箱，以实现剔除，剔除箱是指用于专门存放可疑物料的物料箱。

在一些实施例中，筛选组件还可以包括X光机，X光机包括控制器、发射器和接收器，X光源发射X射线到接收器上，经过不同密度的物体时，接收器形成灰度值不同的影像，控制器基于灰度值鉴别异物，从而可以筛选出与正常咖啡豆密度不相同的异物并输送至剔除箱。

在一些实施例中，通过筛选组件对咖啡豆进行异物分离可能会产生误差。例如，漏筛的部分异物随合格的咖啡豆输送至第二容器；又如，部分合格的咖啡豆随异物输送至剔除箱。可以对第二容器中的咖啡豆进行再次细筛，剔除漏筛的部分异物；还可以对剔除箱中的可疑物料进行人工复筛，挑选出夹杂其中的合格的咖啡豆。

在一些实施例中，可以结合通过重量筛选剔除、通过孔径筛选剔除、通过X光照射筛选剔除、通过人工复筛剔除或其他方式来剔除异物。例如，还可以通过使用磁铁对异物进行吸附来剔除咖啡豆中含金属的颗粒。

通过结合上述多种异物剔除方式或其他方式来剔除异物，可以有效去除咖啡豆中异物(如石头、谷类、金属)、瑕疵豆(如虫蛀、生豆、霉豆)等杂质，从而达到保证食品安全、提升咖啡的品质和口感、避免异物损坏磨辊以及提高研磨效率的效果。

步骤330，基于粉碎机对筛后料的处理，获取咖啡粉。在一些实施例中，步骤330可以由粉碎模块230执行。

咖啡粉指咖啡豆磨成的粉末。在一些实施例中，粉碎机对筛选后的咖啡豆进行粉碎可以得到咖啡粉。

粉碎机153指将大尺寸的咖啡豆粉碎至要求尺寸的咖啡粉的机械。关于粉碎机的更多内容参见图1及其相关描述。

步骤340，通过降温装置对咖啡粉进行降温，得到待用粉。在一些实施例中，步骤340可以由降温模块240执行。

待用粉指对咖啡粉降温处理后可以用来进行下一步操作(如，包装等)的粉末。在一些实施例中，降温装置对咖啡粉进行降温处理后即可得到待用粉。

降温装置指用于对研磨好的咖啡粉进行降温冷却，从而得到待用粉的装置。关于降温装置的更多内容参见图1及其相关描述。

应当注意的是，上述有关流程300的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程300进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。

图4是根据本说明书一些实施例所示的基于识别模型进行咖啡豆筛选的示例性示意图。

在一些实施例中，控制器包括识别模型。在一些实施例中，基于控制器对物料图像的处理，确定可疑物料包括：基于识别模型对物料图像的处理，确定可疑物料。

在一些实施例中，识别模型包括机器学习模型。在一些实施例中，识别模型包括目标检测模型，例如加快的基于区域的卷积神经网络(Faster Region-based ConvolutionalNeural Networks，Faster RCNN)。如图4所示，识别模型包括特征提取层420、目标区域选取层440、目标区域池化层460、分类层480及判断层4100。

特征提取层是指能够提取出输入图像的特征的模型。在一些实施例中，特征提取层420用于从输入的物料图像410中提取物料图像的特征，得到物料图像的特征图430。在一些实施例中，特征提取层420包括卷积神经网络(Convolutional Neural Networks，CNN)。

物料图像410是指给料器向筛选组件输入的咖啡豆的图像。在一些实施例中，可以由摄像头152-1直接获取物料图像，或由用户上传物料图像等。

在一些实施例中，物料图像410可以包括咖啡豆在不同光照颜色下的不同物料图像，例如在红色光源、蓝色光源、绿色光源的光照条件下分别用摄像头获取的物料图像。

以不同光照颜色下的不同物料图像作为模型输入，可以避免在单一光源条件下因反射等因素导致的物料图像不够准确的问题，提升了模型的精确度。

在一些实施例中，控制器可以对咖啡豆进行多次筛选。在一些实施例中，物料图像410还包括第二容器内的物料的图像。在一些实施例中，可以由控制器先对第二容器内的物料分组，再由摄像头152-1逐组获取物料图像。其中，对物料分组的方式可以是随机均匀分组，也可以是基于密度或质量的不同区间分组。

将已经经过筛选的第二容器内的物料分组，再用识别模型细筛，可以进一步提升筛选的准确率，减少遗漏。

特征图430是指能够反映物料图像410相关信息的特征，可以是将物料图像的像素运算后，抽象出的物料图像的特征，物料图像的特征可以包括物料的颜色特征、纹理特征、形状特征和空间关系特征等。特征图可以基于多种形式表示，例如向量或矩阵的形式。

目标区域选取层440是指能够从输入的特征图中选取出目标物料所在区域的模型。在一些实施例中，目标区域选取层440用于从输入的特征图430中选取至少一个目标物料的区域，得到目标区域450。在一些实施例中，目标区域选取层440包括区域生成网络(Region Proposal Networks，RPN)。

目标区域450是指目标物料所在的区域。如图4所示，目标区域450包括n个目标物料对应的区域，分别为目标区域450-1、目标区域450-2、……目标区域450-n。其中，一个目标物料可以是一颗咖啡豆、一颗石头等。目标区域450可以基于多种形式表示，例如，可以以坐标的形式表示，如目标区域450-1可以表示为[310:375,391:443]，代表一个左下角位置为(391,310)、右上角位置为(443,375)的矩形框。

目标区域池化层460是指能够结合输入的特征图和目标区域，得到目标区域的特征图的模型。在一些实施例中，目标区域池化层还可以起到压缩图像的作用。在一些实施例中，目标区域池化层460用于从输入的特征图430和目标区域450中得到至少一个目标特征图470。在一些实施例中，目标区域池化层460可以包括最大池化(Max Pooling)、平均池化(Mean Pooling)和随机池化(Stochastic Pooling)等池化方式中的任意一种或多种。

目标特征图470是指目标物料所在区域的特征图。如图4所示，目标特征图470包括n个目标物料所在区域的特征图，分别为目标特征图470-1、目标特征图470-2、……目标特征图470-n。其中，目标特征图与目标区域一一对应，例如目标区域450-1对应目标特征图470-1，目标特征图470-1可以为[310:375,391:443,特征图1]，代表目标区域450-1所在的左下角位置为(391,310)、右上角位置为(443,375)的矩形框内的特征图1，其中特征图1可以为向量或矩阵的形式。

分类层480是指能够对输入的目标特征图中的目标物料进行分类的模型。在一些实施例中，分类层480的输入为目标特征图470，输出为目标物料的边框位置、所属类别及概率490。在一些实施例中，分类层480包括全连接层(Fully Connected Layer)和归一化指数函数(softmax function)。

在一些实施例中，目标物料的边框位置、所属类别及概率490是分类层480的输出结果。例如，(边框位置1，虫蛀豆，83％)。

在一些实施例中，目标物料的边框位置是比目标区域更精细的位置，例如目标区域为[310:375,391:443]，代表一个左下角位置为(391,310)、右上角位置为(443,375)的矩形框；边框位置可以包括边缘的轮廓位置等，例如边框位置为[曲线1，曲线2，……曲线n]，代表曲线1～n所围成的轮廓。

在一些实施例中，所属类别及概率反映出模型对目标物料所属类别及其可能性的预测，例如，模型对某个目标物料所属类别的预测为石头，概率为90％，表示模型预测该目标物料为石头的概率为90％。

如图4所示，目标物料的边框位置、所属类别及概率490包括n个分类层480的输出结果，分别为490-1、490-2、……490-n。其中，目标物料的边框位置、所属类别及概率与目标区域、目标特征图一一对应，例如490-1对应目标区域450-1和目标特征图470-1。

在一些实施例中，识别模型的特征提取层420、目标区域选取层440、目标区域池化层460、分类层480可以联合训练。

在一些实施例中，识别模型可以基于大量带有标签的训练样本训练得到。例如，将带有标签的训练样本输入识别模型，通过标签和识别模型输出的预测结果构建损失函数，基于损失函数迭代更新特征提取层、目标区域选取层、目标区域池化层和分类层的参数。当训练的模型满足预设条件时，训练结束。其中，预设条件为损失函数收敛、迭代的次数达到阈值等。

在一些实施例中，训练样本可以是带标签的物料图像。标签可以是目标物料的边框位置和所属类别。标签可以通过人工标注的方式获取。

联合训练能够同时针对特征提取层、目标区域选取层、目标区域池化层和分类层进行训练，使得模型的训练效果更好，同时联合训练减少了训练样本的数量和标签的数量，降低了人工标注的成本。

在一些实施例中，识别模型还包括判断层4100。

在一些实施例中，判断层4100用于对分类层480的输出结果进行进一步地判断，输出判断结果4110以确定对至少一个目标物料的操作。在一些实施例中，判断层的输入包括该批次咖啡豆的筛选特征4101、至少一个目标物料的边框位置、所属类别及概率。其中，筛选特征4101为咖啡豆的原料等级、品种、平均粒重、颜色、筛选速度中的任意一种或多种。

在一些实施例中，判断层输出的判断结果4110包括对至少一个目标物料的操作序列，序列的每个元素值代表对于一个目标物料的操作，例如，序列为(0，0，1，0)，其中，序列的第3个元素为1，代表对第3个目标物料筛除；序列的其余三个元素为0，代表对其余三个目标物料保留。在一些实施例中，判断层包括神经网络(Neural Network，NN)。

仅作为示例的，判断层的输入为：(目标物料1，边框1，正常豆，90％)、(目标物料2，边框2，霉豆，60％)、(目标物料3，边框3，石头，93％)、一级原料等级，品种A，平均粒重15g，深褐色，筛选速度为慢速。若判断层的输出为(0，0，1)，代表判断层预测对于目标物料1应保留，对于目标物料2也应保留(分类层对目标物料2是霉豆的判断并不准确，被判断层纠正了)，对于目标物料3应筛除。

分类层对至少一个目标物料的所属类别和概率的判断可能不准确，例如某批次咖啡豆的品种颜色较深，分类层判断时错误地将部分正常豆判断成了瑕疵豆，这时用考虑了筛选特征(如品种和颜色等特征)的判断层就可以对判断结果进行纠正，使得模型的准确度进一步提升。

在一些实施例中，筛选特征还包括给料器向筛选组件输入咖啡豆的输送速度。关于输送速度的更多内容参见图5及相关描述。

将给料器向筛选组件输入咖啡豆的输送速度作为判断层的输入，可以让模型从输送速度中学习判断能力，进一步提升模型的准确度。

通过识别模型，可以对物料图像中至少一个目标物料所属的类别进行预测，实现筛选过程的自动化，大大提升了筛选的准确度。

图5是根据本说明书一些实施例所示的确定输送速度的示例性流程图。在一些实施例中，流程500可以由处理设备110执行。如图5所示，流程500包括下述步骤：

步骤510，获取所述降温装置的降温速度及所述可疑物料的占比。

在一些实施例中，降温装置的降温速度是指单位时间内降温装置温度下降的平均数值，例如降温装置的温度在3分钟内下降了3℃，则降温速度为1℃/分钟。在一些实施例中，降温装置的降温速度可以基于温度计和计时器获得。

在一些实施例中，可疑物料的占比是指可疑物料的数量与输入物料总数量的比值。例如，可疑物料有6个，输入物料总数量为40个，则可疑物料的占比为15％。在一些实施例中，可疑物料的占比可以基于第一容器内的物料数量和第二容器内的物料数量确定。在一些实施例中，可疑物料的占比可以基于识别模型的识别结果确定。

步骤520，基于降温速度及可疑物料的占比，调整给料器向筛选组件输入咖啡豆的速度。

在一些实施例中，输送速度是指给料器向筛选组件输入咖啡豆的速度，例如50颗/分钟。

在一些实施例中，给料器向筛选组件输入咖啡豆的输送速度可以在咖啡智能研磨的整个过程中随时调节。在一些实施例中，输送速度可以基于降温装置的降温速度和可疑物料的占比，由规则库或专家经验确定。

在一些实施例中，降温速度可以与给料器向筛选组件输入咖啡豆的输送速度相关，例如降温速度越小，输送速度越小。

在一些实施例中，可疑物料的占比可以与给料器向筛选组件输入咖啡豆的输送速度相关，例如可疑物料的占比越大，输送速度越小。

在一些实施例中，输送速度可以基于识别模型的平均置信度确定。例如，平均置信度越大，输送速度越大。

在一些实施例中，识别模型的平均置信度可以基于识别模型输出的至少一个目标物料所属类别的概率的平均值确定。例如，识别模型输出(目标物料1，正常豆，90％)、(目标物料2，霉豆，60％)、(目标物料3，石头，93％)，则可以将(90％+60％+93％)÷3＝81％作为平均置信度。

识别模型的平均置信度越高，说明识别模型的识别结果越准确，这时可以适当加快给料器向筛选组件输入咖啡豆的输送速度，从而提升筛选效率。

在一些实施例中，给料器向筛选组件输入咖啡豆的输送速度可以基于预测模型确定。

在一些实施例中，预测模型是用于预测咖啡豆输送速度的模型，其中输送速度可以在咖啡智能研磨的整个过程中随时调节。在一些实施例中，预测模型的输入是降温装置的降温速度和可疑物料的占比，输出是咖啡豆的输送速度。在一些实施例中，预测模型包括机器学习模型，例如，循环神经网络模型、深度神经网络模型或其他自定义的模型结构中的任意一种或组合。

在一些实施例中，预测模型可以基于大量带有标签的训练样本训练得到。例如，将带有标签的训练样本输入预测模型，通过标签和预测模型的预测结果构建损失函数，基于损失函数迭代更新模型的参数。当训练的模型满足预设条件时，训练结束。其中，预设条件为损失函数收敛、迭代的次数达到阈值等。

在一些实施例中，训练样本可以是降温装置的降温速度和可疑物料的占比。标签可以是实际输送速度。标签可以通过历史研磨数据或专家经验获取。

基于降温装置的降温速度和可疑物料的占比确定咖啡豆的输送速度，当降温速度越小时，输送速度也越小，有利于降温装置的降温；当可疑物料的占比越大时，输送速度越小，有利于增加筛选时间，保证筛选的准确性。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。

同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。

最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (6)

1.一种咖啡智能研磨方法，基于咖啡智能研磨装置实现，所述咖啡智能研磨装置包括给料器、筛选组件、粉碎机、降温装置、控制器；所述筛选组件包括分离装置；

所述方法包括：

基于所述给料器向所述筛选组件输入咖啡豆；

基于所述咖啡豆，通过所述筛选组件获取筛后料；

基于粉碎机对所述筛后料的处理，获取咖啡粉；

通过所述降温装置对所述咖啡粉进行降温，得到待用粉；

其中，所述筛选组件还包括第一容器、第二容器，所述通过所述筛选组件获取筛后料包括：

获取所述咖啡豆在不同光照颜色下的不同物料图像以及所述第二容器内的图像；

基于识别模型，确定可疑物料，所述识别模型为机器学习模型；

基于所述分离装置分离所述咖啡豆的所述可疑物料，得到所述筛后料；

其中，所述识别模型包括特征提取层、目标区域选取层、目标区域池化层、分类层和判断层中的至少一种；

所述特征提取层输入所述物料图像和所述第二容器内的图像中的至少一种，输出特征图；

所述目标区域选取层输入所述特征图，输出目标区域；

所述目标区域池化层输入所述特征图以及所述目标区域中的至少一种，输出目标特征图；

所述分类层输入所述目标特征图，输出目标物料的边框位置、所属类别及概率中的至少一种；

所述判断层输入包括所述目标物料的边框位置、所述目标物料的所属类别及概率、筛选特征和所述给料器向所述筛选组件输入所述咖啡豆的速度，输出判断结果；所述判断结果包括对至少一个所述目标物料的操作序列，所述操作序列的一个元素值对应对一个所述目标物料的操作。

2.根据权利要求1所述的咖啡智能研磨方法，通过所述筛选组件获取筛后料还包括：

判断所述第一容器的所述咖啡豆是否满足预设条件，

响应于满足所述预设条件，将所述咖啡豆基于所述第一容器抛送至所述第二容器，所述第二容器内的所述咖啡豆即为所述筛后料；

响应于不满足所述预设条件，从所述第一容器筛除所述咖啡豆。

3.根据权利要求1所述的咖啡智能研磨方法，所述方法还包括：

获取所述降温装置的降温速度及所述可疑物料的占比；

基于所述降温速度及所述可疑物料的占比，调整所述给料器向所述筛选组件输入所述咖啡豆的速度。

4.一种咖啡智能研磨系统，用于控制咖啡智能研磨装置，所述咖啡智能研磨装置包括给料器、筛选组件、粉碎机、降温装置、控制器；所述筛选组件包括分离装置；

所述系统包括：

输入模块，用于基于所述给料器向所述筛选组件输入咖啡豆；

筛选模块，用于基于所述咖啡豆，通过所述筛选组件获取筛后料；

粉碎模块，用于基于粉碎机对所述筛后料的处理，获取咖啡粉；

降温模块，用于通过所述降温装置对所述咖啡粉进行降温，得到待用粉；

其中，所述筛选组件还包括第一容器、第二容器，所述筛选模块进一步用于：

获取所述咖啡豆在不同光照颜色下的不同物料图像以及所述第二容器内的图像；

基于识别模型，确定可疑物料，所述识别模型为机器学习模型；

基于所述分离装置分离所述咖啡豆的所述可疑物料，得到所述筛后料；

其中，所述识别模型包括特征提取层、目标区域选取层、目标区域池化层、分类层和判断层中的至少一种；

所述特征提取层输入所述物料图像和所述第二容器内的图像中的至少一种，输出特征图；

所述目标区域选取层输入所述特征图，输出目标区域；

所述目标区域池化层输入所述特征图以及所述目标区域中的至少一种，输出目标特征图；

所述分类层输入所述目标特征图，输出目标物料的边框位置、所属类别及概率中的至少一种；

所述判断层输入包括所述目标物料的边框位置、所述目标物料的所属类别及概率、筛选特征和所述给料器向所述筛选组件输入所述咖啡豆的速度，输出判断结果；所述判断结果包括对至少一个所述目标物料的操作序列，所述操作序列的一个元素值对应对一个所述目标物料的操作。

5.根据权利要求4所述的咖啡智能研磨系统，所述筛选模块还用于：

判断所述第一容器的所述咖啡豆是否满足预设条件，

响应于满足所述预设条件，将所述咖啡豆基于所述第一容器抛送至所述第二容器，所述第二容器内的所述咖啡豆即为所述筛后料；

响应于不满足所述预设条件，从所述第一容器筛除所述咖啡豆。

6.根据权利要求4所述的咖啡智能研磨系统，所述系统还包括：

获取模块，用于获取所述降温装置的降温速度及所述可疑物料的占比；

调整模块，用于基于所述降温速度及所述可疑物料的占比，调整所述给料器向所述筛选组件输入所述咖啡豆的速度。