CN115438577A - 酵母水解物智能化制备方法及其系统 - Google Patents

酵母水解物智能化制备方法及其系统 Download PDF

Info

Publication number
CN115438577A
CN115438577A CN202211011801.9A CN202211011801A CN115438577A CN 115438577 A CN115438577 A CN 115438577A CN 202211011801 A CN202211011801 A CN 202211011801A CN 115438577 A CN115438577 A CN 115438577A
Authority
CN
China
Prior art keywords
feature
vector
tracking
matrix
yeast
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.)
Withdrawn
Application number
CN202211011801.9A
Other languages
English (en)
Inventor
严阿根
廖斌
冯晓景
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Dochoo Biotechnology Co ltd
Original Assignee
Zhejiang Dochoo Biotechnology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Dochoo Biotechnology Co ltd filed Critical Zhejiang Dochoo Biotechnology Co ltd
Priority to CN202211011801.9A priority Critical patent/CN115438577A/zh
Publication of CN115438577A publication Critical patent/CN115438577A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/22—Yield analysis or yield optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Micro-Organisms Or Cultivation Processes Thereof (AREA)

Abstract

本申请涉及饲料工业领域，具体地公开了一种酵母水解物智能化制备方法及其系统，其通过酵母料液的图像来表征酵母料液的干燥程度，通过蒸汽阀门的开度值来表征蒸汽用量，通过滚筒转速值来表征滚动电机的转速，对酵母料液的干燥程度进行适当编码，并建立干燥特征与蒸汽阀门的开度值和滚筒转速值之间的关联模型，从而可基于酵母料液的实时干燥特性来自适应地调整阀门开度和滚筒转速以保证酵母料液的干燥效果，优化干燥效率，进而提升酵母水解物的产能和效率。

Description

酵母水解物智能化制备方法及其系统
技术领域
本申请涉及饲料工业领域，且更为具体地，涉及酵母水解物智能化制备方法及其系统。
背景技术
酵母水解物产品含有大量的氨基酸、小肽、丰富的B族维生素、谷胱甘肽及核苷酸类物质，其酵母水解物在饲料工业中具有良好的前景。
酵母水解物的工艺流程包括原料搅拌、自溶酶解、过滤、滚筒干燥、粉碎包装、浓缩、喷雾干燥、检验和入库。近年来，各个厂家从工艺流程的各个环节对酵母水解物的工艺流程进行优化，尤其是各个环节的控制参数进行优化。虽然这些工艺优化带来了酵母水解物产能的提升和效率的提升，但仍存在进一步优化空间。
经研究发现，在酵母水解物的工艺流程中很少有厂家对“滚筒干燥”环节进行优化，现有的做法通常是操作人员目测干燥程度，来人为地调节滚筒转速和蒸汽用量。但这种人为凭经验的控制模式，不仅无法保证酵母料液的干燥效果，也无法精准地优化干燥效率。
因此，期待一种优化的酵母水解物智能化制备方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种酵母水解物智能化制备方法及其系统，其通过酵母料液的图像来表征酵母料液的干燥程度，通过蒸汽阀门的开度值来表征蒸汽用量，通过滚筒转速值来表征滚动电机的转速，对酵母料液的干燥程度进行适当编码，并建立干燥特征与蒸汽阀门的开度值和滚筒转速值之间的关联模型，从而可基于酵母料液的实时干燥特性来自适应地调整阀门开度和滚筒转速以保证酵母料液的干燥效果，优化干燥效率，进而提升酵母水解物的产能和效率。
相应地，根据本申请的一个方面，提供了一种酵母水解物智能化制备方法，其包括：
获取由摄像头采集的预定时间段内酵母料液的干燥监控视频以及所述预定时间段内多个预定时间点的滚筒转速值和蒸汽阀门开度值；
将所述预定时间段内酵母料液的干燥监控视频通过使用时间注意力机制的第一卷积神经网络模型以得到跟踪特征图；
对所述跟踪特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到跟踪特征向量；
基于所述跟踪特征向量的所有位置的特征值集合的均值和方差，对所述跟踪特征向量中各个位置的特征值进行校正以得到校正后跟踪特征向量；
将所述预定时间段内多个预定时间点的滚筒转速值和蒸汽阀门开度值分别按照时间维度排列为转速输入向量和开度输入向量后，计算所述转速输入向量的转置向量与所述开度输入向量之间的乘积以得到控制关联矩阵；
将所述控制关联矩阵通过作为过滤器的第二卷积神经网络模型以得到控制关联特征向量；
计算所述校正后跟踪特征向量相对于所述控制关联特征向量的响应性估计以得到分类特征矩阵；以及
将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的滚筒转速值应增大或应减小且蒸汽阀门的开度值应增大或应减小。
在上述酵母水解物智能化制备方法中，所述将所述预定时间段内酵母料液的干燥监控视频通过使用时间注意力机制的第一卷积神经网络模型以得到跟踪特征图，包括：以预定采样频率从所述预定时间段内酵母料液的干燥监控视频中提取多个关键帧；以及，将所述多个关键帧通过所述使用时间注意力机制的第一卷积神经网络模型以得到所述跟踪特征图。
在上述酵母水解物智能化制备方法中，所述将所述多个关键帧通过所述使用时间注意力机制的第一卷积神经网络模型以得到所述跟踪特征图，包括：从所述多个关键帧中提取相邻的第一帧和第二帧；将所述第一帧通过所述第一卷积神经网络模型的第一卷积层以得到第一特征图；将所述第二帧通过所述第一卷积神经网络模型的第二卷积层以得到第二特征图；计算所述第一特征图和所述第二特征图的按位置点乘以得到叠加特征图；将所述叠加特征图输入Softmax激活函数以得到注意力图；将所述第二帧通过所述第一卷积神经网络模型的第三卷积层以得到第三特征图；以及，计算所述第三特征图和所述注意力图的按位置点乘以得到所述跟踪特征图。
在上述酵母水解物智能化制备方法中，所述基于所述跟踪特征向量的所有位置的特征值集合的均值和方差，对所述跟踪特征向量中各个位置的特征值进行校正以得到校正后跟踪特征向量，包括:基于所述跟踪特征向量的所有位置的特征值集合的均值和方差，以如下公式对所述跟踪特征向量中各个位置的特征值进行校正以得到所述校正后跟踪特征向量；其中，所述公式为：
Figure BDA0003811206930000031
∑是所述跟踪特征向量的自协方差矩阵，μ和σ分别是所述跟踪特征向量的全局均值和方差，||V||2表示跟踪特征向量的二范数，且exp(·)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
在上述酵母水解物智能化制备方法中，所述将所述控制关联矩阵通过作为过滤器的第二卷积神经网络模型以得到控制关联特征向量，包括：使用所述作为过滤器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的池化处理和非线性激活处理以由所述作为过滤器的第二卷积神经网络模型的最后一层输出所述控制关联特征向量。
在上述酵母水解物智能化制备方法中，所述计算所述校正后跟踪特征向量相对于所述控制关联特征向量的响应性估计以得到分类特征矩阵，包括：以如下公式来计算所述校正后跟踪特征向量相对于所述控制关联特征向量的响应性估计以得到所述分类特征矩阵；其中，所述公式为：
Figure BDA0003811206930000032
Vc表示控制关联特征向量且Mc为所述分类特征矩阵。
在上述酵母水解物智能化制备方法中，所述将所述分类特征矩阵通过分类器以得到分类结果，包括：使用所述分类器以如下公式对所述分类特征矩阵进行处理以得到所述分类结果；
其中，所述公式为：O＝softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
根据本申请的另一方面，还提供了一种酵母水解物智能化制备系统，其包括：
数据获取单元，用于获取由摄像头采集的预定时间段内酵母料液的干燥监控视频以及所述预定时间段内多个预定时间点的滚筒转速值和蒸汽阀门开度值；
跟踪特征图生成单元，用于将所述预定时间段内酵母料液的干燥监控视频通过使用时间注意力机制的第一卷积神经网络模型以得到跟踪特征图；
池化单元，用于对所述跟踪特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到跟踪特征向量；
校正后跟踪特征向量生成单元，用于基于所述跟踪特征向量的所有位置的特征值集合的均值和方差，对所述跟踪特征向量中各个位置的特征值进行校正以得到校正后跟踪特征向量；
控制关联矩阵生成单元，用于将所述预定时间段内多个预定时间点的滚筒转速值和蒸汽阀门开度值分别按照时间维度排列为转速输入向量和开度输入向量后，计算所述转速输入向量的转置向量与所述开度输入向量之间的乘积以得到控制关联矩阵；
控制关联特征向量生成单元，用于将所述控制关联矩阵通过作为过滤器的第二卷积神经网络模型以得到控制关联特征向量；
分类特征矩阵生成单元，用于计算所述校正后跟踪特征向量相对于所述控制关联特征向量的响应性估计以得到分类特征矩阵；以及
调节结果生成单元，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的滚筒转速值应增大或应减小且蒸汽阀门的开度值应增大或应减小。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的酵母水解物智能化制备方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的酵母水解物智能化制备方法。
与现有技术相比，本申请提供的酵母水解物智能化制备方法，其通过酵母料液的图像来表征酵母料液的干燥程度，通过蒸汽阀门的开度值来表征蒸汽用量，通过滚筒转速值来表征滚动电机的转速，对酵母料液的干燥程度进行适当编码，并建立干燥特征与蒸汽阀门的开度值和滚筒转速值之间的关联模型，从而可基于酵母料液的实时干燥特性来自适应地调整阀门开度和滚筒转速以保证酵母料液的干燥效果，优化干燥效率，进而提升酵母水解物的产能和效率。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的酵母水解物生产工艺流程图。
图2图示了根据本申请实施例的酵母水解物智能化制备方法的场景示意图。
图3图示了根据本申请实施例的酵母水解物智能化制备方法的流程图。
图4图示了根据本申请实施例的酵母水解物智能化制备方法的架构示意图。
图5图示了根据本申请实施例的酵母水解物智能化制备方法中将所述预定时间段内酵母料液的干燥监控视频通过使用时间注意力机制的第一卷积神经网络模型以得到跟踪特征图的流程图。
图6图示了根据本申请实施例的酵母水解物智能化制备方法中将所述多个关键帧通过所述使用时间注意力机制的第一卷积神经网络模型以得到所述跟踪特征图的流程图。
图7图示了根据本申请实施例的酵母水解物智能化制备系统的框图。
图8图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
图1图示了根据本申请实施例的酵母水解物生产工艺流程图。如图1所示，酵母水解物生产工艺步骤包括：原料搅拌，根据原料酿酒酵母的水分，估算加水量，使调配后的酵母乳浓度为10～15％，在酵母搅拌池中，搅拌均匀；自溶酶解，将适当浓度(10～15％)的酵母料液泵入酵母罐中，开启蒸汽阀门，开启搅拌加热，控制料液温度为50-65℃，PH值：4.5-6.5，加入酵母抽提酶，开始计算自溶酶解时间，自溶酶解时间20-24小时，此阶段保持料液温度50-65℃，其间进行间隙搅拌，根据生产情况可调整酶用量，也可不加酶；过滤，自溶酶解结束后与过滤岗位联系，通知放料，然后检查料液管道阀门，管道阀门开启是否正确，开启搅拌，开启放料阀门及泵，将料液泵至过滤罐，过滤网目数为80目筛，过滤时及时将渣除去，控制过滤速度，以防溢出；滚筒干燥，开滚筒蒸汽阀门和转动电机，预热滚筒30分钟左右，打入酵母料液，操作人员目测干燥程度，适当调节滚筒转速和蒸汽用量，滚筒干燥所得的片粉状酵母自然放冷后装入编织袋中，收集到一定量后再进行烘干、粉碎、检验、包装；粉碎包装，物料通过初清筛、提升机、螺旋喂料器进入锤片式粉碎机粉碎，并通过离心风机风送至旋风分离器，下端经连续出料器把粉末状饲料酵母放入成品包装袋中，成品中抽取样品化验，包装称量计量净重为25kg/袋，标签上加盖批号(生产日期)等，包装内为塑料袋，用包装线扎口，外为复合编织袋，用缝包机封口，由操作人员及时移至成品仓库待检；浓缩，开机操作时，循环泵、出料泵、及冷凝水泵先进冷却水，每效均应进入一定量的料液，开真空水力喷射泵，调节真空度，开启进气阀门，开始浓缩，调节进料量和蒸汽阀门，控制一效温度为85±10℃，二效温度为75±10℃，三效温度为65±10℃，待产品已达到工艺技术要求前，应放出少量料液，用波美度计测量浓度，确认达到18-25Bx(固形物浓度25～45％)时出料，送喷雾干燥工序；喷雾干燥，给浓缩液桶注浓缩液，给喷雾用的水桶注水，开冷却水，让冷却水流过油冷却器，启动送风机、排风机，风门调节到规定风量，启动空气夹套风机，启动热风炉，烘塔30分钟后，开除湿机，开化雾器油泵和雾化转速变频调节，启动进料泵，调节进料泵流量。开间隙式振动电机，减少粘壁，一边注视进风温度和出风温度，一边调节进料泵的流量，将波美度15-25Bx(固形物浓度25～45％)的浓缩液经喷雾干燥，使产品为粉状，水分≤6.0％；检验，产品在生产过程中和成品后，由质检员按抽样规定进行抽样，化验人员在接到样品后，按检验操作规程进行检验，按产品标准进行判定，并出具检验报告单；以及，入库，产品检验合格后，移入合格品区或移去待检标识，办理入库手续。
如上所述，在酵母水解物的工艺流程中很少有厂家对“滚筒干燥”环节进行优化，现有的做法通常是操作人员目测干燥程度，来人为地调节滚筒转速和蒸汽用量。但这种人为凭经验的控制模式，不仅无法保证酵母料液的干燥效果，也无法精准地优化干燥效率。因此，期待一种优化的酵母水解物智能化制备方案。
相应地，在本申请的技术方案中，酵母料液的干燥程度可通过酵母料液的图像来表征，而蒸汽用量可通过蒸汽阀门的开度来进行调节，滚筒转速值则可以通过滚动电机的转速来表示，因此，可对酵母料液的干燥程度进行适当编码，并建立干燥特征与蒸汽阀门的开度值和滚筒转速值之间的关联模型，从而可基于酵母料液的实时干燥特性来自适应地调整阀门开度和滚筒转速以保证酵母料液的干燥效果，优化干燥效率。
具体地，首先由摄像头采集的预定时间段内酵母料液的干燥监控视频以及所述预定时间段内多个预定时间点的滚筒转速值和蒸汽阀门开度值。这里，采集酵母料液的干燥监控视频的原因为酵母料液的干燥是一个动态过程，如果仅凭干燥特征的绝对表征来构建控制模型，则滚筒转速和蒸汽阀门开度的控制则会失于合理。
为了更好地捕捉酵母料液干燥的动态变化特征，在本申请的技术方案中，使用具有时间注意力机制的第一卷积神经网络模型对所述预定时间段内酵母料液的干燥监控视频进行处理以得到跟踪特征图。这里，考虑到所述干燥监控视频的采样频率过高，相邻图像帧之间的差异较小，如果直接以干燥监控视频作为神经网络的输入，则会存在大量的数据冗余，带来更大的数据计算负担，影响控制的实时性。因此，在本申请的技术方案中，首先从所述干燥监控视频中提取多个关键帧，例如以差帧法或者预定采样频率从所述干燥监控视频中提取所述多个关键帧。
为了便于理解所述具有时间注意力机制的第一卷积神经网络模型的编码过程，以从所述多个关键帧中提取相邻两个图像帧为示例来说明。首先将所述第一帧通过所述第一卷积神经网络模型的第一卷积层以得到第一特征图，同时将所述第二帧通过所述第一卷积神经网络模型的第二卷积层以得到第二特征图。接着，计算所述第一特征图和所述第二特征图的按位置点乘以得到叠加特征图，也就是，计算所述第一特征图和所述第二特征图的各个位置的特征值在时间维度上的叠加和关联效应。接着，将所述叠加特征图输入Softmax激活函数以得到注意力图，所述Softmax激活函数是非线性激活函数其能够将所述叠加特征图中各个位置的特征值映射到概率空间中(即，0 到1的区间内)，这样可通过所述注意力图中各个位置的概率值来表示应被施加关注的程度。接着，将所述第二帧通过所述第一卷积神经网络模型的第三卷积层以得到第三特征图，并计算所述第三特征图和所述注意力图的按位置点乘以得到所述跟踪特征图。也就是，对所述当前帧(所述第二关键帧) 进行图像特征提取以得到第三特征图，并将所述注意力图作用于所述第三特征图从而为所述第三特征图中不同区域施加在时间维度上不同的关注权重以得到所述跟踪特征图。应可以理解，所述具有时间注意力机制的第一卷积神经网络模型对所述多个关键帧的编码是一个迭代过程。
针对于控制变量，即，所述预定时间段内多个预定时间点的滚筒转速值和蒸汽阀门开度值。考虑到两者在控制时不是独立的变量，因此，首先在源域将两者进行关联。具体地，所述预定时间段内多个预定时间点的滚筒转速值和蒸汽阀门开度值分别按照时间维度排列为转速输入向量和开度输入向量后，计算所述转速输入向量的转置向量与所述开度输入向量之间的乘积以得到控制关联矩阵。
然后，使用作为过滤器的第二卷积神经网络模型对所述控制关联矩阵进行编码以得到控制关联特征向量。也就是，以所述第二卷积神经网络模型作为特征过滤器从所述控制关联矩阵中提取不同时间点的滚筒转速值之间的隐含关联、不同时间点的蒸汽阀门开度之间的隐含关联、同一时间点的蒸汽阀门开度和滚筒转速之间的隐含关联以得到所述控制关联特征向量。
接着，将所述控制关联特征向量与所述跟踪特征图进行信息融合就可以得到控制变量与结果指标之间的高维隐含响应关联，也就是，蒸汽开度和滚筒转速对酵母料液的干燥影响。这里，考虑到所述跟踪特征图是三维输入张量而所述控制关联特征向量是一维特征向量，两者存在维度上的差异，因此，在本申请的技术方案中，首先对所述跟踪特征图进行降维，具体地，对所述跟踪特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到跟踪特征向量。然后，计算所述跟踪特征向量相对于所述控制关联特征向量的响应性估计以得到分类特征矩阵，也就是，以响应性模型来表征蒸汽开度和滚筒转速对酵母料液的干燥影响。接着，将所述分类特征矩阵通过分类器就可以得到用于表示当前时间点的滚筒转速值应增大或应减小且蒸汽阀门的开度值应增大或应减小的分类结果。
特别地，在本申请的技术方案中，由于使用时间注意力机制的卷积神经网络模型对所述多个关键帧沿通道表达的时序施加了注意力机制，使得可以通过沿通道维度对各个特征矩阵进行的全局均值池化来关注作为主维度的时序维度上的特征分布。而在对所述跟踪特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到跟踪特征向量时，由于所述跟踪特征向量的各个位置的特征值是对所述跟踪特征图的各个特征矩阵进行全局均值池化得到的，因此期望提高所述跟踪特征向量与所述特征矩阵的维度无关的对所述跟踪特征图的表达能力。
基于此，对所述跟踪特征向量进行前向传播相关性引导修正，即：
Figure BDA0003811206930000091
∑是向量V的自协方差矩阵，即矩阵的每个位置的值是向量V的每两个位置的特征值之间的方差，μ和σ分别是向量V的全局均值和方差，||V||2表示向量V的二范数。
也就是，针对通过对所述跟踪特征图进行基于下采样的全局均值池化来进行矩阵特征值融合的前向传播的特点，通过可学习的正态采样偏移引导特征工程来有效地建模所述跟踪特征向量与所述跟踪特征图的与池化维度无关的长程依赖关系，并通过特征集合的分布统计特征来增强跟踪特征向量的各位置的局部和非局部邻域的相关性，这样，就提高了所述跟踪特征向量对所述跟踪特征图的表达能力。这样，基于酵母料液的实时干燥特性来自适应地调整阀门开度和滚筒转速以保证酵母料液的干燥效果，优化干燥效率。
基于此，本申请提供了一种酵母水解物智能化制备方法，其包括：获取由摄像头采集的预定时间段内酵母料液的干燥监控视频以及所述预定时间段内多个预定时间点的滚筒转速值和蒸汽阀门开度值；将所述预定时间段内酵母料液的干燥监控视频通过使用时间注意力机制的第一卷积神经网络模型以得到跟踪特征图；对所述跟踪特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到跟踪特征向量；基于所述跟踪特征向量的所有位置的特征值集合的均值和方差，对所述跟踪特征向量中各个位置的特征值进行校正以得到校正后跟踪特征向量；将所述预定时间段内多个预定时间点的滚筒转速值和蒸汽阀门开度值分别按照时间维度排列为转速输入向量和开度输入向量后，计算所述转速输入向量的转置向量与所述开度输入向量之间的乘积以得到控制关联矩阵；将所述控制关联矩阵通过作为过滤器的第二卷积神经网络模型以得到控制关联特征向量；计算所述校正后跟踪特征向量相对于所述控制关联特征向量的响应性估计以得到分类特征矩阵；以及，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的滚筒转速值应增大或应减小且蒸汽阀门的开度值应增大或应减小。
图2图示了根据本申请实施例的酵母水解物智能化制备方法的场景示意图。如图2所示，在所述酵母水解物智能化制备方法的应用场景中，首先，由摄像头(例如，如图2中所示意的C)采集预定时间段内酵母料液在滚筒 (例如，如图2中所示意的G)内的干燥监控视频以及所述预定时间段内多个预定时间点的滚筒转速值和蒸汽阀门(例如，如图2中所示意的V)的蒸汽阀门开度值。进而，将所述预定时间段内酵母料液的干燥监控视频以及所述预定时间段内多个预定时间点的滚筒转速值和蒸汽阀门开度值输入至部署有酵母水解物智能化制备算法的服务器(例如，如图2所示意的S)中，其中，所述服务器能够以所述酵母水解物智能化制备算法对所述预定时间段内酵母料液的干燥监控视频以及所述预定时间段内多个预定时间点的滚筒转速值和蒸汽阀门开度值进行处理以得到表示当前时间点的滚筒转速值应增大或应减小且蒸汽阀门的开度值应增大或应减小的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图3图示了根据本申请实施例的酵母水解物智能化制备方法的流程图。如图3所示，根据本申请实施例的酵母水解物智能化制备方法，包括：S110，获取由摄像头采集的预定时间段内酵母料液的干燥监控视频以及所述预定时间段内多个预定时间点的滚筒转速值和蒸汽阀门开度值；S120，将所述预定时间段内酵母料液的干燥监控视频通过使用时间注意力机制的第一卷积神经网络模型以得到跟踪特征图；S130，对所述跟踪特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到跟踪特征向量；S140，基于所述跟踪特征向量的所有位置的特征值集合的均值和方差，对所述跟踪特征向量中各个位置的特征值进行校正以得到校正后跟踪特征向量；S150，将所述预定时间段内多个预定时间点的滚筒转速值和蒸汽阀门开度值分别按照时间维度排列为转速输入向量和开度输入向量后，计算所述转速输入向量的转置向量与所述开度输入向量之间的乘积以得到控制关联矩阵；S160，将所述控制关联矩阵通过作为过滤器的第二卷积神经网络模型以得到控制关联特征向量；S170，计算所述校正后跟踪特征向量相对于所述控制关联特征向量的响应性估计以得到分类特征矩阵；以及，S180，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的滚筒转速值应增大或应减小且蒸汽阀门的开度值应增大或应减小。
图4图示了根据本申请实施例的酵母水解物智能化制备方法的架构示意图。如图4所示，首先获取预定时间段内酵母料液的干燥监控视频以及所述预定时间段内多个预定时间点的滚筒转速值和蒸汽阀门开度值。接着，将所述预定时间段内酵母料液的干燥监控视频通过使用时间注意力机制的第一卷积神经网络模型以得到跟踪特征图。然后，对所述跟踪特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到跟踪特征向量。接着，基于所述跟踪特征向量的所有位置的特征值集合的均值和方差，对所述跟踪特征向量中各个位置的特征值进行校正以得到校正后跟踪特征向量。然后，将所述预定时间段内多个预定时间点的滚筒转速值和蒸汽阀门开度值分别按照时间维度排列为转速输入向量和开度输入向量后，计算所述转速输入向量的转置向量与所述开度输入向量之间的乘积以得到控制关联矩阵。接着，将所述控制关联矩阵通过作为过滤器的第二卷积神经网络模型以得到控制关联特征向量。然后，计算所述校正后跟踪特征向量相对于所述控制关联特征向量的响应性估计以得到分类特征矩阵。进而，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的滚筒转速值应增大或应减小且蒸汽阀门的开度值应增大或应减小。
在步骤S110中，获取由摄像头采集的预定时间段内酵母料液的干燥监控视频以及所述预定时间段内多个预定时间点的滚筒转速值和蒸汽阀门开度值。在本申请的技术方案中，酵母料液的干燥程度可通过酵母料液的图像来表征，而蒸汽用量可通过蒸汽阀门的开度来进行调节，滚筒转速值则可以通过滚动电机的转速来表示。这里，采集酵母料液的干燥监控视频的原因为酵母料液的干燥是一个动态过程，如果仅凭干燥特征的绝对表征来构建控制模型，则滚筒转速和蒸汽阀门开度的控制则会失于合理。
在步骤S120中，将所述预定时间段内酵母料液的干燥监控视频通过使用时间注意力机制的第一卷积神经网络模型以得到跟踪特征图。为了更好地捕捉酵母料液干燥的动态变化特征，在本申请的技术方案中，使用具有时间注意力机制的第一卷积神经网络模型对所述预定时间段内酵母料液的干燥监控视频进行处理以得到跟踪特征图。这里，考虑到所述干燥监控视频的采样频率过高，相邻图像帧之间的差异较小，如果直接以干燥监控视频作为神经网络的输入，则会存在大量的数据冗余，带来更大的数据计算负担，影响控制的实时性。因此，在本申请的技术方案中，首先从所述干燥监控视频中提取多个关键帧，例如以差帧法或者预定采样频率从所述干燥监控视频中提取所述多个关键帧。为了便于理解所述具有时间注意力机制的第一卷积神经网络模型的编码过程，以从所述多个关键帧中提取相邻两个图像帧为示例来说明。首先将所述第一帧通过所述第一卷积神经网络模型的第一卷积层以得到第一特征图，同时将所述第二帧通过所述第一卷积神经网络模型的第二卷积层以得到第二特征图。接着，计算所述第一特征图和所述第二特征图的按位置点乘以得到叠加特征图，也就是，计算所述第一特征图和所述第二特征图的各个位置的特征值在时间维度上的叠加和关联效应。接着，将所述叠加特征图输入Softmax激活函数以得到注意力图，所述Softmax激活函数是非线性激活函数其能够将所述叠加特征图中各个位置的特征值映射到概率空间中(即，0到1的区间内)，这样可通过所述注意力图中各个位置的概率值来表示应被施加关注的程度。接着，将所述第二帧通过所述第一卷积神经网络模型的第三卷积层以得到第三特征图，并计算所述第三特征图和所述注意力图的按位置点乘以得到所述跟踪特征图。也就是，对所述当前帧(所述第二关键帧)进行图像特征提取以得到第三特征图，并将所述注意力图作用于所述第三特征图从而为所述第三特征图中不同区域施加在时间维度上不同的关注权重以得到所述跟踪特征图。应可以理解，所述具有时间注意力机制的第一卷积神经网络模型对所述多个关键帧的编码是一个迭代过程。
图5图示了根据本申请实施例的酵母水解物智能化制备方法中将所述预定时间段内酵母料液的干燥监控视频通过使用时间注意力机制的第一卷积神经网络模型以得到跟踪特征图的流程图。如图5所示，所述将所述预定时间段内酵母料液的干燥监控视频通过使用时间注意力机制的第一卷积神经网络模型以得到跟踪特征图，包括：以预定采样频率从所述预定时间段内酵母料液的干燥监控视频中提取多个关键帧；以及，将所述多个关键帧通过所述使用时间注意力机制的第一卷积神经网络模型以得到所述跟踪特征图。
图6图示了根据本申请实施例的酵母水解物智能化制备方法中将所述多个关键帧通过所述使用时间注意力机制的第一卷积神经网络模型以得到所述跟踪特征图的流程图。具体地，如图6所示，所述将所述多个关键帧通过所述使用时间注意力机制的第一卷积神经网络模型以得到所述跟踪特征图，包括：从所述多个关键帧中提取相邻的第一帧和第二帧；将所述第一帧通过所述第一卷积神经网络模型的第一卷积层以得到第一特征图；将所述第二帧通过所述第一卷积神经网络模型的第二卷积层以得到第二特征图；计算所述第一特征图和所述第二特征图的按位置点乘以得到叠加特征图；将所述叠加特征图输入Softmax激活函数以得到注意力图；将所述第二帧通过所述第一卷积神经网络模型的第三卷积层以得到第三特征图；以及，计算所述第三特征图和所述注意力图的按位置点乘以得到所述跟踪特征图。
在步骤S130中，对所述跟踪特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到跟踪特征向量。考虑到所述跟踪特征图是三维输入张量而用于表征不同时间点的滚筒转速值之间的隐含关联、不同时间点的蒸汽阀门开度之间的隐含关联、同一时间点的蒸汽阀门开度和滚筒转速之间的隐含关联的控制关联特征向量是一维特征向量，两者存在维度上的差异，因此，在本申请的技术方案中，首先对所述跟踪特征图进行降维。
在步骤S140中，基于所述跟踪特征向量的所有位置的特征值集合的均值和方差，对所述跟踪特征向量中各个位置的特征值进行校正以得到校正后跟踪特征向量。特别地，在本申请的技术方案中，由于使用时间注意力机制的卷积神经网络模型对所述多个关键帧沿通道表达的时序施加了注意力机制，使得可以通过沿通道维度对各个特征矩阵进行的全局均值池化来关注作为主维度的时序维度上的特征分布。而在对所述跟踪特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到跟踪特征向量时，由于所述跟踪特征向量的各个位置的特征值是对所述跟踪特征图的各个特征矩阵进行全局均值池化得到的，因此期望提高所述跟踪特征向量与所述特征矩阵的维度无关的对所述跟踪特征图的表达能力。
在一个示例中，在上述酵母水解物智能化制备方法中，所述基于所述跟踪特征向量的所有位置的特征值集合的均值和方差，对所述跟踪特征向量中各个位置的特征值进行校正以得到校正后跟踪特征向量，包括:基于所述跟踪特征向量的所有位置的特征值集合的均值和方差，以如下公式对所述跟踪特征向量中各个位置的特征值进行校正以得到所述校正后跟踪特征向量；其中，所述公式为：
Figure BDA0003811206930000141
∑是所述跟踪特征向量的自协方差矩阵，μ和σ分别是所述跟踪特征向量的全局均值和方差，||V||2表示跟踪特征向量的二范数，且exp(·)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
也就是，针对通过对所述跟踪特征图进行基于下采样的全局均值池化来进行矩阵特征值融合的前向传播的特点，通过可学习的正态采样偏移引导特征工程来有效地建模所述跟踪特征向量与所述跟踪特征图的与池化维度无关的长程依赖关系，并通过特征集合的分布统计特征来增强跟踪特征向量的各位置的局部和非局部邻域的相关性，这样，就提高了所述跟踪特征向量对所述跟踪特征图的表达能力。这样，基于酵母料液的实时干燥特性来自适应地调整阀门开度和滚筒转速以保证酵母料液的干燥效果，优化干燥效率。
在步骤S150中，将所述预定时间段内多个预定时间点的滚筒转速值和蒸汽阀门开度值分别按照时间维度排列为转速输入向量和开度输入向量后，计算所述转速输入向量的转置向量与所述开度输入向量之间的乘积以得到控制关联矩阵。针对于控制变量，即，所述预定时间段内多个预定时间点的滚筒转速值和蒸汽阀门开度值。考虑到两者在控制时不是独立的变量，因此，首先在源域将两者进行关联。
在步骤S160中，将所述控制关联矩阵通过作为过滤器的第二卷积神经网络模型以得到控制关联特征向量。也就是，以所述第二卷积神经网络模型作为特征过滤器从所述控制关联矩阵中提取不同时间点的滚筒转速值之间的隐含关联、不同时间点的蒸汽阀门开度之间的隐含关联、同一时间点的蒸汽阀门开度和滚筒转速之间的隐含关联以得到所述控制关联特征向量。
在一个示例中，在上述酵母水解物智能化制备方法中，所述将所述控制关联矩阵通过作为过滤器的第二卷积神经网络模型以得到控制关联特征向量，包括：使用所述作为过滤器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的池化处理和非线性激活处理以由所述作为过滤器的第二卷积神经网络模型的最后一层输出所述控制关联特征向量。
在步骤S170中，计算所述校正后跟踪特征向量相对于所述控制关联特征向量的响应性估计以得到分类特征矩阵。将所述控制关联特征向量与所述跟踪特征图进行信息融合就可以得到控制变量与结果指标之间的高维隐含响应关联，也就是，蒸汽开度和滚筒转速对酵母料液的干燥影响。简单来说，就是以响应性模型来表征蒸汽开度和滚筒转速对酵母料液的干燥影响。
在一个示例中，在上述酵母水解物智能化制备方法中，所述计算所述校正后跟踪特征向量相对于所述控制关联特征向量的响应性估计以得到分类特征矩阵，包括：以如下公式来计算所述校正后跟踪特征向量相对于所述控制关联特征向量的响应性估计以得到所述分类特征矩阵；其中，所述公式为：
Figure BDA0003811206930000151
Vc表示控制关联特征向量且Mc为所述分类特征矩阵。
在步骤S180中，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的滚筒转速值应增大或应减小且蒸汽阀门的开度值应增大或应减小。
在一个示例中，在上述酵母水解物智能化制备方法中，所述将所述分类特征矩阵通过分类器以得到分类结果，包括：使用所述分类器以如下公式对所述分类特征矩阵进行处理以得到所述分类结果；
其中，所述公式为：O＝softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
综上，基于本申请实施例的酵母水解物智能化制备方法被阐明，其通过酵母料液的图像来表征酵母料液的干燥程度，通过蒸汽阀门的开度值来表征蒸汽用量，通过滚筒转速值来表征滚动电机的转速，对酵母料液的干燥程度进行适当编码，并建立干燥特征与蒸汽阀门的开度值和滚筒转速值之间的关联模型，从而可基于酵母料液的实时干燥特性来自适应地调整阀门开度和滚筒转速以保证酵母料液的干燥效果，优化干燥效率，进而提升酵母水解物的产能和效率。
示例性系统
图7图示了根据本申请实施例的酵母水解物智能化制备系统的框图。如图7所示，根据本申请实施例的酵母水解物智能化制备系统100，包括：数据获取单元110，用于获取由摄像头采集的预定时间段内酵母料液的干燥监控视频以及所述预定时间段内多个预定时间点的滚筒转速值和蒸汽阀门开度值；跟踪特征图生成单元120，用于将所述预定时间段内酵母料液的干燥监控视频通过使用时间注意力机制的第一卷积神经网络模型以得到跟踪特征图；池化单元130，用于对所述跟踪特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到跟踪特征向量；校正后跟踪特征向量生成单元140，用于基于所述跟踪特征向量的所有位置的特征值集合的均值和方差，对所述跟踪特征向量中各个位置的特征值进行校正以得到校正后跟踪特征向量；控制关联矩阵生成单元150，用于将所述预定时间段内多个预定时间点的滚筒转速值和蒸汽阀门开度值分别按照时间维度排列为转速输入向量和开度输入向量后，计算所述转速输入向量的转置向量与所述开度输入向量之间的乘积以得到控制关联矩阵；控制关联特征向量生成单元160，用于将所述控制关联矩阵通过作为过滤器的第二卷积神经网络模型以得到控制关联特征向量；分类特征矩阵生成单元170，用于计算所述校正后跟踪特征向量相对于所述控制关联特征向量的响应性估计以得到分类特征矩阵；以及，调节结果生成单元180，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的滚筒转速值应增大或应减小且蒸汽阀门的开度值应增大或应减小。
综上，基于本申请实施例的酵母水解物智能化制备系统100被阐明，其通过酵母料液的图像来表征酵母料液的干燥程度，通过蒸汽阀门的开度值来表征蒸汽用量，通过滚筒转速值来表征滚动电机的转速，对酵母料液的干燥程度进行适当编码，并建立干燥特征与蒸汽阀门的开度值和滚筒转速值之间的关联模型，从而可基于酵母料液的实时干燥特性来自适应地调整阀门开度和滚筒转速以保证酵母料液的干燥效果，优化干燥效率，进而提升酵母水解物的产能和效率。
如上所述，根据本申请实施例的酵母水解物智能化制备系统100可以实现在各种终端设备中，例如用于酵母水解物智能化制备方法的智能仪器等。在一个示例中，根据本申请实施例的酵母水解物智能化制备系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该酵母水解物智能化制备系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该酵母水解物智能化制备系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该酵母水解物智能化制备系统100与该终端设备也可以是分立的设备，并且该酵母水解物智能化制备系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图8来描述根据本申请实施例的电子设备。图8图示了根据本申请实施例的电子设备的框图。
如图8所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器 (ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的酵母水解物智能化制备方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如预定时间段内酵母料液的干燥监控视频、所述预定时间段内多个预定时间点的滚筒转速值和蒸汽阀门开度值等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括优化结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图8中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的酵母水解物智能化制备方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的酵母水解物智能化制备方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

Claims (10)

1.一种酵母水解物智能化制备方法，其特征在于，包括：
获取由摄像头采集的预定时间段内酵母料液的干燥监控视频以及所述预定时间段内多个预定时间点的滚筒转速值和蒸汽阀门开度值；
将所述预定时间段内酵母料液的干燥监控视频通过使用时间注意力机制的第一卷积神经网络模型以得到跟踪特征图；
对所述跟踪特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到跟踪特征向量；
基于所述跟踪特征向量的所有位置的特征值集合的均值和方差，对所述跟踪特征向量中各个位置的特征值进行校正以得到校正后跟踪特征向量；
将所述预定时间段内多个预定时间点的滚筒转速值和蒸汽阀门开度值分别按照时间维度排列为转速输入向量和开度输入向量后，计算所述转速输入向量的转置向量与所述开度输入向量之间的乘积以得到控制关联矩阵；
将所述控制关联矩阵通过作为过滤器的第二卷积神经网络模型以得到控制关联特征向量；
计算所述校正后跟踪特征向量相对于所述控制关联特征向量的响应性估计以得到分类特征矩阵；以及
将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的滚筒转速值应增大或应减小且蒸汽阀门的开度值应增大或应减小。
2.根据权利要求1所述的酵母水解物智能化制备方法，其特征在于，所述将所述预定时间段内酵母料液的干燥监控视频通过使用时间注意力机制的第一卷积神经网络模型以得到跟踪特征图，包括：
以预定采样频率从所述预定时间段内酵母料液的干燥监控视频中提取多个关键帧；以及
将所述多个关键帧通过所述使用时间注意力机制的第一卷积神经网络模型以得到所述跟踪特征图。
3.根据权利要求2所述的酵母水解物智能化制备方法，其特征在于，所述将所述多个关键帧通过所述使用时间注意力机制的第一卷积神经网络模型以得到所述跟踪特征图，包括：
从所述多个关键帧中提取相邻的第一帧和第二帧；
将所述第一帧通过所述第一卷积神经网络模型的第一卷积层以得到第一特征图；
将所述第二帧通过所述第一卷积神经网络模型的第二卷积层以得到第二特征图；
计算所述第一特征图和所述第二特征图的按位置点乘以得到叠加特征图；
将所述叠加特征图输入Softmax激活函数以得到注意力图；
将所述第二帧通过所述第一卷积神经网络模型的第三卷积层以得到第三特征图；以及
计算所述第三特征图和所述注意力图的按位置点乘以得到所述跟踪特征图。
4.根据权利要求3所述的酵母水解物智能化制备方法，其特征在于，所述基于所述跟踪特征向量的所有位置的特征值集合的均值和方差，对所述跟踪特征向量中各个位置的特征值进行校正以得到校正后跟踪特征向量，包括:
基于所述跟踪特征向量的所有位置的特征值集合的均值和方差，以如下公式对所述跟踪特征向量中各个位置的特征值进行校正以得到所述校正后跟踪特征向量；
其中，所述公式为：
Figure FDA0003811206920000021
∑是所述跟踪特征向量的自协方差矩阵，μ和σ分别是所述跟踪特征向量的全局均值和方差，||V||2表示跟踪特征向量的二范数，且exp(·)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
5.根据权利要求4所述的酵母水解物智能化制备方法，其特征在于，所述将所述控制关联矩阵通过作为过滤器的第二卷积神经网络模型以得到控制关联特征向量，包括：使用所述作为过滤器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的池化处理和非线性激活处理以由所述作为过滤器的第二卷积神经网络模型的最后一层输出所述控制关联特征向量。
6.根据权利要求5所述的酵母水解物智能化制备方法，其特征在于，所述计算所述校正后跟踪特征向量相对于所述控制关联特征向量的响应性估计以得到分类特征矩阵，包括：
以如下公式来计算所述校正后跟踪特征向量相对于所述控制关联特征向量的响应性估计以得到所述分类特征矩阵；其中，所述公式为：
Figure FDA0003811206920000031
Vc表示控制关联特征向量且Mc为所述分类特征矩阵。
7.根据权利要求6所述的酵母水解物智能化制备方法，其特征在于，所述将所述分类特征矩阵通过分类器以得到分类结果，包括：
使用所述分类器以如下公式对所述分类特征矩阵进行处理以得到所述分类结果；
其中，所述公式为：O＝softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述分类特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
8.一种酵母水解物智能化制备系统，其特征在于，包括：
数据获取单元，用于获取由摄像头采集的预定时间段内酵母料液的干燥监控视频以及所述预定时间段内多个预定时间点的滚筒转速值和蒸汽阀门开度值；
跟踪特征图生成单元，用于将所述预定时间段内酵母料液的干燥监控视频通过使用时间注意力机制的第一卷积神经网络模型以得到跟踪特征图；
池化单元，用于对所述跟踪特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到跟踪特征向量；
校正后跟踪特征向量生成单元，用于基于所述跟踪特征向量的所有位置的特征值集合的均值和方差，对所述跟踪特征向量中各个位置的特征值进行校正以得到校正后跟踪特征向量；
控制关联矩阵生成单元，用于将所述预定时间段内多个预定时间点的滚筒转速值和蒸汽阀门开度值分别按照时间维度排列为转速输入向量和开度输入向量后，计算所述转速输入向量的转置向量与所述开度输入向量之间的乘积以得到控制关联矩阵；
控制关联特征向量生成单元，用于将所述控制关联矩阵通过作为过滤器的第二卷积神经网络模型以得到控制关联特征向量；
分类特征矩阵生成单元，用于计算所述校正后跟踪特征向量相对于所述控制关联特征向量的响应性估计以得到分类特征矩阵；以及
调节结果生成单元，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的滚筒转速值应增大或应减小且蒸汽阀门的开度值应增大或应减小。
9.根据权利要求8所述的酵母水解物智能化制备系统，其特征在于，所述校正后跟踪特征向量生成单元，进一步用于：
基于所述跟踪特征向量的所有位置的特征值集合的均值和方差，以如下公式对所述跟踪特征向量中各个位置的特征值进行校正以得到所述校正后跟踪特征向量；
其中，所述公式为：
Figure FDA0003811206920000041
∑是所述跟踪特征向量的自协方差矩阵，μ和σ分别是所述跟踪特征向量的全局均值和方差，||V||2表示跟踪特征向量的二范数，且exp(·)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
10.根据权利要求9所述的酵母水解物智能化制备系统，其特征在于，所述控制关联特征向量生成单元，进一步用于：使用所述作为过滤器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的池化处理和非线性激活处理以由所述作为过滤器的第二卷积神经网络模型的最后一层输出所述控制关联特征向量。
CN202211011801.9A 2022-08-23 2022-08-23 酵母水解物智能化制备方法及其系统 Withdrawn CN115438577A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211011801.9A CN115438577A (zh) 2022-08-23 2022-08-23 酵母水解物智能化制备方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211011801.9A CN115438577A (zh) 2022-08-23 2022-08-23 酵母水解物智能化制备方法及其系统

Publications (1)

Publication Number Publication Date
CN115438577A true CN115438577A (zh) 2022-12-06

Family

ID=84243835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211011801.9A Withdrawn CN115438577A (zh) 2022-08-23 2022-08-23 酵母水解物智能化制备方法及其系统

Country Status (1)

Country Link
CN (1) CN115438577A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115588156A (zh) * 2022-12-09 2023-01-10 河南瑞德克气力输送设备有限公司 一种串罐连续定量给料系统
CN115909171A (zh) * 2022-12-19 2023-04-04 浙江金汇华特种耐火材料有限公司 钢包透气砖生产方法及其系统
CN115936682A (zh) * 2022-12-21 2023-04-07 江西有源工业废物回收处理有限公司 印制线路板的废料回收系统及其方法
CN116101958A (zh) * 2023-03-22 2023-05-12 德玛克(浙江)精工科技有限公司 大桶饮用水智能化灌装方法及其系统
CN116473905A (zh) * 2023-06-26 2023-07-25 广东碧茜生物科技有限公司 一种保湿散粉及其智能制备方法
CN116718894A (zh) * 2023-06-19 2023-09-08 上饶市广强电子科技有限公司 玉米灯的电路稳定性测试方法及其系统
CN116859830A (zh) * 2023-03-27 2023-10-10 福建天甫电子材料有限公司 用于电子级氟化铵生产的生产管理控制系统
CN116988309A (zh) * 2023-08-01 2023-11-03 杭州帝凯工业布有限公司 一种防静电阻燃尼龙帘子布及其制备方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115588156A (zh) * 2022-12-09 2023-01-10 河南瑞德克气力输送设备有限公司 一种串罐连续定量给料系统
CN115588156B (zh) * 2022-12-09 2023-02-28 河南瑞德克气力输送设备有限公司 一种串罐连续定量给料系统
CN115909171A (zh) * 2022-12-19 2023-04-04 浙江金汇华特种耐火材料有限公司 钢包透气砖生产方法及其系统
CN115909171B (zh) * 2022-12-19 2023-12-15 浙江金汇华特种耐火材料有限公司 钢包透气砖生产方法及其系统
CN115936682B (zh) * 2022-12-21 2023-11-07 江西有源工业废物回收处理有限公司 印制线路板的废料回收系统及其方法
CN115936682A (zh) * 2022-12-21 2023-04-07 江西有源工业废物回收处理有限公司 印制线路板的废料回收系统及其方法
CN116101958A (zh) * 2023-03-22 2023-05-12 德玛克(浙江)精工科技有限公司 大桶饮用水智能化灌装方法及其系统
CN116859830A (zh) * 2023-03-27 2023-10-10 福建天甫电子材料有限公司 用于电子级氟化铵生产的生产管理控制系统
CN116859830B (zh) * 2023-03-27 2024-01-26 福建天甫电子材料有限公司 用于电子级氟化铵生产的生产管理控制系统
CN116718894A (zh) * 2023-06-19 2023-09-08 上饶市广强电子科技有限公司 玉米灯的电路稳定性测试方法及其系统
CN116718894B (zh) * 2023-06-19 2024-03-29 上饶市广强电子科技有限公司 玉米灯的电路稳定性测试方法及其系统
CN116473905A (zh) * 2023-06-26 2023-07-25 广东碧茜生物科技有限公司 一种保湿散粉及其智能制备方法
CN116988309A (zh) * 2023-08-01 2023-11-03 杭州帝凯工业布有限公司 一种防静电阻燃尼龙帘子布及其制备方法
CN116988309B (zh) * 2023-08-01 2024-03-05 杭州帝凯工业布有限公司 一种防静电阻燃尼龙帘子布及其制备方法

Similar Documents

Publication Publication Date Title
CN115438577A (zh) 酵母水解物智能化制备方法及其系统
WO2022160413A1 (zh) 电力生产异常监控方法、装置、计算机设备和存储介质
CN111199523A (zh) 电力设备识别方法、装置、计算机设备和存储介质
Rathore et al. Automatic rice plant disease recognition and identification using convolutional neural network
CN111695730B (zh) 基于arima及rnn的立磨振动预测方法及装置
Orchi et al. Real-time detection of crop leaf diseases using enhanced YOLOv8 algorithm
Yu et al. Flow-based feature fusion for vehicle-infrastructure cooperative 3d object detection
CN110187636A (zh) 适用于水泥预粉磨过程的模型的建立方法、装置及应用
CN117535452A (zh) 菌糠发酵饲料生产的在线监控方法及系统
CN111563525A (zh) 一种基于YOLOv3-Tiny的运动目标检测方法
CN115294532A (zh) 酒、酱、醋的智能化制备方法及其系统
Saeed et al. PeanutNeRF: 3D radiance field for peanuts
CN114722923B (zh) 一种轻量型的机电设备故障诊断方法
CN111091122B (zh) 一种多尺度特征卷积神经网络的训练和检测方法、装置
CN112395974A (zh) 一种基于对象间依赖关系的目标置信度矫正方法
CN114463269A (zh) 一种基于深度学习方法的芯片缺陷检测方法
CN117085431A (zh) 布袋除尘器的控制系统及方法
CN115393650A (zh) 啤酒酵母粉智能化生产方法及其系统
CN115953611A (zh) 一种基于区域信息融合的花粉图像分类方法及系统
CN116012293A (zh) 基于特征匹配的大块识别系统及其方法
Gao et al. An Improved deep learning method-based detection of transmission line insulator defects
CN110288724A (zh) 一种基于小波函数主元分析的批次过程监测方法
Muri et al. Classification of municipal solid waste using deep convolutional neural network model applied to multispectral images
Kavyapriya et al. CNN Based Identification of weeds in Tomato Farm
CN108830281A (zh) 一种基于局部变化检测和空间加权的重复图像匹配方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20221206

WW01 Invention patent application withdrawn after publication