CN116229113A - 一种富硒石斛花酒的制备方法 - Google Patents

一种富硒石斛花酒的制备方法 Download PDF

Info

Publication number
CN116229113A
CN116229113A CN202310216781.7A CN202310216781A CN116229113A CN 116229113 A CN116229113 A CN 116229113A CN 202310216781 A CN202310216781 A CN 202310216781A CN 116229113 A CN116229113 A CN 116229113A
Authority
CN
China
Prior art keywords
time sequence
vector
fermentation
feature vector
fermentation temperature
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.)
Pending
Application number
CN202310216781.7A
Other languages
English (en)
Inventor
窦敏
黄全
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.)
Guangdong Baifengyuan Liquor Co ltd
Original Assignee
Guangdong Baifengyuan Liquor 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 Guangdong Baifengyuan Liquor Co ltd filed Critical Guangdong Baifengyuan Liquor Co ltd
Priority to CN202310216781.7A priority Critical patent/CN116229113A/zh
Publication of CN116229113A publication Critical patent/CN116229113A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Distillation Of Fermentation Liquor, Processing Of Alcohols, Vinegar And Beer (AREA)

Abstract

本申请涉及智能制备领域，其具体地公开了一种一种富硒石斛花酒的制备方法，其通过采用基于深度学习的神经网络模型挖掘出富硒石斛花酒的制备过程中发酵温度的时序变化与发酵物料状态的时序变化之间的复杂映射关系，进一步基于发酵物料的状态变化特征来自适应地调控发酵温度值，以使得发酵温度值适合于物料的发酵，避免石斛中的硒流失，从而提高富硒石斛花酒的制备质量。

Description

一种富硒石斛花酒的制备方法
技术领域
本申请涉及智能制备领域，且更为具体地，涉及一种富硒石斛花酒的制备方法。
背景技术
现代医学和中医药理研究表明，石斛在提高人体免疫能力、抗衰老、抑制肿瘤、补五脏虚劳等方面有明显的效果。石斛的功能主要是益胃生津，养阴清热，增强免疫、强阴益精、生津养胃、润肺止咳、滋阴清热、生津止渴，临床用于热病伤津、口渴舌燥、病后虚热、胃病、干呕、舌光少苔、抗癌、益胃生津，滋阴清热、清肝、明目、调节血脂、降血糖等。对心脑血管、消化系统和呼吸系统、眼科等有特殊功效。
硒是一种人和动物所必需的微量元素，具有清除自由基抗氧化、延缓衰老、抗癌、增强免疫力、拮抗重金属等生物学特性。目前，植物是人类和动物获取硒的主要来源。由于石斛具有极高的保健及药用价值，而硒又对人体健康极为重要，若能够在现有石斛的基础上开发富硒石斛，将具有十分广阔的市场前景。
目前，市场上是通过泡酒的方式，以通过将石斛与其他含硒药材一起混合放入酒中泡一段时间之后获得富硒石斛花酒，从而使得石斛和硒能够进行有效地结合。但是，现有的富硒石斛花酒的制备方案中，在进行发酵时只是将发酵温度固定控制在一定的范围内，并没有关注到发酵原料的状态变化情况，导致发酵的温度不适配于发酵过程，进而导致石斛中的硒流失。
因此，期望一种富硒石斛花酒的制备方案。
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富硒石斛花酒的制备方法，其通过采用基于深度学习的神经网络模型挖掘出富硒石斛花酒的制备过程中发酵温度的时序变化与发酵物料状态的时序变化之间的复杂映射关系，进一步基于发酵物料的状态变化特征来自适应地调控发酵温度值，以使得发酵温度值适合于物料的发酵，避免石斛中的硒流失，从而提高富硒石斛花酒的制备质量。
根据本申请的一个方面，提供了一种富硒石斛花酒的制备方法，其包括：
获取预定时间段内多个预定时间点的发酵温度值和所述多个预定时间点的发酵物料状态检测图像；
将所述多个预定时间点的发酵物料状态检测图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个发酵物料状态特征图；
对所述多个发酵物料状态检测特征图进行特征图展开以得到多个发酵物料状态展开特征向量；
将所述多个发酵物料状态检测展开特征向量输入基于转换器的上下文编码器以得到发酵物料状态时序语义特征向量；
将所述多个预定时间点的发酵温度值按照时间维度排列为发酵温度输入向量后通过多尺度邻域特征提取模块以得到发酵温度时序特征向量；
融合所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量以得到分类特征向量；以及
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示发酵温度的下降速率是否适宜。
在上述富硒石斛花酒的制备方法中，将所述多个预定时间点的发酵物料状态检测图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个发酵物料状态特征图，包括：从所述第一卷积神经网络模型的浅层提取浅层特征图；从所述第一卷积神经网络模型的深层提取深层特征图；以及，融合所述浅层特征图和所述深层特征图以得到所述多个发酵物料状态特征图；其中，所述深层与所述浅层之间的比值大于等于5且小于等于10。
在上述富硒石斛花酒的制备方法中，将所述多个发酵物料状态检测展开特征向量输入基于转换器的上下文编码器以得到发酵物料状态时序语义特征向量，包括：使用所述包含嵌入层的上下文编码器的嵌入层分别将所述多个发酵物料状态检测展开特征向量中各个发酵物料状态检测展开特征向量映射为词嵌入向量以得到词嵌入向量的序列；使用所述包含嵌入层的上下文编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及，将所述多个全局上下文语义特征向量进行级联以得到所述发酵物料状态时序语义特征向量。
在上述富硒石斛花酒的制备方法中，使用所述包含嵌入层的第一语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量，包括：将所述词嵌入向量的序列进行一维排列以得到全局特征向量；计算所述全局特征向量与所述词嵌入向量的序列中各个词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词嵌入向量进行加权以得到所述多个上下文语义特征向量；将所述多个上下文语义特征向量进行级联以得到所述多个全局上下文语义特征向量。
在上述富硒石斛花酒的制备方法中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。
在上述富硒石斛花酒的制备方法中，将所述多个预定时间点的发酵温度值按照时间维度排列为发酵温度输入向量后通过多尺度邻域特征提取模块以得到发酵温度时序特征向量，包括：将所述发酵温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度发酵温度时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述发酵温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度发酵温度时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一邻域尺度发酵温度时序特征向量和所述第二邻域尺度发酵温度时序特征向量进行级联以得到所述发酵温度时序特征向量。其中，将所述发酵温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度发酵温度时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对所述发酵温度输入向量进行一维卷积编码以得到第一邻域尺度发酵温度时序特征向量；其中，所述一维卷积公式为：
Figure BDA0004115207590000041
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述发酵温度输入向量，Cov(X)表示对所述发酵温度输入向量进行一维卷积编码；以及，将所述发酵温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度发酵温度时序特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述发酵温度输入向量进行一维卷积编码以得到所述第二邻域尺度发酵温度时序特征向量；其中，所述一维卷积公式为：
Figure BDA0004115207590000042
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述发酵温度输入向量，Cov(X)表示对所述发酵温度输入向量进行一维卷积编码。
在上述富硒石斛花酒的制备方法中，融合所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量以得到分类特征向量，包括：计算所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量的联合高斯密度图，所述联合高斯密度图的均值向量为所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量之间的按位置均值向量，所述联合高斯密度图的协方差矩阵为所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量的按位置方差构成的协方差矩阵；分别计算所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量与所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二的高斯概率密度分布距离指数；以所述第一高斯概率密度分布距离指数和所述第二的高斯概率密度分布距离指数分别作为权重，分别对所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量进行加权以得到校正后发酵物料状态时序语义特征向量和校正后发酵温度时序特征向量；以及，融合所述校正后发酵物料状态时序语义特征向量和所述校正后发酵温度时序特征向量以得到所述分类特征向量。
在上述富硒石斛花酒的制备方法中，计算所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量的联合高斯密度图，包括：使用高斯密度图以如下高斯融合公式来计算所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量的联合高斯密度图；其中，所述高斯融合公式为：
Figure BDA0004115207590000055
/>
其中，μ(V1,V2)表示所述联合高斯密度图的均值向量，∑(V1,V2)表示所述联合高斯密度图的协方差矩阵，V1表示所述发酵物料状态时序语义特征向量，V2表示所述发酵温度时序特征向量。
在上述富硒石斛花酒的制备方法中，分别计算所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量与所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二的高斯概率密度分布距离指数，包括：以如下公式分别计算所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量与所述联合高斯密度图的高斯概率密度分布距离指数以得到所述第一高斯概率密度分布距离指数和所述第二的高斯概率密度分布距离指数；其中，所述公式为：
Figure BDA0004115207590000051
Figure BDA0004115207590000052
其中，V1和V2分别是所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量，μu和∑u是所述联合高斯密度图的均值向量和协方差矩阵，所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量均为列向量形式，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值，
Figure BDA0004115207590000053
表示按位置减法，/>
Figure BDA0004115207590000054
表示矩阵乘法，w1和w2分别表示所述第一高斯概率密度分布距离指数和所述第二的高斯概率密度分布距离指数。
根据本申请的另一方面，提供了一种富硒石斛花酒，所述富硒石斛花酒由如权利要求1-9任一所述的富硒石斛花酒的制备方法制得。
与现有技术相比，本申请提供的一种富硒石斛花酒的制备方法，其通过采用基于深度学习的神经网络模型挖掘出富硒石斛花酒的制备过程中发酵温度的时序变化与发酵物料状态的时序变化之间的复杂映射关系，进一步基于发酵物料的状态变化特征来自适应地调控发酵温度值，以使得发酵温度值适合于物料的发酵，避免石斛中的硒流失，从而提高富硒石斛花酒的制备质量。
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为根据本申请实施例的富硒石斛花酒的制备方法的场景示意图；
图2为根据本申请实施例的富硒石斛花酒的制备方法的流程图；
图3为根据本申请实施例的富硒石斛花酒的制备方法的架构示意图；
图4为根据本申请实施例的富硒石斛花酒的制备方法中第一卷积神经网络编码的流程图；
图5为根据本申请实施例的富硒石斛花酒的制备方法中上下文编码的流程图；
图6为根据本申请实施例的富硒石斛花酒的制备方法中多尺度邻域特征提取的流程图；
图7为根据本申请实施例的富硒石斛花酒的制备方法中融合过程的流程图。
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。
场景概述
如前背景技术所言，目前，市场上是通过泡酒的方式，以通过将石斛与其他含硒药材一起混合放入酒中泡一段时间之后获得富硒石斛花酒，从而使得石斛和硒能够进行有效地结合。现有的富硒石斛花酒的制备方案中，在进行发酵时只是将发酵温度固定控制在一定的范围内，并没有关注到发酵原料的状态变化情况，导致发酵的温度不适配于发酵过程，进而导致石斛中的硒流失。因此，期望一种富硒石斛花酒的制备方案。
具体地，在本申请的技术方案中，提出了一种富硒石斛花酒的制备方法，其包括以下步骤：摊晾：将铁皮石斛蒴果用清水洗净，然后进行摊晾；一次杀青：将摊晾处理后的铁皮石斛蒴果先使用高温杀青机在预定温度下进行第一次杀青；一次揉抢：将一次杀青处理后的铁皮石斛蒴果送入揉抢机中，调整择抢机，以预定温度在预定时间段下进行顺时针方向揉控；二次杀青：将一次揉捻处理后的铁皮石斛蒴果送入微波杀青机中进行第二次杀青；二次揉抢：将二次杀青处理后的铁皮石斛蒴果送入揉抢机中，调整揉抢机，以预定温度在预定时间段下按照顺时针方向拯控；发酵：将二次揉抢处理后的铁皮石斛蒴果送入适宜的预定温度范围内的发酵池中进行降温发酵处理；浸泡：将发酵处理后的铁皮石斛蒴果放入白酒中浸泡，经预定时间发酵处理后过滤，将铁皮石斛蒴果滤出。
相应地，考虑到在实际进行富硒石斛花酒的制备过程中，对于发酵温度的控制应适配于发酵物料的状态变化情况，也就是说，应基于发酵物料的状态变化特征来自适应地调控发酵温度值，以使得发酵温度值适合于物料的发酵，避免石斛中的硒流失，从而提高富硒石斛花酒的制备质量。在此过程中，难点在于如何建立所述发酵温度的时序变化与所述发酵物料状态的时序变化之间的映射关系，以基于发酵物料的状态变化情况来自适应地调整发酵温度值，从而提高发酵效率和效果，避免石斛中的硒流失。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘出所述发酵温度的时序变化与所述发酵物料状态的时序变化之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立所述发酵温度的时序变化与所述发酵物料状态的时序变化之间的复杂映射关系。
具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的发酵温度值，并且，通过摄像头获取所述多个预定时间点的发酵物料状态检测图像。接着，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述各个预定时间点的发酵物料状态检测图像的特征挖掘。特别地，考虑到在对于所述各个预定时间点的发酵物料状态检测图像的隐藏特征进行提取时，为了能够更准确地检测出所述发酵物料的状态情况，应关注于所述发酵物料状态检测图像的纹理等浅层特征，这些所述浅层特征对于所述发酵物料的状态变化情况检测具有重要意义，而卷积神经网络在编码时，随着其深度的加深，浅层特征会变得模糊甚至被噪声所淹没。因此，在本申请的技术方案中，使用包含深浅特征融合模块的第一卷积神经网络模型来对所述多个预定时间点的发酵物料状态检测图像进行处理以得到多个发酵物料状态特征图。应可以理解，相较于标准卷积神经网络模型，根据本申请的所述第一卷积神经网络模型能够保留所述各个预定时间点的发酵物料状态检测图像的浅层特征和深层特征，以不仅使得特征信息更为丰富，且不同深度的特征能得以保留，以提高对于所述发酵物料状态变化的检测精度。
然后，考虑到由于发酵物料的状态隐含特征信息在时间维度上具有着动态性的变化特征，也就是说，所述各个预定时间点的发酵物料状态检测图像中关于所述发酵物料的状态特征信息在时间维度上具有着动态关联特征信息。因此，在本申请的技术方案中，为了能够充分地提取出所述发酵物料的状态特征在时间维度上的动态变化特征信息，进一步对所述多个发酵物料状态检测特征图进行特征图展开以得到多个发酵物料状态展开特征向量，并且将所述多个发酵物料状态检测展开特征向量输入基于转换器的上下文编码器中进行编码，以提取出所述各个预定时间点的发酵物料的状态特征在时间维度上基于时序全局的动态关联特征分布信息，从而得到发酵物料状态时序语义特征向量。
进一步地，对于所述多个预定时间点的发酵温度值来说，考虑到所述发酵温度值在时间维度上具有着波动性，其在所述预定时间段内的不同时间周期跨度下具有着不同的模式变化特征信息，难以进行捕捉。因此，在本申请的技术方案中，为了能够充分且准确地提取出所述发酵温度值在时间维度上的动态变化特征，进一步将所述多个预定时间点的发酵温度值按照时间维度排列为发酵温度输入向量后通过多尺度邻域特征提取模块中进行特征挖掘，以提取出所述发酵温度值在不同时间跨度下的动态多尺度邻域关联特征，从而得到发酵温度时序特征向量。
接着，进一步再融合所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量，以此来表示所述发酵物料的时序动态关联特征和所述发酵温度的多尺度时序动态变化特征间的关联性特征分布信息，并以此作为分类特征向量来进行发酵温度值的自适应控制。也就是，将所述分类特征向量通过分类器中进行分类处理，以得到用于表示发酵温度的下降速率是否适宜的分类结果。
也就是，在本申请的技术方案中，所述分类器的标签包括发酵温度的下降速率适宜，以及，发酵温度的下降速率不适宜，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述发酵温度的下降速率是否适宜的判断控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述发酵温度的下降速率，以此来使得发酵温度值适合于物料的发酵，避免石斛中的硒流失。
特别地，在本申请的技术方案中，这里，在融合所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量得到所述分类特征向量时，由于所述发酵物料状态时序语义特征向量表达图像语义上下文关联特征，而所述发酵温度时序特征向量表达温度值的多尺度时序邻域关联特征，其特征域间具有较大的差异，从而使得例如通过点加方式融合得到的所述分类特征向量在作为目标分类维度的所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量的融合特征维度上具有较差的一致性和相关性，从而影响所述分类特征向量的分类结果的准确性。
因此，期望收敛所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量的域间间距(gap)，具体地，首先计算所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量的联合高斯密度图，并进一步计算所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量与所述联合高斯密度图的高斯概率密度分布距离指数，表示为：
Figure BDA0004115207590000091
Figure BDA0004115207590000092
其中，V1和V2分别是所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量，μu和∑u是联合高斯密度图的均值向量和协方差矩阵，即μu表示所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量的均值向量，且∑u表示所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量的按位置方差构成的协方差矩阵，其中向量均为列向量。
这里，通过计算所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量分别与其相应的联合高斯密度图的高斯概率密度分布距离指数，可以表示目标特征向量的特征分布相对于联合高斯概率密度分布的特征分布距离，通过以其分别对于所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量进行加权后得到所述分类特征向量，就可以提高所述分类特征向量到高斯概率密度在目标域上的概率密度联合分布相关迁移的兼容性，从而提升其高斯概率密度分布在作为目标分类维度的所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量的融合特征维度上的一致性和相关性，以提升所述分类特征向量的分类结果的准确性。这样，能够实时准确地基于发酵物料的状态变化情况来自适应地调控发酵温度值，以使得发酵温度值适合于物料的发酵，避免石斛中的硒流失，从而提高富硒石斛花酒的制备质量。
基于此，本申请提出了一种富硒石斛花酒的制备方法，其包括：获取预定时间段内多个预定时间点的发酵温度值和所述多个预定时间点的发酵物料状态检测图像；将所述多个预定时间点的发酵物料状态检测图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个发酵物料状态特征图；对所述多个发酵物料状态检测特征图进行特征图展开以得到多个发酵物料状态展开特征向量；将所述多个发酵物料状态检测展开特征向量输入基于转换器的上下文编码器以得到发酵物料状态时序语义特征向量；将所述多个预定时间点的发酵温度值按照时间维度排列为发酵温度输入向量后通过多尺度邻域特征提取模块以得到发酵温度时序特征向量；融合所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量以得到分类特征向量；以及，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示发酵温度的下降速率是否适宜。
图1为根据本申请实施例的富硒石斛花酒的制备方法的场景示意图。如图1所示，在该应用场景中，通过温度传感器(例如，如图1中所示意的T)获取预定时间段内多个预定时间点的发酵温度值，以及，通过摄像头(例如，如图1中所示意的C)获取所述多个预定时间点的发酵物料状态检测图像。接着，将上述信息输入至部署有用于富硒石斛花酒的制备算法的服务器(例如，图1中的S)中，其中，所述服务器能够以所述富硒石斛花酒的制备算法对上述输入的信息进行处理，以生成用于表示发酵温度的下降速率是否适宜的分类结果。
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2为根据本申请实施例的富硒石斛花酒的制备方法的流程图。如图2所示，根据本申请实施例的富硒石斛花酒的制备方法，包括步骤：S110，获取预定时间段内多个预定时间点的发酵温度值和所述多个预定时间点的发酵物料状态检测图像；S120，将所述多个预定时间点的发酵物料状态检测图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个发酵物料状态特征图；S130，对所述多个发酵物料状态检测特征图进行特征图展开以得到多个发酵物料状态展开特征向量；S140，将所述多个发酵物料状态检测展开特征向量输入基于转换器的上下文编码器以得到发酵物料状态时序语义特征向量；S150，将所述多个预定时间点的发酵温度值按照时间维度排列为发酵温度输入向量后通过多尺度邻域特征提取模块以得到发酵温度时序特征向量；S160，融合所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量以得到分类特征向量；以及，S170，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示发酵温度的下降速率是否适宜。
图3为根据本申请实施例的富硒石斛花酒的制备方法的架构示意图。如图3所示，在该网络结构中，首先，获取预定时间段内多个预定时间点的发酵温度值和所述多个预定时间点的发酵物料状态检测图像；再将所述多个预定时间点的发酵物料状态检测图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个发酵物料状态特征图；接着，对所述多个发酵物料状态检测特征图进行特征图展开以得到多个发酵物料状态展开特征向量；将所述多个发酵物料状态检测展开特征向量输入基于转换器的上下文编码器以得到发酵物料状态时序语义特征向量；将所述多个预定时间点的发酵温度值按照时间维度排列为发酵温度输入向量后通过多尺度邻域特征提取模块以得到发酵温度时序特征向量；然后，融合所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量以得到分类特征向量；进而，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示发酵温度的下降速率是否适宜。
具体地，在步骤S110中，获取预定时间段内多个预定时间点的发酵温度值和所述多个预定时间点的发酵物料状态检测图像。应可以理解，在实际进行富硒石斛花酒的制备过程中，对于发酵温度的控制应适配于发酵物料的状态变化情况，因此，在本申请的一个具体示例中，首先，可通过温度传感器来获取预定时间段内多个预定时间点的发酵温度值，以及，通过摄像头来获取所述多个预定时间点的发酵物料状态检测图像。通过建立在富硒石斛花酒的制备过程中发酵温度的时序变化与所述发酵物料状态的时序变化之间的映射关系，进而基于发酵物料的状态变化特征来自适应地调控发酵温度值，从而提高发酵效率和效果，避免石斛中的硒流失。
具体地，在步骤S120中，将所述多个预定时间点的发酵物料状态检测图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个发酵物料状态特征图。也就是，在本申请的技术方案中，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述各个预定时间点的发酵物料状态检测图像的特征挖掘。特别地，考虑到在对于所述各个预定时间点的发酵物料状态检测图像的隐藏特征进行提取时，为了能够更准确地检测出所述发酵物料的状态情况，应关注于所述发酵物料状态检测图像的纹理等浅层特征，这些所述浅层特征对于所述发酵物料的状态变化情况检测具有重要意义，而卷积神经网络在编码时，随着其深度的加深，浅层特征会变得模糊甚至被噪声所淹没。因此，在本申请的技术方案中，使用包含深浅特征融合模块的第一卷积神经网络模型来对所述多个预定时间点的发酵物料状态检测图像进行处理以得到多个发酵物料状态特征图。应可以理解，相较于标准卷积神经网络模型，根据本申请的所述第一卷积神经网络模型能够保留所述各个预定时间点的发酵物料状态检测图像的浅层特征和深层特征，以不仅使得特征信息更为丰富，且不同深度的特征能得以保留，以提高对于所述发酵物料状态变化的检测精度。在一个具体示例中，所述第一卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述第一卷积神经网络的编码过程中，所述第一卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
图4为根据本申请实施例的富硒石斛花酒的制备方法中第一卷积神经网络编码的流程图。如图4所示，在所述第一卷积神经网络编码过程中，包括：S210,从所述第一卷积神经网络模型的浅层提取浅层特征图；S220,从所述第一卷积神经网络模型的深层提取深层特征图；以及，S230,融合所述浅层特征图和所述深层特征图以得到所述多个发酵物料状态特征图；其中，所述深层与所述浅层之间的比值大于等于5且小于等于10。
具体地，在步骤S130和步骤S140中，对所述多个发酵物料状态检测特征图进行特征图展开以得到多个发酵物料状态展开特征向量，并将所述多个发酵物料状态检测展开特征向量输入基于转换器的上下文编码器以得到发酵物料状态时序语义特征向量。考虑到由于发酵物料的状态隐含特征信息在时间维度上具有着动态性的变化特征，也就是说，所述各个预定时间点的发酵物料状态检测图像中关于所述发酵物料的状态特征信息在时间维度上具有着动态关联特征信息。因此，在本申请的技术方案中，为了能够充分地提取出所述发酵物料的状态特征在时间维度上的动态变化特征信息，进一步对所述多个发酵物料状态检测特征图进行特征图展开以得到多个发酵物料状态展开特征向量，并且将所述多个发酵物料状态检测展开特征向量输入基于转换器的上下文编码器中进行编码，以提取出所述各个预定时间点的发酵物料的状态特征在时间维度上基于时序全局的动态关联特征分布信息，从而得到发酵物料状态时序语义特征向量。特别地，所述基于转换器的上下文编码器基于transformer模型。
图5为根据本申请实施例的富硒石斛花酒的制备方法中上下文编码的流程图。如图5所示，在所述上下文编码的过程中，包括：S310，使用所述包含嵌入层的上下文编码器的嵌入层分别将所述多个发酵物料状态检测展开特征向量中各个发酵物料状态检测展开特征向量映射为词嵌入向量以得到词嵌入向量的序列；S320，使用所述包含嵌入层的上下文编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及，S330，将所述多个全局上下文语义特征向量进行级联以得到所述发酵物料状态时序语义特征向量。其中，所述S320，包括：将所述词嵌入向量的序列进行一维排列以得到全局特征向量；计算所述全局特征向量与所述词嵌入向量的序列中各个词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词嵌入向量进行加权以得到所述多个上下文语义特征向量；将所述多个上下文语义特征向量进行级联以得到所述多个全局上下文语义特征向量。
具体地，在步骤S150中，将所述多个预定时间点的发酵温度值按照时间维度排列为发酵温度输入向量后通过多尺度邻域特征提取模块以得到发酵温度时序特征向量。在本申请的技术方案中，考虑到所述发酵温度值在时间维度上具有着波动性，其在所述预定时间段内的不同时间周期跨度下具有着不同的模式变化特征信息，难以进行捕捉。因此，在本申请的技术方案中，为了能够充分且准确地提取出所述发酵温度值在时间维度上的动态变化特征，进一步将所述多个预定时间点的发酵温度值按照时间维度排列为发酵温度输入向量后通过多尺度邻域特征提取模块中进行特征挖掘，以提取出所述发酵温度值在不同时间跨度下的动态多尺度邻域关联特征，从而得到发酵温度时序特征向量。特别的，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。
图6为根据本申请实施例的富硒石斛花酒的制备方法中多尺度邻域特征提取的流程图。如图6所示，在所述多尺度邻域特征提取过程中，包括：S410，将所述发酵温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度发酵温度时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；S420，将所述发酵温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度发酵温度时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，S430，将所述第一邻域尺度发酵温度时序特征向量和所述第二邻域尺度发酵温度时序特征向量进行级联以得到所述发酵温度时序特征向量。其中，所述S410，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对所述发酵温度输入向量进行一维卷积编码以得到第一邻域尺度发酵温度时序特征向量；其中，所述一维卷积公式为：
Figure BDA0004115207590000151
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述发酵温度输入向量，Cov(X)表示对所述发酵温度输入向量进行一维卷积编码；以及，所述S420，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述发酵温度输入向量进行一维卷积编码以得到所述第二邻域尺度发酵温度时序特征向量；其中，所述一维卷积公式为：
Figure BDA0004115207590000152
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述发酵温度输入向量，Cov(X)表示对所述发酵温度输入向量进行一维卷积编码。
具体地，在步骤S160中，融合所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量以得到分类特征向量。也就是，在得到所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量之后，进一步将两者进行融合以此来表示所述发酵物料的时序动态关联特征和所述发酵温度的多尺度时序动态变化特征间的关联性特征分布信息。在本申请的技术方案中，这里，在融合所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量得到所述分类特征向量时，由于所述发酵物料状态时序语义特征向量表达图像语义上下文关联特征，而所述发酵温度时序特征向量表达温度值的多尺度时序邻域关联特征，其特征域间具有较大的差异，从而使得例如通过点加方式融合得到的所述分类特征向量在作为目标分类维度的所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量的融合特征维度上具有较差的一致性和相关性，从而影响所述分类特征向量的分类结果的准确性。因此，期望收敛所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量的域间间距(gap)，具体地，首先计算所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量的联合高斯密度图，并进一步计算所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量与所述联合高斯密度图的高斯概率密度分布距离指数，表示为：
Figure BDA0004115207590000161
Figure BDA0004115207590000162
其中，V1和V2分别是所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量，μu和Σu是所述联合高斯密度图的均值向量和协方差矩阵，所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量均为列向量形式，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值，
Figure BDA0004115207590000163
表示按位置减法，/>
Figure BDA0004115207590000164
表示矩阵乘法，w1和w2分别表示所述第一高斯概率密度分布距离指数和所述第二的高斯概率密度分布距离指数。这里，通过计算所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量分别与其相应的联合高斯密度图的高斯概率密度分布距离指数，可以表示目标特征向量的特征分布相对于联合高斯概率密度分布的特征分布距离，通过以其分别对于所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量进行加权后得到所述分类特征向量，就可以提高所述分类特征向量到高斯概率密度在目标域上的概率密度联合分布相关迁移的兼容性，从而提升其高斯概率密度分布在作为目标分类维度的所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量的融合特征维度上的一致性和相关性，以提升所述分类特征向量的分类结果的准确性。这样，能够实时准确地基于发酵物料的状态变化情况来自适应地调控发酵温度值，以使得发酵温度值适合于物料的发酵，避免石斛中的硒流失，从而提高富硒石斛花酒的制备质量。
图7为根据本申请实施例的富硒石斛花酒的制备方法中融合过程的流程图。如图7所示，在所述融合过程中，包括：S510，计算所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量的联合高斯密度图，所述联合高斯密度图的均值向量为所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量之间的按位置均值向量，所述联合高斯密度图的协方差矩阵为所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量的按位置方差构成的协方差矩阵；S520，分别计算所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量与所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二的高斯概率密度分布距离指数；S530，以所述第一高斯概率密度分布距离指数和所述第二的高斯概率密度分布距离指数分别作为权重，分别对所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量进行加权以得到校正后发酵物料状态时序语义特征向量和校正后发酵温度时序特征向量；以及，S540，融合所述校正后发酵物料状态时序语义特征向量和所述校正后发酵温度时序特征向量以得到所述分类特征向量。其中，所述S510，包括：使用高斯密度图以如下高斯融合公式来计算所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量的联合高斯密度图；其中，所述高斯融合公式为：
Figure BDA0004115207590000171
其中，μ(V1,V2)表示所述联合高斯密度图的均值向量，∑(V1,V2)表示所述联合高斯密度图的协方差矩阵，V1表示所述发酵物料状态时序语义特征向量，V2表示所述发酵温度时序特征向量。
具体地，在步骤S170中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示发酵温度的下降速率是否适宜。也就是，将所述分类特征向量通过分类器以得到分类结果，具体地，使用所述分类器以如下公式对所述分类特征向量进行处理以获得分类结果，其中，所述公式为：
O＝softmax{(Wn,Bn):…:(W1,B1)|X}，其中，W1到Wn为权重矩阵，B1到Bn为偏置向量，X为分类特征向量。具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中，在所述分类器的分类处理中，使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量；进而，将所述编码分类特征向量输入所述分类器的Softmax层，即，使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签，在本申请的技术方案中，所述分类器的标签包括发酵温度的下降速率适宜，以及，发酵温度的下降速率不适宜，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述发酵温度的下降速率是否适宜的判断控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述发酵温度的下降速率，以此来使得发酵温度值适合于物料的发酵，避免石斛中的硒流失。
综上，根据本申请实施例的富硒石斛花酒的制备方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出富硒石斛花酒的制备过程中发酵温度的时序变化与发酵物料状态的时序变化之间的复杂映射关系，进一步基于发酵物料的状态变化特征来自适应地调控发酵温度值，以使得发酵温度值适合于物料的发酵，避免石斛中的硒流失，从而提高富硒石斛花酒的制备质量。

Claims (10)

1.一种富硒石斛花酒的制备方法，其特征在于，包括：
获取预定时间段内多个预定时间点的发酵温度值和所述多个预定时间点的发酵物料状态检测图像；
将所述多个预定时间点的发酵物料状态检测图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个发酵物料状态特征图；
对所述多个发酵物料状态检测特征图进行特征图展开以得到多个发酵物料状态展开特征向量；
将所述多个发酵物料状态检测展开特征向量输入基于转换器的上下文编码器以得到发酵物料状态时序语义特征向量；
将所述多个预定时间点的发酵温度值按照时间维度排列为发酵温度输入向量后通过多尺度邻域特征提取模块以得到发酵温度时序特征向量；
融合所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量以得到分类特征向量；以及
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示发酵温度的下降速率是否适宜。
2.根据权利要求1所述的富硒石斛花酒的制备方法，其特征在于，将所述多个预定时间点的发酵物料状态检测图像通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个发酵物料状态特征图，包括：
从所述第一卷积神经网络模型的浅层提取浅层特征图；
从所述第一卷积神经网络模型的深层提取深层特征图；以及
融合所述浅层特征图和所述深层特征图以得到所述多个发酵物料状态特征图；
其中，所述深层与所述浅层之间的比值大于等于5且小于等于10。
3.根据权利要求2所述的富硒石斛花酒的制备方法，其特征在于，将所述多个发酵物料状态检测展开特征向量输入基于转换器的上下文编码器以得到发酵物料状态时序语义特征向量，包括：
使用所述包含嵌入层的上下文编码器的嵌入层分别将所述多个发酵物料状态检测展开特征向量中各个发酵物料状态检测展开特征向量映射为词嵌入向量以得到词嵌入向量的序列；
使用所述包含嵌入层的上下文编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及
将所述多个全局上下文语义特征向量进行级联以得到所述发酵物料状态时序语义特征向量。
4.根据权利要求3所述的富硒石斛花酒的制备方法，其特征在于，使用所述包含嵌入层的第一语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量，包括：
将所述词嵌入向量的序列进行一维排列以得到全局特征向量；
计算所述全局特征向量与所述词嵌入向量的序列中各个词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；
分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；
将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；
分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词嵌入向量进行加权以得到所述多个上下文语义特征向量；
将所述多个上下文语义特征向量进行级联以得到所述多个全局上下文语义特征向量。
5.根据权利要求4所述的富硒石斛花酒的制备方法，其特征在于，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。
6.根据权利要求5所述的富硒石斛花酒的制备方法，其特征在于，将所述多个预定时间点的发酵温度值按照时间维度排列为发酵温度输入向量后通过多尺度邻域特征提取模块以得到发酵温度时序特征向量，包括：
将所述发酵温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度发酵温度时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；
将所述发酵温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度发酵温度时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及
将所述第一邻域尺度发酵温度时序特征向量和所述第二邻域尺度发酵温度时序特征向量进行级联以得到所述发酵温度时序特征向量。
其中，将所述发酵温度输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度发酵温度时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对所述发酵温度输入向量进行一维卷积编码以得到第一邻域尺度发酵温度时序特征向量；
其中，所述一维卷积公式为：
Figure FDA0004115207580000031
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述发酵温度输入向量，Cov(X)表示对所述发酵温度输入向量进行一维卷积编码；以及
将所述发酵温度输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度发酵温度时序特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述发酵温度输入向量进行一维卷积编码以得到所述第二邻域尺度发酵温度时序特征向量；
其中，所述一维卷积公式为：
Figure FDA0004115207580000032
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述发酵温度输入向量，Cov(X)表示对所述发酵温度输入向量进行一维卷积编码。
7.根据权利要求6所述的富硒石斛花酒的制备方法，其特征在于，融合所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量以得到分类特征向量，包括：
计算所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量的联合高斯密度图，所述联合高斯密度图的均值向量为所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量之间的按位置均值向量，所述联合高斯密度图的协方差矩阵为所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量的按位置方差构成的协方差矩阵；
分别计算所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量与所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二的高斯概率密度分布距离指数；
以所述第一高斯概率密度分布距离指数和所述第二的高斯概率密度分布距离指数分别作为权重，分别对所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量进行加权以得到校正后发酵物料状态时序语义特征向量和校正后发酵温度时序特征向量；以及
融合所述校正后发酵物料状态时序语义特征向量和所述校正后发酵温度时序特征向量以得到所述分类特征向量。
8.根据权利要求7所述的富硒石斛花酒的制备方法，其特征在于，计算所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量的联合高斯密度图，包括：使用高斯密度图以如下高斯融合公式来计算所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量的联合高斯密度图；
其中，所述高斯融合公式为：
Figure FDA0004115207580000041
其中，μ(V1,V2)表示所述联合高斯密度图的均值向量，∑(V1,V2)表示所述联合高斯密度图的协方差矩阵，V1表示所述发酵物料状态时序语义特征向量，V2表示所述发酵温度时序特征向量。
9.根据权利要求8所述的富硒石斛花酒的制备方法，其特征在于，分别计算所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量与所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二的高斯概率密度分布距离指数，包括：
以如下公式分别计算所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量与所述联合高斯密度图的高斯概率密度分布距离指数以得到所述第一高斯概率密度分布距离指数和所述第二的高斯概率密度分布距离指数；
其中，所述公式为：
Figure FDA0004115207580000051
Figure FDA0004115207580000052
其中，V1和V2分别是所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量，μu和∑u是所述联合高斯密度图的均值向量和协方差矩阵，所述发酵物料状态时序语义特征向量和所述发酵温度时序特征向量均为列向量形式，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值，
Figure FDA0004115207580000053
表示按位置减法，/>
Figure FDA0004115207580000054
表示矩阵乘法，w1和w2分别表示所述第一高斯概率密度分布距离指数和所述第二的高斯概率密度分布距离指数。
10.一种富硒石斛花酒，其特征在于，所述富硒石斛花酒由如权利要求1-9任一所述的富硒石斛花酒的制备方法制得。
CN202310216781.7A 2023-03-08 2023-03-08 一种富硒石斛花酒的制备方法 Pending CN116229113A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310216781.7A CN116229113A (zh) 2023-03-08 2023-03-08 一种富硒石斛花酒的制备方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310216781.7A CN116229113A (zh) 2023-03-08 2023-03-08 一种富硒石斛花酒的制备方法

Publications (1)

Publication Number Publication Date
CN116229113A true CN116229113A (zh) 2023-06-06

Family

ID=86584122

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310216781.7A Pending CN116229113A (zh) 2023-03-08 2023-03-08 一种富硒石斛花酒的制备方法

Country Status (1)

Country Link
CN (1) CN116229113A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117116498A (zh) * 2023-10-23 2023-11-24 吉林大学 移动查房数据处理系统及其方法
CN117535452A (zh) * 2024-01-09 2024-02-09 延边大学 菌糠发酵饲料生产的在线监控方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117116498A (zh) * 2023-10-23 2023-11-24 吉林大学 移动查房数据处理系统及其方法
CN117535452A (zh) * 2024-01-09 2024-02-09 延边大学 菌糠发酵饲料生产的在线监控方法及系统
CN117535452B (zh) * 2024-01-09 2024-03-26 延边大学 菌糠发酵饲料生产的在线监控方法及系统

Similar Documents

Publication Publication Date Title
CN116229113A (zh) 一种富硒石斛花酒的制备方法
CN110223281B (zh) 一种数据集中含有不确定数据时的肺结节图像分类方法
CN110458844B (zh) 一种低光照场景的语义分割方法
CN110930416B (zh) 一种基于u型网络的mri图像前列腺分割方法
CN109948660A (zh) 一种改进辅助分类器gan的图像分类方法
CN109191476A (zh) 基于U-net网络结构的生物医学图像自动分割新方法
CN109584251A (zh) 一种基于单目标区域分割的舌体图像分割方法
CN108830334A (zh) 一种基于对抗式迁移学习的细粒度目标判别方法
CN108596915A (zh) 一种基于无标注数据的医疗图像分割方法
CN109489576B (zh) 一种基于初级视觉通路计算模型的轮廓检测方法
Jiang et al. An eight-layer convolutional neural network with stochastic pooling, batch normalization and dropout for fingerspelling recognition of Chinese sign language
Li et al. A novel deep learning method for maize disease identification based on small sample-size and complex background datasets
CN111325750B (zh) 一种基于多尺度融合u型链神经网络的医学图像分割方法
CN110246154B (zh) 一种基于ica-r多特征融合与自适应更新的视觉目标跟踪方法
CN114549470B (zh) 基于卷积神经网络和多粒度注意力的手骨关键性区域获取方法
CN108470178A (zh) 一种结合深度可信度评价因子的深度图显著性检测方法
CN115960144A (zh) 低聚异麦芽糖铁配合物的智能化生产系统及其方法
CN109522865A (zh) 一种基于深度神经网络的特征加权融合人脸识别方法
Du et al. FVSR-Net: An end-to-end finger vein image scattering removal network
CN112233017B (zh) 一种基于生成对抗网络的病态人脸数据增强方法
Wang et al. Metalantis: A Comprehensive Underwater Image Enhancement Framework
CN112967227A (zh) 基于病灶感知建模的糖尿病视网膜病变自动评估系统
WO2021056972A1 (zh) 基于神经网络和概率图模型的手指静脉分割方法及装置
CN116630964A (zh) 一种基于离散小波注意力网络的食品图像分割方法
Yuan et al. Explore double-opponency and skin color for saliency detection

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