CN116426331A - 香料油的智能化制备方法及其系统 - Google Patents
香料油的智能化制备方法及其系统 Download PDFInfo
- Publication number
- CN116426331A CN116426331A CN202211687429.3A CN202211687429A CN116426331A CN 116426331 A CN116426331 A CN 116426331A CN 202211687429 A CN202211687429 A CN 202211687429A CN 116426331 A CN116426331 A CN 116426331A
- Authority
- CN
- China
- Prior art keywords
- feature
- state
- matrix
- vector
- input vector
- 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- Withdrawn
Links
- 238000002360 preparation method Methods 0.000 title claims abstract description 58
- 239000002304 perfume Substances 0.000 title claims description 60
- 238000000034 method Methods 0.000 claims abstract description 63
- 239000000843 powder Substances 0.000 claims abstract description 54
- 229920006395 saturated elastomer Polymers 0.000 claims abstract description 33
- 240000004160 Capsicum annuum Species 0.000 claims abstract 5
- 239000013598 vector Substances 0.000 claims description 323
- 239000011159 matrix material Substances 0.000 claims description 166
- 238000012545 processing Methods 0.000 claims description 87
- 238000012544 monitoring process Methods 0.000 claims description 73
- 230000008859 change Effects 0.000 claims description 69
- 238000009826 distribution Methods 0.000 claims description 49
- 238000013527 convolutional neural network Methods 0.000 claims description 37
- 238000003062 neural network model Methods 0.000 claims description 34
- 230000004913 activation Effects 0.000 claims description 24
- 230000004927 fusion Effects 0.000 claims description 24
- 230000007246 mechanism Effects 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 14
- 230000004043 responsiveness Effects 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 4
- 235000019198 oils Nutrition 0.000 abstract description 59
- 235000015112 vegetable and seed oil Nutrition 0.000 abstract description 31
- 230000008569 process Effects 0.000 abstract description 15
- 230000001105 regulatory effect Effects 0.000 abstract description 10
- 235000013599 spices Nutrition 0.000 abstract description 5
- 240000008574 Capsicum frutescens Species 0.000 description 75
- 239000003921 oil Substances 0.000 description 58
- 235000002566 Capsicum Nutrition 0.000 description 30
- 239000001390 capsicum minimum Substances 0.000 description 22
- 238000000605 extraction Methods 0.000 description 15
- 238000003860 storage Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 239000006002 Pepper Substances 0.000 description 8
- 241000722363 Piper Species 0.000 description 8
- 235000016761 Piper aduncum Nutrition 0.000 description 8
- 235000017804 Piper guineense Nutrition 0.000 description 8
- 235000008184 Piper nigrum Nutrition 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 8
- 239000000284 extract Substances 0.000 description 8
- 230000008901 benefit Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000003960 organic solvent Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000003815 supercritical carbon dioxide extraction Methods 0.000 description 2
- 239000013076 target substance Substances 0.000 description 2
- 206010003210 Arteriosclerosis Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 208000011775 arteriosclerosis disease Diseases 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000011194 food seasoning agent Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000000194 supercritical-fluid extraction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 239000008158 vegetable oil Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C11—ANIMAL OR VEGETABLE OILS, FATS, FATTY SUBSTANCES OR WAXES; FATTY ACIDS THEREFROM; DETERGENTS; CANDLES
- C11B—PRODUCING, e.g. BY PRESSING RAW MATERIALS OR BY EXTRACTION FROM WASTE MATERIALS, REFINING OR PRESERVING FATS, FATTY SUBSTANCES, e.g. LANOLIN, FATTY OILS OR WAXES; ESSENTIAL OILS; PERFUMES
- C11B1/00—Production of fats or fatty oils from raw materials
- C11B1/10—Production of fats or fatty oils from raw materials by extracting
-
- 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
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Wood Science & Technology (AREA)
- Organic Chemistry (AREA)
- Fats And Perfumes (AREA)
Abstract
本申请涉及智能制备领域,其具体地公开了一种香料油的智能化制备方法及其系统,其通过采用基于深度学习的深度神经网络模型提取出关于辣椒籽粉的状态特征在时序上基于全局的状态变化特征分布信息和处理仓内的温度和压力的协同变化关联隐含特征信息,最后计算两者之间的响应性估计来进行分类。这样,能够精准地基于实际辣椒籽粉的状态情况来自适应地调控饱和蒸汽的通入时间,以此来达到利用少次循环就能够得到理想状态下的辣椒籽油的目的,进而提高辣椒籽油的生物活性和总体工艺产率。
Description
技术领域
本申请涉及智能制备领域,且更为具体地,涉及一种香料油的智能化制备方法及其系统。
背景技术
辣椒籽油是香料油的一种,其是以优质辣椒经去皮后的辣椒籽为原料,经提取、分离、精制而成的一种保健用油。具有降低血脂、预防血管硬化、防止血栓形成、抗氧化,抗衰老等多种生物学功效,对高血压、中风、心脏病等有显著的改善效果。
辣椒籽油作为一种调料油,其制作方法很是讲究,目前关于辣椒籽油提取的研究多采用常规植物油提取方法,如溶剂提取法、超临界二氧化碳提取法等。溶剂提取法成本低、操作简单,但是有机溶剂使用量大,产品中有有机溶剂残留、安全性低;超临界二氧化碳提取法虽然能生产无溶剂残留、质量较好的辣椒籽油产品,但该法对设备要求高、操作复杂,并且超临界萃取对目标物没有选择性,除获得目标物外,还可能提取出蜡质等物质。
针对上述问题,中国专利申请CN106753759B公开一种“提取辣椒籽油的方法”。其通过瞬时闪蒸技术来进行辣椒籽油的提取,在此过程中,辣椒籽通过循环的抽真空、通入热蒸汽增压和升温、泄压的方式来进行水分的瞬间闪蒸以及形成细胞多孔结构,有利于挥发性成分的提取。这样的处理方式,能够避免提取过程中使用到有机试剂,处理时间短,提取效率高,较好的保留了辣椒籽油的生物活性,并且简化了工艺步骤,提高了辣椒籽油的总体工艺产率。
然而,在实际采用该方法进行辣椒籽油的提取过程中,却发现每次循环提取的效果并不理想,往往需要进行较多次的循环提取来得到理想状态的辣椒籽油。这是由于在通入热蒸汽以实现增压和升温时,只是向处理仓内通入饱和的蒸汽致使其温度和压力到达一定的范围,并进行保压一段时间,这样的处理方式并没有关注到这些数据间的协同性,当温度值选取适宜时仓内压力可能还达不到预期的数值,而当压力选取适宜时温度可能已经超过了预定范围,进而影响辣椒籽油提取的效果。
因此,期待一种优化的香料油的智能化制备方案。
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香料油的智能化制备方法及其系统,其通过采用基于深度学习的深度神经网络模型提取出关于辣椒籽粉的状态特征在时序上基于全局的状态变化特征分布信息和处理仓内的温度和压力的协同变化关联隐含特征信息,最后计算两者之间的响应性估计来进行分类。这样,能够精准地基于实际辣椒籽粉的状态情况来自适应地调控饱和蒸汽的通入时间,以此来达到利用少次循环就能够得到理想状态下的辣椒籽油的目的,进而提高辣椒籽油的生物活性和总体工艺产率。
根据本申请的一个方面,提供了一种香料油的智能化制备方法,其包括:
获取预定时间段内多个预定时间点的处理仓的温度值和压力值,以及,由摄像头采集的辣椒籽粉在所述预定时间段内的状态监控视频;
从所述状态监控视频中提取多个状态监控关键帧;
将所述多个状态监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个状态特征矩阵;
将所述多个状态特征矩阵分别展开为一维的状态特征向量后通过基于转换器的上下文编码器以得到状态变化语义特征向量;
将所述多个预定时间点的处理仓的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后,对所述温度输入向量和所述压力输入向量进行关联编码以得到参数关联矩阵;
基于所述温度输入向量和所述压力输入向量,对所述参数关联矩阵进行特征分布优化以得到优化参数关联矩阵;
将所述优化参数关联矩阵通过相邻层使用互为转置的卷积核的第二卷积神经网络模型以得到参数关联特征矩阵;
计算所述参数关联特征矩阵相对于所述状态变化语义特征向量的响应性估计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是否停止通入饱和蒸汽。
在上述香料油的智能化制备方法中,所述从所述状态监控视频中提取多个状态监控关键帧,包括:以预定采样频率对所述状态监控视频进行采样处理以得到所述状态监控视频。
在上述香料油的智能化制备方法中,所述将所述多个状态监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个状态特征矩阵,包括:使用所述第一卷积神经网络模型的各层在层的正向传递中分别对所述多个状态监控关键帧进行卷积处理、基于局部特征矩阵的池化处理和非线性激活处理以由所述第一卷积神经网络模型的最后一层输出多个初始状态特征矩阵;以及,将所述多个初始状态特征矩阵输入所述第一卷积神经网络模型的空间注意力层以得到所述多个状态特征矩阵。
在上述香料油的智能化制备方法中,所述将所述多个状态特征矩阵分别展开为一维的状态特征向量后通过基于转换器的上下文编码器以得到状态变化语义特征向量,包括:将所述多个状态特征矩阵中各个状态特征矩阵沿着行向量或者列向量进行展开以得到多个状态特征向量;将所述多个状态特征向量输入所述基于转换器的上下文编码器以得到多个上下文语义状态特征向量;以及,将所述多个上下文语义状态特征向量进行级联以得到所述状态变化语义特征向量。
在上述香料油的智能化制备方法中,所述将所述多个状态特征向量输入所述基于转换器的上下文编码器以得到多个上下文语义状态特征向量,包括:将所述多个状态特征向量进行一维排列以得到全局状态特征向量;计算所述全局状态特征向量与所述多个状态特征向量中各个状态特征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多个状态特征向量中各个状态特征向量进行加权以得到所述多个上下文语义状态特征向量。
在上述香料油的智能化制备方法中,所述对所述温度输入向量和所述压力输入向量进行关联编码以得到参数关联矩阵,包括:以如下公式对所述温度输入向量和所述压力输入向量进行关联编码以得到参数关联矩阵;
其中,所述公式为:
其中V1表示所述温度输入向量,V2表示所述压力输入向量,M表示所述参数关联矩阵。
在上述香料油的智能化制备方法中,所述基于所述温度输入向量和所述压力输入向量,对所述参数关联矩阵进行特征分布优化以得到优化参数关联矩阵,包括:以如下公式计算所述温度输入向量和所述压力输入向量之间的图核游走节点分布融合特征矩阵,其中,所述公式为:
其中,V1表示所述温度输入向量,V2表示所述压力输入向量,Mc表示所述图核游走节点分布融合特征矩阵,D(V1,V2)为所述温度输入向量和所述压力输入向量之间的距离矩阵,且V1和V2均为列向量,exp(·)表示矩阵的指数运算,所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值;以及,将所述图核游走节点分布融合特征矩阵与所述参数关联矩阵进行矩阵相乘以得到所述优化参数关联矩阵。
在上述香料油的智能化制备方法中,所述将所述优化参数关联矩阵通过相邻层使用互为转置的卷积核的第二卷积神经网络模型以得到参数关联特征矩阵,包括:使用所述第二卷积神经网络模型的第一层对输入数据进行基于第一卷积核的卷积处理、池化处理和非线性激活处理以得到第一激活特征图;以及,使用所述第二卷积神经网络模型的第二层对所述第一激活特征图进行基于第二卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图,其中,所述第一卷积核与所述第二卷积核互为转置;其中,所述第二卷积神经网络模型的最后一层的输出为所述参数关联特征矩阵,所述第二卷积神经网络模型的第一层的输入为所述优化参数关联矩阵。
在上述香料油的智能化制备方法中,所述计算所述参数关联特征矩阵相对于所述状态变化语义特征向量的响应性估计以得到分类特征向量,包括:以如下公式计算所述参数关联特征矩阵相对于所述状态变化语义特征向量的响应性估计以得到分类特征向量;其中,所述公式为:
其中M1表示所述参数关联特征矩阵,Vc表示所述状态变化语义特征向量,V表示所述分类特征向量。
根据本申请的另一方面,提供了一种香料油的智能化制备系统,其包括:
信息获取模块,用于获取预定时间段内多个预定时间点的处理仓的温度值和压力值,以及,由摄像头采集的辣椒籽粉在所述预定时间段内的状态监控视频;
采样模块,用于从所述状态监控视频中提取多个状态监控关键帧;
第一卷积模块,用于将所述多个状态监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个状态特征矩阵;
上下文编码模块,用于将所述多个状态特征矩阵分别展开为一维的状态特征向量后通过基于转换器的上下文编码器以得到状态变化语义特征向量;
关联编码模块,用于将所述多个预定时间点的处理仓的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后,对所述温度输入向量和所述压力输入向量进行关联编码以得到参数关联矩阵;
特征分布优化模块,用于基于所述温度输入向量和所述压力输入向量,对所述参数关联矩阵进行特征分布优化以得到优化参数关联矩阵;
第二卷积模块,用于将所述优化参数关联矩阵通过相邻层使用互为转置的卷积核的第二卷积神经网络模型以得到参数关联特征矩阵;
响应性估计模块,用于计算所述参数关联特征矩阵相对于所述状态变化语义特征向量的响应性估计以得到分类特征向量;以及
分类结果生成模块,用于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是否停止通入饱和蒸汽。
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香料油的智能化制备方法。
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香料油的智能化制备方法。
与现有技术相比,本申请提供的一种香料油的智能化制备方法及其系统,其通过采用基于深度学习的深度神经网络模型提取出关于辣椒籽粉的状态特征在时序上基于全局的状态变化特征分布信息和处理仓内的温度和压力的协同变化关联隐含特征信息,最后计算两者之间的响应性估计来进行分类。这样,能够精准地基于实际辣椒籽粉的状态情况来自适应地调控饱和蒸汽的通入时间,以此来达到利用少次循环就能够得到理想状态下的辣椒籽油的目的,进而提高辣椒籽油的生物活性和总体工艺产率。
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为根据本申请实施例的香料油的智能化制备方法的应用场景图;
图2为根据本申请实施例的香料油的智能化制备方法的流程图;
图3为根据本申请实施例的香料油的智能化制备方法的架构示意图;
图4为根据本申请实施例的香料油的智能化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香料油的智能化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香料油的智能化制备方法中第二卷积神经网络编码的流程图;
图7为根据本申请实施例的香料油的智能化制备系统的框图;
图8为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。
场景概述
如背景技术中所言,在实际采用中国专利申请CN106753759B公开的一种“提取辣椒籽油的方法”来进行辣椒籽油的提取过程中,却发现每次循环提取的效果并不理想,往往需要进行较多次的循环提取来得到理想状态的辣椒籽油。这是由于在通入热蒸汽以实现增压和升温时,只是向处理仓内通入饱和的蒸汽致使其温度和压力到达一定的范围,并进行保压一段时间,这样的处理方式并没有关注到这些数据间的协同性,当温度值选取适宜时仓内压力可能还达不到预期的数值,而当压力选取适宜时温度可能已经超过了预定范围,进而影响辣椒籽油提取的效果。因此,期待一种优化的香料油的智能化制备方案。
相应地,在本申请的技术方案中,考虑到对于处理仓内的温度和压力进行智能控制时,需要对于饱和蒸汽通入的时间进行调控,在此过程中,应适配于辣椒籽粉的状态变化情况。也就是说,基于辣椒籽粉的状态变化特征来自适应地调整饱和蒸汽通入的时间。但是,由于在处理仓内,温度和压力之间具有着非线性的关联,难点在于如何建立温度和压力之间的关联性关系与辣椒籽粉的状态变化之间的映射关系,以使得基于辣椒籽粉的状态变化情况来自适应地调控所述蒸汽的通入时间,以达到利用少次循环就能够得到理想状态下的辣椒籽油的目的。
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所述温度和所述压力之间的关联性关系与所述辣椒籽粉的状态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温度和所述压力之间的关联性关系与所述辣椒籽粉的状态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处理仓的温度值和压力值,以及,由摄像头采集的辣椒籽粉在所述预定时间段内的状态监控视频。应可以理解,由于在所述处理仓内,辣椒籽粉的状态变化特征可以通过所述状态监控视频中相邻监控帧之间的差分来表示,也就是,通过相邻图像帧的图像表征来表示辣椒籽粉的状态变化情况。但是,考虑到所述状态监控视频中相邻帧的差异较小,存在大量数据冗余,因此,为了降低计算量,且避免数据冗余给检测带来的不良影响,在本申请的技术方案中,选择以预定采样频率对所述状态监控视频进行关键帧采样,以从所述状态监控视频中提取多个状态监控关键帧。
然后,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多个状态监控关键帧的特征提取,特别地,考虑到在进行所述辣椒籽粉的状态监测时,应关注于空间位置上关于辣椒籽粉的隐含特征信息而忽略与辣椒籽粉状态监测无关的干扰特征,鉴于注意力机制能够选择聚焦位置,产生更具分辨性的特征表示,且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此,在本申请的技术方案中,将所述多个状态监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型中进行处理,以提取出所述各个状态监控关键帧中聚焦于空间上的关于所述辣椒籽粉的状态隐含特征分布信息,从而得到多个状态特征矩阵。值得一提的是,这里,所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重,用来抑制或强化不同空间位置的特征,以此来提取出空间上聚焦于辣椒籽粉的状态特征信息。
接着,考虑到所述各个关键帧中聚焦于空间上的辣椒籽粉的状态特征间在时间维度上具有着关联性的关系,也就是说,所述辣椒籽粉的状态特征在时序上应具有着动态性的变化特征分布信息。因此,为了能够充分地提取出所述辣椒籽粉在时序上的动态关联特征,进一步将所述多个状态特征矩阵中各个状态特征矩阵沿着行向量或者列向量展开为多个状态特征向量后通过基于转换器的上下文编码器中进行编码,以提取出所述多个关键帧中关于辣椒籽粉的状态特征在时序上基于全局的动态变化特征分布信息,从而得到状态变化语义特征向量。
进一步地,为了探究所述处理仓的温度值和压力值间的非线性关联关系,需要构建两者在时序上的数据分布关联信息,具体地,将所述多个预定时间点的处理仓的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后,对所述温度输入向量和所述压力输入向量进行关联编码以得到参数关联矩阵。
特别地,在本申请的技术方案中,对所述温度输入向量和所述压力输入向量进行关联编码得到所述参数关联矩阵时,由于所述关联编码是将所述温度输入向量和所述压力输入向量的各个位置的特征值相乘,因此可以使得所述参数关联矩阵表达所述温度输入向量和所述压力输入向量的特征值粒度的关联融合特征,但同时,仍然期望所述参数关联矩阵能够表达所述温度输入向量和所述压力输入向量的向量粒度的关联融合特征。
因此,优选地,进一步计算所述温度输入向量和所述压力输入向量之间的图核游走节点分布融合特征矩阵,表示为:
D(V1,V2)为所述温度输入向量V1和所述压力输入向量V2之间的距离矩阵,即di,j=d(v1i,v2j),且V1和V2均为列向量。
所述图核游走节点分布融合特征矩阵模拟图核(graph kernal)的思路,将所述温度输入向量V1和所述压力输入向量V2分别视为图中的节点,基于所述温度输入向量V1和所述压力输入向量V2的特征分布在距离拓扑图上进行游走,以将拓扑节点泛化到相对于所述温度输入向量V1和所述压力输入向量V2的类别特征分布具有连续高维类空间属性的场景下,从而表示作为拓扑节点的所述温度输入向量V1和所述压力输入向量V2在融合特征的高维特征空间内的局部分布信息,以表达所述温度输入向量V1和所述压力输入向量V2之间的向量粒度的关联融合特征。
进一步地,将所述图核游走节点分布融合特征矩阵与所述参数关联矩阵进行矩阵相乘阵,以将所述参数关联矩阵映射到关联融合特征空间内,以使得所述参数关联矩阵进一步表达所述温度输入向量和所述压力输入向量的向量粒度的关联融合特征,从而得到优化参数关联矩。
接着,考虑到所述温度值和压力值在时序上都具有着波动性和不确定性,其在所述预定时间段内的时间维度上具有着相当程度的关联。因此,在本申请的技术方案中,为了能够充分地提取出所述处理仓内的温度和压力的协同变化关联特征来进行通入饱和水蒸气的精准控制,进一步通过相邻层使用互为转置的卷积核的第二卷积神经网络模型来对于所述优化参数关联矩阵进行特征挖掘,以提取出深层的更为充分的所述处理仓内的温度和压力的协同控制隐含特征信息,从而得到参数关联特征矩阵。特别地,这里,所述第二卷积神经网络模型的相邻卷积层使用互为转置的卷积核能够在训练时同时进行网络参数的更新和适合特定数据结构的网络参数结构的搜索,进而提高后续分类的准确性。
然后,再计算所述参数关联特征矩阵相对于所述状态变化语义特征向量的响应性估计来表示所述处理仓内的温度和压力的协同变化关联特征与所述辣椒籽粉的状态变化特征的关联性特征分布信息,即所述处理仓内通入饱和蒸汽所引起的温度和压力的协同变化情况对于辣椒籽粉的状态变化情况的影响,并以此作为分类特征向量通过分类器以得到用于表示是否停止通入饱和蒸汽的分类结果。这样,能够精准地基于实际辣椒籽粉的状态情况来自适应地调控饱和蒸汽的通入时间,以此来达到利用少次循环就能够得到理想状态下的辣椒籽油的目的,进而提高辣椒籽油的生物活性和总体工艺产率。
基于此,本申请提出了一种香料油的智能化制备方法,其包括:获取预定时间段内多个预定时间点的处理仓的温度值和压力值,以及,由摄像头采集的辣椒籽粉在所述预定时间段内的状态监控视频;从所述状态监控视频中提取多个状态监控关键帧;将所述多个状态监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个状态特征矩阵;将所述多个状态特征矩阵分别展开为一维的状态特征向量后通过基于转换器的上下文编码器以得到状态变化语义特征向量;将所述多个预定时间点的处理仓的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后,对所述温度输入向量和所述压力输入向量进行关联编码以得到参数关联矩阵;基于所述温度输入向量和所述压力输入向量,对所述参数关联矩阵进行特征分布优化以得到优化参数关联矩阵;将所述优化参数关联矩阵通过相邻层使用互为转置的卷积核的第二卷积神经网络模型以得到参数关联特征矩阵;计算所述参数关联特征矩阵相对于所述状态变化语义特征向量的响应性估计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是否停止通入饱和蒸汽。
图1为根据本申请实施例的香料油的智能化制备方法的应用场景图。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处理仓的温度值和压力传感器(例如,如图1中所示意的P)获取预定时间段内多个预定时间点的处理仓的压力值,以及通过摄像头(例如,如图1中所示意的C)来获取辣椒籽粉在所述预定时间段内的状态监控视频。接着,将上述信息输入至部署有用于香料油的智能化制备算法的服务器(例如,图1中的S)中,其中,所述服务器能够以所述香料油的智能化制备算法对上述输入的信息进行处理,以生成用于表示用于表示是否停止通入饱和蒸汽的分类结果。
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香料油的智能化制备方法的流程图。如图2所示,根据本申请实施例的香料油的智能化制备方法,包括步骤:S110,获取预定时间段内多个预定时间点的处理仓的温度值和压力值,以及,由摄像头采集的辣椒籽粉在所述预定时间段内的状态监控视频;S120,从所述状态监控视频中提取多个状态监控关键帧;S130,将所述多个状态监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个状态特征矩阵;S140,将所述多个状态特征矩阵分别展开为一维的状态特征向量后通过基于转换器的上下文编码器以得到状态变化语义特征向量;S150,将所述多个预定时间点的处理仓的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后,对所述温度输入向量和所述压力输入向量进行关联编码以得到参数关联矩阵;S160,基于所述温度输入向量和所述压力输入向量,对所述参数关联矩阵进行特征分布优化以得到优化参数关联矩阵;S170,将所述优化参数关联矩阵通过相邻层使用互为转置的卷积核的第二卷积神经网络模型以得到参数关联特征矩阵;S180,计算所述参数关联特征矩阵相对于所述状态变化语义特征向量的响应性估计以得到分类特征向量;以及,S190,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是否停止通入饱和蒸汽。
图3为根据本申请实施例的香料油的智能化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处理仓的温度值和压力值,以及,由摄像头采集的辣椒籽粉在所述预定时间段内的状态监控视频;接着,从所述状态监控视频中提取多个状态监控关键帧;将所述多个状态监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个状态特征矩阵;接着,将所述多个状态特征矩阵分别展开为一维的状态特征向量后通过基于转换器的上下文编码器以得到状态变化语义特征向量;然后,将所述多个预定时间点的处理仓的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后,对所述温度输入向量和所述压力输入向量进行关联编码以得到参数关联矩阵;基于所述温度输入向量和所述压力输入向量,对所述参数关联矩阵进行特征分布优化以得到优化参数关联矩阵;将所述优化参数关联矩阵通过相邻层使用互为转置的卷积核的第二卷积神经网络模型以得到参数关联特征矩阵;计算所述参数关联特征矩阵相对于所述状态变化语义特征向量的响应性估计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是否停止通入饱和蒸汽。
具体地,在步骤S110中,获取预定时间段内多个预定时间点的处理仓的温度值和压力值,以及,由摄像头采集的辣椒籽粉在所述预定时间段内的状态监控视频。应可以理解,由于在所述处理仓内,辣椒籽粉的状态变化特征可以通过所述状态监控视频中相邻监控帧之间的差分来表示,也就是,通过相邻图像帧的图像表征来表示辣椒籽粉的状态变化情况。相应地,在本申请的技术方案中,考虑到对于处理仓内的温度和压力进行智能控制时,需要对于饱和蒸汽通入的时间进行调控,在此过程中,应适配于辣椒籽粉的状态变化情况。也就是说,基于辣椒籽粉的状态变化特征来自适应地调整饱和蒸汽通入的时间。因此,在本申请的一个具体示例中,可通过温度传感器和压力传感器来获取获取预定时间段内多个预定时间点的处理仓的温度值和压力值,以及,通过摄像头来获取辣椒籽粉在所述预定时间段内的状态监控视频。
具体地,在步骤S120中,从所述状态监控视频中提取多个状态监控关键帧。考虑到所述状态监控视频中相邻帧的差异较小,存在大量数据冗余,因此,为了降低计算量,且避免数据冗余给检测带来的不良影响,在本申请的技术方案中,选择以预定采样频率对所述状态监控视频进行关键帧采样,以从所述状态监控视频中提取多个状态监控关键帧。
具体地,在步骤S130中,将所述多个状态监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个状态特征矩阵。也就是,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多个状态监控关键帧的特征提取,特别地,考虑到在进行所述辣椒籽粉的状态监测时,应关注于空间位置上关于辣椒籽粉的隐含特征信息而忽略与辣椒籽粉状态监测无关的干扰特征,鉴于注意力机制能够选择聚焦位置,产生更具分辨性的特征表示,且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此,在本申请的技术方案中,将所述多个状态监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型中进行处理,以提取出所述各个状态监控关键帧中聚焦于空间上的关于所述辣椒籽粉的状态隐含特征分布信息,从而得到多个状态特征矩阵。值得一提的是,这里,所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重,用来抑制或强化不同空间位置的特征,以此来提取出空间上聚焦于辣椒籽粉的状态特征信息。
图4为根据本申请实施例的香料油的智能化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的编码过程中,包括:S210,使用所述第一卷积神经网络模型的各层在层的正向传递中分别对所述多个状态监控关键帧进行卷积处理、基于局部特征矩阵的池化处理和非线性激活处理以由所述第一卷积神经网络模型的最后一层输出多个初始状态特征矩阵;以及,S220,将所述多个初始状态特征矩阵输入所述第一卷积神经网络模型的空间注意力层以得到所述多个状态特征矩阵。
具体地,在步骤S140中,将所述多个状态特征矩阵分别展开为一维的状态特征向量后通过基于转换器的上下文编码器以得到状态变化语义特征向量。考虑到所述各个关键帧中聚焦于空间上的辣椒籽粉的状态特征间在时间维度上具有着关联性的关系,也就是说,所述辣椒籽粉的状态特征在时序上应具有着动态性的变化特征分布信息。因此,为了能够充分地提取出所述辣椒籽粉在时序上的动态关联特征,进一步将所述多个状态特征矩阵中各个状态特征矩阵沿着行向量或者列向量展开为多个状态特征向量后通过基于转换器的上下文编码器中进行编码,以提取出所述多个关键帧中关于辣椒籽粉的状态特征在时序上基于全局的动态变化特征分布信息,从而得到状态变化语义特征向量。
图5为根据本申请实施例的香料油的智能化制备方法中上下文编码的流程图。如图5所示,在所述上下文编码过程中,包括:S310,将所述多个状态特征向量进行一维排列以得到全局状态特征向量;S320,计算所述全局状态特征向量与所述多个状态特征向量中各个状态特征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;S330,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;S340,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;S350,分别以所述多个概率值中各个概率值作为权重对所述多个状态特征向量中各个状态特征向量进行加权以得到所述多个上下文语义状态特征向量。
具体地,在步骤S150中,将所述多个预定时间点的处理仓的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后,对所述温度输入向量和所述压力输入向量进行关联编码以得到参数关联矩阵。应可以理解,为了探究所述处理仓的温度值和压力值间的非线性关联关系,需要构建两者在时序上的数据分布关联信息,具体地,将所述多个预定时间点的处理仓的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后,对所述温度输入向量和所述压力输入向量进行关联编码以得到参数关联矩阵。在本申请的一个具体示例中,以如下公式对所述温度输入向量和所述压力输入向量进行关联编码以得到参数关联矩阵;其中,所述公式为:
其中V1表示所述温度输入向量,V2表示所述压力输入向量,M表示所述参数关联矩阵。
具体地,在步骤S160中,基于所述温度输入向量和所述压力输入向量,对所述参数关联矩阵进行特征分布优化以得到优化参数关联矩阵。特别地,在本申请的技术方案中,对所述温度输入向量和所述压力输入向量进行关联编码得到所述参数关联矩阵时,由于所述关联编码是将所述温度输入向量和所述压力输入向量的各个位置的特征值相乘,因此可以使得所述参数关联矩阵表达所述温度输入向量和所述压力输入向量的特征值粒度的关联融合特征,但同时,仍然期望所述参数关联矩阵能够表达所述温度输入向量和所述压力输入向量的向量粒度的关联融合特征。因此,优选地,进一步计算所述温度输入向量和所述压力输入向量之间的图核游走节点分布融合特征矩阵,在本申请的一个具体示例中,以如下公式计算所述温度输入向量和所述压力输入向量之间的图核游走节点分布融合特征矩阵,其中,所述公式为:
其中,V1表示所述温度输入向量,V2表示所述压力输入向量,Mc表示所述图核游走节点分布融合特征矩阵,D(V1,V2)为所述温度输入向量和所述压力输入向量之间的距离矩阵,且V1和V2均为列向量,exp(·)表示矩阵的指数运算,所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值;以及,将所述图核游走节点分布融合特征矩阵与所述参数关联矩阵进行矩阵相乘以得到所述优化参数关联矩阵。所述图核游走节点分布融合特征矩阵模拟图核(graph kernal)的思路,将所述温度输入向量V1和所述压力输入向量V2分别视为图中的节点,基于所述温度输入向量V1和所述压力输入向量V2的特征分布在距离拓扑图上进行游走,以将拓扑节点泛化到相对于所述温度输入向量V1和所述压力输入向量V2的类别特征分布具有连续高维类空间属性的场景下,从而表示作为拓扑节点的所述温度输入向量V1和所述压力输入向量V2在融合特征的高维特征空间内的局部分布信息,以表达所述温度输入向量V1和所述压力输入向量V2之间的向量粒度的关联融合特征。进一步地,将所述图核游走节点分布融合特征矩阵与所述参数关联矩阵进行矩阵相乘阵,以将所述参数关联矩阵映射到关联融合特征空间内,以使得所述参数关联矩阵进一步表达所述温度输入向量和所述压力输入向量的向量粒度的关联融合特征,从而得到优化参数关联矩。
具体地,在步骤S170中,将所述优化参数关联矩阵通过相邻层使用互为转置的卷积核的第二卷积神经网络模型以得到参数关联特征矩阵。考虑到所述温度值和压力值在时序上都具有着波动性和不确定性,其在所述预定时间段内的时间维度上具有着相当程度的关联。因此,在本申请的技术方案中,为了能够充分地提取出所述处理仓内的温度和压力的协同变化关联特征来进行通入饱和水蒸气的精准控制,进一步通过相邻层使用互为转置的卷积核的第二卷积神经网络模型来对于所述优化参数关联矩阵进行特征挖掘,以提取出深层的更为充分的所述处理仓内的温度和压力的协同控制隐含特征信息,从而得到参数关联特征矩阵。特别地,这里,所述第二卷积神经网络模型的相邻卷积层使用互为转置的卷积核能够在训练时同时进行网络参数的更新和适合特定数据结构的网络参数结构的搜索,进而提高后续分类的准确性,其中,所述第二卷积神经网络相邻卷积层互为转置,在一个具体示例中,第一层的卷积核与第二层的卷积核互为转置,第二层的卷积核与第三层的卷积核互为转置。
图6为根据本申请实施例的香料油的智能化制备方法中第二卷积神经网络编码的流程图。如图6所示,在所述第二卷积神经网络的编码过程中,包括:S410,使用所述第二卷积神经网络模型的第一层对输入数据进行基于第一卷积核的卷积处理、池化处理和非线性激活处理以得到第一激活特征图;以及,S420,使用所述第二卷积神经网络模型的第二层对所述第一激活特征图进行基于第二卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图,其中,所述第一卷积核与所述第二卷积核互为转置;其中,所述第二卷积神经网络模型的最后一层的输出为所述参数关联特征矩阵,所述第二卷积神经网络模型的第一层的输入为所述优化参数关联矩阵。
具体地,在步骤S180中,计算所述参数关联特征矩阵相对于所述状态变化语义特征向量的响应性估计以得到分类特征向量。在本申请的技术方案中,计算所述参数关联特征矩阵相对于所述状态变化语义特征向量的响应性估计来表示所述处理仓内的温度和压力的协同变化关联特征与所述辣椒籽粉的状态变化特征的关联性特征分布信息,即所述处理仓内通入饱和蒸汽所引起的温度和压力的协同变化情况对于辣椒籽粉的状态变化情况的影响。更具体地,在本申请的一个具体示例中,以如下公式计算所述参数关联特征矩阵相对于所述状态变化语义特征向量的响应性估计以得到分类特征向量;其中,所述公式为:
其中M1表示所述参数关联特征矩阵,Vc表示所述状态变化语义特征向量,V表示所述分类特征向量。
具体地,在步骤S190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是否停止通入饱和蒸汽。也就是,将所述分类特征向量通过分类器以得到用于表示是否停止通入饱和蒸汽的分类结果。这样,能够精准地基于实际辣椒籽粉的状态情况来自适应地调控饱和蒸汽的通入时间,以此来达到利用少次循环就能够得到理想状态下的辣椒籽油的目的,进而提高辣椒籽油的生物活性和总体工艺产率。具体地,在本申请的一个具体示例中,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。具体地,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所述编码分类特征向量归属于当前时间点停止通入饱和蒸汽的第一概率值和所述编码分类特征向量归属于当前时间点通入饱和蒸汽的第二概率值;继而,将所述第一概率值和所述第二概率值中较大者对应的标签确定为所述分类结果,即,如果第一概率值大于第二概率值,则所述分类结果为当前时间点停止通入饱和蒸汽,如果第二概率值大于第一概率值,则所述分类结果为当前时间点继续通入饱和蒸汽。
综上,根据本申请实施例的香料油的智能化制备方法被阐明,其通过采用基于深度学习的深度神经网络模型提取出关于辣椒籽粉的状态特征在时序上基于全局的状态变化特征分布信息和处理仓内的温度和压力的协同变化关联隐含特征信息,最后计算两者之间的响应性估计来进行分类。这样,能够精准地基于实际辣椒籽粉的状态情况来自适应地调控饱和蒸汽的通入时间,以此来达到利用少次循环就能够得到理想状态下的辣椒籽油的目的,进而提高辣椒籽油的生物活性和总体工艺产率。
示例性系统
图7为根据本申请实施例的香料油的智能化制备系统的框图。如图7所示,根据本申请实施例的香料油的智能化制备系统300,包括:信息获取模块310;采样模块320;第一卷积模块330;上下文编码模块340;关联编码模块350;特征分布优化模块360;第二卷积模块370;响应性估计模块380;以及,分类结果生成模块390。
其中,所述信息获取模块310,用于获取预定时间段内多个预定时间点的处理仓的温度值和压力值,以及,由摄像头采集的辣椒籽粉在所述预定时间段内的状态监控视频;所述采样模块320,用于从所述状态监控视频中提取多个状态监控关键帧;所述第一卷积模块330,用于将所述多个状态监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个状态特征矩阵;所述上下文编码模块340,用于将所述多个状态特征矩阵分别展开为一维的状态特征向量后通过基于转换器的上下文编码器以得到状态变化语义特征向量;所述关联编码模块350,用于将所述多个预定时间点的处理仓的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后,对所述温度输入向量和所述压力输入向量进行关联编码以得到参数关联矩阵;所述特征分布优化模块360,用于基于所述温度输入向量和所述压力输入向量,对所述参数关联矩阵进行特征分布优化以得到优化参数关联矩阵;所述第二卷积模块370,用于将所述优化参数关联矩阵通过相邻层使用互为转置的卷积核的第二卷积神经网络模型以得到参数关联特征矩阵;所述响应性估计模块380,用于计算所述参数关联特征矩阵相对于所述状态变化语义特征向量的响应性估计以得到分类特征向量;以及,所述分类结果生成模块390,用于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是否停止通入饱和蒸汽。
在一个示例中,在上述香料油的智能化制备系统300中,所述采样模块320,进一步用于:以预定采样频率对所述状态监控视频进行采样处理以得到所述状态监控视频。
在一个示例中,在上述香料油的智能化制备系统300中,所述第一卷积模块330,进一步用于:使用所述第一卷积神经网络模型的各层在层的正向传递中分别对所述多个状态监控关键帧进行卷积处理、基于局部特征矩阵的池化处理和非线性激活处理以由所述第一卷积神经网络模型的最后一层输出多个初始状态特征矩阵;以及,将所述多个初始状态特征矩阵输入所述第一卷积神经网络模型的空间注意力层以得到所述多个状态特征矩阵。
在一个示例中,在上述香料油的智能化制备系统300中,所述上下文编码模块340,进一步用于:将所述多个状态特征矩阵中各个状态特征矩阵沿着行向量或者列向量进行展开以得到多个状态特征向量;将所述多个状态特征向量输入所述基于转换器的上下文编码器以得到多个上下文语义状态特征向量;以及,将所述多个上下文语义状态特征向量进行级联以得到所述状态变化语义特征向量。其中,所述将所述多个状态特征向量输入所述基于转换器的上下文编码器以得到多个上下文语义状态特征向量,包括:将所述多个状态特征向量进行一维排列以得到全局状态特征向量;计算所述全局状态特征向量与所述多个状态特征向量中各个状态特征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多个状态特征向量中各个状态特征向量进行加权以得到所述多个上下文语义状态特征向量。
在一个示例中,在上述香料油的智能化制备系统300中,所述关联编码模块350,进一步用于:以如下公式对所述温度输入向量和所述压力输入向量进行关联编码以得到参数关联矩阵;其中,所述公式为:
其中V1表示所述温度输入向量,V2表示所述压力输入向量,M表示所述参数关联矩阵。
在一个示例中,在上述香料油的智能化制备系统300中,所述特征分布优化模块360,进一步用于:以如下公式计算所述温度输入向量和所述压力输入向量之间的图核游走节点分布融合特征矩阵,其中,所述公式为:
其中,V1表示所述温度输入向量,V2表示所述压力输入向量,Mc表示所述图核游走节点分布融合特征矩阵,D(V1,V2)为所述温度输入向量和所述压力输入向量之间的距离矩阵,且V1和V2均为列向量,exp(·)表示矩阵的指数运算,所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值;以及,将所述图核游走节点分布融合特征矩阵与所述参数关联矩阵进行矩阵相乘以得到所述优化参数关联矩阵。
在一个示例中,在上述香料油的智能化制备系统300中,所述第二卷积模块370,进一步用于:使用所述第二卷积神经网络模型的第一层对输入数据进行基于第一卷积核的卷积处理、池化处理和非线性激活处理以得到第一激活特征图;以及,使用所述第二卷积神经网络模型的第二层对所述第一激活特征图进行基于第二卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图,其中,所述第一卷积核与所述第二卷积核互为转置;其中,所述第二卷积神经网络模型的最后一层的输出为所述参数关联特征矩阵,所述第二卷积神经网络模型的第一层的输入为所述优化参数关联矩阵。
在一个示例中,在上述香料油的智能化制备系统300中,所述响应性估计模块380,进一步用于:以如下公式计算所述参数关联特征矩阵相对于所述状态变化语义特征向量的响应性估计以得到分类特征向量;
其中,所述公式为:
其中M1表示所述参数关联特征矩阵,Vc表示所述状态变化语义特征向量,V表示所述分类特征向量。
综上,根据本申请实施例的香料油的智能化制备系统300被阐明,其通过采用基于深度学习的深度神经网络模型提取出关于辣椒籽粉的状态特征在时序上基于全局的状态变化特征分布信息和处理仓内的温度和压力的协同变化关联隐含特征信息,最后计算两者之间的响应性估计来进行分类。这样,能够精准地基于实际辣椒籽粉的状态情况来自适应地调控饱和蒸汽的通入时间,以此来达到利用少次循环就能够得到理想状态下的辣椒籽油的目的,进而提高辣椒籽油的生物活性和总体工艺产率。
如上所述,根据本申请实施例的香料油的智能化制备系统可以实现在各种终端设备中。在一个示例中,根据本申请实施例的香料油的智能化制备系统300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,该香料油的智能化制备系统300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,该香料油的智能化制备系统300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,该香料油的智能化制备系统300与该终端设备也可以是分立的设备,并且该香料油的智能化制备系统300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香料油的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分类特征向量等各种内容。
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,包括分类结果等。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香料油的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香料油的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。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种香料油的智能化制备方法,其特征在于,包括:
获取预定时间段内多个预定时间点的处理仓的温度值和压力值,以及,由摄像头采集的辣椒籽粉在所述预定时间段内的状态监控视频;
从所述状态监控视频中提取多个状态监控关键帧;
将所述多个状态监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个状态特征矩阵;
将所述多个状态特征矩阵分别展开为一维的状态特征向量后通过基于转换器的上下文编码器以得到状态变化语义特征向量;
将所述多个预定时间点的处理仓的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后,对所述温度输入向量和所述压力输入向量进行关联编码以得到参数关联矩阵;
基于所述温度输入向量和所述压力输入向量,对所述参数关联矩阵进行特征分布优化以得到优化参数关联矩阵;
将所述优化参数关联矩阵通过相邻层使用互为转置的卷积核的第二卷积神经网络模型以得到参数关联特征矩阵;
计算所述参数关联特征矩阵相对于所述状态变化语义特征向量的响应性估计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是否停止通入饱和蒸汽。
2.根据权利要求1所述的香料油的智能化制备方法,其特征在于,所述从所述状态监控视频中提取多个状态监控关键帧,包括:以预定采样频率对所述状态监控视频进行采样处理以得到所述状态监控视频。
3.根据权利要求2所述的香料油的智能化制备方法,其特征在于,所述将所述多个状态监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个状态特征矩阵,包括:
使用所述第一卷积神经网络模型的各层在层的正向传递中分别对所述多个状态监控关键帧进行卷积处理、基于局部特征矩阵的池化处理和非线性激活处理以由所述第一卷积神经网络模型的最后一层输出多个初始状态特征矩阵;以及
将所述多个初始状态特征矩阵输入所述第一卷积神经网络模型的空间注意力层以得到所述多个状态特征矩阵。
4.根据权利要求3所述的香料油的智能化制备方法,其特征在于,所述将所述多个状态特征矩阵分别展开为一维的状态特征向量后通过基于转换器的上下文编码器以得到状态变化语义特征向量,包括:
将所述多个状态特征矩阵中各个状态特征矩阵沿着行向量或者列向量进行展开以得到多个状态特征向量;
将所述多个状态特征向量输入所述基于转换器的上下文编码器以得到多个上下文语义状态特征向量;以及
将所述多个上下文语义状态特征向量进行级联以得到所述状态变化语义特征向量。
5.根据权利要求4所述的香料油的智能化制备方法,其特征在于,所述将所述多个状态特征向量输入所述基于转换器的上下文编码器以得到多个上下文语义状态特征向量,包括:
将所述多个状态特征向量进行一维排列以得到全局状态特征向量;
计算所述全局状态特征向量与所述多个状态特征向量中各个状态特征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多个状态特征向量中各个状态特征向量进行加权以得到所述多个上下文语义状态特征向量。
7.根据权利要求6所述的香料油的智能化制备方法,其特征在于,所述基于所述温度输入向量和所述压力输入向量,对所述参数关联矩阵进行特征分布优化以得到优化参数关联矩阵,包括:
以如下公式计算所述温度输入向量和所述压力输入向量之间的图核游走节点分布融合特征矩阵,其中,所述公式为:
其中,V1表示所述温度输入向量,V2表示所述压力输入向量,Mc表示所述图核游走节点分布融合特征矩阵,D(V1,V2)为所述温度输入向量和所述压力输入向量之间的距离矩阵,且V1和V2均为列向量,exp(·)表示矩阵的指数运算,所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值;以及
将所述图核游走节点分布融合特征矩阵与所述参数关联矩阵进行矩阵相乘以得到所述优化参数关联矩阵。
8.根据权利要求7所述的香料油的智能化制备方法,其特征在于,所述将所述优化参数关联矩阵通过相邻层使用互为转置的卷积核的第二卷积神经网络模型以得到参数关联特征矩阵,包括:
使用所述第二卷积神经网络模型的第一层对输入数据进行基于第一卷积核的卷积处理、池化处理和非线性激活处理以得到第一激活特征图;以及
使用所述第二卷积神经网络模型的第二层对所述第一激活特征图进行基于第二卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图,其中,所述第一卷积核与所述第二卷积核互为转置;
其中,所述第二卷积神经网络模型的最后一层的输出为所述参数关联特征矩阵,所述第二卷积神经网络模型的第一层的输入为所述优化参数关联矩阵。
10.一种香料油的智能化制备系统,其特征在于,包括:
信息获取模块,用于获取预定时间段内多个预定时间点的处理仓的温度值和压力值,以及,由摄像头采集的辣椒籽粉在所述预定时间段内的状态监控视频;
采样模块,用于从所述状态监控视频中提取多个状态监控关键帧;
第一卷积模块,用于将所述多个状态监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个状态特征矩阵;
上下文编码模块,用于将所述多个状态特征矩阵分别展开为一维的状态特征向量后通过基于转换器的上下文编码器以得到状态变化语义特征向量;
关联编码模块,用于将所述多个预定时间点的处理仓的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后,对所述温度输入向量和所述压力输入向量进行关联编码以得到参数关联矩阵;
特征分布优化模块,用于基于所述温度输入向量和所述压力输入向量,对所述参数关联矩阵进行特征分布优化以得到优化参数关联矩阵;
第二卷积模块,用于将所述优化参数关联矩阵通过相邻层使用互为转置的卷积核的第二卷积神经网络模型以得到参数关联特征矩阵;
响应性估计模块,用于计算所述参数关联特征矩阵相对于所述状态变化语义特征向量的响应性估计以得到分类特征向量;以及
分类结果生成模块,用于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是否停止通入饱和蒸汽。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211687429.3A CN116426331A (zh) | 2022-12-27 | 2022-12-27 | 香料油的智能化制备方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211687429.3A CN116426331A (zh) | 2022-12-27 | 2022-12-27 | 香料油的智能化制备方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116426331A true CN116426331A (zh) | 2023-07-14 |
Family
ID=87082139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211687429.3A Withdrawn CN116426331A (zh) | 2022-12-27 | 2022-12-27 | 香料油的智能化制备方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116426331A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117065876A (zh) * | 2023-09-05 | 2023-11-17 | 浙江艾领创矿业科技有限公司 | 智能砂磨机系统及方法 |
CN117160072A (zh) * | 2023-10-19 | 2023-12-05 | 温兄控股集团股份有限公司 | 多向动态连续提取系统及其方法 |
-
2022
- 2022-12-27 CN CN202211687429.3A patent/CN116426331A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117065876A (zh) * | 2023-09-05 | 2023-11-17 | 浙江艾领创矿业科技有限公司 | 智能砂磨机系统及方法 |
CN117065876B (zh) * | 2023-09-05 | 2024-03-22 | 浙江艾领创矿业科技有限公司 | 智能砂磨机的控制方法及控制系统 |
CN117160072A (zh) * | 2023-10-19 | 2023-12-05 | 温兄控股集团股份有限公司 | 多向动态连续提取系统及其方法 |
CN117160072B (zh) * | 2023-10-19 | 2024-04-16 | 温兄控股集团股份有限公司 | 多向动态连续提取系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116426331A (zh) | 香料油的智能化制备方法及其系统 | |
Gauci et al. | Horizon: Facebook's open source applied reinforcement learning platform | |
Wu et al. | Multi-modal Circulant Fusion for Video-to-Language and Backward. | |
Ramanishka et al. | Top-down visual saliency guided by captions | |
Bucak et al. | Incremental subspace learning via non-negative matrix factorization | |
CN115896817A (zh) | 氟氮混合气的生产方法及其系统 | |
CN111488807A (zh) | 基于图卷积网络的视频描述生成系统 | |
CN115951584B (zh) | 用于滚筒杀青机的温度控制系统及方法 | |
CN111079658B (zh) | 基于视频的多目标连续行为分析方法、系统、装置 | |
CN116052050A (zh) | 洗涤剂智能化生产系统及其方法 | |
CN116095089B (zh) | 遥感卫星数据处理方法及系统 | |
CN116434123A (zh) | 一种用于玫瑰蒸馏加工的控制方法及系统 | |
Gelbrecht et al. | Neural partial differential equations for chaotic systems | |
CN115759658A (zh) | 适用于智慧城市的企业能耗数据管理系统 | |
CN114548246A (zh) | 智能设备的控制方法、系统和电子设备 | |
JPWO2019229931A1 (ja) | 情報処理装置、制御方法、及びプログラム | |
CN116434117A (zh) | 一种复合聚丙烯酰胺驱油剂的制备方法 | |
Andreassen et al. | Parameter estimation using neural networks in the presence of detector effects | |
CN115205788A (zh) | 食材质量监控系统 | |
CN117158923A (zh) | 基于元宇宙的居家养老远程监控方法 | |
CN116629211B (zh) | 基于人工智能的写作方法及系统 | |
CN115862151B (zh) | 基于游戏预测老年人反应能力的数据处理系统及方法 | |
CN116247824A (zh) | 电力设备的控制方法及其系统 | |
CN116052269A (zh) | 运动损伤预警系统及其预警方法 | |
CN116383714A (zh) | 用于斗轮机的设备保护系统及其方法 |
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: 20230714 |
|
WW01 | Invention patent application withdrawn after publication |