CN116434123A - 一种用于玫瑰蒸馏加工的控制方法及系统 - Google Patents

一种用于玫瑰蒸馏加工的控制方法及系统 Download PDF

Info

Publication number
CN116434123A
CN116434123A CN202310544380.4A CN202310544380A CN116434123A CN 116434123 A CN116434123 A CN 116434123A CN 202310544380 A CN202310544380 A CN 202310544380A CN 116434123 A CN116434123 A CN 116434123A
Authority
CN
China
Prior art keywords
feature
heating power
petal
distillation
training
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
CN202310544380.4A
Other languages
English (en)
Inventor
董卫强
徐继雄
王建清
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.)
Liangdang Qinxiangyi Rose Biotechnology Co ltd
Original Assignee
Liangdang Qinxiangyi Rose 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 Liangdang Qinxiangyi Rose Biotechnology Co ltd filed Critical Liangdang Qinxiangyi Rose Biotechnology Co ltd
Priority to CN202310544380.4A priority Critical patent/CN116434123A/zh
Publication of CN116434123A publication Critical patent/CN116434123A/zh
Pending legal-status Critical Current

Links

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
    • C11B9/00—Essential oils; Perfumes
    • C11B9/02—Recovery or refining of essential oils from raw materials
    • C11B9/027—Recovery of volatiles by distillation or stripping
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material 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)
  • Organic Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Wood Science & Technology (AREA)
  • Vaporization, Distillation, Condensation, Sublimation, And Cold Traps (AREA)

Abstract

本申请涉及智能控制领域，其具体地公开了一种用于玫瑰蒸馏加工的控制方法及系统，其通过采用基于深度学习的神经网络模型挖掘出玫瑰花瓣的蒸馏状态时序变化与微波源的加热功率时序变化之间的映射关系，以此基于实际的玫瑰花瓣蒸馏状态变化情况来进行微波源的加热功率值的自适应控制，从而优化玫瑰精油的提取效果和效率，提高玫瑰精油的纯度和品质。

Description

一种用于玫瑰蒸馏加工的控制方法及系统
技术领域
本申请涉及智能控制领域，且更为具体地，涉及一种用于玫瑰蒸馏加工的控制方法及系统。
背景技术
玫瑰精油具有很好的美容护肤作用，能以内养外淡化斑点，促进黑色素分解，改善皮肤干燥，恢复皮肤弹性，让女性拥有白皙、充满弹性的健康肌肤，是适宜女性保健的芳香精油。传统方案是通过水蒸气蒸馏法来制取玫瑰精油，然而，传统的方案中步骤较为繁杂，导致制取的时间较长，并且原料加热较慢、蒸汽冷凝程度不够高，使其残余蒸汽通过油水分离设备回到蒸馏罐内。
近年来，有一种新型的玫瑰蒸馏加工方法被广泛应用，即微波辅助蒸馏法。微波辅助蒸馏是利用微波辐射的加热作用促进蒸馏物质的挥发，提高香料精油提取效率的一种新型蒸馏方法。相比传统的蒸馏方法，微波辅助蒸馏法的优点在于：操作简单、速度快、效率高、能够产生更纯净的精油。而且，由于微波是一种无污染的能量形式，因此对环境也没有影响。
但是，现有的微波辅助蒸馏方案在微波辅助蒸馏过程中，只是将微波源的加热功率固定控制在一个合理的范围内，并没有关注到加热功率与玫瑰花的状态间的适配关系，导致玫瑰精油的提取效果不佳，使得制备出的玫瑰精油质量较低。
因此，期望一种优化的用于玫瑰蒸馏加工的控制方案，其能够基于玫瑰花的状态变化情况来自适应地调整微波源的加热功率，以提高玫瑰精油的纯度和品质。
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用于玫瑰蒸馏加工的控制方法及系统，其通过采用基于深度学习的神经网络模型挖掘出玫瑰花瓣的蒸馏状态时序变化与微波源的加热功率时序变化之间的映射关系，以此基于实际的玫瑰花瓣蒸馏状态变化情况来进行微波源的加热功率值的自适应控制，从而优化玫瑰精油的提取效果和效率，提高玫瑰精油的纯度和品质。
根据本申请的一个方面，提供了一种用于玫瑰蒸馏加工的控制方法，其包括：
获取由摄像头采集的预定时间段的玫瑰花瓣的蒸馏状态监控视频，以及，所述预定时间段内多个预定时间点的微波源的加热功率值；
从所述蒸馏状态监控视频提取多个花瓣蒸馏状态监控关键帧；
将所述多个花瓣蒸馏状态监控关键帧分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个花瓣蒸馏状态特征矩阵；
将所述多个花瓣蒸馏状态特征矩阵展开为多个花瓣蒸馏状态特征向量后通过基于转换器的上下文编码器以得到花瓣状态时序变化特征向量；
将所述多个预定时间点的微波源的加热功率值按照时间维度排列为加热功率输入向量后通过多尺度邻域特征提取模块以得到加热功率时序特征向量；
计算所述花瓣状态时序变化特征向量相对于所述加热功率时序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微波源的加热功率值应增大或应减小。
在上述用于玫瑰蒸馏加工的控制方法中，将所述多个花瓣蒸馏状态监控关键帧分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个花瓣蒸馏状态特征矩阵，包括：从所述卷积神经网络模型的浅层提取浅层特征矩阵；从所述卷积神经网络模型的深层提取深层特征矩阵；以及，融合所述浅层特征矩阵和所述深层特征矩阵以得到所述花瓣蒸馏状态特征矩阵；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。
在上述用于玫瑰蒸馏加工的控制方法中，将所述多个花瓣蒸馏状态特征矩阵展开为多个花瓣蒸馏状态特征向量后通过基于转换器的上下文编码器以得到花瓣状态时序变化特征向量，包括：将所述多个花瓣蒸馏状态特征向量进行一维排列以得到全局花瓣蒸馏状态特征向量；计算所述全局花瓣蒸馏状态特征向量与所述多个花瓣蒸馏状态特征向量中各个花瓣蒸馏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花瓣蒸馏状态特征向量中各个花瓣蒸馏状态特征向量进行加权以得到所述多个上下文语义花瓣蒸馏状态特征向量；以及，将所述多个上下文语义花瓣蒸馏状态特征向量进行级联以得到所述花瓣状态时序变化特征向量。
在上述用于玫瑰蒸馏加工的控制方法中，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。
在上述用于玫瑰蒸馏加工的控制方法中，将所述多个预定时间点的微波源的加热功率值按照时间维度排列为加热功率输入向量后通过多尺度邻域特征提取模块以得到加热功率时序特征向量，包括：将所述加热功率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加热功率时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述加热功率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加热功率时序特征向量，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加热功率时序特征向量和所述第二邻域尺度加热功率时序特征向量进行级联以得到所述加热功率时序特征向量。其中，将所述加热功率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加热功率时序特征向量，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加热功率输入向量进行一维卷积编码以得到第一邻域尺度加热功率时序特征向量；其中，所述公式为：
Figure BDA0004229277210000031
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表示所述加热功率输入向量，Cov(X)表示对所述加热功率输入向量进行一维卷积编码；以及，将所述加热功率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加热功率时序特征向量，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加热功率输入向量进行一维卷积编码以得到所述第二邻域尺度加热功率时序特征向量；其中，所述公式为：
Figure BDA0004229277210000041
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表示所述加热功率输入向量，Cov(X)表示对所述加热功率输入向量进行一维卷积编码。
在上述用于玫瑰蒸馏加工的控制方法中，计算所述花瓣状态时序变化特征向量相对于所述加热功率时序特征向量的响应性估计以得到分类特征矩阵，包括：以如下公式计算所述花瓣状态时序变化特征向量相对于所述加热功率时序特征向量的响应性估计以得到分类特征矩阵；其中，所述公式为：
Figure BDA0004229277210000042
其中Va表示所述花瓣状态时序变化特征向量，Vb表示所述加热功率时序特征向量，M表示所述分类特征矩阵。
在上述用于玫瑰蒸馏加工的控制方法中，还包括对所述包含深浅特征融合模块的卷积神经网络模型、所述基于转换器的上下文编码器、所述多尺度邻域特征提取模块和所述分类器进行训练；其中，对所述包含深浅特征融合模块的卷积神经网络模型、所述基于转换器的上下文编码器、所述多尺度邻域特征提取模块和所述分类器进行训练，包括：获取训练数据，所述训练数据包括预定时间段的玫瑰花瓣的训练蒸馏状态监控视频，所述预定时间段内多个预定时间点的微波源的训练加热功率值，以及，所述当前时间点的微波源的加热功率值应增大或应减小的真实值；从所述训练蒸馏状态监控视频提取多个训练花瓣蒸馏状态监控关键帧；将所述多个训练花瓣蒸馏状态监控关键帧分别通过所述包含深浅特征融合模块的卷积神经网络模型以得到多个训练花瓣蒸馏状态特征矩阵；将所述多个训练花瓣蒸馏状态特征矩阵展开为多个训练花瓣蒸馏状态特征向量后通过所述基于转换器的上下文编码器以得到训练花瓣状态时序变化特征向量；将所述多个预定时间点的微波源的训练加热功率值按照时间维度排列为训练加热功率输入向量后通过所述多尺度邻域特征提取模块以得到训练加热功率时序特征向量；计算所述训练花瓣状态时序变化特征向量相对于所述训练加热功率时序特征向量的响应性估计以得到训练分类特征矩阵；将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；计算所述训练花瓣状态时序变化特征向量和所述训练加热功率时序特征向量的概率分布移位信息补偿损失函数值；以及，以所述分类损失函数值和所述概率分布移位信息补偿损失函数值的加权和作为损失函数值，并通过梯度下降的反向传播来对所述包含深浅特征融合模块的卷积神经网络模型、所述基于转换器的上下文编码器、所述多尺度邻域特征提取模块和所述分类器进行训练。
在上述用于玫瑰蒸馏加工的控制方法中，将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值，包括：使用所述分类器对所述训练分类特征矩阵进行处理以得到训练分类结果:以及，计算所述训练分类结果与所述当前时间点的微波源的加热功率值应增大或应减小的真实值之间的交叉熵损失函数值作为所述分类损失函数值。
在上述用于玫瑰蒸馏加工的控制方法中，计算所述训练花瓣状态时序变化特征向量和所述训练加热功率时序特征向量的概率分布移位信息补偿损失函数值，包括：以如下优化公式计算所述训练花瓣状态时序变化特征向量和所述训练加热功率时序特征向量的所述概率分布移位信息补偿损失函数值；其中，所述优化公式为：
Figure BDA0004229277210000051
Figure BDA0004229277210000052
Figure BDA0004229277210000053
Figure BDA0004229277210000054
其中，V1和V2分别是所述训练花瓣状态时序变化特征向量和所述训练加热功率时序特征向量，softmax(·)表示softmax函数，bool(·)表示bool函数，log表示以2为底的对数函数值，τ1和τ2为移位补偿超参数，且α为加权超参数，
Figure BDA0004229277210000055
表示所述概率分布移位信息补偿损失函数值。
根据本申请的另一方面，提供了一种用于玫瑰蒸馏加工的控制系统，其包括：
信息采集模块，用于获取由摄像头采集的预定时间段的玫瑰花瓣的蒸馏状态监控视频，以及，所述预定时间段内多个预定时间点的微波源的加热功率值；
关键帧提取模块，用于从所述蒸馏状态监控视频提取多个花瓣蒸馏状态监控关键帧；
深浅特征提取模块，用于将所述多个花瓣蒸馏状态监控关键帧分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个花瓣蒸馏状态特征矩阵；
上下文编码模块，用于将所述多个花瓣蒸馏状态特征矩阵展开为多个花瓣蒸馏状态特征向量后通过基于转换器的上下文编码器以得到花瓣状态时序变化特征向量；
多尺度邻域特征提取模块，用于将所述多个预定时间点的微波源的加热功率值按照时间维度排列为加热功率输入向量后通过多尺度邻域特征提取模块以得到加热功率时序特征向量；
响应性估计计算模块，用于计算所述花瓣状态时序变化特征向量相对于所述加热功率时序特征向量的响应性估计以得到分类特征矩阵；以及
分类结果生成模块，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微波源的加热功率值应增大或应减小。
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用于玫瑰蒸馏加工的控制方法。
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用于玫瑰蒸馏加工的控制方法。
与现有技术相比，本申请提供的一种用于玫瑰蒸馏加工的控制方法及系统，其通过采用基于深度学习的神经网络模型挖掘出玫瑰花瓣的蒸馏状态时序变化与微波源的加热功率时序变化之间的映射关系，以此基于实际的玫瑰花瓣蒸馏状态变化情况来进行微波源的加热功率值的自适应控制，从而优化玫瑰精油的提取效果和效率，提高玫瑰精油的纯度和品质。
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用于玫瑰蒸馏加工的控制方法的场景示意图；
图2为根据本申请实施例的用于玫瑰蒸馏加工的控制方法中推断阶段的流程图；
图3为根据本申请实施例的用于玫瑰蒸馏加工的控制方法中训练阶段的流程图；
图4为根据本申请实施例的用于玫瑰蒸馏加工的控制方法中推断阶段的架构示意图；
图5为根据本申请实施例的用于玫瑰蒸馏加工的控制方法中训练阶段的架构示意图；
图6为根据本申请实施例的用于玫瑰蒸馏加工的控制方法中深浅特征提取过程的流程图；
图7为根据本申请实施例的用于玫瑰蒸馏加工的控制方法中上下文编码的流程图；
图8为根据本申请实施例的用于玫瑰蒸馏加工的控制方法中多尺度邻域特征提取的流程图；
图9为根据本申请实施例的用于玫瑰蒸馏加工的控制系统的框图；
图10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
如前背景技术所言，现有的微波辅助蒸馏方案在微波辅助蒸馏过程中，只是将微波源的加热功率固定控制在一个合理的范围内，并没有关注到加热功率与玫瑰花的状态间的适配关系，导致玫瑰精油的提取效果不佳，使得制备出的玫瑰精油质量较低。因此，期望一种优化的用于玫瑰蒸馏加工的控制方案，其能够基于玫瑰花的状态变化情况来自适应地调整微波源的加热功率，以提高玫瑰精油的纯度和品质。
具体地，在本申请的技术方案中，提出了一种用于玫瑰蒸馏加工的控制方法，其包括：将玫瑰花瓣切碎并放置在微波辅助蒸馏装置中，并加入适量水，使花瓣充分吸收水分；开启微波源，以预定功率进行微波辅助蒸馏加工，特别地，微波辐射会让水分子在蒸馏过程中形成高速运动的热效应，从而使玫瑰花瓣中的精油轻易挥发到水蒸气中；将蒸馏出的液体冷却至室温，可以得到纯净的玫瑰精油，也就是，具体地，在辅助蒸馏过程中，将蒸馏产物分别冷却、过滤，便可以得到提炼的玫瑰精油。
相应地，考虑到在微波辅助蒸馏过程中，可以通过监测玫瑰花的状态来自适应地调整微波源的加热功率，以达到更好的提取效果。例如，如果玫瑰花中的水分被蒸发殆尽，则需要降低微波源的加热功率，以避免过度加热导致玫瑰精油的质量下降或者甚至引起火灾等意外事故。另外，还可以根据提取过程中产生的气味、颜色、密度等指标来判断玫瑰花的状态，并进行合理的微波功率调整，以帮助提高玫瑰精油的纯度和品质。然而，在进行自适应调整时，需要借助专业设备和相应技术知识，并且需要具备相关实践经验才能够进行有效的操作，这对于微波辅助蒸馏的微波源加热功率自适应控制带来了困难。
基于此，在本申请的技术方案中，期望对于玫瑰花瓣的蒸馏状态监控视频进行分析来评估玫瑰花瓣的蒸馏状态情况，以此来对于微波源的加热功率值进行自适应控制。但是，考虑到由于所述玫瑰花瓣的蒸馏状态监控视频中存在有大量的信息量，而关于玫瑰花瓣的蒸馏状态特征信息为小尺度的隐含特征，难以进行捕捉提取。并且，所述玫瑰花瓣的蒸馏状态和所述微波源的加热功率在时间维度上都具有着动态性的变化规律，同时这两者之间还具有着时序的协同关联特征信息。因此，在此过程中，难点在于如何建立所述玫瑰花瓣的蒸馏状态时序变化与所述微波源的加热功率时序变化之间的映射关系，以此基于实际的玫瑰花瓣蒸馏状态变化情况来进行微波源的加热功率值的自适应控制，从而优化玫瑰精油的提取效果和效率，提高玫瑰精油的纯度和品质。
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。深度学习以及神经网络的发展为挖掘所述玫瑰花瓣的蒸馏状态时序变化与所述微波源的加热功率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玫瑰花瓣的蒸馏状态时序变化与所述微波源的加热功率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，通过摄像头采集预定时间段的玫瑰花瓣的蒸馏状态监控视频，以及，获取所述预定时间段内多个预定时间点的微波源的加热功率值。接着，考虑到在所述蒸馏状态监控视频中，关于所述玫瑰花瓣的蒸馏状态变化特征可以通过所述蒸馏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所述玫瑰花瓣的蒸馏状态变化情况。但是，考虑到所述蒸馏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，以预定采样频率对所述蒸馏状态监控视频进行关键帧采样，以从所述蒸馏状态监控视频提取多个花瓣蒸馏状态监控关键帧。这里，值得一提的是，所述采样频率可基于实际场景的应用需求做出调整，而不是默认值。
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花瓣蒸馏状态监控关键帧的特征挖掘，特别地，考虑到在对于所述各个花瓣蒸馏状态监控关键帧的隐藏特征进行提取时，关于所述玫瑰花瓣的蒸馏状态隐含特征信息在所述各个花瓣蒸馏状态监控关键帧中的纹理和颜色等浅层特征中有所呈现。因此，为了能够更准确地检测出所述玫瑰花瓣的蒸馏状态情况，应更加关注于所述各个花瓣蒸馏状态监控关键帧中的颜色和纹理等浅层特征信息，这些所述浅层特征对于所述玫瑰花瓣的蒸馏状态检测具有重要意义。然而，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卷积神经网络模型来对所述各个花瓣蒸馏状态监控关键帧进行处理以得到多个花瓣蒸馏状态特征矩阵。应可以理解，相较于标准卷积神经网络模型，根据本申请的所述卷积神经网络模型能够保留所述玫瑰花瓣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，以提高对于所述玫瑰花瓣的蒸馏状态检测的精度。
进一步地，考虑到由于所述玫瑰花瓣的蒸馏状态在时间维度上具有着时序的动态变化特性，也就是说，所述玫瑰花瓣在蒸馏的过程中其状态是不断发生变化的，并且所这种变化特征信息为小尺度的细微变化特征信息，在实际进行玫瑰花瓣的蒸馏状态时序变化情况检测的过程中难以进行捕捉提取。因此，在本申请的技术方案中，将所述多个花瓣蒸馏状态特征矩阵展开为多个花瓣蒸馏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，以此来提取出所述各个花瓣蒸馏状态监控关键帧下关于所述玫瑰花瓣的蒸馏状态隐含特征基于时序全局的动态关联特征分布信息，即所述玫瑰花瓣的蒸馏状态特征在时间维度上的动态变化特征信息，从而得到花瓣状态时序变化特征向量。
接着，对于所述多个预定时间点的微波源的加热功率值来说，由于所述微波源的加热功率值在时间维度上具有着时序的动态变化规律，并且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动态变化特性。因此，在本申请的技术方案中，将所述多个预定时间点的微波源的加热功率值按照时间维度排列为加热功率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，以提取出所述微波源的加热功率值在不同时间跨度下的动态多尺度邻域关联特征，从而得到加热功率时序特征向量。
然后，再计算所述花瓣状态时序变化特征向量相对于所述加热功率时序特征向量的响应性估计，以表示所述玫瑰花瓣的蒸馏状态隐含特征的时序关联特征与所述微波源的加热功率值的时序多尺度动态变化特征间的关联性特征分布信息，即所述玫瑰花瓣的蒸馏状态时序变化特征与所述加热功率时序变化特征之间的映射关联特征信息，从而得到分类特征矩阵。
进一步地，将所述分类特征矩阵通过分类器中进行分类处理，以得到当前时间点的微波源的加热功率值应增大或应减小的分类结果。也就是，在本申请的技术方案中，所述分类器的标签包括当前时间点的微波源的加热功率值应增大(第一标签)，以及，当前时间点的微波源的加热功率值应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“当前时间点的微波源的加热功率值应增大或应减小”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，微波源的加热功率值应增大或应减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“当前时间点的微波源的加热功率值应增大或应减小”的语言文本意义。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当前时间点的微波源的加热功率值应增大或应减小的控制策略标签，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当前时间点的微波源的加热功率值增大或减小，以此来优化玫瑰精油的提取效果和效率，提高玫瑰精油的纯度和品质。
特别地，在本申请的技术方案中，这里，在计算所述花瓣状态时序变化特征向量相对于所述加热功率时序特征向量的响应性估计得到所述分类特征矩阵时，实质上所述分类特征矩阵表达的是所述花瓣状态时序变化特征向量和所述加热功率时序特征向量之间的基于时序特征分布的概率密度响应性融合，由此，在所述花瓣状态时序变化特征向量和所述加热功率时序特征向量的特征分布进行响应性融合的情况下，其各自的特征分布在模型的参数空间内后向传播通过分类器时，也会遇到各自的特征表达信息的退化问题，从而影响所述分类特征矩阵的特征表达效果。
基于此，本申请的申请人引入针对所述花瓣状态时序变化特征向量V1和所述加热功率时序特征向量V2的概率分布移位信息补偿损失函数，表示为：
Figure BDA0004229277210000111
Figure BDA0004229277210000112
Figure BDA0004229277210000113
Figure BDA0004229277210000114
其中，τ1和τ2为移位补偿超参数，且α为加权超参数。
这里，基于Softmax函数从所述花瓣状态时序变化特征向量V1和所述加热功率时序特征向量V2分别得到的类概率值本身会对于各自的特征分布遵循概率分布，使用所述概率分布移位信息补偿损失函数来对所述花瓣状态时序变化特征向量V1和所述加热功率时序特征向量V2的特征表示的概率分布的移位来进行信息补偿，并通过bool函数来使得补偿带来的交叉信息熵最大化，这样，可以使得融合后的所述分类特征矩阵的特征分布能够最大程度地还原融合前的所述花瓣状态时序变化特征向量V1和所述加热功率时序特征向量V2的特征表达信息，从而提升所述分类特征矩阵的特征表达效果，以改进其通过分类器得到的分类结果的准确性。这样，能够实时准确地基于实际的玫瑰花瓣蒸馏状态变化情况来进行微波源的加热功率值的自适应控制，从而优化玫瑰精油的提取效果和效率，提高玫瑰精油的纯度和品质。
基于此，本申请提出了一种用于玫瑰蒸馏加工的控制方法，其包括：获取由摄像头采集的预定时间段的玫瑰花瓣的蒸馏状态监控视频，以及，所述预定时间段内多个预定时间点的微波源的加热功率值；从所述蒸馏状态监控视频提取多个花瓣蒸馏状态监控关键帧；将所述多个花瓣蒸馏状态监控关键帧分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个花瓣蒸馏状态特征矩阵；将所述多个花瓣蒸馏状态特征矩阵展开为多个花瓣蒸馏状态特征向量后通过基于转换器的上下文编码器以得到花瓣状态时序变化特征向量；将所述多个预定时间点的微波源的加热功率值按照时间维度排列为加热功率输入向量后通过多尺度邻域特征提取模块以得到加热功率时序特征向量；计算所述花瓣状态时序变化特征向量相对于所述加热功率时序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微波源的加热功率值应增大或应减小。
图1为根据本申请实施例的用于玫瑰蒸馏加工的控制方法的场景示意图。如图1所示，在该应用场景中，首先，通过摄像头(例如，如图1中所示意的C)预定时间段的玫瑰花瓣的蒸馏状态监控视频，以及，通过功率传感器(例如，如图1中所示意的P)获取所述预定时间段内多个预定时间点的微波源的加热功率值。然后，将上述信息输入至部署有用于玫瑰蒸馏加工的控制算法的服务器中(例如，如图1中所示意的云服务器S)，其中，所述服务器能够以所述用于玫瑰蒸馏加工的控制算法对上述输入的信息进行处理，以生成用于表示当前时间点的微波源的加热功率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2为根据本申请实施例的用于玫瑰蒸馏加工的控制方法中推断阶段的流程图。如图2所示，根据本申请实施例的用于玫瑰蒸馏加工的控制方法，包括：推断阶段，包括：S110，获取由摄像头采集的预定时间段的玫瑰花瓣的蒸馏状态监控视频，以及，所述预定时间段内多个预定时间点的微波源的加热功率值；S120，从所述蒸馏状态监控视频提取多个花瓣蒸馏状态监控关键帧；S130，将所述多个花瓣蒸馏状态监控关键帧分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个花瓣蒸馏状态特征矩阵；S140，将所述多个花瓣蒸馏状态特征矩阵展开为多个花瓣蒸馏状态特征向量后通过基于转换器的上下文编码器以得到花瓣状态时序变化特征向量；S150，将所述多个预定时间点的微波源的加热功率值按照时间维度排列为加热功率输入向量后通过多尺度邻域特征提取模块以得到加热功率时序特征向量；S160，计算所述花瓣状态时序变化特征向量相对于所述加热功率时序特征向量的响应性估计以得到分类特征矩阵；以及，S170，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微波源的加热功率值应增大或应减小。
图4为根据本申请实施例的用于玫瑰蒸馏加工的控制方法中推断阶段的架构示意图。如图4所示，在推断阶段中，在该网络结构中，首先，获取由摄像头采集的预定时间段的玫瑰花瓣的蒸馏状态监控视频，以及，所述预定时间段内多个预定时间点的微波源的加热功率值；再从所述蒸馏状态监控视频提取多个花瓣蒸馏状态监控关键帧；接着，将所述多个花瓣蒸馏状态监控关键帧分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个花瓣蒸馏状态特征矩阵；将所述多个花瓣蒸馏状态特征矩阵展开为多个花瓣蒸馏状态特征向量后通过基于转换器的上下文编码器以得到花瓣状态时序变化特征向量；然后，将所述多个预定时间点的微波源的加热功率值按照时间维度排列为加热功率输入向量后通过多尺度邻域特征提取模块以得到加热功率时序特征向量；计算所述花瓣状态时序变化特征向量相对于所述加热功率时序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微波源的加热功率值应增大或应减小。
具体地，在步骤S110中，获取由摄像头采集的预定时间段的玫瑰花瓣的蒸馏状态监控视频，以及，所述预定时间段内多个预定时间点的微波源的加热功率值。应可以理解，在微波辅助蒸馏过程中，可以通过监测玫瑰花的状态来自适应地调整微波源的加热功率，以达到更好的提取效果。在本申请的技术方案中，可通过玫瑰花瓣的蒸馏状态监控视频来反映玫瑰花瓣的蒸馏状态情况，以此来对于微波源的加热功率值进行自适应控制。因此，在本申请的一个具体示例中，首先，可通过摄像头来预定时间段的玫瑰花瓣的蒸馏状态监控视频，以及，通过功率传感器来获取所述预定时间段内多个预定时间点的微波源的加热功率值。
具体地，在步骤S120中，从所述蒸馏状态监控视频提取多个花瓣蒸馏状态监控关键帧。考虑到在所述蒸馏状态监控视频中，关于所述玫瑰花瓣的蒸馏状态变化特征可以通过所述蒸馏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所述玫瑰花瓣的蒸馏状态变化情况。但是，考虑到所述蒸馏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，以预定采样频率对所述蒸馏状态监控视频进行关键帧采样，以从所述蒸馏状态监控视频提取多个花瓣蒸馏状态监控关键帧。这里，值得一提的是，所述采样频率可基于实际场景的应用需求做出调整，而不是默认值。
具体地，在步骤S130中，将所述多个花瓣蒸馏状态监控关键帧分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个花瓣蒸馏状态特征矩阵。也就是，使用在图像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花瓣蒸馏状态监控关键帧的特征挖掘，特别地，考虑到在对于所述各个花瓣蒸馏状态监控关键帧的隐藏特征进行提取时，关于所述玫瑰花瓣的蒸馏状态隐含特征信息在所述各个花瓣蒸馏状态监控关键帧中的纹理和颜色等浅层特征中有所呈现。因此，为了能够更准确地检测出所述玫瑰花瓣的蒸馏状态情况，应更加关注于所述各个花瓣蒸馏状态监控关键帧中的颜色和纹理等浅层特征信息，这些所述浅层特征对于所述玫瑰花瓣的蒸馏状态检测具有重要意义。然而，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卷积神经网络模型来对所述各个花瓣蒸馏状态监控关键帧进行处理以得到多个花瓣蒸馏状态特征矩阵。应可以理解，相较于标准卷积神经网络模型，根据本申请的所述卷积神经网络模型能够保留所述玫瑰花瓣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，以提高对于所述玫瑰花瓣的蒸馏状态检测的精度。
图6为根据本申请实施例的用于玫瑰蒸馏加工的控制方法中深浅特征提取过程的流程图。如图6所示，在所述深浅特征提取过程中，包括：S210，从所述卷积神经网络模型的浅层提取浅层特征矩阵；S220，从所述卷积神经网络模型的深层提取深层特征矩阵；以及，S230，融合所述浅层特征矩阵和所述深层特征矩阵以得到所述花瓣蒸馏状态特征矩阵；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S140中，将所述多个花瓣蒸馏状态特征矩阵展开为多个花瓣蒸馏状态特征向量后通过基于转换器的上下文编码器以得到花瓣状态时序变化特征向量。考虑到由于所述玫瑰花瓣的蒸馏状态在时间维度上具有着时序的动态变化特性，也就是说，所述玫瑰花瓣在蒸馏的过程中其状态是不断发生变化的，并且所这种变化特征信息为小尺度的细微变化特征信息，在实际进行玫瑰花瓣的蒸馏状态时序变化情况检测的过程中难以进行捕捉提取。因此，在本申请的技术方案中，将所述多个花瓣蒸馏状态特征矩阵展开为多个花瓣蒸馏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，以此来提取出所述各个花瓣蒸馏状态监控关键帧下关于所述玫瑰花瓣的蒸馏状态隐含特征基于时序全局的动态关联特征分布信息，即所述玫瑰花瓣的蒸馏状态特征在时间维度上的动态变化特征信息，从而得到花瓣状态时序变化特征向量。
图7为根据本申请实施例的用于玫瑰蒸馏加工的控制方法中上下文编码的流程图。如图7所示，在所述上下文编码过程中，包括：S310，将所述多个花瓣蒸馏状态特征向量进行一维排列以得到全局花瓣蒸馏状态特征向量；S320，计算所述全局花瓣蒸馏状态特征向量与所述多个花瓣蒸馏状态特征向量中各个花瓣蒸馏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花瓣蒸馏状态特征向量中各个花瓣蒸馏状态特征向量进行加权以得到所述多个上下文语义花瓣蒸馏状态特征向量；以及，S360，将所述多个上下文语义花瓣蒸馏状态特征向量进行级联以得到所述花瓣状态时序变化特征向量。
具体地，在步骤S150中，将所述多个预定时间点的微波源的加热功率值按照时间维度排列为加热功率输入向量后通过多尺度邻域特征提取模块以得到加热功率时序特征向量。考虑到所述微波源的加热功率值在时间维度上具有着时序的动态变化规律，并且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动态变化特性。因此，在本申请的技术方案中，将所述多个预定时间点的微波源的加热功率值按照时间维度排列为加热功率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，以提取出所述微波源的加热功率值在不同时间跨度下的动态多尺度邻域关联特征，从而得到加热功率时序特征向量。特别地，其中，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。
图8为根据本申请实施例的用于玫瑰蒸馏加工的控制方法中多尺度邻域特征提取的流程图。如图8所示，在所述多尺度邻域特征提取过程中，包括：S410，将所述加热功率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加热功率时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；S420，将所述加热功率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加热功率时序特征向量，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加热功率时序特征向量和所述第二邻域尺度加热功率时序特征向量进行级联以得到所述加热功率时序特征向量。其中个，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加热功率输入向量进行一维卷积编码以得到第一邻域尺度加热功率时序特征向量；其中，所述公式为：
Figure BDA0004229277210000171
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表示所述加热功率输入向量，Cov(X)表示对所述加热功率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加热功率输入向量进行一维卷积编码以得到所述第二邻域尺度加热功率时序特征向量；其中，所述公式为：
Figure BDA0004229277210000172
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表示所述加热功率输入向量，Cov(X)表示对所述加热功率输入向量进行一维卷积编码。
具体地，在步骤S160中，计算所述花瓣状态时序变化特征向量相对于所述加热功率时序特征向量的响应性估计以得到分类特征矩阵。也就是，在得到所述花瓣状态时序变化特征向量和所述加热功率时序特征向量后，进一步计算所述花瓣状态时序变化特征向量相对于所述加热功率时序特征向量的响应性估计，以表示所述玫瑰花瓣的蒸馏状态隐含特征的时序关联特征与所述微波源的加热功率值的时序多尺度动态变化特征间的关联性特征分布信息，即所述玫瑰花瓣的蒸馏状态时序变化特征与所述加热功率时序变化特征之间的映射关联特征信息，从而得到分类特征矩阵。在本申请的一个具体示例中，以如下公式计算所述花瓣状态时序变化特征向量相对于所述加热功率时序特征向量的响应性估计以得到分类特征矩阵；其中，所述公式为：
Figure BDA0004229277210000173
其中Va表示所述花瓣状态时序变化特征向量，Vb表示所述加热功率时序特征向量，M表示所述分类特征矩阵。
具体地，在步骤S170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微波源的加热功率值应增大或应减小。也就是，将所述分类特征矩阵通过分类器以得到用于表示当前时间点的微波源的加热功率值应增大或应减小的分类结果，具体地，使用所述分类器以如下公式对所述分类特征矩阵进行处理以获得分类结果，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，首先将所述分类特征矩阵投影为向量，例如，在一个具体的示例中，将所述分类特征矩阵沿着行向量或者列向量进行展开为分类特征向量；然后，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当前时间点的微波源的加热功率值应增大(第一标签)，以及，当前时间点的微波源的加热功率值应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“当前时间点的微波源的加热功率值应增大或应减小”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，微波源的加热功率值应增大或应减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“当前时间点的微波源的加热功率值应增大或应减小”的语言文本意义。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当前时间点的微波源的加热功率值应增大或应减小的控制策略标签，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当前时间点的微波源的加热功率值增大或减小，以此来优化玫瑰精油的提取效果和效率，提高玫瑰精油的纯度和品质。
应可以理解，在利用上述神经网络模型进行推断之前，需要对所述包含深浅特征融合模块的卷积神经网络模型、所述基于转换器的上下文编码器、所述多尺度邻域特征提取模块和所述分类器进行训练。也就是说，在本申请的用于玫瑰蒸馏加工的控制方法中，还包括训练模块，用于对所述包含深浅特征融合模块的卷积神经网络模型、所述基于转换器的上下文编码器、所述多尺度邻域特征提取模块和所述分类器进行训练。
图3为根据本申请实施例的用于玫瑰蒸馏加工的控制方法中训练阶段的流程图。如图3所示，根据本申请实施例的用于玫瑰蒸馏加工的控制方法，还包括训练阶段，包括步骤：S1110，获取训练数据，所述训练数据包括预定时间段的玫瑰花瓣的训练蒸馏状态监控视频，所述预定时间段内多个预定时间点的微波源的训练加热功率值，以及，所述当前时间点的微波源的加热功率值应增大或应减小的真实值；S1120，从所述训练蒸馏状态监控视频提取多个训练花瓣蒸馏状态监控关键帧；S1130，将所述多个训练花瓣蒸馏状态监控关键帧分别通过所述包含深浅特征融合模块的卷积神经网络模型以得到多个训练花瓣蒸馏状态特征矩阵；S1140，将所述多个训练花瓣蒸馏状态特征矩阵展开为多个训练花瓣蒸馏状态特征向量后通过所述基于转换器的上下文编码器以得到训练花瓣状态时序变化特征向量；S1150，将所述多个预定时间点的微波源的训练加热功率值按照时间维度排列为训练加热功率输入向量后通过所述多尺度邻域特征提取模块以得到训练加热功率时序特征向量；S1160，计算所述训练花瓣状态时序变化特征向量相对于所述训练加热功率时序特征向量的响应性估计以得到训练分类特征矩阵；S1170，将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；S1180，计算所述训练花瓣状态时序变化特征向量和所述训练加热功率时序特征向量的概率分布移位信息补偿损失函数值；以及，S1190，以所述分类损失函数值和所述概率分布移位信息补偿损失函数值的加权和作为损失函数值，并通过梯度下降的反向传播来对所述包含深浅特征融合模块的卷积神经网络模型、所述基于转换器的上下文编码器、所述多尺度邻域特征提取模块和所述分类器进行训练。
图5为根据本申请实施例的用于玫瑰蒸馏加工的控制方法中训练阶段的架构示意图。如图5所示，在所述用于玫瑰蒸馏加工的控制方法中，在训练过程中，首先，获取训练数据，所述训练数据包括预定时间段的玫瑰花瓣的训练蒸馏状态监控视频，所述预定时间段内多个预定时间点的微波源的训练加热功率值，以及，所述当前时间点的微波源的加热功率值应增大或应减小的真实值；其次，从所述训练蒸馏状态监控视频提取多个训练花瓣蒸馏状态监控关键帧；接着，将所述多个训练花瓣蒸馏状态监控关键帧分别通过所述包含深浅特征融合模块的卷积神经网络模型以得到多个训练花瓣蒸馏状态特征矩阵；将所述多个训练花瓣蒸馏状态特征矩阵展开为多个训练花瓣蒸馏状态特征向量后通过所述基于转换器的上下文编码器以得到训练花瓣状态时序变化特征向量；然后，将所述多个预定时间点的微波源的训练加热功率值按照时间维度排列为训练加热功率输入向量后通过所述多尺度邻域特征提取模块以得到训练加热功率时序特征向量；计算所述训练花瓣状态时序变化特征向量相对于所述训练加热功率时序特征向量的响应性估计以得到训练分类特征矩阵；将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；计算所述训练花瓣状态时序变化特征向量和所述训练加热功率时序特征向量的概率分布移位信息补偿损失函数值；进而，以所述分类损失函数值和所述概率分布移位信息补偿损失函数值的加权和作为损失函数值，并通过梯度下降的反向传播来对所述包含深浅特征融合模块的卷积神经网络模型、所述基于转换器的上下文编码器、所述多尺度邻域特征提取模块和所述分类器进行训练。
在本申请的技术方案中，这里，在计算所述花瓣状态时序变化特征向量相对于所述加热功率时序特征向量的响应性估计得到所述分类特征矩阵时，实质上所述分类特征矩阵表达的是所述花瓣状态时序变化特征向量和所述加热功率时序特征向量之间的基于时序特征分布的概率密度响应性融合，由此，在所述花瓣状态时序变化特征向量和所述加热功率时序特征向量的特征分布进行响应性融合的情况下，其各自的特征分布在模型的参数空间内后向传播通过分类器时，也会遇到各自的特征表达信息的退化问题，从而影响所述分类特征矩阵的特征表达效果。基于此，本申请的申请人引入针对所述花瓣状态时序变化特征向量V1和所述加热功率时序特征向量V2的概率分布移位信息补偿损失函数，表示为：
Figure BDA0004229277210000201
Figure BDA0004229277210000202
Figure BDA0004229277210000203
Figure BDA0004229277210000204
其中，V1和V2分别是所述训练花瓣状态时序变化特征向量和所述训练加热功率时序特征向量，softmax(·)表示softmax函数，bool(·)表示bool函数，log表示以2为底的对数函数值，τ1和τ2为移位补偿超参数，且α为加权超参数，
Figure BDA0004229277210000211
表示所述概率分布移位信息补偿损失函数值。这里，基于Softmax函数从所述花瓣状态时序变化特征向量V1和所述加热功率时序特征向量V2分别得到的类概率值本身会对于各自的特征分布遵循概率分布，使用所述概率分布移位信息补偿损失函数来对所述花瓣状态时序变化特征向量V1和所述加热功率时序特征向量V2的特征表示的概率分布的移位来进行信息补偿，并通过bool函数来使得补偿带来的交叉信息熵最大化，这样，可以使得融合后的所述分类特征矩阵的特征分布能够最大程度地还原融合前的所述花瓣状态时序变化特征向量V1和所述加热功率时序特征向量V2的特征表达信息，从而提升所述分类特征矩阵的特征表达效果，以改进其通过分类器得到的分类结果的准确性。这样，能够实时准确地基于实际的玫瑰花瓣蒸馏状态变化情况来进行微波源的加热功率值的自适应控制，从而优化玫瑰精油的提取效果和效率，提高玫瑰精油的纯度和品质。
综上，根据本申请实施例的用于玫瑰蒸馏加工的控制方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出玫瑰花瓣的蒸馏状态时序变化与微波源的加热功率时序变化之间的映射关系，以此基于实际的玫瑰花瓣蒸馏状态变化情况来进行微波源的加热功率值的自适应控制，从而优化玫瑰精油的提取效果和效率，提高玫瑰精油的纯度和品质。
示例性系统
图9为根据本申请实施例的用于玫瑰蒸馏加工的控制系统的框图。如图9所示，根据本申请实施例的用于玫瑰蒸馏加工的控制系统300，包括：信息采集模块310；关键帧提取模块320；深浅特征提取模块330；上下文编码模块340；多尺度邻域特征提取模块350；响应性估计计算模块360；以及，分类结果生成模块370。
其中，所述信息采集模块310，用于获取由摄像头采集的预定时间段的玫瑰花瓣的蒸馏状态监控视频，以及，所述预定时间段内多个预定时间点的微波源的加热功率值；所述关键帧提取模块320，用于从所述蒸馏状态监控视频提取多个花瓣蒸馏状态监控关键帧；所述深浅特征提取模块330，用于将所述多个花瓣蒸馏状态监控关键帧分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个花瓣蒸馏状态特征矩阵；所述上下文编码模块340，用于将所述多个花瓣蒸馏状态特征矩阵展开为多个花瓣蒸馏状态特征向量后通过基于转换器的上下文编码器以得到花瓣状态时序变化特征向量；所述多尺度邻域特征提取模块350，用于将所述多个预定时间点的微波源的加热功率值按照时间维度排列为加热功率输入向量后通过多尺度邻域特征提取模块以得到加热功率时序特征向量；所述响应性估计计算模块360，用于计算所述花瓣状态时序变化特征向量相对于所述加热功率时序特征向量的响应性估计以得到分类特征矩阵；以及，所述分类结果生成模块370，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微波源的加热功率值应增大或应减小。
在一个示例中，在上述用于玫瑰蒸馏加工的控制系统300中，所述深浅特征提取模块330，用于：从所述卷积神经网络模型的浅层提取浅层特征矩阵；从所述卷积神经网络模型的深层提取深层特征矩阵；以及，融合所述浅层特征矩阵和所述深层特征矩阵以得到所述花瓣蒸馏状态特征矩阵；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。
在一个示例中，在上述用于玫瑰蒸馏加工的控制系统300中，所述上下文编码模块340，用于：将所述多个花瓣蒸馏状态特征向量进行一维排列以得到全局花瓣蒸馏状态特征向量；计算所述全局花瓣蒸馏状态特征向量与所述多个花瓣蒸馏状态特征向量中各个花瓣蒸馏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花瓣蒸馏状态特征向量中各个花瓣蒸馏状态特征向量进行加权以得到所述多个上下文语义花瓣蒸馏状态特征向量；以及，将所述多个上下文语义花瓣蒸馏状态特征向量进行级联以得到所述花瓣状态时序变化特征向量。
在一个示例中，在上述用于玫瑰蒸馏加工的控制系统300中，所述多尺度邻域特征提取模块350，用于：将所述加热功率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加热功率时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述加热功率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加热功率时序特征向量，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加热功率时序特征向量和所述第二邻域尺度加热功率时序特征向量进行级联以得到所述加热功率时序特征向量。其中，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。更具体地，将所述加热功率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加热功率时序特征向量，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加热功率输入向量进行一维卷积编码以得到第一邻域尺度加热功率时序特征向量；其中，所述公式为：
Figure BDA0004229277210000231
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表示所述加热功率输入向量，Cov(X)表示对所述加热功率输入向量进行一维卷积编码；以及，将所述加热功率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加热功率时序特征向量，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加热功率输入向量进行一维卷积编码以得到所述第二邻域尺度加热功率时序特征向量；其中，所述公式为：
Figure BDA0004229277210000232
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表示所述加热功率输入向量，Cov(X)表示对所述加热功率输入向量进行一维卷积编码。
在一个示例中，在上述用于玫瑰蒸馏加工的控制系统300中，所述响应性估计计算模块360，用于：以如下公式计算所述花瓣状态时序变化特征向量相对于所述加热功率时序特征向量的响应性估计以得到分类特征矩阵；其中，所述公式为：
Figure BDA0004229277210000241
其中Va表示所述花瓣状态时序变化特征向量，Vb表示所述加热功率时序特征向量，M表示所述分类特征矩阵。
综上，根据本申请实施例的用于玫瑰蒸馏加工的控制系统300被阐明，其通过采用基于深度学习的神经网络模型挖掘出玫瑰花瓣的蒸馏状态时序变化与微波源的加热功率时序变化之间的映射关系，以此基于实际的玫瑰花瓣蒸馏状态变化情况来进行微波源的加热功率值的自适应控制，从而优化玫瑰精油的提取效果和效率，提高玫瑰精油的纯度和品质。
如上所述，根据本申请实施例的用于玫瑰蒸馏加工的控制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用于玫瑰蒸馏加工的控制系统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，该用于玫瑰蒸馏加工的控制系统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，该用于玫瑰蒸馏加工的控制系统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，该用于玫瑰蒸馏加工的控制系统与该终端设备也可以是分立的设备，并且该用于玫瑰蒸馏加工的控制系统可以通过有线和/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10来描述根据本申请实施例的电子设备。
图10图示了根据本申请实施例的电子设备的框图。
如图10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用于玫瑰蒸馏加工的控制方法中的功能以及/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花瓣状态时序变化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10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用于玫瑰蒸馏加工的控制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用于玫瑰蒸馏加工的控制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)

1.一种用于玫瑰蒸馏加工的控制方法，其特征在于，包括：
获取由摄像头采集的预定时间段的玫瑰花瓣的蒸馏状态监控视频，以及，所述预定时间段内多个预定时间点的微波源的加热功率值；
从所述蒸馏状态监控视频提取多个花瓣蒸馏状态监控关键帧；
将所述多个花瓣蒸馏状态监控关键帧分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个花瓣蒸馏状态特征矩阵；
将所述多个花瓣蒸馏状态特征矩阵展开为多个花瓣蒸馏状态特征向量后通过基于转换器的上下文编码器以得到花瓣状态时序变化特征向量；
将所述多个预定时间点的微波源的加热功率值按照时间维度排列为加热功率输入向量后通过多尺度邻域特征提取模块以得到加热功率时序特征向量；
计算所述花瓣状态时序变化特征向量相对于所述加热功率时序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微波源的加热功率值应增大或应减小。
2.根据权利要求1所述的用于玫瑰蒸馏加工的控制方法，其特征在于，将所述多个花瓣蒸馏状态监控关键帧分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个花瓣蒸馏状态特征矩阵，包括：
从所述卷积神经网络模型的浅层提取浅层特征矩阵；
从所述卷积神经网络模型的深层提取深层特征矩阵；以及
融合所述浅层特征矩阵和所述深层特征矩阵以得到所述花瓣蒸馏状态特征矩阵；
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所述的用于玫瑰蒸馏加工的控制方法，其特征在于，将所述多个花瓣蒸馏状态特征矩阵展开为多个花瓣蒸馏状态特征向量后通过基于转换器的上下文编码器以得到花瓣状态时序变化特征向量，包括：
将所述多个花瓣蒸馏状态特征向量进行一维排列以得到全局花瓣蒸馏状态特征向量；
计算所述全局花瓣蒸馏状态特征向量与所述多个花瓣蒸馏状态特征向量中各个花瓣蒸馏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花瓣蒸馏状态特征向量中各个花瓣蒸馏状态特征向量进行加权以得到所述多个上下文语义花瓣蒸馏状态特征向量；以及
将所述多个上下文语义花瓣蒸馏状态特征向量进行级联以得到所述花瓣状态时序变化特征向量。
4.根据权利要求3所述的用于玫瑰蒸馏加工的控制方法，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。
5.根据权利要求4所述的用于玫瑰蒸馏加工的控制方法，其特征在于，将所述多个预定时间点的微波源的加热功率值按照时间维度排列为加热功率输入向量后通过多尺度邻域特征提取模块以得到加热功率时序特征向量，包括：
将所述加热功率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加热功率时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；
将所述加热功率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加热功率时序特征向量，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加热功率时序特征向量和所述第二邻域尺度加热功率时序特征向量进行级联以得到所述加热功率时序特征向量。
其中，将所述加热功率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加热功率时序特征向量，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加热功率输入向量进行一维卷积编码以得到第一邻域尺度加热功率时序特征向量；
其中，所述公式为：
Figure FDA0004229277200000031
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表示所述加热功率输入向量，Cov(X)表示对所述加热功率输入向量进行一维卷积编码；以及
将所述加热功率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加热功率时序特征向量，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加热功率输入向量进行一维卷积编码以得到所述第二邻域尺度加热功率时序特征向量；
其中，所述公式为：
Figure FDA0004229277200000032
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表示所述加热功率输入向量，Cov(X)表示对所述加热功率输入向量进行一维卷积编码。
6.根据权利要求5所述的用于玫瑰蒸馏加工的控制方法，其特征在于，计算所述花瓣状态时序变化特征向量相对于所述加热功率时序特征向量的响应性估计以得到分类特征矩阵，包括：以如下公式计算所述花瓣状态时序变化特征向量相对于所述加热功率时序特征向量的响应性估计以得到分类特征矩阵；
其中，所述公式为：
Figure FDA0004229277200000033
其中Va表示所述花瓣状态时序变化特征向量，Vb表示所述加热功率时序特征向量，M表示所述分类特征矩阵。
7.根据权利要求6所述的用于玫瑰蒸馏加工的控制方法，其特征在于，还包括对所述包含深浅特征融合模块的卷积神经网络模型、所述基于转换器的上下文编码器、所述多尺度邻域特征提取模块和所述分类器进行训练；
其中，对所述包含深浅特征融合模块的卷积神经网络模型、所述基于转换器的上下文编码器、所述多尺度邻域特征提取模块和所述分类器进行训练，包括：
获取训练数据，所述训练数据包括预定时间段的玫瑰花瓣的训练蒸馏状态监控视频，所述预定时间段内多个预定时间点的微波源的训练加热功率值，以及，所述当前时间点的微波源的加热功率值应增大或应减小的真实值；
从所述训练蒸馏状态监控视频提取多个训练花瓣蒸馏状态监控关键帧；
将所述多个训练花瓣蒸馏状态监控关键帧分别通过所述包含深浅特征融合模块的卷积神经网络模型以得到多个训练花瓣蒸馏状态特征矩阵；
将所述多个训练花瓣蒸馏状态特征矩阵展开为多个训练花瓣蒸馏状态特征向量后通过所述基于转换器的上下文编码器以得到训练花瓣状态时序变化特征向量；
将所述多个预定时间点的微波源的训练加热功率值按照时间维度排列为训练加热功率输入向量后通过所述多尺度邻域特征提取模块以得到训练加热功率时序特征向量；
计算所述训练花瓣状态时序变化特征向量相对于所述训练加热功率时序特征向量的响应性估计以得到训练分类特征矩阵；
将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；
计算所述训练花瓣状态时序变化特征向量和所述训练加热功率时序特征向量的概率分布移位信息补偿损失函数值；以及
以所述分类损失函数值和所述概率分布移位信息补偿损失函数值的加权和作为损失函数值，并通过梯度下降的反向传播来对所述包含深浅特征融合模块的卷积神经网络模型、所述基于转换器的上下文编码器、所述多尺度邻域特征提取模块和所述分类器进行训练。
8.根据权利要求7所述的用于玫瑰蒸馏加工的控制方法，其特征在于，将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值，包括：
使用所述分类器对所述训练分类特征矩阵进行处理以得到训练分类结果:以及
计算所述训练分类结果与所述当前时间点的微波源的加热功率值应增大或应减小的真实值之间的交叉熵损失函数值作为所述分类损失函数值。
9.根据权利要求8所述的用于玫瑰蒸馏加工的控制方法，其特征在于，计算所述训练花瓣状态时序变化特征向量和所述训练加热功率时序特征向量的概率分布移位信息补偿损失函数值，包括：
以如下优化公式计算所述训练花瓣状态时序变化特征向量和所述训练加热功率时序特征向量的所述概率分布移位信息补偿损失函数值；
其中，所述优化公式为：
Figure FDA0004229277200000051
Figure FDA0004229277200000052
Figure FDA0004229277200000053
Figure FDA0004229277200000054
其中，V1和V2分别是所述训练花瓣状态时序变化特征向量和所述训练加热功率时序特征向量，softmax(·)表示softmax函数，bool(·)表示bool函数，log表示以2为底的对数函数值，τ1和τ2为移位补偿超参数，且α为加权超参数，
Figure FDA0004229277200000055
表示所述概率分布移位信息补偿损失函数值。
10.一种用于玫瑰蒸馏加工的控制系统，其特征在于，包括：
信息采集模块，用于获取由摄像头采集的预定时间段的玫瑰花瓣的蒸馏状态监控视频，以及，所述预定时间段内多个预定时间点的微波源的加热功率值；
关键帧提取模块，用于从所述蒸馏状态监控视频提取多个花瓣蒸馏状态监控关键帧；
深浅特征提取模块，用于将所述多个花瓣蒸馏状态监控关键帧分别通过包含深浅特征融合模块的卷积神经网络模型以得到多个花瓣蒸馏状态特征矩阵；
上下文编码模块，用于将所述多个花瓣蒸馏状态特征矩阵展开为多个花瓣蒸馏状态特征向量后通过基于转换器的上下文编码器以得到花瓣状态时序变化特征向量；
多尺度邻域特征提取模块，用于将所述多个预定时间点的微波源的加热功率值按照时间维度排列为加热功率输入向量后通过多尺度邻域特征提取模块以得到加热功率时序特征向量；
响应性估计计算模块，用于计算所述花瓣状态时序变化特征向量相对于所述加热功率时序特征向量的响应性估计以得到分类特征矩阵；以及
分类结果生成模块，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微波源的加热功率值应增大或应减小。
CN202310544380.4A 2023-05-15 2023-05-15 一种用于玫瑰蒸馏加工的控制方法及系统 Pending CN116434123A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310544380.4A CN116434123A (zh) 2023-05-15 2023-05-15 一种用于玫瑰蒸馏加工的控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310544380.4A CN116434123A (zh) 2023-05-15 2023-05-15 一种用于玫瑰蒸馏加工的控制方法及系统

Publications (1)

Publication Number Publication Date
CN116434123A true CN116434123A (zh) 2023-07-14

Family

ID=87079797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310544380.4A Pending CN116434123A (zh) 2023-05-15 2023-05-15 一种用于玫瑰蒸馏加工的控制方法及系统

Country Status (1)

Country Link
CN (1) CN116434123A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116983681A (zh) * 2023-09-12 2023-11-03 浙江嘉诚动能科技股份有限公司 一种智能复合式甲醇蒸发器
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

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116983681A (zh) * 2023-09-12 2023-11-03 浙江嘉诚动能科技股份有限公司 一种智能复合式甲醇蒸发器
CN116983681B (zh) * 2023-09-12 2024-02-27 浙江嘉诚动能科技股份有限公司 一种智能复合式甲醇蒸发器
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
CN116434123A (zh) 一种用于玫瑰蒸馏加工的控制方法及系统
Bucak et al. Incremental subspace learning via non-negative matrix factorization
CN115896817B (zh) 氟氮混合气的生产方法及其系统
CN111091045A (zh) 一种基于时空注意力机制的手语识别方法
CN110222213B (zh) 一种基于异构张量分解的图像分类方法
CN116095089B (zh) 遥感卫星数据处理方法及系统
CN115951584A (zh) 用于滚筒杀青机的温度控制系统及方法
CN116426331A (zh) 香料油的智能化制备方法及其系统
CN115759658B (zh) 适用于智慧城市的企业能耗数据管理系统
CN116434117A (zh) 一种复合聚丙烯酰胺驱油剂的制备方法
CN115827257B (zh) 用于处理器体系的cpu容量预测方法及其系统
CN116038854A (zh) 门加工用成型控制系统及方法
Andreassen et al. Parameter estimation using neural networks in the presence of detector effects
Gao et al. Generalized image outpainting with U-transformer
Lu Multifeature fusion human motion behavior recognition algorithm using deep reinforcement learning
Li et al. Diversified text-to-image generation via deep mutual information estimation
Bie et al. RenAIssance: A Survey into AI Text-to-Image Generation in the Era of Large Model
Pang et al. Tensor spectral k-support norm minimization for detecting infrared dim and small target against urban backgrounds
CN116624977B (zh) 一种基于人工智能的楼宇自控系统及其方法
Lan et al. Infrared dim and small targets detection via self-attention mechanism and pipeline correlator
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
Wei et al. Spatiotemporal features and local relationship learning for facial action unit intensity regression
Phaisangittisagul et al. Predictive high-level feature representation based on dictionary learning
Sun et al. Research on Data Fusion Method Based on Multisource Data Awareness of Internet of Things
CN114819392A (zh) 一种基于用户聚类扩展数据的用电预测方法

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