CN116849237A - 焦糖饼干及其制备方法 - Google Patents
焦糖饼干及其制备方法 Download PDFInfo
- Publication number
- CN116849237A CN116849237A CN202310846463.9A CN202310846463A CN116849237A CN 116849237 A CN116849237 A CN 116849237A CN 202310846463 A CN202310846463 A CN 202310846463A CN 116849237 A CN116849237 A CN 116849237A
- Authority
- CN
- China
- Prior art keywords
- stirring
- caramel
- biscuit
- raw material
- feature
- 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
Links
- MIDXCONKKJTLDX-UHFFFAOYSA-N 3,5-dimethylcyclopentane-1,2-dione Chemical compound CC1CC(C)C(=O)C1=O MIDXCONKKJTLDX-UHFFFAOYSA-N 0.000 title claims abstract description 121
- 235000013736 caramel Nutrition 0.000 title claims abstract description 121
- 235000015895 biscuits Nutrition 0.000 title claims abstract description 100
- 238000002360 preparation method Methods 0.000 title abstract description 29
- 238000003756 stirring Methods 0.000 claims abstract description 244
- 239000002994 raw material Substances 0.000 claims abstract description 82
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 16
- 235000020448 caramel syrup Nutrition 0.000 claims abstract description 15
- 238000004904 shortening Methods 0.000 claims abstract description 12
- 239000004482 other powder Substances 0.000 claims abstract description 11
- 239000000463 material Substances 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 72
- 230000007704 transition Effects 0.000 claims description 60
- 239000013598 vector Substances 0.000 claims description 55
- 238000012544 monitoring process Methods 0.000 claims description 47
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000010586 diagram Methods 0.000 claims description 26
- 235000014510 cooky Nutrition 0.000 claims description 21
- 238000012546 transfer Methods 0.000 claims description 21
- 238000013019 agitation Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 235000021552 granulated sugar Nutrition 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 12
- 238000012300 Sequence Analysis Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- UIIMBOGNXHQVGW-UHFFFAOYSA-M Sodium bicarbonate Chemical compound [Na+].OC([O-])=O UIIMBOGNXHQVGW-UHFFFAOYSA-M 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 244000223760 Cinnamomum zeylanicum Species 0.000 claims description 5
- 229920002261 Corn starch Polymers 0.000 claims description 5
- 108010068370 Glutens Proteins 0.000 claims description 5
- 235000017803 cinnamon Nutrition 0.000 claims description 5
- 239000008120 corn starch Substances 0.000 claims description 5
- 235000021312 gluten Nutrition 0.000 claims description 5
- 239000000843 powder Substances 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 235000012054 meals Nutrition 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 229910000030 sodium bicarbonate Inorganic materials 0.000 claims description 3
- 235000017557 sodium bicarbonate Nutrition 0.000 claims description 3
- 235000013312 flour Nutrition 0.000 claims description 2
- 238000012731 temporal analysis Methods 0.000 claims description 2
- 238000000700 time series analysis Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 18
- 239000002699 waste material Substances 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000000748 compression moulding Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 45
- 238000004519 manufacturing process Methods 0.000 description 15
- 238000002156 mixing Methods 0.000 description 10
- 239000000047 product Substances 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 239000012634 fragment Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 239000000796 flavoring agent Substances 0.000 description 2
- 235000019634 flavors Nutrition 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000019219 chocolate Nutrition 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000005520 cutting process 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
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 235000014571 nuts Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 235000020357 syrup Nutrition 0.000 description 1
- 239000006188 syrup Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A21—BAKING; EDIBLE DOUGHS
- A21D—TREATMENT, e.g. PRESERVATION, OF FLOUR OR DOUGH, e.g. BY ADDITION OF MATERIALS; BAKING; BAKERY PRODUCTS; PRESERVATION THEREOF
- A21D13/00—Finished or partly finished bakery products
- A21D13/80—Pastry not otherwise provided for elsewhere, e.g. cakes, biscuits or cookies
-
- A—HUMAN NECESSITIES
- A21—BAKING; EDIBLE DOUGHS
- A21C—MACHINES OR EQUIPMENT FOR MAKING OR PROCESSING DOUGHS; HANDLING BAKED ARTICLES MADE FROM DOUGH
- A21C1/00—Mixing or kneading machines for the preparation of dough
- A21C1/14—Structural elements of mixing or kneading machines; Parts; Accessories
- A21C1/145—Controlling; Testing; Measuring
-
- 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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Food Science & Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bakery Products And Manufacturing Methods Therefor (AREA)
Abstract
一种焦糖饼干及其制备方法,其将起酥油打软,加入细砂糖、焦糖糖浆和水搅拌均匀后,再加入其它粉类物质进行搅拌均匀以得到面团;以及,将所述面团压模成型,并送入烤箱烘烤预定时间以得到焦糖饼干。这样,基于深度学习的机器视觉技术来对于焦糖饼干原料的搅拌状态变化情况进行分析,以检测出原料搅拌是否均匀,从而进行停止搅拌的智能控制,以此来确保搅拌均匀的基础上避免能源的浪费,优化最终焦糖饼干的口感和外观质量。
Description
技术领域
本申请涉及智能化制备技术领域,并且更具体地,涉及一种焦糖饼干及其制备方法。
背景技术
饼干是一种受人们青睐的点心,作为一种休闲食品,便于携带并可以快速补充人体需要的能量。随着经济的不断发展,人们生活水平的提高,对食品的多样性需求随之增高。焦糖饼干作为一种口感香脆、味道独特的糕点,可以根据个人喜好和创意加入各种配料,如巧克力、坚果、水果等,使口味更加丰富多样,深受人们的喜爱。
在焦糖饼干的制备过程中,搅拌过程对于焦糖饼干的质量和口感至关重要。目前,传统的焦糖饼干制备方案中,通常是通过专业人士凭借经验来进行焦糖原料搅拌的监测控制。然而,由于人工操作存在主观性和不确定性,搅拌过程往往难以精确控制,导致焦糖饼干原料的混合不均匀,使得焦糖饼干的外观质量和口感难以达到应有要求。
因此,期望一种优化的焦糖饼干制备方案。
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焦糖饼干及其制备方法,其将起酥油打软,加入细砂糖、焦糖糖浆和水搅拌均匀后,再加入其它粉类物质进行搅拌均匀以得到面团;以及,将所述面团压模成型,并送入烤箱烘烤预定时间以得到焦糖饼干。这样,基于深度学习的机器视觉技术来对于焦糖饼干原料的搅拌状态变化情况进行分析,以检测出原料搅拌是否均匀,从而进行停止搅拌的智能控制,以此来确保搅拌均匀的基础上避免能源的浪费,优化最终焦糖饼干的口感和外观质量。
第一方面,提供了一种焦糖饼干,包括:低筋粉35%-45%,玉米淀粉1%-2%,起酥油15%-25%,细砂糖15%-25%,焦糖糖浆8%-18%,肉桂粉0.5%,添加剂1%-2%,水。
第二方面,提供了一种焦糖饼干的制备方法,包括:
将起酥油打软,加入细砂糖、焦糖糖浆和水搅拌均匀后,再加入其它粉类物质进行搅拌均匀以得到面团;;其中其它粉类物质含低筋粉、玉米淀粉、肉桂粉;以及
将所述面团压模成型,并送入烤箱烘烤预定时间以得到焦糖饼干。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的焦糖饼干的制备方法的流程图。
图2为根据本申请实施例的焦糖饼干的制备方法的架构示意图。
图3为根据本申请实施例的焦糖饼干的制备方法中步骤110的子步骤的流程图。
图4为根据本申请实施例的焦糖饼干的制备方法中步骤112的子步骤的流程图。
图5为根据本申请实施例的焦糖饼干的制备系统的框图。
图6为根据本申请实施例的焦糖饼干的制备方法的场景示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
目前,传统的焦糖饼干制备方案中,通常是通过专业人士凭借经验来进行焦糖原料搅拌的监测控制。然而,由于人工操作存在主观性和不确定性,搅拌过程往往难以精确控制,导致焦糖饼干原料的混合不均匀,使得焦糖饼干的外观质量和口感难以达到应有要求。
因此,期望一种优化的焦糖饼干制备方案。
具体地,在本申请的技术方案中,提出了一种焦糖饼干,其包括:低筋粉35%-45%,玉米淀粉1%-2%,起酥油15%-25%,细砂糖15%-25%,焦糖糖浆8%-18%,肉桂粉0.5%,添加剂1%-2%,水。特别地,这里,主要风味来源是所述焦糖糖浆,所述焦糖糖浆包括:细砂糖50%-80%,水20%-30%,小苏打1%-5%。
在本申请的一个实施例中,图1为根据本申请实施例的焦糖饼干的制备方法的流程图。如图1所示,所述焦糖饼干的制备方法,包括:110,将起酥油打软,加入细砂糖、焦糖糖浆和水搅拌均匀后,再加入其它粉类物质进行搅拌均匀以得到面团;以及,120,将所述面团压模成型,并送入烤箱烘烤预定时间以得到焦糖饼干。
相应地,还提出了一种焦糖饼干的制备方法,制备过程中涉及到焦糖的制作和饼干的烘焙。其中,饼干的烘焙过程包括:将起酥油打软,加入细砂糖、焦糖糖浆和水搅拌均匀后,再加入其它粉类物质进行搅拌均匀以得到面团;将所述面团压模成型,并送入烤箱烘烤预定时间以得到焦糖饼干。特别地,这里,所述焦糖糖浆制作流程如下:将部分水加热,加入细砂糖搅拌溶解,继续加热至170℃-180℃,加入小苏打加速焦糖化反应,反应时环境温度为70-80℃,反应时长为2小时。待反应结束,加入配方中剩余水量,制成焦糖风味糖浆。
应可以理解,在实际进行焦糖饼干的制备过程中,将焦糖饼干的原料进行搅拌均匀是一个关键步骤,其能够将原料充分混合,并使原料均匀分布,以确保焦糖饼干在烘焙过程中受热均匀,从而获得一致的口感和外观。然而,搅拌时间的过长或过短都会影响最终的焦糖饼干的成型质量和口感,具体来说,如果搅拌时间过短,则会导致原料未能充分混合,从而影响焦糖饼干的烘焙质量,而如果搅拌时间过长会造成能源的浪费。并且,传统的人工搅拌监测方式存在一定的主观性和不确定性,从而可能会导致焦糖饼干的烘焙受热不均匀,影响最终焦糖饼干的口感和外观质量。
基于此,在本申请的技术方案中,期望采用基于深度学习的机器视觉技术来对于焦糖饼干原料的搅拌状态变化情况进行分析,以检测出原料搅拌是否均匀,从而进行停止搅拌的智能控制,以此来确保搅拌均匀的基础上避免能源的浪费,优化最终焦糖饼干的口感和外观质量。
图2为根据本申请实施例的焦糖饼干的制备方法的架构示意图。图3为根据本申请实施例的焦糖饼干的制备方法中步骤110的子步骤的流程图。如图2和图3所示,将起酥油打软,加入细砂糖、焦糖糖浆和水搅拌均匀后,再加入其它粉类物质进行搅拌均匀以得到面团,包括:111,通过摄像头采集预定时间段的焦糖饼干原料搅拌监控视频;112,对所述焦糖饼干原料搅拌监控视频进行时序分析以得到搅拌状态转移特征图;113,基于所述搅拌状态转移特征图,确定是否停止搅拌。
在所述步骤111中,确保摄像头的位置和角度能够全面覆盖搅拌过程,以获取准确的监控视频。通过摄像头采集视频,可以实时监测焦糖饼干原料的搅拌过程,获取视觉信息用于后续分析。
在所述步骤112中,使用适当的视频处理算法,如光流法或帧差法,提取视频中的关键帧或帧间差异,以获取搅拌状态的变化特征。通过时序分析,可以获得焦糖饼干原料搅拌过程中的状态转移特征图,用于后续的搅拌状态判断和控制。
在所述步骤113中,根据搅拌状态转移特征图的变化趋势,设置合适的判断条件,以确定搅拌是否达到均匀状态,并进行停止搅拌的决策。通过基于搅拌状态转移特征图的判断,可以智能地控制搅拌时间,确保原料充分混合并避免能源的浪费,从而优化焦糖饼干的口感和外观质量。
通过采集搅拌监控视频、进行时序分析和基于特征图的判断,可以实现对焦糖饼干原料搅拌过程的智能监控和控制。这种基于深度学习的机器视觉技术能够提高生产效率、减少人为因素的干扰,并优化最终产品的质量和口感。
具体地,在所述步骤111中,通过摄像头采集预定时间段的焦糖饼干原料搅拌监控视频。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焦糖饼干原料搅拌监控视频。
在本申请的一个实施例中,在焦糖饼干制备区域适当位置安装摄像头,确保能够全面监控搅拌过程。使用摄像头采集焦糖饼干原料搅拌的实时视频,并保存下来以供后续分析。
应可以理解,通过摄像头采集预定时间段的焦糖饼干原料搅拌监控视频,可以获得搅拌过程中的物料状态,例如原料的颜色、形状和分布情况,以及是否均匀混合在一起。搅拌器的运行状态,例如搅拌器的转速、旋转方向和振动情况,以判断搅拌器是否正常工作。搅拌过程中的液体流动情况,例如液体原料的搅拌,您可以观察到液体的流动速度、方向和涡流情况,以评估搅拌的效果。搅拌过程中的气泡生成和消除,例如气泡的生成和消除情况,以判断搅拌过程中是否存在气泡困扰。搅拌器与容器之间的相互作用,例如搅拌器与容器之间的接触情况,以及搅拌器对容器的搅拌效果。
通过实时监控和分析,确保焦糖饼干原料充分混合,减少不均匀混合导致的质量问题,提高产品口感和质量。通过精确的搅拌状态判断,可以在达到均匀混合要求后及时停止搅拌,避免过度搅拌导致的能源浪费。基于深度学习的机器视觉技术在焦糖饼干制备过程中的应用可以提高产品质量、节约能源,并实现自动化控制,从而带来多方面的益处。
具体地,在所述步骤112中,对所述焦糖饼干原料搅拌监控视频进行时序分析以得到搅拌状态转移特征图。图4为根据本申请实施例的焦糖饼干的制备方法中步骤112的子步骤的流程图,如图4所示,对所述焦糖饼干原料搅拌监控视频进行时序分析以得到搅拌状态转移特征图,包括:1121对所述焦糖饼干原料搅拌监控视频进行视频切分以得到多个原料搅拌监控视频片段;1122通过基于深度神经网络模型的特征提取器来分别对所述多个原料搅拌监控视频片段进行特征提取以得到多个原料搅拌状态特征向量;以及,1123对所述多个原料搅拌状态特征向量进行搅拌状态转移关联编码以得到所述搅拌状态转移特征图。
应可以理解,通过对焦糖饼干原料搅拌监控视频进行时序分析和特征提取,得到的搅拌状态转移特征图可以准确地反映搅拌过程中的状态变化,包括混合程度、均匀性等信息。通过对搅拌状态转移特征图的分析,可以实时监控搅拌过程,及时发现搅拌状态异常或达到均匀混合要求,从而及时采取措施调整搅拌过程。基于搅拌状态转移特征图的分析结果,可以自动判断是否停止搅拌,实现自动化控制,减少人工干预,提高生产效率和一致性。通过精确控制搅拌过程,确保焦糖饼干原料充分混合、烘焙均匀,提高产品质量和口感。
通过对焦糖饼干原料搅拌监控视频进行时序分析和特征提取,得到搅拌状态转移特征图,可以实现实时监控、自动化控制和优化产品质量等有益效果。
对于所述步骤1121,应可以理解,在实际进行原料的搅拌状态监控时,由于原料的搅拌状态会随着时间的推移而发生变化,并且这种变化特征为小尺度的细微隐性变化特征信息,难以通过传统的特征提取方式进行有效捕捉刻画。
因此,在本申请的技术方案中,进一步对所述焦糖饼干原料搅拌监控视频进行视频切分以得到多个原料搅拌监控视频片段。通过将整个搅拌过程的监控视频切分成多个片段,能够更细致地观察和分析每个片段中的焦糖饼干原料搅拌状态。特别地,这种视频切分的方法可以帮助确定搅拌过程中的关键时间点和状态转变。例如,可以观察到搅拌开始时原料的初步混合状态,以及搅拌过程中逐渐达到均匀混合的状态。通过对每个片段进行分析,可以更准确地判断搅拌的均匀程度和是否达到停止搅拌的条件。
视频切分是将整个搅拌监控视频分割成多个小片段的过程,每个片段包含一段连续的搅拌过程,其包括步骤:预处理,对原始搅拌监控视频进行预处理,包括去除噪声、调整亮度和对比度等,以提高后续处理的准确性和效果。视频分析,使用计算机视觉技术对预处理后的视频进行分析,提取关键帧或关键时间点,这些帧或时间点代表搅拌过程的转折或状态变化。分割视频,根据关键帧或关键时间点,将视频分割成多个小片段,每个片段包含一个完整的搅拌过程。片段保存,将分割后的视频片段保存为独立的文件,以便后续处理和分析。
通过将视频分割成小片段,可以更准确地分析每个搅拌过程的特征和状态转移,从而提高后续处理的精确度。将视频切分成小片段后,可以实时监控每个片段的搅拌状态,并及时提供反馈,以便调整搅拌参数和过程。通过视频切分,可以将搅拌过程的控制自动化,根据每个片段的特征和状态转移进行自动调整和优化。通过精确的视频切分和分析,可以确保焦糖饼干原料的充分混合和烘焙均匀,从而提高产品质量和口感。
视频切分是基于深度学习的机器视觉技术在焦糖饼干制备过程中的重要步骤,它可以提高搅拌过程的精确性、实时监控和反馈、自动化控制,并优化产品质量。
对于所述步骤1122,所述深度神经网络模型为时域三维卷积神经网络模型。然后,考虑到由于所述焦糖饼干原料的搅拌状态在时间维度上是不断变化的,因此,在所述各个原料搅拌监控视频片段中,所述焦糖饼干原料的状态都具有着时序的关联关系。基于此,在本申请的技术方案中,将所述多个原料搅拌监控视频片段分别通过时域三维卷积神经网络模型以得到多个原料搅拌状态特征向量。
应可以理解,这里,所述时域三维卷积神经网络模型网络结合了三维卷积和时间分段网络的思想,可以有效地提取各个时间段中有关于所述焦糖饼干原料的混合状态特征信息,以便于后续的识别和分类任务。具体来说,所述时域三维卷积神经网络模型的输入是一段视频序列,输出是该视频序列所属的类别。所述时域三维卷积神经网络模型的结构包含了多个时域3D卷积层、池化层和全连接层,可以对视频数据进行多尺度的特征提取和时序特征的学习,以便于更为充分地捕捉到有关于所述焦糖饼干原料的搅拌状态细微变化特征信息。并且,所述时域三维卷积神经网络模型通过将视频序列分成多个时间段,并对每个时间段进行特征提取和学习,最后将各个时间段的特征信息聚合起来,得到完整的特征表示,有利于提高后续分类的精准度。
时域三维卷积神经网络(3D Convolutional Neural Network)模型是一种用于处理视频数据的深度学习模型。与传统的二维卷积神经网络(2D CNN)不同,时域三维卷积神经网络在卷积操作中考虑了时间维度,能够有效地处理视频中的时序信息。时域三维卷积神经网络模型是一种用于处理视频数据的深度学习模型,通过考虑时间维度,能够有效地提取视频中的时空特征,对于视频相关的任务具有较好的性能。
将多个原料搅拌监控视频片段通过时域三维卷积神经网络模型,可以得到每个视频片段对应的原料搅拌状态特征向量。时域三维卷积神经网络模型可以有效地提取视频片段中的时空特征,通过对每个片段进行特征提取,可以捕捉到搅拌过程中的关键信息,如搅拌速度、原料混合程度等。
得到的特征向量可以用于对搅拌状态进行分类,可以将不同的搅拌状态(如搅拌中、停止、异常等)识别出来,从而实现对搅拌过程的自动监控和控制。通过分析每个片段的特征向量,可以评估搅拌过程的质量。例如,可以通过特征向量中的某些指标(如均匀度、密度等)来判断搅拌过程是否符合预期,从而及时发现并解决潜在的问题,提高产品的质量。将多个片段的特征向量进行比较和分析,可以得到更全面的搅拌过程信息。例如,可以通过对特征向量的聚类和时间序列分析,了解搅拌过程中的变化趋势和规律,为工艺优化和改进提供参考。对于所述步骤1123,其包括:计算所述多个原料搅拌状态特征向量中每相邻两个原料搅拌状态特征向量之间的搅拌状态转移矩阵以得到由多个搅拌状态转移矩阵组成的所述搅拌状态转移特征图。
进一步地,还考虑到在实际进行焦糖饼干的原料搅拌状态监测时,所述各个原料搅拌监控视频片段中有关于焦糖饼干的原料搅拌状态时序变化特征信息之间具有着时序全局的关联特征,并且,这种时序的全局关联特征表示了所述焦糖饼干的原料搅拌状态在时间维度上的时序变化特性,这对于搅拌均匀度的判断和停止搅拌控制具有重要意义。因此,在本申请的技术方案中,计算所述多个原料搅拌状态特征向量中每相邻两个原料搅拌状态特征向量之间的搅拌状态转移矩阵以得到由多个搅拌状态转移矩阵组成的搅拌状态转移特征图,以此来表示每两个相邻监控片段中有关于所述焦糖饼干的原料搅拌状态的时序变化特征之间的时序关联特征信息。
在本申请的一个实施例中,首先,将多个原料搅拌状态特征向量按照时间顺序排列,形成一个序列。然后,通过比较相邻两个特征向量,确定它们之间的搅拌状态转移关系。可以定义一组规则或阈值来判断状态之间的转移关系,例如,如果两个特征向量中的某些指标差异较大,则认为发生了状态转移。接着,根据状态转移关系,构建一个搅拌状态转移矩阵。矩阵的行和列分别代表不同的搅拌状态,矩阵中的元素表示从一个状态转移到另一个状态的次数或概率。然后,重复上述步骤,计算每相邻两个特征向量之间的搅拌状态转移矩阵。最后,将多个搅拌状态转移矩阵组合在一起,形成搅拌状态转移特征图。可以通过将每个矩阵的元素叠加或取平均等方式得到整体的搅拌状态转移特征图。
通过上述步骤,可以得到由多个搅拌状态转移矩阵组成的搅拌状态转移特征图,该特征图反映了原料搅拌过程中不同状态之间的转移关系,有助于进一步分析和理解搅拌过程的动态变化。
具体地,在所述步骤113中,基于所述搅拌状态转移特征图,确定是否停止搅拌,包括:对所述搅拌状态转移特征图进行特征分布优化以得到优化搅拌状态转移特征图;以及,将所述优化搅拌状态转移特征图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搅拌。
其中,对所述搅拌状态转移特征图进行特征分布优化以得到优化搅拌状态转移特征图,包括:通过基于场景约束定向偏导的自调谐结构化计算加权特征向量;以及,以所述加权特征向量对所述搅拌状态转移特征图的各个特征矩阵进行加权以得到所述优化搅拌状态转移特征图。
其中,基于场景约束定向偏导的自调谐结构化计算加权特征向量这个步骤通过应用场景约束和定向偏导的方法,对特征向量进行计算和加权。场景约束可以根据具体的搅拌过程要求,对特征向量进行限制,使其更符合实际情况。定向偏导可以引导计算过程,使得特征向量更加准确地反映搅拌状态的变化。通过自调谐结构化计算,可以得到加权特征向量,用于后续的优化步骤。
进一步地,加权优化搅拌状态转移特征图这一步骤中,使用加权特征向量对搅拌状态转移特征图的各个特征矩阵进行加权。通过将加权特征向量应用于特征矩阵,可以调整特征矩阵中各个特征的权重,从而得到优化的搅拌状态转移特征图。优化后的特征图可以更好地反映搅拌过程中的状态变化,帮助实现更准确的监控和控制。
通过这种特征分布优化的方法,可以进一步提高搅拌过程的监控精度和控制效果,优化产品质量,并提高生产效率。
特别地,在本申请的技术方案中,将所述多个原料搅拌监控视频片段分别通过时域三维卷积神经网络模型得到所述多个原料搅拌状态特征向量时,每个原料搅拌状态特征向量表达所述时域三维卷积神经网络模型的三维卷积核从所述原料搅拌监控视频片段提取的图像语义空时交叉维度关联特征,但是,考虑到这种图像语义空时交叉维度关联特征沿时间和空间维度的分布不均匀性,使得计算所述多个原料搅拌状态特征向量中每相邻两个原料搅拌状态特征向量之间的搅拌状态转移矩阵所得到的空时域转移特征之间具有较大的分布差异,也就是,所述多个搅拌状态转移矩阵组成的搅拌状态转移特征图的全局特征分布关联效果较差,从而影响了所述搅拌状态转移特征图通过分类器得到的分类结果的准确性。
基于此,本申请的申请人考虑通过沿通道对所述搅拌状态转移特征图的各个特征矩阵进行加权的方式来提升所述搅拌状态转移特征图的全局特征分布关联效果,其中加权特征向量通过基于场景约束定向偏导的自调谐结构化计算,具体计算过程如下:通过基于场景约束定向偏导的自调谐结构化计算加权特征向量,包括:将所述搅拌状态转移特征图的每个特征矩阵进行通道线性变换转换为正方矩阵以得到转换后特征图;以及,基于所述转换后特征图,通过基于场景约束定向偏导的自调谐结构化以如下优化公式计算所述加权特征向量;其中,所述优化公式为:
其中,Mk是所述转换后特征图沿通道维度的第k个特征矩阵,V是所述转换后特征图沿通道维度的每个特征矩阵全局池化得到的向量,是所述转换后特征图沿通道维度的第k个特征矩阵的第(i,j)位置的特征值,/>和/>分别表示按位置加法、减法和乘法,Vw是所述加权特征向量。
也就是,以所述加权特征向量对于所述全局浅层特征图的各个特征矩阵进行加权时,可以通过所述搅拌状态转移特征图的沿通道维度的每个静态场景矩阵Mk相对于通道控制向量V的自结构化约束,来使用用于表达通道维度关联的定向偏导向量对静态特征场景进行支持性自调谐,从而基于所述搅拌状态转移特征图的高维特征流形的与各个特征矩阵所表达的特征场景对应的特定凸多面体族(convex polytopes family)来进行高维特征流形的结构化,以提升各个特征矩阵的场景化的图像语义表达与通道维度的模型特征提取表达之间的显式关联,从而提升所述搅拌状态转移特征图的全局特征分布关联效果。这样,能够基于焦糖饼干原料的实际搅拌混合情况来对于搅拌进行实时准确地控制,从而确保搅拌的均匀性且避免能源浪费,以优化最终焦糖饼干的口感和外观质量。
继而,将所述优化搅拌状态转移特征图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搅拌。也就是说,以所述焦糖饼干原料的搅拌状态时序全局关联特征分布信息来进行分类,以此来对于搅拌过程中逐渐达到搅拌均匀混合的状态进行监测,从而可以更准确地判断搅拌的均匀程度和是否达到停止搅拌的条件。
具体地,在本申请的技术方案中,所述分类器的标签包括停止搅拌(第一标签),以及,不停止搅拌(第二标签),其中,所述分类器通过软最大值函数来确定所述搅拌状态转移特征图属于哪个分类标签。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“是否停止搅拌”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,是否停止搅拌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“是否停止搅拌”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是否停止搅拌的控制策略标签,因此,在得到所述分类结果后,可基于所述分类结果来对于搅拌进行实时准确地控制,从而确保搅拌的均匀性且避免能源浪费。
其中,将所述优化搅拌状态转移特征图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搅拌,包括:将所述优化搅拌状态转移特征图按照行向量或列向量展开为分类特征向量;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全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
应可以理解,分类器是一种机器学习模型,它可以学习从输入数据中提取特征,并根据这些特征对数据进行分类。在搅拌过程中,通过监测和分析搅拌状态转移特征图,可以提取出与停止搅拌相关的特征。这些特征可以包括搅拌状态的稳定性、搅拌速度的变化趋势、原料的均匀度等。通过训练一个分类器,它可以学习这些特征与停止搅拌之间的关系,从而能够根据当前的搅拌状态转移特征图预测是否应该停止搅拌。
通过将分类器与搅拌设备连接,可以实现自动化的搅拌控制。当分类器判断搅拌已经达到理想状态时,可以自动停止搅拌,提高生产效率。分类器可以根据搅拌状态转移特征图的特征,判断搅拌是否达到了最佳状态。通过及时停止搅拌,可以避免过度搅拌或搅拌不充分,从而提高产品质量。使用分类器进行搅拌状态判断,减少了对人工操作员的依赖。这样可以减少人为因素对搅拌过程的影响,提高生产的一致性和稳定性。
通过将优化后的搅拌状态转移特征图与分类器相结合,可以实现对搅拌过程的实时监控和自动化控制,从而提高生产效率和产品质量。
综上,基于本申请实施例的焦糖饼干的制备方法100被阐明,其基于深度学习的机器视觉技术来对于焦糖饼干原料的搅拌状态变化情况进行分析,以检测出原料搅拌是否均匀,从而进行停止搅拌的智能控制,以此来确保搅拌均匀的基础上避免能源的浪费,优化最终焦糖饼干的口感和外观质量。
在本申请的一个实施例中,图5为根据本申请实施例的焦糖饼干的制备系统的框图。如图5所示,根据本申请实施例的焦糖饼干的制备系统200,包括:面团制作模块210,用于将起酥油打软,加入细砂糖、焦糖糖浆和水搅拌均匀后,再加入其它粉类物质进行搅拌均匀以得到面团;以及,烘烤模块220,用于将所述面团压模成型,并送人烤箱烘烤预定时间以得到焦糖饼干。
这里,本领域技术人员可以理解,上述焦糖饼干的制备系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的焦糖饼干的制备方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的焦糖饼干的制备系统200可以实现在各种终端设备中,例如用于焦糖饼干的制备的服务器等。在一个示例中,根据本申请实施例的焦糖饼干的制备系统200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,该焦糖饼干的制备系统200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,该焦糖饼干的制备系统200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,该焦糖饼干的制备系统200与该终端设备也可以是分立的设备,并且焦糖饼干的制备系统200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。
图6为根据本申请实施例的焦糖饼干的制备方法的场景示意图。如图6所示,在该应用场景中,首先,通过摄像头采集预定时间段的焦糖饼干原料搅拌监控视频(例如,如图6中所示意的C);然后,将获取的焦糖饼干原料搅拌监控视频输入至部署有焦糖饼干的制备算法的服务器(例如,如图6中所示意的S)中,其中所述服务器能够基于焦糖饼干的制备算法对所述焦糖饼干原料搅拌监控视频进行处理,以确定是否停止搅拌。
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。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
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)
1.一种焦糖饼干,其特征在于,包括:低筋粉35%-45%,玉米淀粉1%-2%,起酥油15%-25%,细砂糖15%-25%,焦糖糖浆8%-18%,肉桂粉0.5%,添加剂1%-2%,水。
2.根据权利要求1所述的焦糖饼干,其特征在于,所述焦糖糖浆,包括:细砂糖50%-80%,水20%-30%,小苏打1%-5%。
3.一种焦糖饼干的制备方法,其特征在于,包括:
将起酥油打软,加入细砂糖、焦糖糖浆和水搅拌均匀后,再加入其它粉类物质进行搅拌均匀以得到面团;其中其它粉类物质含低筋粉、玉米淀粉、肉桂粉;以及
将所述面团压模成型,并送入烤箱烘烤预定时间以得到焦糖饼干。
4.根据权利要求3所述的焦糖饼干的制备方法,其特征在于,将起酥油打软,加入细砂糖、焦糖糖浆和水搅拌均匀后,再加入其它粉类物质进行搅拌均匀以得到面团,包括:
通过摄像头采集预定时间段的焦糖饼干原料搅拌监控视频;
对所述焦糖饼干原料搅拌监控视频进行时序分析以得到搅拌状态转移特征图;
基于所述搅拌状态转移特征图,确定是否停止搅拌。
5.根据权利要求4所述的焦糖饼干的制备方法,其特征在于,对所述焦糖饼干原料搅拌监控视频进行时序分析以得到搅拌状态转移特征图,包括:
对所述焦糖饼干原料搅拌监控视频进行视频切分以得到多个原料搅拌监控视频片段;
通过基于深度神经网络模型的特征提取器来分别对所述多个原料搅拌监控视频片段进行特征提取以得到多个原料搅拌状态特征向量;以及
对所述多个原料搅拌状态特征向量进行搅拌状态转移关联编码以得到所述搅拌状态转移特征图。
6.根据权利要求5所述的焦糖饼干的制备方法,其特征在于,所述深度神经网络模型为时域三维卷积神经网络模型。
7.根据权利要求6所述的焦糖饼干的制备方法,其特征在于,对所述多个原料搅拌状态特征向量进行搅拌状态转移关联编码以得到所述搅拌状态转移特征图,包括:计算所述多个原料搅拌状态特征向量中每相邻两个原料搅拌状态特征向量之间的搅拌状态转移矩阵以得到由多个搅拌状态转移矩阵组成的所述搅拌状态转移特征图。
8.根据权利要求7所述的焦糖饼干的制备方法,其特征在于,基于所述搅拌状态转移特征图,确定是否停止搅拌,包括:
对所述搅拌状态转移特征图进行特征分布优化以得到优化搅拌状态转移特征图;以及
将所述优化搅拌状态转移特征图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搅拌。
9.根据权利要求8所述的焦糖饼干的制备方法,其特征在于,对所述搅拌状态转移特征图进行特征分布优化以得到优化搅拌状态转移特征图,包括:
通过基于场景约束定向偏导的自调谐结构化计算加权特征向量;以及
以所述加权特征向量对所述搅拌状态转移特征图的各个特征矩阵进行加权以得到所述优化搅拌状态转移特征图。
10.根据权利要求9所述的焦糖饼干的制备方法,其特征在于,通过基于场景约束定向偏导的自调谐结构化计算加权特征向量,包括:
将所述搅拌状态转移特征图的每个特征矩阵进行通道线性变换转换为正方矩阵以得到转换后特征图;以及
基于所述转换后特征图,通过基于场景约束定向偏导的自调谐结构化以如下优化公式计算所述加权特征向量;
其中,所述优化公式为:
其中,Mk是所述转换后特征图沿通道维度的第k个特征矩阵,V是所述转换后特征图沿通道维度的每个特征矩阵全局池化得到的向量,是所述转换后特征图沿通道维度的第k个特征矩阵的第(i,j)位置的特征值,⊕、/>和/>分别表示按位置加法、减法和乘法,Vw是所述加权特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310846463.9A CN116849237A (zh) | 2023-07-11 | 2023-07-11 | 焦糖饼干及其制备方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310846463.9A CN116849237A (zh) | 2023-07-11 | 2023-07-11 | 焦糖饼干及其制备方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116849237A true CN116849237A (zh) | 2023-10-10 |
Family
ID=88233720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310846463.9A Pending CN116849237A (zh) | 2023-07-11 | 2023-07-11 | 焦糖饼干及其制备方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116849237A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118068799A (zh) * | 2024-04-25 | 2024-05-24 | 江西煌上煌集团食品股份有限公司 | 酱卤自动化生产线智能控制系统及方法 |
-
2023
- 2023-07-11 CN CN202310846463.9A patent/CN116849237A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118068799A (zh) * | 2024-04-25 | 2024-05-24 | 江西煌上煌集团食品股份有限公司 | 酱卤自动化生产线智能控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hosu et al. | KonIQ-10k: An ecologically valid database for deep learning of blind image quality assessment | |
CN116849237A (zh) | 焦糖饼干及其制备方法 | |
US20210103796A1 (en) | Methods to predict food color and recommend changes to achieve a target food color | |
CN108739052A (zh) | 一种食用菌生长参数寻优的系统和方法 | |
CN113221913A (zh) | 一种基于高斯概率决策级融合的农林病虫害细粒度识别方法及装置 | |
CN116092010A (zh) | 一种膏状荧光颜料生产工艺及其制备装置 | |
CN117535452B (zh) | 菌糠发酵饲料生产的在线监控方法及系统 | |
CN112990591A (zh) | 一种基于卷积神经网络的多维度能耗数据分析方法与企业能耗预测模型 | |
CN113554010B (zh) | 一种电网线路故障识别模型训练方法 | |
Yu et al. | AI-based additive manufacturing for future food: Potential applications, challenges and possible solutions | |
Khan et al. | Automatic quality inspection of bakery products based on shape and color information | |
Huang et al. | Research on the parallelization of image quality analysis algorithm based on deep learning | |
Kai et al. | Bayberry maturity estimation algorithm based on multi-feature fusion | |
Savchenko et al. | Construction of a linear food quality classifier based on their color analysis | |
CN117348579B (zh) | 一种饼干生产自动化控制方法及装置 | |
CN114004715A (zh) | 一种基于大数据智能推荐算法的学习环境构建方法 | |
Sangsawad et al. | Quality Assessment of Cocoa Bean Using Regression Convolutional Neural Network | |
CN117151533A (zh) | 一种用于配麦面粉的面条品质分析系统 | |
CN116189176B (zh) | 基于生成度量td3的茶叶智能化拼配方法、设备和介质 | |
Li et al. | Recognition Algorithm of Rice Germ Integrity Base on Improved Inception V3 | |
CN115935533B (zh) | 基于参数的产品智能设计系统 | |
CN113854333A (zh) | 一种茶月饼生产设备及其工艺 | |
CN114817609B (zh) | 一种基于提升树的实木地板颜色的自动排序方法 | |
CN112925202B (zh) | 基于动态特征提取的发酵过程阶段划分方法 | |
CN101706491A (zh) | 一种酸奶产品感官品评专家系统 |
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 |