CN117064031B - 一种基于流动层的食品加工焙煎方法及系统 - Google Patents
一种基于流动层的食品加工焙煎方法及系统 Download PDFInfo
- Publication number
- CN117064031B CN117064031B CN202311108123.2A CN202311108123A CN117064031B CN 117064031 B CN117064031 B CN 117064031B CN 202311108123 A CN202311108123 A CN 202311108123A CN 117064031 B CN117064031 B CN 117064031B
- Authority
- CN
- China
- Prior art keywords
- baking
- food
- baked
- decision
- foods
- 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.)
- Active
Links
- 235000013305 food Nutrition 0.000 title claims abstract description 408
- 238000012545 processing Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000004458 analytical method Methods 0.000 claims abstract description 77
- 238000010438 heat treatment Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims description 75
- 230000005856 abnormality Effects 0.000 claims description 40
- 238000012544 monitoring process Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 14
- 238000001228 spectrum Methods 0.000 claims description 7
- 230000003213 activating effect Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 23
- 230000001007 puffing effect Effects 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 6
- 230000003068 static effect Effects 0.000 abstract description 6
- 235000010582 Pisum sativum Nutrition 0.000 description 5
- 240000004713 Pisum sativum Species 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 235000015173 baked goods and baking mixes Nutrition 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 241000219843 Pisum Species 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
- A23L—FOODS, FOODSTUFFS, OR NON-ALCOHOLIC BEVERAGES, NOT COVERED BY SUBCLASSES A21D OR A23B-A23J; THEIR PREPARATION OR TREATMENT, e.g. COOKING, MODIFICATION OF NUTRITIVE QUALITIES, PHYSICAL TREATMENT; PRESERVATION OF FOODS OR FOODSTUFFS, IN GENERAL
- A23L5/00—Preparation or treatment of foods or foodstuffs, in general; Food or foodstuffs obtained thereby; Materials therefor
- A23L5/10—General methods of cooking foods, e.g. by roasting or frying
-
- A—HUMAN NECESSITIES
- A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
- A23L—FOODS, FOODSTUFFS, OR NON-ALCOHOLIC BEVERAGES, NOT COVERED BY SUBCLASSES A21D OR A23B-A23J; THEIR PREPARATION OR TREATMENT, e.g. COOKING, MODIFICATION OF NUTRITIVE QUALITIES, PHYSICAL TREATMENT; PRESERVATION OF FOODS OR FOODSTUFFS, IN GENERAL
- A23L25/00—Food consisting mainly of nutmeat or seeds; Preparation or treatment thereof
-
- A—HUMAN NECESSITIES
- A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
- A23N—MACHINES OR APPARATUS FOR TREATING HARVESTED FRUIT, VEGETABLES OR FLOWER BULBS IN BULK, NOT OTHERWISE PROVIDED FOR; PEELING VEGETABLES OR FRUIT IN BULK; APPARATUS FOR PREPARING ANIMAL FEEDING- STUFFS
- A23N12/00—Machines for cleaning, blanching, drying or roasting fruits or vegetables, e.g. coffee, cocoa, nuts
- A23N12/08—Machines for cleaning, blanching, drying or roasting fruits or vegetables, e.g. coffee, cocoa, nuts for drying or roasting
-
- A—HUMAN NECESSITIES
- A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
- A23N—MACHINES OR APPARATUS FOR TREATING HARVESTED FRUIT, VEGETABLES OR FLOWER BULBS IN BULK, NOT OTHERWISE PROVIDED FOR; PEELING VEGETABLES OR FRUIT IN BULK; APPARATUS FOR PREPARING ANIMAL FEEDING- STUFFS
- A23N12/00—Machines for cleaning, blanching, drying or roasting fruits or vegetables, e.g. coffee, cocoa, nuts
- A23N12/08—Machines for cleaning, blanching, drying or roasting fruits or vegetables, e.g. coffee, cocoa, nuts for drying or roasting
- A23N12/12—Auxiliary devices for roasting machines
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Polymers & Plastics (AREA)
- Health & Medical Sciences (AREA)
- Nutrition Science (AREA)
- General Preparation And Processing Of Foods (AREA)
Abstract
本公开提供了一种基于流动层的食品加工焙煎方法及系统,涉及食品焙煎技术领域,该方法包括:获得第一焙煎请求指令;对第一批待焙煎食品进行初始数据采集;根据焙煎食品类型标识判断第一批待焙煎食品是否为同类型食品;若是同类型食品,获得第一同类型食品聚类指令,获得Q组待焙煎食品;对第一组待焙煎食品进行特征识别;执行第一组待焙煎食品的焙煎决策分析;按照第一焙煎决策对第一组待焙煎食品进行焙煎加工。通过本公开可以解决现有技术中存在由于静态焙煎的食品焙煎过程中受热不均,导致焙煎质量较低、食品膨化效果较低的技术问题,实现提高焙煎过程中食品受热均匀程度的目标,达到提高焙煎质量、食品膨化效果的技术效果。
Description
技术领域
本公开涉及食品焙煎技术领域,具体涉及一种基于流动层的食品加工焙煎方法及系统。
背景技术
焙煎机是坚果类食品进行膨化加工的主要设备。坚果类食品进行焙煎的加工流程要经过预热等多个时段。目前,现有的焙煎机的焙煎方法都为静态烘焙,容易造成食品焙煎过程中受热不均,导致食品膨化效果降低,而且焙煎过程的自动化程度较低。
综上所述,现有技术中存在由于静态焙煎的食品焙煎过程中受热不均,导致焙煎质量较低、食品膨化效果较低的技术问题。
发明内容
本公开提供了一种基于流动层的食品加工焙煎方法及系统,用以解决现有技术中存在由于静态焙煎的食品焙煎过程中受热不均,导致焙煎质量较低、食品膨化效果较低的技术问题。
根据本公开的第一方面,提供了一种基于流动层的食品加工焙煎方法,包括:交互所述数据采集终端,获得第一焙煎请求指令,其中,所述第一焙煎请求指令包括第一批待焙煎食品对应的焙煎加工要求和焙煎食品类型标识;通过所述数据采集终端对所述第一批待焙煎食品进行初始数据采集,获得初始数据采集结果;根据所述焙煎食品类型标识判断所述第一批待焙煎食品是否为同类型食品,获得第一待焙煎判断结果;若所述第一待焙煎判断结果为所述第一批待焙煎食品是同类型食品,获得第一同类型食品聚类指令,结合所述初始数据采集结果对所述第一批待焙煎食品进行分类,获得Q组待焙煎食品,且,Q为大于1的正整数;遍历所述Q组待焙煎食品,获得第一组待焙煎食品,并对所述第一组待焙煎食品进行特征识别,获得第一食品特征标识;根据所述焙煎决策终端,结合所述第一食品特征标识和所述焙煎加工要求执行所述第一组待焙煎食品的焙煎决策分析,获得第一焙煎决策;将所述第一焙煎决策发送至所述焙煎控制终端,所述焙煎控制终端按照所述第一焙煎决策控制所述第一流动层焙煎机对所述第一组待焙煎食品进行焙煎加工。
根据本公开的第二方面,提供了一种基于流动层的食品加工焙煎系统,包括:第一焙煎请求指令获得模块,所述第一焙煎请求指令获得模块用于交互所述数据采集终端,获得第一焙煎请求指令,其中,所述第一焙煎请求指令包括第一批待焙煎食品对应的焙煎加工要求和焙煎食品类型标识;初始数据采集结果获得模块,所述初始数据采集结果获得模块用于通过所述数据采集终端对所述第一批待焙煎食品进行初始数据采集,获得初始数据采集结果;第一待焙煎判断结果获得模块,所述第一待焙煎判断结果获得模块用于根据所述焙煎食品类型标识判断所述第一批待焙煎食品是否为同类型食品,获得第一待焙煎判断结果;Q组待焙煎食品获得模块,所述Q组待焙煎食品获得模块用于若所述第一待焙煎判断结果为所述第一批待焙煎食品是同类型食品,获得第一同类型食品聚类指令,结合所述初始数据采集结果对所述第一批待焙煎食品进行分类,获得Q组待焙煎食品,且,Q为大于1的正整数;第一食品特征标识获得模块,所述第一食品特征标识获得模块用于遍历所述Q组待焙煎食品,获得第一组待焙煎食品,并对所述第一组待焙煎食品进行特征识别,获得第一食品特征标识;第一焙煎决策获得模块,所述第一焙煎决策获得模块用于根据所述焙煎决策终端,结合所述第一食品特征标识和所述焙煎加工要求执行所述第一组待焙煎食品的焙煎决策分析,获得第一焙煎决策;第一焙煎决策处理模块,所述第一焙煎决策处理模块用于将所述第一焙煎决策发送至所述焙煎控制终端,所述焙煎控制终端按照所述第一焙煎决策控制所述第一流动层焙煎机对所述第一组待焙煎食品进行焙煎加工。
本公开中提供的一个或多个技术方案,至少具有如下技术效果或优点:根据本公开采用的通过交互所述数据采集终端,获得第一焙煎请求指令,其中,所述第一焙煎请求指令包括第一批待焙煎食品对应的焙煎加工要求和焙煎食品类型标识;通过所述数据采集终端对所述第一批待焙煎食品进行初始数据采集,获得初始数据采集结果;根据所述焙煎食品类型标识判断所述第一批待焙煎食品是否为同类型食品,获得第一待焙煎判断结果;若所述第一待焙煎判断结果为所述第一批待焙煎食品是同类型食品,获得第一同类型食品聚类指令,结合所述初始数据采集结果对所述第一批待焙煎食品进行分类,获得Q组待焙煎食品,且,Q为大于1的正整数;遍历所述Q组待焙煎食品,获得第一组待焙煎食品,并对所述第一组待焙煎食品进行特征识别,获得第一食品特征标识;根据所述焙煎决策终端,结合所述第一食品特征标识和所述焙煎加工要求执行所述第一组待焙煎食品的焙煎决策分析,获得第一焙煎决策;将所述第一焙煎决策发送至所述焙煎控制终端,所述焙煎控制终端按照所述第一焙煎决策控制所述第一流动层焙煎机对所述第一组待焙煎食品进行焙煎加工,解决了现有技术中存在由于静态焙煎的食品焙煎过程中受热不均,导致焙煎质量较低、食品膨化效果较低的技术问题,实现提高焙煎过程中食品受热均匀程度的目标,达到提高焙煎质量、食品膨化效果的技术效果。
应当理解,本部分所描述的内容并非旨在标示本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其他特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本公开或现有技术中的技术方案,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的介绍,显而易见地,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图获得其他的附图。
图1为本公开实施例提供的一种基于流动层的食品加工焙煎方法的流程示意图;
图2为本公开实施例一种基于流动层的食品加工焙煎方法中所述系统内多个终端的逻辑示意图;
图3为本公开实施例提供的一种基于流动层的食品加工焙煎系统的结构示意图。
附图标记说明:第一焙煎请求指令获得模块11,初始数据采集结果获得模块12,第一待焙煎判断结果获得模块13,Q组待焙煎食品获得模块14,第一食品特征标识获得模块15,第一焙煎决策获得模块16,第一焙煎决策处理模块17。
具体实施方式
以下结合附图对本公开的示范性实施例作出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
实施例一
本公开实施例提供的一种基于流动层的食品加工焙煎方法,兹参照图1及图2作说明,所述方法包括:
本公开实施例提供的方法中包括:
交互所述数据采集终端,获得第一焙煎请求指令,其中,所述第一焙煎请求指令包括第一批待焙煎食品对应的焙煎加工要求和焙煎食品类型标识;
具体地,通过与数据采集终端进行交流互动,获得第一焙煎请求指令,用于通过获得第一焙煎指令,进而进行焙煎操作。进一步地,第一焙煎请求指令包括第一批待焙煎食品对应的焙煎加工要求和焙煎食品类型标识。其中,焙煎加工要求为焙煎加工过程的焙煎温度、时间等要求。焙煎食品类型标识用于识别焙煎食品的类型,比如豌豆等。进一步地,焙煎加工要求和焙煎食品类型标识具有对应关系。其中,根据焙煎食品类型标识获得对应的焙煎加工要求。举例而言,焙煎食品类型标识对应的焙煎豌豆的焙煎加工要求为120至150摄氏度的温度和11.5分的时间要求。
通过所述数据采集终端对所述第一批待焙煎食品进行初始数据采集,获得初始数据采集结果;
具体地,通过数据采集终端对第一批待焙煎食品进行初始数据采集,获得第一批待焙煎食品的初始数据采集结果。其中,第一批待焙煎食品的初始数据采集结果包括第一批待焙煎食品的初始颜色、初始重量或质量、初始硬度、初始大小、初始水分等数据。
根据所述焙煎食品类型标识判断所述第一批待焙煎食品是否为同类型食品,获得第一待焙煎判断结果;
具体地,依次查看第一批待焙煎食品,将第一批待焙煎食品中物料依次与焙煎食品类型标识进行比对,依次获得多个比对结果。其中,若多个比对结果一致,则表示第一批待焙煎食品中物料均为同类型食品,将此判断结果作为第一待焙煎判断结果。
若所述第一待焙煎判断结果为所述第一批待焙煎食品是同类型食品,获得第一同类型食品聚类指令,结合所述初始数据采集结果对所述第一批待焙煎食品进行分类,获得Q组待焙煎食品,且,Q为大于1的正整数;
具体地,若第一待焙煎判断结果为第一批待焙煎食品是同类型食品,获得第一同类型食品聚类指令,用于对第一批待焙煎食品进行分组。进一步地,按照初始数据采集结果对第一批待焙煎食品进行分类,获得Q组待焙煎食品。其中,Q组待焙煎食品中每组待焙煎食品内的初始数据采集结果相同。进一步地,第一批待焙煎食品至少为同一种同类型食品,因此Q为大于1的正整数。
遍历所述Q组待焙煎食品,获得第一组待焙煎食品,并对所述第一组待焙煎食品进行特征识别,获得第一食品特征标识;
具体地,依次提取Q组待焙煎食品,分别将Q组待焙煎食品内的每组待焙煎食品设置为第一组待焙煎食品。进一步地,分别对每个第一组待焙煎食品进行特征识别,获得第一组待焙煎食品对应的初始水分、尺寸、重量、类型,作为第一食品特征标识。
根据所述焙煎决策终端,结合所述第一食品特征标识和所述焙煎加工要求执行所述第一组待焙煎食品的焙煎决策分析,获得第一焙煎决策;
具体地,通过焙煎决策终端,根据第一食品特征标识,从焙煎加工要求中进行匹配获得第一食品特征标识对应的焙煎加工要求。进一步地,根据第一食品特征标识对应的焙煎加工要求执行第一组待焙煎食品的焙煎决策分析,进而获得第一焙煎决策。其中,焙煎决策分析过程中,对焙煎处理时间、焙煎加热温度、焙煎热风流速和焙煎风机频率等维度进行焙煎加工决策,进而获得第一焙煎决策。举例而言,焙煎加工要求的焙煎处理时间为120秒,则决策目标为决策完成120秒的焙煎处理时间。
将所述第一焙煎决策发送至所述焙煎控制终端,所述焙煎控制终端按照所述第一焙煎决策控制所述第一流动层焙煎机对所述第一组待焙煎食品进行焙煎加工。
具体地,将第一焙煎决策发送至焙煎控制终端,焙煎控制终端按照第一焙煎决策控制第一流动层焙煎机对第一组待焙煎食品进行焙煎加工。举例而言,焙煎加工要求的焙煎处理时间为120秒,则按照焙煎加工要求进行120秒的焙煎加工。
其中,通过本实施例可以解决现有技术中存在由于静态焙煎的食品焙煎过程中受热不均,导致焙煎质量较低、食品膨化效果较低的技术问题,实现提高焙煎过程中食品受热均匀程度的目标,达到提高焙煎质量、食品膨化效果的技术效果。
本公开实施例提供的方法中还包括:
若所述第一待焙煎判断结果为所述第一批待焙煎食品不是同类型食品,获得食品类型聚类指令;
根据所述食品类型聚类指令,结合所述焙煎食品类型标识对所述第一批待焙煎食品进行聚类,获得同类型食品聚类结果,并生成第二同类型食品聚类指令;
根据所述第二同类型食品聚类指令对所述同类型食品聚类结果进行分类。
具体地,若第一待焙煎判断结果为第一批待焙煎食品不是同类型食品,获得食品类型聚类指令,即对食品的分类指令,用于将同类型食品进行聚集。
进一步地,根据食品类型聚类指令,将第一批待焙煎食品依次与焙煎食品类型标识进行比对,按照同类型食品对第一批待焙煎食品进行聚类,获得同类型食品聚类结果。其中,同类型食品聚类结果为初步聚类结果。进一步地,生成第二同类型食品聚类指令,用于进行更加精细化的聚类。进一步地,根据第二同类型食品聚类指令,对初步聚类的同类型食品聚类结果进行更加精细化的分类。相应的,同类型食品聚类结果也可以为第一批待焙煎食品中提取聚类的同类型食品。进一步地,从第一批待焙煎食品中去除同类型食品聚类结果,获得剩余的食品。进一步地,生成第二同类型食品聚类指令。进一步地,按照第二同类型食品聚类指令,将剩余的食品与焙煎食品类型标识依次进行比对,获得同类型食品聚类结果。
其中,进行同类型食品聚类可以提高食品分类精确度,可以更有针对性地对食品进行焙煎。
本公开实施例提供的方法中还包括:
生成初始水分信息和食品尺寸信息,其中,所述初始水分信息和所述食品尺寸信息通过对所述初始数据采集结果进行数据提取获得;
根据所述初始水分信息对所述第一批待焙煎食品进行一级聚类,获得多个一级聚类结果;
根据所述食品尺寸信息分别对所述多个一级聚类结果进行二级聚类,获得所述Q组待焙煎食品,且,所述Q组待焙煎食品均满足所述第一流动层焙煎机的焙煎容量约束。
具体地,通过对第一批待焙煎食品的初始数据采集结果进行数据提取,获得第一批待焙煎食品的初始水分信息和食品尺寸信息。其中,水分信息为含水量信息。食品尺寸信息为食品颗粒大小信息。
进一步地,根据初始水分信息对第一批待焙煎食品进行一级聚类,获得多个一级聚类结果。其中,多个一级聚类结果为多个初始水分信息不同的第一批待焙煎食品。进一步地,由于食品水分偏差影响食品的松脆口感,因此根据初始水分信息进行一级聚类。
进一步地,根据食品尺寸信息分别对多个一级聚类结果进行二级聚类,获得Q组待焙煎食品。其中,Q组待焙煎食品为对所有不同初始水分信息对应的第一批待焙煎食品聚类获得的Q组待焙煎食品。相应地,Q组待焙煎食品也可以为对多个初始水分信息相同的第一批待焙煎食品进行聚类获得Q组待焙煎食品,进而获得多个不同初始水分信息的Q组待焙煎食品。
进一步地,Q组待焙煎食品均满足第一流动层焙煎机的焙煎容量约束。其中,根据第一流动层焙煎机的焙煎容量约束获得第一流动层焙煎机的食品焙煎重量范围。
其中,获得Q组待焙煎食品,可以通过焙煎相同初始数据采集结果的第一批待焙煎食品,提高焙煎效率。
本公开实施例提供的方法中还包括:
所述焙煎决策终端包括焙煎程序解析端和焙煎决策解析端;
基于所述焙煎加工要求,获得所述第一组待焙煎食品对应的第一焙煎加工要求;
根据所述焙煎程序解析端对所述第一焙煎加工要求进行焙煎程序分析,获得第一焙煎程序解析结果,其中,所述第一焙煎程序解析结果包括M个焙煎子程序,且,每个焙煎子程序具有对应的焙煎时段标识,M为大于1的正整数;
基于所述第一食品特征标识,根据所述焙煎决策解析端分别对所述M个焙煎子程序进行焙煎参数分析,获得M个焙煎子决策,其中,所述焙煎决策解析端包括多维焙煎决策解析指标,所述多维焙煎决策解析指标包括焙煎处理时间、焙煎加热温度、焙煎热风流速和焙煎风机频率;
将所述M个焙煎子决策输出为所述第一焙煎决策。
具体地,焙煎决策终端包括焙煎程序解析端和焙煎决策解析端,用于获得焙煎加工要求和对应的焙煎加工参数。
进一步地,基于焙煎加工要求,获得第一组待焙煎食品对应的第一焙煎加工要求。其中,不同类型的食品具有不同的焙煎加工要求,如果第一批待焙煎食品是同类型食品,则,Q组待焙煎食品都是相同的焙煎加工要求,如果不是同类型食品,则,需要对焙煎加工要求进行特征识别。
进一步地,第一焙煎加工要求与焙煎程序解析端的焙煎程序解析图谱进行焙煎程序分析,即进行比对匹配,匹配获得第一焙煎程序解析结果。其中,焙煎程序解析图谱根据焙煎程序解析记录获得。进一步地,第一焙煎程序解析结果包括M个焙煎子程序,且,每个焙煎子程序具有对应的焙煎时段标识。其中,由于第一焙煎程序解析结果至少包括一个焙煎子程序,为达到提高焙煎效果,增加设置至少一个干燥时段,进行食品水分调节,因此M为大于1的正整数。举例而言,每个焙煎子程序的对应焙煎时段标识的时长为30秒、60秒、120秒等。
进一步地,第一食品特征标识为第一组待焙煎食品对应的初始水分、尺寸、重量、类型。根据第一食品特征标识,通过焙煎决策解析端分别对M个焙煎子程序进行焙煎参数分析,获得M个焙煎子程序的焙煎参数,作为M个焙煎子决策。其中,根据第一食品特征标识,获得食品类型。通过焙煎决策解析端获得食品类型对应的多维焙煎决策解析指标的焙煎参数。进一步地,焙煎决策解析端包括多维焙煎决策解析指标,多维焙煎决策解析指标包括焙煎处理时间、焙煎加热温度、焙煎热风流速和焙煎风机频率。其中,焙煎处理时间对应M个焙煎子程序的焙煎时段标识。
进一步地,将M个焙煎子决策输出为第一焙煎决策,进而M个焙煎子决策分别对应M个焙煎子程序。
其中,获得第一焙煎决策,可以根据第一焙煎决策进行食品加工焙煎,进而提高焙煎食品的效果。
本公开实施例提供的方法中还包括:
连接所述数据采集终端,获得焙煎程序解析库,其中,所述焙煎程序解析库包括多个焙煎程序解析记录,每个焙煎程序解析记录包括样本焙煎加工要求和样本焙煎程序解析结果;
基于所述焙煎程序解析库分别对所述多个焙煎程序解析记录进行触发频率统计,获得多个焙煎解析触发频率;
基于所述多个焙煎解析触发频率对所述焙煎程序解析库进行筛选,获得满足焙煎解析触发约束的多个筛选焙煎程序解析记录;
获得图谱构建算子,其中,所述图谱构建算子包括以样本焙煎加工要求为焙煎程序解析-索引特征,以样本焙煎程序解析结果为焙煎程序解析-响应特征;
基于所述图谱构建算子对所述多个筛选焙煎程序解析记录进行数据整合,获得焙煎程序解析图谱,并将所述焙煎程序解析图谱嵌入至所述焙煎程序解析端。
具体地,连接数据采集终端,结合第一食品特征标识,获得焙煎程序解析库,其中,焙煎程序解析库根据第一食品特征标识的不同而不同。举例而言,第一食品特征标识包括豌豆的初始水分等,则焙煎程序解析库包括豌豆的焙煎加工要求和豌豆的焙煎程序解析结果。进一步地,焙煎程序解析库包括多个焙煎程序解析记录,每个焙煎程序解析记录包括样本焙煎加工要求和样本焙煎程序解析结果。进一步地,每个焙煎程序解析记录中的样本焙煎程序解析结果为对样本焙煎加工要求进行特征识别的结果,获得样本焙煎要求的水分、尺寸、重量等。进一步地,焙煎程序解析库由多个焙煎程序解析记录组成。
进一步地,基于焙煎程序解析库分别对多个焙煎程序解析记录进行触发频率统计,即每个焙煎程序解析记录在焙煎程序解析库中出现的频率,获得多个焙煎解析触发频率。
进一步地,设置焙煎解析触发约束。焙煎解析触发约束为每个焙煎程序解析记录在焙煎程序解析库中出现的频率的最低阈值。其中,自定义设置焙煎解析触发约束,比如为80%。进一步地,基于多个焙煎解析触发频率,将每个焙煎解析触发频率与焙煎程序解析库进行比对,筛选获得满足焙煎解析触发约束的多个筛选焙煎程序解析记录。
进一步地,算子为计算单元或计算逻辑。进一步地,获得图谱构建算子。其中,图谱构建算子包括以样本焙煎加工要求为焙煎程序解析-索引特征,以样本焙煎程序解析结果为焙煎程序解析-响应特征。进一步地,在图谱构建算子中,以样本焙煎加工要求为索引进行检索,获得样本焙煎程序解析结果。
进一步地,基于图谱构建算子对多个筛选焙煎程序解析记录进行数据整合,即对满足焙煎解析触发约束的多个筛选焙煎程序解析记录进行数据整合,获得焙煎程序解析图谱。其中,焙煎程序解析图谱为焙煎程序解析数据集合。进一步地,将焙煎程序解析图谱嵌入至焙煎程序解析端。
其中,获得焙煎程序解析图谱,可以提高焙煎决策的效率。
本公开实施例提供的方法中还包括:
以所述第一焙煎程序解析结果和所述第一食品特征标识为检索约束,以所述多维焙煎决策解析指标为检索目标;
连接所述数据采集终端,根据所述检索约束和所述检索目标,分别对同组焙煎机和所述第一流动层焙煎机进行食品加工焙煎控制记录采集,获得焙煎控制训练集和焙煎控制测试集;
根据BP神经网络对所述焙煎控制训练集进行有监督训练,获得第一焙煎决策解析器;
根据所述焙煎控制测试集对所述第一焙煎决策解析器进行测试,获得所述第一焙煎决策解析器的多个测试输出准确率;
根据所述多个测试输出准确率,构建测试准确率曲线,并将所述测试准确率曲线的斜率设置为测试准确置信算子;
若所述测试准确置信算子满足预设准确置信算子,将所述第一焙煎决策解析器嵌入至所述焙煎决策解析端。
具体地,将第一焙煎程序解析结果和第一食品特征标识为检索约束条件,进行检索,直到找到检索目标多维焙煎决策解析指标。
进一步地,连接数据采集终端,根据检索约束和检索目标,分别对同组焙煎机和第一流动层焙煎机进行食品加工焙煎控制记录采集,采集获得食品加工焙煎控制记录中的多维焙煎决策解析指标,作为焙煎控制训练集和焙煎控制测试集。其中,同组焙煎机为第一流动层焙煎机的多个同类型流动层焙煎机。
进一步地,BP神经网络为有监督训练学习中的模型。进一步地,基于BP神经网络,构建第一焙煎决策解析器,第一焙煎决策解析器为机器学习中可以不断进行迭代优化的神经网络模型,通过焙煎控制训练集进行监督训练获得。进一步地,通过焙煎控制训练集对第一焙煎决策解析器进行监督训练,当模型输出结果趋于收敛状态时,通过焙煎控制测试集内的每组焙煎控制测试数据对第一焙煎决策解析器的输出结果准确率进行测试,获得第一焙煎决策解析器的每组焙煎控制测试数据对应的多个测试输出准确率。进一步地,根据多个测试输出准确率,构建测试准确率曲线。将多个测试输出准确率拟合成测试准确率曲线,并将测试准确率曲线的斜率设置为测试准确置信算子。进一步地,若测试准确置信算子满足预设准确置信算子,获得第一焙煎决策解析器,将第一焙煎决策解析器嵌入至焙煎决策解析端。其中,预设准确置信算子本领域技术人员可基于实际情况自定义设置。
其中,通过BP神经网络构建第一焙煎决策解析器,可以提高第一焙煎决策解析器输出结果获得的效率和准确率。
本公开实施例提供的方法中还包括:
若所述测试准确置信算子不满足预设准确置信算子,生成基准测试输出准确率,其中,所述基准测试输出准确率通过对所述多个测试输出准确率进行加和计算获取;
生成多个学习权重,其中,所述多个学习权重通过分别将所述多个测试输出准确率与所述基准测试输出准确率进行比值计算获取;
基于所述多个学习权重,根据所述焙煎控制测试集对所述第一焙煎决策解析器进行增量学习,生成第二焙煎决策解析器,并将所述第二焙煎决策解析器嵌入至所述焙煎决策解析端。
具体地,若焙煎控制测试集内的每组焙煎控制测试数据对应的测试准确置信算子不满足预设准确置信算子,生成基准测试输出准确率,其中,基准测试输出准确率通过对多个测试输出准确率进行加和计算获取。
进一步地,分别将多个测试输出准确率与基准测试输出准确率进行比值计算获取多个学习权重。其中,学习权重越大,多个测试输出准确率对应的数据的训练次数越多。进一步地,根据焙煎控制测试集对第一焙煎决策解析器进行增量学习,生成第二焙煎决策解析器,并将第二焙煎决策解析器嵌入至焙煎决策解析端。其中,增量学习为不断地处理现实世界中连续的信息流,在吸收新知识的同时保留甚至整合、优化旧知识。在本实施例中,按照获得第一焙煎决策解析器的方法,根据焙煎控制测试集对第一焙煎决策解析器不断地进行有监督训练,生成第二焙煎决策解析器。
其中,通过对第一焙煎决策解析器继续训练获得第二焙煎决策解析器,可以提高第一焙煎决策解析器输出结果获得的效率和准确率。
本公开实施例提供的方法中还包括:
激活所述焙煎监测终端,根据所述焙煎监测终端对所述第一组待焙煎食品进行实时焙煎监测,获得实时食品温度数据和实时食品热风流速数据;
分别对所述实时食品温度数据和所述实时食品热风流速数据进行异常检测,获得食品温度异常指数和食品热风流速异常指数;
分别判断所述食品温度异常指数和所述食品热风流速异常指数是否满足预设食品异常约束;
若所述食品温度异常指数和/或所述食品热风流速异常指数不满足所述预设食品异常约束,生成焙煎保护指令;
基于所述焙煎保护指令,激活所述焙煎监测终端对所述第一流动层焙煎机进行保护。
具体地,所述一种基于流动层的食品加工焙煎系统还包括焙煎保护终端和焙煎监测终端。进一步地,在对第一组待焙煎食品进行焙煎加工时,激活焙煎监测终端,通过焙煎监测终端对第一组待焙煎食品进行实时焙煎监测,获得实时食品温度数据和实时食品热风流速数据。
进一步地,分别对实时食品温度数据和实时食品热风流速数据进行异常检测,获得食品温度异常指数和食品热风流速异常指数。其中,对不符合焙煎加工要求的第一组待焙煎食品的焙煎决策分析作为异常,进而获得异常指数。
进一步地,设置预设食品异常约束,其中,本领域技术人员可基于实际情况自定义进行设置。进一步地,将食品温度异常指数和食品热风流速异常指数分别与预设食品异常约束进行比对,分别判断食品温度异常指数和食品热风流速异常指数是否满足预设食品异常约束,分别获得比对判断结果。
进一步地,若食品温度异常指数和/或食品热风流速异常指数不满足预设食品异常约束,表示食品温度异常指数和/或食品热风流速异常指数不存在或不足以达到异常指标,进而生成焙煎保护指令。
进一步地,基于焙煎保护指令,激活焙煎监测终端对第一流动层焙煎机进行保护。举例而言,附设3个超温保护、熄火保护和过负荷保护装置,一旦出现故障,保护装置将切断电源,避免事故的发生。
其中,采集实时食品温度数据和实时食品热风流速数据,以提供培煎质量的数据分析、计算机存档和培煎质量的科学管理。
实施例二
基于与前述实施例中一种基于流动层的食品加工焙煎方法同样的发明构思,兹参照图3作说明,本公开还提供了一种基于流动层的食品加工焙煎系统,所述系统包括:
第一焙煎请求指令获得模块11,所述第一焙煎请求指令获得模块11用于交互所述数据采集终端,获得第一焙煎请求指令,其中,所述第一焙煎请求指令包括第一批待焙煎食品对应的焙煎加工要求和焙煎食品类型标识;
初始数据采集结果获得模块12,所述初始数据采集结果获得模块12用于通过所述数据采集终端对所述第一批待焙煎食品进行初始数据采集,获得初始数据采集结果;
第一待焙煎判断结果获得模块13,所述第一待焙煎判断结果获得模块13用于根据所述焙煎食品类型标识判断所述第一批待焙煎食品是否为同类型食品,获得第一待焙煎判断结果;
Q组待焙煎食品获得模块14,所述Q组待焙煎食品获得模块14用于若所述第一待焙煎判断结果为所述第一批待焙煎食品是同类型食品,获得第一同类型食品聚类指令,结合所述初始数据采集结果对所述第一批待焙煎食品进行分类,获得Q组待焙煎食品,且,Q为大于1的正整数;
第一食品特征标识获得模块15,所述第一食品特征标识获得模块15用于遍历所述Q组待焙煎食品,获得第一组待焙煎食品,并对所述第一组待焙煎食品进行特征识别,获得第一食品特征标识;
第一焙煎决策获得模块16,所述第一焙煎决策获得模块16用于根据所述焙煎决策终端,结合所述第一食品特征标识和所述焙煎加工要求执行所述第一组待焙煎食品的焙煎决策分析,获得第一焙煎决策;
第一焙煎决策处理模块17,所述第一焙煎决策处理模块17用于将所述第一焙煎决策发送至所述焙煎控制终端,所述焙煎控制终端按照所述第一焙煎决策控制所述第一流动层焙煎机对所述第一组待焙煎食品进行焙煎加工。
进一步地,所述系统还包括:
食品类型聚类指令获得模块,所述食品类型聚类指令获得模块用于若所述第一待焙煎判断结果为所述第一批待焙煎食品不是同类型食品,获得食品类型聚类指令;
第二同类型食品聚类指令获得模块,所述第二同类型食品聚类指令获得模块用于根据所述食品类型聚类指令,结合所述焙煎食品类型标识对所述第一批待焙煎食品进行聚类,获得同类型食品聚类结果,并生成第二同类型食品聚类指令;
第二同类型食品聚类指令处理模块,所述第二同类型食品聚类指令处理模块用于根据所述第二同类型食品聚类指令对所述同类型食品聚类结果进行分类。
进一步地,所述系统还包括:
初始水分信息获得模块,所述初始水分信息获得模块用于生成初始水分信息和食品尺寸信息,其中,所述初始水分信息和所述食品尺寸信息通过对所述初始数据采集结果进行数据提取获得;
一级聚类结果获得模块,所述一级聚类结果获得模块用于根据所述初始水分信息对所述第一批待焙煎食品进行一级聚类,获得多个一级聚类结果;
二级聚类处理模块,所述二级聚类处理获得模块用于根据所述食品尺寸信息分别对所述多个一级聚类结果进行二级聚类,获得所述Q组待焙煎食品,且,所述Q组待焙煎食品均满足所述第一流动层焙煎机的焙煎容量约束。
进一步地,所述系统还包括:
焙煎决策解析端获得模块,所述焙煎决策解析端获得模块用于所述焙煎决策终端包括焙煎程序解析端和焙煎决策解析端;
第一焙煎加工要求获得模块,所述第一焙煎加工要求获得模块用于基于所述焙煎加工要求,获得所述第一组待焙煎食品对应的第一焙煎加工要求;
第一焙煎程序解析结果获得模块,所述第一焙煎程序解析结果获得模块用于根据所述焙煎程序解析端对所述第一焙煎加工要求进行焙煎程序分析,获得第一焙煎程序解析结果,其中,所述第一焙煎程序解析结果包括M个焙煎子程序,且,每个焙煎子程序具有对应的焙煎时段标识,M为大于1的正整数;
焙煎子决策获得模块,所述焙煎子决策获得模块用于基于所述第一食品特征标识,根据所述焙煎决策解析端分别对所述M个焙煎子程序进行焙煎参数分析,获得M个焙煎子决策,其中,所述焙煎决策解析端包括多维焙煎决策解析指标,所述多维焙煎决策解析指标包括焙煎处理时间、焙煎加热温度、焙煎热风流速和焙煎风机频率;
焙煎子决策输出模块,所述焙煎子决策输出模块用于将所述M个焙煎子决策输出为所述第一焙煎决策。
进一步地,所述系统还包括:
焙煎程序解析库获得模块,所述焙煎程序解析库获得模块用于连接所述数据采集终端,获得焙煎程序解析库,其中,所述焙煎程序解析库包括多个焙煎程序解析记录,每个焙煎程序解析记录包括样本焙煎加工要求和样本焙煎程序解析结果;
焙煎解析触发频率获得模块,所述焙煎解析触发频率获得模块用于基于所述焙煎程序解析库分别对所述多个焙煎程序解析记录进行触发频率统计,获得多个焙煎解析触发频率;
筛选焙煎程序解析记录获得模块,所述筛选焙煎程序解析记录获得模块用于基于所述多个焙煎解析触发频率对所述焙煎程序解析库进行筛选,获得满足焙煎解析触发约束的多个筛选焙煎程序解析记录;
图谱构建算子获得模块,所述图谱构建算子获得模块用于获得图谱构建算子,其中,所述图谱构建算子包括以样本焙煎加工要求为焙煎程序解析-索引特征,以样本焙煎程序解析结果为焙煎程序解析-响应特征;
焙煎程序解析图谱获得模块,所述焙煎程序解析图谱获得模块用于基于所述图谱构建算子对所述多个筛选焙煎程序解析记录进行数据整合,获得焙煎程序解析图谱,并将所述焙煎程序解析图谱嵌入至所述焙煎程序解析端。
进一步地,所述系统还包括:
检索约束获得模块,所述检索约束获得模块用于以所述第一焙煎程序解析结果和所述第一食品特征标识为检索约束,以所述多维焙煎决策解析指标为检索目标;
焙煎控制训练集获得模块,所述焙煎控制训练集获得模块用于连接所述数据采集终端,根据所述检索约束和所述检索目标,分别对同组焙煎机和所述第一流动层焙煎机进行食品加工焙煎控制记录采集,获得焙煎控制训练集和焙煎控制测试集;
第一焙煎决策解析器获得模块,所述第一焙煎决策解析器获得模块用于根据BP神经网络对所述焙煎控制训练集进行有监督训练,获得第一焙煎决策解析器;
测试输出准确率获得模块,所述测试输出准确率获得模块用于根据所述焙煎控制测试集对所述第一焙煎决策解析器进行测试,获得所述第一焙煎决策解析器的多个测试输出准确率;
测试准确置信算子获得模块,所述测试准确置信算子获得模块用于根据所述多个测试输出准确率,构建测试准确率曲线,并将所述测试准确率曲线的斜率设置为测试准确置信算子;
测试准确置信算子判断模块,所述测试准确置信算子判断模块用于若所述测试准确置信算子满足预设准确置信算子,将所述第一焙煎决策解析器嵌入至所述焙煎决策解析端。
进一步地,所述系统还包括:
基准测试输出准确率获得模块,所述基准测试输出准确率获得模块用于若所述测试准确置信算子不满足预设准确置信算子,生成基准测试输出准确率,其中,所述基准测试输出准确率通过对所述多个测试输出准确率进行加和计算获取;
学习权重获得模块,所述学习权重获得模块用于生成多个学习权重,其中,所述多个学习权重通过分别将所述多个测试输出准确率与所述基准测试输出准确率进行比值计算获取;
第二焙煎决策解析器获得模块,所述第二焙煎决策解析器获得模块用于基于所述多个学习权重,根据所述焙煎控制测试集对所述第一焙煎决策解析器进行增量学习,生成第二焙煎决策解析器,并将所述第二焙煎决策解析器嵌入至所述焙煎决策解析端。
进一步地,所述系统还包括:
实时食品温度数据获得模块,所述实时食品温度数据获得模块用于激活所述焙煎监测终端,根据所述焙煎监测终端对所述第一组待焙煎食品进行实时焙煎监测,获得实时食品温度数据和实时食品热风流速数据;
食品温度异常指数获得模块,所述食品温度异常指数获得模块用于分别对所述实时食品温度数据和所述实时食品热风流速数据进行异常检测,获得食品温度异常指数和食品热风流速异常指数;
食品温度异常指数判断模块,所述食品温度异常指数判断模块用于分别判断所述食品温度异常指数和所述食品热风流速异常指数是否满足预设食品异常约束;
焙煎保护指令获得模块,所述焙煎保护指令获得模块用于若所述食品温度异常指数和/或所述食品热风流速异常指数不满足所述预设食品异常约束,生成焙煎保护指令;
焙煎保护指令处理模块,所述焙煎保护指令处理模块用于基于所述焙煎保护指令,激活所述焙煎监测终端对所述第一流动层焙煎机进行保护。
前述实施例一中的一种基于流动层的食品加工焙煎方法具体实例同样适用于本实施例的一种基于流动层的食品加工焙煎系统,通过前述对一种基于流动层的食品加工焙煎方法的详细描述,本领域技术人员可以清楚地知道本实施例中一种基于流动层的食品加工焙煎系统,所以为了说明书的简洁,在此不再详述。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述得比较简单,相关之处参见方法部分说明即可。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合和替代。任何在本公开的精神和原则之内所做的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (6)
1.一种基于流动层的食品加工焙煎方法,其特征在于,所述方法应用于一种基于流动层的食品加工焙煎系统,所述系统包括数据采集终端、第一流动层焙煎机、焙煎决策终端和焙煎控制终端,所述方法包括:
交互所述数据采集终端,获得第一焙煎请求指令,其中,所述第一焙煎请求指令包括第一批待焙煎食品对应的焙煎加工要求和焙煎食品类型标识;
通过所述数据采集终端对所述第一批待焙煎食品进行初始数据采集,获得初始数据采集结果;
根据所述焙煎食品类型标识判断所述第一批待焙煎食品是否为同类型食品,获得第一待焙煎判断结果;
若所述第一待焙煎判断结果为所述第一批待焙煎食品是同类型食品,获得第一同类型食品聚类指令,结合所述初始数据采集结果对所述第一批待焙煎食品进行分类,获得Q组待焙煎食品,且,Q为大于1的正整数;
遍历所述Q组待焙煎食品,获得第一组待焙煎食品,并对所述第一组待焙煎食品进行特征识别,获得第一食品特征标识;
根据所述焙煎决策终端,结合所述第一食品特征标识和所述焙煎加工要求执行所述第一组待焙煎食品的焙煎决策分析,获得第一焙煎决策;
将所述第一焙煎决策发送至所述焙煎控制终端,所述焙煎控制终端按照所述第一焙煎决策控制所述第一流动层焙煎机对所述第一组待焙煎食品进行焙煎加工;
其中,获得第一待焙煎判断结果之后,还包括:
若所述第一待焙煎判断结果为所述第一批待焙煎食品不是同类型食品,获得食品类型聚类指令;
根据所述食品类型聚类指令,结合所述焙煎食品类型标识对所述第一批待焙煎食品进行聚类,获得同类型食品聚类结果,并生成第二同类型食品聚类指令;
根据所述第二同类型食品聚类指令对所述同类型食品聚类结果进行分类;
根据所述焙煎决策终端,结合所述第一食品特征标识和所述焙煎加工要求执行所述第一组待焙煎食品的焙煎决策分析,获得第一焙煎决策,包括:
所述焙煎决策终端包括焙煎程序解析端和焙煎决策解析端;
基于所述焙煎加工要求,获得所述第一组待焙煎食品对应的第一焙煎加工要求;
根据所述焙煎程序解析端对所述第一焙煎加工要求进行焙煎程序分析,获得第一焙煎程序解析结果,其中,所述第一焙煎程序解析结果包括M个焙煎子程序,且,每个焙煎子程序具有对应的焙煎时段标识,M为大于1的正整数;
基于所述第一食品特征标识,根据所述焙煎决策解析端分别对所述M个焙煎子程序进行焙煎参数分析,获得M个焙煎子决策,其中,所述焙煎决策解析端包括多维焙煎决策解析指标,所述多维焙煎决策解析指标包括焙煎处理时间、焙煎加热温度、焙煎热风流速和焙煎风机频率;
将所述M个焙煎子决策输出为所述第一焙煎决策;
以所述第一焙煎程序解析结果和所述第一食品特征标识为检索约束,以所述多维焙煎决策解析指标为检索目标;
连接所述数据采集终端,根据所述检索约束和所述检索目标,分别对同组焙煎机和所述第一流动层焙煎机进行食品加工焙煎控制记录采集,获得焙煎控制训练集和焙煎控制测试集;
根据BP神经网络对所述焙煎控制训练集进行有监督训练,获得第一焙煎决策解析器;
根据所述焙煎控制测试集对所述第一焙煎决策解析器进行测试,获得所述第一焙煎决策解析器的多个测试输出准确率;
根据所述多个测试输出准确率,构建测试准确率曲线,并将所述测试准确率曲线的斜率设置为测试准确置信算子;
若所述测试准确置信算子满足预设准确置信算子,将所述第一焙煎决策解析器嵌入至所述焙煎决策解析端。
2.如权利要求1所述的方法,其特征在于,获得Q组待焙煎食品,包括:
生成初始水分信息和食品尺寸信息,其中,所述初始水分信息和所述食品尺寸信息通过对所述初始数据采集结果进行数据提取获得;
根据所述初始水分信息对所述第一批待焙煎食品进行一级聚类,获得多个一级聚类结果;
根据所述食品尺寸信息分别对所述多个一级聚类结果进行二级聚类,获得所述Q组待焙煎食品,且,所述Q组待焙煎食品均满足所述第一流动层焙煎机的焙煎容量约束。
3.如权利要求1所述的方法,其特征在于,所述方法包括:
连接所述数据采集终端,获得焙煎程序解析库,其中,所述焙煎程序解析库包括多个焙煎程序解析记录,每个焙煎程序解析记录包括样本焙煎加工要求和样本焙煎程序解析结果;
基于所述焙煎程序解析库分别对所述多个焙煎程序解析记录进行触发频率统计,获得多个焙煎解析触发频率;
基于所述多个焙煎解析触发频率对所述焙煎程序解析库进行筛选,获得满足焙煎解析触发约束的多个筛选焙煎程序解析记录;
获得图谱构建算子,其中,所述图谱构建算子包括以样本焙煎加工要求为焙煎程序解析-索引特征,以样本焙煎程序解析结果为焙煎程序解析-响应特征;
基于所述图谱构建算子对所述多个筛选焙煎程序解析记录进行数据整合,获得焙煎程序解析图谱,并将所述焙煎程序解析图谱嵌入至所述焙煎程序解析端。
4.如权利要求1所述的方法,其特征在于,所述方法包括:
若所述测试准确置信算子不满足预设准确置信算子,生成基准测试输出准确率,其中,所述基准测试输出准确率通过对所述多个测试输出准确率进行加和计算获取;
生成多个学习权重,其中,所述多个学习权重通过分别将所述多个测试输出准确率与所述基准测试输出准确率进行比值计算获取;
基于所述多个学习权重,根据所述焙煎控制测试集对所述第一焙煎决策解析器进行增量学习,生成第二焙煎决策解析器,并将所述第二焙煎决策解析器嵌入至所述焙煎决策解析端。
5.如权利要求1所述的方法,其特征在于,所述系统还包括焙煎保护终端和焙煎监测终端,所述方法还包括:
激活所述焙煎监测终端,根据所述焙煎监测终端对所述第一组待焙煎食品进行实时焙煎监测,获得实时食品温度数据和实时食品热风流速数据;
分别对所述实时食品温度数据和所述实时食品热风流速数据进行异常检测,获得食品温度异常指数和食品热风流速异常指数;
分别判断所述食品温度异常指数和所述食品热风流速异常指数是否满足预设食品异常约束;
若所述食品温度异常指数和/或所述食品热风流速异常指数不满足所述预设食品异常约束,生成焙煎保护指令;
基于所述焙煎保护指令,激活所述焙煎监测终端对所述第一流动层焙煎机进行保护。
6.一种基于流动层的食品加工焙煎系统,其特征在于,用于实施权利要求1-5中任意一项所述的一种基于流动层的食品加工焙煎方法,所述系统包括数据采集终端、第一流动层焙煎机、焙煎决策终端和焙煎控制终端,所述系统包括:
第一焙煎请求指令获得模块,所述第一焙煎请求指令获得模块用于交互所述数据采集终端,获得第一焙煎请求指令,其中,所述第一焙煎请求指令包括第一批待焙煎食品对应的焙煎加工要求和焙煎食品类型标识;
初始数据采集结果获得模块,所述初始数据采集结果获得模块用于通过所述数据采集终端对所述第一批待焙煎食品进行初始数据采集,获得初始数据采集结果;
第一待焙煎判断结果获得模块,所述第一待焙煎判断结果获得模块用于根据所述焙煎食品类型标识判断所述第一批待焙煎食品是否为同类型食品,获得第一待焙煎判断结果;
Q组待焙煎食品获得模块,所述Q组待焙煎食品获得模块用于若所述第一待焙煎判断结果为所述第一批待焙煎食品是同类型食品,获得第一同类型食品聚类指令,结合所述初始数据采集结果对所述第一批待焙煎食品进行分类,获得Q组待焙煎食品,且,Q为大于1的正整数;
第一食品特征标识获得模块,所述第一食品特征标识获得模块用于遍历所述Q组待焙煎食品,获得第一组待焙煎食品,并对所述第一组待焙煎食品进行特征识别,获得第一食品特征标识;
第一焙煎决策获得模块,所述第一焙煎决策获得模块用于根据所述焙煎决策终端,结合所述第一食品特征标识和所述焙煎加工要求执行所述第一组待焙煎食品的焙煎决策分析,获得第一焙煎决策;
第一焙煎决策处理模块,所述第一焙煎决策处理模块用于将所述第一焙煎决策发送至所述焙煎控制终端,所述焙煎控制终端按照所述第一焙煎决策控制所述第一流动层焙煎机对所述第一组待焙煎食品进行焙煎加工。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311108123.2A CN117064031B (zh) | 2023-08-30 | 2023-08-30 | 一种基于流动层的食品加工焙煎方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311108123.2A CN117064031B (zh) | 2023-08-30 | 2023-08-30 | 一种基于流动层的食品加工焙煎方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117064031A CN117064031A (zh) | 2023-11-17 |
CN117064031B true CN117064031B (zh) | 2024-04-19 |
Family
ID=88702162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311108123.2A Active CN117064031B (zh) | 2023-08-30 | 2023-08-30 | 一种基于流动层的食品加工焙煎方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117064031B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108742170A (zh) * | 2018-05-08 | 2018-11-06 | 华南理工大学 | 一种烤箱的智能识别烹饪系统 |
CN113175794A (zh) * | 2021-04-25 | 2021-07-27 | 福建工程学院 | 一种基于bp神经网络的农产品智能烘干控制方法 |
CN113936273A (zh) * | 2021-09-28 | 2022-01-14 | 青岛海尔科技有限公司 | 食品制作过程的确定方法及装置、存储介质、电子装置 |
CN114372412A (zh) * | 2022-01-05 | 2022-04-19 | 深圳联合水产发展有限公司 | 一种低温冷冻食品均衡回温智能解冻方法及系统 |
LU501336B1 (en) * | 2022-01-27 | 2022-08-10 | Univ Jilin | Method for predicting acrylamide in fried dough based on an optimized bp neural network |
CN115436508A (zh) * | 2022-08-24 | 2022-12-06 | 广州市荠乐佳清洁服务有限公司 | 一种基于水果原料指标预测果汁品质的方法 |
CN116450904A (zh) * | 2023-04-17 | 2023-07-18 | 上海福智宠物食品有限公司 | 一种基于数据分析的烘干设备参数推荐方法及系统 |
-
2023
- 2023-08-30 CN CN202311108123.2A patent/CN117064031B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108742170A (zh) * | 2018-05-08 | 2018-11-06 | 华南理工大学 | 一种烤箱的智能识别烹饪系统 |
CN113175794A (zh) * | 2021-04-25 | 2021-07-27 | 福建工程学院 | 一种基于bp神经网络的农产品智能烘干控制方法 |
CN113936273A (zh) * | 2021-09-28 | 2022-01-14 | 青岛海尔科技有限公司 | 食品制作过程的确定方法及装置、存储介质、电子装置 |
CN114372412A (zh) * | 2022-01-05 | 2022-04-19 | 深圳联合水产发展有限公司 | 一种低温冷冻食品均衡回温智能解冻方法及系统 |
LU501336B1 (en) * | 2022-01-27 | 2022-08-10 | Univ Jilin | Method for predicting acrylamide in fried dough based on an optimized bp neural network |
CN115436508A (zh) * | 2022-08-24 | 2022-12-06 | 广州市荠乐佳清洁服务有限公司 | 一种基于水果原料指标预测果汁品质的方法 |
CN116450904A (zh) * | 2023-04-17 | 2023-07-18 | 上海福智宠物食品有限公司 | 一种基于数据分析的烘干设备参数推荐方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117064031A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321371A (zh) | 日志数据异常检测方法、装置、终端及介质 | |
CN107024450A (zh) | 一种基于近红外光谱技术鉴别不同品牌和段数奶粉的方法 | |
CN108647707B (zh) | 概率神经网络创建方法、故障诊断方法及装置、存储介质 | |
CN111738308A (zh) | 基于聚类及半监督学习的监控指标动态阈值检测方法 | |
CN112991579B (zh) | 一种基于生成对抗网络的直升机动部件异常检测方法 | |
EP0428703B1 (en) | A method for monitoring the operational state of a system | |
CN117064031B (zh) | 一种基于流动层的食品加工焙煎方法及系统 | |
CN108156142A (zh) | 基于数据挖掘的网络入侵检测方法 | |
Alikhanov et al. | Design and performance of an automatic egg sorting system based on computer vision | |
CN117350028A (zh) | 一种基于数据处理的蘑菇烘干机智能管理方法及系统 | |
CN117113135A (zh) | 一种可对异常数据整理分类的碳排放异常监测分析系统 | |
CN107193992A (zh) | 一种基于决策树算法的220kV主变压器状态评估预测方法 | |
TW201705035A (zh) | 快速篩檢資安風險主機方法與系統 | |
CN115826636B (zh) | 一种cvd设备的压力控制方法及系统 | |
CN116502155A (zh) | 一种用于数控电动螺旋压力机的安全监管系统 | |
CN111459084A (zh) | 流水生产线在线水分仪检测精准度智能管控系统 | |
CN113722230B (zh) | 针对模糊测试工具漏洞挖掘能力的集成化评估方法及装置 | |
CN113671287B (zh) | 电网自动化终端智能检测方法、系统和可读存储介质 | |
CN113030008B (zh) | 一种蒲黄炭炮制品的近红外在线质量检测方法 | |
CN115169737A (zh) | 一种基于cnn-lstm混合神经网络模型的工艺质量预测方法 | |
CN113591962A (zh) | 一种网络攻击样本生成方法及装置 | |
Pfingsten et al. | Feature selection for troubleshooting in complex assembly lines | |
CN113218880B (zh) | 冰箱的食材检测方法、冰箱及存储介质 | |
Lim Jr et al. | De-husked Coconut Quality Evaluation using Image Processing and Machine Learning Techniques | |
CN116843510B (zh) | 基于ai大模型的智能炒菜机云平台数据管理系统及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |