CN117535452B - 菌糠发酵饲料生产的在线监控方法及系统 - Google Patents
菌糠发酵饲料生产的在线监控方法及系统 Download PDFInfo
- Publication number
- CN117535452B CN117535452B CN202410028381.8A CN202410028381A CN117535452B CN 117535452 B CN117535452 B CN 117535452B CN 202410028381 A CN202410028381 A CN 202410028381A CN 117535452 B CN117535452 B CN 117535452B
- Authority
- CN
- China
- Prior art keywords
- fermentation
- time sequence
- feature vector
- parameter
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 114
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 33
- 241000233866 Fungi Species 0.000 title claims description 41
- 238000000855 fermentation Methods 0.000 claims abstract description 796
- 230000004151 fermentation Effects 0.000 claims abstract description 715
- 239000000463 material Substances 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000009423 ventilation Methods 0.000 claims abstract description 18
- 238000010438 heat treatment Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 344
- 230000004044 response Effects 0.000 claims description 108
- 230000004927 fusion Effects 0.000 claims description 57
- 230000003993 interaction Effects 0.000 claims description 30
- 238000009826 distribution Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 10
- 230000002829 reductive effect Effects 0.000 claims description 9
- 229920002472 Starch Polymers 0.000 claims description 8
- 229920002678 cellulose Polymers 0.000 claims description 8
- 239000001913 cellulose Substances 0.000 claims description 8
- 230000003247 decreasing effect Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 102000004169 proteins and genes Human genes 0.000 claims description 8
- 108090000623 proteins and genes Proteins 0.000 claims description 8
- 235000019698 starch Nutrition 0.000 claims description 8
- 239000008107 starch Substances 0.000 claims description 8
- 238000007499 fusion processing Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000003756 stirring Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 235000001674 Agaricus brunnescens Nutrition 0.000 abstract description 12
- 230000008859 change Effects 0.000 description 8
- 239000000047 product Substances 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000006866 deterioration Effects 0.000 description 2
- 230000029087 digestion Effects 0.000 description 2
- 239000006260 foam Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000010908 plant waste Substances 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010067484 Adverse reaction Diseases 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- 239000002154 agricultural waste Substances 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q3/00—Condition responsive control processes
-
- 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
- A23N17/00—Apparatus specially adapted for preparing animal feeding-stuffs
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/12—Means for regulation, monitoring, measurement or control, e.g. flow regulation of temperature
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/26—Means for regulation, monitoring, measurement or control, e.g. flow regulation of pH
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/30—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration
- C12M41/32—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration of substances in solution
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/40—Means for regulation, monitoring, measurement or control, e.g. flow regulation of pressure
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/48—Automatic or computerized control
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Organic Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Zoology (AREA)
- Wood Science & Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Microbiology (AREA)
- Genetics & Genomics (AREA)
- Biotechnology (AREA)
- General Engineering & Computer Science (AREA)
- Sustainable Development (AREA)
- Biomedical Technology (AREA)
- Immunology (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Molecular Biology (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Computer Hardware Design (AREA)
- Food Science & Technology (AREA)
- Polymers & Plastics (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本申请公开了一种菌糠发酵饲料生产的在线监控方法及系统，涉及智能监控领域，其通过摄像头实时监测采集发酵料的发酵状态监控视频，同时通过传感器组实时监测采集发酵过程的发酵温度值、发酵压力值和pH值，并在后端引入数据处理和分析算法来进行这些数据的协同分析，以此基于发酵料的发酵状态来自适应地调整发酵罐的加热、通风和酸碱度，通过这样的方式，能够实现实时、全面、自动化的发酵过程监控，提高菌糠发酵饲料的生产效率和产品质量。
Description
技术领域
本申请涉及智能监控领域，且更为具体地，涉及一种菌糠发酵饲料生产的在线监控方法及系统。
背景技术
菌糠发酵饲料是一种利用农业废弃物和微生物菌种制作的高效、低成本的饲料，具有提高畜禽免疫力、促进消化吸收和降低饲料成本等优点。为了确保饲料的质量和生产效率，需要进行菌糠发酵饲料的生产过程监控。在菌糠发酵饲料生产的发酵过程中，通过监控发酵过程的关键参数和发酵料状态，可以实时了解发酵的情况，并基于发酵情况及时采取措施来调整操作参数，以确保发酵过程的顺利进行和最终产品的质量。
然而，传统的菌糠发酵饲料的发酵过程监控方法通常依赖于操作人员的主观判断和经验，操作人员需要根据自己的经验来调整发酵罐的操作参数，这种主观性和经验依赖容易导致不同操作人员之间的差异，影响糠发酵饲料生产的一致性和稳定性。此外，传统的监控方法通常只能对发酵过程中的每个参数进行单独监控，并没有关注到参数之间的关联性和相互影响，这种局限性会导致无法全面了解发酵状态，从而无法有效调整操作参数，导致发酵效果不佳或发生变质。
因此，期望一种优化的菌糠发酵饲料生产的在线监控方案。
发明内容
为了解决上述技术问题，提出了本申请。
根据本申请的一方面，提供了一种菌糠发酵饲料生产的在线监控方法，其包括：
在发酵罐中加入菌糠和水，并搅拌均匀以形成发酵料；
在所述发酵罐的顶部安装传感器组，并使用所述传感器组采集在预定时间段内多个预定时间点的发酵温度值、发酵压力值和pH值，并将所述多个预定时间点的发酵温度值、发酵压力值和pH值发送到中央控制系统；
在所述发酵罐的顶部安装摄像头，并利用所述摄像头采集所述发酵料在所述预定时间段的发酵状态监控视频，并将所述发酵状态监控视频发送到所述中央控制系统；
在所述中央控制系统中，对所述发酵状态监控视频和所述多个预定时间点的发酵温度值、发酵压力值和pH值进行处理，以基于发酵料的发酵状态来调节所述发酵罐的加热、通风和酸碱度；
在发酵过程中，定期采样所述发酵料，通过光谱仪分析所述发酵料中的水分、蛋白质、纤维素、淀粉和糖成分以得到分析结果，并将所述分析结果发送到所述中央控制系统；
在所述中央控制系统中设置所述水分、所述蛋白质、所述纤维素、所述淀粉和所述糖成分中各种成分的预设比例，根据所述分析结果与所述预设比例的比较进行发酵结束的控制，其中，响应于所述分析结果大于所述预设比例，产生结束发酵控制信号，并输出发酵结束的提示信号。
进一步地，在所述中央控制系统中，对所述发酵状态监控视频和所述多个预定时间点的发酵温度值、发酵压力值和pH值进行处理，以基于发酵料的发酵状态来调节所述发酵罐的加热、通风和酸碱度，包括：
将所述多个预定时间点的发酵温度值、发酵压力值和pH值分别按照时间维度排列为发酵温度时序输入向量、发酵压力时序输入向量和发酵酸碱度时序输入向量；
通过基于深度神经网络模型的时序特征提取器分别对所述发酵温度时序输入向量、所述发酵压力时序输入向量和所述发酵酸碱度时序输入向量进行特征提取以得到发酵温度时序特征向量、发酵压力时序特征向量和发酵酸碱度时序特征向量；
使用投影层融合所述发酵温度时序特征向量、所述发酵压力时序特征向量和所述发酵酸碱度时序特征向量以得到发酵多参数协同时序特征向量；
从所述发酵状态监控视频提取所述多个预定时间点对应的图像帧以得到发酵状态监控关键帧的序列；
将所述发酵状态监控关键帧的序列通过基于卷积神经网络模型的发酵状态特征提取器以得到发酵状态语义特征向量的序列；
计算所述发酵状态语义特征向量的序列相对于所述发酵多参数协同时序特征向量的响应性交互融合以得到发酵参数-发酵状态响应时序特征向量作为发酵参数-发酵状态响应时序特征；
基于所述发酵参数-发酵状态响应时序特征，确定当前时间点的发酵温度值应增大、应保持或应减小。
进一步地，所述基于深度神经网络模型的时序特征提取器为基于一维卷积层的时序特征提取器。
进一步地，融合所述发酵温度时序特征向量、所述发酵压力时序特征向量和所述发酵酸碱度时序特征向量以得到发酵多参数协同时序特征向量，包括：使用所述投影层以如下融合公式来融合所述发酵温度时序特征向量、所述发酵压力时序特征向量和所述发酵酸碱度时序特征向量以得到所述发酵多参数协同时序特征向量；
其中，所述融合公式为：
；
其中，、/>和/>分别是所述发酵温度时序特征向量、所述发酵压力时序特征向量和所述发酵酸碱度时序特征向量，/>是所述发酵多参数协同时序特征向量，表示投影融合处理。
进一步地，计算所述发酵状态语义特征向量的序列相对于所述发酵多参数协同时序特征向量的响应性交互融合以得到发酵参数-发酵状态响应时序特征向量作为发酵参数-发酵状态响应时序特征，包括：以如下响应性交互融合公式来计算所述发酵状态语义特征向量的序列相对于所述发酵多参数协同时序特征向量的响应性交互融合以得到所述发酵参数-发酵状态响应时序特征向量；
其中，所述响应性交互融合公式为：
；
；
其中，表示所述发酵多参数协同时序特征向量，/>表示1×/>的矩阵，/>等于所述发酵多参数协同时序特征向量的尺度，/>是1×/>的矩阵，/>等于所述发酵状态语义特征向量的序列中发酵状态语义特征向量的数量，/>是Sigmoid函数，/>为权重系数，和/>表示1×1卷积核的卷积操作，/>表示所述发酵状态语义特征向量的序列中的各个发酵状态语义特征向量，/>表示所述发酵状态语义特征向量的序列中的各个发酵状态语义特征向量的尺度，/>表示所述发酵参数-发酵状态响应时序特征向量。
进一步地，对所述发酵状态语义特征向量的序列和所述发酵多参数协同时序特征向量进行响应性交互融合以得到发酵参数-发酵状态响应时序特征，包括：
对所述发酵参数-发酵状态响应时序特征向量进行特征分布优化以得到优化发酵参数-发酵状态响应时序特征向量；
将所述优化发酵参数-发酵状态响应时序特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的发酵温度值应增大、应保持或应减小。
进一步地，对所述发酵参数-发酵状态响应时序特征向量进行特征分布优化以得到优化发酵参数-发酵状态响应时序特征向量，包括：
对所述发酵状态语义特征向量的序列和所述发酵多参数协同时序特征向量进行融合校正以获得校正特征向量；
将所述校正特征向量与所述发酵参数-发酵状态响应时序特征向量进行融合以得到所述优化发酵参数-发酵状态响应时序特征向量。
进一步地，将所述优化发酵参数-发酵状态响应时序特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的发酵温度值应增大、应保持或应减小，包括：
使用所述分类器的全连接层对所述优化发酵参数-发酵状态响应时序特征向量进行全连接编码以得到优化发酵参数-发酵状态响应时序分类特征向量；
将所述优化发酵参数-发酵状态响应时序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。
根据本申请的另一方面，提供了一种菌糠发酵饲料生产的在线监控系统，其包括：
发酵参数监控视频采集模块，用于获取由摄像头采集的发酵料在预定时间段的发酵状态监控视频，并获取由传感器组采集的所述预定时间段内多个预定时间点的发酵温度值、发酵压力值和pH值；
发酵参数时序排列模块，用于将所述多个预定时间点的发酵温度值、发酵压力值和pH值分别按照时间维度排列为发酵温度时序输入向量、发酵压力时序输入向量和发酵酸碱度时序输入向量；
发酵参数时序特征提取模块，用于通过基于深度神经网络模型的时序特征提取器分别对所述发酵温度时序输入向量、所述发酵压力时序输入向量和所述发酵酸碱度时序输入向量进行特征提取以得到发酵温度时序特征向量、发酵压力时序特征向量和发酵酸碱度时序特征向量；
发酵特征融合模块，用于使用投影层融合所述发酵温度时序特征向量、所述发酵压力时序特征向量和所述发酵酸碱度时序特征向量以得到发酵多参数协同时序特征向量；
发酵状态关键帧提取模块，用于从所述发酵状态监控视频提取所述多个预定时间点对应的图像帧以得到发酵状态监控关键帧的序列；
发酵状态语义特征模块，用于将所述发酵状态监控关键帧的序列通过基于卷积神经网络模型的发酵状态特征提取器以得到发酵状态语义特征向量的序列；
发酵状态响应时序特征融合模块，用于计算所述发酵状态语义特征向量的序列相对于所述发酵多参数协同时序特征向量的响应性交互融合以得到发酵参数-发酵状态响应时序特征向量作为发酵参数-发酵状态响应时序特征；
发酵温度值调整模块，用于基于所述发酵参数-发酵状态响应时序特征，确定当前时间点的发酵温度值应增大、应保持或应减小。
进一步地，所述发酵特征融合模块，用于：使用所述投影层以如下融合公式来融合所述发酵温度时序特征向量、所述发酵压力时序特征向量和所述发酵酸碱度时序特征向量以得到所述发酵多参数协同时序特征向量；
其中，所述融合公式为：
；
其中，、/>和/>分别是所述发酵温度时序特征向量、所述发酵压力时序特征向量和所述发酵酸碱度时序特征向量，/>是所述发酵多参数协同时序特征向量，表示投影融合处理。
与现有技术相比，本申请提供的一种菌糠发酵饲料生产的在线监控方法及系统，其通过摄像头实时监测采集发酵料的发酵状态监控视频，同时通过传感器组实时监测采集发酵过程的发酵温度值、发酵压力值和pH值，并在后端引入数据处理和分析算法来进行这些数据的协同分析，以此基于发酵料的发酵状态来自适应地调整发酵罐的加热、通风和酸碱度，通过这样的方式，能够实现实时、全面、自动化的发酵过程监控，提高菌糠发酵饲料的生产效率和产品质量。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的菌糠发酵饲料生产的在线监控方法的流程图。
图2为根据本申请实施例的菌糠发酵饲料生产的在线监控方法中在所述中央控制系统中，对所述发酵状态监控视频和所述多个预定时间点的发酵温度值、发酵压力值和pH值进行处理，以基于发酵料的发酵状态来调节所述发酵罐的加热、通风和酸碱度的流程图。
图3为根据本申请实施例的菌糠发酵饲料生产的在线监控方法中在所述中央控制系统中，对所述发酵状态监控视频和所述多个预定时间点的发酵温度值、发酵压力值和pH值进行处理，以基于发酵料的发酵状态来调节所述发酵罐的加热、通风和酸碱度的架构示意图。
图4为根据本申请实施例的菌糠发酵饲料生产的在线监控方法中对所述发酵状态语义特征向量的序列和所述发酵多参数协同时序特征向量进行响应性交互融合以得到发酵参数-发酵状态响应时序特征的流程图。
图5为根据本申请实施例的菌糠发酵饲料生产的在线监控系统的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
在本公开的实施例的描述中,术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
需要注意,本公开中提及“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
菌糠发酵饲料是一种利用菌糠（即稻糠、麦糠等农作物残留物）进行发酵处理后用作饲料的产品，其利用农作物残留物进行生产，减少了资源浪费，降低了饲料成本，从而提高了菌糠的营养价值和消化利用率。在菌糠发酵饲料的生产过程中，通过监测关键参数和发酵料的状态，可以实时了解发酵的进展情况。这些关键参数包括温度、pH值、湿度、压力、氧气含量、发酵产物的累积等。通过监控这些参数，可以判断发酵过程是否正常进行，并及时采取必要的调整措施。
然而，传统的菌糠发酵饲料的发酵过程监控方法存在一些局限性。具体而言，传统监控方法主要依赖于操作人员的主观判断和经验，需要操作人员根据个人经验来调整发酵罐的操作参数，容易导致不同操作人员之间的差异，影响糠发酵饲料生产的一致性和稳定性。此外，传统的监控方法通常只能对发酵过程中的每个参数进行单独监控，而没有考虑到参数之间的关联性和相互影响。发酵过程中的各个参数之间存在着复杂的相互作用，例如温度、pH值、湿度、压力等参数之间的关系。如果单独监控这些参数可能无法全面了解发酵状态，从而无法有效地调整操作参数，导致发酵效果不佳或发生变质。
因此，针对上述技术问题，本申请的技术构思为通过摄像头实时监测采集发酵料的发酵状态监控视频，同时通过传感器组实时监测采集发酵过程的发酵温度值、发酵压力值和pH值，并在后端引入数据处理和分析算法来进行这些数据的协同分析，以此基于发酵料的发酵状态来自适应地调整发酵罐的加热、通风和酸碱度，通过这样的方式，能够实现实时、全面、自动化的发酵过程监控，提高菌糠发酵饲料的生产效率和产品质量。
图1为根据本申请实施例的菌糠发酵饲料生产的在线监控方法的流程图。如图1所示，根据本申请实施例的菌糠发酵饲料生产的在线监控方法，包括：S110，在发酵罐中加入菌糠和水，并搅拌均匀以形成发酵料；S120,在所述发酵罐的顶部安装传感器组，并使用所述传感器组采集在预定时间段内多个预定时间点的发酵温度值、发酵压力值和pH值，并将所述多个预定时间点的发酵温度值、发酵压力值和pH值发送到中央控制系统；S130,在所述发酵罐的顶部安装摄像头，并利用所述摄像头采集所述发酵料在所述预定时间段的发酵状态监控视频，并将所述发酵状态监控视频发送到所述中央控制系统；S140,在所述中央控制系统中，对所述发酵状态监控视频和所述多个预定时间点的发酵温度值、发酵压力值和pH值进行处理，以基于发酵料的发酵状态来调节所述发酵罐的加热、通风和酸碱度；S150,在发酵过程中，定期采样所述发酵料，通过光谱仪分析所述发酵料中的水分、蛋白质、纤维素、淀粉和糖成分以得到分析结果，并将所述分析结果发送到所述中央控制系统；以及，S160,在所述中央控制系统中设置所述水分、所述蛋白质、所述纤维素、所述淀粉和所述糖成分中各种成分的预设比例，根据所述分析结果与所述预设比例的比较进行发酵结束的控制，其中，响应于所述分析结果大于所述预设比例，产生结束发酵控制信号，并输出发酵结束的提示信号。
在步骤S120中,在所述发酵罐的顶部安装传感器组，并使用所述传感器组采集在预定时间段内多个预定时间点的发酵温度值、发酵压力值和pH值，并将所述多个预定时间点的发酵温度值、发酵压力值和pH值发送到中央控制系统。应可以理解，考虑到发酵过程中的温度、压力和发酵液体的酸碱度是发酵过程中的重要参数，对微生物的生长和代谢活动具有重要影响。因此，在本申请的技术方案中，采集在预定时间段内多个预定时间点的发酵温度值、发酵压力值和pH值，以便可以实时监测发酵罐内的温度变化、气体压力变化和发酵过程的酸碱平衡，并基于酵料的发酵状态来自适应地调整，确保发酵过程稳定、高效和一致。
在步骤S130中,在所述发酵罐的顶部安装摄像头，并利用所述摄像头采集所述发酵料在所述预定时间段的发酵状态监控视频，并将所述发酵状态监控视频发送到所述中央控制系统。相应地，考虑到所述发酵状态监控视频，可以反映出发酵料的外观和状态，可以提供更直观的信息，如泡沫形成、液面变化、气泡释放等。因此，在本申请的技术方案中，为了能够了解发酵过程中的状态信息，进一步利用所述摄像头采集所述发酵料在所述预定时间段的发酵状态监控视频，可以提供更全面的发酵过程信息，以此来及时采取措施进行调整和干预。
在步骤S140中,在所述中央控制系统中，对所述发酵状态监控视频和所述多个预定时间点的发酵温度值、发酵压力值和pH值进行处理，以基于发酵料的发酵状态来调节所述发酵罐的加热、通风和酸碱度。图2为根据本申请实施例的菌糠发酵饲料生产的在线监控方法中在所述中央控制系统中，对所述发酵状态监控视频和所述多个预定时间点的发酵温度值、发酵压力值和pH值进行处理，以基于发酵料的发酵状态来调节所述发酵罐的加热、通风和酸碱度的流程图。图3为根据本申请实施例的菌糠发酵饲料生产的在线监控方法中在所述中央控制系统中，对所述发酵状态监控视频和所述多个预定时间点的发酵温度值、发酵压力值和pH值进行处理，以基于发酵料的发酵状态来调节所述发酵罐的加热、通风和酸碱度的架构示意图。具体地，在本申请实施例中，如图2和图3所示，在所述中央控制系统中，对所述发酵状态监控视频和所述多个预定时间点的发酵温度值、发酵压力值和pH值进行处理，以基于发酵料的发酵状态来调节所述发酵罐的加热、通风和酸碱度，包括：S210,将所述多个预定时间点的发酵温度值、发酵压力值和pH值分别按照时间维度排列为发酵温度时序输入向量、发酵压力时序输入向量和发酵酸碱度时序输入向量；S220,通过基于深度神经网络模型的时序特征提取器分别对所述发酵温度时序输入向量、所述发酵压力时序输入向量和所述发酵酸碱度时序输入向量进行特征提取以得到发酵温度时序特征向量、发酵压力时序特征向量和发酵酸碱度时序特征向量；S230,使用投影层融合所述发酵温度时序特征向量、所述发酵压力时序特征向量和所述发酵酸碱度时序特征向量以得到发酵多参数协同时序特征向量；S240,从所述发酵状态监控视频提取所述多个预定时间点对应的图像帧以得到发酵状态监控关键帧的序列；S250,将所述发酵状态监控关键帧的序列通过基于卷积神经网络模型的发酵状态特征提取器以得到发酵状态语义特征向量的序列；S260,计算所述发酵状态语义特征向量的序列相对于所述发酵多参数协同时序特征向量的响应性交互融合以得到发酵参数-发酵状态响应时序特征向量作为发酵参数-发酵状态响应时序特征；以及，S270,基于所述发酵参数-发酵状态响应时序特征，确定当前时间点的发酵温度值应增大、应保持或应减小。
在步骤S210中,将所述多个预定时间点的发酵温度值、发酵压力值和pH值分别按照时间维度排列为发酵温度时序输入向量、发酵压力时序输入向量和发酵酸碱度时序输入向量。相应地，考虑到所述发酵温度值、所述发酵压力值和所述pH值在时间维度上具有着时序的动态变化规律性，为了能够对于发酵参数的时序特征进行分析和特征提取，以便于后续更为充分和准确地进行发酵过程的监控和参数关联分析，在本申请的技术方案中，将所述多个预定时间点的发酵温度值、发酵压力值和pH值分别按照时间维度排列为发酵温度时序输入向量、发酵压力时序输入向量和发酵酸碱度时序输入向量，以此来分别整合所述发酵温度值、所述发酵压力值和所述pH值在时间维度上的时序分布信息。
在步骤S220中,通过基于深度神经网络模型的时序特征提取器分别对所述发酵温度时序输入向量、所述发酵压力时序输入向量和所述发酵酸碱度时序输入向量进行特征提取以得到发酵温度时序特征向量、发酵压力时序特征向量和发酵酸碱度时序特征向量。特别地，这里所述的基于深度神经网络模型的时序特征提取器为基于一维卷积层的时序特征提取器。应可以理解，考虑到发酵过程中的温度、压力和酸碱度通常会随着时间的推移发生变化，并且可能存在一些重复的时序模式和趋势。而一维卷积层，可以有效地捕捉到发酵参数的时序模式，帮助识别周期性的变化。也就是，卷积层在不同时间窗口上滑动，提取发酵参数局部特征，并通过卷积核的权重共享来捕捉发酵参数全局的时序模式。因此，在本申请的技术方案中，将所述发酵温度时序输入向量、所述发酵压力时序输入向量和所述发酵酸碱度时序输入向量通过基于一维卷积层的时序特征提取器中进行特征挖掘，以分别提取出所述发酵温度值、所述发酵压力值和所述pH值在时间维度上的时序特征，从而得到发酵温度时序特征向量、发酵压力时序特征向量和发酵酸碱度时序特征向量。
在步骤S230中,使用投影层融合所述发酵温度时序特征向量、所述发酵压力时序特征向量和所述发酵酸碱度时序特征向量以得到发酵多参数协同时序特征向量。应可以理解，考虑到发酵过程中的温度、压力和酸碱度等参数之间是相互关联的，它们的变化会相互影响。因此，为了更好地理解发酵过程，需要将这些参数的时序特征信息进行融合。具体地，在本申请的技术方案中，使用投影层来融合所述发酵温度时序特征向量、所述发酵压力时序特征向量和所述发酵酸碱度时序特征向量以得到发酵多参数协同时序特征向量。特别地，这里，所述投影层可以将所述发酵温度时序特征向量、所述发酵压力时序特征向量和所述发酵酸碱度时序特征向量映射到一个共享的特征空间中，从而得到所述发酵多参数协同时序特征向量。通过融合不同参数的时序特征向量，可以捕捉到它们之间的关联性和相互作用，从而提供更全面的发酵过程描述。
具体地，在本申请的实施例中，融合所述发酵温度时序特征向量、所述发酵压力时序特征向量和所述发酵酸碱度时序特征向量以得到发酵多参数协同时序特征向量，包括：使用所述投影层以如下融合公式来融合所述发酵温度时序特征向量、所述发酵压力时序特征向量和所述发酵酸碱度时序特征向量以得到所述发酵多参数协同时序特征向量；其中，所述融合公式为：
；
其中，、/>和/>分别是所述发酵温度时序特征向量、所述发酵压力时序特征向量和所述发酵酸碱度时序特征向量，/>是所述发酵多参数协同时序特征向量，表示投影融合处理。
在步骤S240中,从所述发酵状态监控视频提取所述多个预定时间点对应的图像帧以得到发酵状态监控关键帧的序列。相应地，考虑到由于所述发酵状态监控视频记录了发酵过程中的实时图像，可以反映发酵料的外观、颜色、气泡等变化情况，从而反映发酵状态的变化。但是，由于所述发酵状态监控视频的数据量较多，在后续的处理过程中会造成冗余。因此，为了获取发酵过程中的关键信息，以便更好地理解和监控发酵状态，在本申请的技术方案中，从所述发酵状态监控视频提取所述多个预定时间点对应的图像帧以得到发酵状态监控关键帧的序列。这样不仅可以捕捉到发酵过程中的关键瞬间和重要变化，避免冗余的发生，而且还能够与发酵参数形成对应，便于后续的发酵过程理解和发酵参数的实时控制。
在步骤S250中,将所述发酵状态监控关键帧的序列通过基于卷积神经网络模型的发酵状态特征提取器以得到发酵状态语义特征向量的序列。相应地，考虑到所述发酵状态监控视频的关键帧包含了发酵过程中重要的视觉信息，如发酵料的外观、泡沫、液面等。而卷积神经网络模型，可以有效地提取发酵状态监控关键帧的发酵状态语义信息。也就是说，发酵状态监控关键帧序列中帧与帧之间通常具有上下文的连续性和时序性的特征信息，而卷积神经网络模型可以通过卷积和池化操作来捕捉发酵状态监控图像中的空间局部关系。因此，在本申请的技术方案中，进一步地将所述发酵状态监控关键帧的序列通过基于卷积神经网络模型的发酵状态特征提取器中进行特征挖掘，以提取出所述各个发酵状态监控关键帧中关于发酵料的发酵状态特征信息，从而得到发酵状态语义特征向量的序列，以便更好地理解发酵过程的动态变化。
在步骤S260中,计算所述发酵状态语义特征向量的序列相对于所述发酵多参数协同时序特征向量的响应性交互融合以得到发酵参数-发酵状态响应时序特征向量作为发酵参数-发酵状态响应时序特征。应可以理解，所述发酵多参数协同时序特征向量是通过投影层融合发酵温度、压力和酸碱度等参数的时序特征向量得到的，其表示了不同发酵参数在时间维度上的时序协同变化趋势和相互关系。而所述发酵状态语义特征向量的序列表示了各个关键帧下的发酵状态的语义特征信息，这些特征向量可以捕捉到发酵过程中的关键特征和状态变化。因此，为了更好地理解发酵参数与发酵状态之间的关系，为后续的分类和决策提供更准确的依据，从而实现对发酵过程的实时监控和精确调整，在本申请的技术方案中，进一步计算所述发酵状态语义特征向量的序列相对于所述发酵多参数协同时序特征向量的响应性交互融合以得到发酵参数-发酵状态响应时序特征向量。应可以理解，通过计算所述发酵状态语义特征向量序列与所述发酵多参数协同时序特征向量的响应性交互，可以将所述各个关键帧下的发酵状态的语义特征信息与所述发酵参数的时序协同特征相结合，从而揭示发酵参数与发酵状态之间的关联性和相互作用，以便于更好地理解发酵参数对发酵状态的影响，为后续的发酵参数控制提供依据。
具体地，在本申请的实施例中，计算所述发酵状态语义特征向量的序列相对于所述发酵多参数协同时序特征向量的响应性交互融合以得到发酵参数-发酵状态响应时序特征向量作为发酵参数-发酵状态响应时序特征，包括：以如下响应性交互融合公式来计算所述发酵状态语义特征向量的序列相对于所述发酵多参数协同时序特征向量的响应性交互融合以得到所述发酵参数-发酵状态响应时序特征向量；其中，所述响应性交互融合公式为：
；
；
其中，表示所述发酵多参数协同时序特征向量，/>表示1×/>的矩阵，/>等于所述发酵多参数协同时序特征向量的尺度，/>是1×/>的矩阵，/>等于所述发酵状态语义特征向量的序列中发酵状态语义特征向量的数量，/>是Sigmoid函数，/>为权重系数，和/>表示1×1卷积核的卷积操作，/>表示所述发酵状态语义特征向量的序列中的各个发酵状态语义特征向量，/>表示所述发酵状态语义特征向量的序列中的各个发酵状态语义特征向量的尺度，/>表示所述发酵参数-发酵状态响应时序特征向量。
在步骤S270中,基于所述发酵参数-发酵状态响应时序特征，确定当前时间点的发酵温度值应增大、应保持或应减小。应可以理解，考虑到所述发酵参数-发酵状态响应时序特征融合了发酵参数的时序变化特征信息和发酵状态语义特征的信息，综合全面地反映出发酵过程中的特征。基于此，在本申请的技术方案中，基于所述发酵参数-发酵状态响应时序特征，确定当前时间点的发酵温度值应增大、应保持或应减小，以便能够更好地控制发酵过程中的发酵速度、产物生成等关键指标，以此更好地适应发酵过程的动态变化，从而提高发酵效果。
图4为根据本申请实施例的菌糠发酵饲料生产的在线监控方法中对所述发酵状态语义特征向量的序列和所述发酵多参数协同时序特征向量进行响应性交互融合以得到发酵参数-发酵状态响应时序特征的流程图。具体地，在本申请实施例中，如图4所示，对所述发酵状态语义特征向量的序列和所述发酵多参数协同时序特征向量进行响应性交互融合以得到发酵参数-发酵状态响应时序特征，包括：S310,对所述发酵参数-发酵状态响应时序特征向量进行特征分布优化以得到优化发酵参数-发酵状态响应时序特征向量；以及，S320,将所述优化发酵参数-发酵状态响应时序特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的发酵温度值应增大、应保持或应减小。
具体地，在步骤S310,对所述发酵参数-发酵状态响应时序特征向量进行特征分布优化以得到优化发酵参数-发酵状态响应时序特征向量。相应地，考虑到所述发酵多参数协同时序特征向量表达所述发酵温度值、所述发酵压力值和所述pH值的局部时序关联融合特征，而所述发酵状态语义特征向量的序列表达所述发酵状态监控关键帧的序列的图像语义特征。因此，尽管所述发酵状态语义特征向量的序列与所述发酵多参数协同时序特征向量在时序分布上存在对齐效应，但是源数据模态差异导致的特征分布在时序分布方向上仍然较大差异，在计算所述发酵状态语义特征向量的序列相对于所述发酵多参数协同时序特征向量的响应性交互融合时，期望抑制由于特征模态差异导致的与其相对于时序分布的不同特征分布方向对应的高维几何变化差异，从而提升响应性交互融合的效果。因此，在本申请的技术方案中，进一步对所述发酵参数-发酵状态响应时序特征向量进行特征分布优化以得到优化发酵参数-发酵状态响应时序特征向量。
具体地，在本申请实施例中，对所述发酵参数-发酵状态响应时序特征向量进行特征分布优化以得到优化发酵参数-发酵状态响应时序特征向量，包括：对所述发酵状态语义特征向量的序列和所述发酵多参数协同时序特征向量进行融合校正以获得校正特征向量；以及，将所述校正特征向量与所述发酵参数-发酵状态响应时序特征向量进行融合以得到所述优化发酵参数-发酵状态响应时序特征向量。
更具体地，在本申请实施例中，对所述发酵状态语义特征向量的序列和所述发酵多参数协同时序特征向量进行融合校正以获得校正特征向量，包括：以如下融合校正公式对所述发酵状态语义特征向量的序列和所述发酵多参数协同时序特征向量进行融合校正以获得所述校正特征向量；其中，所述融合校正公式为：
；
其中，是所述发酵状态语义特征向量的序列级联后得到的级联特征向量，/>是所述发酵多参数协同时序特征向量，/>是所述级联特征向量/>的特征值，/>是所述发酵多参数协同时序特征向量/>的特征值，/>是所述校正特征向量的特征值，/>和分别是特征向量的1范数和2范数，/>是特征向量的长度，且/>是权重超参数，/>为指数运算。
具体地，为了在进行响应性交互融合时提升特征对不同特征分布对应的空间变换的感知和认知能力，基于所述发酵状态语义特征向量的序列的级联特征向量和所述发酵多参数协同时序特征向量/>的距离结构参数来从向量尺度维度进行特征向量的特征分布在不同方向上的旋转控制，以通过相对旋转解缠来保留融合特征的旋转不变性，从而避免特征融合时在高维特征空间内的几何变换导致的特征分布的高维几何变化差异。这样，再将所述校正特征向量与所述发酵参数-发酵状态响应时序特征向量进行融合，就可以提升所述发酵参数-发酵状态响应时序特征向量对所述发酵状态语义特征向量的序列和所述发酵多参数协同时序特征向量的响应性交互融合效果，从而改进其通过分类器得到的分类结果的准确性。这样，能够基于发酵料的发酵状态来自适应地调整发酵罐的加热、通风和酸碱度，通过这样的方式，能够实现实时、全面、自动化的发酵过程监控，提高菌糠发酵饲料的生产效率和产品质量。
具体地，将所述优化发酵参数-发酵状态响应时序特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的发酵温度值应增大、应保持或应减小。也就是说，利用所述发酵参数的时序协同关联特征和所述发酵状态的语义特征之间的响应性关联特征信息来进行分类处理，以此来进行发酵温度的自适应控制。特别地，在本申请的其他具体示例中，还可以控制发酵pH值和通风风速值，对此并不为本申请所局限。这样，基于发酵料的发酵状态来自适应地调整发酵罐的加热、通风和酸碱度，从而实现对发酵过程的精准分类和控制。
更具体地，在本申请的实施例中，将所述优化发酵参数-发酵状态响应时序特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的发酵温度值应增大、应保持或应减小，包括：使用所述分类器的全连接层对所述优化发酵参数-发酵状态响应时序特征向量进行全连接编码以得到优化发酵参数-发酵状态响应时序分类特征向量；以及，将所述优化发酵参数-发酵状态响应时序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。
在步骤S150中,在发酵过程中，定期采样所述发酵料，通过光谱仪分析所述发酵料中的水分、蛋白质、纤维素、淀粉和糖成分以得到分析结果，并将所述分析结果发送到所述中央控制系统。应可以理解，通过定期采样发酵料并通过光谱仪进行分析，可以实时监测发酵料中关键成分的含量和变化趋势。而这些分析结果可以用于发酵过程的控制和优化，例如控制发酵温度或调整发酵时间等。从而帮助提高发酵过程的稳定性、产量和质量，并减少发酵过程中的不良反应或产物损失。
在步骤S160中,在所述中央控制系统中设置所述水分、所述蛋白质、所述纤维素、所述淀粉和所述糖成分中各种成分的预设比例，根据所述分析结果与所述预设比例的比较进行发酵结束的控制，其中，响应于所述分析结果大于所述预设比例，产生结束发酵控制信号，并输出发酵结束的提示信号。相应地，通过将分析结果与预设比例进行比较，并根据比较结果生成发酵结束控制信号和提示信号，可以实现对发酵过程的自动控制和监测，以此确保发酵过程在预期的条件下进行，并提供及时的反馈和决策支持，以优化发酵的效果和结果。
综上，基于本申请实施例的菌糠发酵饲料生产的在线监控方法被阐明，其通过摄像头实时监测采集发酵料的发酵状态监控视频，同时通过传感器组实时监测采集发酵过程的发酵温度值、发酵压力值和pH值，并在后端引入数据处理和分析算法来进行这些数据的协同分析，以此基于发酵料的发酵状态来自适应地调整发酵罐的加热、通风和酸碱度，通过这样的方式，能够实现实时、全面、自动化的发酵过程监控，提高菌糠发酵饲料的生产效率和产品质量。
图5为根据本申请实施例的菌糠发酵饲料生产的在线监控系统的框图。如图5所示，根据本申请实施例的菌糠发酵饲料生产的在线监控系统100，包括：发酵参数监控视频采集模块110，用于获取由摄像头采集的发酵料在预定时间段的发酵状态监控视频，并获取由传感器组采集的所述预定时间段内多个预定时间点的发酵温度值、发酵压力值和pH值；发酵参数时序排列模块120，用于将所述多个预定时间点的发酵温度值、发酵压力值和pH值分别按照时间维度排列为发酵温度时序输入向量、发酵压力时序输入向量和发酵酸碱度时序输入向量；发酵参数时序特征提取模块130，用于通过基于深度神经网络模型的时序特征提取器分别对所述发酵温度时序输入向量、所述发酵压力时序输入向量和所述发酵酸碱度时序输入向量进行特征提取以得到发酵温度时序特征向量、发酵压力时序特征向量和发酵酸碱度时序特征向量；发酵特征融合模块140，用于使用投影层融合所述发酵温度时序特征向量、所述发酵压力时序特征向量和所述发酵酸碱度时序特征向量以得到发酵多参数协同时序特征向量；发酵状态关键帧提取模块150，用于从所述发酵状态监控视频提取所述多个预定时间点对应的图像帧以得到发酵状态监控关键帧的序列；发酵状态语义特征模块160，用于将所述发酵状态监控关键帧的序列通过基于卷积神经网络模型的发酵状态特征提取器以得到发酵状态语义特征向量的序列；发酵状态响应时序特征融合模块170，用于计算所述发酵状态语义特征向量的序列相对于所述发酵多参数协同时序特征向量的响应性交互融合以得到发酵参数-发酵状态响应时序特征向量作为发酵参数-发酵状态响应时序特征；以及，发酵温度值调整模块180，用于基于所述发酵参数-发酵状态响应时序特征，确定当前时间点的发酵温度值应增大、应保持或应减小。
这里，本领域技术人员可以理解，上述菌糠发酵饲料生产的在线监控系统中的各个步骤的具体操作已经在上面图1到图4的菌糠发酵饲料生产的在线监控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，根据本公开实施例的菌糠发酵饲料生产的在线监控系统100可以实现在各种无线终端中，例如具有菌糠发酵饲料生产的在线监控算法的服务器等。在一种可能的实现方式中，根据本公开实施例的菌糠发酵饲料生产的在线监控系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该菌糠发酵饲料生产的在线监控系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该菌糠发酵饲料生产的在线监控系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该菌糠发酵饲料生产的在线监控系统100与该无线终端也可以是分立的设备，并且该菌糠发酵饲料生产的在线监控系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
以上所述仅是本公开的原理的示例，并且在不脱离本公开的范围的情况下，本领域的技术人员可以做出各种修改。出于说明而非限制的目的呈现上述实施例。本公开还可以采取除本文明确描述的那些形式之外的许多形式。因此，需要强调的是，本公开不限于明确公开的方法、系统和设备，而是旨在包括在所附权利要求的精神范围之内的变型和进行的修改。
Claims (8)
1.一种菌糠发酵饲料生产的在线监控方法，其特征在于，包括：
在发酵罐中加入菌糠和水，并搅拌均匀以形成发酵料；
在所述发酵罐的顶部安装传感器组，并使用所述传感器组采集在预定时间段内多个预定时间点的发酵温度值、发酵压力值和pH值，并将所述多个预定时间点的发酵温度值、发酵压力值和pH值发送到中央控制系统；
在所述发酵罐的顶部安装摄像头，并利用所述摄像头采集所述发酵料在所述预定时间段的发酵状态监控视频，并将所述发酵状态监控视频发送到所述中央控制系统；
在所述中央控制系统中，对所述发酵状态监控视频和所述多个预定时间点的发酵温度值、发酵压力值和pH值进行处理，以基于发酵料的发酵状态来调节所述发酵罐的加热、通风和酸碱度；
在发酵过程中，定期采样所述发酵料，通过光谱仪分析所述发酵料中的水分、蛋白质、纤维素、淀粉和糖成分以得到分析结果，并将所述分析结果发送到所述中央控制系统；
在所述中央控制系统中设置所述水分、所述蛋白质、所述纤维素、所述淀粉和所述糖成分中各种成分的预设比例，根据所述分析结果与所述预设比例的比较进行发酵结束的控制，其中，响应于所述分析结果大于所述预设比例，产生结束发酵控制信号，并输出发酵结束的提示信号；
其中，在所述中央控制系统中，对所述发酵状态监控视频和所述多个预定时间点的发酵温度值、发酵压力值和pH值进行处理，以基于发酵料的发酵状态来调节所述发酵罐的加热、通风和酸碱度，包括：
将所述多个预定时间点的发酵温度值、发酵压力值和pH值分别按照时间维度排列为发酵温度时序输入向量、发酵压力时序输入向量和发酵酸碱度时序输入向量；
通过基于深度神经网络模型的时序特征提取器分别对所述发酵温度时序输入向量、所述发酵压力时序输入向量和所述发酵酸碱度时序输入向量进行特征提取以得到发酵温度时序特征向量、发酵压力时序特征向量和发酵酸碱度时序特征向量；
使用投影层融合所述发酵温度时序特征向量、所述发酵压力时序特征向量和所述发酵酸碱度时序特征向量以得到发酵多参数协同时序特征向量；
从所述发酵状态监控视频提取所述多个预定时间点对应的图像帧以得到发酵状态监控关键帧的序列；
将所述发酵状态监控关键帧的序列通过基于卷积神经网络模型的发酵状态特征提取器以得到发酵状态语义特征向量的序列；
计算所述发酵状态语义特征向量的序列相对于所述发酵多参数协同时序特征向量的响应性交互融合以得到发酵参数-发酵状态响应时序特征向量作为发酵参数-发酵状态响应时序特征；
基于所述发酵参数-发酵状态响应时序特征，确定当前时间点的发酵温度值应增大、应保持或应减小；
其中，计算所述发酵状态语义特征向量的序列相对于所述发酵多参数协同时序特征向量的响应性交互融合以得到发酵参数-发酵状态响应时序特征向量作为发酵参数-发酵状态响应时序特征，包括：以如下响应性交互融合公式来计算所述发酵状态语义特征向量的序列相对于所述发酵多参数协同时序特征向量的响应性交互融合以得到所述发酵参数-发酵状态响应时序特征向量；
其中，所述响应性交互融合公式为：
；
；
其中，表示所述发酵多参数协同时序特征向量，/>表示1×/>的矩阵，/>等于所述发酵多参数协同时序特征向量的尺度，/>是1×/>的矩阵，/>等于所述发酵状态语义特征向量的序列中发酵状态语义特征向量的数量，/>是Sigmoid函数，/>为权重系数，/>和表示1×1卷积核的卷积操作，/>表示所述发酵状态语义特征向量的序列中的各个发酵状态语义特征向量，/>表示所述发酵状态语义特征向量的序列中的各个发酵状态语义特征向量的尺度，/>表示所述发酵参数-发酵状态响应时序特征向量。
2.根据权利要求1所述的菌糠发酵饲料生产的在线监控方法，其特征在于，所述基于深度神经网络模型的时序特征提取器为基于一维卷积层的时序特征提取器。
3.根据权利要求2所述的菌糠发酵饲料生产的在线监控方法，其特征在于，融合所述发酵温度时序特征向量、所述发酵压力时序特征向量和所述发酵酸碱度时序特征向量以得到发酵多参数协同时序特征向量，包括：使用所述投影层以如下融合公式来融合所述发酵温度时序特征向量、所述发酵压力时序特征向量和所述发酵酸碱度时序特征向量以得到所述发酵多参数协同时序特征向量；
其中，所述融合公式为：
；
其中，、/>和/>分别是所述发酵温度时序特征向量、所述发酵压力时序特征向量和所述发酵酸碱度时序特征向量，/>是所述发酵多参数协同时序特征向量，/>表示投影融合处理。
4.根据权利要求3所述的菌糠发酵饲料生产的在线监控方法，其特征在于，对所述发酵状态语义特征向量的序列和所述发酵多参数协同时序特征向量进行响应性交互融合以得到发酵参数-发酵状态响应时序特征，包括：
对所述发酵参数-发酵状态响应时序特征向量进行特征分布优化以得到优化发酵参数-发酵状态响应时序特征向量；
将所述优化发酵参数-发酵状态响应时序特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的发酵温度值应增大、应保持或应减小。
5.根据权利要求4所述的菌糠发酵饲料生产的在线监控方法，其特征在于，对所述发酵参数-发酵状态响应时序特征向量进行特征分布优化以得到优化发酵参数-发酵状态响应时序特征向量，包括：
对所述发酵状态语义特征向量的序列和所述发酵多参数协同时序特征向量进行融合校正以获得校正特征向量；
将所述校正特征向量与所述发酵参数-发酵状态响应时序特征向量进行融合以得到所述优化发酵参数-发酵状态响应时序特征向量。
6.根据权利要求5所述的菌糠发酵饲料生产的在线监控方法，其特征在于，将所述优化发酵参数-发酵状态响应时序特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的发酵温度值应增大、应保持或应减小，包括：
使用所述分类器的全连接层对所述优化发酵参数-发酵状态响应时序特征向量进行全连接编码以得到优化发酵参数-发酵状态响应时序分类特征向量；
将所述优化发酵参数-发酵状态响应时序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。
7.一种菌糠发酵饲料生产的在线监控系统，其特征在于，包括：
发酵参数监控视频采集模块，用于获取由摄像头采集的发酵料在预定时间段的发酵状态监控视频，并获取由传感器组采集的所述预定时间段内多个预定时间点的发酵温度值、发酵压力值和pH值；
发酵参数时序排列模块，用于将所述多个预定时间点的发酵温度值、发酵压力值和pH值分别按照时间维度排列为发酵温度时序输入向量、发酵压力时序输入向量和发酵酸碱度时序输入向量；
发酵参数时序特征提取模块，用于通过基于深度神经网络模型的时序特征提取器分别对所述发酵温度时序输入向量、所述发酵压力时序输入向量和所述发酵酸碱度时序输入向量进行特征提取以得到发酵温度时序特征向量、发酵压力时序特征向量和发酵酸碱度时序特征向量；
发酵特征融合模块，用于使用投影层融合所述发酵温度时序特征向量、所述发酵压力时序特征向量和所述发酵酸碱度时序特征向量以得到发酵多参数协同时序特征向量；
发酵状态关键帧提取模块，用于从所述发酵状态监控视频提取所述多个预定时间点对应的图像帧以得到发酵状态监控关键帧的序列；
发酵状态语义特征模块，用于将所述发酵状态监控关键帧的序列通过基于卷积神经网络模型的发酵状态特征提取器以得到发酵状态语义特征向量的序列；
发酵状态响应时序特征融合模块，用于计算所述发酵状态语义特征向量的序列相对于所述发酵多参数协同时序特征向量的响应性交互融合以得到发酵参数-发酵状态响应时序特征向量作为发酵参数-发酵状态响应时序特征；
发酵温度值调整模块，用于基于所述发酵参数-发酵状态响应时序特征，确定当前时间点的发酵温度值应增大、应保持或应减小；
其中，所述发酵状态响应时序特征融合模块，包括：以如下响应性交互融合公式来计算所述发酵状态语义特征向量的序列相对于所述发酵多参数协同时序特征向量的响应性交互融合以得到所述发酵参数-发酵状态响应时序特征向量；
其中，所述响应性交互融合公式为：
；
；
其中，表示所述发酵多参数协同时序特征向量，/>表示1×/>的矩阵，/>等于所述发酵多参数协同时序特征向量的尺度，/>是1×/>的矩阵，/>等于所述发酵状态语义特征向量的序列中发酵状态语义特征向量的数量，/>是Sigmoid函数，/>为权重系数，/>和表示1×1卷积核的卷积操作，/>表示所述发酵状态语义特征向量的序列中的各个发酵状态语义特征向量，/>表示所述发酵状态语义特征向量的序列中的各个发酵状态语义特征向量的尺度，/>表示所述发酵参数-发酵状态响应时序特征向量。
8.根据权利要求7所述的菌糠发酵饲料生产的在线监控系统，其特征在于，所述发酵特征融合模块，用于：使用所述投影层以如下融合公式来融合所述发酵温度时序特征向量、所述发酵压力时序特征向量和所述发酵酸碱度时序特征向量以得到所述发酵多参数协同时序特征向量；
其中，所述融合公式为：
；
其中，、/>和/>分别是所述发酵温度时序特征向量、所述发酵压力时序特征向量和所述发酵酸碱度时序特征向量，/>是所述发酵多参数协同时序特征向量，/>表示投影融合处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410028381.8A CN117535452B (zh) | 2024-01-09 | 2024-01-09 | 菌糠发酵饲料生产的在线监控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410028381.8A CN117535452B (zh) | 2024-01-09 | 2024-01-09 | 菌糠发酵饲料生产的在线监控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117535452A CN117535452A (zh) | 2024-02-09 |
| CN117535452B true CN117535452B (zh) | 2024-03-26 |
Family
ID=89790354
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410028381.8A Active CN117535452B (zh) | 2024-01-09 | 2024-01-09 | 菌糠发酵饲料生产的在线监控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117535452B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117743975A (zh) * | 2024-02-21 | 2024-03-22 | 君研生物科技(山西)有限公司 | 山坡耕地土壤环境改良方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104171759A (zh) * | 2014-09-09 | 2014-12-03 | 中国科学院天津工业生物技术研究所 | 一种食用菌菌糠饲料制备工艺 |
| CN114686324A (zh) * | 2022-05-09 | 2022-07-01 | 丽水市鱼跃酿造食品有限公司 | 一种酿制酒、醋的高效发酵装置 |
| CN115294532A (zh) * | 2022-09-06 | 2022-11-04 | 丽水市鱼跃酿造食品有限公司 | 酒、酱、醋的智能化制备方法及其系统 |
| CN115861887A (zh) * | 2022-12-14 | 2023-03-28 | 江苏福多美生物科技有限公司 | 用于黑蒜的菌类检测方法 |
| CN115872791A (zh) * | 2022-12-07 | 2023-03-31 | 长兴兴德生物科技有限公司 | 绿色环保有机肥生产工艺及其控制系统 |
| CN115984745A (zh) * | 2022-12-30 | 2023-04-18 | 江苏福多美生物科技有限公司 | 用于黑蒜发酵的水分控制方法 |
| CN116229113A (zh) * | 2023-03-08 | 2023-06-06 | 广东百凤源酒业有限公司 | 一种富硒石斛花酒的制备方法 |
| CN116621409A (zh) * | 2023-05-24 | 2023-08-22 | 河南春谷盈生物科技有限公司 | 畜禽粪污资源化处理设备及方法 |
| CN116649159A (zh) * | 2023-08-01 | 2023-08-29 | 江苏慧岸信息科技有限公司 | 一种食用菌生长参数寻优的系统和方法 |
| CN116661530A (zh) * | 2023-07-31 | 2023-08-29 | 山西聚源生物科技有限公司 | 食用菌工厂化栽培中的智能控制系统及方法 |
| CN116721386A (zh) * | 2023-06-16 | 2023-09-08 | 山东高唐永旺食品有限公司 | 婴幼儿果汁泥制备方法及其系统 |
| CN116837058A (zh) * | 2023-06-09 | 2023-10-03 | 湖州嘉亨实业有限公司 | 梅花小分子多肽制备方法及其智能系统 |
-
2024
- 2024-01-09 CN CN202410028381.8A patent/CN117535452B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104171759A (zh) * | 2014-09-09 | 2014-12-03 | 中国科学院天津工业生物技术研究所 | 一种食用菌菌糠饲料制备工艺 |
| CN114686324A (zh) * | 2022-05-09 | 2022-07-01 | 丽水市鱼跃酿造食品有限公司 | 一种酿制酒、醋的高效发酵装置 |
| CN115294532A (zh) * | 2022-09-06 | 2022-11-04 | 丽水市鱼跃酿造食品有限公司 | 酒、酱、醋的智能化制备方法及其系统 |
| CN115872791A (zh) * | 2022-12-07 | 2023-03-31 | 长兴兴德生物科技有限公司 | 绿色环保有机肥生产工艺及其控制系统 |
| CN115861887A (zh) * | 2022-12-14 | 2023-03-28 | 江苏福多美生物科技有限公司 | 用于黑蒜的菌类检测方法 |
| CN115984745A (zh) * | 2022-12-30 | 2023-04-18 | 江苏福多美生物科技有限公司 | 用于黑蒜发酵的水分控制方法 |
| CN116229113A (zh) * | 2023-03-08 | 2023-06-06 | 广东百凤源酒业有限公司 | 一种富硒石斛花酒的制备方法 |
| CN116621409A (zh) * | 2023-05-24 | 2023-08-22 | 河南春谷盈生物科技有限公司 | 畜禽粪污资源化处理设备及方法 |
| CN116837058A (zh) * | 2023-06-09 | 2023-10-03 | 湖州嘉亨实业有限公司 | 梅花小分子多肽制备方法及其智能系统 |
| CN116721386A (zh) * | 2023-06-16 | 2023-09-08 | 山东高唐永旺食品有限公司 | 婴幼儿果汁泥制备方法及其系统 |
| CN116661530A (zh) * | 2023-07-31 | 2023-08-29 | 山西聚源生物科技有限公司 | 食用菌工厂化栽培中的智能控制系统及方法 |
| CN116649159A (zh) * | 2023-08-01 | 2023-08-29 | 江苏慧岸信息科技有限公司 | 一种食用菌生长参数寻优的系统和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117535452A (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117535452B (zh) | 菌糠发酵饲料生产的在线监控方法及系统 | |
| CN117073768B (zh) | 肉牛养殖管理系统及其方法 | |
| CN115438577A (zh) | 酵母水解物智能化制备方法及其系统 | |
| CN116649159B (zh) | 一种食用菌生长参数寻优的系统和方法 | |
| CN115861887A (zh) | 用于黑蒜的菌类检测方法 | |
| CN117270611A (zh) | 智慧运动场馆的环境智能控制系统及方法 | |
| CN116661530B (zh) | 食用菌工厂化栽培中的智能控制系统及方法 | |
| CN117136765A (zh) | 基于智能农业的大棚控制系统及方法 | |
| Yuan et al. | Abnormal condition identification modeling method based on Bayesian network parameters transfer learning for the electro-fused magnesia smelting process | |
| CN115358281A (zh) | 一种基于机器学习的冷热一体机监测控制方法及系统 | |
| CN116012780A (zh) | 一种基于图像识别的火灾监控方法及系统 | |
| CN115984745A (zh) | 用于黑蒜发酵的水分控制方法 | |
| CN117391482B (zh) | 一种基于大数据监测的大棚温度智能预警方法及系统 | |
| CN116849237A (zh) | 焦糖饼干及其制备方法 | |
| CN117037145A (zh) | 酸枣糕生产用烘干控制系统及其方法 | |
| CN117114448A (zh) | 一种基于机器学习和物联网技术的农业生产管理系统及方法 | |
| CN113554010B (zh) | 一种电网线路故障识别模型训练方法 | |
| CN115669617A (zh) | 一种智能物联驱动的大蚕饲养环境控制系统 | |
| CN116829785A (zh) | 推测装置、推测系统、推测程序以及推测方法 | |
| Cao et al. | A network anomaly monitoring method based on edge computing for CPS/IOT | |
| CN116993734B (zh) | 基于视觉成像进行分析的电池隔热棉裁切质量预测系统 | |
| CN117140775A (zh) | 防水材料自动生产设备 | |
| CN117743772B (zh) | 基于人工智能模型的卫生纸干燥参数优化方法及系统 | |
| CN117678766A (zh) | 一种保健膳食纤维代餐粉及其制备方法 | |
| CN116300479B (zh) | 基于干细胞培养法的人参皂甙生产装置的控制方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |