CN115984745A - 用于黑蒜发酵的水分控制方法 - Google Patents
用于黑蒜发酵的水分控制方法 Download PDFInfo
- Publication number
- CN115984745A CN115984745A CN202211724315.1A CN202211724315A CN115984745A CN 115984745 A CN115984745 A CN 115984745A CN 202211724315 A CN202211724315 A CN 202211724315A CN 115984745 A CN115984745 A CN 115984745A
- Authority
- CN
- China
- Prior art keywords
- fermentation
- humidity
- characteristic
- matrix
- 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
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Preparation Of Fruits And Vegetables (AREA)
Abstract
本申请涉及智能控制领域,其具体地公开了一种用于黑蒜发酵的水分控制方法,其通过采用基于深度学习的人工智能控制技术,以提取出所述发酵液的监控视频中聚焦于蒜头的状态变化特征信息,并且还提取出发酵环境湿度值的多尺度动态特征,进一步再以这两者的关联性特征表示来进行当前时间点的发酵环境湿度值的实时控制。这样,能够实时准确地基于实际的发酵环境湿度情况来进行黑蒜发酵的水分自适应控制,以保证蒜头的发酵效果,进而保证黑蒜发酵后的质量。
Description
技术领域
本申请涉及智能控制领域,且更为具体地,涉及一种用于黑蒜发酵的水分控制方法。
背景技术
黑蒜是用新鲜的带皮生蒜头在发酵箱里发酵90-120天后制成的食品,能够保留生大蒜原有成份,并且黑蒜中的微量元素含量较高,味道酸甜,无蒜味。
黑蒜在发酵过程需要先加热使蒜头失去一部分水份,然后让蒜头处在一个较长时间的恒湿、恒温发酵环境内才能发酵成为黑蒜。在发酵过程中为了保证蒜头发酵所需湿度,需要在发酵过程中不定时的给蒜头加湿。例如,中国专利申请CN207707244U公开一种黑蒜发酵加湿装置,是在发酵机底部通过设置有黑蒜发酵机加湿底座、黑蒜发酵加热板和加水抽屉,使得黑蒜发酵加湿装置在发酵的时候可以达到更好的加湿效果。
然而,在该加湿装置的工作过程中发现:因发酵菌在不同阶段的量和活性不同,因此,发酵环境内的湿度变化是动态的,因此,在使用加湿装置来创造恒湿的发酵环境的过程中,常常会出现湿度过重或湿度过轻的情况。
因此,期待一种优化的用于黑蒜发酵的水分控制方案。
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用于黑蒜发酵的水分控制方法,其通过采用基于深度学习的人工智能控制技术,以提取出所述发酵液的监控视频中聚焦于蒜头的状态变化特征信息,并且还提取出发酵环境湿度值的多尺度动态特征,进一步再以这两者的关联性特征表示来进行当前时间点的发酵环境湿度值的实时控制。这样,能够实时准确地基于实际的发酵环境湿度情况来进行黑蒜发酵的水分自适应控制,以保证蒜头的发酵效果,进而保证黑蒜发酵后的质量。
根据本申请的一个方面,提供了一种用于黑蒜发酵的水分控制方法,其包括:获取由摄像头采集的预定时间段的发酵液监控视频以及所述预定时间段内多个预定时间点的发酵环境的湿度值;从所述发酵液监控视频提取多个发酵液监控关键帧;将所述多个发酵液监控关键帧排列为三维输入张量后通过使用三维卷积核的第一卷积神经网络模型以得到发酵液状态变化特征图;将所述发酵液状态变化特征图通过空间注意力模块以得到空间增强发酵液状态变化特征图;对所述空间增强发酵液状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到空间增强发酵液状态变化特征向量;将所述预定时间内的多个预定时间点的湿度值按照时间维度排列为湿度输入向量后通过多尺度邻域特征提取模块以得到湿度特征向量;对所述空间增强发酵液状态变化特征向量和所述湿度特征向量进行关联编码以得到分类特征矩阵;对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵;以及将所述校正后分类特征矩阵通过分类器以得到分类结果,所述分类结果表示当前时间点的发酵环境的湿度值应增大或应减小。
在上述用于黑蒜发酵的水分控制方法中,所述从所述发酵液监控视频提取多个发酵液监控关键帧,包括:以预定采样频率对所述发酵液监控视频进行采样处理以得到所述多个发酵液监控关键帧。
在上述用于黑蒜发酵的水分控制方法中,所述将所述多个发酵液监控关键帧排列为三维输入张量后通过使用三维卷积核的第一卷积神经网络模型以得到发酵液状态变化特征图,包括:使用所述使用三维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述使用三维卷积核的第一卷积神经网络的最后一层的输出为所述发酵液状态变化特征图,所述使用三维卷积核的第一卷积神经网络的第一层的输入为所述三维特征张量。
在上述用于黑蒜发酵的水分控制方法中,所述将所述发酵液状态变化特征图通过空间注意力模块以得到空间增强发酵液状态变化特征图,包括:计算所述发酵液状态变化特征图的沿空间维度的各个特征矩阵的全局均值以得到空间特征向量;将所述空间特征向量输入Softmax激活函数以得到空间注意力权重特征向量;以及,以所述空间注意力权重特征向量中各个位置的特征值作为权重分别对所述发酵液状态变化特征图的沿空间维度的各个特征矩阵进行加权以得到所述空间增强发酵液状态变化特征图。
在上述用于黑蒜发酵的水分控制方法中,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级联层,其中,所述第一卷积层使用具有第一尺度的一维卷积核,所述第二卷积核使用具有第二尺度的一维卷积核。
在上述用于黑蒜发酵的水分控制方法中,所述将所述预定时间内的多个预定时间点的湿度值按照时间维度排列为湿度输入向量后通过多尺度邻域特征提取模块以得到湿度特征向量,包括:将所述湿度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湿度特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;将所述湿度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湿度特征向量,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湿度特征向量和所述第二邻域尺度湿度特征向量进行级联以得到所述湿度特征向量。
在上述用于黑蒜发酵的水分控制方法中,所述对所述空间增强发酵液状态变化特征向量和所述湿度特征向量进行关联编码以得到分类特征矩阵,包括:以如下公式对所述空间增强发酵液状态变化特征向量和所述湿度特征向量进行关联编码以得到分类特征矩阵;其中,所述公式为:
其中Vc表示所述空间增强发酵液状态变化特征向量,V表示所述湿度特征向量,M表示所述分类特征矩阵。
在上述用于黑蒜发酵的水分控制方法中,所述对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵,包括:以如下公式对所述分类特征矩阵进行特征分布校正以得到所述校正后分类特征矩阵;
其中,所述公式为:
其中,Mc和M分别为所述分类特征矩阵和所述校正后分类特征矩阵,ReLU(·)表示ReLU激活函数,表示矩阵相乘,且分子矩阵和分母矩阵之间的除法为矩阵特征值的按位置相除,exp(·)表示矩阵的指数运算,所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。
在上述用于黑蒜发酵的水分控制方法中,所述将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果表示当前时间点的发酵环境的湿度值应增大或应减小,包括:使用所述分类器以如下公式对所述校正后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)表示将所述校正后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。
根据本申请的另一方面,提供了一种用于黑蒜发酵的水分控制***,其包括:信息获取模块,用于获取由摄像头采集的预定时间段的发酵液监控视频以及所述预定时间段内多个预定时间点的发酵环境的湿度值;关键帧提取模块,用于从所述发酵液监控视频提取多个发酵液监控关键帧;卷积模块,用于将所述多个发酵液监控关键帧排列为三维输入张量后通过使用三维卷积核的第一卷积神经网络模型以得到发酵液状态变化特征图;空间注意力模块,用于将所述发酵液状态变化特征图通过空间注意力模块以得到空间增强发酵液状态变化特征图;池化模块,用于对所述空间增强发酵液状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到空间增强发酵液状态变化特征向量;多尺度特征提取模块,用于将所述预定时间内的多个预定时间点的湿度值按照时间维度排列为湿度输入向量后通过多尺度邻域特征提取模块以得到湿度特征向量;关联编码模块,用于对所述空间增强发酵液状态变化特征向量和所述湿度特征向量进行关联编码以得到分类特征矩阵;校正模块,用于对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵;以及分类结果生成模块,用于将所述校正后分类特征矩阵通过分类器以得到分类结果,所述分类结果表示当前时间点的发酵环境的湿度值应增大或应减小。
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黑蒜发酵的水分控制方法。
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黑蒜发酵的水分控制方法。
与现有技术相比,本申请提供的一种用于黑蒜发酵的水分控制方法,其通过采用基于深度学习的人工智能控制技术,以提取出所述发酵液的监控视频中聚焦于蒜头的状态变化特征信息,并且还提取出发酵环境湿度值的多尺度动态特征,进一步再以这两者的关联性特征表示来进行当前时间点的发酵环境湿度值的实时控制。这样,能够实时准确地基于实际的发酵环境湿度情况来进行黑蒜发酵的水分自适应控制,以保证蒜头的发酵效果,进而保证黑蒜发酵后的质量。
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用于黑蒜发酵的水分控制方法的应用场景图;
图2为根据本申请实施例的用于黑蒜发酵的水分控制方法的流程图;
图3为根据本申请实施例的用于黑蒜发酵的水分控制方法的架构示意图;
图4为根据本申请实施例的用于黑蒜发酵的水分控制方法中第一卷积神经网络编码过程的流程图;
图5为根据本申请实施例的用于黑蒜发酵的水分控制方法中空间增强过程的流程图;
图6为根据本申请实施例的用于黑蒜发酵的水分控制方法中多尺度邻域特征提取过程的流程图;
图7为根据本申请实施例的用于黑蒜发酵的水分控制***的框图;
图8为根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如背景技术中所言,由于在实际加湿装置的工作过程中发现,因发酵菌在不同阶段的量和活性不同,因此,发酵环境内的湿度变化是动态的,这样导致在使用加湿装置来创造恒湿的发酵环境的过程中,常常会出现湿度过重或湿度过轻的情况。因此,期待一种优化的用于黑蒜发酵的水分控制方案。
目前,深度学***。
近年来,深度学习以及神经网络的发展为黑蒜发酵的水分控制提供了新的解决思路和方案。
相应地,由于水分控制为对于发酵环境中的水分进行控制,即发酵环境的湿度控制,考虑到在实际进行黑蒜发酵环境的湿度控制时,应根据黑蒜发酵液的状态变化来自适应地调控发酵环境的湿度值。也就是说,由于发酵菌在不同阶段的量和活性不同导致发酵液的发酵状态不同,因此,需要挖掘出所述发酵液的状态变化特征与发酵环境的湿度动态特征间的关联性特征分布信息,以此来进行实际的水分控制。具体地,在本申请的技术方案中,采用基于深度学习的人工智能控制技术,以提取出所述发酵液的监控视频中聚焦于蒜头的状态变化特征信息,并且还提取出发酵环境湿度值的多尺度动态特征,进一步再以这两者的关联性特征表示来进行当前时间点的发酵环境湿度值的实时控制。这样,能够实时准确地基于实际的发酵环境湿度情况来进行黑蒜发酵的水分自适应控制,以保证蒜头的发酵效果,进而保证黑蒜发酵后的质量。
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发酵液监控视频,以及通过湿度传感器获取所述预定时间段内多个预定时间点的发酵环境的湿度值。接着,考虑到在实际进行黑蒜发酵过程中的环境湿度控制时,发酵液的状态变化特征可以通过所述发酵液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发酵液的状态变化情况。但是,考虑到所述发酵液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发酵液监控视频进行关键帧采样,进而从所述发酵液监控视频提取多个发酵液监控关键帧。
然后,使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述多个发酵液监控关键帧的特征挖掘,特别地,考虑到所述多个发酵液监控关键帧在时间维度上具有着关联性的特征分布,为了提高对于当前时间点下发酵环境湿度值实时控制的准确性,需要挖掘所述发酵液的状态在时序上的动态变化特征分布信息。因此,进一步将所述多个发酵液监控关键帧排列为三维输入张量后通过使用三维卷积核的第一卷积神经网络模型,以提取出所述发酵液的状态变化特征,从而得到发酵液状态变化特征图。
进一步地,考虑到在黑蒜发酵的过程中,为了保证蒜头发酵所需湿度,需要在发酵过程中不定时的给蒜头进行加湿。因此,在对于发酵的湿度进行控制时,需要更加关注于空间上关于蒜头的状态变化特征。具体地,在本申请的技术方案中,将所述发酵液状态变化特征图通过空间注意力模块中进行空间位置的特征增强,以提取出所述发酵液中聚焦于蒜头的状态变化特征信息,从而得到空间增强发酵液状态变化特征图。这里,所述空间注意力所提取到的所述空间增强的发酵液状态变化特征则反映了所述发酵液状态在空间维度上的特征差异的权重,用来抑制或强化不同空间位置的特征,以凸显蒜头的状态变化特征。
对于所述发酵环境的湿度值来说,其在时间维度上具有着波动性和不确定性,因此,其在不同的时间跨度下表现为不同的动态变化特征。基于此,在本申请的技术方案中,将所述预定时间段内的多个预定时间点的湿度值按照时间维度排列为湿度输入向量后通过多尺度邻域特征提取模块中进行编码,以提取出所述湿度值在所述预定时间段内的不同时间跨度下的多尺度邻域关联特征,从而得到湿度特征向量。这里,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级联层,其中,所述第一卷积层使用具有第一尺度的一维卷积核,所述第二卷积核使用具有第二尺度的一维卷积核。
然后,对所述空间增强发酵液状态变化特征向量和所述湿度特征向量进行关联编码,以表示出所述发酵液中聚焦于蒜头的状态变化特征信息和所述发酵环境湿度值的多尺度动态特征间的关联性特征信息,并以此作为分类特征矩阵通过分类器中进行分类处理,以得到表示当前时间点的发酵环境的湿度值应增大或应减小的分类结果。这样,能够基于实际的发酵环境湿度情况来进行黑蒜发酵水分的实时控制,以保证蒜头的发酵效果。
特别地,在本申请的技术方案中,在对所述空间增强发酵液状态变化特征向量和所述湿度特征向量进行关联编码得到所述分类特征矩阵时,由于所述空间增强发酵液状态变化特征向量表达监控视频的图像语义特征在通道维度下的关联,其与所述湿度特征向量表达的湿度值的时序多尺度关联存在表达维度的差异,从而在计算所述空间增强发酵液状态变化特征向量和所述湿度特征向量的逐位置关联值以得到所述分类特征矩阵时,会在所述分类特征矩阵的局部特征分布中引入相对于全局特征分布的负相关值,从而影响所述分类特征矩阵的分类准确性。
因此,本申请的申请人采用全正投影非线性重加权的方式对所述分类特征矩阵进行修正,表示为:
Mc和M分别为修正后和修正前的所述分类特征矩阵,且分子矩阵和分母矩阵之间的除法为矩阵特征值的按位置相除。
这里,所述全正投影非线性重加权通过ReLU函数来保证投影的全正以避免聚合负相关的信息,并同时引入非线性重加权机制来聚集所述分类特征矩阵的特征值分布,以使得修正后的所述分类特征矩阵的内在结构能够惩罚远距离连接而加强局部性耦合。这样,就实现了所述分类特征矩阵在高维特征空间内的与全正投影重加权对应的空间特征变换(feature transform)的协同效果,从而消除了所述分类特征矩阵的局部特征分布中相对于全局特征分布的负相关值,提高了所述分类特征矩阵的分类准确性。这样,能够实时准确地基于实际的发酵环境湿度情况来进行黑蒜发酵的水分自适应控制,以保证蒜头的发酵效果,进而保证黑蒜发酵后的质量。
基于此,本申请提出了一种用于黑蒜发酵的水分控制方法,其包括:获取由摄像头采集的预定时间段的发酵液监控视频以及所述预定时间段内多个预定时间点的发酵环境的湿度值;从所述发酵液监控视频提取多个发酵液监控关键帧;将所述多个发酵液监控关键帧排列为三维输入张量后通过使用三维卷积核的第一卷积神经网络模型以得到发酵液状态变化特征图;将所述发酵液状态变化特征图通过空间注意力模块以得到空间增强发酵液状态变化特征图;对所述空间增强发酵液状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到空间增强发酵液状态变化特征向量;将所述预定时间内的多个预定时间点的湿度值按照时间维度排列为湿度输入向量后通过多尺度邻域特征提取模块以得到湿度特征向量;对所述空间增强发酵液状态变化特征向量和所述湿度特征向量进行关联编码以得到分类特征矩阵;对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵;以及,将所述校正后分类特征矩阵通过分类器以得到分类结果,所述分类结果表示当前时间点的发酵环境的湿度值应增大或应减小。
图1为根据本申请实施例的用于黑蒜发酵的水分控制方法的应用场景图。如图1所示,在该应用场景中,通过摄像头(例如,如图1中所示意的C)获取预定时间段的发酵液监控视频,以及通过湿度传感器(例如,如图1中所示意的H)获取所述预定时间段内多个预定时间点的发酵环境的湿度值。接着,将上述信息输入至部署有用于黑蒜发酵的水分控制算法的服务器(例如,图1中的S)中,其中,所述服务器能够以所述用于黑蒜发酵的水分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发酵环境的湿度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黑蒜发酵的水分控制方法的流程图。如图2所示,根据本申请实施例的用于黑蒜发酵的水分控制方法,包括步骤:S110,获取由摄像头采集的预定时间段的发酵液监控视频以及所述预定时间段内多个预定时间点的发酵环境的湿度值;S120,从所述发酵液监控视频提取多个发酵液监控关键帧;S130,将所述多个发酵液监控关键帧排列为三维输入张量后通过使用三维卷积核的第一卷积神经网络模型以得到发酵液状态变化特征图;S140,将所述发酵液状态变化特征图通过空间注意力模块以得到空间增强发酵液状态变化特征图;S150,对所述空间增强发酵液状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到空间增强发酵液状态变化特征向量;S160,将所述预定时间内的多个预定时间点的湿度值按照时间维度排列为湿度输入向量后通过多尺度邻域特征提取模块以得到湿度特征向量;S170,对所述空间增强发酵液状态变化特征向量和所述湿度特征向量进行关联编码以得到分类特征矩阵;S180,对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵;以及,S190,将所述校正后分类特征矩阵通过分类器以得到分类结果,所述分类结果表示当前时间点的发酵环境的湿度值应增大或应减小。
图3为根据本申请实施例的用于黑蒜发酵的水分控制方法的架构示意图。如图3所示,在该网络结构中,首先,获取由摄像头采集的预定时间段的发酵液监控视频以及所述预定时间段内多个预定时间点的发酵环境的湿度值;再从所述发酵液监控视频提取多个发酵液监控关键帧;将所述多个发酵液监控关键帧排列为三维输入张量后通过使用三维卷积核的第一卷积神经网络模型以得到发酵液状态变化特征图;接着,将所述发酵液状态变化特征图通过空间注意力模块以得到空间增强发酵液状态变化特征图;对所述空间增强发酵液状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到空间增强发酵液状态变化特征向量;然后,将所述预定时间内的多个预定时间点的湿度值按照时间维度排列为湿度输入向量后通过多尺度邻域特征提取模块以得到湿度特征向量;对所述空间增强发酵液状态变化特征向量和所述湿度特征向量进行关联编码以得到分类特征矩阵;对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵;以及,将所述校正后分类特征矩阵通过分类器以得到分类结果,所述分类结果表示当前时间点的发酵环境的湿度值应增大或应减小。
具体地,在步骤S110中,获取由摄像头采集的预定时间段的发酵液监控视频以及所述预定时间段内多个预定时间点的发酵环境的湿度值。应可以理解,在实际加湿装置的工作过程中,因发酵菌在不同阶段的量和活性不同,因此,发酵环境内的湿度变化是动态的,这样导致在使用加湿装置来创造恒湿的发酵环境的过程中,常常会出现湿度过重或湿度过轻的情况,应可以理解,水分控制为对于发酵环境中的水分进行控制,即发酵环境的湿度控制,考虑到在实际进行黑蒜发酵环境的湿度控制时,应根据黑蒜发酵液的状态变化来自适应地调控发酵环境的湿度值。在本申请的技术方案中,由于发酵菌在不同阶段的量和活性不同导致发酵液的发酵状态不同,因此,需要挖掘出所述发酵液的状态变化特征与发酵环境的湿度动态特征间的关联性特征分布信息,以此来进行实际的水分控制。更具体地,可通过摄像头来获取预定时间段的发酵液监控视频,以及通过湿度传感器来获取所述预定时间段内多个预定时间点的发酵环境的湿度值。
具体地,在步骤S120中,从所述发酵液监控视频提取多个发酵液监控关键帧。考虑到在实际进行黑蒜发酵过程中的环境湿度控制时,发酵液的状态变化特征可以通过所述发酵液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发酵液的状态变化情况。但是,考虑到所述发酵液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发酵液监控视频进行关键帧采样,进而从所述发酵液监控视频提取多个发酵液监控关键帧。
具体地,在步骤S130中,将所述多个发酵液监控关键帧排列为三维输入张量后通过使用三维卷积核的第一卷积神经网络模型以得到发酵液状态变化特征图。在本申请的技术方案中,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发酵液监控关键帧的特征挖掘,特别地,考虑到所述多个发酵液监控关键帧在时间维度上具有着关联性的特征分布,为了提高对于当前时间点下发酵环境湿度值实时控制的准确性,需要挖掘所述发酵液的状态在时序上的动态变化特征分布信息。因此,进一步将所述多个发酵液监控关键帧排列为三维输入张量后通过使用三维卷积核的第一卷积神经网络模型,以提取出所述发酵液的状态变化特征,从而得到发酵液状态变化特征图。在一个具体示例中,所述第一卷积网络模型的本质为一个三维卷积神经网络模型,除了所使用的卷积核存在差异之外,其他部分的网络结构与所述使用一维卷积核神经网络模型的结构相一致。在一个具体示例中,所述第一卷积神经网络的各层在层的正向传递中分别对输入数据进行:使用卷积模块以三维卷积核对输入数据进行三维卷积编码以得到卷积特征图;使用池化模块对所述卷积特征图进行池化处理以得到池化特征图;以及,使用激活模块对所述池化特征图的各个位置的特征值进行非线性激活以得到烘烤状态变化特征图;其中,所述第二卷积神经网络的第一层的输入为将所述多个差分特征图排列得到的三维特征张量,所述第二卷积神经网络的最后一层的输出为所述发酵液状态变化特征图。具体地,所述第一卷积神经网络的第一卷积层的输入数据为所述三维输入张量,以及,所述第一卷积神经网络的各层在层的正向传递中分别对输入数据进行基于三维卷积核的卷积处理、基于特征矩阵的均值池化处理、基于非线性激活处理,以由所述第一卷积神经网络的最后一层输出所述发酵液状态变化特征图。
图4为根据本申请实施例的用于黑蒜发酵的水分控制方法中第一卷积神经网络编码过程的流程图。如图4所示,在所述第一卷积神经网络编码过程中,包括:使用所述使用三维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:S210,对输入数据进行卷积处理以得到卷积特征图;S220,对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及,S230,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述使用三维卷积核的第一卷积神经网络的最后一层的输出为所述发酵液状态变化特征图,所述使用三维卷积核的第一卷积神经网络的第一层的输入为所述三维特征张量。
具体地,在步骤S140和步骤S150中,将所述发酵液状态变化特征图通过空间注意力模块以得到空间增强发酵液状态变化特征图,再对所述空间增强发酵液状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到空间增强发酵液状态变化特征向量。考虑到在黑蒜发酵的过程中,为了保证蒜头发酵所需湿度,需要在发酵过程中不定时的给蒜头进行加湿。因此,在对于发酵的湿度进行控制时,需要更加关注于空间上关于蒜头的状态变化特征。具体地,在本申请的技术方案中,将所述发酵液状态变化特征图通过空间注意力模块中进行空间位置的特征增强,以提取出所述发酵液中聚焦于蒜头的状态变化特征信息,从而得到空间增强发酵液状态变化特征图。这里,所述空间注意力所提取到的所述空间增强的发酵液状态变化特征则反映了所述发酵液状态在空间维度上的特征差异的权重,用来抑制或强化不同空间位置的特征,以凸显蒜头的状态变化特征。进一步对所述空间增强发酵液状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到空间增强发酵液状态变化特征向量。
图5为根据本申请实施例的用于黑蒜发酵的水分控制方法中空间增强过程的流程图。如图5所示,在所述空间增强过程中,包括:S310,计算所述发酵液状态变化特征图的沿空间维度的各个特征矩阵的全局均值以得到空间特征向量;S320,将所述空间特征向量输入Softmax激活函数以得到空间注意力权重特征向量;以及,S330,以所述空间注意力权重特征向量中各个位置的特征值作为权重分别对所述发酵液状态变化特征图的沿空间维度的各个特征矩阵进行加权以得到所述空间增强发酵液状态变化特征图。
具体地,在步骤S160中,将所述预定时间内的多个预定时间点的湿度值按照时间维度排列为湿度输入向量后通过多尺度邻域特征提取模块以得到湿度特征向量。应可以理解,对于所述发酵环境的湿度值来说,其在时间维度上具有着波动性和不确定性,因此,其在不同的时间跨度下表现为不同的动态变化特征。基于此,在本申请的技术方案中,将所述预定时间段内的多个预定时间点的湿度值按照时间维度排列为湿度输入向量后通过多尺度邻域特征提取模块中进行编码,以提取出所述湿度值在所述预定时间段内的不同时间跨度下的多尺度邻域关联特征,从而得到湿度特征向量。这里,所述多尺度邻域特征提取模块的网络结构为包含并行的多个一维卷积层,更具体地,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级联层,其中,所述第一卷积层使用具有第一尺度的一维卷积核,所述第二卷积核使用具有第二尺度的一维卷积核。
图6为根据本申请实施例的用于黑蒜发酵的水分控制方法中多尺度邻域特征提取过程的流程图。如图6所示,在所述多尺度邻域特征提取过程中,包括:S410,将所述湿度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湿度特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;S420,将所述湿度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湿度特征向量,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湿度特征向量和所述第二邻域尺度湿度特征向量进行级联以得到所述湿度特征向量。其中,所述将所述湿度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湿度特征向量,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公式对所述湿度输入向量进行一维卷积编码以得到第一邻域尺度湿度特征向量;其中,所述公式为:
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表示所述湿度输入向量;以及,所述将所述湿度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湿度特征向量,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公式对所述湿度输入向量进行一维卷积编码以得到所述第二邻域尺度湿度特征向量;其中,所述公式为:
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表示所述湿度输入向量。更具体地,所述将所述第一邻域尺度湿度特征向量和所述第二邻域尺度湿度特征向量进行级联以得到所述湿度特征向量,包括:以如下公式来融合所述第一邻域尺度湿度特征向量和所述第二邻域尺度湿度特征向量以得到所述湿度特征向量;其中,所述公式为:
Vc=oncat[V1,V2]
其中,V1表示所述第一邻域尺度湿度特征向量,V2表示所述第二邻域尺度湿度特征向量,Concat[·,·]表示级联函数,Vc表示所述湿度特征向量。
具体地,在步骤S170中,对所述空间增强发酵液状态变化特征向量和所述湿度特征向量进行关联编码以得到分类特征矩阵。也就是,对所述空间增强发酵液状态变化特征向量和所述湿度特征向量进行关联编码,以表示出所述发酵液中聚焦于蒜头的状态变化特征信息和所述发酵环境湿度值的多尺度动态特征间的关联性特征信息以得到分类特征矩阵。在本申请的一个具体示例中,以如下公式对所述空间增强发酵液状态变化特征向量和所述湿度特征向量进行关联编码以得到分类特征矩阵;其中,所述公式为:
其中Vc表示所述空间增强发酵液状态变化特征向量,V表示所述湿度特征向量,M表示所述分类特征矩阵。
具体地,在步骤S180中,对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵。特别地,在本申请的技术方案中,在对所述空间增强发酵液状态变化特征向量和所述湿度特征向量进行关联编码得到所述分类特征矩阵时,由于所述空间增强发酵液状态变化特征向量表达监控视频的图像语义特征在通道维度下的关联,其与所述湿度特征向量表达的湿度值的时序多尺度关联存在表达维度的差异,从而在计算所述空间增强发酵液状态变化特征向量和所述湿度特征向量的逐位置关联值以得到所述分类特征矩阵时,会在所述分类特征矩阵的局部特征分布中引入相对于全局特征分布的负相关值,从而影响所述分类特征矩阵的分类准确性。因此,本申请的申请人采用全正投影非线性重加权的方式对所述分类特征矩阵进行修正,表示为:
其中,Mc和M分别为所述分类特征矩阵和所述校正后分类特征矩阵,ReLU(·)表示ReLU激活函数,表示矩阵相乘,且分子矩阵和分母矩阵之间的除法为矩阵特征值的按位置相除,exp(·)表示矩阵的指数运算,所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。这里,所述全正投影非线性重加权通过ReLU函数来保证投影的全正以避免聚合负相关的信息,并同时引入非线性重加权机制来聚集所述分类特征矩阵的特征值分布,以使得修正后的所述分类特征矩阵的内在结构能够惩罚远距离连接而加强局部性耦合。这样,就实现了所述分类特征矩阵在高维特征空间内的与全正投影重加权对应的空间特征变换(feature transform)的协同效果,从而消除了所述分类特征矩阵的局部特征分布中相对于全局特征分布的负相关值,提高了所述分类特征矩阵的分类准确性。这样,能够实时准确地基于实际的发酵环境湿度情况来进行黑蒜发酵的水分自适应控制,以保证蒜头的发酵效果,进而保证黑蒜发酵后的质量。
具体地,在步骤S190中,将所述校正后分类特征矩阵通过分类器以得到分类结果,所述分类结果表示当前时间点的发酵环境的湿度值应增大或应减小。在本申请的技术方案中,将所述校正后分类特征矩阵作为分类特征矩阵通过分类器中进行分类处理,以得到表示当前时间点的发酵环境的湿度值应增大或应减小的分类结果。这样,能够基于实际的发酵环境湿度情况来进行黑蒜发酵水分的实时控制,以保证蒜头的发酵效果。在本申请的一个具体示例中,使用所述分类器以如下公式对所述校正后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)表示将所述校正后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,首先将所述所述校正后分类特征矩阵投影为向量,例如,在一个具体的示例中,将所述校正后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所述编码分类特征向量归属于当前时间点的湿度值应增大的第一概率值和所述编码分类特征向量归属于当前时间点的湿度值应减小的第二概率值;继而,将所述第一概率值和所述第二概率值中较大者对应的标签确定为所述分类结果,即,如果第一概率值大于第二概率值,则所述分类结果为当前时间点的发酵环境中湿度值应减小,如果第二概率值大于第一概率值,则所述分类结果为当前时间点的发酵环境中湿度值应增大。
综上,根据本申请实施例的用于黑蒜发酵的水分控制方法被阐明,其通过采用基于深度学习的人工智能控制技术,以提取出所述发酵液的监控视频中聚焦于蒜头的状态变化特征信息,并且还提取出发酵环境湿度值的多尺度动态特征,进一步再以这两者的关联性特征表示来进行当前时间点的发酵环境湿度值的实时控制。这样,能够实时准确地基于实际的发酵环境湿度情况来进行黑蒜发酵的水分自适应控制,以保证蒜头的发酵效果,进而保证黑蒜发酵后的质量。
示例性***
图7为根据本申请实施例的用于黑蒜发酵的水分控制***的框图。如图7所示,根据本申请实施例的用于黑蒜发酵的水分控制***300,包括:信息获取模块310;关键帧提取模块320;卷积模块330;空间注意力模块340;池化模块350;多尺度特征提取模块360;关联编码模块370;校正模块380;以及,分类结果生成模块390。
其中,所述信息获取模块310,用于获取由摄像头采集的预定时间段的发酵液监控视频以及所述预定时间段内多个预定时间点的发酵环境的湿度值;所述关键帧提取模块320,用于从所述发酵液监控视频提取多个发酵液监控关键帧;所述卷积模块330,用于将所述多个发酵液监控关键帧排列为三维输入张量后通过使用三维卷积核的第一卷积神经网络模型以得到发酵液状态变化特征图;所述空间注意力模块340,用于将所述发酵液状态变化特征图通过空间注意力模块以得到空间增强发酵液状态变化特征图;所述池化模块350,用于对所述空间增强发酵液状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到空间增强发酵液状态变化特征向量;所述多尺度特征提取模块360,用于将所述预定时间内的多个预定时间点的湿度值按照时间维度排列为湿度输入向量后通过多尺度邻域特征提取模块以得到湿度特征向量;所述关联编码模块370,用于对所述空间增强发酵液状态变化特征向量和所述湿度特征向量进行关联编码以得到分类特征矩阵;所述校正模块380,用于对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵;以及,所述分类结果生成模块390,用于将所述校正后分类特征矩阵通过分类器以得到分类结果,所述分类结果表示当前时间点的发酵环境的湿度值应增大或应减小。
在一个示例中,在上述用于黑蒜发酵的水分控制***300中,所述关键帧提取模块320,进一步用于:以预定采样频率对所述发酵液监控视频进行采样处理以得到所述多个发酵液监控关键帧。
在一个示例中,在上述用于黑蒜发酵的水分控制***300中,所述卷积模块330,进一步用于:使用所述使用三维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述使用三维卷积核的第一卷积神经网络的最后一层的输出为所述发酵液状态变化特征图,所述使用三维卷积核的第一卷积神经网络的第一层的输入为所述三维特征张量。
在一个示例中,在上述用于黑蒜发酵的水分控制***300中,所述空间注意力模块340,进一步用于:计算所述发酵液状态变化特征图的沿空间维度的各个特征矩阵的全局均值以得到空间特征向量;将所述空间特征向量输入Softmax激活函数以得到空间注意力权重特征向量;以及,以所述空间注意力权重特征向量中各个位置的特征值作为权重分别对所述发酵液状态变化特征图的沿空间维度的各个特征矩阵进行加权以得到所述空间增强发酵液状态变化特征图。
在一个示例中,在上述用于黑蒜发酵的水分控制***300中,所述多尺度特征提取模块360,进一步用于:将所述湿度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湿度特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;将所述湿度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湿度特征向量,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湿度特征向量和所述第二邻域尺度湿度特征向量进行级联以得到所述湿度特征向量。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级联层,其中,所述第一卷积层使用具有第一尺度的一维卷积核,所述第二卷积核使用具有第二尺度的一维卷积核。
在一个示例中,在上述用于黑蒜发酵的水分控制***300中,所述关联编码模块370,进一步用于:以如下公式对所述空间增强发酵液状态变化特征向量和所述湿度特征向量进行关联编码以得到分类特征矩阵;
其中,所述公式为:
其中Vc表示所述空间增强发酵液状态变化特征向量,V表示所述湿度特征向量,M表示所述分类特征矩阵。
在一个示例中,在上述用于黑蒜发酵的水分控制***300中,所述校正模块380,进一步用于:以如下公式对所述分类特征矩阵进行特征分布校正以得到所述校正后分类特征矩阵;其中,所述公式为:
其中,Mc和M分别为所述分类特征矩阵和所述校正后分类特征矩阵,ReLU(·)表示ReLU激活函数,表示矩阵相乘,且分子矩阵和分母矩阵之间的除法为矩阵特征值的按位置相除,exp(·)表示矩阵的指数运算,所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。
在一个示例中,在上述用于黑蒜发酵的水分控制***300中,所述分类结果生成模块390,进一步用于:使用所述分类器以如下公式对所述校正后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)表示将所述校正后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。
综上,根据本申请实施例的用于黑蒜发酵的水分控制***300被阐明,其通过采用基于深度学习的人工智能控制技术,以提取出所述发酵液的监控视频中聚焦于蒜头的状态变化特征信息,并且还提取出发酵环境湿度值的多尺度动态特征,进一步再以这两者的关联性特征表示来进行当前时间点的发酵环境湿度值的实时控制。这样,能够实时准确地基于实际的发酵环境湿度情况来进行黑蒜发酵的水分自适应控制,以保证蒜头的发酵效果,进而保证黑蒜发酵后的质量。
如上所述,根据本申请实施例的用于黑蒜发酵的水分控制***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黑蒜发酵的水分控制***300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该用于黑蒜发酵的水分控制***300可以是该终端设备的操作***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,该用于黑蒜发酵的水分控制***300同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该用于黑蒜发酵的水分控制***300与该终端设备也可以是分立的设备,并且该用于黑蒜发酵的水分控制***300可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面,参考图8来描述根据本申请实施例的电子设备。
图8图示了根据本申请实施例的电子设备的框图。
如图8所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的用于黑蒜发酵的水分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分类特征矩阵等各种内容。
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***和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图8中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于黑蒜发酵的水分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黑蒜发酵的水分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***、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、***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、***。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 (9)
1.一种用于黑蒜发酵的水分控制方法,其特征在于,包括:获取由摄像头采集的预定时间段的发酵液监控视频以及所述预定时间段内多个预定时间点的发酵环境的湿度值;从所述发酵液监控视频提取多个发酵液监控关键帧;将所述多个发酵液监控关键帧排列为三维输入张量后通过使用三维卷积核的第一卷积神经网络模型以得到发酵液状态变化特征图;将所述发酵液状态变化特征图通过空间注意力模块以得到空间增强酵液状态变化特征图;对所述空间增强发酵液状态变化特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到空间增强发酵液状态变化特征向量;将所述预定时间内的多个预定时间点的湿度值按照时间维度排列为湿度输入向量后通过多尺度邻域特征提取模块以得到湿度特征向量;对所述空间增强发酵液状态变化特征向量和所述湿度特征向量进行关联编码以得到分类特征矩阵;对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵;以及将所述校正后分类特征矩阵通过分类器以得到分类结果,所述分类结果表示当前时间点的发酵环境的湿度值应增大或应减小。
2.根据权利要求1所述的用于黑蒜发酵的水分控制方法,其特征在于,所述从所述发酵液监控视频提取多个发酵液监控关键帧,包括:以预定采样频率对所述发酵液监控视频进行采样处理以得到所述多个发酵液监控关键帧。
3.根据权利要求2所述的用于黑蒜发酵的水分控制方法,其特征在于,所述将所述多个发酵液监控关键帧排列为三维输入张量后通过使用三维卷积核的第一卷积神经网络模型以得到发酵液状态变化特征图,包括:使用所述使用三维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及对所述池化特征图进行非线性激活以得到激活特征图;其中,所述使用三维卷积核的第一卷积神经网络的最后一层的输出为所述发酵液状态变化特征图,所述使用三维卷积核的第一卷积神经网络的第一层的输入为所述三维特征张量。
4.根据权利要求3所述的用于黑蒜发酵的水分控制方法,其特征在于,所述将所述发酵液状态变化特征图通过空间注意力模块以得到空间增强发酵液状态变化特征图,包括:计算所述发酵液状态变化特征图的沿空间维度的各个特征矩阵的全局均值以得到空间特征向量;将所述空间特征向量输入Softmax激活函数以得到空间注意力权重特征向量;以及以所述空间注意力权重特征向量中各个位置的特征值作为权重分别对所述发酵液状态变化特征图的沿空间维度的各个特征矩阵进行加权以得到所述空间增强发酵液状态变化特征图。
5.根据权利要求4所述的用于黑蒜发酵的水分控制方法,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级联层,其中,所述第一卷积层使用具有第一尺度的一维卷积核,所述第二卷积核使用具有第二尺度的一维卷积核。
6.根据权利要求5所述的用于黑蒜发酵的水分控制方法,其特征在于,所述将所述预定时间内的多个预定时间点的湿度值按照时间维度排列为湿度输入向量后通过多尺度邻域特征提取模块以得到湿度特征向量,包括:将所述湿度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湿度特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;将所述湿度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湿度特征向量,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湿度特征向量和所述第二邻域尺度湿度特征向量进行级联以得到所述湿度特征向量。
9.根据权利要求8所述的用于黑蒜发酵的水分控制方法,其特征在于,所述将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果表示当前时间点的发酵环境的湿度值应增大或应减小,包括:使用所述分类器以如下公式对所述校正后分类特征矩阵进行处理以获得所述分类结果,其中,所述公式为:O=softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述校正后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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211724315.1A CN115984745A (zh) | 2022-12-30 | 2022-12-30 | 用于黑蒜发酵的水分控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211724315.1A CN115984745A (zh) | 2022-12-30 | 2022-12-30 | 用于黑蒜发酵的水分控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115984745A true CN115984745A (zh) | 2023-04-18 |
Family
ID=85962310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211724315.1A Pending CN115984745A (zh) | 2022-12-30 | 2022-12-30 | 用于黑蒜发酵的水分控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115984745A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116551466A (zh) * | 2023-05-24 | 2023-08-08 | 深圳市捷辉创科技有限公司 | Cnc加工过程中的智能监控***及其方法 |
CN117535452A (zh) * | 2024-01-09 | 2024-02-09 | 延边大学 | 菌糠发酵饲料生产的在线监控方法及*** |
-
2022
- 2022-12-30 CN CN202211724315.1A patent/CN115984745A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116551466A (zh) * | 2023-05-24 | 2023-08-08 | 深圳市捷辉创科技有限公司 | Cnc加工过程中的智能监控***及其方法 |
CN116551466B (zh) * | 2023-05-24 | 2024-05-14 | 深圳市捷辉创科技有限公司 | Cnc加工过程中的智能监控***及其方法 |
CN117535452A (zh) * | 2024-01-09 | 2024-02-09 | 延边大学 | 菌糠发酵饲料生产的在线监控方法及*** |
CN117535452B (zh) * | 2024-01-09 | 2024-03-26 | 延边大学 | 菌糠发酵饲料生产的在线监控方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Frolov et al. | Adversarial text-to-image synthesis: A review | |
CN115203380B (zh) | 基于多模态数据融合的文本处理***及其方法 | |
Shi et al. | Represent, compare, and learn: A similarity-aware framework for class-agnostic counting | |
Perarnau et al. | Invertible conditional gans for image editing | |
CN111079532B (zh) | 一种基于文本自编码器的视频内容描述方法 | |
CN109033095B (zh) | 基于注意力机制的目标变换方法 | |
Zhou et al. | Deep semantic dictionary learning for multi-label image classification | |
CN115984745A (zh) | 用于黑蒜发酵的水分控制方法 | |
CN115761813A (zh) | 基于大数据分析的智能控制***及方法 | |
CN113657560B (zh) | 基于节点分类的弱监督图像语义分割方法及*** | |
CN114998602B (zh) | 基于低置信度样本对比损失的域适应学习方法及*** | |
CN115861887A (zh) | 用于黑蒜的菌类检测方法 | |
CN116147130A (zh) | 智能家居控制***及其方法 | |
CN116091414A (zh) | 一种基于深度学习的心血管图像识别方法及其*** | |
CN116015837A (zh) | 用于计算机网络信息安全的入侵检测方法及*** | |
CN115147607A (zh) | 一种基于凸优化理论的抗噪声零样本图像分类方法 | |
CN115222998A (zh) | 一种图像分类方法 | |
CN115205788A (zh) | 食材质量监控*** | |
CN116434123A (zh) | 一种用于玫瑰蒸馏加工的控制方法及*** | |
CN116844088A (zh) | 在线除尘器控制***及其方法 | |
CN112668543B (zh) | 一种手模型感知的孤立词手语识别方法 | |
CN116182471B (zh) | 智能化的节能冷库制冷***及方法 | |
CN116503959B (zh) | 基于不确定性感知的弱监督时序动作定位方法及*** | |
CN116101958B (zh) | 大桶饮用水智能化灌装方法及其*** | |
CN116563795A (zh) | 一种玩偶的生产管理方法及其*** |
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 |