[發明專利]酒、醬、醋的智能化制備方法及其系統

在審

• 申請號: 202211085251.5
• 申請日: 2022-09-06
• 公開（公告）號: CN115294532A
• 公開（公告）日: 2022-11-04
• 發明（設計）人: 陳旭東;王景弘;陳曉東;李超逸;雍磊;項碧麗;黃麗芬
• 申請（專利權）人: 麗水市魚躍釀造食品有限公司
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06V20/40;G06V10/764;G06N3/04;G06N3/08;A23L27/60;C12G3/02;C12J1/04;G05D27/02
• 代理公司: 北京恒泰銘睿知識產權代理有限公司 11642
• 代理人: 胡琳麗

1.一種酒、醬、醋的智能化制備方法，其特征在于，包括：獲取預定時間段內發酵液的發酵監控視頻以及所述預定時間段內多個預定時間點的發酵裝置內的溫度值和壓力值，其中，所述發酵液在所述發酵裝置內發酵；利用差幀法從所述發酵監控視頻提取多個發酵關鍵幀；計算所述多個發酵關鍵幀中相鄰兩個發酵關鍵幀之間的差分以得到多個差分發酵關鍵幀；將所述多個差分發酵關鍵幀通過作為特征提取器的第一卷積神經網絡以得到發酵狀態變化特征矩陣；將所述預定時間段內多個預定時間點的發酵裝置內的溫度值和壓力值按照時間維度分別排列為溫度輸入向量和壓力輸入向量后，計算所述溫度輸入向量的轉置向量與所述壓力輸入向量之間的乘積以得到溫度-壓力關聯矩陣；將所述溫度-壓力關聯矩陣通過作為特征提取器的第二卷積神經網絡以得到溫度-壓力關聯特征矩陣；計算所述溫度-壓力關聯特征矩陣相對于所述發酵狀態變化特征矩陣的響應性估計以得到分類特征矩陣；基于所述分類特征矩陣的最大特征值的倒數，對所述分類特征矩陣中各個位置的特征值進行波函數表征聚合以得到校正后分類特征矩陣；以及將所述校正后分類特征矩陣通過分類器以得到分類結果，所述分類結果用于表示當前時間點的溫度值應增大或應減小。

2.根據權利要求1所述的酒、醬、醋的智能化制備方法，其特征在于，所述利用差幀法從所述發酵監控視頻提取多個發酵關鍵幀，包括：設定所述發酵監控視頻中的初始圖像幀為第一發酵關鍵幀；計算所述發酵監控視頻中沿時間維度的其他圖像幀與所述第一發酵關鍵幀之間的按位置像素差值以得到差分圖像幀；計算所述差分圖像幀中所有位置的像素差值的統計特征值；以及基于所述統計特征值與預定閾值之間的比較，確定所述差分圖像幀對應的其他圖像幀是否為發酵關鍵幀。

3.根據權利要求2所述的酒、醬、醋的智能化制備方法，其特征在于，

其中，所述計算所述差分圖像幀中所有位置的像素差值的統計特征值，包括：計算所述差分圖像幀中所有位置的像素差值的均值和標準差作為所述統計特征值；其中，所述基于所述統計特征值與預定閾值之間的比較，確定所述差分圖像幀對應的其他圖像幀是否為發酵關鍵幀，包括：計算所述標準差與所述均值的加權和以得到差異特征值；以及響應于所述差異特征值大于或等于所述預定閾值，確定所述差分圖像幀對應的其他圖像幀為所述發酵關鍵幀。

4.根據權利要求3所述的酒、醬、醋的智能化制備方法，其特征在于，所述將所述多個差分發酵關鍵幀通過作為特征提取器的第一卷積神經網絡以得到發酵狀態變化特征矩陣，包括：使用所述作為特征提取器的第一卷積神經網絡的各層在層的正向傳遞中分別對所述多個差分發酵關鍵幀進行卷積處理、池化處理和非線性激活處理以由所述作為特征提取器的第一卷積神經網絡的最后一層輸出所述發酵狀態變化特征矩陣。

5.根據權利要求4所述的酒、醬、醋的智能化制備方法，其特征在于，所述將所述溫度-壓力關聯矩陣通過作為特征提取器的第二卷積神經網絡以得到溫度-壓力關聯特征矩陣，包括：使用所述作為特征提取器的第二卷積神經網絡的各層在層的正向傳遞中分別對所述溫度-壓力關聯矩陣進行卷積處理、池化處理和非線性激活處理以由所述作為特征提取器的第二卷積神經網絡的最后一層輸出所述溫度-壓力關聯特征矩陣。

6.根據權利要求5所述的酒、醬、醋的智能化制備方法，其特征在于，所述計算所述溫度-壓力關聯特征矩陣相對于所述發酵狀態變化特征矩陣的響應性估計以得到分類特征矩陣，包括：以如下公式計算所述溫度-壓力關聯特征矩陣相對于所述發酵狀態變化特征矩陣的響應性估計以得到所述分類特征矩陣；其中，所述公式為：

其中M₁表示所述溫度-壓力關聯特征矩陣，M₂表示所述發酵狀態變化特征矩陣，M表示所述分類特征矩陣，表示矩陣相乘。