用于将奶分类的奶分析仪制造技术

一种奶分析仪(400)，其包含具有分析模态的奶分析单元(402)，其中所述奶分析单元(402)还包含奶分类系统(404)，其具有：被配置成对奶成像用于产生数字图像数据的成像装置(4042，4044)；计算装置(304)的处理器(3044)，其适于执行程序代码，以实施深度学习神经网络分类器，所述分类器使用来自能够将成像的奶分类成的类别内的奶的标记的奶图像训练，并且能够被操作以产生所述成像的奶的分类；和控制器(3066)，其被配置成依赖于产生的分类输出控制信号，以控制样品入口(4022)，以调整向所述分析单元(402)的奶供应。

【技术实现步骤摘要】
【国外来华专利技术】用于将奶分类的奶分析仪本专利技术涉及用于对奶分类的方法和系统并且涉及采用所述方法和系统的奶分析仪。坏奶为无意地变酸、凝结、含有异物或另外变质。有多种原因可导致奶变坏。这包括在挤奶之前和之后对物种(牛、山羊、绵羊等)不恰当的清洁、患病的物种和运输条件的缺乏控制或功能故障。蛋白质可通过酶作用或通过暴露于光降解。蛋白质降解的主要原因是通过被称作蛋白酶的酶。不期望的降解(蛋白水解)导致奶异味和劣质。坏奶通常以小簇或斑点的形式表明，然后这可用于视觉分类。此外，在储存或运输期间的极端温度循环，不干净的容器、不正确的量的防腐剂、稀释剂或引入到奶中的其它添加剂(在发送到中央奶测试(CMT)或其它实验室或分析仪之前)加速降解。无论如何，坏奶样品不可避免地到达CMT和其它实验室或分析地点，用于在或多或少自动的分析仪器中进行分析。由于通常在分析之前不对这些坏奶样品进行视觉上详细检查，所以它们成为常规样品工作流程的一部分，所述工作流程然后由好和坏牛奶样品的混合物组成。然而，当这些坏奶样品穿过分析仪器放置时，它们可引起仪器严重的阻塞问题。在一些情况下，仪器可停止使用数天，这可对实验室的操作产生严重影响。根据坏奶样品的性质和/或“坏的程度”，它们可引起简单的问题，如分析仪器的入口部分(如移液器)堵塞，或可堵塞在仪器内深处更复杂的部分。有时，可通过自动清洁例行程序来清洁堵塞的移液器，不总是这种情形。如果自动清洁例行程序不能够进行正确的清洁，那么操作员必须使用机械工具清洁入口系统。如果堵塞发生在分析仪器内的较深处，并且解决任何这类堵塞可能既困难又耗时，也是如此。这类堵塞可导致大量的停机时间，降低受影响的分析仪器的通量并且增加CMT实验室的运营成本。此外，堵塞后的正常工作流程是执行各种测量检查，以确保清洁彻底。这些检查测量增加实验室仪器的操作成本，因为在重新投入使用之前使用额外的样品(如标准品)和检查样品会验证清洁的有效性。通常坏奶不仅具有不同的视觉外观，而且具有不同的嗅觉特性。然而，不总是这种情形，并且检测坏奶或具有本身视觉上表明的其它特性的奶(特别地不想要的特性)证明可为困难的。举例来说，对于视力受损或视觉表现细微，可能仅对于受过良好训练的个人才能辨别出来，其中如在农场里，在奶装载到运输罐车上之前，农民将从某些奶特性的知识中受益或在消费者处，其中食用前它将适用于识别坏奶。根据本专利技术，提供奶分析仪，其包含具有分析模态的奶分析单元，其中奶分析单元还包含奶分类系统，其具有被配置成对奶进行成像用于产生数字图像数据的成像装置；处理器，其适于执行程序代码，以实施深度学习神经网络分类器，所述分类器使用来自可根据在成像的奶中视觉上表明的类别特性将成像的奶分类成的类别内的奶的标记的奶图像训练，并且能够被操作以产生成像的奶的分类；和控制器，其被配置成依赖于产生的分类输出控制信号，以控制向分析单元的奶供应。在一些实施例中，样品入口包含分选器，其适于依赖于从输出装置输出的指示预定类别的信号将样品与来自其它样品阵列的样品分离，所述预定类别可与样品入口的操作所依赖的预定类别相同或不同。计算机实施的将奶分类的方法可包含以下步骤：-在处理器中实施第一深度学习神经网络分类器，所述处理器可包含一个或多个可互操作处理单元，所述分类器使用包含奶图像的数字表示的训练数据集训练，其中每个图像用奶所属的奶类别标记；-将包含待分类的奶的表示的数字图像数据获取到处理器中；和-使用实施的第一深度学习神经网络分类器在处理器中处理数字图像数据，以产生在数字图像数据中表示为属于类别集合中的类别的奶的分类。在一些实施例中，使用实施的第一深度学习神经网络处理数字图像数据，以提取数字图像数据的特征向量；以确定所提取的特征向量的特征向量的类别集合中的每个类别属于所述类别的概率和依赖于所确定的概率产生分类。在一些实施例中，深度学习神经网络分类器适于将奶分类为属于指示奶是否具有不期望的特性的类别‘好’和‘坏’或类似的名字中的一个。在其它实施例中，深度学习神经网络分类器可适于将奶分类成不同或附加类别，如可为‘异物’、‘异物类型’、‘结块’或颜色，并且奶可被分类为属于深度学习神经网络分类器的类别中的一个或多个。在一些实施例中，深度学习神经网络分类器包含一个或多个层，其被训练以确定在图像数据中存在样品容器和存在奶样品中的一个或两个，并且方法包含依赖于所确定的在图像数据中存在奶样品产生奶样品的分类。深度学习神经网络分类器可含有一个或多个层，其被训练以从图像数据将样品容器分类为容纳足够的或不足的奶样品。在一些实施例中，深度学习神经网络分类器可使用任一迁移学习产生。在一些实施例中，深度学习神经网络分类器可包含卷积神经网络(‘CNN’)。在一些实施例中，深度学习神经网络分类器可使用深度信念网络或其它分层的神经网络结构产生，其中一个层的输入为前一层的输出。深度学习模型需要大量的训练实例，以避免过度拟合。因此，深度学习需要大量的训练图像数据和大量的时间投入。为了减轻此负担，可有效地采用迁移学习，特别是在训练图像的数量有限的情况下。转移学习是机器学习方法，其中对于一个任务开发的模型被再用作将用于第二任务的模型的起点。在本专利技术的上下文中，首先在与奶图像不相关的大量无关标记(“分类”)图像上训练深度学习模型，以构建分类器。然后提供标记的奶图像的训练数据集(每个标记的图像也被称作“训练图像数据”)，其中每个图像标记为属于一个或多个类别，并且深度学习模型使用训练数据集进一步训练，以便将分类器修改为适用于识别与训练数据集相关的类别。在CNN中，较低的卷积层捕获低级图像特征，而较高的卷积层捕获越来越复杂的图像细节，最终层数量由所需的图像细节复杂度设定，以便识别所需的类别数量。CNN结构一般来说由卷积和池化(或子取样)层组成，其被分组为模块或块。如在标准前馈神经网络中，一个或多个完全连接的层中的任一个跟循这些CNN模块。模块彼此上下堆叠以形成深度模型。图像直接输入到网络，这随后是CNN模块中卷积和池化的若干阶段。此后，来自这些操作的表示馈入一个或多个完全连接的层。最后，最后一个完全连接的层输出类别标签。卷积模块充当特征提取器，并且因此它们学习其输入图像的特征表示。包含卷积模块的卷积层中的神经元被布置成特征映射。在特征映射中的每个神经元具有感受野，其经由一组可训练的权重连接到前一层中的神经元的邻域。将输入与学习的权重进行卷积，以便计算新的特征映射。池化层的目的是降低特征映射的空间分辨率，并且因此实现输入变形和平移的空间不变性。通常，可采用平均池聚集层，其将图像的小邻域的所有输入值的平均值传播到下一层。替代地，可采用最大池化聚集层，其将在感受野内的最大值传播到下一层。跟随这些层的完全连接的层解释由模块提取的抽象特征表示，并执行高级推理和分类的功能，并且通常被实现为支持向量机或被配置成实施Softmax应用功能。在一些实施例中，数字图像数据表示单色(或至少减少的颜色信息)图像，可选择单色颜色或减少颜色的选项板以增强图像中相关特征(即那些有助于分类的特征)的可见性。在一些实施例中本文档来自技高网...

【技术保护点】
1.一种奶分析仪(400；500；520)，其包含具有分析模态的奶分析单元(402；502；522)，其中所述奶分析单元(402；502；522)还包含奶分类系统(300；404)，其具有：被配置成对奶进行成像用于产生数字图像数据(M)的成像装置(4042，4044；5102；534)；处理器(3044；304)，其适于执行程序代码，以实施深度学习神经网络分类器，所述分类器使用来自能够根据在成像的奶中视觉上表明的类别特性将所述成像的奶分类成的类别内奶的标记的奶图像训练，并且能够被操作以产生所述成像的奶的分类；和控制器(3066)，其被配置成依赖于产生的分类输出控制信号，以控制向所述分析单元(402；502；522)的奶供应。/n

【技术特征摘要】
【国外来华专利技术】20181107 DK PA2018008361.一种奶分析仪(400；500；520)，其包含具有分析模态的奶分析单元(402；502；522)，其中所述奶分析单元(402；502；522)还包含奶分类系统(300；404)，其具有：被配置成对奶进行成像用于产生数字图像数据(M)的成像装置(4042，4044；5102；534)；处理器(3044；304)，其适于执行程序代码，以实施深度学习神经网络分类器，所述分类器使用来自能够根据在成像的奶中视觉上表明的类别特性将所述成像的奶分类成的类别内奶的标记的奶图像训练，并且能够被操作以产生所述成像的奶的分类；和控制器(3066)，其被配置成依赖于产生的分类输出控制信号，以控制向所述分析单元(402；502；522)的奶供应。


2.根据权利要求1...

【专利技术属性】
技术研发人员：S·C·塔罗，S·巴特瓦尔，S·Z·斯帕瑞，
申请(专利权)人：福斯分析仪器公司，
类型：发明
国别省市：丹麦;DK