一种酿制酒、醋的高效发酵装置制造方法及图纸

本申请涉及智能制造下的智能酿造的领域，其具体地公开了一种酿制酒、醋的高效发酵装置，其能够基于所述酿造设备内酿造物的实时情况来智能地调节温度，以使得做调节的温度适配于不同阶段对于不同微生物的活性要求，以此来提高酿造酒、醋的发酵效率。醋的发酵效率。醋的发酵效率。

【技术实现步骤摘要】
一种酿制酒、醋的高效发酵装置


[0001]本专利技术涉及智能制造下的智能酿造领域，且更为具体地，涉及一种酿制酒、醋的高效发酵装置。

技术介绍

[0002]酿酒就是将粮谷中的淀粉转化为酒的过程，分为糖化和酒化两个阶段。糖化阶段是粮谷在预处理和各种生物酶作用下转化为可发酵的糖类，酒化阶段则是水解后的糖类在微生物作用下代谢产生酒精。酿醋就是将高碳水化合物的食物在微生物的作用下会分解产生单糖、双糖、有机酸、醇、醛类物质，就会发出酸味或酒味。
[0003]酿酒制醋工艺区别主要在发酵时的温度及发酵时接触空气的时间，众所周知，酿醋先酿酒，也就是说，将酒精发酵后的料液经过醋酸发酵，就可以将料液中的乙醇变为乙酸，也就是醋酸。
[0004]但是，现有的酿酒和酿醋发酵都是依靠物理装置，其并不能根据发酵的状态做出自适应调整，进而导致酿造的效果并不是特别理想。对于酿酒和酿醋而言，关键的要素是温度控制，对于微生物而言，不同温度下的活性不同，而不同阶段需要不同的微生物具有不同的活性。
[0005]因此，期待一种智能的酿制酒、醋的高效发酵装置，其能够基于发酵装置内发酵物的实时情况来自适应地做温度控制以提高酿制酒、醋的发酵效率。

技术实现思路

[0006]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酿制酒、醋的高效发酵装置，其通过使用三维卷积核的第一卷积神经网络挖掘出监控视频中的图像帧的关于酿造物的局部特征在高维空间中的特征分布表示，并通过时序编码器模型分别提取出各个预定时间点的温度数据以及气味数据在时序维度上的高维隐含关联特征，这样，在进行特征信息融合后，进一步对其进行重参数化以通过将所述特征值解释为单变量差分的负对数来获得包含特殊分布的一般性概率分布，以保证样本中的特殊示例，这样，改进了所述第一特征矩阵和所述第二特征矩阵作为整体的概率表达上的确定性。进而，能够更有效地提高酿造酒、醋的发酵效率与发酵准度。
[0007]根据本申请的一个方面，提供了一种酿制酒、醋的高效发酵装置，其包括：
[0008]传感器单元，用于通过部署发酵罐内的温度传感器和气味传感器获取预定时间段内多个预定时间点的温度数据和气味数据，以及，通过部署于所述发酵罐内的红外摄像头获取酿造物在所述预定时间段的红外监控视频；
[0009]三维卷积编码单元，用于将所述红外监控视频通过使用三维卷积核的第一卷积神经网络以获得第一特征向量；
[0010]第一时序编码单元，用于将所述预定时间段内多个预定时间点的温度数据和气味数据分别通过包含一维卷积层和全连接层的时序编码器以获得第二特征向量和第三特征
向量；
[0011]第一联合编码单元，用于计算所述第一特征向量的转置向量与所述第二特征向量的乘积以获得第一特征矩阵；
[0012]第二联合编码单元，用于计算所述第一特征向量的转置向量与所述第三特征向量的乘积以获得第二特征矩阵；
[0013]重参数化单元，用于对所述第一特征矩阵和所述第二特征矩阵进行重参数化以获得重参数化第一特征矩阵和重参数化第二特征矩阵，其中，所述对所述第一特征矩阵和所述第二特征矩阵进行重参数化基于以所述第一特征矩阵或所述第二特征矩阵中各个位置的特征值为幂的自然指数函数值与以所述第一特征矩阵或所述第二特征矩阵中所有位置的特征值的均值为幂的自然指数函数值之差的对数函数值来进行；
[0014]特征融合单元，用于计算所述重参数化第一特征矩阵和所述重参数化第二特征矩阵的按位置加权和以获得分类特征矩阵；以及
[0015]调控结果生成单元，用于将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示温度应增大或应减小。
[0016]根据本申请的另一方面，一种酿制酒、醋的高效发酵装置的发酵控制方法，其包括：
[0017]通过部署发酵罐内的温度传感器和气味传感器获取预定时间段内多个预定时间点的温度数据和气味数据，以及，通过部署于所述发酵设备内的红外摄像头获取酿造物在所述预定时间段的红外监控视频；
[0018]将所述红外监控视频通过使用三维卷积核的第一卷积神经网络以获得第一特征向量；
[0019]将所述预定时间段内多个预定时间点的温度数据和气味数据分别通过包含一维卷积层和全连接层的时序编码器以获得第二特征向量和第三特征向量；
[0020]计算所述第一特征向量的转置向量与所述第二特征向量的乘积以获得第一特征矩阵；
[0021]计算所述第一特征向量的转置向量与所述第三特征向量的乘积以获得第二特征矩阵；
[0022]对所述第一特征矩阵和所述第二特征矩阵进行重参数化以获得重参数化第一特征矩阵和重参数化第二特征矩阵，其中，所述对所述第一特征矩阵和所述第二特征矩阵进行重参数化基于以所述第一特征矩阵或所述第二特征矩阵中各个位置的特征值为幂的自然指数函数值与以所述第一特征矩阵或所述第二特征矩阵中所有位置的特征值的均值为幂的自然指数函数值之差的对数函数值来进行；
[0023]计算所述重参数化第一特征矩阵和所述重参数化第二特征矩阵的按位置加权和以获得分类特征矩阵；以及
[0024]将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示温度应增大或应减小。
[0025]与现有技术相比，本申请提供的酿制酒、醋的高效发酵装置，其通过使用三维卷积核的第一卷积神经网络挖掘出监控视频中的图像帧的关于酿造物的局部特征在高维空间中的特征分布表示，并通过时序编码器模型分别提取出各个预定时间点的温度数据以及气
味数据在时序维度上的高维隐含关联特征，这样，在进行特征信息融合后，进一步对其进行重参数化以通过将所述特征值解释为单变量差分的负对数来获得包含特殊分布的一般性概率分布，以保证样本中的特殊示例，这样，改进了所述第一特征矩阵和所述第二特征矩阵作为整体的概率表达上的确定性。进而，能够更有效地提高酿造酒、醋的发酵效率与发酵准度。
附图说明
[0026]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。
[0027]图1为根据本申请实施例的酿制酒、醋的高效发酵装置的应用场景图。
[0028]图2A为根据本申请实施例的酿制酒、醋的高效发酵装置的框图。
[0029]图2B为根据本申请实施例的所述高效发酵装置中第一时序编码单元的框图。
[0030]图3为根据本申请实施例的酿制酒、醋的高效发酵装置的发酵控制方法的流程图。
[0031]图4为根据本申请实施例的酿制酒、醋的高效发酵装置的发酵控制方法的架构示意图。
具体实施方式
[0032]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，本申请不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种酿制酒、醋的高效发酵装置，其特征在于，包括：传感器单元，用于通过部署发酵罐内的温度传感器和气味传感器获取预定时间段内多个预定时间点的温度数据和气味数据，以及，通过部署于所述发酵罐内的红外摄像头获取酿造物在所述预定时间段的红外监控视频；三维卷积编码单元，用于将所述红外监控视频通过使用三维卷积核的第一卷积神经网络以获得第一特征向量；第一时序编码单元，用于将所述预定时间段内多个预定时间点的温度数据和气味数据分别通过包含一维卷积层和全连接层的时序编码器以获得第二特征向量和第三特征向量；第一联合编码单元，用于计算所述第一特征向量的转置向量与所述第二特征向量的乘积以获得第一特征矩阵；第二联合编码单元，用于计算所述第一特征向量的转置向量与所述第三特征向量的乘积以获得第二特征矩阵；重参数化单元，用于对所述第一特征矩阵和所述第二特征矩阵进行重参数化以获得重参数化第一特征矩阵和重参数化第二特征矩阵，其中，所述对所述第一特征矩阵和所述第二特征矩阵进行重参数化基于以所述第一特征矩阵或所述第二特征矩阵中各个位置的特征值为幂的自然指数函数值与以所述第一特征矩阵或所述第二特征矩阵中所有位置的特征值的均值为幂的自然指数函数值之差的对数函数值来进行；特征融合单元，用于计算所述重参数化第一特征矩阵和所述重参数化第二特征矩阵的按位置加权和以获得分类特征矩阵；以及调控结果生成单元，用于将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示温度应增大或应减小。2.根据权利要求1所述的酿制酒、醋的高效发酵装置，其中，所述三维卷积编码单元，进一步用于：使用所述三维卷积核的第一卷积神经网络以如下公式对所述红外监控视频进行处理以生成所述第一特征向量；其中，所述公式为：其中，H
j
、W
j
和R
j
分别表示三维卷积核的长度、宽度和高度，m表示第(l
‑
1)层特征图的个数，是与(l
‑
1)层的第m个特征图相连的卷积核，b
lj
为偏置，f(
·
)表示激活函数。3.根据权利要求2所述的酿制酒、醋的高效发酵装置，其中，所述第一时序编码单元，进一步用于：将所述预定时间段内多个预定时间点的温度数据按照时间维度排列为一维的温度输入向量；使用所述时序编码器的全连接层以如下公式对所述温度输入向量进行全连接编码以提取出所述输入向量中各...

【专利技术属性】
技术研发人员：陈旭东，王景弘，陈晓东，李超逸，雍磊，黄丽芬，项碧丽，
申请(专利权)人：丽水市鱼跃酿造食品有限公司，
类型：发明
国别省市：