一种黄土粘度的检测方法及系统技术方案

本发明专利技术涉及一种黄土粘度的检测方法，该方法包括步骤：采集若干个实际窖池的黄土粘度、黄土粒度、含沙量、温度以及pH值数据，建立窖池数据集，并划分测试集和训练集；建立基于元学习算法MAML的长短期记忆神经网络模型；利用元学习算法MAML对长短期记忆神经网络模型的参数进行预训练，寻找到最优的初始化参数，得到初始化参数最优模型；将训练集输入到初始化参数最优模型中进行训练，训练后得到黄土粘度检测模型；采集待检测黄土样本的黄土粒度、含沙量、温度以及pH值，经过预处理后输入到黄土粘度检测模型中，得到对应的黄土粘度检测值。本发明专利技术能够为窖池建造黄土的选择提供数据支撑，从而为窖池建造形成规范化指导，提高窖池的质量。量。量。

【技术实现步骤摘要】
一种黄土粘度的检测方法及系统


[0001]本专利技术涉及酿酒
，特别是涉及一种黄土粘度的检测方法。

技术介绍

[0002]对于以固态泥池发酵为特征的浓香型酒酿造来说，窖池是根基，因此民间也素有“千年老窖万年糟”的说法。窖池一般是用特有的黄泥、泉水或井水掺和筑成，窖池使用的时间越长，池中的微生物菌群越丰富，粮食的发酵也就越好，由此蒸煮出来的白酒也就越香醇。因此窖池是生产浓香型白酒的重要前提条件，酒龄越长的窖池其窖泥老熟度越佳，产出曲酒的质量也越好。
[0003]选择建造窖池的泥土的好坏可间接影响到酒的质量。只有优质细腻、粘性强、含沙量少、pH中性的黄土，才能成为制造高质量窖池的泥土。土壤颗粒细小，可以增加界面作用，吸着营养与调剂pH值，而且以这样优质细腻、粘性强、含沙量少、pH中性的粘黄土建造的窖池保水性好，窖池与窖池之间不串水，易形成密封的全封闭性生态环境，又因酿酒微生物具有亲泥性，窖泥中的功能菌不断渗透到土壤中，形成一个庞大的强有力的生物群体，使窖泥产香好，不易退化，有利于微生物群体的固定与繁殖，从而为打造百年老窖打下基础。
[0004]经过调研和研究发现，针对窖泥用黄土的质量情况目前并没有统一的检测方式，特别是对于黄土的粘度的检测，现有的黄土粘度检测方法都是利用粘度测量装置直接测得黄土的粘度，例如公开日为2015年12月23日公开号为CN105181009A的专利技术专利“一种便携式土壤检测仪”、公开日为2015年11月11日公开号为CN105043932A的专利技术专利“一种土壤粘度测量装置”等。虽然利用粘度测量装置能够准确测得黄土粘度的具体数值，但是这种检测方法没有考虑在真实的窖池环境中温度、含沙量和pH值等因素对黄土粘度的影响，导致根据测得的粘度值选择的黄土应用于实际窖池建造时不一定能够达到窖池所需的理想黄土粘度，进而无法保证窖池的质量。因此，为了解决用于窖池建造的黄土粘度的选择完全是凭借人工经验进行选择，没有实际的实验数据来进行规范化的指导的问题，本专利技术提供一种基于实验数据与深度学习相结合的黄土粘度的检测方法。

技术实现思路

[0005]基于此，为了解决上述问题，本专利技术提供一种黄土粘度的检测方法。
[0006]本专利技术采取如下的技术方案：
[0007]一种黄土粘度的检测方法，包括以下步骤：
[0008]步骤一：采集若干个实际窖池的黄土粘度数据、黄土粒度数据、含沙量数据、温度数据以及pH值数据，并进行归一化处理，建立窖池数据集，并将窖池数据集按照预设比例划分为测试集和训练集；
[0009]步骤二：建立基于元学习算法MAML的长短期记忆神经网络模型，该模型的输入包括黄土粒度、含沙量、温度以及pH值，输出为黄土粘度；
[0010]步骤三：将所述训练集输入到基于元学习算法MAML的长短期记忆神经网络模型
中，利用元学习算法MAML对长短期记忆神经网络模型的参数进行预训练，寻找到最优的初始化参数，并将最优的初始化参数代入到长短期记忆神经网络模型中，得到初始化参数最优模型；
[0011]步骤四：将所述训练集输入到所述初始化参数最优模型中进行训练，训练后得到黄土粘度检测模型；
[0012]步骤五：利用所述测试集对所述黄土粘度检测模型进行测试，若准确率大于阈值，则将所述黄土粘度检测模型作为最终用于检测黄土粘度的模型；
[0013]步骤六：采集待检测黄土样本的黄土粒度数据、含沙量数据、温度数据以及pH值数据，并对采集的数据进行预处理后输入到黄土粘度检测模型中，得到待检测黄土样本对应的黄土粘度检测值。
[0014]与现有技术相比，本专利技术的有益效果是：
[0015]根据本专利技术所提供的一种黄土粘度的检测方法，该方法以实际窖池的黄土粘度、黄土粒度、含沙量、温度以及pH值等数据为依据建立数据集，并利用数据集对基于元学习算法MAML的长短期记忆神经网络模型进行参数寻优、训练以及测试，最终得到黄土粘度检测模型，该模型所输出的黄土粘度检测值更加贴近建造窖池后的真实黄土粘度数据，从而为窖池建造黄土的选择提供数据支撑，为窖池建造形成规范化指导，提高窖池的质量。
[0016]此外，本专利技术提出建立基于元学习算法MAML的长短期记忆神经网络模型，将元学习算法MAML应用于长短期记忆神经网络中，充分利用元学习算法MAML的学习能力，减小了网络模型训练过程所需的数据，提高了对不同黄土样本的粘度值检测效率。
附图说明
[0017]图1为本专利技术其中一个实施例所述的一种黄土粘度的检测方法的流程图；
[0018]图2为基于元学习算法MAML的长短期记忆神经网络模型的示意图；
[0019]图3为长短期记忆神经网络的结构示意图。
具体实施方式
[0020]请参阅图1，本专利技术其中一个实施例提供了一种黄土粘度的检测方法，该方法具体包括以下步骤：
[0021]步骤一：采集若干个实际窖池的黄土粘度数据、黄土粒度数据、含沙量数据、温度数据以及pH值数据，并对采集的各类数据分别进行归一化处理，归一化处理后，以窖池为单位，以该窖池的黄土粘度、黄土粒度、含沙量、温度以及pH值为一组参数，建立窖池数据集。建立完成窖池数据集之后，按照预设比例(例如3:7)将窖池数据集划分为测试集和训练集，其中训练集用于元学习算法MAML寻找长短期记忆神经网络模型的参数以及对初始化参数最优模型进行训练，而测试集则用于对训练后的模型进行测试，如果模型在测试集上准确率大于阈值，表明模型有效可靠，可以用于待检测黄土样本的检测。
[0022]进一步地，在采集窖池的黄土粘度数据时，按照以下步骤进行采集：
[0023](S1.1.1)、取Ng黄土样品备用，其中N的取值范围为[100,200]，例如100g，150g，200g等；
[0024](S1.1.2)、将黄土样品放入烧杯中，再加入350ml水，充分搅拌均匀后得到浆料；
[0025](S1.1.3)、立即采用粘度计测定浆料的粘度，得到黄土粘度数据。其中粘度计可以采用HAAKE Viscotester E旋转式粘度计，并设置转速为200r/min，该粘度计可以测量样品在预设转速下对转子的阻力，所得的扭矩或阻力即可换算为液体的粘度，扭矩值越大液体的粘度越高。测量时，拧下转子连接头保护套，在拧上L1转子，设置转速为200r/min，缓慢调节升降旋钮，调节转子与被测浆料液面的高度，直至转子的凹槽与液面相平，按on键开始测量，待显示粘度数稳定时读数。
[0026]黄土粒度是指黄土中不同粒径矿物质颗粒的组合比例以及个级颗粒所占质量百分数表示。在采集窖池的黄土粒度数据时，按照以下步骤进行采集：
[0027](S1.2.1)、取若干黄土样品过筛，筛孔直径为2mm筛孔，过筛后进行风干，制成风干土样；
[0028](S1.2.2)、将风干土样制成悬浊液；
[0029](S1.2.3)、粒径大于0.063mm的颗粒由一定孔径的筛子筛分，粒径小于0.063mm的颗粒则依据斯托克本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种黄土粘度的检测方法及系统，其特征在于，包括以下步骤：步骤一：采集若干个实际窖池的黄土粘度数据、黄土粒度数据、含沙量数据、温度数据以及pH值数据，并进行归一化处理，建立窖池数据集，并将窖池数据集按照预设比例划分为测试集和训练集；步骤二：建立基于元学习算法MAML的长短期记忆神经网络模型，该模型的输入包括黄土粒度、含沙量、温度以及pH值，输出为黄土粘度；步骤三：将所述训练集输入到基于元学习算法MAML的长短期记忆神经网络模型中，利用元学习算法MAML对长短期记忆神经网络模型的参数进行预训练，寻找到最优的初始化参数，并将最优的初始化参数代入到长短期记忆神经网络模型中，得到初始化参数最优模型；步骤四：将所述训练集输入到所述初始化参数最优模型中进行训练，训练后得到黄土粘度检测模型；步骤五：利用所述测试集对所述黄土粘度检测模型进行测试，若准确率大于阈值，则将所述黄土粘度检测模型作为最终用于检测黄土粘度的模型；步骤六：采集待检测黄土样本的黄土粒度数据、含沙量数据、温度数据以及pH值数据，并对采集的数据进行预处理后输入到黄土粘度检测模型中，得到待检测黄土样本对应的黄土粘度检测值。2.根据权利要求1所述的一种黄土粘度的检测方法及系统，其特征在于，长短期记忆神经网络模型中的单个循环结构由输入门、遗忘门、输出门和单元状态组成，其中：遗忘门f
t
用于决定上一时刻的单元状态有多少需要保留到当前时刻，其输出表达式为：f
t
＝σ(W
f
·
[h
t
‑1，x
t
])+b
f
其中，σ为sigmoid激活函数，W
f
为遗忘门权重，b
f
为遗忘门偏置，h
t
‑1为上一个时刻的输出，x
t
为当前的数据输入；输入门i
t
用于决定当前时刻网络的输入数据有多少需要保存到单元状态，其输出表达式为：i
t
＝σ(W
i
·
[h
t
‑1，x
t
])+b
i
其中，i
t
为需要记忆的信息，为用于更新记忆单元的候选记忆单元，W
i
和W
C
为输入门权重，b
i
和b
C
为输入门偏置；根据上一个细胞结构的单元状态C
t
‑1、遗忘门输出f
t
、输入门输出i
t
以及单元状态的输出C
t
，得到当前细胞的状态C
t
：输出门o
t
用于控制当前单元状态有多少需要输出到当前的输出值，其计算式为：o
t
＝σ(W
o
·
[h
t
‑1，x
t
])+b
o
其中，W
o
为输出门权重，b
o
为输出门偏置；结合当前...

【专利技术属性】
技术研发人员：赵巧珍，吕晓凤，崔振国，王滢滢，杨平，
申请(专利权)人：济南趵突泉酿酒有限责任公司，
类型：发明
国别省市：