通心粉生产线及方法技术

本申请涉及智能控制领域，其具体地公开了一种通心粉生产线及方法，其采用基于深度学习的人工智能控制技术，可以在通心粉生产成型的过程中基于面团的成型状态来实现挤压力的自适应控制，以此来确保通心粉生产质量的稳定性和一致性

【技术实现步骤摘要】
通心粉生产线及方法


[0001]本申请涉及智能控制领域，且更为具体地，涉及一种通心粉生产线及方法
。

技术介绍

[0002]通心粉以其特殊的形状而闻名
。
它是一种中空的
、
管状的意大利面食，由于中间的通心管道，使得其在烹饪时能够更好地吸收调味汁
。
它的形状独特，口感丰富，适合于各种食材搭配，已经成为家庭和餐馆中常见的食材之一
。
[0003]在通心粉的生产步骤中，有一步是需要将搅拌好的面团通过挤压机进行成型
。
面团经过挤压后，形成具有空心管道的通心粉形状
。
在挤压的过程中，如果挤压力过大或过小，会导致成型的通心粉出现形状不一致的问题，比如长度不一
、
直径不一致等，这会影响通心粉的外观质量和口感
。
[0004]因此，需要一种优化的通心粉生产线
。

技术实现思路

[0005]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通心粉生产线及方法，其采用基于深度学习的人工智能控制技术，可以在通心粉生产成型的过程中基于面团的成型状态来实现挤压力的自适应控制，以此来确保通心粉生产质量的稳定性和一致性
。
[0006]根据本申请的一个方面，提供了一种通心粉生产线，其包括：
[0007]数据收集模块，用于获取预定时间段内多个预定时间点的挤压力值以及所述预定时间段的面团成型监控视频；
[0008]采样模块，用于从所述面团成型监控视频提取多个成型监控关键帧；
[0009]空间特征提取模块，用于将所述多个成型监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个成型监控特征矩阵；
[0010]变化特征提取模块，用于将所述多个成型监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到成型监控变化特征向量；
[0011]挤压变化感知模块，用于将所述多个预定时间点的挤压力值按照时间维度排列为挤压力输入向量后通过包含全连接层和一维卷积层的时序编码器以得到挤压力特征向量；
[0012]响应性估计模块，用于计算所述成型监控变化特征向量相对于所述挤压力特征向量的响应性估计以得到分类特征矩阵；
[0013]优化模块，用于对所述分类特征矩阵进行优化以得到优化分类特征矩阵；
[0014]控制结果生成模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的挤压力值应增加或应减小
。
[0015]在上述通心粉生产线中，所述采样模块，用于：以预定采样频率从所述面团成型监控视频提取所述多个成型监控关键帧
。
[0016]在上述通心粉生产线中，所述空间特征提取模块，用于：所述使用空间注意力机制
的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：基于卷积核对所述输入数据进行卷积处理以得到卷积特征图；将所述卷积特征图通过空间注意力模块以得到空间注意力得分矩阵；将所述空间注意力得分矩阵与所述卷积特征图沿通道维度的各个特征矩阵进行按位置点乘以得到空间注意力特征图；对所述空间注意力特征图进行沿通道维度的池化处理以得到池化特征图；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，所述第一卷积神经网络模型的第一层的输入为所述多个成型监控关键帧，所述第一卷积神经网络模型的最后一层的输出为所述多个成型监控特征矩阵
。
[0017]在上述通心粉生产线中，所述变化特征提取模块，用于：所述使用三维卷积核的第二卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：对所述输入数据进行基于三维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的各个特征矩阵池化以得到池化特征图；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，所述第二卷积神经网络模型的最后一层的输出为所述成型监控变化特征向量，所述第二卷积神经网络模型的第一层的输入为所述三维输入张量
。
[0018]在上述通心粉生产线中，所述挤压变化感知模块，用于：使用所述时序编码器的全连接层以如下全连接编码公式对所述挤压力输入向量进行全连接编码以提取出输入向量中各个位置的特征值的高维隐含特征；其中，所述全连接编码公式为：
[0019][0020]其中
X
是所述挤压力输入向量，
Y
是输出向量，
W
是权重矩阵，
B
是偏置向量，表示矩阵乘；使用所述时序编码器的一维卷积层以如下一维卷积编码公式对所述挤压力输入向量进行一维卷积编码以提取出输入向量中各个位置的特征值间的高维隐含关联特征；其中，所述一维卷积编码公式为：
[0021][0022]其中，
a
为卷积核在
x
方向上的宽度，
F(a)
为卷积核参数向量，
G(x
‑
a)
为与卷积核函数运算的局部向量矩阵，
w
为卷积核的尺寸，
X
表示所述挤压力输入向量，
Cov(X)
表示对所述挤压力输入向量进行一维卷积编码
。
[0023]在上述通心粉生产线中，所述响应性估计模块，用于：以如下响应性估计公式计算所述成型监控变化特征向量相对于所述挤压力特征向量的响应性估计以得到所述分类特征矩阵；其中，所述响应性估计公式为：
[0024][0025]其中
V
a
表示所述成型监控变化特征向量，
V
b
表示所述挤压力特征向量，
M
表示所述分类特征矩阵，表示矩阵相乘
。
[0026]在上述通心粉生产线中，所述优化模块，包括：标准化处理单元，用于对所述成型监控变化特征向量和所述挤压力特征向量的进行标准化处理以得到标准化成型监控变化特征向量和标准化挤压力特征向量的；协方差矩阵计算单元，用于计算所述标准化成型监控变化特征向量和所述标准化挤压力特征向量的之间的协方差矩阵；特征值分解单元，用于对所述协方差矩阵进行特征值分解以得到多个特征值以及与所述多个特征值对应的多
个特征值向量；特征向量选取单元，用于从所述多个特征向量中提取前两个最大的特征值对应的特征值向量作为第一维度特征向量和第二维度特征向量，所述第一维度特征向量和所述第二维度特征向量作为仿射子空间的基；排列单元，用于将所述第一维度特征向量和所述第二维度特征向量按照列向量进行排列为以得到仿射子空间矩阵；类仿射变换特征向量生成单元，用于将所述成型监控变化特征向量和所述挤压力特征向量分别与所述仿射子空间矩阵进行矩阵相乘以将所述成型监控变化特征向量和所述挤压力特征向量分别映射到所述仿射子空间矩阵以得到类仿射变换成型监控变化特征向量和类仿射变换挤压力特征向量；关联特征矩阵生成单元，用于计算所述类仿射变换成型监控本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种通心粉生产线，其特征在于，包括：数据收集模块，用于获取预定时间段内多个预定时间点的挤压力值以及所述预定时间段的面团成型监控视频；采样模块，用于从所述面团成型监控视频提取多个成型监控关键帧；空间特征提取模块，用于将所述多个成型监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个成型监控特征矩阵；变化特征提取模块，用于将所述多个成型监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到成型监控变化特征向量；挤压变化感知模块，用于将所述多个预定时间点的挤压力值按照时间维度排列为挤压力输入向量后通过包含全连接层和一维卷积层的时序编码器以得到挤压力特征向量；响应性估计模块，用于计算所述成型监控变化特征向量相对于所述挤压力特征向量的响应性估计以得到分类特征矩阵；优化模块，用于对所述分类特征矩阵进行优化以得到优化分类特征矩阵；控制结果生成模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的挤压力值应增加或应减小
。2.
根据权利要求1所述的通心粉生产线，其特征在于，所述采样模块，用于：以预定采样频率从所述面团成型监控视频提取所述多个成型监控关键帧
。3.
根据权利要求2所述的通心粉生产线，其特征在于，所述空间特征提取模块，用于：所述使用空间注意力机制的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：基于卷积核对所述输入数据进行卷积处理以得到卷积特征图；将所述卷积特征图通过空间注意力模块以得到空间注意力得分矩阵；将所述空间注意力得分矩阵与所述卷积特征图沿通道维度的各个特征矩阵进行按位置点乘以得到空间注意力特征图；对所述空间注意力特征图进行沿通道维度的池化处理以得到池化特征图；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，所述第一卷积神经网络模型的第一层的输入为所述多个成型监控关键帧，所述第一卷积神经网络模型的最后一层的输出为所述多个成型监控特征矩阵
。4.
根据权利要求3所述的通心粉生产线，其特征在于，所述变化特征提取模块，用于：所述使用三维卷积核的第二卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：对所述输入数据进行基于三维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的各个特征矩阵池化以得到池化特征图；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，所述第二卷积神经网络模型的最后一层的输出为所述成型监控变化特征向量，所述第二卷积神经网络模型的第一层的输入为所述三维输入张量
。5.
根据权利要求4所述的通心粉生产线，其特征在于，所述挤压变化感知模块，用于：使用所述时序编码器的全连接层以如下全连接编码公式对所述挤压力输入向量进行全连接编码以提取出输入向量中各个位置的特征值的高维隐含特征；
其中，所述全连接编码公式为：其中
X
是所述挤压力输入向量，
Y
是输出向量，
W
是权重矩阵，
B
是偏置向量，表示矩阵乘；使用所述时序编码器的一维卷积层以如下一维卷积编码公式对所述挤压力输入向量进行一维卷积编码以提取出输入向量中各个位置的特征值间的高维隐含关联特征；其中，所述一维卷积编码公式为：其中，
a
为卷积核在
x
方向上的宽度，
F(a)
为卷积核参数向量，
G(x
‑
a)
为与卷积核函数运算的局部向量矩阵，
w
为卷积核的尺寸，
X
表示所述挤压力输...

【专利技术属性】
技术研发人员：邹兆强，刘胜森，池小英，
申请(专利权)人：江西金昌食品有限公司，
类型：发明
国别省市：