基于多光谱漫反射与边缘计算的液体菌种发酵监测方法技术

本发明专利技术提供了基于多光谱漫反射与边缘计算的液体菌种发酵监测方法，包括以下步骤：步骤1：获取液体菌种发酵过程的关键生物参数的特征光谱信息；步骤2：根据发酵过程的特征光谱波段信息，研发多光谱漫反射成像系统；步骤3：构建可融合多光谱数据处理的轻量化的目标检测深度学习模型，便于进行嵌入式机器视觉部署；步骤4：使用级联定标法，使所述视觉模型可识别定位到发酵视窗位置，再在感兴趣区域内进行关键目标检测和分析；步骤5：将上述的深度学习视觉模型部署于智能边缘计算设备，实时对发酵过程图谱信息进行处理

【技术实现步骤摘要】
基于多光谱漫反射与边缘计算的液体菌种发酵监测方法


[0001]本专利技术涉及发酵工程原位实时监测
，特别是基于多光谱漫反射与边缘计算的液体菌种发酵监测方法
。

技术介绍

[0002]液体菌种本质上就是发酵工程，目的是为了在最短时间内获取数量多
、
纯度高
、
活力好的目标菌种
。
相较于传统固体菌种，液体菌种的优势是周期短，成本低，菌种活力一致，便于工厂化
。
但是液体菌种发酵过程对于监测工艺要求高，需要保证发酵过程无杂菌污染，目标菌种生长一致，且确定最佳发酵终点
。
为此，对发酵过程进行原位实时非接触监测，也就成为获得稳定和优质产出的需要
。
但液体菌种的发酵过程通常是一个动态的生长演化过程，涉及菌种的裂变生长，发酵液的营养消耗及发酵产物的积累
。
对于整个发酵过程的监测，虽然对一些物理参数
(
如温度
、
气压等
)
和化学参数
(
如
PH
值
、
溶解氧浓度等
)
已经可以实现在线监测，但对发酵过程的关键生物参数
(
如目标菌种生物量，溶液底物产物浓度等
)
的实时监测并不理想
。
[0003]现行的液体菌种发酵过程生物参数监测方法主要是三种：
1.
人工感官评测；
2.
离线取样理化分析；/>3.
在线侵入式检测
。
其中，人工感官评测，依赖于长时间的工作经验，具有主观性，无法形成客观稳定的指标；离线取样监测可以做到比较客观精准，但缺点是具有时滞性，耗费化工材料及人力；而在线侵入式传感器，会增加发酵设备构造，也容易对液体菌种发酵过程产生潜在的污染风险
。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种基于多光谱漫反射与边缘计算的液体菌种发酵监测方法，实现嵌入式机器视觉在工业现场的应用
。
[0005]为实现上述目的，本专利技术采用如下技术方案：基于多光谱漫反射与边缘计算的液体菌种发酵监测方法，包括以下步骤：
[0006]步骤1：获取液体菌种发酵过程的关键生物参数的特征光谱信息；
[0007]步骤2：基于所获取的发酵过程的特征光谱波段信息，研发多光谱漫反射成像系统；
[0008]步骤3：构建可融合多光谱数据处理的轻量化的目标检测深度学习视觉模型，使其适用于嵌入式机器视觉的应用；
[0009]步骤4：使用级联定标法，使所述视觉模型可识别定位到发酵视窗位置，再在感兴趣区域内进行关键目标检测和分析；
[0010]步骤5：将上述的深度学习视觉模型部署于边缘计算设备，实时对发酵过程进行原位监测
。
[0011]在一较佳的实施例中，所述步骤1具体为：使用涵盖紫外
、
可见及近红外的高光谱仪，分别采集关键生物参数在不同浓度下的光谱信息，采集不同浓度培养液的光谱信息，采
集不同生长阶段发酵液的光谱信息，采集健康与污染情况下发酵液的光谱信息；并根据以上的光谱信息，计算光谱指数，得到可以稳健表征对应参数的感兴趣特征波段
。
[0012]在一较佳的实施例中，所述步骤2通过使用滤光轮相机，采用滤光轮相机，滤光轮位于传感器或镜头前，通过旋转滤光轮来更换滤光片，以捕获多通道光谱图像，然后从多光谱图像估计每个像素光谱反射率；滤光轮的相机的优点是每个波段的全空间分辨率，而且滤光片可以根据不同波谱要求进行定制和更换；
[0013]在一较佳的实施例中，所述的步骤3需要构建轻量化的可融合多光谱数据处理的目标检测深度学习模型，便于嵌入式机器视觉的应用；
[0014]所述步骤3的轻量化改进具体为：模型结构轻量化和主要功能定制化；轻量化是通过更改主干网络
、
更换优化算法和后处理算法；功能定制化是通过更改注意力机制及级联分类器来实现；轻量化和定制化改进的具体实现方法有：更改主干网络，
YOLOv5
的骨干网络是
CSPDarknet53
或
ResNet
，为了减小计算量，使用轻量级
ShuffleNet
网络来替代；更改注意力机制，使模型可以更加关注关键的目标区域，从而提高模型的精度；改进优化算法为
Lion
；改进损失函数，由于在液体菌种监测中，根据具体的需求，对于目标的分类更为关键，可以通过提高分类损失的权重，从而提高识别精度；采用
Soft
‑
NMS(
非极大值抑制
)
算法，提高模型的检出率
。
[0015]所述步骤3融合多光谱数据处理具体为：多光谱信息融合采用位于中期的特征融合策略，即将不同的模态数据先转化为高维特征表达，于模型的中间层进行融合；通过采用
CAMFF
算法进行共模及差模特征提取，将
LSYOLO Nano
的主干特征提取网络复制成两路特征提取网络分别进行
F
X
波段区域和
F
Y
波段区域图像的特征提取；然后使用融合组件分别对三层多尺度特征信号进行融合，得到融合后的三层特征输出送至
Neck
层，进行一系列卷积
、
上采样
、
下采样和
concat
拼接等处理，得到的最终的可融合多光谱数据的轻量级
LSYOLO Nano
模型
。
[0016]在一较佳的实施例中，所述步骤4具体为：通过级联定标法，使模型可识别定位到视窗位置，分割感兴趣的区域，再在感兴趣区域内进行关键目标检测和分析；所述的级联定标发可实现分为两个阶段，一阶段视窗区域锁定和二阶段目标物检测；在一阶段视窗区域锁定阶段，首先结合发酵窗口轮廓清晰，形状均为大小一致的正圆形的特点，采用中心红点定位及固定圆形尺寸定标法，进行发酵视窗锚定和圆形校正，然后再使用同一规定的大小的圆形直径大小进行掩膜及分割；在二阶段关键目标检测阶段，是根据所述第一阶段的掩膜分割后得到图像数据，进行发酵罐内目标菌种和发酵液等目标物检测，可采用如阈值分割和形态学分割进行处理，以获取关键目标的图谱信息
。
[0017]在一较佳的实施例中，所述步骤5具体为：所述的边缘计算设备，选择使用具有独立显卡的边缘计算设备，进行多光谱视觉数据在边缘节点端的实时处理，通过在靠近数据源地方直接进行推理预测，解决时滞率和数据安全问题；
[0018]进一步的，所述的边缘计算设备通过载板扩展的
GPIO
接口接入其他传感器，进行发酵过程环境相关参数的测量；环境参数经过数据归一化处理后，作为光学图谱信息的辅助特征，形成同步指标，共同输入所述的深度学习模型进行训练，以增加模型的检测精度与鲁本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于多光谱漫反射与边缘计算的液体菌种发酵监测方法，其特征在于，包括以下步骤：步骤1：获取液体菌种发酵过程的关键生物参数的特征光谱信息；步骤2：基于所获取的发酵过程的特征光谱波段信息，研发多光谱漫反射成像系统；步骤3：构建可融合多光谱数据处理的轻量化的目标检测深度学习视觉模型，使其适用于嵌入式机器视觉的应用；步骤4：使用级联定标法，使所述视觉模型可识别定位到发酵视窗位置，再在感兴趣区域内进行关键目标检测和分析；步骤5：将所述的深度学习视觉模型部署于边缘计算设备，实时对发酵过程进行原位监测
。2.
根据权利要求1所述的基于多光谱漫反射与边缘计算的液体菌种发酵监测方法，其特征在于，所述步骤1具体为：使用涵盖紫外
、
可见及近红外的高光谱仪，分别采集关键生物参数在不同浓度下的光谱信息，采集不同浓度培养液的光谱信息，采集不同生长阶段发酵液的光谱信息，采集健康与污染情况下发酵液的光谱信息；并根据以上的光谱信息，计算光谱指数，得到可以稳健表征对应参数的感兴趣特征波段
。3.
根据权利要求1所述的基于多光谱漫反射与边缘计算的液体菌种发酵监测方法，其特征在于，所述步骤2是采用滤光轮相机，滤光轮位于传感器或镜头前，通过旋转滤光轮来更换滤光片，以捕获多通道光谱图像，然后从多光谱图像估计每个像素光谱反射率；滤光轮的相机的优点是每个波段的全空间分辨率，而且滤光片可以根据不同波谱要求进行定制和更换
。4.
根据权利要求1所述的基于多光谱漫反射与边缘计算的液体菌种发酵监测方法，其特征在于，所述的步骤3需要构建轻量化的可融合多光谱数据处理的目标检测深度学习模型，便于嵌入式机器视觉的应用；所述步骤3的轻量化改进具体为：模型结构轻量化和主要功能定制化；轻量化是通过更改主干网络
、
更换优化算法和后处理算法；功能定制化是通过更改注意力机制及级联定标法来实现；轻量化和定制化改进的具体实现方法有：1）更改主干网络，
YOLOv5
的骨干网络是
CSPDarknet53
或
ResNet
，为了减小计算量，使用轻量级
ShuffleNet
网络来替代； 2
...

【专利技术属性】
技术研发人员：武礼宾，叶大鹏，翁海勇，孙淑静，金文松，林铃，吴晨皓，
申请(专利权)人：福建农林大学，
类型：发明
国别省市：