[发明专利]酵母水解物智能化制备方法及其系统

权利要求书

1.一种酵母水解物智能化制备方法，其特征在于，包括：

获取由摄像头采集的预定时间段内酵母料液的干燥监控视频以及所述预定时间段内多个预定时间点的滚筒转速值和蒸汽阀门开度值；

将所述预定时间段内酵母料液的干燥监控视频通过使用时间注意力机制的第一卷积神经网络模型以得到跟踪特征图；

对所述跟踪特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到跟踪特征向量；

基于所述跟踪特征向量的所有位置的特征值集合的均值和方差，对所述跟踪特征向量中各个位置的特征值进行校正以得到校正后跟踪特征向量；

将所述预定时间段内多个预定时间点的滚筒转速值和蒸汽阀门开度值分别按照时间维度排列为转速输入向量和开度输入向量后，计算所述转速输入向量的转置向量与所述开度输入向量之间的乘积以得到控制关联矩阵；

将所述控制关联矩阵通过作为过滤器的第二卷积神经网络模型以得到控制关联特征向量；

计算所述校正后跟踪特征向量相对于所述控制关联特征向量的响应性估计以得到分类特征矩阵；以及

将所述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滚筒转速值应增大或应减小且蒸汽阀门的开度值应增大或应减小。

2.根据权利要求1所述的酵母水解物智能化制备方法，其特征在于，所述将所述预定时间段内酵母料液的干燥监控视频通过使用时间注意力机制的第一卷积神经网络模型以得到跟踪特征图，包括：

以预定采样频率从所述预定时间段内酵母料液的干燥监控视频中提取多个关键帧；以及

将所述多个关键帧通过所述使用时间注意力机制的第一卷积神经网络模型以得到所述跟踪特征图。

3.根据权利要求2所述的酵母水解物智能化制备方法，其特征在于，所述将所述多个关键帧通过所述使用时间注意力机制的第一卷积神经网络模型以得到所述跟踪特征图，包括：

从所述多个关键帧中提取相邻的第一帧和第二帧；

将所述第一帧通过所述第一卷积神经网络模型的第一卷积层以得到第一特征图；

将所述第二帧通过所述第一卷积神经网络模型的第二卷积层以得到第二特征图；

计算所述第一特征图和所述第二特征图的按位置点乘以得到叠加特征图；

将所述叠加特征图输入Softmax激活函数以得到注意力图；

将所述第二帧通过所述第一卷积神经网络模型的第三卷积层以得到第三特征图；以及

计算所述第三特征图和所述注意力图的按位置点乘以得到所述跟踪特征图。

4.根据权利要求3所述的酵母水解物智能化制备方法，其特征在于，所述基于所述跟踪特征向量的所有位置的特征值集合的均值和方差，对所述跟踪特征向量中各个位置的特征值进行校正以得到校正后跟踪特征向量，包括:

基于所述跟踪特征向量的所有位置的特征值集合的均值和方差，以如下公式对所述跟踪特征向量中各个位置的特征值进行校正以得到所述校正后跟踪特征向量；

其中，所述公式为：

∑是所述跟踪特征向量的自协方差矩阵，μ和σ分别是所述跟踪特征向量的全局均值和方差，||V||₂表示跟踪特征向量的二范数，且exp(·)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。

5.根据权利要求4所述的酵母水解物智能化制备方法，其特征在于，所述将所述控制关联矩阵通过作为过滤器的第二卷积神经网络模型以得到控制关联特征向量，包括：使用所述作为过滤器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的池化处理和非线性激活处理以由所述作为过滤器的第二卷积神经网络模型的最后一层输出所述控制关联特征向量。

6.根据权利要求5所述的酵母水解物智能化制备方法，其特征在于，所述计算所述校正后跟踪特征向量相对于所述控制关联特征向量的响应性估计以得到分类特征矩阵，包括：

以如下公式来计算所述校正后跟踪特征向量相对于所述控制关联特征向量的响应性估计以得到所述分类特征矩阵；其中，所述公式为：V_c表示控制关联特征向量且M_c为所述分类特征矩阵。