水产品加工控制系统及其方法与流程

本技术涉及食品加工，且更为具体地，涉及一种水产品加工控制系统及其方法。

背景技术：

1、水产品是海洋和淡水渔业生产的水产动植物产品及其加工产品的总称，由于水产品在潮湿的环境中容易滋生细菌和霉菌，导致产品变质、发臭，影响产品的质量和口感，通常将水产品进行清洗腌制等处理后烘干储存，以延长保存时间。

2、目前，市场上通常采用烘干机对水产品进行烘干，烘干速率是烘干过程中的重要参数。如果烘干速率过慢，可能会导致水产品长时间暴露在高温高湿的环境中，从而容易滋生细菌和霉菌，影响产品的卫生和安全。而烘干速率太快，可能导致产品表面出现裂纹或变形等问题，还可能造成表面已经烘干，而内部仍未烘干的现象，从而引起内部腐败。

3、因此，期待一种水产品加工控制系统及其方法。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种水产品加工控制系统及其方法，其首先获取预定时间段内多个预定时间点的水产品的红外光谱图，对图像降噪处理后使用双流网络模型提取多尺度特征，并使用空间注意力机制的第一卷积神经网络模型进一步增强特征表达，最后，使用分类器对特征进行分类，以确定当前时间点烘干机的功率应增大或减小。这样，可以实现对烘干机功率的自动调节，从而提高烘干速率的准确性和稳定性，避免水产品变质和腐败。

2、相应地，根据本技术的一个方面，提供了一种水产品加工控制系统，其包括：光谱数据采集模块，用于获取预定时间段内多个预定时间点的水产品的红外光谱图，所述红外光谱图为与水相关的特定波长下的光谱图像；降噪模块，用于将所述多个预定时间点的红外光谱图通过基于自动编解码器的图像降噪器以得到多个降噪后红外光谱图；多尺度关联特征提取模块，用于将所述多个降噪后红外光谱图通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到第一特征图和第二特征图，再融合所述第一特征图和所述第二特征图以得到多个多尺度关联特征图，其中，所述第一卷积神经网络使用具有第一尺度的二维卷积核，所述第二卷积神经网络使用具有第二尺度的二维卷积核；水分变化模块，用于计算所述多个多尺度关联特征图中每相邻两个时间点的多尺度关联特征图之间的差分以得到多个多尺度差分特征图；水分变化特征提取模块，用于将所述多个多尺度差分特征图通过使用空间注意力机制的第三卷积神经网络模型以得到多个增强差分特征向量；融合模块，用于将所述多个增强差分特征向量进行级联以得到分类特征向量；以及控制结果生成模块，用于将所述分类特征向量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烘干机的功率应增大或减小。

3、在上述水产品加工控制系统中，所述降噪模块，包括：编码单元，用于将所述多个预定时间点的红外光谱图输入所述图像降噪器的编码器，其中，所述编码器使用卷积层对所述多个预定时间点的红外光谱图进行显式空间编码以得到多个红外光谱特征图；以及，解码单元，用于将所述多个红外光谱特征图输入所述图像降噪器的解码器，其中，所述解码器使用反卷积层对所述多个红外光谱特征图进行反卷积处理以得到所述多个降噪后红外光谱图。

4、在上述水产品加工控制系统中，所述多尺度关联特征提取模块，包括：第一尺度特征提取单元，用于使用所述使用具有第一尺度的二维卷积核的第一卷积神经网络在层的正向传递中对输入数据分别进行：对所述输入数据进行二维卷积处理、均值池化处理和非线性激活处理以得到第一特征图；第二尺度特征提取单元，用于使用所述使用具有第二尺度的二维卷积核的第二卷积神经网络在层的正向传递中对输入数据分别进行：对所述输入数据进行二维卷积处理、均值池化处理和非线性激活处理以得到第二特征图；以及，融合单元，用于将所述第一特征图和所述第二特征图按位置相加以得到所述多尺度关联特征图。

5、在上述水产品加工控制系统中，所述水分变化模块，用于：以如下差分公式计算所述多个多尺度关联特征图中每相邻两个时间点的多尺度关联特征图之间的差分以得到多个多尺度差分特征图；其中，所述差分公式为：其中，、表示所述多个多尺度关联特征图中每相邻两个时间点的多尺度关联特征图，表示所述多个多尺度差分特征图，表示按位置差分。

6、在上述水产品加工控制系统中，所述水分变化特征提取模块，包括：深度卷积编码单元，用于使用所述第三卷积神经网络模型的卷积编码部分对所述多尺度差分特征图进行深度卷积编码以得到初始卷积特征图；注意力图生成单元，用于将所述初始卷积特征图输入所述第三卷积神经网络模型的空间注意力部分以得到空间注意力图；注意力计算单元，用于将所述空间注意力图通过softmax激活函数以得到空间注意力特征图；注意力施加单元，用于计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到增强差分特征图；以及，池化单元，用于对所述增强差分特征图进行沿通道维度的各个特征矩阵的均值池化处理以得到所述增强差分特征向量。

7、在上述水产品加工控制系统中，所述控制结果生成模块，包括：全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。

8、在上述水产品加工控制系统中，还包括用于对所述基于自动编解码器的图像降噪器、所述包含第一卷积神经网络和第二卷积神经网络的双流网络模型、所述使用空间注意力机制的第三卷积神经网络模型和所述分类器进行训练的训练模块；其中，所述训练模块，包括：训练光谱数据采集单元，用于获取预定时间段内多个预定时间点的水产品的训练红外光谱图，以及，当前时间点烘干机的功率应增大或减小的真实值；训练降噪单元，用于将所述多个预定时间点的训练红外光谱图通过所述基于自动编解码器的图像降噪器以得到多个训练降噪后红外光谱图；训练多尺度关联特征提取单元，用于将所述多个训练降噪后红外光谱图通过所述包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到训练第一特征图和训练第二特征图，再融合所述训练第一特征图和所述训练第二特征图以得到多个训练多尺度关联特征图，其中，所述第一卷积神经网络使用具有第一尺度的二维卷积核，所述第二卷积神经网络使用具有第二尺度的二维卷积核；训练水分变化单元，用于计算所述多个训练多尺度关联特征图中每相邻两个时间点的多尺度关联特征图之间的差分以得到多个训练多尺度差分特征图；训练水分变化特征提取单元，用于将所述多个训练多尺度差分特征图通过使用空间注意力机制的第三卷积神经网络模型以得到多个训练增强差分特征向量；训练融合单元，用于将所述多个训练增强差分特征向量进行级联以得到训练分类特征向量；分类损失单元，用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值；总参数概率性损失计算单元，用于计算所述训练分类特征向量的总参数概率性损失值；以及，模型训练单元，用于以所述分类损失函数值和所述总参数概率性损失值的加权和作为损失函数值对所述基于自动编解码器的图像降噪器、所述包含第一卷积神经网络和第二卷积神经网络的双流网络模型、所述使用空间注意力机制的第三卷积神经网络模型和所述分类器进行训练。

9、在上述水产品加工控制系统中，所述总参数概率性损失计算单元，包括：后验概率计算子单元，用于计算所述训练分类特征向量属于各个类别的后验概率；损失值计算子单元，用于计算所述训练分类特征向量属于各个类别的参数概率性损失值，其中，所述参数概率性损失值用于表示所述训练分类特征向量被错误地分到类别的分类损失值；以及，总参数概率性损失值计算子单元，用于基于所述后验概率和所述参数概率性损失值计算所述训练分类特征向量的总参数概率性损失值。

10、在上述水产品加工控制系统中，所述总参数概率性损失值计算子单元，用于：基于所述后验概率和所述参数概率性损失值，以如下损失公式计算所述训练分类特征向量的所述总参数概率性损失值；其中，所述损失公式为：其中，是类别标签，是所述训练分类特征向量，是所述各个类别的参数概率性损失值，是所述各个类别的后验概率，为类别标签的总数，表示所述训练分类特征向量的所述总参数概率性损失值。

11、根据本技术的另一个方面，提供了一种水产品加工控制方法，其包括：获取预定时间段内多个预定时间点的水产品的红外光谱图，所述红外光谱图为与水相关的特定波长下的光谱图像；将所述多个预定时间点的红外光谱图通过基于自动编解码器的图像降噪器以得到多个降噪后红外光谱图；将所述多个降噪后红外光谱图通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到第一特征图和第二特征图，再融合所述第一特征图和所述第二特征图以得到多个多尺度关联特征图，其中，所述第一卷积神经网络使用具有第一尺度的二维卷积核，所述第二卷积神经网络使用具有第二尺度的二维卷积核；计算所述多个多尺度关联特征图中每相邻两个时间点的多尺度关联特征图之间的差分以得到多个多尺度差分特征图；将所述多个多尺度差分特征图通过使用空间注意力机制的第三卷积神经网络模型以得到多个增强差分特征向量；将所述多个增强差分特征向量进行级联以得到分类特征向量；以及将所述分类特征向量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烘干机的功率应增大或减小。

12、与现有技术相比，本技术提供的水产品加工控制系统及其方法，其首先获取预定时间段内多个预定时间点的水产品的红外光谱图，对图像降噪处理后使用双流网络模型提取多尺度特征，并使用空间注意力机制的第一卷积神经网络模型进一步增强特征表达，最后，使用分类器对特征进行分类，以确定当前时间点烘干机的功率应增大或减小。这样，可以实现对烘干机功率的自动调节，从而提高烘干速率的准确性和稳定性，避免水产品变质和腐败。