一种酿酒用高品质稻壳分选方法与流程

本发明涉及酿酒，尤其是涉及一种酿酒用高品质稻壳分选方法。

背景技术：

1、随着科技的不断发展，正在带动着各个行业的快速发展，其中，机器学习、深度学习等算法的不断优化，使得人工智能在图像识别、语音识别、自然语言处理等领域取得了显著成果。同时，人工智能也在智能制造、智慧医疗、智能交通等领域发挥着越来越重要的作用。

2、其中，在酿酒的过程中，需要稻壳作为辅料，稻壳作为白酒酿造中必不可少的固态填充剂和疏松剂，具有良好的疏松性、透气性和吸水性，在稻壳进行初步的筛选尘土、碎屑等杂质后，还需要进行深度的筛选，传统的稻壳筛选需要人工进行观察和感受稻壳在手中的感觉，从而进行判断该稻壳的品质的好与坏，这样对于稻壳品质的筛选，不仅效率不高，而且精确度低，会导致酿酒的品质降低，因此，如何对稻壳进行精确的分选，成为我们亟待解决的问题。

技术实现思路

1、鉴于以上问题，本发明提供了一种酿酒用高品质稻壳分选方法，不仅能够精确的对稻壳进行分选，而且在稻壳分选的过程中，无需人工参与，降低人工成本，提高生产效率。

2、为了实现上述目的及其他相关目的，本发明提供的技术方案如下：

3、一种酿酒用高品质稻壳分选方法，所述方法包括：

4、m1.将除杂后的稻壳经过输送带输送至目标容器的过程中，基于输送带上方的摄像头实时获取稻壳的图像数据信息，基于称重传感器实时获取稻壳的容重数据信息；

5、m2.基于所述稻壳的图像数据信息，采用融合viola-jones算法的神经网络模型对稻壳的图像进行识别和分类，得到分类后的稻壳的图像数据信息；

6、m3.基于所述分类后的稻壳的图像数据信息和所述稻壳的容重数据信息，采用基于自适应调节因子的产生式规则算法对稻壳的图像和容重进行融合，得到融合后的稻壳的决定数据信息；

7、m4.基于所述融合后的稻壳的决定数据信息，建立稻壳的质量评估函数f，对稻壳的质量进行评估，得到稻壳的质量评估数据信息。

8、进一步的，所述方法还包括：

9、m5.基于所述稻壳的质量评估数据信息，设置预设阈值，若所述稻壳的质量评估数据信息大于预设阈值则满足要求，稻壳为高品质稻壳并进行分选，若所述稻壳的质量评估数据信息小于预设阈值则不满足要求。

10、进一步的，在步骤m2中，所述采用融合viola-jones算法的神经网络模型对稻壳的图像进行识别和分类包括：

11、m21.基于所述稻壳的图像数据信息，建立稻壳的图像特征提取函数q，

12、

13、其中，x为稻壳的图像数据信息，α1、α2和α3为稻壳图像的特征提取因子，对稻壳的图像进行特征提取，得到稻壳的特征图像数据信息；

14、m22.将所述稻壳的特征图像数据信息输入神经网络模型进行训练和学习，确定神经元函数w，

15、

16、其中，y为稻壳的特征图像数据信息，β1、β2和β3为权重系数，得到训练好的神经网络模型；

17、m23.基于所述训练好的神经网络模型，输入所述稻壳的图像数据信息，对稻壳的图像进行识别和分类，得到分类后的稻壳的图像数据信息。

18、进一步的，在步骤m22中，所述权重系数β1、β2和β3的约束条件为，

19、

20、其中，y为稻壳的特征图像数据信息。

21、进一步的，所述稻壳图像的特征提取因子α1、α2和α3的约束函数f为，

22、

23、其中，f的取值范围为(3,5)。

24、进一步的，在步骤m3中，所述采用基于自适应调节因子的产生式规则算法对稻壳的图像和容重进行融合包括：

25、m31.基于所述分类后的稻壳的图像数据信息，建立稻壳的图像的产生式规则函数r，

26、

27、其中，z为分类后的稻壳的图像数据信息，δ1和δ2为稻壳图像的规则变化因子，对稻壳图像的规则变化进行表征，得到分类后的稻壳图像的规则变化数据信息；

28、m32.基于所述稻壳的容重数据信息，建立稻壳的容重的产生式规则函数u，

29、

30、其中，r为稻壳的容重数据信息，γ1和γ2为稻壳容重的规则变化因子，对稻壳容重的规则变化进行表征，得到稻壳容重的规则变化数据信息；

31、m33.基于所述稻壳容重的规则变化数据信息和所述分类后的稻壳图像的规则变化数据信息，建立稻壳容重和图像的融合函数p，

32、

33、其中，g1为稻壳容重的规则变化数据信息，g2为分类后的稻壳图像的规则变化数据信息，η1、η2和η3为自适应调节因子，对稻壳的图像和容重进行融合，得到融合后的稻壳的决定数据信息。

34、进一步的，所述自适应调节因子η1、η2和η3为，

35、

36、其中，g1为稻壳容重的规则变化数据信息，g2为分类后的稻壳图像的规则变化数据信息。

37、进一步的，所述稻壳容重的规则变化因子γ1和γ2的约束条件为，

38、所述稻壳图像的规则变化因子δ1和δ2的约束条件为，

39、

40、进一步的，在步骤m4中，所述稻壳的质量评估函数f为，

41、

42、其中，h为融合后的稻壳的决定数据信息，ω1、ω2和ω3为稻壳的质量评估因子。

43、进一步的，所述稻壳的质量评估因子ω1、ω2和ω3的约束函数s为，

44、

45、其中，约束函数s的取值范围为(1,2)。

46、本发明具有以下积极效果：

47、1.本发明通过采用融合viola-jones算法的神经网络模型对稻壳的图像进行识别和分类，并结合采用基于自适应调节因子的产生式规则算法对稻壳的图像和容重进行融合，得到融合后的稻壳的决定数据信息，不仅能够精确的对稻壳进行分选，而且在稻壳分选的过程中，无需人工参与，降低人工成本，提高生产效率。

48、2.本发明通过建立稻壳的质量评估函数f，对稻壳的质量进行评估，不仅能够对不同批次的稻壳进行精确的评估，从而提高了酿酒的质量，而且稻壳分选过程中，节约筛选时间，为后续工艺提供高品质的原料供应。

技术特征：

1.一种酿酒用高品质稻壳分选方法，其特征在于，所述方法包括：

2.根据权利要求1所述的酿酒用高品质稻壳分选方法，其特征在于，所述方法还包括：

3.根据权利要求1所述的酿酒用高品质稻壳分选方法，其特征在于，在步骤m2中，所述采用融合viola-jones算法的神经网络模型对稻壳的图像进行识别和分类包括：

4.根据权利要求3所述的酿酒用高品质稻壳分选方法，其特征在于，在步骤m22中，所述权重系数β1、β2和β3的约束条件为，

5.根据权利要求3所述的酿酒用高品质稻壳分选方法，其特征在于：所述稻壳图像的特征提取因子α1、α2和α3的约束函数f为，

6.根据权利要求1所述的酿酒用高品质稻壳分选方法，其特征在于，在步骤m3中，所述采用基于自适应调节因子的产生式规则算法对稻壳的图像和容重进行融合包括：

7.根据权利要求6所述的酿酒用高品质稻壳分选方法，其特征在于：所述自适应调节因子η1、η2和η3为，

8.根据权利要求6所述的酿酒用高品质稻壳分选方法，其特征在于：所述稻壳容重的规则变化因子γ1和γ2的约束条件为，

9.根据权利要求1所述的酿酒用高品质稻壳分选方法，其特征在于，在步骤m4中，所述稻壳的质量评估函数f为，

10.根据权利要求9所述的酿酒用高品质稻壳分选方法，其特征在于：所述稻壳的质量评估因子ω1、ω2和ω3的约束函数s为，

技术总结
本发明涉及一种酿酒用高品质稻壳分选方法，所述方法包括：M1.将除杂后的稻壳经过输送带输送至目标容器的过程中，基于输送带上方的摄像头实时获取稻壳的图像数据信息，基于称重传感器实时获取稻壳的容重数据信息；M2.基于所述稻壳的图像数据信息，采用融合Viola‑Jones算法的神经网络模型对稻壳的图像进行识别和分类，得到分类后的稻壳的图像数据信息。本发明不仅能够精确的对稻壳进行分选，而且在稻壳分选的过程中，无需人工参与，降低人工成本，提高生产效率。

技术研发人员：徐子洋,习辉军
受保护的技术使用者：湖北智权专利技术应用开发有限公司
技术研发日：
技术公布日：2025/3/24