的值对烘烤工艺曲线进行调整 控制。
[0022] 该方法通过先验数据建立烘烤规则，同时利用大量的样本数据训练不同的ANN网 络，然后分别利用烘烤过程中的气味特征、图像特征和水分特征作为神经网络的主要输入， 通过神经网络的学习和推理能力来预测出相应的当前阶段剩余烘烤时间、干球温度调整量 和湿球温度调整量，最后通过数据加权来调整烘烤工艺曲线，针对不同的烘烤对象，ANN网 络可以预测出不同的调整参数，从而适应整个烘烤过程中的智能调节。
[0023] 作为进一步描述，所述电子鼻模块中设置有多个气体/气味传感器、温度传感器、 湿度传感器和气压传感器，从该电子鼻模块中提取气味特征的方法如下：
[0024] 步骤2-1 :将电子鼻模块的反应过程分为清洗阶段、响应阶段、吹扫阶段和休息阶 段，每一周期采样N个点，其中清洗阶段Nl个点，响应阶段N2个点，吹扫阶段N3个点，N = N1+N2+N3,休息阶段不采样；
[0025] 步骤2-2 :将响应阶段N2个点的数据减去清洗阶段Nl个点的平均值，然后将每个 气体传感器在响应阶段的所有采样数据进行合并，经过低通滤波和归一化处理，将其归一 化为方差为1，均值为〇的数据矩阵[Xl，X2，…Xp]，这里P为气体传感器的个数，每次对P个 气味传感器的米样构成矩阵的一行；
[0026] 步骤2-3 :利用主成分分析算法对数据矩阵[Xl，X2，…Xp]进行降维处理，得到贡献 率最高的前两个/三个分量；
[0027] 步骤2-4 :将步骤2-3所得到的前两个/三个分量作为独立成分分析算法的输入， 由独立成分分析算法得到两个/三个独立分量，将其与求复相关系数；保留复相 关系数较小的一个独立分量，去掉其它分量。这里为温度传感器、湿度传感器和气 压传感器的检测数据矩阵；
[0028] 步骤2-5 :将步骤2-4所得的独立分量进行低通/带通滤波，将滤波结果作为所述 气味特征输入所述气味ANN网络。
[0029] 再进一步的描述，所述电子鼻模块中的传感器每30秒采一个数据点，所述休息阶 段为10分钟，电子鼻模块一个米样周期为1小时。
[0030] 为了更能体现烘烤对象在不同烘烤过程中的信息特征，步骤3中，从图像采集器 的图像信息中提取图像特征的方法如下：
[0031] 步骤3-1 :对图像采集器所采集的图像信息进行预处理，包括双边滤波和区域选 择，通过双边滤波减少图像噪声的影响，通过区域选择选取图像的中间部分从而减少图像 边缘影响；
[0032] 步骤3-2 :将预处理后的图像分别转换为RGB和HSV模式，提取图像的R、G、H分量 作为所述图像特征，其中H分量的计算公式如下：
[0033]
[0034] 其中Max表示R、G、B分量中的最大值，Min表示R、G、B分量中的最小值。
[0035] 为了提高预测参数的准确性，所述气味ANN网络、图像ANN网络和水分ANN网络的 输入参量中还包括当前烘烤阶段、当前阶段已烘烤时间、当前阶段理论干球温度、当前阶段 理论湿球温度、烘烤对象种类和烘烤对象部位信息。
[0036] 根据气味信息、图像信息和水分信息及其在烘烤过程中与烘烤对象关联性，结合 优化算法确定所述加权系数a。a2, a3, Id1, b2, b3, C1, C2, 〇3的大小。
[0037] 每一次烘烤结束时，中控计算机将自动建立本次烘烤的样本数据库，结合以前采 集的样本数据集，利用网络优化算法自动对气味ANN网络、图像ANN网络和水分ANN网络进 行再训练，训练结束时，选择性能参数更为优越的人工神经网络作为新调控系统预测网络。 从而使得系统能随着样本种类的增加不断增加网络的鲁棒性，使得调控效果不断改良。
[0038] 本发明的显著效果是：系统充分融合了电子鼻技术、图像处理技术以及智能学习 技术，通过实时采集烘烤过程中烘烤对象的气味信息、图像信息和水分信息，利用大量样本 数据训练出的ANN网络预测得到不同烘烤对象所对应的烘烤工艺曲线，从而适应不同烘烤 对象全自动化的智能烘烤控制，优化了烘烤产品的质量。
【附图说明】
[0039] 图1是本发明的系统原理框图；
[0040] 图2是气味ANN网络的输入输出关系图；
[0041] 图3是图像ANN网络的输入输出关系图；
[0042] 图4是水分ANN网络的输入输出关系图。
【具体实施方式】
[0043] 下面结合附图对本发明的【具体实施方式】以及工作原理作进一步详细说明。
[0044] 如图1所示，一种基于具有自动学习功能的电子鼻智能烘烤控制系统，设置有中 控计算机，该中控计算机的输入端分别连接有电子鼻模块、图像采集器和水分检测仪，该中 控计算机的输出端连接有PID控制器，所述PID控制器用于控制烘烤加热器和通风调节器 工作；
[0045] 在所述中控计算机中配置有气味ANN网络、图像ANN网络和水分ANN网络，所述电 子鼻模块用于采集烘烤对象在烘烤过程中的气味信息，所述中控计算机根据电子鼻模块采 集的气味信息提取气味特征，所述气味ANN网络以所述气味特征为主要输入，经过预测得 到当前阶段所需的第一剩余烘烤时间、第一干球温度调整量和第一湿球温度调整量；
[0046] 所述图像采集器用于采集烘烤对象在烘烤过程中的图像信息，所述中控计算机根 据图像采集器采集的图像信息提取图像特征，所述图像ANN网络以所述图像特征为主要输 入，经过预测得到当前阶段所需的第二剩余烘烤时间、第二干球温度调整量和第二湿球温 度调整量；
[0047] 所述水分检测仪用于采集烘烤对象在烘烤过程中的水分信息，所述中控计算机根 据水分检测仪采集的水分信息提取水分特征，所述水分ANN网络以所述水分特征为主要输 入，经过预测得到当前阶段所需的第三剩余烘烤时间、第三干球温度调整量和第三湿球温 度调整量；
[0048] 所述中控计算机根据所述气味ANN网络、图像ANN网络和水分ANN网络的预测值 确定当前阶段最终所需的剩余烘烤时间、干球温度调整量和湿球温度调整量来控制所述 PID控制器工作。
[0049] 在本实施例中，所述电子鼻模块中设置有多个气体传感器、温度传感器、湿度传感 器和气压传感器。
[0050] 如图2-图4所示，在构建上述系统的基础上，可以按照以下方法进行智能烘烤控 制，具体步骤为：
[0051] 步骤1 :根据经验数据建立烘烤规则，该烘烤规则包括烘烤时间以及预定烘烤时 间点的干球温度和湿球温度；
[0052] 步骤2 :通过电子鼻模块采集烘烤对象在烘烤过程中的气味信息，以所述气味信 息提取的气味特征为主要输入，利用气味ANN网络预测得到当前阶段所需的第一剩余烘烤 时间L、第一干球温度调整量&和第一湿球温度调整量s 1;
[0053] 步骤3 :通过图像采集器采集烘烤对象在烘烤过程中的图像信息，以所述图像信 息提取的图像特征为主要输入，利用图像ANN网络预测得到当前阶段所需的第二剩余烘烤 时间t2、第二干球温度调整量gjP第二湿球温度调整量s 2;
[0054] 步骤3 :通过水分检测仪采集烘烤对象在烘烤过程中的水分信息，以所述水分信 息提取的水分特征为主要输入，利用水分ANN网络预测得到当前阶段所需的第三剩余烘烤