基于卷积神经网络预测共熔点的干燥温度控制方法及系统与流程

1.本发明涉及物料冻干技术领域，具体是基于卷积神经网络预测共熔点的干燥温度控制方法及系统。


背景技术：

2.冻干技术是将含水物料预先冻结后在真空状态下进行升华而获得干燥物料的方法，干燥后物料原有的化学、生物特性基本不变，易于长期保存，是一种优良的干燥方法，被广泛应用于食品、生物制品、医药、化工、材料制备等各个领域。
3.物料的共熔点是指完全冻结的物料逐步升温，当物料内部的冰晶开始熔化时的温度。升华干燥时物料温度不能高于其共熔点，否则物料会融化，导致物料沸腾，在物料内部产生气泡、充气膨胀或干缩等现象，影响冻干制品的质量。
4.在完全冻结的物料逐步升温过程中，如果温度设置过低，水分升华较慢，冻干需要时间变长，效率降低，同时造成能源浪费；如果温度设置较高，又会使得样品融化，达不到真空冷冻干燥的目的。
5.即使是同一种物料，如苹果，其共熔点受到产地、水分、成熟度、糖度等诸多因素的影响，并不是一个固定的值。因此对物料逐步升温过程中物料是否达到或者接近该物料的共熔点的实时监测，是很有必要的。


技术实现要素：

6.本发明的目的在于提供基于卷积神经网络预测共熔点的干燥温度控制方法及系统，以解决上述背景技术中提出的问题。
7.为实现上述目的，本发明提供如下技术方案：
8.一种基于卷积神经网络预测共熔点的干燥温度控制方法，所述方法包括：
9.获取以物料温度为索引的参考图像，生成参考图像库，基于物料温度与其共熔点的温度差对所述参考图像库进行排序；
10.根据排序后的参考图像库训练深度卷积神经网络模型；
11.实时采集图像数据，将所述图像数据输入训练好的深度卷积神经网络模型，得到预测温度差；根据所述预测温度差生成控制信号。
12.作为本发明技术方案进一步的限定：所述获取以物料温度为索引的参考图像，生成参考图像库，基于物料温度与其共熔点的温度差对所述参考图像库进行排序的步骤包括：
13.选取产地、成熟度、水分或糖度不同的样本，基于电阻率法确定其共熔点；
14.将样本环境的温度调节至共晶点温度以下，根据预设的功率升高所述温度；其中，样本环境为真空条件；
15.在升高温度的过程中，获取物料图像，并记录对应的物料温度，计算所述物料温度与其共熔点之间的温度差；
16.根据所述温度差对所述物料图像进行排序，得到参考图像库。
17.作为本发明技术方案进一步的限定：所述共熔点的测量方法还包括差示扫描热仪法、差示热分析仪法和低温显微镜直接观察法。
18.作为本发明技术方案进一步的限定：获取物料图像采用的图像传感器包括可见光图像传感器、红外图像传感器、近红外传感器、多光谱传感器、高光谱图像传感器或者上述几种传感器的组合。
19.作为本发明技术方案进一步的限定：所述根据排序后的参考图像库训练深度卷积神经网络模型的步骤包括：
20.对排序后的参考图像库进行编号，确定与参考图像对应的标签；
21.根据预设的比例对将参考图像库中的参考图像分为测试集和训练集；
22.根据所述测试集和训练集建立参考图像至温度差的深度卷积神经网络回归模型。
23.作为本发明技术方案进一步的限定：所述根据所述测试集和训练集建立参考图像至温度差的深度卷积神经网络回归模型的步骤包括：
24.提取训练集中的参考图像，对所述参考图像进行归一化处理；
25.基于预设的网络骨架根据归一化处理后的参考图像生成预模型；
26.根据预设的损失函数修正所述预模型，得到深度卷积神经网络回归模型；
27.其中，所述网络骨架由卷积层、激活函数层、池化层和bn层组成；神经网络结构为resnet50网络结构。
28.作为本发明技术方案进一步的限定：所述实时采集图像数据，将所述图像数据输入训练好的深度卷积神经网络模型，得到预测温度差；根据所述预测温度差生成控制信号的步骤包括：
29.基于预设的时间间隔实时采集图像数据，将所述图像数据输入训练好的深度卷积神经网络模型，得到预测温度差；
30.当所述预测温度差达到预设的节点阈值时，生成停止升温信号；
31.当所述预测温度差超过预设的节点阈值时，生成降温信号。
32.本发明技术方案还提供了一种基于卷积神经网络预测共熔点的干燥温度控制系统，所述系统包括：
33.参考图像确定模块，用于获取以物料温度为索引的参考图像，生成参考图像库，基于物料温度与其共熔点的温度差对所述参考图像库进行排序；
34.模型生成模块，用于根据排序后的参考图像库训练深度卷积神经网络模型；
35.数据分析模块，用于实时采集图像数据，将所述图像数据输入训练好的深度卷积神经网络模型，得到预测温度差；根据所述预测温度差生成控制信号。
36.作为本发明技术方案进一步的限定：所述模型生成模块包括：
37.标签确定单元，用于对排序后的参考图像库进行编号，确定与参考图像对应的标签；
38.数据分类单元，用于根据预设的比例对将参考图像库中的参考图像分为测试集和训练集；
39.处理执行单元，用于根据所述测试集和训练集建立参考图像至温度差的深度卷积神经网络回归模型。
40.作为本发明技术方案进一步的限定：所述数据分析模块包括：
41.温度差预测单元，用于基于预设的时间间隔实时采集图像数据，将所述图像数据输入训练好的深度卷积神经网络模型，得到预测温度差；
42.第一控制单元，用于当所述预测温度差达到预设的节点阈值时，生成停止升温信号；
43.第二控制单元，用于当所述预测温度差超过预设的节点阈值时，生成降温信号。
44.与现有技术相比，本发明的有益效果是：本发明通过获取物料图像，基于物料图像对温度进行自动控制，可以更好的实现真空冷冻干燥的目的。人力成本低，便于推广使用。
附图说明
45.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例。
46.图1示出了基于卷积神经网络预测共熔点的干燥温度控制方法的流程框图。
47.图2示出了基于卷积神经网络预测共熔点的干燥温度控制方法的第一子流程框图。
48.图3示出了基于卷积神经网络预测共熔点的干燥温度控制方法的第二子流程框图。
49.图4示出了基于卷积神经网络预测共熔点的干燥温度控制方法的第三子流程框图。
50.图5示出了基于卷积神经网络预测共熔点的干燥温度控制系统的组成结构构图。
51.图6示出了基于卷积神经网络预测共熔点的干燥温度控制系统中模型生成模块的组成结构框图。
52.图7示出了基于卷积神经网络预测共熔点的干燥温度控制系统中数据分析模块的组成结构框图。
53.图8示出了基于卷积神经网络预测共熔点的干燥温度控制系统的架构图。
具体实施方式
54.为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
55.实施例1
56.图1示出了基于卷积神经网络预测共熔点的干燥温度控制方法的流程框图，本发明实施例中，一种基于卷积神经网络预测共熔点的干燥温度控制方法，所述方法包括步骤s100至步骤s300：
57.步骤s100：获取以物料温度为索引的参考图像，生成参考图像库，基于物料温度与其共熔点的温度差对所述参考图像库进行排序；
58.步骤s200：根据排序后的参考图像库训练深度卷积神经网络模型；
59.步骤s300：实时采集图像数据，将所述图像数据输入训练好的深度卷积神经网络
模型，得到预测温度差；根据所述预测温度差生成控制信号。
60.上述内容的流程是，先根据一些样本确定一个神经网络模型，所述神经网络模型的两个参数分别是图像以及物料所处环境的温度与其共熔点的温度差。当需要对物料进行检测时，借助所述神经网络模型，就可以根据图像信息得到其温度差，这个温度差是个数值，可以基于这一数值生成控制信号，控制信号一般是由plc控制器进行处理，使它转化为温度调整功能。
61.图2示出了基于卷积神经网络预测共熔点的干燥温度控制方法的第一子流程框图，所述获取以物料温度为索引的参考图像，生成参考图像库，基于物料温度与其共熔点的温度差对所述参考图像库进行排序的步骤包括步骤s101至步骤s104：
62.步骤s101：选取产地、成熟度、水分或糖度不同的样本，基于电阻率法确定其共熔点；
63.步骤s102：将样本环境的温度调节至共晶点温度以下，根据预设的功率升高所述温度；其中，样本环境为真空条件；
64.步骤s103：在升高温度的过程中，获取物料图像，并记录对应的物料温度，计算所述物料温度与其共熔点之间的温度差；
65.步骤s104：根据所述温度差对所述物料图像进行排序，得到参考图像库。
66.步骤s101至步骤s104提供了一种具体的参考图像生成过程，
67.进一步的，所述共熔点的测量方法还包括差示扫描热仪法、差示热分析仪法和低温显微镜直接观察法。
68.具体的，获取物料图像采用的图像传感器包括可见光图像传感器、红外图像传感器、近红外传感器、多光谱传感器、高光谱图像传感器或者上述几种传感器的组合。
69.对某一种物料，如苹果，选择来自某一产地，某一成熟度的样品s1。利用电阻率法测定其共熔点tm1，将样品s1先冷冻到共晶点温度以下，使水分变成固态的冰，然后升高温度，并抽至真空；在升温过程中，利用摄像机拍摄图像，并记录对应的物料温度与其共熔点温度差。
70.进一步的，在温度t处于如下范围：
71.tm
1-δtm1《＝t《＝tm1+δtm2；
72.按照温度间隔采集n张图像d
1k
，k＝1,2,3...n。
73.式中δtm1，δtm2为两个温度差阈值，分别代表在温度小于物料共熔点温度δtm1度时开始采集图像样本，在温度大于物料共熔点δtm2度时，停止图像样本的采集。
74.选择产地、成熟度、水分、糖度不同的样本，共采集样本m份si，i＝1,2,3...m，进行共熔点测量、冷冻干燥中图像序列的采集和对应的物料温度与其共熔点温度差记录。
75.图像序列为：d＝{d
ik
}
i＝1,2,3,...m；k＝1,2,3...n
，物料温度与其共熔点温度差为y＝{y
ik
＝t
ik-tmi}
i＝1,2,3...m,k＝1,2,3...n
。
76.图3示出了基于卷积神经网络预测共熔点的干燥温度控制方法的第二子流程框图，所述根据排序后的参考图像库训练深度卷积神经网络模型的步骤包括步骤s201至步骤s203：
77.步骤s201：对排序后的参考图像库进行编号，确定与参考图像对应的标签；
78.步骤s202：根据预设的比例对将参考图像库中的参考图像分为测试集和训练集；
79.步骤s203：根据所述测试集和训练集建立参考图像至温度差的深度卷积神经网络回归模型。
80.进一步的，所述根据所述测试集和训练集建立参考图像至温度差的深度卷积神经网络回归模型的步骤包括：
81.提取训练集中的参考图像，对所述参考图像进行归一化处理；
82.基于预设的网络骨架根据归一化处理后的参考图像生成预模型；
83.根据预设的损失函数修正所述预模型，得到深度卷积神经网络回归模型；
84.其中，所述网络骨架由卷积层、激活函数层、池化层和bn层组成；神经网络结构为resnet50网络结构。
85.步骤s201至步骤s203对神经网络回归模型的建立过程进行了进一步的限定，首先，建立和与图像对应的标签，按照一定比例划分测试集和训练集；从建立的图像序列d和对应的标签y中，划分训练集合测试集。特定的，可以按照训练：测试为3:1的比例进行划分。
86.建立图像至物料温度与其共熔点温度差的深度卷积神经网络回归模型。利用深度卷积神经网络捕捉物料在共熔点之前，之中，之后在图像上颜色，纹理，外形等变化，表示图像变化至物料温度与其共熔点温度差之间的复杂非线性映射关系。
87.图像数据输入神经网络提取特征之间，首先进行归一化处理：
[0088][0089]
式中d
ic
是从训练集中选择训练的第i幅图像第c通道。d
icnormal
是规划一化之后的第i幅图像第c通道归一化值。min(d
ic
)是第i幅图像第c通道最小值，max(d
ic
)第i幅图像第c通道最大值。
[0090]
如果是rgb图像，通道数为r，g，b三通道，c＝0,1,2。如果是多光谱图像或者高光谱图像，则一般多于3个通道，假设有c，每一个通道也是一幅灰度图像，则c＝0,1,2...c-1。
[0091]
所述就深度卷积神经网络的网络骨架可以选择vggnet、inception、resnet和densenet等网络骨架。网络骨架中由卷积层、激活函数层、池化层、和bn层组成。网络最后一层为全连接层。
[0092]
特定的，神经网络结构可以选择为resnet50网络结构，输入为s2.2.2中所述c个通道，最后一层为全连接层。
[0093]
损失函数设计为：b是某一个批次训练参与训练样本数量，yi,分别是真实值和预测值。
[0094]
图4示出了基于卷积神经网络预测共熔点的干燥温度控制方法的第三子流程框图，所述实时采集图像数据，将所述图像数据输入训练好的深度卷积神经网络模型，得到预测温度差；根据所述预测温度差生成控制信号的步骤包括步骤s301至步骤s303：
[0095]
步骤s301：基于预设的时间间隔实时采集图像数据，将所述图像数据输入训练好的深度卷积神经网络模型，得到预测温度差；
[0096]
步骤s302：当所述预测温度差达到预设的节点阈值时，生成停止升温信号；
[0097]
步骤s303：当所述预测温度差超过预设的节点阈值时，生成降温信号。
[0098]
步骤s301至步骤s303的工作过程较为简单，对物料逐步升温过程中，利用摄像机实时采集图像数据，采集数据的间隔为δt秒。将图像输入到训练好的神经卷积回归模型中，预测当前物料温度与其共熔点温度差值y。
[0099]
如果物料温度与其共熔点温度差值y《-t(t》0)，说明当前物料温度低于其共融点温度t度以上，可以继续升温，人工智能计算系统输出信号0。如果y＝-t(t》0)，说明当前温度低于共熔点温度t度，则停止升温，保持温度不变，进行干燥，人工智能计算系统输出信号1。如果y》-t(t》0)，则说明温度离共融点温度比较接近，为了安全起见，应该将温度降低，至共熔点温度之下t度，人工智能计算系统输出信号2。
[0100]
系统输出控制信号0，1，2，至plc控制器。plc控制指令再下发给冻干机进行控制。如果plc接受到0，则继续升温，如果plc接受到1，则停止升温，保持温度不变。如果plc接受到信号2，则降低温度至共熔点之下t度。
[0101]
本发明技术方案还提供了图8，图8示出了基于卷积神经网络预测共熔点的干燥温度控制系统的架构图，便于本领域工作人员理解上述内容。
[0102]
实施例2
[0103]
图5示出了基于卷积神经网络预测共熔点的干燥温度控制系统的组成结构构图，本发明实施例中，一种基于卷积神经网络预测共熔点的干燥温度控制系统，所述系统10包括：
[0104]
参考图像确定模块11，用于获取以物料温度为索引的参考图像，生成参考图像库，基于物料温度与其共熔点的温度差对所述参考图像库进行排序；
[0105]
模型生成模块12，用于根据排序后的参考图像库训练深度卷积神经网络模型；
[0106]
数据分析模块13，用于实时采集图像数据，将所述图像数据输入训练好的深度卷积神经网络模型，得到预测温度差；根据所述预测温度差生成控制信号。
[0107]
图6示出了基于卷积神经网络预测共熔点的干燥温度控制系统中模型生成模块的组成结构框图，所述模型生成模块12包括：
[0108]
标签确定单元121，用于对排序后的参考图像库进行编号，确定与参考图像对应的标签；
[0109]
数据分类单元122，用于根据预设的比例对将参考图像库中的参考图像分为测试集和训练集；
[0110]
处理执行单元123，用于根据所述测试集和训练集建立参考图像至温度差的深度卷积神经网络回归模型。
[0111]
图7示出了基于卷积神经网络预测共熔点的干燥温度控制系统中数据分析模块的组成结构框图，所述数据分析模块13包括：
[0112]
温度差预测单元131，用于基于预设的时间间隔实时采集图像数据，将所述图像数据输入训练好的深度卷积神经网络模型，得到预测温度差；
[0113]
第一控制单元132，用于当所述预测温度差达到预设的节点阈值时，生成停止升温信号；
[0114]
第二控制单元133，用于当所述预测温度差超过预设的节点阈值时，生成降温信号。
[0115]
所述基于卷积神经网络预测共熔点的干燥温度控制方法所能实现的功能均由计
算机设备完成，所述计算机设备包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条程序代码，所述程序代码由所述一个或多个处理器加载并执行以实现所述基于卷积神经网络预测共熔点的干燥温度控制方法。
[0116]
处理器从存储器中逐条取出指令、分析指令，然后根据指令要求完成相应操作，产生一系列控制命令，使计算机各部分自动、连续并协调动作，成为一个有机的整体，实现程序的输入、数据的输入以及运算并输出结果，这一过程中产生的算术运算或逻辑运算均由运算器完成；所述存储器包括只读存储器(read-only memory，rom)，所述只读存储器用于存储计算机程序，所述存储器外部设有保护装置。
[0117]
示例性的，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在终端设备中的执行过程。
[0118]
本领域技术人员可以理解，上述服务设备的描述仅仅是示例，并不构成对终端设备的限定，可以包括比上述描述更多或更少的部件，或者组合某些部件，或者不同的部件，例如可以包括输入输出设备、网络接入设备、总线等。
[0119]
所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，上述处理器是上述终端设备的控制中心，利用各种接口和线路连接整个用户终端的各个部分。
[0120]
上述存储器可用于存储计算机程序和/或模块，上述处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现上述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如信息采集模板展示功能、产品信息发布功能等)等；存储数据区可存储根据泊位状态显示系统的使用所创建的数据(比如不同产品种类对应的产品信息采集模板、不同产品提供方需要发布的产品信息等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0121]
终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取介质中。基于这样的理解，本发明实现上述实施例系统中的全部或部分模块/单元，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于计算机可读介质中，该计算机程序在被处理器执行时，可实现上述各个系统实施例的功能。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。
[0122]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
[0123]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。