一种猪饲料加工过程多模态质量智能监测方法及系统与流程
本发明属于饲料加工质量检测，尤其涉及一种猪饲料加工过程多模态质量智能监测方法及系统。
背景技术：
1、饲料品质直接影响养殖效益和食品安全，当前饲料加工企业对质量管控的需求已从最后抽检转向全流程在线监测。
2、近红外光谱技术是目前应用最广泛的快速检测手段，能快速测出水分、蛋白、脂肪等营养成分，高光谱成像则擅长分析颗粒大小、异物识别，在此基础上，多模态传感融合已成为饲料质量检测领域的重要发展趋势。
3、但现有技术仍存在以下技术缺陷：
4、检测信号受样品物理状态干扰严重，缺乏前置动态补偿机制，近红外光谱检测中，样品的厚度、温度、堆积密度等物理因素会显著影响光谱吸收强度，饲料在传送带上的厚度可在5mm~30mm范围内变化，样品温度可在15℃-60℃之间波动，虽然有些现有技术中提出了去除第一检测光谱中的干扰并修正第一检测光谱的方法，但其采用的是获取光谱后的信号，再基于光谱信号本身进行后处理，但样品厚度对光谱吸收的干扰是物理层面的信号失真，仅靠光谱后处理修正无法从源头解决问题，对此，有些文献中提出了动态补偿处理模块和矫正因子的概念，但对于矫正因子如何根据样品实时物理状态生成的核心问题，并未给出具体技术方案，难以根据文献实现可操作的动态补偿。
5、其次，异常检测多采用固定阈值，无法识别渐变型质量劣化。现有质量异常检测多采用固定阈值判断，检测值超过预设上下限即触发报警。这种模式无法识别缓慢渐变型质量劣化趋势，如环模磨损导致的颗粒硬度逐批次下降，也无法区分正常统计波动与异常趋势，容易造成漏报或误报。
6、最后，检测结果与生产环节割裂，缺乏闭环控制能力，现有检测多为：取样—送检—反馈的离线或半离线模式，检测结果出来时异常批次已经产出，难以实现在线检测结果对前端工艺参数的实时反向调节。
技术实现思路
1、为解决上述现有技术不足，本发明提供一种猪饲料加工过程多模态质量智能监测方法及系统，通过前置补偿、趋势预警和闭环控制，实现从事后补偿到源头治理的转变，以使生产出的饲料质量更稳定。
2、为了实现本发明的目的，拟采用以下方案：
3、一种猪饲料加工过程多模态质量智能监测方法，包括以下步骤：
4、s1、在猪饲料加工产线的目标监测点位同步采集同一时刻t的多模态数据，多模态数据包括： 近红外光谱数据a（λ, t）；
5、高光谱图像数据h（x, y, λ, t）；
6、样品厚度数据h（t）；
7、样品温度数据tsample（t）；
8、环境参数数据；
9、s2、基于样品实时厚度h（t）对近红外光谱进行厚度反卷积前置校正，基于样品实时温度tsample（t）对厚度校正后的光谱进行温度平移前置校正，再进行基线自动扣除，得到标准化光谱astd（λ, t）；
10、s3、分别从标准化光谱中提取光谱特征向量，从高光谱图像中提取图像特征向量，将提取的光谱特征向量、图像特征向量和环境参数拼接为融合特征向量，输入多任务学习网络同步预测含水率、蛋白含量、颗粒硬度和混合均匀度；
11、s4、以滑动窗口构建各质量指标的动态基线，计算当前检测值与动态基线的偏离度，当偏离度连续多个窗口呈单调递增趋势时触发异常演化预警；
12、s5、根据预测的质量标准与目标值的偏差，生产并输出工艺参数调节指令。
13、一种猪饲料加工过程多模态质量智能监测系统，包括所述的方法，系统包括：
14、多模态数据采集模块，用于执行步骤s1；
15、信号预处理模块，用于执行步骤s2；
16、特征提取与融合模块，用于执行步骤s3；
17、异常检测与预警模块，用于执行步骤s4；
18、智能决策与反馈模块，用于执行步骤s5。
19、本发明的有益效果在于：
20、1、通过位移传感单元和温度传感单元实时感知样品厚度和温度，在光谱信号进入定量分析模型之前进行前置物理补偿，区别于现有技术中的光谱后处理修正方案，显著降低了样品物理状态波动对检测结果的干扰，提高了检测精度；
21、2、在同一监测点位同步获取近红外光谱、高光谱图像和多种物理传感数据，实现化学成分与物理形态的同步感知，信息维度覆盖度优于单一光谱检测方案；
22、3、基于滑动窗口动态基线的异常检测机制，能够识别缓慢渐变型质量劣化趋势，在质量超标前提前预警，实现从事后检验到预测性质量控制的转变；
23、4、检测结果实时反馈至产线控制系统，自动生成调节建议，实现了质量监测与生产控制的一体化闭环。
1.一种猪饲料加工过程多模态质量智能监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的猪饲料加工过程多模态质量智能监测方法，其特征在于，所述步骤s2中厚度反卷积前置校正采用如下公式：acorr(λ, t) = ameasured(λ, t) × [μ(λ)·h(t)] / [1 - exp(-μ(λ)·h(t))]，其中acorr(λ, t) 为厚度校正后的吸光度，ameasured(λ, t)为测量吸光度，μ(λ)为预设吸收系数，h(t)为实时厚度。
3.根据权利要求1所述的猪饲料加工过程多模态质量智能监测方法，其特征在于，所述步骤2中基于样品实时温度tsample(t)对厚度校正后的光谱进行温度平移前置校正，根据样品实时温度tsample(t)与预设参考温度tref的差值计算温度漂移量δ，δ=a·(tsample -tref)，其中a为预设温度校正系数，将厚度校正后的光谱在波长坐标轴上反向平移温度漂移量δ，使吸收峰位置恢复至参考温度下的位置。
4.根据权利要求1所述的猪饲料加工过程多模态质量智能监测方法，其特征在于，所述步骤s3中光谱特征向量包括水分特征波段950nm~1050nm和1400nm~1500nm的吸收峰面积比rwater、蛋白特征波段2050nm~2200nm的吸收强度aprotein、脂肪特征波段1700nm~1800nm的吸收强度alipid。
5.根据权利要求1所述的猪饲料加工过程多模态质量智能监测方法，其特征在于，所述步骤s3中图像特征向量包括颗粒度等效直径分布d10、d50、d90、色度标准差σe和灰度共生矩阵纹理参数。
6.根据权利要求1所述的猪饲料加工过程多模态质量智能监测方法，其特征在于，所述步骤s4中动态基线bw(t) = median{w(τ) | τ ∈ [t - l·δt, t]}，其中bw(t) 为时刻t的含水率基线值，τ 为历史数据点的时间，w(τ)为历史某时刻的含水率，t为当前时刻，l为窗口长度，δt为采样时间间隔，偏离度δw(t) = |w(t) - bw(t)| / σw(t)，其中w(t)为当前时刻的含水率，σw(t)为中位数绝对偏差。
7.根据权利要求1所述的猪饲料加工过程多模态质量智能监测方法，其特征在于，所述步骤s4中趋势判断逻辑为：当偏离度连续3~5个窗口呈单调递增趋势时触发异常演化预警。
8.根据权利要求1所述的猪饲料加工过程多模态质量智能监测方法，其特征在于，所述步骤s5中工艺参数调节指令包括调质温度调节指令、制粒机转速调节指令、环模压缩比调节指令中的一种或多种。
9.一种猪饲料加工过程多模态质量智能监测系统，包括如权利要求1-8中任意一项所述的方法，其特征在于，所述系统包括：