一种酿制酒、醋的高效发酵装置的制作方法

1.本发明涉及智能制造下的智能酿造领域，且更为具体地，涉及一种酿制酒、醋的高效发酵装置。


背景技术：

2.酿酒就是将粮谷中的淀粉转化为酒的过程，分为糖化和酒化两个阶段。糖化阶段是粮谷在预处理和各种生物酶作用下转化为可发酵的糖类，酒化阶段则是水解后的糖类在微生物作用下代谢产生酒精。酿醋就是将高碳水化合物的食物在微生物的作用下会分解产生单糖、双糖、有机酸、醇、醛类物质，就会发出酸味或酒味。
3.酿酒制醋工艺区别主要在发酵时的温度及发酵时接触空气的时间，众所周知，酿醋先酿酒，也就是说，将酒精发酵后的料液经过醋酸发酵，就可以将料液中的乙醇变为乙酸，也就是醋酸。
4.但是，现有的酿酒和酿醋发酵都是依靠物理装置，其并不能根据发酵的状态做出自适应调整，进而导致酿造的效果并不是特别理想。对于酿酒和酿醋而言，关键的要素是温度控制，对于微生物而言，不同温度下的活性不同，而不同阶段需要不同的微生物具有不同的活性。
5.因此，期待一种智能的酿制酒、醋的高效发酵装置，其能够基于发酵装置内发酵物的实时情况来自适应地做温度控制以提高酿制酒、醋的发酵效率。


技术实现要素：

6.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酿制酒、醋的高效发酵装置，其通过使用三维卷积核的第一卷积神经网络挖掘出监控视频中的图像帧的关于酿造物的局部特征在高维空间中的特征分布表示，并通过时序编码器模型分别提取出各个预定时间点的温度数据以及气味数据在时序维度上的高维隐含关联特征，这样，在进行特征信息融合后，进一步对其进行重参数化以通过将所述特征值解释为单变量差分的负对数来获得包含特殊分布的一般性概率分布，以保证样本中的特殊示例，这样，改进了所述第一特征矩阵和所述第二特征矩阵作为整体的概率表达上的确定性。进而，能够更有效地提高酿造酒、醋的发酵效率与发酵准度。
7.根据本技术的一个方面，提供了一种酿制酒、醋的高效发酵装置，其包括：
8.传感器单元，用于通过部署发酵罐内的温度传感器和气味传感器获取预定时间段内多个预定时间点的温度数据和气味数据，以及，通过部署于所述发酵罐内的红外摄像头获取酿造物在所述预定时间段的红外监控视频；
9.三维卷积编码单元，用于将所述红外监控视频通过使用三维卷积核的第一卷积神经网络以获得第一特征向量；
10.第一时序编码单元，用于将所述预定时间段内多个预定时间点的温度数据和气味数据分别通过包含一维卷积层和全连接层的时序编码器以获得第二特征向量和第三特征
向量；
11.第一联合编码单元，用于计算所述第一特征向量的转置向量与所述第二特征向量的乘积以获得第一特征矩阵；
12.第二联合编码单元，用于计算所述第一特征向量的转置向量与所述第三特征向量的乘积以获得第二特征矩阵；
13.重参数化单元，用于对所述第一特征矩阵和所述第二特征矩阵进行重参数化以获得重参数化第一特征矩阵和重参数化第二特征矩阵，其中，所述对所述第一特征矩阵和所述第二特征矩阵进行重参数化基于以所述第一特征矩阵或所述第二特征矩阵中各个位置的特征值为幂的自然指数函数值与以所述第一特征矩阵或所述第二特征矩阵中所有位置的特征值的均值为幂的自然指数函数值之差的对数函数值来进行；
14.特征融合单元，用于计算所述重参数化第一特征矩阵和所述重参数化第二特征矩阵的按位置加权和以获得分类特征矩阵；以及
15.调控结果生成单元，用于将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示温度应增大或应减小。
16.根据本技术的另一方面，一种酿制酒、醋的高效发酵装置的发酵控制方法，其包括：
17.通过部署发酵罐内的温度传感器和气味传感器获取预定时间段内多个预定时间点的温度数据和气味数据，以及，通过部署于所述发酵设备内的红外摄像头获取酿造物在所述预定时间段的红外监控视频；
18.将所述红外监控视频通过使用三维卷积核的第一卷积神经网络以获得第一特征向量；
19.将所述预定时间段内多个预定时间点的温度数据和气味数据分别通过包含一维卷积层和全连接层的时序编码器以获得第二特征向量和第三特征向量；
20.计算所述第一特征向量的转置向量与所述第二特征向量的乘积以获得第一特征矩阵；
21.计算所述第一特征向量的转置向量与所述第三特征向量的乘积以获得第二特征矩阵；
22.对所述第一特征矩阵和所述第二特征矩阵进行重参数化以获得重参数化第一特征矩阵和重参数化第二特征矩阵，其中，所述对所述第一特征矩阵和所述第二特征矩阵进行重参数化基于以所述第一特征矩阵或所述第二特征矩阵中各个位置的特征值为幂的自然指数函数值与以所述第一特征矩阵或所述第二特征矩阵中所有位置的特征值的均值为幂的自然指数函数值之差的对数函数值来进行；
23.计算所述重参数化第一特征矩阵和所述重参数化第二特征矩阵的按位置加权和以获得分类特征矩阵；以及
24.将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示温度应增大或应减小。
25.与现有技术相比，本技术提供的酿制酒、醋的高效发酵装置，其通过使用三维卷积核的第一卷积神经网络挖掘出监控视频中的图像帧的关于酿造物的局部特征在高维空间中的特征分布表示，并通过时序编码器模型分别提取出各个预定时间点的温度数据以及气
味数据在时序维度上的高维隐含关联特征，这样，在进行特征信息融合后，进一步对其进行重参数化以通过将所述特征值解释为单变量差分的负对数来获得包含特殊分布的一般性概率分布，以保证样本中的特殊示例，这样，改进了所述第一特征矩阵和所述第二特征矩阵作为整体的概率表达上的确定性。进而，能够更有效地提高酿造酒、醋的发酵效率与发酵准度。
附图说明
26.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
27.图1为根据本技术实施例的酿制酒、醋的高效发酵装置的应用场景图。
28.图2a为根据本技术实施例的酿制酒、醋的高效发酵装置的框图。
29.图2b为根据本技术实施例的所述高效发酵装置中第一时序编码单元的框图。
30.图3为根据本技术实施例的酿制酒、醋的高效发酵装置的发酵控制方法的流程图。
31.图4为根据本技术实施例的酿制酒、醋的高效发酵装置的发酵控制方法的架构示意图。
具体实施方式
32.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
33.场景概述
34.如前所述，酿酒就是将粮谷中的淀粉转化为酒的过程，分为糖化和酒化两个阶段。糖化阶段是粮谷在预处理和各种生物酶作用下转化为可发酵的糖类，酒化阶段则是水解后的糖类在微生物作用下代谢产生酒精。
35.酿醋就是将高碳水化合物的食物在微生物的作用下会分解产生单糖、双糖、有机酸、醇、醛类物质，就会发出酸味或酒味。
36.酿酒制醋工艺区别主要在发酵时的温度及发酵时接触空气的时间，众所周知，酿醋先酿酒，也就是说，将酒精发酵后的料液经过醋酸发酵，就可以将料液中的乙醇变为乙酸，也就是醋酸。
37.但是，现有的酿酒和酿醋发酵都是依靠物理装置，其并不能根据发酵的状态做出自适应调整，进而导致酿造的效果并不是特别理想。也就是，对于酿酒和酿醋而言，关键的要素是温度控制。具体地，对于微生物而言，不同温度下的活性不同，而不同阶段需要不同的微生物具有不同的活性。因此，需要一种酿制酒、醋的高效发酵装置以提高酿制酒、醋的发酵效率。
38.目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
39.近年来，深度学习以及神经网络的发展，为酿制酒、醋的高效发酵提供了解决思路和方案。
40.应可以理解，由于对于酿酒和酿醋而言，关键的要素是温度控制。对于微生物而言，不同温度下的活性不同，而发酵的不同阶段需要不同微生物具有不同的活性，这样才能提高酿制酒、醋的发酵效率。同时，考虑到随着酿造过程的深度，酿造物会产生不同的气味，因此，还需结合气味数据来辅助温度的动态调控，以更有效地提高酿造酒、醋的发酵效率与发酵准度。
41.基于此，本技术的申请人使用深度神经网络模型来从多个时间点的温度数据和气味数据中挖掘出其在统计学意义上的时间维度下的关联特征信息，以及从红外监控视频中挖掘出发酵微生物以及发酵产物的细微变化特征，然后通过分类器的分类来对发酵的温度进行动态调控，以提高酿制酒、醋的发酵效率。
42.具体地，在本技术的技术方案中，首先，通过部署于发酵设备内的温度传感器和气味传感器获取预定时间段内多个预定时间点的温度数据和气味数据，以及，通过部署于发酵设备内的红外摄像头获取酿造物在所述预定时间段的红外监控视频。在一个具体示例中，可以使用温度传感器ds18b20以及气体检测仪来对发酵装置内的温度和气味进行检测，并且由于发酵装置内没有可见光，因此选用红外摄像头采集酿造物的红外监控视频。
43.然后，将红外监控视频通过使用三维卷积核的第一卷积神经网络中进行处理，以更深层次的挖掘出监控视频中的图像帧的关于酿造物的局部特征在高维空间中的特征分布表示，从而获得第一特征向量。这样可以提取出酿造物在时序上的发酵细微动态变化特征，进而基于这种细微动态变化特征以更准确地进行后续温度的调整。
44.并且，还将预定时间段内多个预定时间点的温度数据和气味数据分别通过包含一维卷积层和全连接层的时序编码器以获得第二特征向量和第三特征向量。这样，不仅可以分别提取出各个预定时间点的温度数据以及气味数据的高维隐含特征，还能提取出各个预定时间点的温度数据间以及气味数据间的高维隐含关联特征。
45.进一步地，计算第一特征向量的转置向量与第二特征向量的乘积以获得第一特征矩阵。应可以理解，通过对第一特征向量中的各个位置的特征信息与第二特征向量中的各个位置的特征信息进行融合，以沿着文本的特定方向强化图像的编码来编码红外图像的相应属性，使之与温度相关的隐含关联特征信息得到凸显，有利于温度动态调整的准确性。
46.同时，计算第一特征向量的转置向量与所述第三特征向量的乘积以获得第二特征矩阵。也就是，通过将第一特征向量中的各个位置的特征信息和第三特征向量中的各个位置的特征信息进行融合，进而能够沿着文本的特定方向强化图像的编码来编码红外图像的相应属性，使之与气味相关的隐含关联特征信息得到凸显，有利于温度动态调整的准确性。
47.应可以理解，由于第一特征矩阵表达气味特征以及图像语义之间的时序按位置响应，而第二特征矩阵表达温度特征以及图像语义之间的时序按位置响应，由于时序按位置响应可能会产生一些离群响应(outlier response)，因此在融合第一特征矩阵和第二特征矩阵之前，首先对第一特征矩阵和第二特征矩阵进行重参数化，具体为：
[0048][0049]mi,j
表示特征矩阵的每个位置的特征值，且表示特征矩阵的所有位置的特征值的均值。
[0050]
这样，该重参数化通过将特征值解释为单变量差分的负对数来获得包含特殊分布的一般性概率分布，以保证样本中的特殊示例，即离群响应值对于分布整体的扰动的隐蔽性，这样，改进了第一特征矩阵和第二特征矩阵作为整体的概率表达上的确定性。
[0051]
进一步地，计算重参数化第一特征矩阵和重参数化第二特征矩阵的按位置加权和以获得分类特征矩阵。也就是，通过计算这两者的加权和，以控制最终特征矩阵中重参数化第一特征矩阵和重参数化第二特征矩阵之间的平衡，也就是，以实现最终特征矩阵中的表达气味的图像语义响应特征和表达温度的图像语义响应特征之间的平衡，进而使得以最终的分类特征矩阵得到的温度动态调整结果能够在包括酿造物的局部动态特征的基础上关注到酿造物的气味变化，以更有效地提高酿造酒、醋的发酵效率与发酵准度。
[0052]
基于此，本技术提出了一种酿制酒、醋的高效发酵装置，其包括：传感器单元，用于通过部署发酵罐内的温度传感器和气味传感器获取预定时间段内多个预定时间点的温度数据和气味数据，以及，通过部署于所述发酵罐内的红外摄像头获取酿造物在所述预定时间段的红外监控视频；三维卷积编码单元，用于将所述红外监控视频通过使用三维卷积核的第一卷积神经网络以获得第一特征向量；第一时序编码单元，用于将所述预定时间段内多个预定时间点的温度数据和气味数据分别通过包含一维卷积层和全连接层的时序编码器以获得第二特征向量和第三特征向量；第一联合编码单元，用于计算所述第一特征向量的转置向量与所述第二特征向量的乘积以获得第一特征矩阵；第二联合编码单元，用于计算所述第一特征向量的转置向量与所述第三特征向量的乘积以获得第二特征矩阵；重参数化单元，用于对所述第一特征矩阵和所述第二特征矩阵进行重参数化以获得重参数化第一特征矩阵和重参数化第二特征矩阵，其中，所述对所述第一特征矩阵和所述第二特征矩阵进行重参数化基于以所述第一特征矩阵或所述第二特征矩阵中各个位置的特征值为幂的自然指数函数值与以所述第一特征矩阵或所述第二特征矩阵中所有位置的特征值的均值为幂的自然指数函数值之差的对数函数值来进行；特征融合单元，用于计算所述重参数化第一特征矩阵和所述重参数化第二特征矩阵的按位置加权和以获得分类特征矩阵；以及，调控结果生成单元，用于将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示温度应增大或应减小。
[0053]
图1图示了根据本技术实施例的酿制酒、醋的高效发酵装置的应用场景图。如图1所示，在该应用场景中，首先，通过部署于发酵罐(例如，如图1中所示意的f)内的温度传感器(例如，如图1中所示意的t1)和气味传感器(例如，如图1中所示意的t2)获取预定时间段内多个预定时间点的温度数据和气味数据，以及，通过部署于所述发酵罐内的红外摄像头(例如，如图1中所示意的c)获取酿造物(例如，如图1中所示意的b)在所述预定时间段的红外监控视频。这里，所述温度传感器可以为ds18b20，并且所述气味传感器可以为气体检测仪。然后，将所述预定时间段内多个预定时间点的温度数据和气味数据以及所述预定时间段的红外监控视频输入至部署有酿制酒、醋的高效发酵算法的服务器中(例如，如图1中所示意的服务器s)，其中，所述服务器能够以酿制酒、醋的高效发酵算法对所述预定时间段内多个预定时间点的温度数据和气味数据以及所述预定时间段的红外监控视频进行处理，以生成用于表示温度应增大或应减小的分类结果。
[0054]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0055]
示例性系统
[0056]
图2a图示了根据本技术实施例的酿制酒、醋的高效发酵装置的框图。如图2a所示，根据本技术实施例的酿制酒、醋的高效发酵装置200，包括：传感器单元210，用于通过部署发酵罐内的温度传感器和气味传感器获取预定时间段内多个预定时间点的温度数据和气味数据，以及，通过部署于所述发酵罐内的红外摄像头获取酿造物在所述预定时间段的红外监控视频；三维卷积编码单元220，用于将所述红外监控视频通过使用三维卷积核的第一卷积神经网络以获得第一特征向量；第一时序编码单元230，用于将所述预定时间段内多个预定时间点的温度数据和气味数据分别通过包含一维卷积层和全连接层的时序编码器以获得第二特征向量和第三特征向量；第一联合编码单元240，用于计算所述第一特征向量的转置向量与所述第二特征向量的乘积以获得第一特征矩阵；第二联合编码单元250，用于计算所述第一特征向量的转置向量与所述第三特征向量的乘积以获得第二特征矩阵；重参数化单元260，用于对所述第一特征矩阵和所述第二特征矩阵进行重参数化以获得重参数化第一特征矩阵和重参数化第二特征矩阵，其中，所述对所述第一特征矩阵和所述第二特征矩阵进行重参数化基于以所述第一特征矩阵或所述第二特征矩阵中各个位置的特征值为幂的自然指数函数值与以所述第一特征矩阵或所述第二特征矩阵中所有位置的特征值的均值为幂的自然指数函数值之差的对数函数值来进行；特征融合单元270，用于计算所述重参数化第一特征矩阵和所述重参数化第二特征矩阵的按位置加权和以获得分类特征矩阵；以及，调控结果生成单元280，用于将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示温度应增大或应减小。
[0057]
具体地，在本技术实施例中，所述传感器单元210和所述三维卷积编码单元220，用于通过部署发酵罐内的温度传感器和气味传感器获取预定时间段内多个预定时间点的温度数据和气味数据，以及，通过部署于所述发酵罐内的红外摄像头获取酿造物在所述预定时间段的红外监控视频，并将所述红外监控视频通过使用三维卷积核的第一卷积神经网络以获得第一特征向量。如前所述，应可以理解，对于酿酒和酿醋而言，关键的要素是温度控制。对于微生物而言，不同温度下的活性不同，而发酵的不同阶段需要不同微生物具有不同的活性，这样才能提高酿制酒、醋的发酵效率。同时，考虑到随着酿造过程的深度，所示酿造物会产生不同的气味，因此，还需结合气味数据来辅助温度的动态调控，以更有效地提高酿造酒、醋的发酵效率与发酵准度。也就是，在本技术的技术方案中，使用所述深度神经网络模型来从所述多个时间点的温度数据和气味数据中挖掘出其在统计学意义上的时间维度下的关联特征信息，以及从所述红外监控视频中挖掘出发酵微生物以及发酵产物的细微变化特征，然后通过所述分类器的分类来对所述发酵的温度进行动态调控，以提高酿制酒、醋的发酵效率。
[0058]
具体地，在本技术的技术方案中，首先，通过部署于发酵罐内的所述温度传感器和所述气味传感器获取预定时间段内多个预定时间点的温度数据和气味数据，以及通过部署于所述发酵罐内的红外摄像头获取酿造物在所述预定时间段的红外监控视频。在一个具体示例中，可以使用温度传感器ds18b20以及气体检测仪来对所述发酵装置内的温度和气味进行检测，并且由于所述发酵装置内没有可见光，因此选用所述红外摄像头采集酿造物的红外监控视频。
[0059]
然后，将采集到的所述红外监控视频通过使用三维卷积核的第一卷积神经网络中
进行处理，以更深层次的挖掘出所述监控视频中的图像帧的关于酿造物的局部特征在高维空间中的特征分布表示，从而获得第一特征向量。这样可以提取出所述酿造物在时序上的发酵细微动态变化特征，进而基于这种所述细微动态变化特征以更准确地进行后续温度的调整。
[0060]
更具体地，在本技术实施例中，所述三维卷积编码单元，包括：使用所述三维卷积核的第一卷积神经网络以如下公式对所述红外监控视频进行处理以生成所述第一特征向量；
[0061]
其中，所述公式为：
[0062][0063]
其中，hj、wj和rj分别表示三维卷积核的长度、宽度和高度，m表示第(l-1)层特征图的个数，是与(l-1)层的第m个特征图相连的卷积核，b
lj
为偏置，f(
·
)表示激活函数。
[0064]
具体地，在本技术实施例中，所述第一时序编码单元230，用于将所述预定时间段内多个预定时间点的温度数据和气味数据分别通过包含一维卷积层和全连接层的时序编码器以获得第二特征向量和第三特征向量。也就是，在本技术的技术方案中，进一步将所述预定时间段内多个预定时间点的温度数据和气味数据分别通过包含一维卷积层和全连接层的时序编码器中进行时间维度的编码处理，以获得第二特征向量和第三特征向量。这样，不仅可以分别提取出所述各个预定时间点的温度数据以及气味数据的高维隐含特征，还能提取出所述各个预定时间点的温度数据间以及气味数据间的高维隐含关联特征。
[0065]
更具体地，所述第一时序编码单元，包括：首先，将所述预定时间段内多个预定时间点的温度数据按照时间维度排列为一维的温度输入向量；使用所述时序编码器的全连接层以如下公式对所述温度输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中x是输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘；使用所述时序编码器的一维卷积层以如下公式对所述温度输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
[0066][0067]
其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
[0068]
然后，将所述预定时间段内多个预定时间点的气味数据按照时间维度排列为一维的温度输入向量；使用所述时序编码器的全连接层以如下公式对所述气味输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中x是输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘；使用所述时序编码器的一维卷积层以如下公式对所述气味输入向量进行一维卷积
编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
[0069][0070]
其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
[0071]
图2b图示了根据本技术实施例的可穿戴式体液监测装置中第一时序编码单元的框图。如图2b所示，所述第一时序编码单元230，包括：第一排列子单元231，用于将所述预定时间段内多个预定时间点的温度数据按照时间维度排列为一维的温度输入向量。第一全连接子单元232，用于使用所述时序编码器的全连接层以如下公式对所述第一排列子单元231获得的所述温度输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中x是输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘。第一一维卷积子单元233，用语言使用所述时序编码器的一维卷积层以如下公式对所述第一排列子单元231获得的所述温度输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
[0072][0073]
其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。第二排列子单元234，用于将所述预定时间段内多个预定时间点的气味数据按照时间维度排列为一维的温度输入向量。第二全连接子单元235，用于使用所述第二排列子单元234获得的所述时序编码器的全连接层以如下公式对所述气味输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中x是输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘。第二一维卷积子单元236，用于使用所述第二排列子单元234获得的所述时序编码器的一维卷积层以如下公式对所述气味输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
[0074][0075]
其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
[0076]
具体地，在本技术实施例中，所述第一联合编码单元240，用于计算所述第一特征向量的转置向量与所述第二特征向量的乘积以获得第一特征矩阵。也就是，在本技术的技术方案中，为了融合所述红外图像特征与温度动态特征，进一步地，计算所述第一特征向量的转置向量与所述第二特征向量的乘积以获得所述第一特征矩阵。应可以理解，通过对所
述第一特征向量中的各个位置的特征信息与所述第二特征向量中的各个位置的特征信息进行融合，以沿着文本的特定方向强化图像的编码来编码红外图像的相应属性，使之与温度相关的隐含关联特征信息得到凸显，有利于温度动态调整的准确性。
[0077]
更具体地，在本技术实施例中，所述第一联合编码单元，进一步用于：以如下公式计算所述第一特征向量的转置向量与所述第二特征向量的乘积以获得所述第一特征矩阵；
[0078]
其中，所述公式为：
[0079][0080]
其中表示向量相乘，v1表示所述第一特征向量，v2表示所述第二特征向量，表示所述第一特征向量的转置向量。
[0081]
具体地，在本技术实施例中，所述第二联合编码单元250，用于计算所述第一特征向量的转置向量与所述第三特征向量的乘积以获得第二特征矩阵。也就是，在本技术的技术方案中，为了融合所述红外图像特征与气味动态特征，进一步地，计算所述第一特征向量的转置向量与所述第三特征向量的乘积以获得所述第二特征矩阵。应可以理解，通过对所述第一特征向量中的各个位置的特征信息与所述第三特征向量中的各个位置的特征信息进行融合，进而能够沿着文本的特定方向强化图像的编码来编码红外图像的相应属性，使之与气味相关的隐含关联特征信息得到凸显，有利于温度动态调整的准确性。
[0082]
具体地，在本技术实施例中，所述重参数化单元260，用于对所述第一特征矩阵和所述第二特征矩阵进行重参数化以获得重参数化第一特征矩阵和重参数化第二特征矩阵，其中，所述对所述第一特征矩阵和所述第二特征矩阵进行重参数化基于以所述第一特征矩阵或所述第二特征矩阵中各个位置的特征值为幂的自然指数函数值与以所述第一特征矩阵或所述第二特征矩阵中所有位置的特征值的均值为幂的自然指数函数值之差的对数函数值来进行。应可以理解，由于所述第一特征矩阵表达气味特征以及图像语义之间的时序按位置响应，而所述第二特征矩阵表达温度特征以及图像语义之间的时序按位置响应，由于所述时序按位置响应可能会产生一些离群响应(outlier response)，因此在融合所述第一特征矩阵和所述第二特征矩阵之前，首先对所述第一特征矩阵和所述第二特征矩阵进行重参数化。特别地，这样，该所述重参数化通过将所述特征值解释为单变量差分的负对数来获得包含特殊分布的一般性概率分布，以保证样本中的特殊示例，即离群响应值对于分布整体的扰动的隐蔽性，这样，改进了所述第一特征矩阵和所述第二特征矩阵作为整体的概率表达上的确定性。
[0083]
更具体地，在本技术实施例中，所述重参数化单元，进一步用于：以如下公式对所述第一特征矩阵和所述第二特征矩阵进行重参数化以获得所述重参数化第一特征矩阵和所述重参数化第二特征矩阵；
[0084]
其中，所述公式为：
[0085][0086]mi,j
表示所述特征矩阵的每个位置的特征值，且表示所述特征矩阵的所有位置的特征值的均值。
[0087]
具体地，在本技术实施例中，所述特征融合单元270和所述调控结果生成单元280，用于计算所述重参数化第一特征矩阵和所述重参数化第二特征矩阵的按位置加权和以获
得分类特征矩阵，并所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示温度应增大或应减小。也就是，在本技术的技术方案中，进一步地，计算所述重参数化第一特征矩阵和所述重参数化第二特征矩阵的按位置加权和以获得所述分类特征矩阵。也就是，通过计算这两者的加权和，以控制最终特征矩阵中所述重参数化第一特征矩阵和所述重参数化第二特征矩阵之间的平衡，也就是，以实现所述最终特征矩阵中的表达气味的图像语义响应特征和表达温度的图像语义响应特征之间的平衡，进而使得以最终的所述分类特征矩阵得到的温度动态调整结果能够在包括酿造物的局部动态特征的基础上关注到酿造物的气味变化，以更有效地提高酿造酒、醋的发酵效率与发酵准度。然后，将所述分类特征矩阵通过分类器就可以获得用于表示温度应增大或应减小的分类结果。
[0088]
更具体地，在本技术实施例中，所述调控结果生成单元，进一步用于：所述分类器以如下公式对所述分类特征矩阵进行处理以生成所述分类结果，其中，所述公式为：softmax{(wn,bn):
…
:(w1,b1)|project(f)}，其中project(f)表示将所述分类特征矩阵投影为向量，w1至wn为各层全连接层的权重矩阵，b1至bn表示各层全连接层的偏置矩阵。
[0089]
综上，基于本技术实施例的所述酿制酒、醋的高效发酵装置200被阐明，其通过使用三维卷积核的第一卷积神经网络挖掘出监控视频中的图像帧的关于酿造物的局部特征在高维空间中的特征分布表示，并通过时序编码器模型分别提取出各个预定时间点的温度数据以及气味数据在时序维度上的高维隐含关联特征，这样，在进行特征信息融合后，进一步对其进行重参数化以通过将所述特征值解释为单变量差分的负对数来获得包含特殊分布的一般性概率分布以保证样本中的特殊示例，这样，改进了所述第一特征矩阵和所述第二特征矩阵作为整体的概率表达上的确定性。通过这样的方式，基于所述酿造设备内酿造物的实时情况来智能地调节温度，以使得做调节的温度适配于不同阶段对于不同微生物的活性要求，以此来提高酿造酒、醋的发酵效率与发酵准度。
[0090]
如上所述，根据本技术实施例的酿制酒、醋的高效发酵装置200可以实现在各种终端设备中，例如酿制酒、醋的高效发酵算法的服务器等。在一个示例中，根据本技术实施例的酿制酒、醋的高效发酵装置200可以作为一个软件模块和/或硬件模块而集成到发酵罐中。例如，该酿制酒、醋的高效发酵装置200可以是该发酵罐的操作系统中的一个软件模块，或者可以是针对于该发酵罐所开发的一个应用程序；当然，该酿制酒、醋的高效发酵装置200同样可以是该发酵罐的众多硬件模块之一。
[0091]
替换地，在另一示例中，该酿制酒、醋的高效发酵装置200与该发酵罐也可以是分立的设备，并且该酿制酒、醋的高效发酵装置200可以通过有线和/或无线网络连接到该发酵罐，并且按照约定的数据格式来传输交互信息。
[0092]
示例性方法
[0093]
图3图示了酿制酒、醋的高效发酵装置的发酵控制方法的流程图。如图3所示，根据本技术实施例的酿制酒、醋的高效发酵装置的发酵控制方法，包括步骤：s110，通过部署发酵罐内的温度传感器和气味传感器获取预定时间段内多个预定时间点的温度数据和气味数据，以及，通过部署于所述发酵罐内的红外摄像头获取酿造物在所述预定时间段的红外监控视频；s120，将所述红外监控视频通过使用三维卷积核的第一卷积神经网络以获得第一特征向量；s130，将所述预定时间段内多个预定时间点的温度数据和气味数据分别通过包含一维卷积层和全连接层的时序编码器以获得第二特征向量和第三特征向量；s140，计
算所述第一特征向量的转置向量与所述第二特征向量的乘积以获得第一特征矩阵；s150，计算所述第一特征向量的转置向量与所述第三特征向量的乘积以获得第二特征矩阵；s160，对所述第一特征矩阵和所述第二特征矩阵进行重参数化以获得重参数化第一特征矩阵和重参数化第二特征矩阵，其中，所述对所述第一特征矩阵和所述第二特征矩阵进行重参数化基于以所述第一特征矩阵或所述第二特征矩阵中各个位置的特征值为幂的自然指数函数值与以所述第一特征矩阵或所述第二特征矩阵中所有位置的特征值的均值为幂的自然指数函数值之差的对数函数值来进行；s170，计算所述重参数化第一特征矩阵和所述重参数化第二特征矩阵的按位置加权和以获得分类特征矩阵；以及，s180，将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示温度应增大或应减小。
[0094]
图4图示了根据本技术实施例的酿制酒、醋的高效发酵装置的发酵控制方法的架构示意图。如图4所示，在所述酿制酒、醋的高效发酵装置的发酵控制方法的网络架构中，首先，将所述红外监控视频(例如，如图4中所示意的p1)通过使用三维卷积核的第一卷积神经网络(例如，如图4中所示意的cnn1)以获得第一特征向量(例如，如图4中所示意的vf1)；接着，将所述预定时间段内多个预定时间点的温度数据(例如，如图4中所示意的q1)和气味数据(例如，如图4中所示意的q2)分别通过包含一维卷积层和全连接层的时序编码器(例如，如图4中所示意的e)以获得第二特征向量(例如，如图4中所示意的vf2)和第三特征向量(例如，如图4中所示意的vf3)；然后，计算所述第一特征向量的转置向量与所述第二特征向量的乘积以获得第一特征矩阵(例如，如图4中所示意的mf1)；接着，计算所述第一特征向量的转置向量与所述第三特征向量的乘积以获得第二特征矩阵(例如，如图4中所示意的mf2)；然后，对所述第一特征矩阵和所述第二特征矩阵进行重参数化以获得重参数化第一特征矩阵(例如，如图4中所示意的m1)和重参数化第二特征矩阵(例如，如图4中所示意的m2)；接着，计算所述重参数化第一特征矩阵和所述重参数化第二特征矩阵的按位置加权和以获得分类特征矩阵(例如，如图4中所示意的mf)；以及，最后，将所述分类特征矩阵通过分类器(例如，如图4中所示意的分类器)以获得分类结果，所述分类结果用于表示温度应增大或应减小。
[0095]
更具体地，在步骤s110和s120中，通过部署发酵罐内的温度传感器和气味传感器获取预定时间段内多个预定时间点的温度数据和气味数据，以及，通过部署于所述发酵罐内的红外摄像头获取酿造物在所述预定时间段的红外监控视频，并将所述红外监控视频通过使用三维卷积核的第一卷积神经网络以获得第一特征向量。也就是，在本技术的技术方案中，首先，通过部署于发酵罐内的所述温度传感器和所述气味传感器获取预定时间段内多个预定时间点的温度数据和气味数据，以及通过部署于所述发酵罐内的红外摄像头获取酿造物在所述预定时间段的红外监控视频。在一个具体示例中，可以使用温度传感器ds18b20以及气体检测仪来对所述发酵装置内的温度和气味进行检测，并且由于所述发酵装置内没有可见光，因此选用所述红外摄像头采集酿造物的红外监控视频。
[0096]
然后，将采集到的所述红外监控视频通过使用三维卷积核的第一卷积神经网络中进行处理，以更深层次的挖掘出所述监控视频中的图像帧的关于酿造物的局部特征在高维空间中的特征分布表示，从而获得第一特征向量。这样可以提取出所述酿造物在时序上的发酵细微动态变化特征，进而基于这种所述细微动态变化特征以更准确地进行后续温度的调整。
[0097]
更具体地，在步骤s130中，将所述预定时间段内多个预定时间点的温度数据和气味数据分别通过包含一维卷积层和全连接层的时序编码器以获得第二特征向量和第三特征向量。也就是，在本技术的技术方案中，进一步将所述预定时间段内多个预定时间点的温度数据和气味数据分别通过包含一维卷积层和全连接层的时序编码器中进行时间维度的编码处理，以获得第二特征向量和第三特征向量。这样，不仅可以分别提取出所述各个预定时间点的温度数据以及气味数据的高维隐含特征，还能提取出所述各个预定时间点的温度数据间以及气味数据间的高维隐含关联特征。
[0098]
更具体地，在步骤s140中，计算所述第一特征向量的转置向量与所述第二特征向量的乘积以获得第一特征矩阵。也就是，在本技术的技术方案中，为了融合所述红外图像特征与温度动态特征，进一步地，计算所述第一特征向量的转置向量与所述第二特征向量的乘积以获得所述第一特征矩阵。应可以理解，通过对所述第一特征向量中的各个位置的特征信息与所述第二特征向量中的各个位置的特征信息进行融合，以沿着文本的特定方向强化图像的编码来编码红外图像的相应属性，使之与温度相关的隐含关联特征信息得到凸显，有利于温度动态调整的准确性。
[0099]
更具体地，在步骤s150和步骤s160中，计算所述第一特征向量的转置向量与所述第三特征向量的乘积以获得第二特征矩阵。也就是，在本技术的技术方案中，为了融合所述红外图像特征与气味动态特征，进一步地，计算所述第一特征向量的转置向量与所述第三特征向量的乘积以获得所述第二特征矩阵。应可以理解，通过对所述第一特征向量中的各个位置的特征信息与所述第三特征向量中的各个位置的特征信息进行融合，进而能够沿着文本的特定方向强化图像的编码来编码红外图像的相应属性，使之与气味相关的隐含关联特征信息得到凸显，有利于温度动态调整的准确性。
[0100]
更具体地，在步骤s160中，对所述第一特征矩阵和所述第二特征矩阵进行重参数化以获得重参数化第一特征矩阵和重参数化第二特征矩阵，其中，所述对所述第一特征矩阵和所述第二特征矩阵进行重参数化基于以所述第一特征矩阵或所述第二特征矩阵中各个位置的特征值为幂的自然指数函数值与以所述第一特征矩阵或所述第二特征矩阵中所有位置的特征值的均值为幂的自然指数函数值之差的对数函数值来进行。应可以理解，由于所述第一特征矩阵表达气味特征以及图像语义之间的时序按位置响应，而所述第二特征矩阵表达温度特征以及图像语义之间的时序按位置响应，由于所述时序按位置响应可能会产生一些离群响应(outlier response)，因此在融合所述第一特征矩阵和所述第二特征矩阵之前，首先对所述第一特征矩阵和所述第二特征矩阵进行重参数化。特别地，这样，该所述重参数化通过将所述特征值解释为单变量差分的负对数来获得包含特殊分布的一般性概率分布，以保证样本中的特殊示例，即离群响应值对于分布整体的扰动的隐蔽性，这样，改进了所述第一特征矩阵和所述第二特征矩阵作为整体的概率表达上的确定性。
[0101]
更具体地，在步骤s170和步骤s180中，计算所述重参数化第一特征矩阵和所述重参数化第二特征矩阵的按位置加权和以获得分类特征矩阵，并将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示温度应增大或应减小。也就是，在本技术的技术方案中，进一步地，计算所述重参数化第一特征矩阵和所述重参数化第二特征矩阵的按位置加权和以获得所述分类特征矩阵。也就是，通过计算这两者的加权和，以控制最终特征矩阵中所述重参数化第一特征矩阵和所述重参数化第二特征矩阵之间的平衡，也就是，以
实现所述最终特征矩阵中的表达气味的图像语义响应特征和表达温度的图像语义响应特征之间的平衡，进而使得以最终的所述分类特征矩阵得到的温度动态调整结果能够在包括酿造物的局部动态特征的基础上关注到酿造物的气味变化，以更有效地提高酿造酒、醋的发酵效率与发酵准度。然后，将所述分类特征矩阵通过分类器就可以获得用于表示温度应增大或应减小的分类结果。
[0102]
综上，基于本技术实施例的所述酿制酒、醋的高效发酵装置的发酵控制方法被阐明，其通过使用三维卷积核的第一卷积神经网络挖掘出监控视频中的图像帧的关于酿造物的局部特征在高维空间中的特征分布表示，并通过时序编码器模型分别提取出各个预定时间点的温度数据以及气味数据在时序维度上的高维隐含关联特征，这样，在进行特征信息融合后，进一步对其进行重参数化以通过将所述特征值解释为单变量差分的负对数来获得包含特殊分布的一般性概率分布，以保证样本中的特殊示例，这样，改进了所述第一特征矩阵和所述第二特征矩阵作为整体的概率表达上的确定性。进而，能够更有效地提高酿造酒、醋的发酵效率与发酵准度。
[0103]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0104]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0105]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0106]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0107]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。