水产品加工控制系统及其方法与流程

1.本技术涉及食品加工技术领域，且更为具体地，涉及一种水产品加工控制系统及其方法。


背景技术：

2.水产品是海洋和淡水渔业生产的水产动植物产品及其加工产品的总称，由于水产品在潮湿的环境中容易滋生细菌和霉菌，导致产品变质、发臭，影响产品的质量和口感，通常将水产品进行清洗腌制等处理后烘干储存，以延长保存时间。
3.目前，市场上通常采用烘干机对水产品进行烘干，烘干速率是烘干过程中的重要参数。如果烘干速率过慢，可能会导致水产品长时间暴露在高温高湿的环境中，从而容易滋生细菌和霉菌，影响产品的卫生和安全。而烘干速率太快，可能导致产品表面出现裂纹或变形等问题，还可能造成表面已经烘干，而内部仍未烘干的现象，从而引起内部腐败。
4.因此，期待一种水产品加工控制系统及其方法。


技术实现要素：

5.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水产品加工控制系统及其方法，其首先获取预定时间段内多个预定时间点的水产品的红外光谱图，对图像降噪处理后使用双流网络模型提取多尺度特征，并使用空间注意力机制的第一卷积神经网络模型进一步增强特征表达，最后，使用分类器对特征进行分类，以确定当前时间点烘干机的功率应增大或减小。这样，可以实现对烘干机功率的自动调节，从而提高烘干速率的准确性和稳定性，避免水产品变质和腐败。
6.相应地，根据本技术的一个方面，提供了一种水产品加工控制系统，其包括：光谱数据采集模块，用于获取预定时间段内多个预定时间点的水产品的红外光谱图，所述红外光谱图为与水相关的特定波长下的光谱图像；降噪模块，用于将所述多个预定时间点的红外光谱图通过基于自动编解码器的图像降噪器以得到多个降噪后红外光谱图；多尺度关联特征提取模块，用于将所述多个降噪后红外光谱图通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到第一特征图和第二特征图，再融合所述第一特征图和所述第二特征图以得到多个多尺度关联特征图，其中，所述第一卷积神经网络使用具有第一尺度的二维卷积核，所述第二卷积神经网络使用具有第二尺度的二维卷积核；水分变化模块，用于计算所述多个多尺度关联特征图中每相邻两个时间点的多尺度关联特征图之间的差分以得到多个多尺度差分特征图；水分变化特征提取模块，用于将所述多个多尺度差分特征图通过使用空间注意力机制的第三卷积神经网络模型以得到多个增强差分特征向量；融合模块，用于将所述多个增强差分特征向量进行级联以得到分类特征向量；以及控制结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点烘干机的功率应增大或减小。
7.在上述水产品加工控制系统中，所述降噪模块，包括：编码单元，用于将所述多个
预定时间点的红外光谱图输入所述图像降噪器的编码器，其中，所述编码器使用卷积层对所述多个预定时间点的红外光谱图进行显式空间编码以得到多个红外光谱特征图；以及，解码单元，用于将所述多个红外光谱特征图输入所述图像降噪器的解码器，其中，所述解码器使用反卷积层对所述多个红外光谱特征图进行反卷积处理以得到所述多个降噪后红外光谱图。
8.在上述水产品加工控制系统中，所述多尺度关联特征提取模块，包括：第一尺度特征提取单元，用于使用所述使用具有第一尺度的二维卷积核的第一卷积神经网络在层的正向传递中对输入数据分别进行：对所述输入数据进行二维卷积处理、均值池化处理和非线性激活处理以得到第一特征图；第二尺度特征提取单元，用于使用所述使用具有第二尺度的二维卷积核的第二卷积神经网络在层的正向传递中对输入数据分别进行：对所述输入数据进行二维卷积处理、均值池化处理和非线性激活处理以得到第二特征图；以及，融合单元，用于将所述第一特征图和所述第二特征图按位置相加以得到所述多尺度关联特征图。
9.在上述水产品加工控制系统中，所述水分变化模块，用于：以如下差分公式计算所述多个多尺度关联特征图中每相邻两个时间点的多尺度关联特征图之间的差分以得到多个多尺度差分特征图；其中，所述差分公式为：其中，、表示所述多个多尺度关联特征图中每相邻两个时间点的多尺度关联特征图，表示所述多个多尺度差分特征图，表示按位置差分。
10.在上述水产品加工控制系统中，所述水分变化特征提取模块，包括：深度卷积编码单元，用于使用所述第三卷积神经网络模型的卷积编码部分对所述多尺度差分特征图进行深度卷积编码以得到初始卷积特征图；注意力图生成单元，用于将所述初始卷积特征图输入所述第三卷积神经网络模型的空间注意力部分以得到空间注意力图；注意力计算单元，用于将所述空间注意力图通过softmax激活函数以得到空间注意力特征图；注意力施加单元，用于计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到增强差分特征图；以及，池化单元，用于对所述增强差分特征图进行沿通道维度的各个特征矩阵的均值池化处理以得到所述增强差分特征向量。
11.在上述水产品加工控制系统中，所述控制结果生成模块，包括：全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。
12.在上述水产品加工控制系统中，还包括用于对所述基于自动编解码器的图像降噪器、所述包含第一卷积神经网络和第二卷积神经网络的双流网络模型、所述使用空间注意力机制的第三卷积神经网络模型和所述分类器进行训练的训练模块；其中，所述训练模块，包括：训练光谱数据采集单元，用于获取预定时间段内多个预定时间点的水产品的训练红外光谱图，以及，当前时间点烘干机的功率应增大或减小的真实值；训练降噪单元，用于将所述多个预定时间点的训练红外光谱图通过所述基于自动编解码器的图像降噪器以得到多个训练降噪后红外光谱图；训练多尺度关联特征提取单元，用于将所述多个训练降噪后红外光谱图通过所述包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到训练第一特征图和训练第二特征图，再融合所述训练第一特征图和所述训练第二特征图以
得到多个训练多尺度关联特征图，其中，所述第一卷积神经网络使用具有第一尺度的二维卷积核，所述第二卷积神经网络使用具有第二尺度的二维卷积核；训练水分变化单元，用于计算所述多个训练多尺度关联特征图中每相邻两个时间点的多尺度关联特征图之间的差分以得到多个训练多尺度差分特征图；训练水分变化特征提取单元，用于将所述多个训练多尺度差分特征图通过使用空间注意力机制的第三卷积神经网络模型以得到多个训练增强差分特征向量；训练融合单元，用于将所述多个训练增强差分特征向量进行级联以得到训练分类特征向量；分类损失单元，用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值；总参数概率性损失计算单元，用于计算所述训练分类特征向量的总参数概率性损失值；以及，模型训练单元，用于以所述分类损失函数值和所述总参数概率性损失值的加权和作为损失函数值对所述基于自动编解码器的图像降噪器、所述包含第一卷积神经网络和第二卷积神经网络的双流网络模型、所述使用空间注意力机制的第三卷积神经网络模型和所述分类器进行训练。
13.在上述水产品加工控制系统中，所述总参数概率性损失计算单元，包括：后验概率计算子单元，用于计算所述训练分类特征向量属于各个类别的后验概率；损失值计算子单元，用于计算所述训练分类特征向量属于各个类别的参数概率性损失值，其中，所述参数概率性损失值用于表示所述训练分类特征向量被错误地分到类别的分类损失值；以及，总参数概率性损失值计算子单元，用于基于所述后验概率和所述参数概率性损失值计算所述训练分类特征向量的总参数概率性损失值。
14.在上述水产品加工控制系统中，所述总参数概率性损失值计算子单元，用于：基于所述后验概率和所述参数概率性损失值，以如下损失公式计算所述训练分类特征向量的所述总参数概率性损失值；其中，所述损失公式为：其中，是类别标签，是所述训练分类特征向量，是所述各个类别的参数概率性损失值，是所述各个类别的后验概率，为类别标签的总数，表示所述训练分类特征向量的所述总参数概率性损失值。
15.根据本技术的另一个方面，提供了一种水产品加工控制方法，其包括：获取预定时间段内多个预定时间点的水产品的红外光谱图，所述红外光谱图为与水相关的特定波长下的光谱图像；将所述多个预定时间点的红外光谱图通过基于自动编解码器的图像降噪器以得到多个降噪后红外光谱图；将所述多个降噪后红外光谱图通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到第一特征图和第二特征图，再融合所述第一特征图和所述第二特征图以得到多个多尺度关联特征图，其中，所述第一卷积神经网络使用具有第一尺度的二维卷积核，所述第二卷积神经网络使用具有第二尺度的二维卷积核；计算所述多个多尺度关联特征图中每相邻两个时间点的多尺度关联特征图之间的差分以得到多个多尺度差分特征图；将所述多个多尺度差分特征图通过使用空间注意力机制的第三卷积神经网络模型以得到多个增强差分特征向量；将所述多个增强差分特征向量进行级联以得到分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点烘干机的功率应增大或减小。
16.与现有技术相比，本技术提供的水产品加工控制系统及其方法，其首先获取预定时间段内多个预定时间点的水产品的红外光谱图，对图像降噪处理后使用双流网络模型提取多尺度特征，并使用空间注意力机制的第一卷积神经网络模型进一步增强特征表达，最后，使用分类器对特征进行分类，以确定当前时间点烘干机的功率应增大或减小。这样，可以实现对烘干机功率的自动调节，从而提高烘干速率的准确性和稳定性，避免水产品变质和腐败。
附图说明
17.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。
18.图1为根据本技术实施例的水产品加工控制系统的框图。
19.图2为根据本技术实施例的水产品加工控制系统的架构示意图。
20.图3为根据本技术实施例的水产品加工控制系统中降噪模块的框图。
21.图4为根据本技术实施例的水产品加工控制系统中多尺度关联特征提取模块的框图。
22.图5为根据本技术实施例的水产品加工控制系统中水分变化特征提取模块的框图。
23.图6为根据本技术实施例的水产品加工控制系统中训练模块的框图。
24.图7为根据本技术实施例的水产品加工控制方法的流程图。
具体实施方式
25.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。
26.申请概述：如上所述，由于水产品在潮湿的环境中容易滋生细菌和霉菌，导致产品变质、发臭，影响产品的质量和口感，为了延长水产品的保存时间，通常将水产品进行清洗腌制等处理后烘干储存。目前，市场上通常采用烘干机对水产品进行烘干，而烘干速率是影响烘干效果的重要因素。如果烘干速率过慢，可能会导致水产品长时间暴露在高温高湿的环境中，从而容易滋生细菌和霉菌。而烘干速率太快，可能造成表面已经烘干，而内部仍未烘干的现象，从而引起内部腐败。因此，期待一种水产品加工控制系统及其方法。
27.针对上述问题，可以根据水产品中的水分含量来控制烘干速率。但是，现有对水产品中水分含量的检测大多数都是依靠肉眼对产品的颜色、品质进行观测，这样不仅效率低下而且误检率较高。并且，人工检测时不可避免地会接触到水产品，可能会造成对水产品的污染。
28.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、语音信号处理等领域。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。
29.近年来，深度学习以及神经网络的发展为水产品的烘干控制提供了新的解决思路和方案。
30.相应地，红外光谱技术是一种常用的分析技术，它可以用来检测物质的化学成分和结构。当物质受到红外辐射时，会吸收特定波长的红外光，吸收的波长与物质的分子结构和化学成分有关，通过测量物质在不同波长下的吸收情况，可以确定物质的成分和结构。因此，红外光谱技术的迅速发展，使其在食品安全领域有广泛的应用。
31.基于此，在本技术的技术方案中，可以采用红外光谱成像技术来进行水产品中水分含量的检测。为了获取水产品在烘干过程中水分含量的变化信息，在本技术的技术方案中，首先，获取预定时间段内多个预定时间点的水产品的红外光谱图，对图像降噪处理后使用双流网络模型提取多尺度特征，并通过空间注意力机制的第一卷积神经网络模型进一步增强特征表达，最后，使用分类器对特征进行分类，以确定当前时间点烘干机的功率应增大或减小。这样，可以实现对烘干机功率的自动调节，从而提高烘干速率的准确性和稳定性，避免水产品变质和腐败。
32.具体地，在本技术的技术方案中，首先，通过红外光谱仪获取预定时间段内多个预定时间点的水产品的红外光谱图，所述红外光谱图为与水相关的特定波长下的光谱图像。考虑到，在实际应用中，红外光谱图可能会受到多种因素的影响，例如仪器噪声、环境干扰等，这些因素会导致光谱图中出现噪声和干扰，影响光谱图的质量和准确性。因此，为了提高光谱图的质量和准确性，需要对光谱图进行降噪处理。基于自动编解码器的图像降噪器是一种常用的图像降噪方法，它可以通过学习光谱图的特征，自动去除光谱图中的噪声和干扰。通过将多个预定时间点的红外光谱图通过基于自动编解码器的图像降噪器进行降噪处理，以去除光谱图中的噪声和干扰，提高光谱图的质量和准确性，从而更好地反映水产品中的水分含量。
33.考虑到降噪后的红外光谱图像在不同的尺度上存在着不同的特征分布，为了更全面地理解和描述图像的特征信息，进一步使用包含第一卷积神经网络和第二卷积神经网络的双流网络模型来进行特征提取。双流网络模型可以分别处理不同的特征图，从而避免在处理过程中丢失重要的信息，以提高分类和识别的准确性。具体地，通过双流网络模型的卷积处理以得到第一特征图和第二特征图，再融合所述第一特征图和所述第二特征图以得到多尺度关联特征图，从而得到更全面的特征信息。
34.为了提取水产品中的水分含量变化的信息，需要对多个时间点的多尺度关联特征图进行比较。具体地，通过计算相邻两个时间点的多尺度关联特征图之间的差分，以得到多个多尺度差分特征图，从而更好地捕捉水分含量变化的信息，以提高检测的准确性和鲁棒性。
35.考虑到所述多尺度差分特征图在不同的空间位置上具有着不同的隐藏特征。因此，在本技术的技术方案中，将所述多尺度差分特征图作为图像数据，并使用具有空间注意力机制的第三卷积神经网络模型作为特征提取器来提取所述多尺度差分特征图基于空间位置的高维局部隐含特征分布信息，从而得到多个增强差分特征向量。同时，空间注意力机制可以使网络更加关注重要的特征区域，减少无关信息的干扰，从而提高特征提取的效率和精度。
36.为了充分利用所述多个增强差分特征向量中包含的特征信息，将所述多个增强差
分特征向量进行融合，以得到一个综合的分类特征向量，再进一步将所述分类特征向量通过分类器进行分类处理。分类器可以根据训练数据集中的样本特征和标签信息，学习到特征向量与烘干机功率之间的关系，从而根据当前时间点的特征向量，预测出烘干机应该增大或减小功率。这样可以实现对烘干机的智能控制，提高生产效率和产品质量。
37.特别地，在本技术的技术方案中，考虑到在训练模型时，数据中常常存在误差、噪声和不确定性，这些因素可能会影响模型的性能和准确性。因此，如果能够进一步地，考虑到数据的不确定性，将其纳入模型训练过程中进行优化，从而可以减少数据中的噪声和不确定因素，提高模型的鲁棒性和应用效果。同时，考虑在实际推断时，面临的数据往往是不完美的，存在着多样性和复杂性。如果能够平衡模型对数据的拟合程度和不确定性，也能更好地应对复杂的数据情况，提高模型的可靠性和预测能力。
38.基于此，在本技术的技术方案中，计算训练分类特征向量的参数概率性损失函数值，包括：计算所述训练分类特征向量属于各个类别的后验概率，其中，是类别标签，是所述训练分类特征向量；计算所述训练分类特征向量属于各个类别的参数概率性损失值，其中，所述参数概率性损失值用于表示所述训练分类特征向量被错误地分到类别的分类损失值；基于所述后验概率和所述参数概率性损失值，以如下公式计算所述训练分类特征向量的总参数概率性损失值，其中，所述公式为：，为类别标签的总数。
39.计算训练分类特征向量的参数概率性损失函数值，相当于在特征编码和特征分类解码之间引入一个隐变量层，使得所述训练分类特征向量服从高斯分布或其他先验分布，并最小化重构误差和隐变量的先验分布与后验分布之间的散度，通过这样的方式，可以反映模型对数据的不确定性，可以避免过拟合和欠拟合的问题，从而提高模型的泛化能力，降低测试误差，增强模型的表达能力，捕捉数据的多样性和复杂性。
40.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。
41.示例性系统：图1为根据本技术实施例的水产品加工控制系统的框图。如图1所示，根据本技术实施例的水产品加工控制系统100，包括：光谱数据采集模块110，用于获取预定时间段内多个预定时间点的水产品的红外光谱图，所述红外光谱图为与水相关的特定波长下的光谱图像；降噪模块120，用于将所述多个预定时间点的红外光谱图通过基于自动编解码器的图像降噪器以得到多个降噪后红外光谱图；多尺度关联特征提取模块130，用于将所述多个降噪后红外光谱图通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到第一特征图和第二特征图，再融合所述第一特征图和所述第二特征图以得到多个多尺度关联特征图，其中，所述第一卷积神经网络使用具有第一尺度的二维卷积核，所述第二卷积神经网络使用具有第二尺度的二维卷积核；水分变化模块140，用于计算所述多个多尺度关联特征图中每相邻两个时间点的多尺度关联特征图之间的差分以得到多个多尺度差分特征图；水分变化特征提取模块150，用于将所述多个多尺度差分特征图通过使用空间注意力机制的第三卷积神经网络模型以得到多个增强差分特征向量；融合模块160，用于将所述多个增强差分特征向量进行级联以得到分类特征向量；以及，控制结果生成模块170，
用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点烘干机的功率应增大或减小。
42.图2为根据本技术实施例的水产品加工控制系统的架构示意图。如图2所示，首先，获取预定时间段内多个预定时间点的水产品的红外光谱图，所述红外光谱图为与水相关的特定波长下的光谱图像。接着，将所述多个预定时间点的红外光谱图通过基于自动编解码器的图像降噪器以得到多个降噪后红外光谱图。然后，将所述多个降噪后红外光谱图通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到第一特征图和第二特征图，再融合所述第一特征图和所述第二特征图以得到多个多尺度关联特征图，其中，所述第一卷积神经网络使用具有第一尺度的二维卷积核，所述第二卷积神经网络使用具有第二尺度的二维卷积核。继而，计算所述多个多尺度关联特征图中每相邻两个时间点的多尺度关联特征图之间的差分以得到多个多尺度差分特征图。接着，将所述多个多尺度差分特征图通过使用空间注意力机制的第三卷积神经网络模型以得到多个增强差分特征向量。然后，将所述多个增强差分特征向量进行级联以得到分类特征向量。最后，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点烘干机的功率应增大或减小。
43.在上述水产品加工控制系统100中，所述光谱数据采集模块110，用于获取预定时间段内多个预定时间点的水产品的红外光谱图，所述红外光谱图为与水相关的特定波长下的光谱图像。如上所述，为了延长水产品的保存时间，通常将水产品进行清洗腌制等处理后烘干储存。目前，市场上通常采用烘干机对水产品进行烘干，但烘干速率过快或过慢都会对烘干效果产生不利影响。因此，需要根据水产品中的水分含量来控制烘干速率。但是，现有对水产品中水分含量的检测大多数都是依靠肉眼对产品的颜色、品质进行观测，这样不仅效率低下而且误检率较高。并且，人工检测时不可避免地会接触到水产品，可能会造成对水产品的污染。
44.相应地，红外光谱技术是一种常用的分析技术，它可以用来检测物质的化学成分和结构。当物质受到红外辐射时，会吸收特定波长的红外光，吸收的波长与物质的分子结构和化学成分有关，通过测量物质在不同波长下的吸收情况，可以确定物质的成分和结构。基于此，在本技术的技术方案中，可以采用红外光谱成像技术来进行水产品中水分含量的检测。具体地，通过红外光谱仪获取预定时间段内多个预定时间点的水产品的红外光谱图，所述红外光谱图为与水相关的特定波长下的光谱图像。
45.在上述水产品加工控制系统100中，所述降噪模块120，用于将所述多个预定时间点的红外光谱图通过基于自动编解码器的图像降噪器以得到多个降噪后红外光谱图。考虑到，在实际应用中，红外光谱图可能会受到多种因素的影响，例如仪器噪声、环境干扰等，这些因素会导致光谱图中出现噪声和干扰，影响光谱图的质量和准确性。因此，为了提高光谱图的质量和准确性，需要对光谱图进行降噪处理。基于自动编解码器的图像降噪器是一种常用的图像降噪方法，它可以通过学习光谱图的特征，自动去除光谱图中的噪声和干扰。通过将多个预定时间点的红外光谱图通过基于自动编解码器的图像降噪器进行降噪处理，以去除光谱图中的噪声和干扰，提高光谱图的质量和准确性，从而更好地反映水产品中的水分含量。
46.图3为根据本技术实施例的水产品加工控制系统中降噪模块的框图。如图3所示，
所述降噪模块120，包括：编码单元121，用于将所述多个预定时间点的红外光谱图输入所述图像降噪器的编码器，其中，所述编码器使用卷积层对所述多个预定时间点的红外光谱图进行显式空间编码以得到多个红外光谱特征图；以及，解码单元122，用于将所述多个红外光谱特征图输入所述图像降噪器的解码器，其中，所述解码器使用反卷积层对所述多个红外光谱特征图进行反卷积处理以得到所述多个降噪后红外光谱图。
47.在上述水产品加工控制系统100中，所述多尺度关联特征提取模块130，用于将所述多个降噪后红外光谱图通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到第一特征图和第二特征图，再融合所述第一特征图和所述第二特征图以得到多个多尺度关联特征图，其中，所述第一卷积神经网络使用具有第一尺度的二维卷积核，所述第二卷积神经网络使用具有第二尺度的二维卷积核。考虑到降噪后的红外光谱图像在不同的尺度上存在着不同的特征分布，为了更全面地理解和描述图像的特征信息，进一步使用包含第一卷积神经网络和第二卷积神经网络的双流网络模型来进行特征提取。双流网络模型可以分别处理不同的特征图，从而避免在处理过程中丢失重要的信息，以提高分类和识别的准确性。具体地，通过双流网络模型的卷积处理以得到第一特征图和第二特征图，再融合所述第一特征图和所述第二特征图以得到多尺度关联特征图，从而得到更全面的特征信息。
48.图4为根据本技术实施例的水产品加工控制系统中多尺度关联特征提取模块的框图。如图4所示，所述多尺度关联特征提取模块130，包括：第一尺度特征提取单元131，用于使用所述使用具有第一尺度的二维卷积核的第一卷积神经网络在层的正向传递中对输入数据分别进行：对所述输入数据进行二维卷积处理、均值池化处理和非线性激活处理以得到第一特征图；第二尺度特征提取单元132，用于使用所述使用具有第二尺度的二维卷积核的第二卷积神经网络在层的正向传递中对输入数据分别进行：对所述输入数据进行二维卷积处理、均值池化处理和非线性激活处理以得到第二特征图；以及，融合单元133，用于将所述第一特征图和所述第二特征图按位置相加以得到所述多尺度关联特征图。
49.在上述水产品加工控制系统100中，所述水分变化模块140，用于计算所述多个多尺度关联特征图中每相邻两个时间点的多尺度关联特征图之间的差分以得到多个多尺度差分特征图。为了提取水产品中的水分含量变化的信息，需要对多个时间点的多尺度关联特征图进行比较。具体地，通过计算相邻两个时间点的多尺度关联特征图之间的差分，以得到多个多尺度差分特征图，从而更好地捕捉水分含量变化的信息，以提高检测的准确性和鲁棒性。
50.相应地，在一个具体示例中，所述水分变化模块140，用于：以如下差分公式计算所述多个多尺度关联特征图中每相邻两个时间点的多尺度关联特征图之间的差分以得到多个多尺度差分特征图；其中，所述差分公式为：其中，、表示所述多个多尺度关联特征图中每相邻两个时间点的多尺度关联特征图，表示所述多个多尺度差分特征图，表示按位置差分。
51.在上述水产品加工控制系统100中，所述水分变化特征提取模块150，用于将所述多个多尺度差分特征图通过使用空间注意力机制的第三卷积神经网络模型以得到多个增强差分特征向量。考虑到所述多尺度差分特征图在不同的空间位置上具有着不同的隐藏特
征。因此，在本技术的技术方案中，将所述多尺度差分特征图作为图像数据，并使用具有空间注意力机制的第三卷积神经网络模型作为特征提取器来提取所述多尺度差分特征图基于空间位置的高维局部隐含特征分布信息，从而得到多个增强差分特征向量。同时，空间注意力机制可以使网络更加关注重要的特征区域，减少无关信息的干扰，从而提高特征提取的效率和精度。
52.图5为根据本技术实施例的水产品加工控制系统中水分变化特征提取模块的框图。如图5所示，所述水分变化特征提取模块150，包括：深度卷积编码单元151，用于使用所述第三卷积神经网络模型的卷积编码部分对所述多尺度差分特征图进行深度卷积编码以得到初始卷积特征图；注意力图生成单元152，用于将所述初始卷积特征图输入所述第三卷积神经网络模型的空间注意力部分以得到空间注意力图；注意力计算单元153，用于将所述空间注意力图通过softmax激活函数以得到空间注意力特征图；注意力施加单元154，用于计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到增强差分特征图；以及，池化单元155，用于对所述增强差分特征图进行沿通道维度的各个特征矩阵的均值池化处理以得到所述增强差分特征向量。
53.在上述水产品加工控制系统100中，所述融合模块160，用于将所述多个增强差分特征向量进行级联以得到分类特征向量。为了充分利用所述多个增强差分特征向量中包含的特征信息，将所述多个增强差分特征向量进行融合，以得到一个综合的分类特征向量，再进一步将所述分类特征向量通过分类器进行分类处理。
54.在上述水产品加工控制系统100中，所述控制结果生成模块170，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点烘干机的功率应增大或减小。分类器可以根据训练数据集中的样本特征和标签信息，学习到特征向量与烘干机功率之间的关系，从而根据当前时间点的特征向量，预测出烘干机应该增大或减小功率。这样可以实现对烘干机的智能控制，提高生产效率和产品质量。
55.相应地，在一个具体示例中，所述控制结果生成模块170，包括：全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。
56.应可以理解，在利用上述神经网络模型之前，需要对所述基于自动编解码器的图像降噪器、所述包含第一卷积神经网络和第二卷积神经网络的双流网络模型、所述使用空间注意力机制的第三卷积神经网络模型和所述分类器进行训练。也就是说，在本技术的水产品加工控制系统中，还包括用于对所述基于自动编解码器的图像降噪器、所述包含第一卷积神经网络和第二卷积神经网络的双流网络模型、所述使用空间注意力机制的第三卷积神经网络模型和所述分类器进行训练的训练模块。
57.图6为根据本技术实施例的水产品加工控制系统中训练模块的框图。如图6所示，其中，所述训练模块200，包括：训练光谱数据采集单元210，用于获取预定时间段内多个预定时间点的水产品的训练红外光谱图，以及，当前时间点烘干机的功率应增大或减小的真实值；训练降噪单元220，用于将所述多个预定时间点的训练红外光谱图通过所述基于自动编解码器的图像降噪器以得到多个训练降噪后红外光谱图；训练多尺度关联特征提取单元230，用于将所述多个训练降噪后红外光谱图通过所述包含第一卷积神经网络和第二卷积
神经网络的双流网络模型以得到训练第一特征图和训练第二特征图，再融合所述训练第一特征图和所述训练第二特征图以得到多个训练多尺度关联特征图，其中，所述第一卷积神经网络使用具有第一尺度的二维卷积核，所述第二卷积神经网络使用具有第二尺度的二维卷积核；训练水分变化单元240，用于计算所述多个训练多尺度关联特征图中每相邻两个时间点的多尺度关联特征图之间的差分以得到多个训练多尺度差分特征图；训练水分变化特征提取单元250，用于将所述多个训练多尺度差分特征图通过使用空间注意力机制的第三卷积神经网络模型以得到多个训练增强差分特征向量；训练融合单元260，用于将所述多个训练增强差分特征向量进行级联以得到训练分类特征向量；分类损失单元270，用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值；总参数概率性损失计算单元280，用于计算所述训练分类特征向量的总参数概率性损失值；以及，模型训练单元290，用于以所述分类损失函数值和所述总参数概率性损失值的加权和作为损失函数值对所述基于自动编解码器的图像降噪器、所述包含第一卷积神经网络和第二卷积神经网络的双流网络模型、所述使用空间注意力机制的第三卷积神经网络模型和所述分类器进行训练。
58.特别地，在本技术的技术方案中，考虑到在训练模型时，数据中常常存在误差、噪声和不确定性，这些因素可能会影响模型的性能和准确性。因此，如果能够进一步地，考虑到数据的不确定性，将其纳入模型训练过程中进行优化，从而可以减少数据中的噪声和不确定因素，提高模型的鲁棒性和应用效果。同时，考虑在实际推断时，面临的数据往往是不完美的，存在着多样性和复杂性。如果能够平衡模型对数据的拟合程度和不确定性，也能更好地应对复杂的数据情况，提高模型的可靠性和预测能力。
59.基于此，在本技术的技术方案中，所述总参数概率性损失计算单元280，包括：后验概率计算子单元，用于计算所述训练分类特征向量属于各个类别的后验概率；损失值计算子单元，用于计算所述训练分类特征向量属于各个类别的参数概率性损失值，其中，所述参数概率性损失值用于表示所述训练分类特征向量被错误地分到类别的分类损失值；以及，总参数概率性损失值计算子单元，用于基于所述后验概率和所述参数概率性损失值计算所述训练分类特征向量的总参数概率性损失值。
60.相应地，在一个具体示例中，所述总参数概率性损失值计算子单元，用于：基于所述后验概率和所述参数概率性损失值，以如下损失公式计算所述训练分类特征向量的所述总参数概率性损失值；其中，所述损失公式为：其中，是类别标签，是所述训练分类特征向量，是所述各个类别的参数概率性损失值，是所述各个类别的后验概率，为类别标签的总数，表示所述训练分类特征向量的所述总参数概率性损失值。
61.计算训练分类特征向量的参数概率性损失函数值，相当于在特征编码和特征分类解码之间引入一个隐变量层，使得所述训练分类特征向量服从高斯分布或其他先验分布，并最小化重构误差和隐变量的先验分布与后验分布之间的散度，通过这样的方式，可以反映模型对数据的不确定性，可以避免过拟合和欠拟合的问题，从而提高模型的泛化能力，降低测试误差，增强模型的表达能力，捕捉数据的多样性和复杂性。
62.综上，根据本技术实施例的水产品加工控制系统被阐明，其首先获取预定时间段
内多个预定时间点的水产品的红外光谱图，对图像降噪处理后使用双流网络模型提取多尺度特征，并使用空间注意力机制的第一卷积神经网络模型进一步增强特征表达，最后，使用分类器对特征进行分类，以确定当前时间点烘干机的功率应增大或减小。这样，可以实现对烘干机功率的自动调节，从而提高烘干速率的准确性和稳定性，避免水产品变质和腐败。
63.示例性方法：图7为根据本技术实施例的水产品加工控制方法的流程图。如图7所示，根据本技术实施例的水产品加工控制方法，包括步骤：s110，获取预定时间段内多个预定时间点的水产品的红外光谱图，所述红外光谱图为与水相关的特定波长下的光谱图像；s120，将所述多个预定时间点的红外光谱图通过基于自动编解码器的图像降噪器以得到多个降噪后红外光谱图；s130，将所述多个降噪后红外光谱图通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到第一特征图和第二特征图，再融合所述第一特征图和所述第二特征图以得到多个多尺度关联特征图，其中，所述第一卷积神经网络使用具有第一尺度的二维卷积核，所述第二卷积神经网络使用具有第二尺度的二维卷积核；s140，计算所述多个多尺度关联特征图中每相邻两个时间点的多尺度关联特征图之间的差分以得到多个多尺度差分特征图；s150，将所述多个多尺度差分特征图通过使用空间注意力机制的第三卷积神经网络模型以得到多个增强差分特征向量；s160，将所述多个增强差分特征向量进行级联以得到分类特征向量；以及,s170，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点烘干机的功率应增大或减小。
64.在一个具体示例中，在上述水产品加工控制方法中，所述步骤s120，包括：将所述多个预定时间点的红外光谱图输入所述图像降噪器的编码器，其中，所述编码器使用卷积层对所述多个预定时间点的红外光谱图进行显式空间编码以得到多个红外光谱特征图；以及，将所述多个红外光谱特征图输入所述图像降噪器的解码器，其中，所述解码器使用反卷积层对所述多个红外光谱特征图进行反卷积处理以得到所述多个降噪后红外光谱图。
65.在一个具体示例中，在上述水产品加工控制方法中，所述步骤s130，包括：使用所述使用具有第一尺度的二维卷积核的第一卷积神经网络在层的正向传递中对输入数据分别进行：对所述输入数据进行二维卷积处理、均值池化处理和非线性激活处理以得到第一特征图；使用所述使用具有第二尺度的二维卷积核的第二卷积神经网络在层的正向传递中对输入数据分别进行：对所述输入数据进行二维卷积处理、均值池化处理和非线性激活处理以得到第二特征图；以及，将所述第一特征图和所述第二特征图按位置相加以得到所述多尺度关联特征图。
66.在一个具体示例中，在上述水产品加工控制方法中，所述步骤s140，包括：以如下差分公式计算所述多个多尺度关联特征图中每相邻两个时间点的多尺度关联特征图之间的差分以得到多个多尺度差分特征图；其中，所述差分公式为：其中，、表示所述多个多尺度关联特征图中每相邻两个时间点的多尺度关联特征图，表示所述多个多尺度差分特征图，表示按位置差分。
67.在一个具体示例中，在上述水产品加工控制方法中，所述步骤s140，包括：使用所述第三卷积神经网络模型的卷积编码部分对所述多尺度差分特征图进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述第三卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过softmax激活函数以得到空间注意
力特征图；计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到增强差分特征图；以及，对所述增强差分特征图进行沿通道维度的各个特征矩阵的均值池化处理以得到所述增强差分特征向量。
68.在一个具体示例中，在上述水产品加工控制方法中，所述步骤s140，包括：使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。
69.在一个具体示例中，在上述水产品加工控制方法中，还包括对所述基于自动编解码器的图像降噪器、所述包含第一卷积神经网络和第二卷积神经网络的双流网络模型、所述使用空间注意力机制的第三卷积神经网络模型和所述分类器进行训练；其中，对所述基于自动编解码器的图像降噪器、所述包含第一卷积神经网络和第二卷积神经网络的双流网络模型、所述使用空间注意力机制的第三卷积神经网络模型和所述分类器进行训练，包括：获取预定时间段内多个预定时间点的水产品的训练红外光谱图，以及，当前时间点烘干机的功率应增大或减小的真实值；将所述多个预定时间点的训练红外光谱图通过所述基于自动编解码器的x图像降噪器以得到多个训练降噪后红外光谱图；将所述多个训练降噪后红外光谱图通过所述包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到训练第一特征图和训练第二特征图，再融合所述训练第一特征图和所述训练第二特征图以得到多个训练多尺度关联特征图，其中，所述第一卷积神经网络使用具有第一尺度的二维卷积核，所述第二卷积神经网络使用具有第二尺度的二维卷积核；计算所述多个训练多尺度关联特征图中每相邻两个时间点的多尺度关联特征图之间的差分以得到多个训练多尺度差分特征图；将所述多个训练多尺度差分特征图通过使用空间注意力机制的第三卷积神经网络模型以得到多个训练增强差分特征向量；将所述多个训练增强差分特征向量进行级联以得到训练分类特征向量；将所述训练分类特征向量通过所述分类器以得到分类损失函数值；计算所述训练分类特征向量的总参数概率性损失值；以及，以所述分类损失函数值和所述总参数概率性损失值的加权和作为损失函数值对所述基于自动编解码器的图像降噪器、所述包含第一卷积神经网络和第二卷积神经网络的双流网络模型、所述使用空间注意力机制的第三卷积神经网络模型和所述分类器进行训练。
70.在一个具体示例中，在上述水产品加工控制方法中，计算所述训练分类特征向量的总参数概率性损失值，包括：计算所述训练分类特征向量属于各个类别的后验概率；计算所述训练分类特征向量属于各个类别的参数概率性损失值，其中，所述参数概率性损失值用于表示所述训练分类特征向量被错误地分到类别的分类损失值；以及，基于所述后验概率和所述参数概率性损失值计算所述训练分类特征向量的总参数概率性损失值。
71.在一个具体示例中，在上述水产品加工控制方法中，基于所述后验概率和所述参数概率性损失值计算所述训练分类特征向量的总参数概率性损失值，包括：以如下损失公式计算所述训练分类特征向量的所述总参数概率性损失值；其中，所述损失公式为：其中，是类别标签，是所述训练分类特征向量，是所述各个类别的参数概率性损失值，是所述各个类别的后验概率，为类别标签的总数，表示所述训练分类特征向量的所述总参数概率性损失值。
72.这里，本领域技术人员可以理解，上述水产品加工控制方法中的各个步骤的具体操作已经在上面参考图1到图6的水产品加工控制系统的描述中得到了详细介绍，并因此，将省略其重复描述。

技术特征：
1.一种水产品加工控制系统，其特征在于，包括：光谱数据采集模块，用于获取预定时间段内多个预定时间点的水产品的红外光谱图，所述红外光谱图为与水相关的特定波长下的光谱图像；降噪模块，用于将所述多个预定时间点的红外光谱图通过基于自动编解码器的图像降噪器以得到多个降噪后红外光谱图；多尺度关联特征提取模块，用于将所述多个降噪后红外光谱图通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到第一特征图和第二特征图，再融合所述第一特征图和所述第二特征图以得到多个多尺度关联特征图，其中，所述第一卷积神经网络使用具有第一尺度的二维卷积核，所述第二卷积神经网络使用具有第二尺度的二维卷积核；水分变化模块，用于计算所述多个多尺度关联特征图中每相邻两个时间点的多尺度关联特征图之间的差分以得到多个多尺度差分特征图；水分变化特征提取模块，用于将所述多个多尺度差分特征图通过使用空间注意力机制的第三卷积神经网络模型以得到多个增强差分特征向量；融合模块，用于将所述多个增强差分特征向量进行级联以得到分类特征向量；以及控制结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点烘干机的功率应增大或减小。2.根据权利要求1所述的水产品加工控制系统，其特征在于，所述降噪模块，包括：编码单元，用于将所述多个预定时间点的红外光谱图输入所述图像降噪器的编码器，其中，所述编码器使用卷积层对所述多个预定时间点的红外光谱图进行显式空间编码以得到多个红外光谱特征图；以及解码单元，用于将所述多个红外光谱特征图输入所述图像降噪器的解码器，其中，所述解码器使用反卷积层对所述多个红外光谱特征图进行反卷积处理以得到所述多个降噪后红外光谱图。3.根据权利要求2所述的水产品加工控制系统，其特征在于，所述多尺度关联特征提取模块，包括：第一尺度特征提取单元，用于使用所述使用具有第一尺度的二维卷积核的第一卷积神经网络在层的正向传递中对输入数据分别进行：对所述输入数据进行二维卷积处理、均值池化处理和非线性激活处理以得到第一特征图；第二尺度特征提取单元，用于使用所述使用具有第二尺度的二维卷积核的第二卷积神经网络在层的正向传递中对输入数据分别进行：对所述输入数据进行二维卷积处理、均值池化处理和非线性激活处理以得到第二特征图；以及融合单元，用于将所述第一特征图和所述第二特征图按位置相加以得到所述多尺度关联特征图。4.根据权利要求3所述的水产品加工控制系统，其特征在于，所述水分变化模块，用于：以如下差分公式计算所述多个多尺度关联特征图中每相邻两个时间点的多尺度关联特征图之间的差分以得到多个多尺度差分特征图；其中，所述差分公式为：其中，、表示所述多个多尺度关联特征图中每相邻两个时间点的多尺度关联特征图，表示所述多个多尺度差分特征图，表示按位置差分。5.根据权利要求4所述的水产品加工控制系统，其特征在于，所述水分变化特征提取模块，包括：深度卷积编码单元，用于使用所述第三卷积神经网络模型的卷积编码部分对所述多尺度差分特征图进行深度卷积编码以得到初始卷积特征图；注意力图生成单元，用于将所述初始卷积特征图输入所述第三卷积神经网络模型的空间注意力部分以得到空间注意力图；注意力计算单元，用于将所述空间注意力图通过softmax激活函数以得到空间注意力
特征图；注意力施加单元，用于计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到增强差分特征图；以及池化单元，用于对所述增强差分特征图进行沿通道维度的各个特征矩阵的均值池化处理以得到所述增强差分特征向量。6.根据权利要求5所述的水产品加工控制系统，其特征在于，所述控制结果生成模块，包括：全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。7.根据权利要求6所述的水产品加工控制系统，其特征在于，还包括：用于对所述基于自动编解码器的图像降噪器、所述包含第一卷积神经网络和第二卷积神经网络的双流网络模型、所述使用空间注意力机制的第三卷积神经网络模型和所述分类器进行训练的训练模块；其中，所述训练模块，包括：训练光谱数据采集单元，用于获取预定时间段内多个预定时间点的水产品的训练红外光谱图，以及，当前时间点烘干机的功率应增大或减小的真实值；训练降噪单元，用于将所述多个预定时间点的训练红外光谱图通过所述基于自动编解码器的图像降噪器以得到多个训练降噪后红外光谱图；训练多尺度关联特征提取单元，用于将所述多个训练降噪后红外光谱图通过所述包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到训练第一特征图和训练第二特征图，再融合所述训练第一特征图和所述训练第二特征图以得到多个训练多尺度关联特征图，其中，所述第一卷积神经网络使用具有第一尺度的二维卷积核，所述第二卷积神经网络使用具有第二尺度的二维卷积核；训练水分变化单元，用于计算所述多个训练多尺度关联特征图中每相邻两个时间点的多尺度关联特征图之间的差分以得到多个训练多尺度差分特征图；训练水分变化特征提取单元，用于将所述多个训练多尺度差分特征图通过使用空间注意力机制的第三卷积神经网络模型以得到多个训练增强差分特征向量；训练融合单元，用于将所述多个训练增强差分特征向量进行级联以得到训练分类特征向量；分类损失单元，用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值；总参数概率性损失计算单元，用于计算所述训练分类特征向量的总参数概率性损失值；以及模型训练单元，用于以所述分类损失函数值和所述总参数概率性损失值的加权和作为损失函数值对所述基于自动编解码器的图像降噪器、所述包含第一卷积神经网络和第二卷积神经网络的双流网络模型、所述使用空间注意力机制的第三卷积神经网络模型和所述分类器进行训练。8.根据权利要求7所述的水产品加工控制系统，其特征在于，所述总参数概率性损失计算单元，包括：后验概率计算子单元，用于计算所述训练分类特征向量属于各个类别的后验概率；损失值计算子单元，用于计算所述训练分类特征向量属于各个类别的参数概率性损失值，其中，所述参数概率性损失值用于表示所述训练分类特征向量被错误地分到类别的分类损失值；以及总参数概率性损失值计算子单元，用于基于所述后验概率和所述参数概率性损失值计算所述训练分类特征向量的总参数概率性损失值。9.根据权利要求7所述的水产品加工控制系统，其特征在于，所述总参数概率性损失值计算子单元，用于：基于所述后验概率和所述参数概率性损失值，以如下损失公式计算所述训练分类特征向量的所述总参数概率性损失值；其中，所述损失公式为：
其中，是类别标签，是所述训练分类特征向量，是所述各个类别的参数概率性损失值，是所述各个类别的后验概率，为类别标签的总数，表示所述训练分类特征向量的所述总参数概率性损失值。10.一种水产品加工控制方法，其特征在于，包括：获取预定时间段内多个预定时间点的水产品的红外光谱图，所述红外光谱图为与水相关的特定波长下的光谱图像；将所述多个预定时间点的红外光谱图通过基于自动编解码器的图像降噪器以得到多个降噪后红外光谱图；将所述多个降噪后红外光谱图通过包含第一卷积神经网络和第二卷积神经网络的双流网络模型以得到第一特征图和第二特征图，再融合所述第一特征图和所述第二特征图以得到多个多尺度关联特征图，其中，所述第一卷积神经网络使用具有第一尺度的二维卷积核，所述第二卷积神经网络使用具有第二尺度的二维卷积核；计算所述多个多尺度关联特征图中每相邻两个时间点的多尺度关联特征图之间的差分以得到多个多尺度差分特征图；将所述多个多尺度差分特征图通过使用空间注意力机制的第三卷积神经网络模型以得到多个增强差分特征向量；将所述多个增强差分特征向量进行级联以得到分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点烘干机的功率应增大或减小。

技术总结
本申请涉及食品加工技术领域，其具体地公开了一种水产品加工控制系统及其方法，其首先获取预定时间段内多个预定时间点的水产品的红外光谱图，对图像降噪处理后使用双流网络模型提取多尺度特征，并使用空间注意力机制的第一卷积神经网络模型进一步增强特征表达，最后，使用分类器对特征进行分类，以确定当前时间点烘干机的功率应增大或减小。这样，可以实现对烘干机功率的自动调节，从而提高烘干速率的准确性和稳定性，避免水产品变质和腐败。避免水产品变质和腐败。避免水产品变质和腐败。


技术研发人员：朱卫忠 李玲
受保护的技术使用者：宁波蓝豚水产有限公司
技术研发日：2023.06.29
技术公布日：2023/9/25