用于滚筒杀青机的温度控制系统及方法

技术领域

本申请涉及智能控制技术领域，且更为具体地，涉及一种用于滚筒杀青机的温度控制系统及方法。

背景技术

杀青是茶叶加工中很重要的一道工序，其主要目的是通过高温破坏和钝化鲜叶中的氧化酶活性，抑制鲜叶中的茶多酚等的酶促氧化，防止烘干过程中茶叶的变色，同时，杀青过程中也可快速散发青叶的青臭味，促进茶叶自身良好茶香气味的形成，杀青的主要方式有炒青、蒸青、泡青和辐射杀青等。

现有市面上的杀青普遍以滚筒式杀青为主，以电热或燃气作为加热源，对滚筒外表面进行加热并传导，作业稳定，结构紧凑，操作方便，效率较高。

但是在具体实施过程中发现：同一个滚筒不同部位受热程度不一致，因热胀冷缩的原理会导致滚筒不同段变形程度不一致而产生开裂的问题，进而影响温控均匀性和设备使用年限。

因此，期待一种优化的用于滚筒杀青机的温度控制方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于滚筒杀青机的温度控制系统及方法。其首先将多个预定时间点的滚筒热力分布图通过卷积神经网络模型以得到多个滚筒热力分布特征矩阵，接着，对所述多个滚筒热力分布特征矩阵进行特征矩阵展开后通过上下文编码器以得到滚筒热力分布时序语义理解特征向量，然后，将多个预定时间点的电热功率值排列后通过多尺度邻域特征提取模块以得到电热功率时序特征向量，最后，计算所述滚筒热力分布时序语义理解特征向量相对于所述电热功率时序特征向量的响应性估计并进行特征分布的优化后通过分类器以得到用于表示当前时间点的电热功率值应增大或应减小的分类结果。这样，可以实现受热一致，保证茶叶的生产质量和设备的使用寿命。

根据本申请的一个方面，提供了一种用于滚筒杀青机的温度控制系统，其包括：

数据采集模块，用于获取预定时间段内多个预定时间点的滚筒热力分布图，以及，所述多个预定时间点的电热功率值；

热力分布特征提取模块，用于将所述多个预定时间点的滚筒热力分布图通过使用空间注意力机制的卷积神经网络模型以得到多个滚筒热力分布特征矩阵；

矩阵展开模块，用于对所述多个滚筒热力分布特征矩阵进行特征矩阵展开以得到多个滚筒热力分布特征向量；

时序语义编码模块，用于将所述多个滚筒热力分布特征向量通过基于转换器的上下文编码器以得到滚筒热力分布时序语义理解特征向量；

电热功率时序编码模块，用于将所述多个预定时间点的电热功率值按照时间维度排列为电热功率输入向量后通过多尺度邻域特征提取模块以得到电热功率时序特征向量；

关联编码模块，用于计算所述滚筒热力分布时序语义理解特征向量相对于所述电热功率时序特征向量的响应性估计以得到分类特征矩阵；

特征优化模块，用于对所述分类特征矩阵进行特征分布的优化以得到优化分类特征矩阵；以及

控制结果生成模块，用于将所述优化分类特征矩阵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的电热功率值应增大或应减小。

在上述的用于滚筒杀青机的温度控制系统中，所述热力分布特征提取模块，进一步用于：所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：

对输入数据进行卷积处理以生成卷积特征图；

对所述卷积特征图进行池化处理以生成池化特征图；

对所述池化特征图进行非线性激活以生成激活特征图；

计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；

计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵；以及

计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵；

其中，所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述特征矩阵为所述多个滚筒热力分布特征矩阵。

在上述的用于滚筒杀青机的温度控制系统中，所述时序语义编码模块，包括：

上下文语义编码单元，用于使用所述基于转换器的上下文编码器对所述多个滚筒热力分布特征向量进行基于全局的上下文语义编码以得到多个上下文滚筒热力分布特征向量；以及

级联单元，用于将所述多个上下文滚筒热力分布特征向量进行级联以得到所述滚筒热力分布时序语义理解特征向量。

在上述的用于滚筒杀青机的温度控制系统中，所述上下文语义编码单元，用于：

将所述多个滚筒热力分布特征向量进行一维排列以得到全局滚筒热力分布特征向量；

计算所述全局滚筒热力分布特征向量与所述多个滚筒热力分布特征向量中各个滚筒热力分布特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；

分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；

将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及

分别以所述多个概率值中各个概率值作为权重对所述多个表面状态特征向量中各个表面状态特征向量进行加权以得到所述多个上下文滚筒热力分布特征向量。

在上述的用于滚筒杀青机的温度控制系统中，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。

在上述的用于滚筒杀青机的温度控制系统中，所述电热功率时序编码模块，进一步用于：

使用所述多尺度邻域特征提取模块的所述第一卷积层对所述电热功率输入向量进行一维卷积编码以得到所述第一尺度电热功率特征向量；

其中，所述公式为：

其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述电热功率输入向量；

使用所述多尺度邻域特征提取模块的所述第二卷积层对所述电热功率输入向量进行一维卷积编码以得到所述第二尺度电热功率特征向量；

其中，所述公式为：

其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述电热功率输入向量；以及

使用所述多尺度邻域特征提取模块的所述多尺度特征融合层对所述第一尺度电热功率特征向量和所述第二尺度电热功率特征向量进行级联以得到所述电热功率时序特征向量。

在上述的用于滚筒杀青机的温度控制系统中，所述关联编码模块，包括：

高斯密度图构造单元，用于构造所述滚筒热力分布时序语义理解特征向量和所述电热功率时序特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；

响应性计算单元，用于计算所述第一高斯密度图相对于所述第二高斯密度图以得到响应性高斯密度图；以及

高斯离散化，用于对所述响应性高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。

在上述的用于滚筒杀青机的温度控制系统中，所述特征优化模块，包括：

特征矩阵展开单元，用于将所述分类特征矩阵按照行向量或者列向量展开为分类特征向量；

结构优化单元，用于以如下公式对所述分类特征向量进行正定赋范空间的几何约束重参数化以得到优化分类特征向量，其中，所述公式为：

其中，V是所述分类特征向量，V

重构单元，用于将所述优化分类特征向量进行维度重构以得到所述优化分类特征矩阵。

在上述的用于滚筒杀青机的温度控制系统中，所述控制结果生成模块，包括：

矩阵展开单元，用于将所述优化分类特征矩阵按照行向量展开为分类特征向量；

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。

根据本申请的另一个方面，提供了一种用于滚筒杀青机的温度控制方法，其包括：

获取预定时间段内多个预定时间点的滚筒热力分布图，以及，所述多个预定时间点的电热功率值；

将所述多个预定时间点的滚筒热力分布图通过使用空间注意力机制的卷积神经网络模型以得到多个滚筒热力分布特征矩阵；

对所述多个滚筒热力分布特征矩阵进行特征矩阵展开以得到多个滚筒热力分布特征向量；

将所述多个滚筒热力分布特征向量通过基于转换器的上下文编码器以得到滚筒热力分布时序语义理解特征向量；

将所述多个预定时间点的电热功率值按照时间维度排列为电热功率输入向量后通过多尺度邻域特征提取模块以得到电热功率时序特征向量；

计算所述滚筒热力分布时序语义理解特征向量相对于所述电热功率时序特征向量的响应性估计以得到分类特征矩阵；

对所述分类特征矩阵进行特征分布的优化以得到优化分类特征矩阵；以及

将所述优化分类特征矩阵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的电热功率值应增大或应减小。

与现有技术相比，本申请提供的用于滚筒杀青机的温度控制系统及方法，其首先将多个预定时间点的滚筒热力分布图通过卷积神经网络模型以得到多个滚筒热力分布特征矩阵，接着，对所述多个滚筒热力分布特征矩阵进行特征矩阵展开后通过上下文编码器以得到滚筒热力分布时序语义理解特征向量，然后，将多个预定时间点的电热功率值排列后通过多尺度邻域特征提取模块以得到电热功率时序特征向量，最后，计算所述滚筒热力分布时序语义理解特征向量相对于所述电热功率时序特征向量的响应性估计并进行特征分布的优化后通过分类器以得到用于表示当前时间点的电热功率值应增大或应减小的分类结果。这样，可以实现受热一致，保证茶叶的生产质量和设备的使用寿命。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的用于滚筒杀青机的温度控制系统的应用场景图。

图2为根据本申请实施例的用于滚筒杀青机的温度控制系统的框图示意图。

图3为根据本申请实施例的用于滚筒杀青机的温度控制系统中的所述时序语义编码模块的框图示意图。

图4为根据本申请实施例的用于滚筒杀青机的温度控制系统中的所述关联编码模块的框图示意图。

图5为根据本申请实施例的用于滚筒杀青机的温度控制系统中的所述特征优化模块的框图示意图。

图6为根据本申请实施例的用于滚筒杀青机的温度控制系统中的所述控制结果生成模块的框图示意图。

图7为根据本申请实施例的用于滚筒杀青机的温度控制方法的流程图。

图8为根据本申请实施例的用于滚筒杀青机的温度控制方法的系统架构的示意图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述

如上所述，现有市面上的滚筒式杀青在具体实施过程中发现：同一个滚筒不同部位受热程度不一致，因热胀冷缩的原理会导致滚筒不同段变形程度不一致而产生开裂的问题，进而影响温控均匀性和设备使用年限。因此，期待一种优化的用于滚筒杀青机的温度控制方案。

相应地，考虑到由于滚筒式杀青在实际的应用过程中会造成滚筒不同部位受热程度不一致，进而导致一系列的温度受热不均和降低设备寿命的问题，因此，对于滚筒杀青机运行时的滚筒内的温度监测和自适应控制尤为重要。相应地，在实际进行滚筒杀青时的温度监控过程中，可以通过对于滚筒内热力分布情况和电热功率的变化情况间的关联关系进行分析来实现对于当前时间点的电热功率值的实时控制。也就是说，对于电热功率的实时控制应适配于滚筒内热力分布的变化情况，即基于滚筒内的热力分布变化特征和电热功率的变化特征间的关联性特征分布信息来实时当前时间点的控制电热功率值，以此来实现滚筒式杀青机内的滚筒受热一致性。在此过程中，难点在于如何建立所述滚筒内的热力分布变化特征和所述电热功率的时序变化特征间的映射关系，以此来实现滚筒式杀青机内的滚筒受热一致性，保证茶叶的生产质量和设备的使用寿命。

近年来，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。

深度学习以及神经网络的发展为挖掘所述滚筒内的热力分布变化特征信息和所述电热功率的时序变化特征信息之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立所述滚筒内的热力分布变化特征信息和所述电热功率的时序变化特征信息之间的复杂映射关系。

具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的滚筒热力分布图，以及，所述多个预定时间点的电热功率值。接着，考虑到所述滚筒热力分布图为图像数据，因此，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述多个预定时间点的滚筒热力分布图的特征挖掘。特别地，考虑到由于滚筒式杀青在实际的应用过程中会造成滚筒不同部位受热程度不一致，进而导致一系列的温度受热不均和降低设备寿命的问题，基于此，在本申请的技术方案中，在进行所述滚筒内的热力分布特征提取时应聚焦于所述滚筒内的各个空间位置上的热量分布情况。鉴于注意力机制能够选择聚焦位置，产生更具分辨性的特征表示，且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此，在本申请的技术方案中，将所述多个预定时间点的滚筒热力分布图通过使用空间注意力机制的卷积神经网络模型中进行处理，以提取出所述多个预定时间点的滚筒热力分布图中聚焦于所述滚筒内的空间位置上的热力分布隐藏特征信息，从而得到多个滚筒热力分布特征矩阵。值得一提的是，这里，所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重，用来抑制或强化不同空间位置的特征，以此来提取出空间上聚焦于所述滚筒内的热力分布特征信息。

然后，由于在实际对于滚筒内热力分布情况进行监控的过程中，考虑到所述滚筒热力分布图中关于所述滚筒内的热量分布情况不仅在滚筒内的各个位置处具有着关联性关系，其在时间维度上也具有着动态性的变化规律。因此，为了充分地探究挖掘出所述预定时间段内的滚筒热力分布图中关于所述滚筒内的各个位置处的热量时序动态关联特征信息，在本申请的技术方案中，进一步对所述多个滚筒热力分布特征矩阵进行特征矩阵展开以得到多个滚筒热力分布特征向量。接着，再将所述多个滚筒热力分布特征向量通过基于转换器的上下文编码器中进行编码，以提取出所述各个预定时间点下的滚筒热力分布图中聚焦于滚筒内各个位置处热力分布关联特征的基于全局的时序动态变化特征信息，从而得到滚筒热力分布时序语义理解特征向量。

进一步地，考虑到所述电热功率在时间维度上具有着波动性，其在所述预定时间段内的不同时间周期跨度下具有着不同的模式状态变化特征，因此，为能够充分且准确地提取出所述电热功率值在时间维度上的动态变化特征，在本申请的技术方案中，将所述多个预定时间点的电热功率值按照时间维度排列为电热功率输入向量后通过多尺度邻域特征提取模块中进行特征提取，以提取出所述电热功率值在不同时间周期跨度下的动态多尺度邻域关联特征，从而得到电热功率时序特征向量。

然后，为了能够捕捉所述电热功率值的时序多尺度动态变化特征与所述滚筒热力分布图的聚焦于滚筒内空间位置的热力分布时序动态特征间的关联性特征分布信息，以此来提高对于当前时间点的电热功率值的实时控制的精准度，在本申请的技术方案中，进一步计算所述滚筒热力分布时序语义理解特征向量相对于所述电热功率时序特征向量的响应性估计以得到分类特征矩阵。

特别地，考虑到由于所述滚筒热力分布信息和所述电热功率值在时间维度上都具有着波动性和不确定性。因此，为了提高对于当前时间点的电热功率值的控制精准度，需要对于所述电热功率值的时序多尺度动态变化特征与所述滚筒热力分布图的聚焦于滚筒内空间位置的热力分布时序动态特征进行数据增强。应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。基于此，在本申请的技术方案中，可以通过所述滚筒热力分布信息和所述电热功率值的先验分布，即高斯分布，来分别对于所述电热功率值的时序多尺度动态变化特征与所述滚筒热力分布图的聚焦于滚筒内空间位置的热力分布时序动态特征进行数据增强。具体地，在本申请的技术方案中，首先，分别构造所述滚筒热力分布时序语义理解特征向量和所述电热功率时序特征向量的高斯密度图以得到滚筒热力分布高斯密度图和电热功率高斯密度图。

接着，进一步再计算所述滚筒热力分布高斯密度图相对于所述电热功率高斯密度图的响应性估计来表示经过数据增强后的关于所述电热功率值的时序多尺度动态变化特征与所述滚筒热力分布图的聚焦于滚筒内空间位置的热力分布时序动态特征间的关联性特征分布信息，从而得到响应高斯密度图。然后，将所述响应高斯密度图进行高斯离散化处理，以在数据特征增广时不产生信息损失，以此来提高后续分类的准确性，从而得到分类特征矩阵。

进一步地，再将所述分类特征矩阵通过分类器以得到用于表示当前时间点的电热功率值应增大或应减小的分类结果。也就是，在本申请的技术方案中，所述分类器的标签包括所述当前时间点的电热功率值应增大，以及，所述当前时间点的电热功率值应减小，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述当前时间点的电热功率值的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的电热功率值，以此来实现滚筒式杀青机内的滚筒受热一致性，保证茶叶的生产质量和设备的使用寿命。

特别地，在本申请的技术方案中，在通过高斯密度图计算所述滚筒热力分布时序语义理解特征向量相对于所述电热功率时序特征向量的响应性估计得到所述分类特征矩阵时，由于高斯离散化引入的随机特性，使得所述分类特征矩阵整体的特征分布可能存在相对于分类器的预定类标签收敛性差的问题，从而影响模型的训练速度和分类结果的准确性。

因此，优选地，首先将所述分类特征矩阵展开为分类特征向量，例如记为V，再对所述分类特征向量V进行正定赋范空间的几何约束重参数化，表示为：

μ和σ是特征集合v

这里，所述分类特征向量V的正定赋范空间的几何约束重参数化可以基于贝塞尔不等式的投影模长度量关系，通过以内积形式表示的向量范数平方在向量自身的关联集合空间内的投影，来使得向量的分布集合在具有正定性的赋范空间的几何度量子空间内具有模长约束性，以基于特征分布的几何约束来将分布空间重参数化到具有闭子空间的有界正定赋范空间，这样，就提高所述分类特征矩阵整体的特征分布在预定类标签属性下的收敛性，从而提升了模型的训练速度和分类结果的准确性。这样，能够实时准确地基于滚筒内热力分布变化情况来对于当前时间点的电热功率值进行自适应控制，以实现滚筒式杀青机内的滚筒受热一致性，保证茶叶的生产质量和设备的使用寿命。

基于此，本申请提供了一种用于滚筒杀青机的温度控制系统，其包括：数据采集模块，用于获取预定时间段内多个预定时间点的滚筒热力分布图，以及，所述多个预定时间点的电热功率值；热力分布特征提取模块，用于将所述多个预定时间点的滚筒热力分布图通过使用空间注意力机制的卷积神经网络模型以得到多个滚筒热力分布特征矩阵；矩阵展开模块，用于对所述多个滚筒热力分布特征矩阵进行特征矩阵展开以得到多个滚筒热力分布特征向量；时序语义编码模块，用于将所述多个滚筒热力分布特征向量通过基于转换器的上下文编码器以得到滚筒热力分布时序语义理解特征向量；电热功率时序编码模块，用于将所述多个预定时间点的电热功率值按照时间维度排列为电热功率输入向量后通过多尺度邻域特征提取模块以得到电热功率时序特征向量；关联编码模块，用于计算所述滚筒热力分布时序语义理解特征向量相对于所述电热功率时序特征向量的响应性估计以得到分类特征矩阵；特征优化模块，用于对所述分类特征矩阵进行特征分布的优化以得到优化分类特征矩阵；以及，控制结果生成模块，用于将所述优化分类特征矩阵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的电热功率值应增大或应减小。

图1为根据本申请实施例的用于滚筒杀青机的温度控制系统的应用场景图。如图1所示，在该应用场景中，首先，获取预定时间段内多个预定时间点的滚筒热力分布图(例如，图1中所示意的D1)以及所述多个预定时间点的电热功率值(例如，图1中所示意的D2)，然后，将所述多个预定时间点的滚筒热力分布图和所述多个预定时间点的电热功率值输入至部署有用于滚筒杀青机的温度控制算法的服务器中(例如，图1中所示意的S)，其中，所述服务器能够使用所述用于滚筒杀青机的温度控制算法对所述多个预定时间点的滚筒热力分布图和所述多个预定时间点的电热功率值进行处理以得到用于表示当前时间点的电热功率值应增大或应减小的分类结果。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性系统

图2为根据本申请实施例的用于滚筒杀青机的温度控制系统的框图示意图。如图2所示，根据本申请实施例的用于滚筒杀青机的温度控制系统100，包括：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滚筒热力分布图，以及，所述多个预定时间点的电热功率值；热力分布特征提取模块120，用于将所述多个预定时间点的滚筒热力分布图通过使用空间注意力机制的卷积神经网络模型以得到多个滚筒热力分布特征矩阵；矩阵展开模块130，用于对所述多个滚筒热力分布特征矩阵进行特征矩阵展开以得到多个滚筒热力分布特征向量；时序语义编码模块140，用于将所述多个滚筒热力分布特征向量通过基于转换器的上下文编码器以得到滚筒热力分布时序语义理解特征向量；电热功率时序编码模块150，用于将所述多个预定时间点的电热功率值按照时间维度排列为电热功率输入向量后通过多尺度邻域特征提取模块以得到电热功率时序特征向量；关联编码模块160，用于计算所述滚筒热力分布时序语义理解特征向量相对于所述电热功率时序特征向量的响应性估计以得到分类特征矩阵；特征优化模块170，用于对所述分类特征矩阵进行特征分布的优化以得到优化分类特征矩阵；以及，控制结果生成模块180，用于将所述优化分类特征矩阵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的电热功率值应增大或应减小。

更具体地，在本申请实施例中，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滚筒热力分布图，以及，所述多个预定时间点的电热功率值。同一个滚筒不同部位受热程度不一致，因热胀冷缩的原理会导致滚筒不同段变形程度不一致而产生开裂的问题，进而影响温控均匀性和设备使用年限。因此，在实际进行滚筒杀青时的温度监控过程中，可以通过对于滚筒内热力分布情况和电热功率的变化情况间的关联关系进行分析来实现对于当前时间点的电热功率值的实时控制。也就是说，对于电热功率的实时控制应适配于滚筒内热力分布的变化情况，即基于滚筒内的热力分布变化特征和电热功率的变化特征间的关联性特征分布信息来实时当前时间点的控制电热功率值，以此来实现滚筒式杀青机内的滚筒受热一致性。

更具体地，在本申请实施例中，热力分布特征提取模块120，用于将所述多个预定时间点的滚筒热力分布图通过使用空间注意力机制的卷积神经网络模型以得到多个滚筒热力分布特征矩阵。考虑到所述滚筒热力分布图为图像数据，因此，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述多个预定时间点的滚筒热力分布图的特征挖掘。特别地，考虑到由于滚筒式杀青在实际的应用过程中会造成滚筒不同部位受热程度不一致，进而导致一系列的温度受热不均和降低设备寿命的问题，基于此，在本申请的技术方案中，在进行所述滚筒内的热力分布特征提取时应聚焦于所述滚筒内的各个空间位置上的热量分布情况。鉴于注意力机制能够选择聚焦位置，产生更具分辨性的特征表示，且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此，在本申请的技术方案中，将所述多个预定时间点的滚筒热力分布图通过使用空间注意力机制的卷积神经网络模型中进行处理，以提取出所述多个预定时间点的滚筒热力分布图中聚焦于所述滚筒内的空间位置上的热力分布隐藏特征信息，从而得到多个滚筒热力分布特征矩阵。值得一提的是，这里，所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重，用来抑制或强化不同空间位置的特征，以此来提取出空间上聚焦于所述滚筒内的热力分布特征信息。

相应地，在一个具体示例中，所述热力分布特征提取模块120，进一步用于：所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵；以及，计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵；其中，所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述特征矩阵为所述多个滚筒热力分布特征矩阵。

更具体地，在本申请实施例中，矩阵展开模块130，用于对所述多个滚筒热力分布特征矩阵进行特征矩阵展开以得到多个滚筒热力分布特征向量。由于在实际对于滚筒内热力分布情况进行监控的过程中，考虑到所述滚筒热力分布图中关于所述滚筒内的热量分布情况不仅在滚筒内的各个位置处具有着关联性关系，其在时间维度上也具有着动态性的变化规律。因此，为了充分地探究挖掘出所述预定时间段内的滚筒热力分布图中关于所述滚筒内的各个位置处的热量时序动态关联特征信息，在本申请的技术方案中，进一步对所述多个滚筒热力分布特征矩阵进行特征矩阵展开以得到多个滚筒热力分布特征向量。

更具体地，在本申请实施例中，时序语义编码模块140，用于将所述多个滚筒热力分布特征向量通过基于转换器的上下文编码器以得到滚筒热力分布时序语义理解特征向量。将所述多个滚筒热力分布特征向量通过基于转换器的上下文编码器中进行编码，以得到滚筒热力分布时序语义理解特征向量，可以以提取出所述各个预定时间点下的滚筒热力分布图中聚焦于滚筒内各个位置处热力分布关联特征的基于全局的时序动态变化特征信息。

相应地，在一个具体示例中，如图3所示，所述时序语义编码模块140，包括：上下文语义编码单元141，用于使用所述基于转换器的上下文编码器对所述多个滚筒热力分布特征向量进行基于全局的上下文语义编码以得到多个上下文滚筒热力分布特征向量；以及，级联单元142，用于将所述多个上下文滚筒热力分布特征向量进行级联以得到所述滚筒热力分布时序语义理解特征向量。

相应地，在一个具体示例中，所述上下文语义编码单元141，用于：将所述多个滚筒热力分布特征向量进行一维排列以得到全局滚筒热力分布特征向量；计算所述全局滚筒热力分布特征向量与所述多个滚筒热力分布特征向量中各个滚筒热力分布特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，分别以所述多个概率值中各个概率值作为权重对所述多个表面状态特征向量中各个表面状态特征向量进行加权以得到所述多个上下文滚筒热力分布特征向量。

更具体地，在本申请实施例中，电热功率时序编码模块150，用于将所述多个预定时间点的电热功率值按照时间维度排列为电热功率输入向量后通过多尺度邻域特征提取模块以得到电热功率时序特征向量。考虑到所述电热功率在时间维度上具有着波动性，其在所述预定时间段内的不同时间周期跨度下具有着不同的模式状态变化特征，因此，为能够充分且准确地提取出所述电热功率值在时间维度上的动态变化特征，将所述多个预定时间点的电热功率值按照时间维度排列为电热功率输入向量后通过多尺度邻域特征提取模块中进行特征提取，以提取出所述电热功率值在不同时间周期跨度下的动态多尺度邻域关联特征，从而得到电热功率时序特征向量。

相应地，在一个具体示例中，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。

相应地，在一个具体示例中，所述电热功率时序编码模块150，进一步用于：使用所述多尺度邻域特征提取模块的所述第一卷积层对所述电热功率输入向量进行一维卷积编码以得到所述第一尺度电热功率特征向量；其中，所述公式为：

其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述电热功率输入向量；使用所述多尺度邻域特征提取模块的所述第二卷积层对所述电热功率输入向量进行一维卷积编码以得到所述第二尺度电热功率特征向量；其中，所述公式为：

其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述电热功率输入向量；以及，使用所述多尺度邻域特征提取模块的所述多尺度特征融合层对所述第一尺度电热功率特征向量和所述第二尺度电热功率特征向量进行级联以得到所述电热功率时序特征向量。

更具体地，在本申请实施例中，关联编码模块160，用于计算所述滚筒热力分布时序语义理解特征向量相对于所述电热功率时序特征向量的响应性估计以得到分类特征矩阵。为了能够捕捉所述电热功率值的时序多尺度动态变化特征与所述滚筒热力分布图的聚焦于滚筒内空间位置的热力分布时序动态特征间的关联性特征分布信息，以此来提高对于当前时间点的电热功率值的实时控制的精准度，在本申请的技术方案中，进一步计算所述滚筒热力分布时序语义理解特征向量相对于所述电热功率时序特征向量的响应性估计以得到分类特征矩阵。

特别地，考虑到由于所述滚筒热力分布信息和所述电热功率值在时间维度上都具有着波动性和不确定性。因此，为了提高对于当前时间点的电热功率值的控制精准度，需要对于所述电热功率值的时序多尺度动态变化特征与所述滚筒热力分布图的聚焦于滚筒内空间位置的热力分布时序动态特征进行数据增强。应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。基于此，在本申请的技术方案中，可以通过所述滚筒热力分布信息和所述电热功率值的先验分布，即高斯分布，来分别对于所述电热功率值的时序多尺度动态变化特征与所述滚筒热力分布图的聚焦于滚筒内空间位置的热力分布时序动态特征进行数据增强。具体地，在本申请的技术方案中，首先，分别构造所述滚筒热力分布时序语义理解特征向量和所述电热功率时序特征向量的高斯密度图以得到滚筒热力分布高斯密度图和电热功率高斯密度图。接着，进一步再计算所述滚筒热力分布高斯密度图相对于所述电热功率高斯密度图的响应性估计来表示经过数据增强后的关于所述电热功率值的时序多尺度动态变化特征与所述滚筒热力分布图的聚焦于滚筒内空间位置的热力分布时序动态特征间的关联性特征分布信息，从而得到响应高斯密度图。然后，将所述响应高斯密度图进行高斯离散化处理，以在数据特征增广时不产生信息损失，以此来提高后续分类的准确性，从而得到分类特征矩阵。

相应地，在一个具体示例中，如图4所示，所述关联编码模块160，包括：高斯密度图构造单元161，用于构造所述滚筒热力分布时序语义理解特征向量和所述电热功率时序特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；响应性计算单元162，用于计算所述第一高斯密度图相对于所述第二高斯密度图以得到响应性高斯密度图；以及，高斯离散化163，用于对所述响应性高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。

更具体地，在本申请实施例中，特征优化模块170，用于对所述分类特征矩阵进行特征分布的优化以得到优化分类特征矩阵。

特别地，在本申请的技术方案中，在通过高斯密度图计算所述滚筒热力分布时序语义理解特征向量相对于所述电热功率时序特征向量的响应性估计得到所述分类特征矩阵时，由于高斯离散化引入的随机特性，使得所述分类特征矩阵整体的特征分布可能存在相对于分类器的预定类标签收敛性差的问题，从而影响模型的训练速度和分类结果的准确性。因此，优选地，首先将所述分类特征矩阵展开为分类特征向量，例如记为V，再对所述分类特征向量V进行正定赋范空间的几何约束重参数化。

相应地，在一个具体示例中，如图5所示，所述特征优化模块171，包括：特征矩阵展开单元171，用于将所述分类特征矩阵按照行向量或者列向量展开为分类特征向量；结构优化单元172，用于以如下公式对所述分类特征向量进行正定赋范空间的几何约束重参数化以得到优化分类特征向量，其中，所述公式为：

其中，V是所述分类特征向量，V

这里，所述分类特征向量V的正定赋范空间的几何约束重参数化可以基于贝塞尔不等式的投影模长度量关系，通过以内积形式表示的向量范数平方在向量自身的关联集合空间内的投影，来使得向量的分布集合在具有正定性的赋范空间的几何度量子空间内具有模长约束性，以基于特征分布的几何约束来将分布空间重参数化到具有闭子空间的有界正定赋范空间，这样，就提高所述分类特征矩阵整体的特征分布在预定类标签属性下的收敛性，从而提升了模型的训练速度和分类结果的准确性。这样，能够实时准确地基于滚筒内热力分布变化情况来对于当前时间点的电热功率值进行自适应控制，以实现滚筒式杀青机内的滚筒受热一致性，保证茶叶的生产质量和设备的使用寿命。

更具体地，在本申请实施例中，控制结果生成模块180，用于将所述优化分类特征矩阵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的电热功率值应增大或应减小。也就是，在本申请的技术方案中，所述分类器的标签包括所述当前时间点的电热功率值应增大，以及，所述当前时间点的电热功率值应减小，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述当前时间点的电热功率值的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的电热功率值，以此来实现滚筒式杀青机内的滚筒受热一致性，保证茶叶的生产质量和设备的使用寿命。

相应地，在一个具体示例中，如图6所示，所述控制结果生成模块180，包括：矩阵展开单元181，用于将所述优化分类特征矩阵按照行向量展开为分类特征向量；全连接编码单元182，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，分类单元183，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。

综上，基于本申请实施例的用于滚筒杀青机的温度控制系统100被阐明，其首先将多个预定时间点的滚筒热力分布图通过卷积神经网络模型以得到多个滚筒热力分布特征矩阵，接着，对所述多个滚筒热力分布特征矩阵进行特征矩阵展开后通过上下文编码器以得到滚筒热力分布时序语义理解特征向量，然后，将多个预定时间点的电热功率值排列后通过多尺度邻域特征提取模块以得到电热功率时序特征向量，最后，计算所述滚筒热力分布时序语义理解特征向量相对于所述电热功率时序特征向量的响应性估计并进行特征分布的优化后通过分类器以得到用于表示当前时间点的电热功率值应增大或应减小的分类结果。这样，可以实现受热一致，保证茶叶的生产质量和设备的使用寿命。

如上所述，根据本申请实施例的所述用于滚筒杀青机的温度控制系统100可以实现在各种终端设备中，例如具有用于滚筒杀青机的温度控制算法的服务器等。在一个示例中，用于滚筒杀青机的温度控制系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该用于滚筒杀青机的温度控制系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该用于滚筒杀青机的温度控制系统100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该用于滚筒杀青机的温度控制系统100与该终端设备也可以是分立的设备，并且该用于滚筒杀青机的温度控制系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性方法

图7为根据本申请实施例的用于滚筒杀青机的温度控制方法的流程图。如图7所示，根据本申请实施例的用于滚筒杀青机的温度控制方法，其包括：S110，获取预定时间段内多个预定时间点的滚筒热力分布图，以及，所述多个预定时间点的电热功率值；S120，将所述多个预定时间点的滚筒热力分布图通过使用空间注意力机制的卷积神经网络模型以得到多个滚筒热力分布特征矩阵；S130，对所述多个滚筒热力分布特征矩阵进行特征矩阵展开以得到多个滚筒热力分布特征向量；S140，将所述多个滚筒热力分布特征向量通过基于转换器的上下文编码器以得到滚筒热力分布时序语义理解特征向量；S150，将所述多个预定时间点的电热功率值按照时间维度排列为电热功率输入向量后通过多尺度邻域特征提取模块以得到电热功率时序特征向量；S160，计算所述滚筒热力分布时序语义理解特征向量相对于所述电热功率时序特征向量的响应性估计以得到分类特征矩阵；S170，对所述分类特征矩阵进行特征分布的优化以得到优化分类特征矩阵；以及，S180，将所述优化分类特征矩阵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的电热功率值应增大或应减小。

图8为根据本申请实施例的用于滚筒杀青机的温度控制方法的系统架构的示意图。如图8所示，在所述用于滚筒杀青机的温度控制方法的系统架构中，首先，获取预定时间段内多个预定时间点的滚筒热力分布图，以及，所述多个预定时间点的电热功率值；接着，将所述多个预定时间点的滚筒热力分布图通过使用空间注意力机制的卷积神经网络模型以得到多个滚筒热力分布特征矩阵；然后，对所述多个滚筒热力分布特征矩阵进行特征矩阵展开以得到多个滚筒热力分布特征向量；接着，将所述多个滚筒热力分布特征向量通过基于转换器的上下文编码器以得到滚筒热力分布时序语义理解特征向量；然后，将所述多个预定时间点的电热功率值按照时间维度排列为电热功率输入向量后通过多尺度邻域特征提取模块以得到电热功率时序特征向量；接着，计算所述滚筒热力分布时序语义理解特征向量相对于所述电热功率时序特征向量的响应性估计以得到分类特征矩阵；然后，对所述分类特征矩阵进行特征分布的优化以得到优化分类特征矩阵；最后，将所述优化分类特征矩阵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的电热功率值应增大或应减小。

在一个具体示例中，在上述用于滚筒杀青机的温度控制方法中，所述将所述多个预定时间点的滚筒热力分布图通过使用空间注意力机制的卷积神经网络模型以得到多个滚筒热力分布特征矩阵，包括：所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵；以及，计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵；其中，所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述特征矩阵为所述多个滚筒热力分布特征矩阵。

在一个具体示例中，在上述用于滚筒杀青机的温度控制方法中，所述将所述多个滚筒热力分布特征向量通过基于转换器的上下文编码器以得到滚筒热力分布时序语义理解特征向量，包括：使用所述基于转换器的上下文编码器对所述多个滚筒热力分布特征向量进行基于全局的上下文语义编码以得到多个上下文滚筒热力分布特征向量；以及，将所述多个上下文滚筒热力分布特征向量进行级联以得到所述滚筒热力分布时序语义理解特征向量。

在一个具体示例中，在上述用于滚筒杀青机的温度控制方法中，所述使用所述基于转换器的上下文编码器对所述多个滚筒热力分布特征向量进行基于全局的上下文语义编码以得到多个上下文滚筒热力分布特征向量，包括：将所述多个滚筒热力分布特征向量进行一维排列以得到全局滚筒热力分布特征向量；计算所述全局滚筒热力分布特征向量与所述多个滚筒热力分布特征向量中各个滚筒热力分布特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，分别以所述多个概率值中各个概率值作为权重对所述多个表面状态特征向量中各个表面状态特征向量进行加权以得到所述多个上下文滚筒热力分布特征向量。

在一个具体示例中，在上述用于滚筒杀青机的温度控制方法中，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。

在一个具体示例中，在上述用于滚筒杀青机的温度控制方法中，所述将所述多个预定时间点的电热功率值按照时间维度排列为电热功率输入向量后通过多尺度邻域特征提取模块以得到电热功率时序特征向量，进一步包括：使用所述多尺度邻域特征提取模块的所述第一卷积层对所述电热功率输入向量进行一维卷积编码以得到所述第一尺度电热功率特征向量；其中，所述公式为：

其中，a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一一维卷积核的尺寸，X表示所述电热功率输入向量；使用所述多尺度邻域特征提取模块的所述第二卷积层对所述电热功率输入向量进行一维卷积编码以得到所述第二尺度电热功率特征向量；其中，所述公式为：

其中，b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸，X表示所述电热功率输入向量；以及，使用所述多尺度邻域特征提取模块的所述多尺度特征融合层对所述第一尺度电热功率特征向量和所述第二尺度电热功率特征向量进行级联以得到所述电热功率时序特征向量。

在一个具体示例中，在上述用于滚筒杀青机的温度控制方法中，所述计算所述滚筒热力分布时序语义理解特征向量相对于所述电热功率时序特征向量的响应性估计以得到分类特征矩阵，包括：构造所述滚筒热力分布时序语义理解特征向量和所述电热功率时序特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；计算所述第一高斯密度图相对于所述第二高斯密度图以得到响应性高斯密度图；以及，对所述响应性高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。

在一个具体示例中，在上述用于滚筒杀青机的温度控制方法中，所述对所述分类特征矩阵进行特征分布的优化以得到优化分类特征矩阵，包括：将所述分类特征矩阵按照行向量或者列向量展开为分类特征向量；以如下公式对所述分类特征向量进行正定赋范空间的几何约束重参数化以得到优化分类特征向量，其中，所述公式为：

其中，V是所述分类特征向量，V

在一个具体示例中，在上述用于滚筒杀青机的温度控制方法中，所述将所述优化分类特征矩阵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的电热功率值应增大或应减小，包括：将所述优化分类特征矩阵按照行向量展开为分类特征向量；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。

这里，本领域技术人员可以理解，上述用于滚筒杀青机的温度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的用于滚筒杀青机的温度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。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请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申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、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。

还需要指出的是，本申请的装置、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申请的等效方案。

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申请。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申请的范围。因此，本申请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。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请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。