基于人工智能的白酒基酒分级方法及系统

技术领域

本发明涉及人工智能的技术领域，具体涉及基于前馈神经网络分级方法的技术领域。

背景技术

白酒的制备通常包括选料、制曲、发酵、蒸馏、陈酿、勾兑、灌装，其中，刚蒸馏出的酒为基酒，其度数较高，如果直接饮用会对人体造成一定的伤害，需要进行一定比例的勾兑。不同种类的基酒通过勾兑会得到不同质量、不同口感和不同风格的饮用酒，因此基酒的分级入库、贮存以及同等级的合并至关重要，可为下一步的白酒勾兑做好坚实的基础工作。

目前传统的基酒分类或分级方法主要包括感官品评法和仪器分析法。其中，感官品评法主要依赖于人工品酒师，需耗费大量的人力和时间成本，且易引入人为误差；仪器分析法包括色谱法，色谱质谱联用技术，光谱法，电子舌和电子鼻以及阵列传感器等。

部分现有技术进一步将仪器分析法与统计算法相结合，以对基酒的风味指标进行深入研究，如“基于多元色谱和主成分分析解析酱香型白酒大回酒风味品质研究”中采用多元色谱分析了酱香型白酒贮存1～3年的七个轮次基酒中的风味物质，包括酯类、醇类、醛类、酸类、酮类以及吡嗪类等的含量变化，并通过主成分分析得到其中乳酸和乳酸乙酯与酱香型白酒大回酒基酒的感官品质呈正相关。但该类方法存在较明显的一些缺陷，如其多针对一种类型的基酒，难以适用于其他类型，特别是香型复杂的白酒，如馥郁香型白酒；此外，其研究主要针对风味物质含量，而实际的白酒品级划分基于更复杂的综合指标，导致其在分级上难以到达理想的准确性。

另一方面，馥郁香型白酒具有“色清透明、诸香馥郁、入口绵甜、醇厚丰满、香味协调、回味悠长典型风格”和“前浓、中清、后酱”的独特口味特征，其香型复杂且前期相关研究较少，通过人工品评的方法也难以实现准确判断，

发明内容

针对现有技术的缺陷，本发明的目的在于提出一种可在低成本、较少样本的情况下对馥郁香型等复杂香型的白酒的基酒进行准确分级的分级方法和系统，该方法或系统能够快速、简单且准确地判断出基酒的等级，提高白酒制备的效率和质量。

本发明的技术方案如下：

基于人工智能的白酒基酒分级方法，其包括：

S1收集基酒样本的振动圆二色光谱图像(VCD图像)，由所述振动圆二色光谱图像的特征峰和/或指纹峰组成特征集；

S2将收集到的基酒样本根据人工品评进行分类和分级，将所得分级级别与其来自的基酒样本的特征集对应，形成标签数据集；

S3通过所述标签数据集进行前馈神经网络分类训练，所得训练后或进一步测试后的分类模型即为白酒基酒分级模型，通过该模型实现对白酒基酒的分级。

根据本发明的一些优选实施方式，所述特征集还包括收集的基酒样本生成信息，所述生产信息包括基酒发酵类别和基酒生产时间，所述基酒发酵类别包括底糟、中糟或盖糟。

根据本发明的一些优选实施方式，所述特征峰和/或指纹峰包括以下风味物质中的一种或多种的特征峰和/或指纹峰：乙醛、乙酸乙酯、正丙醇、仲丁醇、乙缩醛、异丁醇、正丁醇、丁酸乙酯、异戊醇、戊酸乙酯、乳酸乙酯、己酸乙酯和油酸乙酯。

根据本发明的一些优选实施方式，所述根据人工品评进行分类和分级包括：根据发酵类别，将基酒分为盖糟发酵，一次中糟发酵，二次中糟发酵，一次底糟发酵，二次底糟发酵五种大类，其后，根据基酒品质，将各大类进一步分为第一到第五等级，从所述第一等级至所述第五等级，基酒品质依次下降。

根据本发明的一些优选实施方式，所述前馈神经网络包括：进行特征集数据输入的输入层、进行基酒等级类别输出的输出层、及隐藏层；根据权重设置，所述隐藏层形成：与所述输入层相连的第一分类器和第二分类器，与所述第一分类器相连的第一子分类器和第二子分类器，其中，第一分类器为三分类器，第二分类器为五分类器，第一子分类器为二分类器，第二子分类器为三分类器。

根据本发明的一些优选实施方式，所述前馈神经网络包括：依次相连的第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第一Dropout层、Flatten层、第一～第二全连接层、第二Dropout层、第三全连接层，

根据本发明的一些优选实施方式，所述第一卷积层含有64个大小为10的卷积核，扫描步长为1，所述第一最大池化层的pool size为10，所述第二卷积层与所述第一卷积层设置相同，所述第二最大池化层与所述第一最大池化层设置相同，所述第一、第二Dropout层的Dropout率均为0.25，所述第一、第二全连接层的神经元数量分别为128和64，激活函数为relu，所述第三全连接层的神经元数量为5，激活函数为softmax。

根据本发明的一些优选实施方式，对所述前馈神经网络进行的分类训练中使用Adam优化器，Batch大小为64，学习率0.00001。

根据以上分级方法可进一步得到基于人工智能的白酒基酒分级系统，其包括存储有实现上述分级方法的程序和/或模型和/或结构数据的存储介质。

本发明所用分级方法中使用了VCD(Vibrational Circular Dichroism)光谱图像，其可测量手性物质在振动频率范围内对于左旋圆偏振光和右旋圆偏振光的吸收差，手性对映体的测定可确定产品基质的地理来源等信息，可用于质量控制、检测样品是否掺假。纯粮白酒的酿造属于自然发酵，其也有手性分子的存在，特别是其中的乳酸乙酯存在2种对映体(D-型和L-型)，2,3-丁二醇存在3种旋光异构体，即S-(+)-2,3-丁二醇、R-(-)-2,3-丁二醇、meso-(R,S)-丁二醇(内消旋体)，均可应用VCD光谱测试。

本发明的分级方法将基酒样品的VCD光谱图像以及基酒生产信息等进行特征构造，再结合前馈神经网络，通过机器学习的方法，实现对基酒的精准分级。通过基酒的精准分级，其后可实现基酒的合理调控，如将不同季节、不同发酵期、不同厂的基酒组合，增加基酒之间不同微量成分的种类和含量，提高产品质量和口味。

本发明可智能化地对基酒进行分级入库、贮存以及同等级的合并，为下一步白酒勾兑做好坚实的基础工作，其可节省人工品评的60％-80％的工作量，有效地提高基酒分类的效率，提高基酒定级的科学性和准确性。

本发明选择的前馈神经网络分类模型表现性能高，在处理高维度数据时不用做特征选择，且训练速度快、效率高，可检测特征之间的影响，且对分布不平衡的特征数据具有误差平衡的作用，在特征遗失的情况下，仍能维持很高的准确度。

本发明的前馈神经网络分级模型可在基酒分类任务中达到99.5％的精度，远高于现有技术中的其他非人工分类方法。

附图说明

图1为本发明的一种具体的分级系统的分级过程示意图。

图2为本发明的一种具体的分级模型结构示意图。

具体实施方式

以下结合实施例和附图对本发明进行详细描述，但需要理解的是，所述实施例和附图仅用于对本发明进行示例性的描述，而并不能对本发明的保护范围构成任何限制。所有包含在本发明的发明宗旨范围内的合理的变换和组合均落入本发明的保护范围。

根据本发明的技术方案，一种具体的基于人工智能的白酒基酒分级方法包括：

S1收集基酒样本的VCD图像，由图像的特征峰和/或指纹峰组成特征集；

其中，进一步的，特征集还可包括基酒样本的生成信息，如基酒发酵类别和基酒生产时间，所述基酒发酵类别包括底糟、中糟或盖糟。

所述特征峰和/或指纹峰优选为一些的风味物质的特征峰和/或指纹峰，如乙醛、乙酸乙酯、正丙醇、仲丁醇、乙缩醛、异丁醇、正丁醇、丁酸乙酯、异戊醇、戊酸乙酯、乳酸乙酯、己酸乙酯和油酸乙酯中的一种或多种的特征峰和指纹峰。

S2将收集到的基酒样本根据人工品评进行分类和分级，将所得分类类别及分级级别与其来自的基酒样本的特征集对应，形成标签数据集，在其后的模型训练中，可进一步将该数据集分为训练集和测试集分别对模型进行训练和测试。

其中，因为窑泥微生物的种类、数量、比例在上、中、下层窑池内分布不均匀，导致了一口窑池内不同层次糟醅的发酵状况和发酵特征有所区别，因此可将基酒分为盖糟发酵，一次中糟发酵，二次中糟发酵，一次底糟发酵，二次底糟发酵五种大类，其中，根据酒糟中酒精分、总酯、总酸、总醛、杂醇油及各种酸、脂、醇、醛等微量成分的含量等对应的基酒品质，将各发酵类进一步分为第一等级～第五等级。

具体如：将基酒分为G，Z1，Z2，D1，D2五种类型，分别对应盖糟发酵、一次中糟发酵、二次中糟发酵、一次底糟发酵、二次底糟发酵类，将G，Z1，Z2，D1，D2类进一步分为A1、A2、A2-、A3+、A3五个等级，

各等级分别对应：

A1：总体品质较好；

A2：窖香带糟香、较醇厚、绵甜、干净；

A2-：略有酸泥臭，糟香、较醇甜、较净；

A3+：窖香、较醇甜、略酸、后涩

A3：香单、闷、涩、糠、糟、香闷，味杂

以上分级中，A2和A2-基酒中缺少部分香气物质，A3+和A3基酒中含有异杂物质。

S3通过标签数据集进行分级模型训练，所得训练后或进一步测试后的模型即为白酒基酒分级模型，通过该模型可实现对白酒基酒的分级。

基于以上分级方法，参照图1，一种具体的分级系统包括：进行特征集数据输入的输入层、进行基酒等级类别输出的输出层、及隐藏层；根据权重设置，隐藏层形成：与输入层相连的第一分类器(图示分类器1)和第二分类器(图示分类器2)，与所述第一分类器相连的第一子分类器图示分类器(1)和第二子分类器图示分类器(2)，其中，第一分类器为三分类器，第二分类器为五分类器，第一子分类器为二分类器，第二子分类器为三分类器。

以上系统中，输入模型中的异常数据可直接通过第二分类器进行五种级别的分类；非异常数据可通过第一前馈神经分类器先划分为A1级、A2和A3+混合级、A2-和A3混合级三大类；继而A2和A3+混合级通过第一子分类器分为A2级和A3+级别、A2-和A3混合级通过第二子分类器分为A2-级和A3级，实现对A，A2，A2-，A3，A3+五个等级的区分与识别。

在一些具体实施例中，参照附图2，用于构建所述分级模型的前馈神经网络包括：依次相连的第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第一Dropout层、Flatten层、第一～第二全连接层、第二Dropout层、第三全连接层，

其中，优选的，所述第一卷积层含有64个大小为10的卷积核，扫描步长为1，第一最大池化层的pool size为10，第二卷积层与第一卷积层设置相同，第二最大池化层与第一最大池化层设置相同，第一、第二Dropout层的Dropout率均为0.25，第一、第二全连接层的神经元数量分别为128和64，激活函数为relu，第三全连接层的神经元数量为5，激活函数为softmax，第一卷积层作为输入层，第三全连接层作为输出层。

在一些具体实施例中，对所述前馈神经网络进行的分类训练中使用Adam优化器，Batch大小为64，学习率0.00001。

在具体实施例中，以上系统可基于Python的Flask框架，以HTML和CSS搭建前端API界面，并部署在web服务器上。

并在服务器上通过上传符合格式要求如csv的数据文件，生成数据的预测分类结果。所得预测结果可包括基酒编号、生产时间、基酒类别、分级结果，并可供生成与下载。

以上实施例仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例。凡属于本发明思路下的技术方案均属于本发明的保护范围。应该指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下的改进和润饰，这些改进和润饰也应视为本发明的保护范围。