通心粉生产线及方法

技术领域

本申请涉及智能控制领域，且更为具体地，涉及一种通心粉生产线及方法。

背景技术

通心粉以其特殊的形状而闻名。它是一种中空的、管状的意大利面食，由于中间的通心管道，使得其在烹饪时能够更好地吸收调味汁。它的形状独特，口感丰富，适合于各种食材搭配，已经成为家庭和餐馆中常见的食材之一。

在通心粉的生产步骤中，有一步是需要将搅拌好的面团通过挤压机进行成型。面团经过挤压后，形成具有空心管道的通心粉形状。在挤压的过程中，如果挤压力过大或过小，会导致成型的通心粉出现形状不一致的问题，比如长度不一、直径不一致等，这会影响通心粉的外观质量和口感。

因此，需要一种优化的通心粉生产线。

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通心粉生产线及方法，其采用基于深度学习的人工智能控制技术，可以在通心粉生产成型的过程中基于面团的成型状态来实现挤压力的自适应控制，以此来确保通心粉生产质量的稳定性和一致性。

根据本申请的一个方面，提供了一种通心粉生产线，其包括：

数据收集模块，用于获取预定时间段内多个预定时间点的挤压力值以及所述预定时间段的面团成型监控视频；

采样模块，用于从所述面团成型监控视频提取多个成型监控关键帧；

空间特征提取模块，用于将所述多个成型监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个成型监控特征矩阵；

变化特征提取模块，用于将所述多个成型监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到成型监控变化特征向量；

挤压变化感知模块，用于将所述多个预定时间点的挤压力值按照时间维度排列为挤压力输入向量后通过包含全连接层和一维卷积层的时序编码器以得到挤压力特征向量；

响应性估计模块，用于计算所述成型监控变化特征向量相对于所述挤压力特征向量的响应性估计以得到分类特征矩阵；

优化模块，用于对所述分类特征矩阵进行优化以得到优化分类特征矩阵；

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挤压力值应增加或应减小。

在上述通心粉生产线中，所述采样模块，用于：以预定采样频率从所述面团成型监控视频提取所述多个成型监控关键帧。

在上述通心粉生产线中，所述空间特征提取模块，用于：所述使用空间注意力机制的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：基于卷积核对所述输入数据进行卷积处理以得到卷积特征图；将所述卷积特征图通过空间注意力模块以得到空间注意力得分矩阵；将所述空间注意力得分矩阵与所述卷积特征图沿通道维度的各个特征矩阵进行按位置点乘以得到空间注意力特征图；对所述空间注意力特征图进行沿通道维度的池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的第一层的输入为所述多个成型监控关键帧，所述第一卷积神经网络模型的最后一层的输出为所述多个成型监控特征矩阵。

在上述通心粉生产线中，所述变化特征提取模块，用于：所述使用三维卷积核的第二卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：对所述输入数据进行基于三维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的各个特征矩阵池化以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述成型监控变化特征向量，所述第二卷积神经网络模型的第一层的输入为所述三维输入张量。

在上述通心粉生产线中，所述挤压变化感知模块，用于：使用所述时序编码器的全连接层以如下全连接编码公式对所述挤压力输入向量进行全连接编码以提取出输入向量中各个位置的特征值的高维隐含特征；其中，所述全连接编码公式为：

其中X是所述挤压力输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，

其中，a为卷积核在x方向上的宽度，F(a)为卷积核参数向量，G(x-a)为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述挤压力输入向量，Cov(X)表示对所述挤压力输入向量进行一维卷积编码。

在上述通心粉生产线中，所述响应性估计模块，用于：以如下响应性估计公式计算所述成型监控变化特征向量相对于所述挤压力特征向量的响应性估计以得到所述分类特征矩阵；其中，所述响应性估计公式为：

其中V

在上述通心粉生产线中，所述优化模块，包括：标准化处理单元，用于对所述成型监控变化特征向量和所述挤压力特征向量的进行标准化处理以得到标准化成型监控变化特征向量和标准化挤压力特征向量的；协方差矩阵计算单元，用于计算所述标准化成型监控变化特征向量和所述标准化挤压力特征向量的之间的协方差矩阵；特征值分解单元，用于对所述协方差矩阵进行特征值分解以得到多个特征值以及与所述多个特征值对应的多个特征值向量；特征向量选取单元，用于从所述多个特征向量中提取前两个最大的特征值对应的特征值向量作为第一维度特征向量和第二维度特征向量，所述第一维度特征向量和所述第二维度特征向量作为仿射子空间的基；排列单元，用于将所述第一维度特征向量和所述第二维度特征向量按照列向量进行排列为以得到仿射子空间矩阵；类仿射变换特征向量生成单元，用于将所述成型监控变化特征向量和所述挤压力特征向量分别与所述仿射子空间矩阵进行矩阵相乘以将所述成型监控变化特征向量和所述挤压力特征向量分别映射到所述仿射子空间矩阵以得到类仿射变换成型监控变化特征向量和类仿射变换挤压力特征向量；关联特征矩阵生成单元，用于计算所述类仿射变换成型监控变化特征向量和所述类仿射变换挤压力特征向量的转置向量之间的乘积以得到关联特征矩阵；优化分类特征矩阵生成单元，用于计算所述关联特征矩阵与所述分类特征矩阵之间的矩阵乘积以得到所述优化分类特征矩阵。

在上述通心粉生产线中，所述控制结果生成模块，包括：展开单元，用于将所述优化分类特征矩阵基于行向量或列向量的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；分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

根据本申请的另一方面，提供了一种通心粉生产线的控制方法，其包括：

获取预定时间段内多个预定时间点的挤压力值以及所述预定时间段的面团成型监控视频；

从所述面团成型监控视频提取多个成型监控关键帧；

将所述多个成型监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个成型监控特征矩阵；

将所述多个成型监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到成型监控变化特征向量；

将所述多个预定时间点的挤压力值按照时间维度排列为挤压力输入向量后通过包含全连接层和一维卷积层的时序编码器以得到挤压力特征向量；

计算所述成型监控变化特征向量相对于所述挤压力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优化以得到优化分类特征矩阵；

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挤压力值应增加或应减小。

与现有技术相比，本申请提供的通心粉生产线及方法，其采用基于深度学习的人工智能控制技术，可以在通心粉生产成型的过程中基于面团的成型状态来实现挤压力的自适应控制，以此来确保通心粉生产质量的稳定性和一致性。

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。附图用于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通心粉生产线的系统框图。

图2为根据本申请实施例的通心粉生产线的架构图。

图3为根据本申请实施例的通心粉生产线中优化模块的框图。

图4为根据本申请实施例的通心粉生产线中控制结果生成模块的框图。

图5为根据本申请实施例的通心粉生产线的控制方法的流程图。

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。

申请概述

如上述背景技术所言，通心粉是一种中空的、管状的意大利面食，因其特殊形状而受欢迎。在生产过程中，面团经挤压机成型，形成具有空心管道的通心粉。挤压力过大或过小会导致通心粉成型不一致，进而影响外观和口感。因此，期待一种优化的通心粉生产线。

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通心粉生产线的控制提供了新的解决思路和方案。

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挤压力值以及所述预定时间段的面团成型监控视频。挤压力值是衡量挤压过程中施加在面团上力量大小的参数。通过获取多个预定时间点的挤压力值，可以了解挤压力的变化趋势和范围，这有助于确定通心粉生产过程中挤压力的合适范围，并检测是否存在过大或过小的挤压力导致成型不一致的问题。预定时间段的面团成型监控视频可以提供对整个成型过程的实时视觉信息。通过观察监控视频，可以检测通心粉的成型情况，比如长度、直径等参数的变化，可以帮助确定通心粉成型的质量问题。

接着，从所述面团成型监控视频提取多个成型监控关键帧。在通心粉的生产过程中，面团经过挤压机成型后形成通心粉的形状。面团成型的过程是一个动态的过程，其中包含了许多细微的变化和形态特征。通过提取多个成型监控关键帧，可以捕捉到面团成型过程中的关键时刻和关键形态。成型监控关键帧是指在面团成型过程中，具有代表性和重要信息的关键时刻的视频帧。提取这些关键帧可以将面团成型过程中的动态信息转化为静态的图像信息，方便后续的特征提取和分析。面团成型监控视频通常是连续的视频流，包含大量的帧数据。如果对整个视频进行完整的分析，需要处理的数据量会非常大，增加了计算的复杂性和资源的消耗，通过提取关键帧可以大大减少需要处理的数据量，有利于提高计算效率。

然后，将所述多个成型监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个成型监控特征矩阵。本领域普通技术人员应该知晓，卷积神经网络在特征提取方面表现优异。通过将多个成型监控关键帧输入到空间注意力机制的第一卷积神经网络模型中，可以利用卷积神经网络的特征提取能力，从每个关键帧中提取出重要的特征。空间注意力机制可以帮助卷积神经网络在提取特征时关注关键的空间位置，以便更好地捕捉面团成型过程中的重要信息。

紧接着，将所述多个成型监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到成型监控变化特征向量。应可以理解，在通心粉成型的过程中，随着时间的推移，面团的形状和状态会发生变化。这些变化包含了通心粉成型质量的重要信息，比如长度、直径等方面的变化。通过提取这些变化特征，可以判断通心粉的成型是否一致和稳定。将多个成型监控特征矩阵沿着通道维度聚合为三维输入张量，可以将时间序列的特征信息编码到张量中。这样的处理方式可以保留时间维度上的信息，并提供给三维卷积神经网络模型进行特征提取。通过使用三维卷积核的第二卷积神经网络模型，可以在三个维度上对成型监控特征进行卷积操作，从而捕捉到更丰富的特征表示。

同时，将所述多个预定时间点的挤压力值按照时间维度排列为挤压力输入向量后通过包含全连接层和一维卷积层的时序编码器以得到挤压力特征向量。应可以理解，挤压力是通心粉成型过程中的一个重要指标，它反映了面团在挤压机中的受力情况。挤压力的变化可以直接影响通心粉的成型质量。因此，通过提取挤压力的特征，可以对成型过程进行监控和控制。通过按照时间维度排列挤压力值，可以保留挤压力在不同时间点的变化趋势和动态信息。时序编码器包含全连接层和一维卷积层，可以对挤压力时间序列进行特征提取和编码。全连接层可以对挤压力输入向量进行维度变换和非线性映射，将输入向量转化为更具有表征能力的中间特征表示。一维卷积层则可以捕捉挤压力时间序列中的局部模式和关联性，提取出与挤压力变化相关的特征。通过时序编码器得到的挤压力特征向量，可以作为挤压力的抽象表示，包含了挤压力的重要特征和动态变化趋势。

进而，计算所述成型监控变化特征向量相对于所述挤压力特征向量的响应性估计以得到分类特征矩阵。应可以理解，成型监控变化特征向量是通过处理面团成型监控视频得到的，它包含了面团成型过程中的关键特征，如长度、直径等。这些特征能够反映通心粉的形状变化情况。挤压力特征向量则是通过处理挤压力时间序列得到的，它包含了挤压力的关键特征和动态变化趋势。挤压力在通心粉成型过程中是一个重要的参数，它直接影响着通心粉的形状和质量。通过计算成型监控变化特征向量相对于挤压力特征向量的响应性估计，可以衡量成型特征对于挤压力的敏感程度。最后，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挤压力值应增加或应减小的分类结果。基于所述分类结果，可以有针对性地调控挤压力值，以提高通心粉的成型质量。

特别地，考虑到成型监控变化特征向量和挤压力特征向量分别捕捉了成型过程中的形状变化和挤压力信息。通过将它们融合在一起，可以综合利用两种信息，提供更全面、更准确的特征表示。同时，成型监控变化特征向量和挤压力特征向量往往包含不同类型的信息。成型监控变化特征向量主要关注形状变化的空间特征，而挤压力特征向量则关注挤压力的时间序列特征。通过融合这两种特征，可以互补彼此的不足，提高分类模型的表达能力。并且，成型过程中的监控数据可能受到各种噪声和干扰的影响，导致特征提取的不稳定性。通过融合多种特征，可以降低单一特征的噪声敏感性，增强分类模型对于噪声和干扰的鲁棒性。

具体地，对所述成型监控变化特征向量和所述挤压力特征向量的进行仿射子空间概率化以得到关联特征矩阵，包括：对所述成型监控变化特征向量和所述挤压力特征向量的进行标准化处理以得到标准化成型监控变化特征向量和标准化挤压力特征向量的；计算所述标准化成型监控变化特征向量和所述标准化挤压力特征向量的之间的协方差矩阵；对所述协方差矩阵进行特征值分解以得到多个特征值以及与所述多个特征值对应的多个特征值向量；从所述多个特征向量中提取前两个最大的特征值对应的特征值向量作为第一维度特征向量和第二维度特征向量，所述第一维度特征向量和所述第二维度特征向量作为仿射子空间的基；将所述第一维度特征向量和所述第二维度特征向量按照列向量进行排列为以得到仿射子空间矩阵；将所述成型监控变化特征向量和所述挤压力特征向量分别与所述仿射子空间矩阵进行矩阵相乘以将所述成型监控变化特征向量和所述挤压力特征向量分别映射到所述仿射子空间矩阵以得到类仿射变换成型监控变化特征向量和类仿射变换挤压力特征向量；计算所述类仿射变换成型监控变化特征向量和所述类仿射变换挤压力特征向量的的转置向量之间的乘积以得到所述关联特征矩阵。

在本申请的技术方案中，通过对所述成型监控变化特征向量和所述挤压力特征向量的进行标准化处理以将所述成型监控变化特征向量和所述挤压力特征向量的映射到概率空间中，进而基于主成分分析思想和特征值分解来得到仿射子空间的基向量，在得到所述仿射子空间的基向量后将所述成型监控变化特征向量和所述挤压力特征向量的分别映射到一个共同的仿射子空间，进而利用逐位置关联响应来对类仿射变换后成型监控变化特征向量和挤压力特征向量的进行密集连接以得到所述关联特征矩阵。这样，可以有效地提取所述成型监控变化特征向量和所述挤压力特征向量的中数据的主要信息和结构，降低数据的复杂度和冗余度，同时还可以灵活地调整数据的维度和变换方式，适应不同的数据类型和场景。

在得到所述关联特征矩阵后，计算所述关联特征矩阵与所述分类特征矩阵之间的矩阵乘积以将所述分类特征矩阵映射到所述关联特征矩阵所在的高维特征空间中以此来进一步的利用所述成型监控变化特征向量和所述挤压力特征向量的关联特征，从而提高所述分类特征矩阵的分类判断的精准度。

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1为根据本申请实施例的通心粉生产线的系统框图。如图1所示，在通心粉生产线100中，包括：数据收集模块110，用于获取预定时间段内多个预定时间点的挤压力值以及所述预定时间段的面团成型监控视频；采样模块120，用于从所述面团成型监控视频提取多个成型监控关键帧；空间特征提取模块130，用于将所述多个成型监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个成型监控特征矩阵；变化特征提取模块140，用于将所述多个成型监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到成型监控变化特征向量；挤压变化感知模块150，用于将所述多个预定时间点的挤压力值按照时间维度排列为挤压力输入向量后通过包含全连接层和一维卷积层的时序编码器以得到挤压力特征向量；响应性估计模块160，用于计算所述成型监控变化特征向量相对于所述挤压力特征向量的响应性估计以得到分类特征矩阵；优化模块170，用于对所述分类特征矩阵进行优化以得到优化分类特征矩阵；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挤压力值应增加或应减小。

图2为根据本申请实施例的通心粉生产线的架构图。如图2所示，在该架构中，首先，获取预定时间段内多个预定时间点的挤压力值以及所述预定时间段的面团成型监控视频。接着，从所述面团成型监控视频提取多个成型监控关键帧。然后，从所述面团成型监控视频提取多个成型监控关键帧。紧接着，将所述多个成型监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到成型监控变化特征向量。同时，将所述多个预定时间点的挤压力值按照时间维度排列为挤压力输入向量后通过包含全连接层和一维卷积层的时序编码器以得到挤压力特征向量。进而，计算所述成型监控变化特征向量相对于所述挤压力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挤压力值应增加或应减小。

在通心粉生产线100中，所述数据收集模块110，用于获取预定时间段内多个预定时间点的挤压力值以及所述预定时间段的面团成型监控视频。应可以理解，挤压力值是衡量挤压过程中施加在面团上力量大小的参数。通过获取多个预定时间点的挤压力值，可以了解挤压力的变化趋势和范围，这有助于确定通心粉生产过程中挤压力的合适范围，并检测是否存在过大或过小的挤压力导致成型不一致的问题。预定时间段的面团成型监控视频可以提供对整个成型过程的实时视觉信息。通过观察监控视频，可以检测通心粉的成型情况，比如长度、直径等参数的变化，可以帮助确定通心粉成型的质量问题。这里所述预定时间段内多个预定时间点的挤压力值可以通过压力传感器收集数据获得，所述预定时间段的面团成型监控视频可以通过摄像头拍摄收集数据获得。

在通心粉生产线100中，所述采样模块120，用于从所述面团成型监控视频提取多个成型监控关键帧。应可以理解，在通心粉的生产过程中，面团经过挤压机成型后形成通心粉的形状。面团成型的过程是一个动态的过程，其中包含了许多细微的变化和形态特征。通过提取多个成型监控关键帧，可以捕捉到面团成型过程中的关键时刻和关键形态。成型监控关键帧是指在面团成型过程中，具有代表性和重要信息的关键时刻的视频帧。提取这些关键帧可以将面团成型过程中的动态信息转化为静态的图像信息，方便后续的特征提取和分析。面团成型监控视频通常是连续的视频流，包含大量的帧数据。如果对整个视频进行完整的分析，需要处理的数据量会非常大，增加了计算的复杂性和资源的消耗，通过提取关键帧可以大大减少需要处理的数据量，有利于提高计算效率。

具体地，在通心粉生产线100中，所述采样模块120，用于：以预定采样频率从所述面团成型监控视频提取所述多个成型监控关键帧。值得注意的是，这里的采样频率并不是一直固定不变的，而是视具体使用场景而定。

在通心粉生产线100中，所述空间特征提取模块130，用于将所述多个成型监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个成型监控特征矩阵。本领域普通技术人员应该知晓，卷积神经网络在特征提取方面表现优异。卷积层是卷积神经网络最重要的层之一，通过将输入数据与一组可学习的卷积核进行卷积操作来提取输入数据的局部特征，卷积操作通过滑动窗口的方式在输入数据上进行，生成一系列的特征图；池化层用于对特征图进行下采样，减少特征图维度的同时能保留主要特征；激活函数是卷积神经网络中的一个重要组成部分，通过引入非线性变换，增强网络的表达能力和拟合复杂函数的能力。通过将多个成型监控关键帧输入到空间注意力机制的第一卷积神经网络模型中，可以利用卷积神经网络的特征提取能力，从每个关键帧中提取出重要的特征。空间注意力机制可以帮助卷积神经网络在提取特征时关注关键的空间位置，以便更好地捕捉面团成型过程中的重要信息。

具体地，在通心粉生产线100中，所述空间特征提取模块130，用于：所述使用空间注意力机制的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：基于卷积核对所述输入数据进行卷积处理以得到卷积特征图；将所述卷积特征图通过空间注意力模块以得到空间注意力得分矩阵；将所述空间注意力得分矩阵与所述卷积特征图沿通道维度的各个特征矩阵进行按位置点乘以得到空间注意力特征图；对所述空间注意力特征图进行沿通道维度的池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的第一层的输入为所述多个成型监控关键帧，所述第一卷积神经网络模型的最后一层的输出为所述多个成型监控特征矩阵。

在通心粉生产线100中，所述变化特征提取模块140，用于将所述多个成型监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到成型监控变化特征向量。应可以理解，在通心粉成型的过程中，随着时间的推移，面团的形状和状态会发生变化。这些变化包含了通心粉成型质量的重要信息，比如长度、直径等方面的变化。通过提取这些变化特征，可以判断通心粉的成型是否一致和稳定。将多个成型监控特征矩阵沿着通道维度聚合为三维输入张量，可以将时间序列的特征信息编码到张量中。这样的处理方式可以保留时间维度上的信息，并提供给三维卷积神经网络模型进行特征提取。通过使用三维卷积核的第二卷积神经网络模型，可以在三个维度上对成型监控特征进行卷积操作，从而捕捉到更丰富的特征表示，这里的三个维度分别指高度维度、宽度维度以及通道维度(在该实施例里，这个通道维度指的是时间维度)。

具体地，在通心粉生产线100中，所述变化特征提取模块140，用于：所述使用三维卷积核的第二卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：对所述输入数据进行基于三维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的各个特征矩阵池化以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述成型监控变化特征向量，所述第二卷积神经网络模型的第一层的输入为所述三维输入张量。

在通心粉生产线100中，所述挤压变化感知模块150，用于将所述多个预定时间点的挤压力值按照时间维度排列为挤压力输入向量后通过包含全连接层和一维卷积层的时序编码器以得到挤压力特征向量。应可以理解，挤压力是通心粉成型过程中的一个重要指标，它反映了面团在挤压机中的受力情况。挤压力的变化可以直接影响通心粉的成型质量。因此，通过提取挤压力的特征，可以对成型过程进行监控和控制。通过按照时间维度排列挤压力值，可以保留挤压力在不同时间点的变化趋势和动态信息。时序编码器包含全连接层和一维卷积层，可以对挤压力时间序列进行特征提取和编码。全连接层可以对挤压力输入向量进行维度变换和非线性映射，将输入向量转化为更具有表征能力的中间特征表示。一维卷积层则可以捕捉挤压力时间序列中的局部模式和关联性，提取出与挤压力变化相关的特征。

通过时序编码器得到的挤压力特征向量，可以作为挤压力的抽象表示，包含了挤压力的重要特征和动态变化趋势。

具体地，在通心粉生产线100中，所述挤压变化感知模块150，用于：使用所述时序编码器的全连接层以如下全连接编码公式对所述挤压力输入向量进行全连接编码以提取出输入向量中各个位置的特征值的高维隐含特征；其中，所述全连接编码公式为：

其中X是所述挤压力输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，

其中，a为卷积核在x方向上的宽度，F(a)为卷积核参数向量，G(x-a)为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述挤压力输入向量，Cov(X)表示对所述挤压力输入向量进行一维卷积编码。

在通心粉生产线100中，所述响应性估计模块160，用于计算所述成型监控变化特征向量相对于所述挤压力特征向量的响应性估计以得到分类特征矩阵。应可以理解，成型监控变化特征向量是通过处理面团成型监控视频得到的，它包含了面团成型过程中的关键特征，如长度、直径等。这些特征能够反映通心粉的形状变化情况。挤压力特征向量则是通过处理挤压力时间序列得到的，它包含了挤压力的关键特征和动态变化趋势。挤压力在通心粉成型过程中是一个重要的参数，它直接影响着通心粉的形状和质量。通过计算成型监控变化特征向量相对于挤压力特征向量的响应性估计，可以衡量成型特征对于挤压力的敏感程度。

具体地，在通心粉生产线100中，所述响应性估计模块160，用于：以如下响应性估计公式计算所述成型监控变化特征向量相对于所述挤压力特征向量的响应性估计以得到所述分类特征矩阵；其中，所述响应性估计公式为：

其中V

特别地，考虑到成型监控变化特征向量和挤压力特征向量分别捕捉了成型过程中的形状变化和挤压力信息。通过将它们融合在一起，可以综合利用两种信息，提供更全面、更准确的特征表示。同时，成型监控变化特征向量和挤压力特征向量往往包含不同类型的信息。成型监控变化特征向量主要关注形状变化的空间特征，而挤压力特征向量则关注挤压力的时间序列特征。通过融合这两种特征，可以互补彼此的不足，提高分类模型的表达能力。并且，成型过程中的监控数据可能受到各种噪声和干扰的影响，导致特征提取的不稳定性。通过融合多种特征，可以降低单一特征的噪声敏感性，增强分类模型对于噪声和干扰的鲁棒性。

在通心粉生产线100中，所述优化模块170，用于对所述分类特征矩阵进行优化以得到优化分类特征矩阵。

图3为根据本申请实施例的通心粉生产线中优化模块的框图。如图3所示，所述优化模块170，包括：标准化处理单元171，用于对所述成型监控变化特征向量和所述挤压力特征向量的进行标准化处理以得到标准化成型监控变化特征向量和标准化挤压力特征向量的；协方差矩阵计算单元172，用于计算所述标准化成型监控变化特征向量和所述标准化挤压力特征向量的之间的协方差矩阵；特征值分解单元173，用于对所述协方差矩阵进行特征值分解以得到多个特征值以及与所述多个特征值对应的多个特征值向量；特征向量选取单元174，用于从所述多个特征向量中提取前两个最大的特征值对应的特征值向量作为第一维度特征向量和第二维度特征向量，所述第一维度特征向量和所述第二维度特征向量作为仿射子空间的基；排列单元175，用于将所述第一维度特征向量和所述第二维度特征向量按照列向量进行排列为以得到仿射子空间矩阵；类仿射变换特征向量生成单元176，用于将所述成型监控变化特征向量和所述挤压力特征向量分别与所述仿射子空间矩阵进行矩阵相乘以将所述成型监控变化特征向量和所述挤压力特征向量分别映射到所述仿射子空间矩阵以得到类仿射变换成型监控变化特征向量和类仿射变换挤压力特征向量；关联特征矩阵生成单元177，用于计算所述类仿射变换成型监控变化特征向量和所述类仿射变换挤压力特征向量的转置向量之间的乘积以得到关联特征矩阵；优化分类特征矩阵生成单元178，用于计算所述关联特征矩阵与所述分类特征矩阵之间的矩阵乘积以得到所述优化分类特征矩阵。

应可以理解，通过对所述成型监控变化特征向量和所述挤压力特征向量的进行标准化处理以将所述成型监控变化特征向量和所述挤压力特征向量的映射到概率空间中，进而基于主成分分析思想和特征值分解来得到仿射子空间的基向量，在得到所述仿射子空间的基向量后将所述成型监控变化特征向量和所述挤压力特征向量的分别映射到一个共同的仿射子空间，进而利用逐位置关联响应来对类仿射变换后成型监控变化特征向量和挤压力特征向量的进行密集连接以得到所述关联特征矩阵。这样，可以有效地提取所述成型监控变化特征向量和所述挤压力特征向量的中数据的主要信息和结构，降低数据的复杂度和冗余度，同时还可以灵活地调整数据的维度和变换方式，适应不同的数据类型和场景。计算所述关联特征矩阵与所述分类特征矩阵之间的矩阵乘积以将所述分类特征矩阵映射到所述关联特征矩阵所在的高维特征空间中以此来进一步的利用所述成型监控变化特征向量和所述挤压力特征向量的关联特征，从而提高所述分类特征矩阵的分类判断的精准度。

在通心粉生产线100中，所述控制结果生成模块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挤压力值应增加或应减小。分类器作为一种学习模型，可以学习从输入数据到输出标签的映射关系。通过训练分类器，可以学习到不同特征模式与挤压力调控之间的关联规律。将分类特征矩阵输入到分类器中，分类器会对输入的特征进行分析和处理，然后给出一个分类结果，即判断当前时间点的挤压力应该增加还是减小的决策。基于所述分类结果，可以有针对性地调控挤压力值，以提高通心粉的成型质量。

图4为根据本申请实施例的通心粉生产线中控制结果生成模块的框图。如图4所示，所述控制结果生成模块180，包括：展开单元181，用于将所述优化分类特征矩阵基于行向量或列向量的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；分类结果生成单元183，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

综上所述，基于本申请实施例的通心粉生产线100被阐明，其采用基于深度学习的人工智能控制技术，可以在通心粉生产成型的过程中基于面团的成型状态来实现挤压力的自适应控制，以此来确保通心粉生产质量的稳定性和一致性。

如上所述，根据本申请实施例的通心粉生产线100可以实现在各种终端设备中，例如用于通心粉生产线控制的服务器等。在一个示例中，根据本申请实施例的通心粉生产线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，该通心粉生产线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，该通心粉生产线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，该通心粉生产线100与该终端设备也可以是分立的设备，并且该通心粉生产线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5为根据本申请实施例的通心粉生产线的控制方法的流程图。如图5所示，在通心粉生产线的控制方法中，包括：S110，获取预定时间段内多个预定时间点的挤压力值以及所述预定时间段的面团成型监控视频；S120，从所述面团成型监控视频提取多个成型监控关键帧；S130，将所述多个成型监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个成型监控特征矩阵；S140，将所述多个成型监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到成型监控变化特征向量；S150，将所述多个预定时间点的挤压力值按照时间维度排列为挤压力输入向量后通过包含全连接层和一维卷积层的时序编码器以得到挤压力特征向量；S160，计算所述成型监控变化特征向量相对于所述挤压力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优化以得到优化分类特征矩阵；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挤压力值应增加或应减小。

在一个示例中，在上述通心粉生产线的控制方法中，所述从所述面团成型监控视频提取多个成型监控关键帧，包括：以预定采样频率从所述面团成型监控视频提取所述多个成型监控关键帧。

在一个示例中，在上述通心粉生产线的控制方法中，所述将所述多个成型监控关键帧分别通过使用空间注意力机制的第一卷积神经网络模型以得到多个成型监控特征矩阵，包括：所述使用空间注意力机制的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：基于卷积核对所述输入数据进行卷积处理以得到卷积特征图；将所述卷积特征图通过空间注意力模块以得到空间注意力得分矩阵；将所述空间注意力得分矩阵与所述卷积特征图沿通道维度的各个特征矩阵进行按位置点乘以得到空间注意力特征图；对所述空间注意力特征图进行沿通道维度的池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的第一层的输入为所述多个成型监控关键帧，所述第一卷积神经网络模型的最后一层的输出为所述多个成型监控特征矩阵。

在一个示例中，在上述通心粉生产线的控制方法中，所述将所述多个成型监控特征矩阵沿着通道维度聚合为三维输入张量后通过使用三维卷积核的第二卷积神经网络模型以得到成型监控变化特征向量，包括：所述使用三维卷积核的第二卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：对所述输入数据进行基于三维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的各个特征矩阵池化以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述成型监控变化特征向量，所述第二卷积神经网络模型的第一层的输入为所述三维输入张量。

在一个示例中，在上述通心粉生产线的控制方法中，所述将所述多个预定时间点的挤压力值按照时间维度排列为挤压力输入向量后通过包含全连接层和一维卷积层的时序编码器以得到挤压力特征向量，包括：使用所述时序编码器的全连接层以如下全连接编码公式对所述挤压力输入向量进行全连接编码以提取出输入向量中各个位置的特征值的高维隐含特征；其中，所述全连接编码公式为：

其中X是所述挤压力输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，

其中，a为卷积核在x方向上的宽度，F(a)为卷积核参数向量，G(x-a)为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述挤压力输入向量，Cov(X)表示对所述挤压力输入向量进行一维卷积编码。

在一个示例中，在上述通心粉生产线的控制方法中，所述计算所述成型监控变化特征向量相对于所述挤压力特征向量的响应性估计以得到分类特征矩阵，包括：以如下响应性估计公式计算所述成型监控变化特征向量相对于所述挤压力特征向量的响应性估计以得到所述分类特征矩阵；其中，所述响应性估计公式为：

其中V

在一个示例中，在上述通心粉生产线的控制方法中，所述对所述分类特征矩阵进行优化以得到优化分类特征矩阵，包括：对所述成型监控变化特征向量和所述挤压力特征向量的进行标准化处理以得到标准化成型监控变化特征向量和标准化挤压力特征向量的；计算所述标准化成型监控变化特征向量和所述标准化挤压力特征向量的之间的协方差矩阵；对所述协方差矩阵进行特征值分解以得到多个特征值以及与所述多个特征值对应的多个特征值向量；从所述多个特征向量中提取前两个最大的特征值对应的特征值向量作为第一维度特征向量和第二维度特征向量，所述第一维度特征向量和所述第二维度特征向量作为仿射子空间的基；将所述第一维度特征向量和所述第二维度特征向量按照列向量进行排列为以得到仿射子空间矩阵；将所述成型监控变化特征向量和所述挤压力特征向量分别与所述仿射子空间矩阵进行矩阵相乘以将所述成型监控变化特征向量和所述挤压力特征向量分别映射到所述仿射子空间矩阵以得到类仿射变换成型监控变化特征向量和类仿射变换挤压力特征向量；计算所述类仿射变换成型监控变化特征向量和所述类仿射变换挤压力特征向量的转置向量之间的乘积以得到关联特征矩阵；计算所述关联特征矩阵与所述分类特征矩阵之间的矩阵乘积以得到所述优化分类特征矩阵。

在一个示例中，在上述通心粉生产线的控制方法中，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挤压力值应增加或应减小，包括：将所述优化分类特征矩阵基于行向量或列向量的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；将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

综上所述，基于本申请实施例的通心粉生产线的控制方法被阐明，其采用基于深度学习的人工智能控制技术，可以在通心粉生产成型的过程中基于面团的成型状态来实现挤压力的自适应控制，以此来确保通心粉生产质量的稳定性和一致性。