一种人工智能摘酒装置及其摘酒方法

技术领域

本发明属于摘酒装置技术领域，具体涉及一种人工智能摘酒装置及其摘酒方法。

背景技术

目前白酒行业传统摘酒方式是采用看花摘酒的方法。看花摘酒的操作方式是通过操作人员用眼睛观察白酒流出后酒花的大小、形状、持续时间来判断此时流酒的酒精度数，区分酒头、酒体、酒尾三段。

现有技术存在以下问题：1、看花摘酒完全依赖于操作人员经验，受到操作人员主观影响大，不能形成统一的评定方法和标准，而且传承方法全靠师傅带徒弟，传承困难，人才短缺；

2、酒花受温度和压力的影响，且酒精度数越高，酒花的消散速度越快，所以易受到周围环境因素和操作人员检测速度的影响，摘酒效率及准确率不高，人为误差劣势不可比避免；

3、通过酒花这个单一因素，无法精准完成对酒的判断，其他诸如酒精浓度、发酵时间、化学成分、容器压力等都对酒的品质产生影响；

综上所述，目前传统的摘酒工艺为人工操作看花摘酒，无法保证所摘酒的品质，生产周期长，效率低，对摘酒工个人依赖性较强。

发明内容

为解决上述背景技术中提出的问题。本发明提供了一种人工智能摘酒装置，具有结构简单，摘酒方便，效率高的特点。

本发明的另一目的在于提供一种依托人工智能摘酒装置进行摘酒的方法。

为实现上述目的，本发明提供如下技术方案：一种人工智能摘酒装置，包括酒甑，所述酒甑的下端设置有压力传感器，所述酒甑的侧边下端设置有管道，所述管道的下方设置有摘酒碗，所述摘酒碗的内部设置有在线式成份分析装置，所述摘酒碗的侧边下端导管设置有电磁阀，所述管道的侧边设置有工控机，所述工控机的侧边与管道下端位置设置有在线式热成像仪，所述在线式热成像仪的下端设置有相机。

进一步的，所述工控机的侧边设置有PLC控制器。

进一步的，所述压力传感器、在线式热成像仪、相机、在线式成份分析装置、电磁阀和工控机均与PLC控制器电性连接。

进一步的，所述电磁阀的下方设置有若干原酒收集器。

进一步的，所述相机使用激光相机，自动发射激光，无需光源打光。

进一步的，所述工控机内部设置有用于计时的计时器。

进一步的，所述人工智能摘酒装置的摘酒方法如下：

一、数据采集，选取若干不同酒甑，动态采集整个摘酒过程中酒花照片，酒甑压力，发酵时间，温度数据，成份数据(包括乙醛、乙酸乙酯、甲醇、杂醇油、亚油酸乙酯、油酸乙酯、棕榈酸乙酯等浓度)，及各状态下对应的原酒等级；

二、将数据分类，分为神经网络学习部分，测试部分；

三、模型训练：将采集到的酒花状态、温度、成份、等级导入通过深度学习进行训练，建立模型，深度学习有多个隐藏的神经网络，整合了特征提取的过程，可以自动学习数据集的特征，

a)、通过对酒花状态的人工智能深度学习进行模糊集数据挖掘，允许定义模糊阈值或边界，模糊逻辑使用0.0-1.0的真值表示一个特定的值是一个成员给定的程度，而不是用类或集合精确的截断，将数据抽象化，类似于经验，没有一个确定的量化标准，

b)、对温度、压力、发酵时间、成份、挖掘出的酒花状态数据、人工判断的原酒原酒等级数据通过神经网络的正向传播、反向传播算法进行学习，神经网络包含输入层、输出层、隐含层，将挖掘出的酒花状态数据、温度、压力、发酵时间、成份做为输入层的节点，

首先进行正向传播学习，隐藏层的神经元做为节点与前一层的节点相连，前一层节点参数通过一定的权重比例线性组合，得到一个新的数，然后这个新的数被施加一个ReLU激活函数，得到一个输出值，多个神经元并行运行，同一层的神经元中线性组合的权重式不相同的，得出的结果作为新的变量传给下一层，通过对组合低层特征多重非线性变换进行多层抽象，形成更加抽象的高层表示属性类别或特征，以发现数据特征，最终得到输出值，

正向传播学习得到权重和偏向后，再根据人工判定的原酒等级数据，以及原有输入层节点数据进行反向传播学习，可以计算误差随该输出的变化情况，校正权重和偏向，

在深度学习过程中还使用了一种丢弃正则化的算法，这种算法能有效的减少神经元之间的依赖性，使神经网络更加能学习到与其他神经元之间更加健壮的特征，它不仅能减少过拟合，还能提高准确率，

在丢弃正则化过程中对丢弃函数添加一个丢弃概率调整函数,将权重值最大的神经元进行调整,第一层和最后一层不添加，

每个神经元表达式hi＝Φ(∑x

每一隐藏层取系数行列式

计算出行列式中w

x丢弃概率：

其余的进行对应的拉伸，这种方式增强了正则化的强度，

整个过程中有酒花状态(模糊判断标准)，还有酒甑压力，发酵时间，温度数据，成份数据等精准数据，两者相结合能更加有效准确的确定原酒等级，避免传统方式因个体差异造成的不准确，使用测试数据进行离线测试，若有偏差进行校正；

四、验证：对得到的模型进行验证，选择一个酒甑全过程进行验证，并对比机器检验结果和摘酒师评定结果，若有偏差较大进行校正；

五、数据累积：在使用过程数据不断的累积扩充，数据越多所包含的信息越多，神经网络的学习后给出结果就越准确，通过更多的数据收集，挖掘还能帮助改进生产工艺，提高生产效率；

六、压力传感器将数据发送给PLC控制器，PLC控制器处理后发送到工控机，数据进入输入层，其他数据直接通过工控机处理进入模型输入层，经处理后得出原酒等级，工控机将数据反馈给PLC控制器，PLC控制器打开对应的电磁阀，关闭不需要的电磁阀，原酒流入对应等级的原酒收集器中。

与现有技术相比，本发明的有益效果是：

本发明通过对酒精浓度、发酵时间、化学成分、容器压力等对酒的品质产生影响的因素进行监测和分析，避免传统的人工操作看花摘酒的摘酒工艺，无法保证所摘酒的品质，对摘酒工个人依赖性较强，通过以数据作为基础，对数据进行深度挖掘，通过神经网络对数据进行学习，找出其中隐含规律、相关性，根据当前输入数据判断出原酒等级，提高摘酒效率及准确率，避免人为误差。

附图说明

图1为本发明的结构示意图；

图2为本发明的神经网络学习图；

图中：1、酒甑；2、压力传感器；3、管道；4、摘酒碗；5、在线式热成像仪；6、相机；7、在线式成份分析装置；8、电磁阀；9、工控机；10、PLC控制器；11、原酒收集器。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-2，本发明提供以下技术方案：一种人工智能摘酒装置，包括酒甑1，酒甑1的下端设置有压力传感器2，酒甑1的侧边下端设置有管道3，管道3的下方设置有摘酒碗4，摘酒碗4的内部设置有在线式成份分析装置7，摘酒碗4的侧边下端导管设置有电磁阀8，管道3的侧边设置有工控机9，工控机9的侧边与管道3下端位置设置有在线式热成像仪5，在线式热成像仪5的下端设置有相机6。

本发明中进一步的，工控机9的侧边设置有PLC控制器10。

本发明中进一步的，压力传感器2、在线式热成像仪5、相机6、在线式成份分析装置7、电磁阀8和工控机9均与PLC控制器10电性连接。

本发明中进一步的，电磁阀8的下方设置有若干原酒收集器11。

本发明中进一步的，相机6使用激光相机，自动发射激光，无需光源打光。

本发明中进一步的，工控机9内部设置有用于计时的计时器。

本发明中进一步的，人工智能摘酒装置的摘酒方法如下：

一、数据采集，选取若干不同酒甑1，动态采集整个摘酒过程中酒花照片，酒甑压力，发酵时间，温度数据，成份数据(包括乙醛、乙酸乙酯、甲醇、杂醇油、亚油酸乙酯、油酸乙酯、棕榈酸乙酯等浓度)，及各状态下对应的原酒等级；

二、将数据分类，分为神经网络学习部分，测试部分；

三、模型训练：将采集到的酒花状态、温度、成份、等级导入通过深度学习进行训练，建立模型，深度学习有多个隐藏的神经网络，整合了特征提取的过程，可以自动学习数据集的特征，

a)、通过对酒花状态的人工智能深度学习进行模糊集数据挖掘，允许定义模糊阈值或边界，模糊逻辑使用0.0-1.0的真值表示一个特定的值是一个成员给定的程度，而不是用类或集合精确的截断，将数据抽象化，类似于经验，没有一个确定的量化标准，

b)、对温度、压力、发酵时间、成份、挖掘出的酒花状态数据、人工判断的原酒原酒等级数据通过神经网络的正向传播、反向传播算法进行学习，神经网络包含输入层、输出层、隐含层，将挖掘出的酒花状态数据、温度、压力、发酵时间、成份做为输入层的节点，

首先进行正向传播学习，隐藏层的神经元做为节点与前一层的节点相连，前一层节点参数通过一定的权重比例线性组合，得到一个新的数，然后这个新的数被施加一个ReLU激活函数，得到一个输出值，多个神经元并行运行，同一层的神经元中线性组合的权重式不相同的，得出的结果作为新的变量传给下一层，通过对组合低层特征多重非线性变换进行多层抽象，形成更加抽象的高层表示属性类别或特征，以发现数据特征，最终得到输出值，

正向传播学习得到权重和偏向后，再根据人工判定的原酒等级数据，以及原有输入层节点数据进行反向传播学习，可以计算误差随该输出的变化情况，校正权重和偏向，

在深度学习过程中还使用了一种丢弃正则化的算法，这种算法能有效的减少神经元之间的依赖性，使神经网络更加能学习到与其他神经元之间更加健壮的特征，它不仅能减少过拟合，还能提高准确率，

在丢弃正则化过程中对丢弃函数添加一个丢弃概率调整函数,将权重值最大的神经元进行调整,第一层和最后一层不添加，

每个神经元表达式hi＝Φ(∑x

每一隐藏层取系数行列式

计算出行列式中w

x丢弃概率：

其余的进行对应的拉伸，这种方式增强了正则化的强度，

整个过程中有酒花状态模糊判断标准，还有酒甑压力，发酵时间，温度数据，成份数据等精准数据，两者相结合能更加有效准确的确定原酒等级，避免传统方式因个体差异造成的不准确，使用测试数据进行离线测试，若有偏差进行校正；

四、验证：对得到的模型进行验证，选择一个酒甑全过程进行验证，并对比机器检验结果和摘酒师评定结果，若有偏差较大进行校正；

五、数据累积：在使用过程数据不断的累积扩充，数据越多所包含的信息越多，神经网络的学习后给出结果就越准确，通过更多的数据收集，挖掘还能帮助改进生产工艺，提高生产效率；

六、压力传感器2将数据发送给PLC控制器10，PLC控制器10处理后发送到工控机9，数据进入输入层，其他数据直接通过工控机9处理进入模型输入层，经处理后得出原酒等级，工控机将数据反馈给PLC控制器10，PLC控制器10打开对应的电磁阀8，关闭不需要的电磁阀8，原酒流入对应等级的原酒收集器11中。

本发明的工作原理及使用流程：本发明使用时：

一、数据采集，选取若干不同酒甑1，动态采集整个摘酒过程中酒花照片，酒甑压力，发酵时间，温度数据，成份数据(包括乙醛、乙酸乙酯、甲醇、杂醇油、亚油酸乙酯、油酸乙酯、棕榈酸乙酯等浓度)，及各状态下对应的原酒等级；

二、将数据分类，分为神经网络学习部分，测试部分；

三、模型训练：将采集到的酒花状态、温度、成份、等级导入通过深度学习进行训练，建立模型，深度学习有多个隐藏的神经网络，整合了特征提取的过程，可以自动学习数据集的特征，

a)、通过对酒花状态的人工智能深度学习进行模糊集数据挖掘，允许定义模糊阈值或边界，模糊逻辑使用0.0-1.0的真值表示一个特定的值是一个成员给定的程度，而不是用类或集合精确的截断，将数据抽象化，类似于经验，没有一个确定的量化标准，

b)、对温度、压力、发酵时间、成份、挖掘出的酒花状态数据、人工判断的原酒原酒等级数据通过神经网络的正向传播、反向传播算法进行学习，神经网络包含输入层、输出层、隐含层，将挖掘出的酒花状态数据、温度、压力、发酵时间、成份做为输入层的节点，

首先进行正向传播学习，隐藏层的神经元做为节点与前一层的节点相连，前一层节点参数通过一定的权重比例线性组合，得到一个新的数，然后这个新的数被施加一个ReLU激活函数，得到一个输出值，多个神经元并行运行，同一层的神经元中线性组合的权重式不相同的，得出的结果作为新的变量传给下一层，通过对组合低层特征多重非线性变换进行多层抽象，形成更加抽象的高层表示属性类别或特征，以发现数据特征，最终得到输出值，

正向传播学习得到权重和偏向后，再根据人工判定的原酒等级数据，以及原有输入层节点数据进行反向传播学习，可以计算误差随该输出的变化情况，校正权重和偏向，

在深度学习过程中还使用了一种丢弃正则化的算法，这种算法能有效的减少神经元之间的依赖性，使神经网络更加能学习到与其他神经元之间更加健壮的特征，它不仅能减少过拟合，还能提高准确率，

在丢弃正则化过程中对丢弃函数添加一个丢弃概率调整函数,将权重值最大的神经元进行调整,第一层和最后一层不添加，

每个神经元表达式hi＝Φ(∑x

每一隐藏层取系数行列式

计算出行列式中w

x丢弃概率：

其余的进行对应的拉伸，这种方式增强了正则化的强度，

整个过程中有酒花状态模糊判断标准，还有酒甑压力，发酵时间，温度数据，成份数据等精准数据，两者相结合能更加有效准确的确定原酒等级，避免传统方式因个体差异造成的不准确，使用测试数据进行离线测试，若有偏差进行校正；

四、验证：对得到的模型进行验证，选择一个酒甑全过程进行验证，并对比机器检验结果和摘酒师评定结果，若有偏差较大进行校正；

五、数据累积：在使用过程数据不断的累积扩充，数据越多所包含的信息越多，神经网络的学习后给出结果就越准确，通过更多的数据收集，挖掘还能帮助改进生产工艺，提高生产效率；

六、压力传感器2将数据发送给PLC控制器10，PLC控制器10处理后发送到工控机9，数据进入输入层，其他数据直接通过工控机9处理进入模型输入层，经处理后得出原酒等级，工控机将数据反馈给PLC控制器10，PLC控制器10打开对应的电磁阀8，关闭不需要的电磁阀8，原酒流入对应等级的原酒收集器11中。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。