1.基于卷积网络注意力机制的茶叶杀青参数智能调控方法,其特征在于,包括如下步骤:步骤1:采集茶叶加工过程中的加工参数数据、茶叶状态数据,并构建数据库;
步骤2:对采集到的茶叶数据进行预处理,并将其分为训练集、测试集;
步骤3:构建基于注意力机制和卷积神经网络的多因子茶叶杀青参数智能调控模型,所述模型包括卷积层、卷积通道注意力模块、全连接层;
步骤4:将准备好的数据放入模型中进行训练,模型能够根据茶叶多因子特征预测并智能调控杀青参数;
训练采用均方根误差(RMSE)作为损失函数;经过超参数优化后,选用Adam作为优化器,学习率设为0.001,批处理数量为4;
均方根误差的表达式如下:
其中,f(xi)为预测的加工参数值,yi为真实的加工参数值;
其中,Adam优化器的优化过程如下:
其中,mt和vt分别为RMSE梯度的一阶矩阵和二阶矩阵,和分别是对mt和vt的修正,θt是模型的参数,θt+1为模型更新的参数,和分别是一阶和二阶矩阵指数衰减速率,ε设为10e-8,η为学习率;
所述步骤1中,数据库中有若干个样本,样本由茶叶多因子特征和加工参数组成,其中多因子特征集合为{加工日期、图片G分量、茶叶片大小、茶叶等级、杀青前含水率、杀青后含水率},加工参数集合为{一区温度、二区温度、三区温度、四区温度、五区温度、滚筒速度、上料速度、排湿风机变速度};
所述步骤3中通过确定卷积层、卷积通道注意力模块、全连接层的数量以及在整个模型中的对应位置以构建模型;
所述步骤3中卷积神经网络的结构依次为:卷积核为1x3的卷积层、BN层、两个串接的卷积通道注意力模块、中间带有ReLU激活层的两个全连接层,其中ReLU的函数表达式为:f(x)=max(0,x);
将步骤2中的训练集数据输入到步骤3的模型中时,先由6扩维生成1×6,其中卷积层的步长、卷积核维度、padding分别为1、1、0,卷积核个数为64,经过卷积层后的特征维度为64×4;
所述步骤3中卷积层的特征经过BN层后,输入卷积通道注意力模块,该模块的数学模型如下:Mc(F)=σ(MLP(AvgPool(F))+MLP(VarPool(F))+MLP(MaxPool(F)))其中F为该模块的输入特征,F’为该模块的输出特征,Mc为卷积通道注意力模块的输出,AvgPool、VarPool、MaxPool分别为平均池化、方差池化、最大池化,MLP为多层感知机,σ为Sigmoid激活层,Sigmoid函数的表达式如下:所述输入特征先经过并行的平均池化、最大池化、方差池化,具体方法为求每个通道的平均值、最大值和方差,池化后得到3个平行的64×1池化特征作为MLP的输入,MLP有两层,第一层神经元个数为8,第二层神经元个数为1,平行的3个池化层数据经过同一个MLP得到3个64×1的特征,相加后得到64×1的特征,再经过Sigmoid激活层得到数据维度为64×1的通道权重,最后通道权重和输入特征相乘得到数据维度为64×4的茶叶特征;
数据维度为64×4的茶叶特征经过第二个卷积通道注意力模块输出维度为64×4的特征,经过第二个卷积通道注意力模块时能够使64个通道权重分配更加准确;再展平后特征维度变为256,作为全连接层的输入。
2.根据权利要求1所述的基于卷积网络注意力机制的茶叶杀青参数智能调控方法,其特征在于,所述步骤2中,对每批茶叶的等级和加工日期进行编码;同时对数据库中的每一项数据进行归一化预处理以消除特征量纲不同的影响并加快模型收敛速率,所述归一化预处理的具体公式如下:其中,x为每个样本中的各个参数值,min指的是每个样本中同一个参数的最小值,max为每个样本中同一个参数的最大值,x’是归一化后的值。
3.根据权利要求1所述的基于卷积网络注意力机制的茶叶杀青参数智能调控方法,其特征在于,维度为256的特征经过第一层全连接层后的数据维度变为64,再经过第二个全连接层得到维度为8的茶叶杀青加工参数。
4.根据权利要求1所述的基于卷积网络注意力机制的茶叶杀青参数智能调控方法,其特征在于,所述步骤4中模型在训练时,根据测试集的表现能够挑选出最佳的一种基于注意力机制和卷积神经网络的多因子茶叶杀青参数智能调控模型。