开云优惠体育网页版入口

专利名称：鱼风味辣椒酱的生产控制方法及系统

专利类型：发明专利

专利申请号：CN202411242166.4

专利申请（专利权）人：四川王家渡食品股份有限公司
权利人地址：四川省眉山市东坡区经济开发区科工园一路

专利发明（设计）人：王刚,李鹏,钟长明,何正宏,刘国民,罗恒

专利摘要：本发明属于生产管理技术领域，提供了鱼风味辣椒酱的生产控制方法及系统。所述方法包括：接收鱼风味辣椒酱的配方、目标辣度及目标酸度；使用深度分析模型对配方中影响辣度和酸度的主配方原料、辅配方原料、发酵参数进行处理得到辣度关联关系和酸度关联关系，据此确定得出影响辣度和酸度的主配方原料和辅配方原料的配比；按照确定出的配比对配方原料的量进行调控，并对配方原料依次进行预处理、腌制、发酵，生产得出符合目标辣度和目标酸度的鱼风味辣椒酱。本发明使用深度分析技术来分析配方中各原料与生产出的鱼风味辣椒酱的辣度和酸度的关联关系，据此确定出在对应的发酵条件下最合适的原料配比，可降低生产成本和保持产品的天然风味。

主权利要求：
1.一种鱼风味辣椒酱的生产控制方法，其特征在于，包括如下步骤：
接收鱼风味辣椒酱的配方、目标辣度及目标酸度；其中，所述配方中包括鲜二荆条、鲜小米辣、红花椒、八角、山柰、鲜青花椒粒、藿香、大蒜、仔姜、芹菜、盐、鲫鱼、白酒、醪糟、菜籽油；
对所述配方进行分析处理，获得影响辣度的第一主配方原料和第一辅配方原料，影响酸度的第二主配方原料和第二辅配方原料；
使用深度分析模型对所述第一主配方原料、所述第一辅配方原料、所述第二主配方原料、所述第二辅配方原料、第一发酵温度和第一发酵湿度进行深度处理，获得辣度关联关系和酸度关联关系；其中，所述辣度关联关系用于表示生产得出的鱼风味辣椒酱的实际辣度与所述第一主配方原料、所述第一辅配方原料的配比的对应关系，所述酸度关联关系用于表示生产得出的鱼风味辣椒酱的实际酸度与所述第二主配方原料、所述第二辅配方原料的配比的对应关系；所述第一发酵温度和所述第一发酵湿度是预设的；
基于所述目标辣度和所述辣度关联关系确定得出影响辣度的所述第一主配方原料和所述第一辅配方原料的第一配比，根据所述目标酸度和所述酸度关联关系确定得出影响酸度的所述第二主配方原料和所述第二辅配方原料的第二配比；
按照所述第一配比、所述第二配比对配方原料的量进行调控，并对配方原料依次进行预处理、腌制、发酵，生产得出符合所述目标辣度和所述目标酸度的鱼风味辣椒酱；
所述方法还包括：
获取鱼风味辣椒酱的若干条真实生产数据，每条所述真实生产数据包括：影响辣度的第三主配方原料和第三辅配方原料的配比，影响酸度的第四主配方原料和第四辅配方原料的配比，发酵参数，第一实际辣度、第一实际酸度；其中，所述发酵参数包括第二发酵温度和第二发酵湿度；
根据所述真实生产数据构成训练数据集，使用该训练数据集中的训练数据对所述深度分析模型进行训练，直至达到训练终止条件；
所述根据所述真实生产数据构成训练数据集，包括：
根据所述真实生产数据构成第一组训练数据；
调控所述配方中的所述第一主配方原料、所述第一辅配方原料、所述第二主配方原料、所述第二辅配方原料的第三配比，以及调控所述发酵参数，对所述第三配比和所述发酵参数进行排列组合，获得仿真输入数据，将所述仿真输入数据输入仿真软件，仿真获得仿真输出数据，所述仿真输出数据包括第二实际辣度、第二实际酸度；
根据所述仿真输入数据和所述仿真输出数据构造得到第二组训练数据，根据所述第一组训练数据和所述第二组训练数据融合得出所述训练数据集；
所述根据所述第一组训练数据和所述第二组训练数据融合得出所述训练数据集，包括：
所述真实生产数据中还包括人为调控次数记录数据，根据各所述人为调控次数记录数据计算得出平均人为调控次数；
根据所述平均人为调控次数和对应的负相关函数计算得出所述第一组训练数据的第一占比，根据所述第一占比确定所述第二组训练数据的第二占比；
根据训练数据预设量和所述第一占比、所述第二占比确定得出所述第一组训练数据中的第一数据量、所述第二组训练数据中的第二数据量；
从所述第一组训练数据中随机挑选得出所述第一数据量的训练数据，以及从所述第二组训练数据中随机挑选得出所述第二数据量的训练数据，构成所述训练数据集。
2.根据权利要求1所述的一种鱼风味辣椒酱的生产控制方法，其特征在于：所述负相关函数的表达式如下：；
式中，Perc1代表所述第一占比，Perc为所述第一占比的基础数值，n为平均人为调控次数，n1为各所述调控次数记录数据中的人为调控次数的中位值，n2为各所述调控次数记录数据中的人为调控次数的最大值。
3.根据权利要求1所述的一种鱼风味辣椒酱的生产控制方法，其特征在于：所述深度分析模型基于卷积神经网络或生成对抗网络来构建。
4.一种基于权利要求1所述生产控制方法的生产控制系统，包括接收模块、第一处理模块、第二处理模块、第三处理模块、控制模块；其特征在于：所述接收模块，用于接收鱼风味辣椒酱的配方、目标辣度及目标酸度；其中，所述配方中包括鲜二荆条、鲜小米辣、红花椒、八角、山柰、鲜青花椒粒、藿香、大蒜、仔姜、芹菜、盐、鲫鱼、白酒、醪糟、菜籽油；
所述第一处理模块，用于对所述配方进行分析处理，获得影响辣度的第一主配方原料和第一辅配方原料，影响酸度的第二主配方原料和第二辅配方原料；
所述第二处理模块，用于使用深度分析模型对所述第一主配方原料、所述第一辅配方原料、所述第二主配方原料、所述第二辅配方原料、第一发酵温度和第一发酵湿度进行深度处理，获得辣度关联关系和酸度关联关系；其中，所述辣度关联关系用于表示生产得出的鱼风味辣椒酱的实际辣度与所述第一主配方原料、所述第一辅配方原料的配比的对应关系，所述酸度关联关系用于表示生产得出的鱼风味辣椒酱的实际酸度与所述第二主配方原料、所述第二辅配方原料的配比的对应关系；所述第一发酵温度和所述第一发酵湿度是预设的；
所述第三处理模块，用于基于所述目标辣度和所述辣度关联关系确定得出影响辣度的所述第一主配方原料和所述第一辅配方原料的第一配比，根据所述目标酸度和所述酸度关联关系确定得出影响酸度的所述第二主配方原料和所述第二辅配方原料的第二配比；
所述控制模块，用于按照所述第一配比、所述第二配比对配方原料的量进行调控，并对配方原料依次进行预处理、腌制、发酵，生产得出符合所述目标辣度和所述目标酸度的鱼风味辣椒酱。 说明书 : 鱼风味辣椒酱的生产控制方法及系统技术领域[0001] 本发明涉及生产管理技术领域，具体而言，涉及鱼风味辣椒酱的生产控制方法及系统。背景技术[0002] 鱼风味辣椒酱是一种调味品，通常由辣椒、鱼类或鱼露、盐、糖和其他香料混合制成，可以用作蘸酱或烹饪时的调味料。现有的鱼风味辣椒酱的生产都是从原料配比的角度确定生产参数，而不能从产品参数指标的角度确定生产参数，产品参数指标例如是辣度、酸度等。然而，前端的原料配比与后端生产出的产品的参数指标之间一般很难精确对应，这受到生产过程中的多种因素的干扰（例如发酵环境、时长等），导致生产出的鱼风味辣椒酱还需要进行多次的调控才能达到预期的产品参数指标，这无疑会增加鱼风味辣椒酱生产厂家的生产成本。本发明旨在提供针对上述技术问题的解决方式。发明内容[0003] 为了解决上述背景技术中存在的技术问题，本发明提供了一种鱼风味辣椒酱的生产控制方法、系统、电子设备、存储介质及计算机程序产品。[0004] 本发明提供了一种鱼风味辣椒酱的生产控制方法，包括如下步骤：[0005] 接收鱼风味辣椒酱的配方、目标辣度及目标酸度；其中，所述配方中包括鲜二荆条、鲜小米辣、红花椒、八角、山柰、鲜青花椒粒、藿香、大蒜、仔姜、芹菜、盐、鲫鱼、白酒、醪糟、菜籽油；[0006] 对所述配方进行分析处理，获得影响辣度的第一主配方原料和第一辅配方原料，影响酸度的第二主配方原料和第二辅配方原料；[0007] 使用深度分析模型对所述第一主配方原料、所述第一辅配方原料、所述第二主配方原料、所述第二辅配方原料、第一发酵温度和第一发酵湿度进行深度处理，获得辣度关联关系和酸度关联关系；其中，所述辣度关联关系用于表示生产得出的鱼风味辣椒酱的实际辣度与所述第一主配方原料、所述第一辅配方原料的配比的对应关系，所述酸度关联关系用于表示生产得出的鱼风味辣椒酱的实际酸度与所述第二主配方原料、所述第二辅配方原料的配比的对应关系；所述第一发酵温度和所述第一发酵湿度是预设的；[0008] 基于所述目标辣度和所述辣度关联关系确定得出影响辣度的所述第一主配方原料和所述第一辅配方原料的第一配比，根据所述目标酸度和所述酸度关联关系确定得出影响酸度的所述第二主配方原料和所述第二辅配方原料的第二配比；[0009] 按照所述第一配比、所述第二配比对配方原料的量进行调控，并对配方原料依次进行预处理、腌制、发酵，生产得出符合所述目标辣度和所述目标酸度的鱼风味辣椒酱。[0010] 在一些实施例中，所述方法还包括：[0011] 获取鱼风味辣椒酱的若干条真实生产数据，每条所述真实生产数据包括：影响辣度的第三主配方原料和第三辅配方原料的配比，影响酸度的第四主配方原料和第四辅配方原料的配比，发酵参数，第一实际辣度、第一实际酸度；其中，所述发酵参数包括第二发酵温度和第二发酵湿度；[0012] 根据所述真实生产数据构成训练数据集，使用该训练数据集中的训练数据对所述深度分析模型进行训练，直至达到训练终止条件。[0013] 在一些实施例中，所述根据所述真实生产数据构成训练数据集，包括：[0014] 根据所述真实生产数据构成第一组训练数据；[0015] 调控所述配方中的所述第一主配方原料、所述第一辅配方原料、所述第二主配方原料、所述第二辅配方原料的第三配比，以及调控所述发酵参数，对所述第三配比和所述发酵参数进行排列组合，获得仿真输入数据，将所述仿真输入数据输入仿真软件，仿真获得仿真输出数据，所述仿真输出数据包括第二实际辣度、第二实际酸度；[0016] 根据所述仿真输入数据和所述仿真输出数据构造得到第二组训练数据，根据所述第一组训练数据和所述第二组训练数据融合得出所述训练数据集。[0017] 在一些实施例中，所述根据所述第一组训练数据和所述第二组训练数据融合得出所述训练数据集，包括：[0018] 所述真实生产数据中还包括人为调控次数记录数据，根据各所述人为调控次数记录数据计算得出平均人为调控次数；[0019] 根据所述平均人为调控次数和对应的负相关函数计算得出所述第一组训练数据的第一占比，根据所述第一占比确定所述第二组训练数据的第二占比；[0020] 根据训练数据预设量和所述第一占比、所述第二占比确定得出所述第一组训练数据中的第一数据量、所述第二组训练数据中的第二数据量；[0021] 从所述第一组训练数据中随机挑选得出所述第一数据量的训练数据，以及从所述第二组训练数据中随机挑选得出所述第二数据量的训练数据，构成所述训练数据集。[0022] 在一些实施例中，所述负相关函数的表达式如下：[0023] ；[0024] 式中，Perc1代表所述第一占比，Perc为所述第一占比的基础数值，n为平均人为调控次数，n1为各所述调控次数记录数据中的人为调控次数的中位值，n2为各所述调控次数记录数据中的人为调控次数的最大值。[0025] 在一些实施例中，所述深度分析模型基于卷积神经网络或生成对抗网络来构建。[0026] 本发明还提供了一种鱼风味辣椒酱的生产控制系统，包括接收模块、第一处理模块、第二处理模块、第三处理模块、控制模块；其特征在于：[0027] 所述接收模块，用于接收鱼风味辣椒酱的配方、目标辣度及目标酸度；其中，所述配方中包括鲜二荆条、鲜小米辣、红花椒、八角、山柰、鲜青花椒粒、藿香、大蒜、仔姜、芹菜、盐、鲫鱼、白酒、醪糟、菜籽油；[0028] 所述第一处理模块，用于对所述配方进行分析处理，获得影响辣度的第一主配方原料和第一辅配方原料，影响酸度的第二主配方原料和第二辅配方原料；[0029] 所述第二处理模块，用于使用深度分析模型对所述第一主配方原料、所述第一辅配方原料、所述第二主配方原料、所述第二辅配方原料、第一发酵温度和第一发酵湿度进行深度处理，获得辣度关联关系和酸度关联关系；其中，所述辣度关联关系用于表示生产得出的鱼风味辣椒酱的实际辣度与所述第一主配方原料、所述第一辅配方原料的配比的对应关系，所述酸度关联关系用于表示生产得出的鱼风味辣椒酱的实际酸度与所述第二主配方原料、所述第二辅配方原料的配比的对应关系；所述第一发酵温度和所述第一发酵湿度是预设的；[0030] 所述第三处理模块，用于基于所述目标辣度和所述辣度关联关系确定得出影响辣度的所述第一主配方原料和所述第一辅配方原料的第一配比，根据所述目标酸度和所述酸度关联关系确定得出影响酸度的所述第二主配方原料和所述第二辅配方原料的第二配比；[0031] 所述控制模块，用于按照所述第一配比、所述第二配比对配方原料的量进行调控，并对配方原料依次进行预处理、腌制、发酵，生产得出符合所述目标辣度和所述目标酸度的鱼风味辣椒酱。[0032] 本发明还提供了一种电子设备，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，执行如前任一项所述的方法。[0033] 本发明还提供了一种计算机存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上任一项所述的方法。[0034] 本发明还提供了一种计算机程序产品，所述计算机程序产品中包含计算机程序，该计算机程序被电子设备的处理器执行时，实现如上任一项所述的方法。[0035] 本发明使用深度分析技术来分析配方中各原料与生产出的鱼风味辣椒酱的辣度和酸度的关联关系，据此确定出在对应的发酵条件下最合适的原料配比，使得生产出的鱼风味辣椒酱的实际辣度和实际酸度与预期的目标辣度和目标酸度最为接近，减少后期人为调控酸度和辣度的次数，从而降低生产成本和保持产品的天然风味。附图说明[0036] 附图用于更好地理解本方案，不构成对本公开的限定。其中：[0037] 图1是本发明实施例公开的一种鱼风味辣椒酱的生产控制方法的流程示意图；[0038] 图2是本发明实施例公开的一种鱼风味辣椒酱的生产控制系统的结构示意图。具体实施方式[0039] 以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。[0040] 请参阅图1，本发明实施例公开了一种鱼风味辣椒酱的生产控制方法，包括如下步骤：[0041] 接收鱼风味辣椒酱的配方、目标辣度及目标酸度；其中，所述配方中包括鲜二荆条、鲜小米辣、红花椒、八角、山柰、鲜青花椒粒、藿香、大蒜、仔姜、芹菜、盐、鲫鱼、白酒、醪糟、菜籽油；[0042] 对所述配方进行分析处理，获得影响辣度的第一主配方原料和第一辅配方原料，影响酸度的第二主配方原料和第二辅配方原料；[0043] 使用深度分析模型对所述第一主配方原料、所述第一辅配方原料、所述第二主配方原料、所述第二辅配方原料、第一发酵温度和第一发酵湿度进行深度处理，获得辣度关联关系和酸度关联关系；其中，所述辣度关联关系用于表示生产得出的鱼风味辣椒酱的实际辣度与所述第一主配方原料、所述第一辅配方原料的配比的对应关系，所述酸度关联关系用于表示生产得出的鱼风味辣椒酱的实际酸度与所述第二主配方原料、所述第二辅配方原料的配比的对应关系；所述第一发酵温度和所述第一发酵湿度是预设的；[0044] 基于所述目标辣度和所述辣度关联关系确定得出影响辣度的所述第一主配方原料和所述第一辅配方原料的第一配比，根据所述目标酸度和所述酸度关联关系确定得出影响酸度的所述第二主配方原料和所述第二辅配方原料的第二配比；[0045] 按照所述第一配比、所述第二配比对配方原料的量进行调控，并对配方原料依次进行预处理、腌制、发酵，生产得出符合所述目标辣度和目标酸度的鱼风味辣椒酱。[0046] 参照背景技术所述，现有的鱼风味辣椒酱生产线仅是按照配方来确定用于生产的各原料的配比，然而生产过程中的多种因素（例如发酵环境、时长等）都会影响到最终生产出的鱼风味辣椒酱的辣度和酸度，即容易出现前端的原料配比与后端生产出的产品的参数指标之间一般很难精确对应，这就必须再通过多次的人为调配才能达到预期的产品辣度和酸度。如此一来，一方面会增加鱼风味辣椒酱生产厂家的生产成本，另一方面也会导致鱼风味辣椒酱的风味不够天然。[0047] 针对上述技术问题，本发明采用从产品参数指标的角度确定用于生产的各原料的配比的方案。先对本次生产所确定出的配方进行分析处理，获得影响辣度的第一主配方原料和第一辅配方原料，影响酸度的第二主配方原料和第二辅配方原料。[0048] 参考上述配方表，鲜二荆条和鲜小米辣这两种辣椒都含有辣椒素，是决定辣椒酱辣度的关键因素，辣椒素含量越高，辣椒酱的辣度越大。所以，本发明中的第一主配方原料包括鲜荆二条、鲜小米辣、鲜青花椒粒（在选用某些带辣味的青花椒品种时）。大蒜、仔姜、芹菜，在发酵过程中可能会产生一些生物活性物质，如硫化物和挥发性有机化合物，它们会影响辣椒素的释放或人体对其的感知；白酒中的酒精可以提取辣椒中的辣椒素，因此在发酵过程中使用白酒会增加辣椒酱的辣度；醪糟含有的微生物和酶会影响辣椒素的转化或降解，从而间接影响辣度。所以，本发明中的第一辅配方原料包括大蒜、仔姜、芹菜、白酒、醪糟。[0049] 醪糟是一种发酵食品，通：腥樗岷推渌谢，会直接为辣椒酱提供酸味；白酒虽然本身不酸，但在发酵过程中，其中的酒精会转化为酸，从而增加酸度。所以，本发明中的第二主配方原料包括醪糟、白酒。大蒜、仔姜、芹菜这些蔬菜在发酵过程中由于酶的作用产生酸性物质，如大蒜中的蒜酶可以催化蒜氨酸生成酸；鲫鱼肉中的蛋白质可以在发酵过程中分解产生氨基酸，部分氨基酸如谷氨酸在某些条件下转化为酸性物质；鲜二荆条、鲜小米辣这两款辣椒在发酵过程中可能会产生少量的酸性物质，尤其是如果发酵条件导致微生物活动产生乳酸或其他有机酸。所以，本发明中的第二辅配方原料包括大蒜、仔姜、芹菜、鲫鱼、鲜二荆条、鲜小米辣。[0050] 生产线的生产参数（发酵温度和发酵湿度）是可以预设的，此时，使用构建的深度分析模型对上述的第一主配方原料、第一辅配方原料、第二主配方原料、第二辅配方原料、第一发酵温度和第一发酵湿度进行深度处理，实现了在生产线的发酵条件即发酵温度和发酵湿度已知的情况下，深度分析模型分析得出生产出的鱼风味辣椒酱的实际辣度与第一主配方原料、第一辅配方原料的配比的对应关系即辣度关联关系，以及生产得出的鱼风味辣椒酱的实际酸度与第二主配方原料、第二辅配方原料的配比的对应关系即酸度关联关系。经过训练的深度分析模型中存储有多组辣度关联关系、酸度关联关系，深度分析模型的该步骤处理实际上是筛选出匹配的辣度关联关系和酸度关联关系。[0051] 由于目标辣度和目标酸度也是预知的，所以，基于上述目标辣度和辣度关联关系就可以确定出影响辣度的第一主配方原料和第一辅配方原料的第一配比，根据目标酸度和酸度关联关系确定得出影响酸度的第二主配方原料和第二辅配方原料的第二配比。按照该第一配比和第二配比确定出配方中各原料的量，再对确定好的原料依次进行预处理（包括清洗、去内脏、分切、绞制等）、腌制、发酵（定期开坛检查物料发酵情况，检查物料发酵情况，有无霉变、酸败等；检查合格后用搅拌棒在坛中再次搅拌均匀物料），生产得出鱼风味辣椒酱的实际辣度和实际酸度即与预期的目标辣度和目标酸度最为接近，从而可以减少人为后期调控的次数，既可以降低鱼风味辣椒酱生产厂家的生产成本，也能够尽量保持鱼风味辣椒酱的天然风味。[0052] 下表即是使用本发明的上述方案确定出的在某一组发酵温度和发酵湿度的发酵条件下的配方及其原料配比。[0053] 原料名称 重量（kg） 原料名称 重量（kg）鲜二荆条 100 仔姜 8鲜小米辣 10 芹菜 3.5红花椒 0.2 盐 22八角 0.3 鲫鱼 12山柰 0.2 白酒 5鲜青花椒粒 1 醪糟 2.6藿香 1.2 菜籽油 15大蒜 5[0054] 在一些实施例中，所述方法还包括：[0055] 获取鱼风味辣椒酱的若干条真实生产数据，每条所述真实生产数据包括：影响辣度的第三主配方原料和第三辅配方原料的配比，影响酸度的第四主配方原料和第四辅配方原料的配比，发酵参数，第一实际辣度、第一实际酸度；其中，所述发酵参数包括第二发酵温度和第二发酵湿度；[0056] 根据所述真实生产数据构成训练数据集，使用该训练数据集中的训练数据对所述深度分析模型进行训练，直至达到训练终止条件。[0057] 在本实施例中，本发明的深度分析模型需要预先进行足量训练，才可以在其内部建立起与多种不同的发酵参数对应的辣度关联关系和酸度关联关系。后续才可以基于该辣度关联关系和酸度关联关系准确确定出影响辣度的第一主配方原料和第一辅配方原料的第一配比、影响酸度的第二主配方原料和第二辅配方原料的第二配比。[0058] 本发明主要基于鱼风味辣椒酱的真实生产数据，即收集辣椒酱生产线的多条（不低于500条）生产数据，这些生产数据中包含配方数据，即影响辣度的第三主配方原料和第三辅配方原料、影响酸度的第四主配方原料和第四辅配方原料，以及发酵温度和发酵湿度这类实际采取的发酵参数，还有就是实际测得的第一实际辣度、第一实际酸度。[0059] 根据真实生产数据构成的训练数据的格式可以为：辣度配方矩阵、酸度配方矩阵、发酵参数矩阵、辣酸度矩阵。其中的辣度配方矩阵即为[第三主配方原料的配比，第三辅配方原料的配比]，酸度配方矩阵即为[第四主配方原料的配比，第四辅配方原料的配比]。上述矩阵化处理后的影响辣度和酸度的配方原料的配比、发酵参数与对应的辣酸度矩阵进行关联，用于表征在设定的发酵参数下，采用影响辣度和酸度的配方原料的对应配比生产得出的鱼风味辣椒酱的实际辣度（预测值）和实际酸度（预测值）。通过充分的训练之后，深度分析模型即建立起多组与不同配方比、不同的发酵参数对应的辣度关联关系和酸度关联关系。[0060] 在一些实施例中，所述根据所述真实生产数据构成训练数据集，包括：[0061] 根据所述真实生产数据构成第一组训练数据；[0062] 调控所述配方中的所述第一主配方原料、所述第一辅配方原料、所述第二主配方原料、所述第二辅配方原料的第三配比，以及调控所述发酵参数，对所述第三配比和所述发酵参数进行排列组合，获得仿真输入数据，将所述仿真输入数据输入仿真软件，仿真获得仿真输出数据，所述仿真输出数据包括第二实际辣度、第二实际酸度；[0063] 根据所述仿真输入数据和所述仿真输出数据构造得到第二组训练数据，根据所述第一组训练数据和所述第二组训练数据融合得出所述训练数据集。[0064] 在本实施例中，本发明中的训练数据包括真实生产数据和仿真模拟数据。对收集得到的鱼风味辣椒酱的若干条真实生产数据按照前述提到的数据格式进行整理，获得第一组训练数据。[0065] 同时，对上述配方中的第一主配方原料、第一辅配方原料、第二主配方原料、第二辅配方原料的第三配比进行调控，以及对发酵参数中的发酵温度和发酵湿度进行调控，再对第三配比和发酵参数进行排列组合，从而获得了不同配比的配方和不同的发酵参数，将其作为仿真输入数据输入到例如COMSOLMultiphysics或者Pensim的仿真软件进行仿真处理，上述仿真软件可以模拟发酵过程中的物理和化学反应，从而获得鱼风味辣椒酱的包括酸度和辣度等特性的仿真预测值。仿真软件输出基于仿真输入数据的对应的第二实际辣度、第二实际酸度，作为仿真输出数据。将仿真输入数据和仿真输出数据按照上述数据格式构建得出第二组训练数据。再对第一组训练数据和第二组训练数据融合，可得出最终的训练数据集。[0066] 本发明采用真实数据和仿真数据相结合的方式来构建训练数据集，其中真实数据中实际上包含了较多的失真数据，即生产得出的鱼风味辣椒酱的辣度和酸度与预期辣度和酸度具有一定程度的偏差；而仿真数据中则是理想数据，其在真实生产中较难实现。通过对训练数据的虚实结合，本发明训练得出的深度分析模型可以建立起更符合真实生产情况的辣度关联关系和酸度关联关系。[0067] 在一些实施例中，所述根据所述第一组训练数据和所述第二组训练数据融合得出所述训练数据集，包括：[0068] 所述真实生产数据中还包括人为调控次数记录数据，根据各所述人为调控次数记录数据计算得出平均人为调控次数；[0069] 根据所述平均人为调控次数和对应的负相关函数计算得出所述第一组训练数据的第一占比，根据所述第一占比确定所述第二组训练数据的第二占比；[0070] 根据训练数据预设量和所述第一占比、所述第二占比确定得出所述第一组训练数据中的第一数据量、所述第二组训练数据中的第二数据量；[0071] 从所述第一组训练数据中随机挑选得出所述第一数据量的训练数据，以及从所述第二组训练数据中随机挑选得出所述第二数据量的训练数据，构成所述训练数据集。[0072] 在本实施例中，训练数据集中的数据量是预设的，例如为800个，此时就需要确定从第一组训练数据和第二组训练数据中分别挑选出的数据量。前述获取到的真实生产数据中还包括人为调控次数记录数据，在生产得出鱼风味辣椒酱之后，工作人员会采用测试设备来测定该批次鱼风味辣椒酱的辣度和酸度，在辣度和酸度与预期值有较大偏差时，就需要通过人为调控方式来进行微调，微调可能需要多次，对应的记录也有多条。根据各条真实生产数据中的人为调控次数记录数据计算得出平均人为调控次数。在平均人为调控次数越大时，说明实际生产过程中很难把握发酵过程（偏差越大，就需要更多次的调控），导致生产得出的鱼风味辣椒酱的辣度和酸度与预期值不可避免的存在偏差，此时可适当调低第一组训练数据的占比、调高第二组训练数据的占比。即通过使用更多的更符合理论值的第二组训练数据来训练深度分析模型，这样有利于提升深度分析模型分析得出更合理的辣度关联关系和酸度关联关系。第一占比和第二占比的总和为1。[0073] 其中，第一占比和平均人为调控次数符合负相关关系。平均人为调控次数变高时，第一占比对应变。吹鞯脱盗肥菁欣醋缘谝蛔檠盗肥葜械氖萘浚黄骄宋骺卮问涞褪，第一占比对应变大，即调高训练数据集中来自第一组训练数据中的数据量。[0074] 在一些实施例中，所述负相关函数的表达式如下：[0075] ；[0076] 式中，Perc1代表所述第一占比，Perc为所述第一占比的基础数值，n为平均人为调控次数，n1为各所述调控次数记录数据中的人为调控次数的中位值，n2为各所述调控次数记录数据中的人为调控次数的最大值。[0077] 在本实施例中，第一占比与平均人为调控次数之间符合前述的负相关函数关系，该负相关函数关系通过上述负相关函数来实现。上式中，本发明进一步考虑了各调控次数记录数据中的人为调控次数的中位值和最大值，并基于平均值与中位值、平均值与最大值的差距的比来决策对基础数值Perc的扩张程度。通过 的设置，可以将 维持在一个合理的区间内，这样第一占比不至于过大。[0078] 在一些实施例中，所述深度分析模型基于卷积神经网络或生成对抗网络来构建。[0079] 在本实施例中，本发明中的深度分析模型优选基于卷积神经网络（CNN）或生成对抗网络（GANs）来构建，模型的搭建过程属于成熟现有技术，在此不再赘述。[0080] 请参阅图2，本发明实施例公开了一种鱼风味辣椒酱的生产控制系统，包括接收模块、第一处理模块、第二处理模块、第三处理模块、控制模块；[0081] 所述接收模块，用于接收鱼风味辣椒酱的配方、目标辣度及目标酸度；其中，所述配方中包括鲜二荆条、鲜小米辣、红花椒、八角、山柰、鲜青花椒粒、藿香、大蒜、仔姜、芹菜、盐、鲫鱼、白酒、醪糟、菜籽油；[0082] 所述第一处理模块，用于对所述配方进行分析处理，获得影响辣度的第一主配方原料和第一辅配方原料，影响酸度的第二主配方原料和第二辅配方原料；[0083] 所述第二处理模块，用于使用深度分析模型对所述第一主配方原料、所述第一辅配方原料、所述第二主配方原料、所述第二辅配方原料、第一发酵温度和第一发酵湿度进行深度处理，获得辣度关联关系和酸度关联关系；其中，所述辣度关联关系用于表示生产得出的鱼风味辣椒酱的实际辣度与所述第一主配方原料、所述第一辅配方原料的配比的对应关系，所述酸度关联关系用于表示生产得出的鱼风味辣椒酱的实际酸度与所述第二主配方原料、所述第二辅配方原料的配比的对应关系；所述第一发酵温度和所述第一发酵湿度是预设的；[0084] 所述第三处理模块，用于基于所述目标辣度和所述辣度关联关系确定得出影响辣度的所述第一主配方原料和所述第一辅配方原料的第一配比，根据所述目标酸度和所述酸度关联关系确定得出影响酸度的所述第二主配方原料和所述第二辅配方原料的第二配比；[0085] 所述控制模块，用于按照所述第一配比、所述第二配比对配方原料的量进行调控，并对配方原料依次进行预处理、腌制、发酵，生产得出符合所述目标辣度和所述目标酸度的鱼风味辣椒酱。[0086] 本发明实施例还公开了一种电子设备，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，执行如前任一项所述的方法。[0087] 处理器可以是CPU（CentralProcessingUnit，中央处理器），通用处理器，DSP（DigitalSignalProcessor，数据信号处理器），ASIC（ApplicationSpecificIntegratedCircuit，专用集成电路），FPGA（FieldProgrammableGateArray，现场可编程门阵列）或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。[0088] 存储器可以是ROM（ReadOnlyMemory，只读存储器）或可存储静态信息和指令的其他类型的静态存储设备，RAM（RandomAccessMemory，随机存取存储器）或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM（ElectricallyErasableProgrammableReadOnlyMemory，电可擦可编程只读存储器）、CD?ROM（CompactDiscReadOnlyMemory，只读光盘）或其他光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质\其他磁存储设备、或者能够用于携带或存储计算机程序并能够由计算机读取的任何其他介质，在此不做限定。[0089] 存储器用于存储执行本申请实施例的计算机程序，并由处理器来控制执行。处理器用于执行存储器中存储的计算机程序，以实现前述方法实施例所示的步骤。[0090] 本发明实施例还公开了一种计算机存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如前任一项所述的方法。[0091] 本发明实施例还公开了一种计算机程序产品，所述计算机程序产品中包含计算机程序，该计算机程序被电子设备的处理器执行时，实现如前任一项所述的方法。[0092] 本申请实施例中，术语“模块”或“单元”是指有预定功能的计算机程序或计算机程序的一部分，并与其他相关部分一起工作以实现预定目标，并且可以通过使用软件、硬件（如处理电路或存储器）或其组合来全部或部分实现。同样的，一个处理器（或多个处理器或存储器）可以用来实现一个或多个模块或单元。此外，每个模块或单元都可以是包含该模块或单元功能的整体模块或单元的一部分。[0093] 应该理解的是，虽然本申请实施例的流程图中通过箭头指示各个操作步骤，但是这些步骤的实施顺序并不受限于箭头所指示的顺序。除非本文中有明确的说明，否则在本申请实施例的一些实施场景中，各流程图中的实施步骤可以按照需求以其他的顺序执行。此外，各流程图中的部分或全部步骤基于实际的实施场景，可以包括多个子步骤或者多个阶段。这些子步骤或者阶段中的部分或全部可以在同一时刻被执行，这些子步骤或者阶段中的每个子步骤或者阶段也可以分别在不同的时刻被执行。在执行时刻不同的场景下，这些子步骤或者阶段的执行顺序可以根据需求灵活配置，本申请实施例对此不限制。[0094] 以上所述仅是本申请部分实施场景的可选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请的方案技术构思的前提下，采用基于本申请技术思想的其他类似实施手段，同样属于本申请实施例的保护范畴。

专利地区：四川

专利申请日期：2024-09-05

专利公开日期：2024-11-29

专利公告号：CN118782188B