(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111471068.4 (22)申请日 2021.12.0 3 (71)申请人 爱巢生物科技 （常州） 有限公司 地址 213000 江苏省常州市天宁区郑陆镇 溪河西路9号 申请人 江苏博莱客冷冻科技发展 有限公司 (72)发明人 李所彬　李骏锴　 (74)专利代理 机构 常州市天龙专利事务所有限 公司 3210 5 代理人 张万兵 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06F 119/08(2020.01) (54)发明名称 基于卷积神经网络预测共熔点的干燥温度 控制方法及系统 (57)摘要 本发明涉及物料冻干技术领域， 具体公开了 一种基于卷积神经网络预测共熔点的干燥温度 控制方法， 所述方法包括获取以物料温度为索引 的参考图像， 生成参考图像库， 基于物料温度与 其共熔点的温度差对所述参考图像库进行排序； 根据排序后的参考图像库训练深度卷积神经网 络模型； 实时采集图像数据， 将所述图像数据输 入训练好的深度卷积神经网络模 型， 得到预测温 度差； 根据所述预测温度差生成控制信号。 本发 明通过获取物料图像， 基于物料图像对温度进行 自动控制， 可以更好的实现真空冷冻干燥的目 的。 人力成本低， 便 于推广使用。 权利要求书2页 说明书8页 附图3页 CN 114139456 A 2022.03.04 CN 114139456 A 1.一种基于卷积神经网络预测共熔点的干燥温度控制方法， 其特征在于， 所述方法包 括： 获取以物料温度为索引的参考图像， 生成参考图像库， 基于物料温度与其共熔点的温 度差对所述 参考图像库进行排序； 根据排序后的参 考图像库训练深度卷积神经网络模型； 实时采集图像数据， 将所述图像数据输入训练好的深度卷积神经网络模型， 得到预测 温度差； 根据所述预测温度差生成控制信号。 2.根据权利要求1所述的基于卷积神经网络预测共熔点的干燥温度控制方法， 其特征 在于， 所述 获取以物料温度为索引的参考图像， 生成参考图像库， 基于物料温度与其共熔点 的温度差对所述 参考图像库进行排序的步骤 包括： 选取产地、 成熟度、 水分或糖度不同的样本， 基于电阻率法确定其共熔点； 将样本环境的温度调节至共晶点温度以下， 根据 预设的功率升高所述温度； 其中， 样本 环境为真空条件； 在升高温度的过程中， 获取物料图像， 并记录对应的物料温度， 计算所述物料温度与其 共熔点之间的温度差； 根据所述温度差对所述物料图像进行排序， 得到参 考图像库。 3.根据权利要求2所述的基于卷积神经网络预测共熔点的干燥温度控制方法， 其特征 在于， 所述共熔点的测量方法还包括差示扫描热仪法、 差示热分析仪法和低温显微镜直接 观察法。 4.根据权利要求2所述的基于卷积神经网络预测共熔点的干燥温度控制方法， 其特征 在于， 获取物料图像采用的图像传感器包括可见光图像传感器、 红外图像传感器、 近红外传 感器、 多光谱传感器、 高光谱图像传感器或者上述几种传感器的组合。 5.根据权利要求1所述的基于卷积神经网络预测共熔点的干燥温度控制方法， 其特征 在于， 所述 根据排序后的参 考图像库训练深度卷积神经网络模型的步骤 包括： 对排序后的参 考图像库进行编号， 确定与参 考图像对应的标签； 根据预设的比例对将参 考图像库中的参 考图像分为测试集和训练集； 根据所述测试集和训练集建立 参考图像至温度差的深度卷积神经网络回归 模型。 6.根据权利要求5所述的基于卷积神经网络预测共熔点的干燥温度控制方法， 其特征 在于， 所述根据所述测试集和训练集建立参考图像至温度差的深度卷积神经网络回归模型 的步骤包括： 提取训练集中的参 考图像， 对所述 参考图像进行归一 化处理； 基于预设的网络骨架根据归一 化处理后的参 考图像生成预模型； 根据预设的损失函数修 正所述预模型， 得到深度卷积神经网络回归 模型； 其中， 所述网络骨架由卷积层、 激活函数层、 池化层和BN层组成； 神经网络结构为 ResNet50网络结构。 7.根据权利要求6所述的基于卷积神经网络预测共熔点的干燥温度控制方法， 其特征 在于， 所述 实时采集图像数据， 将所述图像数据输入训练好的深度卷积神经网络模型， 得到 预测温度差； 根据所述预测温度差生成控制信号的步骤 包括： 基于预设的时间间隔实时采集图像数据， 将所述图像数据输入训练好的深度 卷积神经权　利　要　求　书 1/2 页 2 CN 114139456 A 2网络模型， 得到预测温度差； 当所述预测温度差 达到预设的节点阈值时， 生成停止 升温信号； 当所述预测温度差超过 预设的节点阈值时， 生成降温信号。 8.一种基于卷积神经网络预测共熔点的干燥温度控制系统， 其特征在于， 所述系统包 括： 参考图像确定模块， 用于获取以物料温度为索引的参考图像， 生成参考图像库， 基于物 料温度与其共熔点的温度差对所述 参考图像库进行排序； 模型生成模块， 用于根据排序后的参 考图像库训练深度卷积神经网络模型； 数据分析模块， 用于实时采集图像数据， 将所述图像数据输入训练好的深度卷积神经 网络模型， 得到预测温度差； 根据所述预测温度差生成控制信号。 9.根据权利要求8所述的基于卷积神经网络预测共熔点的干燥温度控制系统， 其特征 在于， 所述模型生成模块包括： 标签确定单 元， 用于对排序后的参 考图像库进行编号， 确定与参 考图像对应的标签； 数据分类单元， 用于根据预设的比例对将参考图像库中的参考图像分为测试集和训练 集； 处理执行单元， 用于根据所述测试集和训练集建立参考图像至温度差的深度 卷积神经 网络回归 模型。 10.根据权利要求8所述的基于卷积神经网络预测共熔点的干燥温度控制系统， 其特征 在于， 所述数据分析模块包括： 温度差预测单元， 用于基于预设的时间间隔实时采集图像数据， 将所述图像数据输入 训练好的深度卷积神经网络模型， 得到预测温度差； 第一控制单 元， 用于当所述预测温度差 达到预设的节点阈值时， 生成停止 升温信号； 第二控制单 元， 用于当所述预测温度差超过 预设的节点阈值时， 生成降温信号。权　利　要　求　书 2/2 页 3 CN 114139456 A 3