研究目的
提出一种基于光学技术的发酵过程自动监测方法，结合机器学习与超椭球模型拟合，用于发酵室内面团对象的实例分割与参数估计。
研究成果
该方法可在面团发酵过程中持续监测其体积参数，以约10%的平均偏差实现可靠的体积估算。通过支持多块面团的并行监测，该技术代表了当前领域的重大进展。但仅凭面团体积梯度无法确定最佳发酵状态，表明仍需进一步研究。
研究不足
该方法精度受面团块表面曲率影响，从而限制了可测量表面区域。体积估算平均偏差约为10%。当前模型拟合处理时间约为每个对象三秒，这可能成为同时监测数十个面团块的限制因素。
1：实验设计与方法选择：
本研究采用机器学习与超椭球模型拟合相结合的方法，实现面团对象的实例分割与参数估计。
2：样本选择与数据来源：
将面团块置于发酵室中，通过可移动激光传感系统在不同时间点测量其表面形貌。
3：实验设备与材料清单：
可移动激光传感系统、发酵室及小麦面粉制成的面团块。
4：实验步骤与操作流程：
以五分钟为间隔持续测量发酵室内表面形貌，采用超椭球模型拟合方法估算每个面团块的体积。
5：数据分析方法：
通过持续监测体积梯度来反映发酵状态的进展。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
NVIDIA GeForce GTX 1060 GPU
GTX 1060
NVIDIA
To accelerate the segmentation process in the neural network.
-
LIDAR scanner
RPLidar A1M8
To measure the given topography at discrete points in time inside the fermentation chamber.
-
Time of flight distance sensor
Adafruit VL53L0X
Adafruit
To extend the LIDAR data to the third dimension by measuring the current height of the measurement sensor system.
-
Linear motor
To move the sensor system along the Z-axis for capturing a complete topology of one row of the observed situation.
-
登录查看剩余2件设备及参数对照表
查看全部
