关键词：高黏稠食品;灌装流量检测;长短时记忆神经网络;注意力机制;深度学习
摘 要：针对黏稠食品灌装过程中高精度检测流量的难题,提出一种基于深度学习的高黏稠食品灌装流量实时检测方法。首先对采集到的流量相关过程变量进行序列化及归一化处理,转化为可供有监督学习网络处理的数据;然后对注意力机制下的长短时记忆神经网络(LSTM-Attention)进行训练和泛化,采用自适应矩估计优化算法(Adam),进而建立高黏稠食品灌装流量检测模型;最后将本模型检测所得流量值与其实际值进行对比,用均方误差函数(MSE)对该模型在灌装流量检测上的性能进行评价。通过与循环神经网络(RNN)、普通长短期记忆模型下流量检测的均方误差作比较,实验结果表明,本模型的流量检测精度较高,流量检测数据实时跟踪效果较好。
内 容：原文可通过湖北省科技信息共享服务平台（http://www.hbstl.org.cn)获取