[发明专利]利用灌木降解、膨化成蛋白质饲草的加工方法及其装置

权利要求书

1.一种利用灌木降解、膨化成蛋白质饲草的加工方法，其特征在于，包括：

对锦鸡儿灌木进行揉丝粉碎以得到粉碎状锦鸡儿；

在降解罐内对所述粉碎状锦鸡儿进行降解以得到降解后产物；

对所述降解后产物进行膨化处理以得到丝绒状巧克力色饲草。

2.根据权利要求1所述的利用灌木降解、膨化成蛋白质饲草的加工方法，其特征在于，所述在降解罐内对所述粉碎状锦鸡儿进行降解以得到降解后产物，包括：

获取所述降解罐在预定时间段内多个预定时间点的温度值和压力值以及所述预定时间段的降解监控视频；

将所述预定时间段的降解监控视频通过使用三维卷积核的第一卷积神经网络模型以得到降解监控特征图；

对所述降解监控特征图的沿通道维度的各个特征矩阵进行全局均值池化以得到降解监控特征向量；

将所述多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量，并计算所述温度输入向量的转置向量与所述压力输入向量之间的乘积以得到降解参数关联矩阵；

将所述降解参数关联矩阵通过相邻层使用互为转置的卷积核的第二卷积神经网络模型以得到降解参数关联特征矩阵；

计算所述降解监控特征向量相对于所述降解参数关联特征矩阵的转移向量作为分类特征向量；

对所述分类特征向量进行特征分布优化以得到优化后分类特征向量；和

将所述优化后分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的温度应增大或应减小，且当前时间点的压力应增大或应减小。

3.根据权利要求2所述的利用灌木降解、膨化成蛋白质饲草的加工方法，其特征在于，所述将所述预定时间段的降解监控视频通过使用三维卷积核的第一卷积神经网络模型以得到降解监控特征图，包括：

以预定采样频率从所述降解监控视频提取多个降解监控关键帧；以及

将所述多个降解监控关键帧通过所述使用三维卷积核的第一卷积神经网络模型以得到所述降解监控特征图。

4.根据权利要求3所述的利用灌木降解、膨化成蛋白质饲草的加工方法，其特征在于，所述将所述多个降解监控关键帧通过所述使用三维卷积核的第一卷积神经网络模型以得到所述降解监控特征图，包括：使用所述使用三维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：

对输入数据进行卷积处理以得到卷积特征图；

对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；以及

对所述池化特征图进行非线性激活以得到激活特征图；

其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述降解监控特征图，所述作为特征提取器的卷积神经网络的第一层的输入为所述降解监控关键帧。

5.根据权利要求4所述的利用灌木降解、膨化成蛋白质饲草的加工方法，其特征在于，所述将所述降解参数关联矩阵通过相邻层使用互为转置的卷积核的第二卷积神经网络模型以得到降解参数关联特征矩阵，包括：

将所述降解参数关联矩阵输入所述第二卷积神经网络模型的第一层，其中，所述第二卷积神经网络模型的第一层用于对所述降解参数关联矩阵进行基于第一卷积核的卷积处理、沿通道维度的池化处理和非线性激活处理以得到第一特征图；以及

将所述第一特征图输入所述第二卷积神经网络模型的第二层，其中，所述第二卷积神经网络模型的第二层用于对所述第一特征图进行基于第二卷积核的卷积处理、沿通道维度的池化处理和非线性激活处理以得到第二特征图，其中，所述第一卷积核和所述第二卷积核互为转置。

6.根据权利要求5所述的利用灌木降解、膨化成蛋白质饲草的加工方法，其特征在于，所述计算所述降解监控特征向量相对于所述降解参数关联特征矩阵的转移向量作为分类特征向量，包括：以如下公式计算所述降解监控特征向量相对于所述降解参数关联特征矩阵的转移向量作为分类特征向量；

其中，所述公式为：

V₁＝V*M

其中V₁表示所述降解监控特征向量，M表示所述降解参数关联特征矩阵，V表示所述分类特征向量。