科技
科技

为什么近红外光谱可以帮助控制啤酒生产过程?

正如最近报道的那样:‘近红外和中红外光谱提供了可以在酿造过程的不同阶段预测数十到数百个混合化合物的机会‘。这提供了监控和确保复杂的麦芽汁和啤酒成分稳定性的机会,而不仅仅是特定成分的含量。从谷物育种到最终产品的质量控制,近红外光谱可以在啤酒生产的不同阶段提供帮助。 在啤酒生产的关键步骤中,近红外可以提供以下因素: 粉碎 通过为最佳麦芽汁柏拉图校准的NIF监测增加的水解产物的量,以指示糖和氨基酸的水平。 可以使用近红外来专门针对蛋白质,以及麦芽主要质量指标之一的柯尔巴赫指数进行预测 近红外在监测其他关键参数方面也具有潜力,例如影响粘度,苦味,颜色,PH值,生物量,有机酸含量的非淀粉多糖。 酿造 NIF可以测量发酵效率,例如通过监测表面的衰减极限(AAL)。衰减是酵母发酵过程中消耗的糖分的百分比,监测啤酒生产进度的参数这一点至关重要,因为它会影响啤酒的最终口味。衰减程度更高的啤酒,即其中糖的百分比已转化为乙醇的啤酒,即使啤酒是用相同的原料制成的,酒精含量也比干燥度低的啤酒要高。 后期生产 这里可以有检测细菌污染物的机会 …

了解更多

关于人工智能的基本事实

人工智能 vs. 机器学习 人工智能(AI) 任何人为复制人类认知特征的软件 非常宽泛的术语,涵盖了从非常简单的技术(例如Google地图)到非常复杂但尚未开发的模型(例如像我们这样的机器思维) 机器学习(ML) AI方法子集 使用未明确为特定数据设计的算法进行插值 计算根据输入的训练数据而变化(“学习”) …

了解更多

什么是强化学习?

我们可以区分机器学习中当前使用的三种主要技术: 监督学习 我们将一组带有标签的示例输入到软件中,因此我们“解释”了如何正确的理解它们 基于此,可以对数据进行一些一般性的观察 通过推断,软件可以“解释”未来的未知数据 这种方法被广泛使用,例如用于基于图像的自动数据分析 无监督学习 我们在没有任何说明时将数据输入软件 这可用于识别复杂数据中的结构,例如用于检测异常事件,例如信用卡欺诈 强化学习(RL) …

了解更多

互补的力量

技术是人类技能的补充,而不是竞争,因为人类和机器擅长于不同的事物 机器学习工具擅长高效的数据处理,在该数据处理中,大量数据用于特定目的。 人类更擅长根据复杂数据做出判断 因此,计算机不能代替专家,但可以通过以下方式让他们做更多的事情: 帮助自动化重复性任务,例如: 自动化图像分析以提高过程的效率和可重复性 分析大量的高维,多模式,非结构化数据,例如 连续过程中的故障检测 产品质量 缺陷预判 …

了解更多