本發明涉及釀酒，具體涉及一種大曲發酵的微生物豐度預測方法及裝置、電子設備。

背景技術：

1、大曲是一種經過長時間發酵的曲種，通常由小麥、黃米、豌豆等原料經過一系列發酵、曲菌培養和蒸煮等工藝制作而成，大曲中含有多種微生物，包括霉菌、酵母菌和細菌等。大曲是中國傳統白酒生產中使用的主要發酵劑之一，廣泛應用于濃香型、醬香型等白酒的釀造過程中。大曲發酵是指使用大曲作為糖化發酵劑進行白酒釀造的過程。

2、大曲作為傳統發酵工業的重要基質，其發酵過程對白酒的風味和質量具有決定性影響，尤其是發酵過程中的微生物豐度對最終的酒質和發酵效果有著重要的影響。目前，大曲發酵過程中的微生物豐度的確定依賴人工采樣檢測，例如使用基因組測序、plfa(磷脂脂肪酸分析)、高通量測序等方法檢測。這些檢測方式費時費力，難以實現對微生物種群在發酵周期中的動態監控，檢測效率低，成本高。

技術實現思路

1、本發明旨在解決現有大曲發酵的微生物豐度確定方式存在效率低和成本高的問題，提出一種大曲發酵的微生物豐度預測方法及裝置、電子設備。

2、本發明解決上述技術問題所采用的技術方案是：

3、第一方面，本發明提供一種大曲發酵的微生物豐度預測方法，所述方法包括：

4、獲取大曲發酵過程中各時間點的發酵數據，根據所述發酵數據建立大曲發酵數據集，所述發酵數據包括環境數據、發酵階段數據、代謝化合物數據和微生物豐度數據；

5、基于所述大曲發酵數據集訓練時序神經網絡模型，獲得微生物豐度預測模型；

6、獲取待預測大曲的環境數據、發酵階段數據和代謝化合物數據，根據待預測大曲的環境數據、發酵階段數據和代謝化合物數據并基于所述微生物豐度預測模型，獲得待預測大曲在對應時間點的微生物豐度。

7、進一步地，所述環境數據包括溫度數據和濕度數據；所述發酵階段數據為大曲發酵周期中的時間節點，時間節點的單位為天或小時。

8、進一步地，所述代謝化合物數據包括酯類、醇類、醛類、酸類、酮類、吡嗪類、呋喃類和芳香族類中的一種或多種化合物含量數據，所述酯類至少包括十六酸乙酯和己酸乙酯，所述醇類至少包括苯乙醇和2,3-丁二醇，所述酸類至少包括乙酸和己酸，所述吡嗪類至少包括2,5-二甲基吡嗪、三甲基吡嗪和2,6-二甲基吡嗪。

9、進一步地，所述微生物豐度數據包括大曲發酵過程中微生物種群的種類和數量，所述微生物種群至少包括芽孢桿菌、曲霉菌、釀酒酵母、乳酸片球菌和葡萄球菌。

10、進一步地，所述方法還包括：對大曲發酵數據集中的環境數據、發酵階段數據和代謝化合物數據進行標準化處理，對待預測大曲的環境數據、發酵階段數據和代謝化合物數據采用相同處理方法進行標準化處理。

11、進一步地，基于所述大曲發酵數據集訓練時序神經網絡模型，包括：

12、將各時間點的環境數據、發酵階段數據和代謝化合物數據作為輸入特征，將對應的微生物豐度數據作為時序神經網絡模型的輸出標簽，構建訓練集和驗證集；

13、基于所述訓練集并采用監督學習方法訓練時序神經網絡模型，將時序神經網絡模型的輸出特征和對應的輸出標簽進行對比，計算對應的損失函數，并通過反向傳播進行模型優化；

14、基于所述驗證集驗證時序神經網絡模型，當時序神經網絡模型的損失函數最小并且預測誤差小于誤差閾值時，將對應的時序神經網絡模型作為微生物豐度預測模型。

15、進一步地，所述輸出標簽的時間點與對應輸入特征的時間點相同；

16、獲得待預測大曲在對應時間點的微生物豐度，包括：

17、將待預測大曲在某一時間點的環境數據、發酵階段數據和代謝化合物數據輸入微生物豐度預測模型之后，獲得待預測大曲在該時間點的微生物豐度。

18、進一步地，所述輸出標簽為對應輸入特征在未來時間點的微生物豐度數據；

19、獲得待預測大曲在對應時間點的微生物豐度，包括：

20、將待預測大曲在某一時間點或多個時間點的環境數據、發酵階段數據和代謝化合物數據輸入微生物豐度預測模型之后，獲得待預測大曲在未來時間點的微生物豐度。

21、第二方面，本發明提供一種大曲發酵的微生物豐度預測裝置，所述裝置包括：

22、獲取單元，用于獲取大曲發酵過程中各時間點的發酵數據，根據所述發酵數據建立大曲發酵數據集，所述發酵數據包括環境數據、發酵階段數據、代謝化合物數據和微生物豐度數據；

23、訓練單元，用于基于所述大曲發酵數據集訓練時序神經網絡模型，獲得微生物豐度預測模型；

24、預測單元，用于獲取待預測大曲的環境數據、發酵階段數據和代謝化合物數據，根據待預測大曲的環境數據、發酵階段數據和代謝化合物數據并基于所述微生物豐度預測模型，獲得待預測大曲在對應時間點的微生物豐度。

25、第三方面，本發明提供一種電子設備，所述電子設備包括處理器、存儲器和通信總線；

26、所述通信總線用于實現處理器和存儲器之間的連接通信；

27、所述處理器用于執行存儲器中的一個或者多個程序，以實現如第一方面所述的大曲發酵的微生物豐度預測方法的步驟。

28、本發明的有益效果是：本發明提供的大曲發酵的微生物豐度預測方法及裝置、電子設備，通過構建微生物豐度預測模型，基于環境數據、發酵階段數據和代謝化合物數據，即可實現大曲發酵的對應時間點的微生物豐度的預測，從而提高了微生物豐度的確定效率，降低了成本。通過確定大曲發酵的微生物豐度，可以實現對大曲發酵周期中的微生物種群的動態監控，為大曲發酵過程優化提供科學依據。

技術特征：

1.大曲發酵的微生物豐度預測方法，其特征在于，所述方法包括：

2.根據權利要求1所述的大曲發酵的微生物豐度預測方法，其特征在于，所述環境數據包括溫度數據和濕度數據；所述發酵階段數據為大曲發酵周期中的時間節點，時間節點的單位為天或小時。

3.根據權利要求1所述的大曲發酵的微生物豐度預測方法，其特征在于，所述代謝化合物數據包括酯類、醇類、醛類、酸類、酮類、吡嗪類、呋喃類和芳香族類中的一種或多種化合物含量數據，所述酯類至少包括十六酸乙酯和己酸乙酯，所述醇類至少包括苯乙醇和2,3-丁二醇，所述酸類至少包括乙酸和己酸，所述吡嗪類至少包括2,5-二甲基吡嗪、三甲基吡嗪和2,6-二甲基吡嗪。

4.根據權利要求1所述的大曲發酵的微生物豐度預測方法，其特征在于，所述微生物豐度數據包括大曲發酵過程中微生物種群的種類和數量，所述微生物種群至少包括芽孢桿菌、曲霉菌、釀酒酵母、乳酸片球菌和葡萄球菌。

5.根據權利要求1所述的大曲發酵的微生物豐度預測方法，其特征在于，所述方法還包括：對大曲發酵數據集中的環境數據、發酵階段數據和代謝化合物數據進行標準化處理，對待預測大曲的環境數據、發酵階段數據和代謝化合物數據采用相同處理方法進行標準化處理。

6.根據權利要求1所述的大曲發酵的微生物豐度預測方法，其特征在于，基于所述大曲發酵數據集訓練時序神經網絡模型，包括：

7.根據權利要求6所述的大曲發酵的微生物豐度預測方法，其特征在于，所述輸出標簽的時間點與對應輸入特征的時間點相同；

8.根據權利要求6所述的大曲發酵的微生物豐度預測方法，其特征在于，所述輸出標簽為對應輸入特征在未來時間點的微生物豐度數據；

9.大曲發酵的微生物豐度預測裝置，其特征在于，所述裝置包括：

10.電子設備，其特征在于，所述電子設備包括處理器、存儲器和通信總線；

技術總結
本發明涉及釀酒技術領域，公開了一種大曲發酵的微生物豐度預測方法及裝置、電子設備，旨在解決現有方法存在效率低和成本高的問題，方案主要包括：獲取大曲發酵過程中各時間點的發酵數據，根據發酵數據建立大曲發酵數據集，發酵數據包括環境數據、發酵階段數據、代謝化合物數據和微生物豐度數據；基于大曲發酵數據集訓練時序神經網絡模型，獲得微生物豐度預測模型；獲取待預測大曲的環境數據、發酵階段數據和代謝化合物數據，根據待預測大曲的環境數據、發酵階段數據和代謝化合物數據并基于微生物豐度預測模型，獲得待預測大曲在對應時間點的微生物豐度。本發明提高了微生物豐度的確定效率，降低了成本，適用于大曲發酵過程的監控和優化。

技術研發人員：趙鵬舉,羅青春,李僖,盧彥坪,蘇建,鄭佳,趙東
受保護的技術使用者：宜賓五糧液股份有限公司
技術研發日：
技術公布日：2025/4/24