梅花小分子多肽制备方法及其智能系统与流程

1.本技术涉及智能化制备领域，且更为具体地，涉及一种梅花小分子多肽制备方法及其智能系统。


背景技术：

2.梅花是一种冬季盛开的花卉，具有丰富的营养成分和药用价值，在保健和化妆品行业中得到广泛应用。小分子多肽是梅花中重要的活性成分之一，其具有抗氧化、保湿、抗炎等作用，具有广泛的应用前景。
3.在梅花小分子多肽的制备过程中，ph值的调节对于酶解反应的效率和效果具有重要影响。然而，传统的制备方法中，通常依靠人工经验手动进行酶解反应的ph值调整，以达到最优酶解效果。这种方法往往存在误差较大、操作复杂等问题，并不能快速有效地找到最佳的ph值，还容易造成资源的浪费。
4.因此，期望一种优化的梅花小分子多肽制备方案。


技术实现要素：

5.有鉴于此，本公开提出了一种梅花小分子多肽制备方法及其智能系统，其可以基于实际的酶解反应状态变化情况来实时准确地进行ph值的自适应控制，优化酶解反应的效率和效果，提高梅花小分子多肽制备的效率和质量。
6.根据本公开的一方面，提供了一种梅花小分子多肽制备方法，其特征在于，包括：
7.将采摘的新鲜梅花洗净后，置于低温干燥箱中进行低温干燥处理，再用粉碎机研磨成粉以得到梅花粉末；
8.将所述梅花粉末和蒸馏水倒入烧杯中以形成混合溶液，并用氢氧化钠溶液调节所述混合溶液的ph值后，再进行离心处理，并取离心后的所述混合溶液的上清液，用盐酸溶液调节所述上清液的ph值，再离心收集沉淀；
9.使用蒸馏水溶解所述沉淀，再加入中性蛋白酶、风味蛋白酶、木瓜蛋白酶中的一种或多种，调节ph值，并以预定酶解时间进行酶解反应以得到酶解液；以及
10.将所述酶解液通过滤网膜过滤，再离心取过滤液以得到梅花小分子多肽。
11.根据本公开的另一方面，提供了一种梅花小分子多肽制备的智能系统，其包括：
12.粉末获取模块，用于将采摘的新鲜梅花洗净后，置于低温干燥箱中进行低温干燥处理，再用粉碎机研磨成粉以得到梅花粉末；
13.沉淀收集模块，用于将所述梅花粉末和蒸馏水倒入烧杯中以形成混合溶液，并用氢氧化钠溶液调节所述混合溶液的ph值后，再进行离心处理，并取离心后的所述混合溶液的上清液，用盐酸溶液调节所述上清液的ph值，再离心收集沉淀；
14.酶解模块，用于使用蒸馏水溶解所述沉淀，再加入中性蛋白酶、风味蛋白酶、木瓜蛋白酶中的一种或多种，调节ph值，并以预定酶解时间进行酶解反应以得到酶解液；以及
15.过滤模块，用于将所述酶解液通过滤网膜过滤，再离心取过滤液以得到梅花小分
子多肽。
16.根据本公开的实施例，该方法包括：将采摘的新鲜梅花洗净后，置于低温干燥箱中进行低温干燥处理，再用粉碎机研磨成粉以得到梅花粉末；将所述梅花粉末和蒸馏水倒入烧杯中以形成混合溶液，并用氢氧化钠溶液调节所述混合溶液的ph值后，再进行离心处理，并取离心后的所述混合溶液的上清液，用盐酸溶液调节所述上清液的ph值，再离心收集沉淀；使用蒸馏水溶解所述沉淀，再加入中性蛋白酶、风味蛋白酶、木瓜蛋白酶中的一种或多种，调节ph值，并以预定酶解时间进行酶解反应以得到酶解液；以及，将所述酶解液通过滤网膜过滤，再离心取过滤液以得到梅花小分子多肽。这样，可以实现高效率的梅花小分子多肽制备方案。
17.根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
18.包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
19.图1示出根据本公开的实施例的梅花小分子多肽制备方法的流程图。
20.图2示出根据本公开的实施例的梅花小分子多肽制备方法的子步骤s130的流程图。
21.图3示出根据本公开的实施例的梅花小分子多肽制备方法的子步骤s132的流程图。
22.图4示出根据本公开的实施例的梅花小分子多肽制备方法的子步骤s132的架构示意图。
23.图5示出根据本公开的实施例的梅花小分子多肽制备方法的子步骤s1324的流程图。
24.图6示出根据本公开的实施例的梅花小分子多肽制备方法的子步骤s1325的流程图。
25.图7示出根据本公开的实施例的梅花小分子多肽制备方法的子步骤s13252的流程图。
26.图8示出根据本公开的实施例的梅花小分子多肽制备的智能系统的框图。
27.图9示出根据本公开的实施例的梅花小分子多肽制备方法的子步骤s132的应用场景图。
具体实施方式
28.下面将结合附图对本技术实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本技术的部分实施例，而不是全部的实施例。基于本技术实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本技术保护的范围。
29.如本技术和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包
括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
30.本技术中使用了流程图用来说明根据本技术的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
31.以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
32.在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
33.另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
34.如上所述，在传统梅花小分子多肽的制备过程中，通常依靠人工经验手动进行酶解反应的ph值调整，以达到最优酶解效果。这种方法往往存在误差较大、操作复杂等问题，并不能快速有效地找到最佳的ph值，还容易造成资源的浪费。因此，期望一种优化的梅花小分子多肽制备方案。
35.具体地，在本技术的技术方案中，提出了一种梅花小分子多肽制备方法，如图1所示，其包括：s110，将采摘的新鲜梅花洗净后，置于低温干燥箱中进行低温干燥处理，再用粉碎机研磨成粉以得到梅花粉末；s120，将所述梅花粉末和蒸馏水倒入烧杯中以形成混合溶液，并用氢氧化钠溶液调节所述混合溶液的ph值后，再进行离心处理，并取离心后的所述混合溶液的上清液，用盐酸溶液调节所述上清液的ph值，再离心收集沉淀；s130，使用蒸馏水溶解所述沉淀，再加入中性蛋白酶、风味蛋白酶、木瓜蛋白酶中的一种或多种，调节ph值，并以预定酶解时间进行酶解反应以得到酶解液；以及，s140，将所述酶解液通过滤网膜过滤，再离心取过滤液以得到梅花小分子多肽。
36.相应地，在实际进行梅花小分子多肽的制备过程中，在进行酶解反应时，为了能够优化酶解反应的效果和效率，期望基于对酶解反应状态监控视频进行分析来提取出溶液酶解反应状态的实时变化特征信息，以此来自适应地进行酶解反应ph值的调整，从而在优化酶解反应工艺时避免资源的浪费。但是，由于所述酶解反应状态监控视频中存在有大量的信息量，而关于酶解反应状态的特征为小尺度的隐性特征信息，同时所述酶解反应状态和所述ph值在时间维度上都具有着各自的动态变化规律。因此，在此过程中，难点在于如何进行所述酶解反应状态的时序变化特征和所述ph值的时序变化特征之间的关联性特征信息的充分表达，以此基于实际的酶解反应状态变化情况来实时准确地进行ph值的自适应控制，从而优化酶解反应的效率和效果，提高梅花小分子多肽制备的效率和质量。
37.近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述酶解反应状态的时序变化特征和所述ph值的时序变化特征之间的关联性特征信息提供了新的解决思路和方案。
38.图2示出根据本公开的实施例的梅花小分子多肽制备方法的子步骤s130的流程
图。如图2所示，根据本技术实施例的梅花小分子多肽制备方法，所述使用蒸馏水溶解所述沉淀，再加入中性蛋白酶、风味蛋白酶、木瓜蛋白酶中的一种或多种，调节ph值，并以预定酶解时间进行酶解反应以得到酶解液，包括：s131，获取由摄像头采集的预定时间段的酶解反应状态监控视频，以及，所述预定时间段内多个预定时间点的ph值；以及，s132，基于所述酶解反应状态监控视频和所述多个预定时间点的ph值对当前时间点的ph值进行自适应控制。
39.图3示出根据本公开的实施例的梅花小分子多肽制备方法的子步骤s132的流程图。图4示出根据本公开的实施例的梅花小分子多肽制备方法的子步骤s132的架构示意图。如图3和图4所示，根据本技术实施例的梅花小分子多肽制备方法，基于所述酶解反应状态监控视频和所述多个预定时间点的ph值对当前时间点的ph值进行自适应控制，包括：s1321，从所述酶解反应状态监控视频提取所述多个预定时间点对应的图像帧以得到多个酶解反应状态监控关键帧；s1322，从所述多个酶解反应状态监控关键帧提取酶解状态时序特征图；s1323，对所述多个预定时间点的ph值进行特征提取以得到ph值时序特征向量；s1324，基于所述酶解状态时序特征图和所述ph值时序特征向量之间的关联以得到分类特征矩阵；以及，s1325，基于所述分类特征矩阵，对所述当前时间点的ph值进行自适应控制。
40.更具体地，在步骤s1321中，从所述酶解反应状态监控视频提取所述多个预定时间点对应的图像帧以得到多个酶解反应状态监控关键帧。考虑到由于所述酶解反应状态监控视频中存在着各个时刻下关于酶解反应状态的隐藏特征信息，导致所述酶解反应状态监控视频中所包含的信息量较大，在后续进行酶解反应状态特征挖掘的过程中容易造成过拟合，使得分类的精度较低。因此，在本技术的技术方案中，为了能够有利于后续进行所述酶解反应状态时序变化特征与所述ph值的时序变化特征之间的关联，进一步从所述酶解反应状态监控视频提取所述多个预定时间点对应的图像帧以得到多个酶解反应状态监控关键帧，以利于后续提取所述多个预定时间点下的关于酶解反应状态的时序隐含关联特征信息，即所述酶解反应状态的时序动态变化特征信息。
41.更具体地，在步骤s1322中，从所述多个酶解反应状态监控关键帧提取酶解状态时序特征图。考虑到所述各个酶解反应状态监控关键帧中关于所述酶解反应的状态特征在时间维度上具有着关联性，也就是说，所述酶解反应状态信息在时序上是动态变化的。因此，在本技术的技术方案中，进一步将所述多个酶解反应状态监控关键帧聚合为三维输入张量后通过基于三维卷积神经网络模型的酶解状态特征提取器中进行特征挖掘，以提取出所述酶解反应状态特征在时间维度上的动态变化特征信息，从而得到酶解状态时序特征图。特别地，这里，所述酶解状态特征提取器的三维卷积神经网络模型的卷积核为三维卷积核，其具有w(宽度)、h(高度)和c(通道维度)，在本技术的技术方案中，所述三维卷积核的通道维度对应于所述多个酶解反应状态监控关键帧聚合为三维输入张量的时间维度，因此，在进行三维卷积编码时，能提取所述酶解反应状态隐含特征随时间维度的动态变化特征信息。接着，为了便于后续的特征关联处理，以此来进行ph值的调整，需要对所述酶解状态时序特征图进行降维处理以得到酶解状态时序特征向量。
42.相应地，在一种可能的实现方式中，从所述多个酶解反应状态监控关键帧提取酶解状态时序特征图，包括：将所述多个酶解反应状态监控关键帧通过基于三维卷积神经网络模型的酶解状态特征提取器以得到酶解状态时序特征图。
43.应可以理解，卷积神经网络(convolutional neural network，cnn)是一种人工神
经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。而三维卷积神经网络(3d cnn)是一种用于处理三维数据的卷积神经网络模型。与传统的二维卷积神经网络不同，3d cnn可以在时间维度上对数据进行卷积操作，从而有效地提取时序特征。在所述的多个酶解反应状态监控中，可以将每个酶解状态的关键帧视为一个三维数据，并使用3d cnn对其进行特征提取。具体地，可以将酶解状态的关键帧作为输入，通过3d卷积层对其进行滤波和特征提取，得到一组时序特征图，然后，可以使用池化层对特征图进行下采样，以减小特征图的尺寸和数量，并提高特征的鲁棒性，接着，可以使用全连接层对特征进行分类或回归。通过基于三维卷积神经网络模型的酶解状态特征提取器，可以有效地提取酶解状态的时序特征，从而实现对多个酶解反应状态的监控和分析。这种方法可以更好地理解酶解反应的动态过程，并为酶解反应的优化和控制提供有力的支持。
44.更具体地，在步骤s1323中，对所述多个预定时间点的ph值进行特征提取以得到ph值时序特征向量。进一步地，对于所述多个预定时间点的ph值来说，考虑到所述ph值在时间维度上具有着动态性的变化规律性，也就是说，所述ph值在所述各个预定时间点上具有着时序关联关系。因此，为了能够进行所述ph值的时序变化特征的捕捉刻画，在本技术的技术方案中，进一步将所述多个预定时间点的ph值按照时间维度排列为ph值时序输入向量后通过基于一维卷积神经网络模型的ph值时序特征提取器中进行特征挖掘，以提取出所述ph值在时间维度上的时序关联特征信息，即所述ph值的时序变化特征信息，从而得到ph值时序特征向量。
45.相应地，在一种可能的实现方式中，对所述多个预定时间点的ph值进行特征提取以得到ph值时序特征向量，包括：将所述多个预定时间点的ph值按照时间维度排列为ph值时序输入向量后通过基于一维卷积神经网络模型的ph值时序特征提取器以得到所述ph值时序特征向量。一维卷积神经网络(1d cnn)是一种用于处理一维序列数据的卷积神经网络模型，1d cnn可以在时间维度上对数据进行卷积操作，从而有效地提取时序特征。将ph值时序输入向量作为输入，通过1d卷积层对其进行滤波和特征提取，得到一组时序特征向量，然后，使用池化层对特征向量进行下采样，以减小特征向量的尺寸和数量，并提高特征的鲁棒性，接着，可以使用全连接层对特征进行分类或回归。通过基于一维卷积神经网络模型的ph值时序特征提取器，可以有效地提取ph值的时序特征，从而实现对预定时间点的ph值的监控和分析。可以更好地理解ph值的动态变化过程，并为ph值的优化和控制提供有力的支持。1d cnn的特性在此过程中起到了关键作用，可以从时序数据中提取出有用的特征，并实现对时序数据的有效建模和分析。
46.更具体地，在步骤s1324中，基于所述酶解状态时序特征图和所述ph值时序特征向量之间的关联以得到分类特征矩阵。相应地，在一种可能的实现方式中，如图5所示，基于所述酶解状态时序特征图和所述ph值时序特征向量之间的关联以得到分类特征矩阵，包括：s13241，对所述酶解状态时序特征图进行降维处理以得到酶解状态时序特征向量；s13242，计算所述酶解状态时序特征向量相对于所述ph值时序特征向量的响应性估计以得到所述分类特征矩阵。
47.由于所述酶解反应状态信息和所述ph值在时间维度上的时序变化信息在实际监测的过程中都并不明显，因此，在得到所述酶解状态时序特征向量和所述ph值时序特征向量后，对其进行特征表达强化。应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。因此，在本技术的技术方案中，可以通过所述酶解反应状态信息和所述ph值的高斯分布分别作为先验分布，来对于所述酶解状态时序特征向量和所述ph值时序特征向量进行数据增强，也就是，基于高斯密度图对所述酶解状态时序特征向量和所述ph值时序特征向量进行特征表达强化。相应地，在一种可能的实现方式中，计算所述酶解状态时序特征向量相对于所述ph值时序特征向量的响应性估计以得到分类特征矩阵，包括：构造所述酶解状态时序特征向量和所述ph值时序特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图；计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到响应性高斯密度图；以及，对所述响应性高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述分类特征矩阵。计算所述第一高斯密度图相对于所述第二高斯密度图的高斯响应性估计，以此来表示所述酶解状态的时序变化特征和所述ph值的时序动态变化特征之间的关联性特征分布信息。而高斯离散化，可以将两者的关联高斯密度图降维为分类特征矩阵。
48.相应地，在一种可能的实现方式中，构造所述酶解状态时序特征向量和所述ph值时序特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图，包括：以如下第一高斯密度图构造公式构造所述酶解状态时序特征向量的所述第一高斯密度图；其中，所述第一高斯密度图构造公式为：
[0049][0050]
其中，μ1表示所述酶解状态时序特征向量，且σ1的每个位置的值表示所述酶解状态时序特征向量中相应两个位置的特征值之间的方差；以及，以如下第二高斯密度图构造公式构造所述ph值时序特征向量的所述第二高斯密度图；其中，所述第二高斯密度图构造公式为：
[0051][0052]
其中，μ2表示所述ph值时序特征向量，且σ2的每个位置的值表示所述ph值时序特征向量中相应两个位置的特征值之间的方差。
[0053]
相应地，在一种可能的实现方式中，计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到响应性高斯密度图，包括：以如下响应性估计公式计算所述第一高斯密度图相对于所述第二高斯密度图的响应性估计以得到所述响应性高斯密度图；其中，所述响应性估计公式为：
[0054][0055]
其中，μ3表示所述响应性高斯密度图的均值向量，σ3表示所述响应性高斯密度图的协方差矩阵，
⊙
表示向量点乘，
⊙
―1表示对向量的每个位置的值取倒数，且表示矩阵乘法。
[0056]
更具体地，在步骤s1325中，基于所述分类特征矩阵，对所述当前时间点的ph值进
行自适应控制。相应地，在一种可能的实现方式中，如图6所示，基于所述分类特征矩阵，对所述当前时间点的ph值进行自适应控制，包括：s13251，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及，s13252，将所述优化分类特征矩阵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ph值应增大或应减小。
[0057]
特别地，在基于高斯密度图计算所述酶解状态时序特征向量相对于所述ph值时序特征向量的响应性估计得到所述分类特征矩阵时，需要将所述酶解状态时序特征向量与所述ph值时序特征向量的响应性向量的各个特征值基于所述酶解状态时序特征向量的自方差矩阵与所述ph值时序特征向量的自方差矩阵的响应性矩阵的各个行表示的响应性方差分布进行概率密度展开，以得到所述分类特征矩阵的各个行特征向量，因此，各个行特征向量可以看作为所述分类特征矩阵所表示的整体组合特征集合中的局部特征集合。并且，由于所述分类特征矩阵的各个行特征向量的特征分布之间是遵循所述酶解状态时序特征向量与所述ph值时序特征向量的响应性向量的特征分布的，因此所述各个行特征向量除了具有相互关联的邻域分布关系外，其间还具有对应于所响应性向量的特征分布信息的多源信息关联关系。因此，为了提升所述分类特征矩阵的各个行特征向量作为整体的关联分布表达效果，对所述各个行特征向量进行多源信息融合验前分布评估优化，以获得优化后的行特征向量。
[0058]
相应地，在一种可能的实现方式中，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵，包括：以如下优化公式对所述分类特征矩阵的各个行特征向量进行多源信息融合验前分布评估优化以得到所述优化分类特征矩阵；其中，所述优化公式为：
[0059][0060][0061]
其中，vi是所述分类特征矩阵的第i个行特征向量，vj是所述分类特征矩阵的第j个行特征向量，是均值特征向量，n为邻域设置超参数，log表示以2为底的对数函数，表示按位置减法，v
′i是所述优化分类特征矩阵的第i个优化行特征向量。
[0062]
这里，所述多源信息融合验前分布评估优化可以对于由多个相互关联的邻域部分组成的特征局部集合，基于特征分布融合稳健性的类极大似然估计，来实现特征向量各自的验前信息在局部合成分布上的有效折合，并通过多源情况下的验前分布构建，来获得能够用于评估集合内内部关联与集合间变动关系之间的标准期望融合信息的优化范式，以提升特征向量基于多源信息关联融合的信息表达效果。由此，优化后的行特征向量组成的所述分类特征矩阵就可以具有更好的整体表达效果，从而提升所述分类特征矩阵通过分类器得到的分类结果的准确性。这样，能够基于实际的酶解反应状态变化情况来实时准确地进行ph值的自适应控制，从而优化酶解反应的效率和效果，提高梅花小分子多肽制备的效率和质量。
[0063]
相应地，在一种可能的实现方式中，如图7所示，将所述优化分类特征矩阵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ph值应增大或应减小，包括：s132521，将所述优化分类特征矩阵按照行向量或列向量展开为优化分类特征向量；
s132522，使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，s132523，将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
[0064]
也就是，在本技术的技术方案中，所述分类器的标签包括当前时间点的ph值应增大(第一标签)，以及，当前时间点的ph值应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“当前时间点的ph值应增大或应减小”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，当前时间点的ph值应增大或应减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“当前时间点的ph值应增大或应减小”的语言文本意义。应可以理解，在本技术的技术方案中，所述分类器的分类标签为所述当前时间点的ph值应增大或应减小的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的ph值，从而优化酶解反应的效率和效果。
[0065]
综上，基于本技术实施例的梅花小分子多肽制备方法，其首先获取由摄像头采集的预定时间段的酶解反应状态监控视频，以及，所述预定时间段内多个预定时间点的ph值，接着，从所述酶解反应状态监控视频提取所述多个预定时间点对应的图像帧以得到多个酶解反应状态监控关键帧，然后，将所述多个酶解反应状态监控关键帧通过基于三维卷积神经网络模型的酶解状态特征提取器以得到酶解状态时序特征图，接着，对所述酶解状态时序特征图进行降维处理以得到酶解状态时序特征向量，然后，将所述多个预定时间点的ph值按照时间维度排列为ph值时序输入向量后通过基于一维卷积神经网络模型的ph值时序特征提取器以得到ph值时序特征向量，接着，计算所述酶解状态时序特征向量相对于所述ph值时序特征向量的响应性估计以得到分类特征矩阵，然后，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵，最后，将所述优化分类特征矩阵通过分类器以得到用于表示当前时间点的ph值应增大或应减小的分类结果。
[0066]
进一步地，本公开还提供了一种梅花小分子多肽制备方法，其包括：低温干燥研磨步骤，采摘新鲜梅花洗干净后置于低温干燥箱中，干燥后用粉碎机进行研磨成粉，再过60目筛，分别装于塑封袋内备用；碱溶酸沉步骤，精准称取10g-100g梅花粉末于烧杯中，加入50ml-500ml蒸馏水，用氢氧化钠溶液调节ph值到7-9，在25℃-40℃保温1-4h后离心取上清液，再用盐酸溶液调节ph值到2-5，静置1-4h，离心收集沉淀；酶解步骤，量取适量蒸馏水溶解上述沉淀，加入1％-10％的中性蛋白酶、风味蛋白酶、木瓜蛋白酶中的一种或多种，调节ph值到3-9,酶解时间为1-7h。膜过滤步骤，将上述酶解液通过10kd大小的膜过滤，离心取过滤液，即为梅花小分子多肽。
[0067]
其中，可以通过cck8实验研究梅花小分子多肽对hacat细胞、hdf细胞、b16细胞增殖的影响，初步判断梅花小分子多肽的安全性以及后续实验的添加量；可以通过elisa实验研究梅花小分子多肽对hacat细胞ha分泌水平的影响，通过q-pcr实验研究梅花小分子多肽对hacat细胞aqp-3基因表达的影响；可以通过sds-角质形成细胞屏障损伤模型，研究梅花小分子多肽对细胞中flg、lor等屏障相关蛋白的表达水平的影响；可以通过elisa实验研究梅花小分子多肽对hdf细胞中collagen-i、collagen-iii分泌水平的影响；可以研究梅花小
分子多肽对b16细胞中酪氨酸酶活性以及黑色素含量的影响；以及，可以通过鸡胚绒毛尿囊膜实验评估梅花小分子多肽的眼刺激情况。
[0068]
进一步地，根据本公开的第一个方案，还提供了另一种梅花小分子多肽制备方法，其包括：低温干燥研磨步骤，采摘新鲜绿梅花洗干净后置于低温干燥箱中，干燥后用粉碎机进行研磨成粉，再过60目筛，分别装于塑封袋内备用；碱溶酸沉步骤，精准称取10g绿梅花粉末于烧杯中，加入100ml蒸馏水，用氢氧化钠溶液调节ph值到8，在25℃保温3h后离心取上清液，再用盐酸溶液调节ph值到4，静置0.5h，离心收集沉淀；酶解步骤，量取适量蒸馏水溶解上述沉淀，加入2％的木瓜蛋白酶，调节ph值到6.5，在52℃下酶解时间为2h，之后在100℃下灭酶活10min；膜过滤步骤，将上述酶解液通过10kd大小的膜过滤，离心取过滤液，即为梅花小分子多肽。
[0069]
进一步地，根据本公开的第二个方案，还提供了另一种梅花小分子多肽制备方法，其包括：低温干燥研磨步骤，采摘新鲜绿梅花洗干净后置于低温干燥箱中，干燥后用粉碎机进行研磨成粉，再过60目筛，分别装于塑封袋内备用；碱溶酸沉步骤，精准称取10g绿梅花粉末于烧杯中，加入100ml蒸馏水，用氢氧化钠溶液调节ph值到8，在25℃保温3h后离心取上清液，再用盐酸溶液调节ph值到4，静置0.5h，离心收集沉淀；酶解步骤，量取适量蒸馏水溶解上述沉淀，加入3％的中性蛋白酶，调节ph值到6，在50℃下酶解时间为2h，之后在100℃下灭酶活10min；膜过滤步骤，将上述酶解液通过10kd大小的膜过滤，离心取过滤液，即为梅花小分子多肽。
[0070]
进一步地，根据本公开的第三个方案，还提供了另一种梅花小分子多肽制备方法，其包括：低温干燥研磨步骤，采摘新鲜绿梅花洗干净后置于低温干燥箱中，干燥后用粉碎机进行研磨成粉，再过60目筛，分别装于塑封袋内备用；碱溶酸沉步骤，精准称取10g绿梅花粉末于烧杯中，加入100ml蒸馏水，用氢氧化钠溶液调节ph值到8，在25℃保温3h后离心取上清液，再用盐酸溶液调节ph值到4，静置0.5h，离心收集沉淀；酶解步骤，量取适量蒸馏水溶解上述沉淀，加入4％的风味蛋白酶，不调ph值，在50℃下酶解时间为2h，之后在100℃下灭酶活10min；膜过滤步骤，将上述酶解液通过10kd大小的膜过滤，离心取过滤液，即为梅花小分子多肽。
[0071]
进一步地，根据本公开的第四个方案，还提供了另一种梅花小分子多肽制备方法，其包括：低温干燥研磨步骤，采摘新鲜绿梅花洗干净后置于低温干燥箱中，干燥后用粉碎机进行研磨成粉，再过60目筛，分别装于塑封袋内备用；碱溶酸沉步骤，精准称取10g绿梅花粉末于烧杯中，加入100ml蒸馏水，用氢氧化钠溶液调节ph值到8，在25℃保温3h后离心取上清液，再用盐酸溶液调节ph值到4，静置0.5h，离心收集沉淀；酶解步骤，量取适量蒸馏水溶解上述沉淀，加入2.5％的糖化酶，调节ph值到4.5，在59℃下酶解时间为2h，之后在100℃下灭酶活10min；膜过滤步骤，将上述酶解液通过10kd大小的膜过滤，离心取过滤液，即为梅花小分子多肽。
[0072]
进一步地，根据本公开的第五个方案，还提供了另一种梅花小分子多肽制备方法，其包括：低温干燥研磨步骤，采摘新鲜绿梅花洗干净后置于低温干燥箱中，干燥后用粉碎机进行研磨成粉，再过60目筛，分别装于塑封袋内备用；碱溶酸沉步骤，精准称取10g绿梅花粉末于烧杯中，加入100ml蒸馏水，用氢氧化钠溶液调节ph值到8，在25℃保温3h后离心取上清液，再用盐酸溶液调节ph值到4，静置0.5h，离心收集沉淀；酶解步骤，量取适量蒸馏水溶解
上述沉淀，加入4％的碱性蛋白酶，调节ph值到9,在50℃下酶解时间为2h，之后在100℃下灭酶活10min；膜过滤步骤，将上述酶解液通过10kd大小的膜过滤，离心取过滤液，即为梅花小分子多肽。
[0073]
进一步地，根据本公开的第六个方案，还提供了另一种梅花小分子多肽制备方法，其包括：低温干燥研磨步骤，采摘新鲜绿梅花洗干净后置于低温干燥箱中，干燥后用粉碎机进行研磨成粉，再过60目筛，分别装于塑封袋内备用；碱溶酸沉步骤，精准称取8g绿梅花粉末于烧杯中，加入100ml蒸馏水，用氢氧化钠溶液调节ph值到8，在25℃保温3h后离心取上清液，再用盐酸溶液调节ph值到4，静置0.5h，离心收集沉淀；酶解步骤，量取适量蒸馏水溶解上述沉淀，加入2％的木瓜蛋白酶，调节ph值到6.5，在52℃下酶解时间为2h，之后在100℃下灭酶活10min；膜过滤步骤，将上述酶解液通过10kd大小的膜过滤，离心取过滤液，即为梅花小分子多肽。
[0074]
进一步地，根据本公开的第七个方案，还提供了另一种梅花小分子多肽制备方法，其包括：低温干燥研磨步骤，采摘新鲜绿梅花洗干净后置于低温干燥箱中，干燥后用粉碎机进行研磨成粉，再过60目筛，分别装于塑封袋内备用；碱溶酸沉步骤，精准称取12g绿梅花粉末于烧杯中，加入100ml蒸馏水，用氢氧化钠溶液调节ph值到8，在25℃保温3h后离心取上清液，再用盐酸溶液调节ph值到4，静置0.5h，离心收集沉淀；酶解步骤，量取适量蒸馏水溶解上述沉淀，加入2％的木瓜蛋白酶，调节ph值到6.5，在52℃下酶解时间为2h，之后在100℃下灭酶活10min；膜过滤步骤，将上述酶解液通过10kd大小的膜过滤，离心取过滤液，即为梅花小分子多肽。
[0075]
进一步地，根据本公开的第八个方案，还提供了另一种梅花小分子多肽制备方法，其包括：低温干燥研磨步骤，采摘新鲜绿梅花洗干净后置于低温干燥箱中，干燥后用粉碎机进行研磨成粉，再过60目筛，分别装于塑封袋内备用；碱溶酸沉步骤，精准称取10g绿梅花粉末于烧杯中，加入100ml蒸馏水，用氢氧化钠溶液调节ph值到8，在25℃保温3h后离心取上清液，再用盐酸溶液调节ph值到4，静置0.5h，离心收集沉淀；酶解步骤，量取适量蒸馏水溶解上述沉淀，加入1％的木瓜蛋白酶，调节ph值到6.5，在52℃下酶解时间为2h，之后在100℃下灭酶活10min；膜过滤步骤，将上述酶解液通过10kd大小的膜过滤，离心取过滤液，即为梅花小分子多肽。
[0076]
进一步地，根据本公开的第九个方案，还提供了另一种梅花小分子多肽制备方法，其包括：低温干燥研磨步骤，采摘新鲜绿梅花洗干净后置于低温干燥箱中，干燥后用粉碎机进行研磨成粉，再过60目筛，分别装于塑封袋内备用；碱溶酸沉步骤，精准称取10g绿梅花粉末于烧杯中，加入100ml蒸馏水，用氢氧化钠溶液调节ph值到8，在25℃保温3h后离心取上清液，再用盐酸溶液调节ph值到4，静置0.5h，离心收集沉淀；酶解步骤，量取适量蒸馏水溶解上述沉淀，加入3％的木瓜蛋白酶，调节ph值到6.5，在52℃下酶解时间为2h，之后在100℃下灭酶活10min；膜过滤步骤，将上述酶解液通过10kd大小的膜过滤，离心取过滤液，即为梅花小分子多肽。
[0077]
进一步地，根据本公开的第十个方案，还提供了另一种梅花小分子多肽制备方法，其包括：低温干燥研磨步骤，采摘新鲜绿梅花洗干净后置于低温干燥箱中，干燥后用粉碎机进行研磨成粉，再过60目筛，分别装于塑封袋内备用；碱溶酸沉，精准称取10g绿梅花粉末于烧杯中，加入100ml蒸馏水，用氢氧化钠溶液调节ph值到9，在25℃保温3h后离心取上清液，
再用盐酸溶液调节ph值到4，静置0.5h，离心收集沉淀；酶解步骤，量取适量蒸馏水溶解上述沉淀，加入2％的木瓜蛋白酶，调节ph值到6.5，在52℃下酶解时间为2h，之后在100℃下灭酶活10min；膜过滤步骤，将上述酶解液通过10kd大小的膜过滤，离心取过滤液，即为梅花小分子多肽。
[0078]
进一步地，根据本公开的第十一个方案，还提供了另一种梅花小分子多肽制备方法，其包括：低温干燥研磨步骤，采摘新鲜绿梅花洗干净后置于低温干燥箱中，干燥后用粉碎机进行研磨成粉，再过60目筛，分别装于塑封袋内备用；碱溶酸沉步骤，精准称取10g绿梅花粉末于烧杯中，加入100ml蒸馏水，用氢氧化钠溶液调节ph值到8，在25℃保温3h后离心取上清液，再用盐酸溶液调节ph值到3，静置0.5h，离心收集沉淀；酶解步骤，量取适量蒸馏水溶解上述沉淀，加入2％的木瓜蛋白酶，调节ph值到6.5，在52℃下酶解时间为2h，之后在100℃下灭酶活10min；膜过滤步骤，将上述酶解液通过10kd大小的膜过滤，离心取过滤液，即为梅花小分子多肽。
[0079]
进一步地，根据本公开的第十二个方案，还提供了另一种梅花小分子多肽制备方法，其包括：低温干燥研磨步骤，采摘新鲜绿梅花洗干净后置于低温干燥箱中，干燥后用粉碎机进行研磨成粉，再过60目筛，分别装于塑封袋内备用；碱溶酸沉步骤，精准称取10g绿梅花粉末于烧杯中，加入100ml蒸馏水，用氢氧化钠溶液调节ph值到8，在25℃保温3h后离心取上清液，再用盐酸溶液调节ph值到4，静置0.5h，离心收集沉淀；酶解步骤，量取适量蒸馏水溶解上述沉淀，加入2％的木瓜蛋白酶，调节ph值到6.5，在52℃下酶解时间为1h，之后在100℃下灭酶活10min；膜过滤步骤，将上述酶解液通过10kd大小的膜过滤，离心取过滤液，即为梅花小分子多肽。
[0080]
进一步地，根据本公开的第十三个方案，还提供了另一种梅花小分子多肽制备方法，其包括：低温干燥研磨步骤，采摘新鲜绿梅花洗干净后置于低温干燥箱中，干燥后用粉碎机进行研磨成粉，再过60目筛，分别装于塑封袋内备用；碱溶酸沉步骤，精准称取10g绿梅花粉末于烧杯中，加入100ml蒸馏水，用氢氧化钠溶液调节ph值到8，在25℃保温3h后离心取上清液，再用盐酸溶液调节ph值到4，静置0.5h，离心收集沉淀；酶解步骤，量取适量蒸馏水溶解上述沉淀，加入2％的木瓜蛋白酶，调节ph值到6.5，在52℃下酶解时间为2.5h，之后在100℃下灭酶活10min；膜过滤步骤，将上述酶解液通过10kd大小的膜过滤，离心取过滤液，即为梅花小分子多肽。
[0081]
进一步地，提供一种梅花小分子多肽对细胞增殖活力影响的测定方法，该方法为cck8法，该方法测试细胞增殖活力具有重复性好，对细胞毒性小等优点。具体地，取传代4-5代的处于对数生长期的hdf细胞，细胞密度为4x104个/ml，接种于96孔板中，在37℃5％co2条件下培养12h左右，再加入10％培养液体积的已配好浓度的梅花小分子多肽，等样品与细胞作用24h后，再加入10％的cck8试剂，细胞培养箱中孵育2小时左右，最后在酶标仪上测定450nm下的吸光值，每个浓度重复5次。细胞增殖率计算方法按如下公式：
[0082][0083]
进一步地，该可以通过荧光定量pcr检测has的mrna表达水平，具体地，利用rnaiso提取细胞六孔板中的hdf细胞的总rna，然后采用primescript
tm
rt reagent kit把总rna逆转成cdna，加入sybr试剂、基因引物以及基因模板后，进行实时荧光定量pcr反应，反应程序
为两步法，具体程序如下：预变性95℃30s；pcr反应95℃5s，60℃30s40次循环。引物序列如下：actin-f:gttggacctgacagactacctca，actin-r:gttgccaatagtgatgacct；has-f:gtcctctaggcctatatagga，has-r:ctggaggtgtacttggtagca。
[0084]
测试结果如下表1所示：
[0085]
表1
[0086][0087]
其中，细胞增殖率代表梅花小分子多肽对hdf细胞的增殖的影响，当增殖率小于85％时，说明梅花小分子多肽对细胞有一定的毒性，不适合添加到化妆品中应用，因此在本研究中不再继续后续的其它实验研究；增殖率大于85％说明梅花小分子多肽对hdf细胞没有毒性，说明它是一种较为安全的化妆品添加剂。皮肤中胶原蛋白的流失会造成皮肤松弛、弹性下降、皱纹增多；mmp-1即为基质金属蛋白酶-1，是一种胶原蛋白水解酶，能促进胶原蛋白的水解，导致胶原蛋白含量下降；透明质酸合成酶基因表达水平增加，则细胞中能合成更多的透明质酸，反之细胞中透明质酸含量下降，透明质酸是真皮层细胞间一种重要的填充物，具有极强的保湿功效，也是皮肤紧致与否的一个重要指标。综上实验分析可得，方案一得到的梅花小分子多肽对hdf细胞的增殖没有影响，说明这个工艺得到的梅花小分子多肽具有一定的安全性；此外细胞上清液中的i型胶原蛋白含量增加了52.57％，mmp-1含量减少了46.89％，透明质酸合成酶has基因表达水平增加了68.94％，说明梅花小分子多肽具有极
强的去皱紧致和保湿功效。
[0088]
进一步地，图8示出根据本公开的实施例的梅花小分子多肽制备的智能系统100的框图。如图8所示，根据本技术实施例的梅花小分子多肽制备的智能系统100，包括：粉末获取模块110，用于将采摘的新鲜梅花洗净后，置于低温干燥箱中进行低温干燥处理，再用粉碎机研磨成粉以得到梅花粉末；沉淀收集模块120，用于将所述梅花粉末和蒸馏水倒入烧杯中以形成混合溶液，并用氢氧化钠溶液调节所述混合溶液的ph值后，再进行离心处理，并取离心后的所述混合溶液的上清液，用盐酸溶液调节所述上清液的ph值，再离心收集沉淀；酶解模块130，用于使用蒸馏水溶解所述沉淀，再加入中性蛋白酶、风味蛋白酶、木瓜蛋白酶中的一种或多种，调节ph值，并以预定酶解时间进行酶解反应以得到酶解液；以及，过滤模块140，用于将所述酶解液通过滤网膜过滤，再离心取过滤液以得到梅花小分子多肽。
[0089]
这里，本领域技术人员可以理解，上述梅花小分子多肽制备的智能系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图7的梅花小分子多肽制备方法的描述中得到了详细介绍，并因此，将省略其重复描述。
[0090]
如上所述，根据本技术实施例的梅花小分子多肽制备的智能系统100可以实现在各种无线终端中，例如具有梅花小分子多肽制备算法的服务器等。在一种可能的实现方式中，根据本技术实施例的梅花小分子多肽制备的智能系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该梅花小分子多肽制备的智能系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该梅花小分子多肽制备的智能系统100同样可以是该无线终端的众多硬件模块之一。
[0091]
替换地，在另一示例中，该梅花小分子多肽制备的智能系统100与该无线终端也可以是分立的设备，并且该梅花小分子多肽制备的智能系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
[0092]
图9示出根据本公开的实施例的梅花小分子多肽制备方法的子步骤s132的应用场景图。如图9所示，在该应用场景中，首先，获取由摄像头(例如，图9中所示意的c)采集的预定时间段的酶解反应状态监控视频(例如，图9中所示意的d1)，以及，所述预定时间段内多个预定时间点的ph值(例如，图9中所示意的d2)，然后，将所述酶解反应状态监控视频和所述多个预定时间点的ph值输入至部署有梅花小分子多肽制备算法的服务器中(例如，图9中所示意的s)，其中，所述服务器能够使用所述梅花小分子多肽制备算法对所述酶解反应状态监控视频和所述多个预定时间点的ph值进行处理以得到用于表示当前时间点的ph值应增大或应减小的分类结果。
[0093]
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

技术特征：
1.一种梅花小分子多肽制备方法，其特征在于，包括：将采摘的新鲜梅花洗净后，置于低温干燥箱中进行低温干燥处理，再用粉碎机研磨成粉以得到梅花粉末；将所述梅花粉末和蒸馏水倒入烧杯中以形成混合溶液，并用氢氧化钠溶液调节所述混合溶液的ph值后，再进行离心处理，并取离心后的所述混合溶液的上清液，用盐酸溶液调节所述上清液的ph值，再离心收集沉淀；使用蒸馏水溶解所述沉淀，再加入中性蛋白酶、风味蛋白酶、木瓜蛋白酶中的一种或多种，调节ph值，并以预定酶解时间进行酶解反应以得到酶解液；以及将所述酶解液通过滤网膜过滤，再离心取过滤液以得到梅花小分子多肽。2.根据权利要求1所述的梅花小分子多肽制备方法，其特征在于，所述使用蒸馏水溶解所述沉淀，再加入中性蛋白酶、风味蛋白酶、木瓜蛋白酶中的一种或多种，调节ph值，并以预定酶解时间进行酶解反应以得到酶解液，包括：获取由摄像头采集的预定时间段的酶解反应状态监控视频，以及，所述预定时间段内多个预定时间点的ph值；以及基于所述酶解反应状态监控视频和所述多个预定时间点的ph值对当前时间点的ph值进行自适应控制。3.根据权利要求2所述的梅花小分子多肽制备方法，其特征在于，基于所述酶解反应状态监控视频和所述多个预定时间点的ph值对当前时间点的ph值进行自适应控制，包括：从所述酶解反应状态监控视频提取所述多个预定时间点对应的图像帧以得到多个酶解反应状态监控关键帧；从所述多个酶解反应状态监控关键帧提取酶解状态时序特征图；对所述多个预定时间点的ph值进行特征提取以得到ph值时序特征向量；基于所述酶解状态时序特征图和所述ph值时序特征向量之间的关联以得到分类特征矩阵；以及基于所述分类特征矩阵，对所述当前时间点的ph值进行自适应控制。4.根据权利要求3所述的梅花小分子多肽制备方法，其特征在于，从所述多个酶解反应状态监控关键帧提取酶解状态时序特征图，包括：将所述多个酶解反应状态监控关键帧通过基于三维卷积神经网络模型的酶解状态特征提取器以得到酶解状态时序特征图。5.根据权利要求4所述的梅花小分子多肽制备方法，其特征在于，对所述多个预定时间点的ph值进行特征提取以得到ph值时序特征向量，包括：将所述多个预定时间点的ph值按照时间维度排列为ph值时序输入向量后通过基于一维卷积神经网络模型的ph值时序特征提取器以得到所述ph值时序特征向量。6.根据权利要求5所述的梅花小分子多肽制备方法，其特征在于，基于所述酶解状态时序特征图和所述ph值时序特征向量之间的关联以得到分类特征矩阵，包括：对所述酶解状态时序特征图进行降维处理以得到酶解状态时序特征向量；计算所述酶解状态时序特征向量相对于所述ph值时序特征向量的响应性估计以得到所述分类特征矩阵。7.根据权利要求6所述的梅花小分子多肽制备方法，其特征在于，基于所述分类特征矩
阵，对所述当前时间点的ph值进行自适应控制，包括：对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及将所述优化分类特征矩阵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ph值应增大或应减小。8.根据权利要求7所述的梅花小分子多肽制备方法，其特征在于，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵，包括：以如下优化公式对所述分类特征矩阵的各个行特征向量进行多源信息融合验前分布评估优化以得到所述优化分类特征矩阵；其中，所述优化公式为：其中，所述优化公式为：其中，v
i
是所述分类特征矩阵的第i个行特征向量，v
j
是所述分类特征矩阵的第j个行特征向量，是均值特征向量，n为邻域设置超参数，log表示以2为底的对数函数，表示按位置减法，是所述优化分类特征矩阵的第i个优化行特征向量。9.根据权利要求8所述的梅花小分子多肽制备方法，其特征在于，将所述优化分类特征矩阵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ph值应增大或应减小，包括：将所述优化分类特征矩阵按照行向量或列向量展开为优化分类特征向量；使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。10.一种梅花小分子多肽制备的智能系统，其特征在于，包括：粉末获取模块，用于将采摘的新鲜梅花洗净后，置于低温干燥箱中进行低温干燥处理，再用粉碎机研磨成粉以得到梅花粉末；沉淀收集模块，用于将所述梅花粉末和蒸馏水倒入烧杯中以形成混合溶液，并用氢氧化钠溶液调节所述混合溶液的ph值后，再进行离心处理，并取离心后的所述混合溶液的上清液，用盐酸溶液调节所述上清液的ph值，再离心收集沉淀；酶解模块，用于使用蒸馏水溶解所述沉淀，再加入中性蛋白酶、风味蛋白酶、木瓜蛋白酶中的一种或多种，调节ph值，并以预定酶解时间进行酶解反应以得到酶解液；以及过滤模块，用于将所述酶解液通过滤网膜过滤，再离心取过滤液以得到梅花小分子多肽。

技术总结
公开了一种梅花小分子多肽制备方法及其智能系统。该方法包括：将采摘的新鲜梅花洗净后，置于低温干燥箱中进行低温干燥处理，再用粉碎机研磨成粉以得到梅花粉末；将所述梅花粉末和蒸馏水倒入烧杯中以形成混合溶液，并用氢氧化钠溶液调节所述混合溶液的PH值后，再进行离心处理，并取离心后的所述混合溶液的上清液，用盐酸溶液调节所述上清液的PH值，再离心收集沉淀；使用蒸馏水溶解所述沉淀，再加入中性蛋白酶、风味蛋白酶、木瓜蛋白酶中的一种或多种，调节PH值，并以预定酶解时间进行酶解反应以得到酶解液；以及，将所述酶解液通过滤网膜过滤，再离心取过滤液以得到梅花小分子多肽。这样，可以实现高效率的梅花小分子多肽制备方案。备方案。备方案。


技术研发人员：陈志雄 曹平 吴炯 刘陈陈
受保护的技术使用者：湖州嘉亨实业有限公司
技术研发日：2023.06.09
技术公布日：2023/10/8