- 综合排序
- 最热优先
- 最新优先
- 来自专栏粮食检验
科技实弹丨酿酒企业原料收购如何实现“靶向”智能化升级
“用好粮酿好酒”，是酿酒企业亘古不变的优良传统与标准原则，原料入厂是品质保障的第一道“关卡”。 因此如何通过更具先进性的科技手段攻克上述顽疾，成为酿酒企业亟需达到的智能化目标，酒企原料收购不同于单一粮种，普遍存在“种类复杂、指标多样、个性化强”的特点，针对其业务特征，潜心铸造科技实弹，帮助酒企完成 水分、不完善粒自动在线检验，减少以往因两套系统而造成的瓶颈效应，从扦样到以上主要指标检验完成仅需5分钟，最大限度地“去人化”，所有检验指标均实现溯源。 特别是在不完善粒检验方面，根据国标实现了任何谷物和粮食以颗粒数和重量两种不同方式的在线检测，同时得出小麦千粒重数据，具备深度学习功能，实时动态提升检验准确度。 图片不仅为酿酒企业原料收购品质把关，还可以为企业将数字化管理延伸至上下游运输业务，按预置的规定实时监管车辆在途状态，信息流与实物流同步，形成完整供应链闭环。
39480编辑于 2022-11-09 - 来自专栏Alter聊科技
在劲牌工厂，探寻一瓶草本酒的科技之旅
早在殷商时期，人们就以酒曲、黑粟米、郁金草、小米为原料酿酒，被认为是最早的露酒雏形；到了汉代，出现了椒酒、桂酒、柏酒、菊花酒等不同“香型”的露酒；蒸馏酒在元代普及后，以滋补药材入酒渐成风潮。 第二道是“原料关”：道地药材。 如果不能保障源头药材的品质，不能保证草本成分的含量和可控性，所谓的“草本科技”将无从谈起。 酿酒可以说是非常讲究科技的一门工艺，但经历了2000多年的演变，酿酒依然在讲“一水二火三功夫”，靠老师傅的经验进行传承。即使经验再足的师傅，也教不出一模一样的徒弟，标准化生产必须摆脱“经验主义”。 时间回到1998年，随着中国劲酒销量的不断增长，清香型原酒的需求量越来越大，劲牌开始重新寻找水源扩建酿酒基地。 劲牌的研究人员用了四年时间，对44个糯高粱品种进行了对比研究，精选出皮薄、颗粒大小适中、饱满圆润“两糯一号”作为清香型原酒的酿造原料。
25300编辑于 2025-06-19 跟随腾讯云TVP走进泸州老窖的探香寻智之旅
一个生态酿酒生态园即可年产10万吨白酒。 3. 还在坚持明、清老窖的人工酿酒手工作业工艺。人工作业的经验参数定期调整自动化酿酒生产线。传统和现代相得益彰。 仍然在使用龙泉井水酿造。 数智化和智算中心稳步推进，做到园区构建和生产的数字孪生，营销、供应链、酿酒、管理各领域的智能场景应用不断深化。 当452年历史的窖池和701年的手工酿酒技艺，跟全自动化的酿酒生产和包装流水线作业共存，又跟数字化和现代AI相结合时，不由得让人产生出了穿越的错觉。 原料是数据，工艺是数据，参数是数据，物流和营销也还是数据。所以产业的现代化智能化一定是要将企业实实在在的数据充分用起来，才能打造其在行业中独特的品牌和价值主张。
26600编辑于 2025-05-30- 来自专栏爬虫逆向案例
NLTK-004：加工原料文本
所以假设获取到了内容。变量raw是这本书原始的内容，包括很多我们不感兴趣的细节，如空格、换行符和空 行。请注意，文件中行尾的\r 和\n，是 Python 用来显示特殊的回车和换行字符的方式
76720发布于 2021-11-22 破壁者联盟 PROFIBUS与EtherNet/IP在酒窖握手！
在酿酒工艺对温度、流量控制精度要求极高的场景下，不同通信协议设备的协同成为提升酿造品质的关键。 西门子PLC作为酿酒控制系统的“大脑”，依托PROFIBUS DP协议构建起可靠的主从站网络，精准控制发酵温度、原料配比等核心工艺参数。 在酿酒厂的实际应用中，该技术优势显著。 此外，标准化的数据接口为后续对接酿酒工艺管理系统（如MES）提供了便利。 这一技术不仅提升了生产效率与产品品质，更为酿酒行业的智能化升级提供了创新路径，助力传统酿造工艺焕发新活力。
17210编辑于 2025-06-25- 来自专栏镁客网
由一台“液体面包”机引发的革命
有了它，你可实现在家坐着边看电视边酿酒的美好愿景。该啤酒机还配备自己的App，用户可实时查看和操控酿酒过程。重点是操作实在太方便，放入原料包，选好配方即可一键酿酒。 那么，用户在哪儿折腾啤酒的原料呢？去淘宝找正品？找的都快瞎了还存在被蒙的可能。神奇的爱咕噜和国内外的农商合作，直接为配方提供相应的原料包。
56930发布于 2018-05-25 - 来自专栏全栈程序员必看
t检验和u检验_均匀性检验界值表
应用条件与t检验大致相同，但t′检验用于两组间方差不齐时，t′检验的计算公式实际上是方差不齐时t检验的校正公式。 应用条件与t检验基本一致，只是当大样本时用U检验，而小样本时则用t检验，t检验可以代替U检验。 用于正态分布、方差齐性的多组间计量比较。 至于其他的White检验、Brusch-pagan检验(异方差的检验方法)、还有序列相关的t检验、DW检验基本原来是相同的。 关于异方差检验、序列相关的检验其中存在不同的地方，但是思想基本是相同的。 那么我们验证其中的参数的估计是不是显著的，就用t检验。 t检验与F检验有什么区别 1.检验有单样本t检验，配对t检验和两样本t检验。 其他表述： t检验与方差分析,主要差异在于,t检验一般使用在单样本或双样本的检验,方差分析用于2个样本以上的总体均值的检验.同样,双样本也可以使用方差分析, 多样本也可以使用t检验,不过,t检验只能是所有总体两两检验而已
3.3K30编辑于 2022-11-15 - 来自专栏连享会
稳健性检验！稳健性检验！
什么是稳健性检验？ 论文中，我们常常要求要做稳健性检验，那么什么是稳健性检验呢？ 在较早的文献中，一般很少涉及稳健性检验，但近年来，大家对稳健性检验的重视程度越来越高，这也体现了大家对所得结论准确性的要求越来越高。做好稳健性检验，是使结论得到广泛接受的重要步骤之一。 如果我们发现 A 不成立，那么我们则应该在稳健性检验中用 E 方法重新检验. 在稳健性检验中，我们可以通过扩宽时间长度或者缩短时间长度来检验我们的结论。 Stata：一行代码实现安慰剂检验-permute acreg：允许干扰项随意相关的稳健性标准误 aoeplacebo：地理安慰剂检验 专题：倍分法DID 多期DID之安慰剂检验、平行趋势检验 专题：内生性
4.4K30编辑于 2022-05-12 - 来自专栏芯智讯
马来西亚宣布：将禁止稀土原料出口！
9月12日消息，据路透社报道，马来西亚总理安瓦尔·易卜拉欣（Anwar Ibrahim）11日表示，马来西亚将制定禁止稀土原料出口的政策，以“避免资源的开采和流失”，这使马来西亚成为了又一个限制关键矿物出口的国家 除了限制稀土原料出口之外，马来西亚还将加强稀土原料加工产业，以维护该国的稀土价值链，同时将可为马来西亚提供额外收入。 不过马来西亚的稀土储量仅占世界稀土储量的一小部分，估计为3万吨，因此马来西亚禁止稀土原料出口预计对于全球影响较小。
52540编辑于 2023-09-20 - 来自专栏kafka专栏
SPL工业智能：原料与产品的拟合
原料经过一系列加工过程，包括物理反应和化学反应，最终形成产品，生产的理想状态是原料到产品的转换率是确定的，工厂想生产多少产品就知道需要准备多少原料，提高生产效率。 许多工艺原理和生产经验都表明，在简化情况下，可以认为原料用量和产品产量之间近似是线性关系。这样，每一种原料和每一种产品之间都会有一个与原料用量无关的恒定转换率，在化工界称为收率。 我们的目标是根据历史的原料量和产量计算出一个较准确的收率，然后在下一个生产周期（比如第二天）中根据原料用量预测产量，预测产量与实际产量越接近说明收率越准确。 如此看来，原料和产品的拟合并不是完全无条件的，需要满足质量守恒定律，即所有产品产量小于原料用量且不会因原料增多而减少，这要求所有收率必须在[0,1]范围内。 质量守恒定律还要求任一种原料最终都转化成各种产品，不会有没有用掉的原料，也不会凭空产生产品，即各种产品对某一种原料的收率和等于1。
68720编辑于 2022-10-28 - 来自专栏芯智讯
日本宣布将解除对韩半导体原料出口管制
根据韩国际贸易协会（Korea International Trade Association）的数据，韩国高度依赖日本的半导体原料，2019年韩国从日本企业进口的氟化氢（hydrogen fluoride
37040编辑于 2023-03-25 - 来自专栏Linux基础入门
SPSS参数检验 | 假设检验
当总体分布已知的情况下，利用样本数据对总体包含的参数进行推断的问题就是参数检验问题，参数检验不仅能够对一个总体的参数进行推断，还能比较两个或多个总体的参数。 在参数检验这章主要介绍平均值检验、单样本t检验、两独立样本t检验和配对样本t检验。 ? 在正式介绍本章内容之前，我们先来了解一下关于假设检验的相关内容： 两个样本某变量的均值不同，其差异是否具有统计意义，能否说明总体之间存在的差异，这些都是研究工作中经常提出的问题，解决它们就需要进行假设检验 3.假设检验的一般步骤： ①提出零假设（H0） 根据检验的目标，对需要检验的最终结果提出一个零假设。例如，需要检验一个班同学的平均身高是否等于170，即可以做出零假设，H0:h=170。 ②选择检验统计量 假设检验中，总是通过计算检验统计量的概率值进行判断，这些统计量服从或近似服从已知的某种分布，常用的有t分布、F分布等。
2.1K30发布于 2020-09-01 - 来自专栏下落木
T检验
什么是T检验？ T检验是假设检验的一种，又叫student t检验（Student’s t test），主要用于样本含量较小（例如n<30），总体标准差σ未知的正态分布资料。 ，由于备择假设中包含≠，拒绝域分布在两侧： 类别2称为单尾检验 备择假设中包含>的情形，拒绝域在数轴右侧： 备择假设中包含<的情形，拒绝域在数轴左侧： t检验的分类 t检验分为单总体t 检验和双总体t检验 单总体t检验 检验一个样本平均数与一个已知的总体平均数差异是否显著。 双总体t检验 检验两个样本各自所代表的总体的均值差异是否显著，包括独立样本t检验和配对样本t检验。 独立样本t检验 检验两个独立样本所代表的总体均值差异是否显著。 t=4之后的曲线下面积其实就是P值： 为什么t统计量服从t分布 单样本t检验 独立样本t检验 配对样本t检验 可将两配对样本对应元素做差，得到新样本，这个新样本可视作单样本，与单样本t检验统计量证明方法相同
2.7K21发布于 2021-10-13 - 来自专栏医学和生信笔记
R语言线性趋势检验：Cochran Armitage 检验
Cochran Armitage检验是一种线性趋势检验，常用于自变量是有序分类变量，而因变量是二分类变量的资料，可以用来检验自变量和因变量存不存在线性趋势。 注意和Cochran-Mantel-Haenszel检验区分，CMH检验是研究两个分类变量之间关联性的一种检验方法。 关于CMH检验的内容可以参考之前的推文：R语言卡方检验方法总结 换句话说，在2 x 2表格数据的基础上，引入了第三个分类变量，称之为混杂变量。 混杂变量的引入使得CMH检验可以用于分析分层样本，作为生物统计学领域的一种常用技术，该检验常用于疾病对照研究。 下面是CMH检验的一个补充。 默认的CMH检验只能进行3个变量的检验，vcdExtra中的CMHtest()可以进行两个变量的CMH检验。
1.7K20编辑于 2023-02-14 - 来自专栏Linux基础入门
SPSS参数检验 | 平均值检验
前言： 平均值检验是通过比较两个样本的均值来判断两个总体的均值是否相等。还可以执行单因素方差分析和相关分析。 零假设：两个样本的均值没有显著差异。 ? 操作过程： 1.数据输入格式 ? ? ②线性相关度检验：选择此项，即对第一层次进行线性检验，计算与线性和非线性成分相关联的平方和、自由度和均方，以及F比、R和R方。 ? ? 4.完成所有设置后，单击“确定”按钮执行命令。 查看平均值检验的结果分析： ①个案数为400，其中男性的个案为166，储蓄金额的平均值为198239.97，标准偏差为100439.918，女性的个案为234，储蓄金额的平均值为192834.38，标准偏差为
3.8K20发布于 2020-09-02 - 来自专栏SAP供应链
SAP QM 源检验的检验批特殊之处
SAP QM 源检验的检验批特殊之处SAP QM里Source Inspection虽然在项目实践中极为不常用，但是以笔者的经验来看，在找项目参加技术面试的时候，却经常有面试官问到这个流程，用以考察候选者的 检验批# 10000000672是一个源检验（Source Inspection）流程里的检验批,它是根据采购订单4500001239使用事务代码QI07而触发的。 它的inspection type以及Inspection Lot origin都跟采购订单收货过账触发的检验批一样。 2, 这个Source Inspection的检验批的特殊之处：a), 它的System status: REL CALC, 没有SPRQ。b), 检验批上的Insp.Stock选项没有被勾选。 之所以有这3个特殊之处，是因为source inspection的检验批是根据采购订单单据来触发的，而非采购订单收货过账而触发的，所以它与质检库存无关。
1K20编辑于 2023-02-03 - 来自专栏优雅R
「R」t 检验
问题 你想要检验来自两个总体的样本是否有不同的均值（显著性差异），或者检验从一个总体抽取的样本均值和理论均值有显著性差异。 方案 样本数据 我们将使用内置的sleep数据集。 7 7 3.7 5.5 #> 8 8 0.8 1.6 #> 9 9 0.0 4.6 #> 10 10 2.0 3.4 比较两组：独立双样本t检验 默认的不是Student t检验而是使用了Welch t检验。注意Welch t-test结果中df=17.776，这是因为对不同质方差进行了校正。 要使用Student t检验的话，设置var.equal=TRUE。 你也可以使用配对样本t检验比较配对的数据。
1.9K20发布于 2020-07-02 - 来自专栏blog(为什么会重名，真的醉了)
Friedman检验及后续Nemenyi检验可视化
文章目录 Friedman 检验 Nemeny检验 Friedman 检验 弗里德曼检验（Friedman test）是一种非参数统计检验方法，用于比较来自不同群体或条件的相关样本。 Friedman 检验是一种非参数方法，它不依赖于数据的分布假设，因此在数据不满足正态分布或方差齐性的情况下也可以使用。 弗里德曼检验的目的是确定多个相关样本是否存在显著差异。它基于样本的秩次或等级信息，而不是具体的数值。该检验假设每个样本都来自同一总体，并且评估各组之间的差异是否显著。 如果原假设被拒绝，那么接下来Nemenyi后续检验就会被执行。 接下来执行Nemeny检验。
4.4K10编辑于 2024-01-02 - 来自专栏生信补给站
R学习—检验
R语言系列学习(各种检验) 1、W检验（Shapiro–Wilk (夏皮罗–威克尔 ) W统计量检验) 检验数据是否符合正态分布，R函数：shapiro.test(). 2、K检验(经验分布的Kolmogorov-Smirnov检验) R函数:ks.test(),如果P值很小，说明拒绝原假设，表明数据不符合F(n,m)分布。 3、相关性检验： R函数：cor.test() cor.test(x, y, alternative = c("two.sided", "less", "greater"), method = 4、T检验 用于正态总体均值假设检验，单样本，双样本都可以。 9、McNemar检验： mcnemar.test(x, y = NULL, correct = TRUE) 原假设：两组数据的频数没有区别。
1K40发布于 2020-08-06 - 来自专栏Michael阿明学习之路
不浪费原料的汉堡制作方案（解方程）
为了避免浪费原料，请你帮他们制定合适的制作计划。 给你两个整数 tomatoSlices 和 cheeseSlices，分别表示番茄片和奶酪片的数目。 不同汉堡的原料搭配如下： 巨无霸汉堡：4 片番茄和 1 片奶酪 小皇堡：2 片番茄和 1 片奶酪 请你以 [total_jumbo, total_small]（[巨无霸汉堡总数，小皇堡总数]）的格式返回恰当的制作方案 不会剩下原料。 示例 2： 输入：tomatoSlices = 17, cheeseSlices = 4 输出：[] 解释：只制作小皇堡和巨无霸汉堡无法用光全部原料。
98620发布于 2020-07-13
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号