CN116147714B - 一种d-二聚体和fdp复合质控品生产过程异常监控方法 - Google Patents

一种d-二聚体和fdp复合质控品生产过程异常监控方法 Download PDF

Info

Publication number
CN116147714B
CN116147714B CN202310442498.6A CN202310442498A CN116147714B CN 116147714 B CN116147714 B CN 116147714B CN 202310442498 A CN202310442498 A CN 202310442498A CN 116147714 B CN116147714 B CN 116147714B
Authority
CN
China
Prior art keywords
data
dimer
fdp
monitoring
production process
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310442498.6A
Other languages
English (en)
Other versions
CN116147714A (zh
Inventor
杨军京
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zongci Technology Development Co ltd
Original Assignee
Beijing Zongci Technology Development Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Zongci Technology Development Co ltd filed Critical Beijing Zongci Technology Development Co ltd
Priority to CN202310442498.6A priority Critical patent/CN116147714B/zh
Publication of CN116147714A publication Critical patent/CN116147714A/zh
Application granted granted Critical
Publication of CN116147714B publication Critical patent/CN116147714B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
    • G01N33/536—Immunoassay; Biospecific binding assay; Materials therefor with immune complex formed in liquid phase
    • G01N33/537—Immunoassay; Biospecific binding assay; Materials therefor with immune complex formed in liquid phase with separation of immune complex from unbound antigen or antibody
    • G01N33/539—Immunoassay; Biospecific binding assay; Materials therefor with immune complex formed in liquid phase with separation of immune complex from unbound antigen or antibody involving precipitating reagent, e.g. ammonium sulfate
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
    • G01N33/577—Immunoassay; Biospecific binding assay; Materials therefor involving monoclonal antibodies binding reaction mechanisms characterised by the use of monoclonal antibodies; monoclonal antibodies per se are classified with their corresponding antigens
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G05B19/0423—Input/output
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/14—Quality control systems
    • G07C3/146—Quality control systems during manufacturing process
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Abstract

本发明公开一种D‑二聚体和FDP复合质控品生产过程异常监控方法，涉及生产状况监控技术领域，解决了生产过程异常问题监控能力，异常监控方法包括：D‑二聚体和FDP原材料制备工位监控；均匀搅拌工位监控；在混合液体中加进缓冲液工位监控；将实时检测的D‑二聚体和FDP数值与质控品范围比较；对于触发异常报警事件进行数据分析并建立基线模型；对生产数据进行可视化展示，及时发现异常情况；通过360°旋转摄像机采集原材料制备工位生产过程中的数据信息，通过聚类混合算法将D‑二聚体和FDP复合质控品的正常范围区分，通过选择混合算法检测异常并进行警报和处理，大大提高了生产效率以及合格效率，为医学检测提供了基本保障。

Description

一种D-二聚体和FDP复合质控品生产过程异常监控方法
技术领域
本发明涉及生产状况监控技术领域，且更具体地涉及一种D-二聚体和FDP复合质控品生产过程异常监控方法。
背景技术
在血凝检验中，经常需要测定D-二聚体、纤维蛋白和纤维蛋白原的降解产物FDP的含量。从人血浆中直接分离D-二聚体或FDP来源有限、产量低，可从动物血浆中制备D-二聚体或FDP质控品解决来源问题。单一的含有D-二聚体或FDP的质控品使用不便，且由于分别配制质控品的过程中的操作误差会影响质控品的准确度。
在此背景下，由于D-二聚体和FDP复合质控品生产设备会发生各种各样的异常状况，会大大降低生产效率，而且在生产过程中往往由于监测环节不够完善，对于D-二聚体和FDP复合质控品的合格产品监管不到位，从而导致不合格的D-二聚体和FDP复合质控品流入市场，对于医学检测造成不可小觑的影响。D-二聚体和FDP是人体凝血系统的重要指标，对于临床诊断和治疗具有重要意义。为了保证检测结果的准确性和可靠性，需要使用质控品生产状况进行监控，D-二聚体和FDP复合质控品生产过程中容易受到不同状态信息影响，每个工位都可能出现生产故障，或者出现生产异常，如何提高D-二聚体和FDP复合质控品生产过程中的监控能力是亟待解决的技术问题。
发明内容
针对上述技术的不足，本发明公开一种D-二聚体和FDP复合质控品生产过程异常监控方法，通过360°旋转摄像机采集原材料制备工位生产过程中的数据信息，通过聚类混合算法将D-二聚体和FDP复合质控品的正常范围区分，通过选择混合算法检测异常并进行警报和处理，大大提高了生产效率以及合格效率，为医学检测提供了基本保障。
有鉴于此,本发明提供了一种D-二聚体和FDP复合质控品生产过程异常监控方法,其包括步骤：
步骤1、D-二聚体和FDP原材料制备工位监控；
通过360°旋转摄像机采集原材料制备工位生产过程中的数据信息，所述数据信息包括原材料质量信息、加工工艺参数信息或设备运行状况数据信息；通过收集大量的正常样本数据，并记录D-二聚体和FDP原材料制备工位的工艺参数数据信息和D-二聚体和FDP原材料制备工位工人走动数据信息；数据信息的格式为文字、图像、PDF、WOED或视频信息；将监测到的D-二聚体和FDP原材料制备工位数据信息进行格式转换和存储；
步骤2、均匀搅拌工位监控；
通过设置有区块链网络通信协议节点的移动终端对均匀搅拌工位监控，并将搅拌的工作视频数据信息通过区块链网络节点提交至云端服务器，在云端服务器对均匀搅拌工位监控人员进行远程对话和视频交互；将D-二聚体和FDP原材料混合均匀时的工厂加工数据信息通过传输设备进行信息交互；并根据收集的正常样本数据，确定D-二聚体和FDP的标准范围；采用机器学习算法将接收到的正常样本数据进行训练，分别获取正常样本数据区间；
步骤3、在混合液体中加进缓冲液工位监控；
将混合后的原材料加入适量的缓冲液，制备D-二聚体和FDP复合质控品；通过360°旋转摄像机采集在混合液体中加进缓冲液工位中生产状况的数据信息，并对根据质控品范围，设置一个报警阈值；
步骤4、在生产过程中实时监测检测到的D-二聚体和FDP数值，并与设定的质控品范围进行比较；
在生产过程中，采用数据采集模块收集D-二聚体和FDP复合质控品的数据包括每批次的质控结果和生产过程的相关参数；所述生产过程中的数据包括质控结果和生产过程的相关参数，所述生产过程的相关参数包括温度、湿度或pH值，所述数据采集模块包括光敏传感器、控制器和远程通信单元，所述光敏传感器用于实时检测抗原抗体反应吸光度的增加，所述控制器用于控制每个内部单元的工作状态，所述远程通信单元用于将实时检测到的D-二聚体和FDP数值远程传送到接收终端；采用数据处理模块将收集到的数据进行处理和分析，所述数据处理模块包括数据对比单元和数据清洗单元，所述数据对比单元连接数据清洗单元，所述数据对比单元用于将收集的数据与设定的质控品范围进行比较，所述数据清洗单元包括遗漏数据处理子单元和噪声数据处理子单元，所述遗漏数据处理子单元用于填补数残缺的部分，所述噪声数据处理子单元用于修正数据的异常部分；
步骤5、对于每次触发异常报警事件，进行数据分析并及时反馈给相关人员；对数据进行分析，建立基线模型，将生产过程中的异常情况定义为偏离基线模型的数据点；
采用数据分析模块和报警处理模块，所述报警处理模块包括检测单元和处理单元，所述检测单元用于检测数据异常并触发异常报警，所述处理单元用于根据异常原因调动相应处理措施并进行相应处理，所述数据分析模块用于对每次异常事件进行分析，找出异常原因及时反馈给相关人员；
步骤6、对生产数据进行可视化展示，以方便用户查看生产过程中的数据变化趋势，及时发现异常情况；
通过设置监测模块将生产装置以及生产流程工位进行监控，所述监测模块包括温度传感器、浓度传感器和人机交互单元，所述温度传感器用于实时测量制备过程的温度，所述浓度传感器用于检测钙离子浓度，所述人机交互单元用于显示制备过程以及异常警告。
作为本发明进一步的实施例，所述机器学习算法为基于支持向量机和逻辑回归的聚类混合算法，所述聚类混合算法用于将获取的D-二聚体和FDP的正常范围值进行区分，所述支持向量机基于几何间隔最大化方法为局部最优算法，所述逻辑回归基于概率理论为全局最优算法。
作为本发明进一步的实施例，所述控制器包含FPGA+DSP处理模块，所述DSP处理模块为ATMega328型号的采集芯片，所述DSP处理模块集成14路GPIO接口、6路PWM接口、12位ADC接口、UART串口、1路SPI接口和1路I2C接口，所述FPGA处理模块为ARTIX-7系列XC7A100T-2FGG484I芯片。
作为本发明进一步的实施例，所述检测抗原抗体反应吸光度的方法为免疫比浊法，所述D-二聚体的检测过程为：聚苯乙烯颗粒包被到单克隆抗体与交联纤维蛋白降解产物D-二聚体的交联区域结合，交联区域呈立体结构，有两个单克隆抗体表位，单克隆抗体触发凝集反应，所述光敏传感器检测浊度的增加，仪器在575nm处通过对浊度改变的监测，将吸光度转换成浓度值，由此获得D-二聚体的量；所述FDP的检测过程为：特异性FDP单克隆抗体微粒乳胶悬浊液与待检测血浆混合，抗原抗体发生反应，从而乳胶微粒凝集，反应介质浊度增加，通过光度计测量吸光度的增加，反应测试样本中的FDP水平。
作为本发明进一步的实施例，所述检测单元采用基于连通性的异常值因子和随机异常值选择混合算法，所述选择混合算法首先获取p点的链式距离，所述链式距离公式为：
Figure SMS_1
（1）
式（1）中，k为总点数，i为当前点数，
Figure SMS_2
为第i个点对应的最短距离；
然后获取异常概率值，所述异常概率函数为：
Figure SMS_3
（2）
式（2）中，
Figure SMS_4
为正常距离点集合，/>
Figure SMS_5
为两个点的关联度；
最后获取连通性异常值因子，所述异常值因子函数为：
Figure SMS_6
（3）
式（3）中，
Figure SMS_7
为异常值因子函数，/>
Figure SMS_8
为异常点集合，o为异常点。
作为本发明进一步的实施例，所述人机交互单元工作方法包括多模态输入/输出、智能接口代理、视觉获取、三维重建、网络信息服务和知识处理，所述多模态输入/输出用于接收和发送信息，完成信息交互，所述智能接口代理为人与计算机交互的媒介，所述视觉获取用于实时获取外部视觉信息，所述三维重建用于在仿真或虚拟的环境中进行人机交互，所述网络信息服务用于信息交流媒介，所述知识处理用于自动提取有组织的利用的知识，所述多模态输入/输出连接智能接口代理，所述智能接口代理连接视觉获取，所述视觉获取连接三维重建，所述三维重建连接网络信息服务，所述网络信息服务连接知识处理。
作为本发明进一步的实施例，所述视觉获取采用点阵红外扫描仪，所述点阵红外扫描仪将D-二聚体和FDP复合质控品生产装置的每个零件进行实时扫描并进行三维重建，将每个零件的损耗变化以及故障进行实时反馈，所述点阵红外扫描仪包括红外探测器、光学成像物镜和焦平面探测器，所述红外探测器和所述光学成像物镜用于测目标的红外辐射能量分布图形，所述焦平面探测器用于对9-14μm的电磁波进行成像探测，所述红外探测器连接焦平面探测器，所述焦平面探测器连接光学成像物镜。
作为本发明进一步的实施例，所述：360°旋转摄像机为360°全景监控云台智能摄像机。
作为本发明进一步的实施例，所述传输设备设置有区块链节点、云端网络通信节点和转换接口，所述转换接口用于将区块链通信协议与云端网络通信协议互相转换，所述转换接口设置有区块链通信协议识别模块、云端网络通信识别模块、信息映射模块和信息转换模块。
作为本发明进一步的实施例，所述人机交互单元设置有无线对讲系统，所述无线对讲系统设置对讲控制单元以及与所述对讲控制单元连接的移动数据终端接口、无线数据通信接口、区块链通信接口、声音放大模块、声音转换模块和中继网关。
本发明的有益效果在于：
本发明公开一种D-二聚体和FDP复合质控品生产过程异常监控方法，通过点阵红外扫描仪将D-二聚体和FDP复合质控品生产装置的每个零件进行实时扫描并进行三维重建，将每个零件的损耗变化以及故障进行实时反馈，通过聚类混合算法将D-二聚体和FDP复合质控品的正常范围区分，通过选择混合算法检测异常并进行警报和处理，大大提高了生产效率以及合格效率，为医学检测提供了基本保障。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图，其中：
图1为本发明的整体架构示意图；
图2为本发明所采用的模块连接示意图；
图3为本发明所采用的人机交互单元方法图；
图4为点阵红外扫描仪整体架构图。
具体实施方式
下面将结合本文实施例中的附图,对本文实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本文一部分实施例,而不是全部的实施例。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外，在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
如图1-图4所示，一种D-二聚体和FDP复合质控品生产过程异常监控方法,包括步骤：
步骤1、D-二聚体和FDP原材料制备工位监控；
通过360°旋转摄像机采集原材料制备工位生产过程中的数据信息，所述数据信息包括原材料质量信息、加工工艺参数信息或设备运行状况数据信息；通过收集大量的正常样本数据，并记录D-二聚体和FDP原材料制备工位的工艺参数数据信息和D-二聚体和FDP原材料制备工位工人走动数据信息；数据信息的格式为文字、图像、PDF、WOED或视频信息；将监测到的D-二聚体和FDP原材料制备工位数据信息进行格式转换和存储；
步骤2、均匀搅拌工位监控；
通过设置有区块链网络通信协议节点的移动终端对均匀搅拌工位监控，并将搅拌的工作视频数据信息通过区块链网络节点提交至云端服务器，在云端服务器对均匀搅拌工位监控人员进行远程对话和视频交互；将D-二聚体和FDP原材料混合均匀时的工厂加工数据信息通过传输设备进行信息交互；并根据收集的正常样本数据，确定D-二聚体和FDP的标准范围；采用机器学习算法将接收到的正常样本数据进行训练，分别获取正常样本数据区间；
步骤3、在混合液体中加进缓冲液工位监控；
将混合后的原材料加入适量的缓冲液，制备D-二聚体和FDP复合质控品；通过360°旋转摄像机采集在混合液体中加进缓冲液工位中生产状况的数据信息，并对根据质控品范围，设置一个报警阈值；
步骤4、在生产过程中实时监测检测到的D-二聚体和FDP数值，并与设定的质控品范围进行比较；
在生产过程中，采用数据采集模块收集D-二聚体和FDP复合质控品的数据包括每批次的质控结果和生产过程的相关参数；所述生产过程中的数据包括质控结果和生产过程的相关参数，所述生产过程的相关参数包括温度、湿度或pH值，所述数据采集模块包括光敏传感器、控制器和远程通信单元，所述光敏传感器用于实时检测抗原抗体反应吸光度的增加，所述控制器用于控制每个内部单元的工作状态，所述远程通信单元用于将实时检测到的D-二聚体和FDP数值远程传送到接收终端；采用数据处理模块将收集到的数据进行处理和分析，所述数据处理模块包括数据对比单元和数据清洗单元，所述数据对比单元连接数据清洗单元，所述数据对比单元用于将收集的数据与设定的质控品范围进行比较，所述数据清洗单元包括遗漏数据处理子单元和噪声数据处理子单元，所述遗漏数据处理子单元用于填补数残缺的部分，所述噪声数据处理子单元用于修正数据的异常部分；
步骤5、对于每次触发异常报警事件，进行数据分析并及时反馈给相关人员；对数据进行分析，建立基线模型，将生产过程中的异常情况定义为偏离基线模型的数据点；
采用数据分析模块和报警处理模块，所述报警处理模块包括检测单元和处理单元，所述检测单元用于检测数据异常并触发异常报警，所述处理单元用于根据异常原因调动相应处理措施并进行相应处理；所述数据分析模块用于对每次异常事件进行分析，找出异常原因及时反馈给相关人员；
步骤6、对生产数据进行可视化展示，以方便用户查看生产过程中的数据变化趋势，及时发现异常情况；
通过设置监测模块将生产装置以及生产流程工位进行监控，所述监测模块包括温度传感器、浓度传感器和人机交互单元，所述温度传感器用于实时测量制备过程的温度，所述浓度传感器用于检测钙离子浓度，所述人机交互单元用于显示制备过程以及异常警告。
在本发明中，所述机器学习算法为基于支持向量机和逻辑回归的聚类混合算法，所述聚类混合算法用于将获取的D-二聚体和FDP的正常范围值进行区分，所述支持向量机基于几何间隔最大化方法为局部最优算法，所述逻辑回归基于概率理论为全局最优算法，
所述支持向量机的工作原理为：样本数据集是二维的，分散在平面上，需要找到一条直线将数据集分割开。可以分开的直线有很多，要找到其中泛化能力最好，鲁棒性最强的直线。这是在平面上的点，如果是在三维空间中，则需要找到一个平面；如果是超过三维以上的维数，则需要找到一个超平面；所述逻辑回归的工作原理为：面对一个回归或者分类问题，建立代价函数，然后通过优化方法迭代求解出最优的模型参数，然后测试验证这个求解的模型的好坏。
在本发明中，所述控制器包含FPGA+DSP处理模块，所述DSP处理模块为ATMega328型号的采集芯片，所述DSP处理模块集成14路GPIO接口、6路PWM接口、12位ADC接口、UART串口、1路SPI接口和1路I2C接口，所述FPGA处理模块为ARTIX-7系列XC7A100T-2FGG484I芯片，
所述控制器的工作过程为：所述控制器通过控制360°旋转摄像机收集并存储生产过程中原材料质量信息、加工工艺参数信息或设备运行状况数据信息，通过区块链网络通信协议节点的移动终端监控均匀搅拌工位，并与监控人员进行远程交流，采用机器学习算法将接收到的正常样本数据进行训练，分别获取D-二聚体和FDP的正常样本数据区间，并在远程控制终端设置报警阈值，通过数据采集模块和数据处理模块将实时检测到的D-二聚体和FDP的数据信息进行收集与处理，将处理过的数据信息和正常样本数据区间进行比较，当高于正常样本数据区间时触发报警处理模块，报警信息通过监测模块的人机交互单元进行显示并远程通知监控人员。
在本发明中，所述检测抗原抗体反应吸光度的方法为免疫比浊法，所述D-二聚体的检测过程为：聚苯乙烯颗粒包被到单克隆抗体与交联纤维蛋白降解产物D-二聚体的交联区域结合，交联区域呈立体结构，有两个单克隆抗体表位，单克隆抗体触发凝集反应，所述光敏传感器检测浊度的增加，仪器在575nm处通过对浊度改变的监测，将吸光度转换成浓度值，由此获得D-二聚体的量；所述FDP的检测过程为：特异性FDP单克隆抗体微粒乳胶悬浊液与待检测血浆混合，抗原抗体发生反应，从而乳胶微粒凝集，反应介质浊度增加，通过光度计测量吸光度的增加，反应测试样本中的FDP水平。
在本发明中，所述检测单元采用基于连通性的异常值因子和随机异常值选择混合算法，所述选择混合算法首先获取p点的链式距离，所述链式距离公式为：
Figure SMS_9
（1）
式（1）中，k为总点数，i为当前点数，
Figure SMS_10
为第i个点对应的最短距离；
然后获取异常概率值，所述异常概率函数为：
Figure SMS_11
（2）
式（2）中，
Figure SMS_12
为正常距离点集合，/>
Figure SMS_13
为两个点的关联度；
最后获取连通性异常值因子，所述异常值因子函数为：
Figure SMS_14
（3）
式（3）中，
Figure SMS_15
为异常值因子函数，/>
Figure SMS_16
为异常点集合，o为异常点。
在本发明中，所述人机交互单元工作方法包括多模态输入/输出、智能接口代理、视觉获取、三维重建、网络信息服务和知识处理，所述多模态输入/输出用于接收和发送信息，完成信息交互，所述智能接口代理为人与计算机交互的媒介，所述视觉获取用于实时获取外部视觉信息，所述三维重建用于在仿真或虚拟的环境中进行人机交互，所述网络信息服务用于信息交流媒介，所述知识处理用于自动提取有组织的利用的知识，所述多模态输入/输出连接智能接口代理，所述智能接口代理连接视觉获取，所述视觉获取连接三维重建，所述三维重建连接网络信息服务，所述网络信息服务连接知识处理，
所述人机交互单元的工作过程为：通过所述视觉获取将整个生产装置的每个部件进行三维重建，通过多模态输入/输出调看每个部件的细节以及磨损情况，通过智能接口代理将每个部件在生产过程中的信息发送到终端，由管理人员及时进行相应磨损部件的更换与保养。
在本发明中，所述视觉获取采用点阵红外扫描仪，所述点阵红外扫描仪将D-二聚体和FDP复合质控品生产装置的每个零件进行实时扫描并进行三维重建，将每个零件的损耗变化以及故障进行实时反馈，所述点阵红外扫描仪包括红外探测器、光学成像物镜和焦平面探测器，所述红外探测器和所述光学成像物镜用于测目标的红外辐射能量分布图形，所述焦平面探测器用于对9-14μm的电磁波进行成像探测，所述红外探测器连接焦平面探测器，所述焦平面探测器连接光学成像物镜，
所述点阵红外扫描仪的工作原理为：红外线是一种电磁波，具有与无线电波和可见光一样的本质。红外线的发现是人类对自然认识的一次飞跃，利用某种特殊的电子装置将物体表面的温度分布转换成人眼可见的图像，并以不同颜色显示物体表面温度分布，这种热像图与物体表面的热分布场相对应;实质上是被测目标物体各部分红外辐射的热像分布图由于信号非常弱，与可见光图像相比，缺少层次和立体感;因此，在实际动作过程中为更有效地判断被测目标的红外热分布场，常采用一些辅助措施来增加仪器的实用功能，如图像亮度、对比度的控制，实标校正，伪色彩描绘等高线和直方进行数学运算、打印等。
在本发明中，所述360°旋转摄像机为360°全景监控云台智能摄像机，所述360°旋转摄像机的工作原理为：依据仿生学鱼眼构造采用物理光学的球面镜透射加反射原理一次性将水平360°，垂直180°的信息成像，再采用硬件自带的软件进行转换，以人眼习惯的方式呈现出画面。
在本发明中，所述传输设备设置有区块链节点、云端网络通信节点和转换接口，所述转换接口用于将区块链通信协议与云端网络通信协议互相转换，所述转换接口设置有区块链通信协议识别模块、云端网络通信识别模块、信息映射模块和信息转换模块。
在上述实施例中，支持向量机的工作方法为：
步骤一、生产异常数据信息采集：
涉及到将D-二聚体和FDP复合质控品生产装置参数设置、工位挡停装置、D-二聚体和FDP复合质控品传输装置、工位异常识别装置 、系统资源、光照参数、数据库资源等信息的收集。将生产过程中生产状况数据信息提炼出来，在对不同数据信息进行分解，再将采集到的生产数据I l 到I k 拆分为若干个小数据信息片段：
Figure SMS_17
（4）
式（4）中，
Figure SMS_19
表示生产异常数据信息集合，p表示采集到生产数据量，n是指采集到生产异常数据信息的种类。计算采集到生产数据区域的梯度/>
Figure SMS_22
，/>
Figure SMS_24
是指源生产数据编号，/>
Figure SMS_20
，由x和y坐标梯度/>
Figure SMS_21
和/>
Figure SMS_23
组成。生产数据向量/>
Figure SMS_25
中每个区域/>
Figure SMS_18
的梯度值为：
Figure SMS_26
（5）
步骤二、生产异常数据信息提取；
生产异常数据信息采集平台通过采集获取到应用系统的源数据后，将根据系统定义的业务规则、系统规则、请求规则等开始进行数据二次处理的工作，在抽取管理域将完成数据抽取、转化、加载三个数据处理过程，对不同数据信息通过去噪、分割、异常变量提取等多种方式实现数据分解，分解每个生产数据图像的梯度值，其公式为：
Figure SMS_27
（6）
式（6）中，
Figure SMS_28
表示采集到生产数据图像的梯度，/>
Figure SMS_29
表示/>
Figure SMS_30
的梯度值分解，/>
Figure SMS_31
表示采集到生产数据的主方向向量的对角线2×2矩阵。当获得/>
Figure SMS_32
时，可以计算主方向量度R，R的计算方法如式（7）所示：
Figure SMS_33
（7）
式（7）中，R越小，相应的生产数据向量越随机。在这种情况下，应计算阈值R以区分异常生产数据的随机和主方向图像。为了提高异常数据信息识别能力，采用有效低通滤波器实现多种生产数据信息的过滤。
启动极限学习机激活函数
Figure SMS_34
，假设其为非线性径向基，则通过极限学习之后的隐含层输出矩阵为：
Figure SMS_35
（8）
则通过输出极限学习后，支持向量机算法模型中设置的权重为：
Figure SMS_36
（9）
通过支持向量机算法模型输出函数表示为：
Figure SMS_37
(10)
公式（10）中
Figure SMS_38
表示支持向量机算法模型受外界数据信息的影响因数，/>
Figure SMS_39
表示激活函数值，/>
Figure SMS_40
表示经过学习训练后的异常数据识别信息。根据识别出的结果对异常生产状况范围进行分析。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的方法和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。

Claims (10)

1.一种D-二聚体和FDP复合质控品生产过程异常监控方法，其特征在于：包括如下步骤：
步骤1、D-二聚体和FDP原材料制备工位监控；
通过360°旋转摄像机采集原材料制备工位生产过程中的数据信息，所述数据信息包括原材料质量信息、加工工艺参数信息或设备运行状况数据信息；通过收集正常样本数据，并记录D-二聚体和FDP原材料制备工位的工艺参数数据信息和D-二聚体和FDP原材料制备工位工人走动数据信息；数据信息的格式为文字、图像、PDF、WOED或视频信息，将监测到的D-二聚体和FDP原材料制备工位数据信息进行格式转换和存储；
步骤2、均匀搅拌工位监控；
通过设置有区块链网络通信协议节点的移动终端对均匀搅拌工位监控，并将搅拌的工作视频数据信息通过区块链网络节点提交至云端服务器，在云端服务器对均匀搅拌工位监控人员进行远程对话和视频交互，将D-二聚体和FDP原材料混合均匀时的工厂加工数据信息通过传输设备进行信息交互，并根据收集的正常样本数据，确定D-二聚体和FDP的标准范围，采用机器学习算法将接收到的正常样本数据进行训练，分别获取正常样本数据区间；
步骤3、在混合液体中加进缓冲液工位监控；
将混合后的原材料加入适量的缓冲液，制备D-二聚体和FDP复合质控品，通过360°旋转摄像机采集在混合液体中加进缓冲液工位中生产状况的数据信息，并根据质控品范围，设置一个报警阈值；
步骤4、在生产过程中实时监测检测到的D-二聚体和FDP数值，并与设定的质控品范围进行比较；
在生产过程中，采用数据采集模块收集D-二聚体和FDP复合质控品的数据包括每批次的质控结果和生产过程的相关参数；所述生产过程中的数据包括质控结果和生产过程的相关参数，所述生产过程的相关参数包括温度、湿度或pH值，所述数据采集模块包括光敏传感器、控制器和远程通信单元，所述光敏传感器用于实时检测抗原抗体反应吸光度的增加，所述控制器用于控制每个内部单元的工作状态，所述远程通信单元用于将实时检测到的D-二聚体和FDP数值远程传送到接收终端；采用数据处理模块将收集到的数据进行处理和分析，所述数据处理模块包括数据对比单元和数据清洗单元，所述数据对比单元连接数据清洗单元，所述数据对比单元用于将收集的数据与设定的质控品范围进行比较，所述数据清洗单元包括遗漏数据处理子单元和噪声数据处理子单元，所述遗漏数据处理子单元用于填补数残缺的部分，所述噪声数据处理子单元用于修正数据的异常部分；
步骤5、对于每次触发异常报警事件，进行数据分析并及时反馈给相关人员；对数据进行分析，建立基线模型，将生产过程中的异常情况定义为偏离基线模型的数据点；
采用数据分析模块和报警处理模块，所述报警处理模块包括检测单元和处理单元，所述检测单元用于检测数据异常并触发异常报警，所述处理单元用于根据异常原因调动相应处理措施并进行相应处理，所述数据分析模块用于对每次异常事件进行分析，找出异常原因及时反馈给相关人员；
步骤6、对生产数据进行可视化展示，以方便用户查看生产过程中的数据变化趋势，及时发现异常情况；
通过设置监测模块将生产装置以及生产流程进行全面监控，所述监测模块包括温度传感器、浓度传感器和人机交互单元，所述温度传感器用于实时测量制备过程的温度，所述浓度传感器用于检测钙离子浓度，所述人机交互单元用于显示制备过程以及异常警告。
2.根据权利要求1所述的一种D-二聚体和FDP复合质控品生产过程异常监控方法，其特征在于：所述机器学习算法为基于支持向量机和逻辑回归的聚类混合算法，所述聚类混合算法用于将获取的D-二聚体和FDP的正常范围值进行区分，所述支持向量机基于几何间隔最大化方法为局部最优算法，所述逻辑回归基于概率理论为全局最优算法。
3.根据权利要求1所述的一种D-二聚体和FDP复合质控品生产过程异常监控方法，其特征在于：所述控制器包含FPGA+DSP处理模块，所述DSP处理模块为ATMega328型号的采集芯片，所述DSP处理模块集成14路GPIO接口、6路PWM接口、12位ADC接口、UART串口、1路SPI接口和1路I2C接口，所述FPGA处理模块为ARTIX-7系列XC7A100T-2FGG484I芯片。
4.根据权利要求3所述的一种D-二聚体和FDP复合质控品生产过程异常监控方法，其特征在于：
所述检测抗原抗体反应吸光度的方法为免疫比浊法：
所述D-二聚体的检测过程为：聚苯乙烯颗粒包被到单克隆抗体与交联纤维蛋白降解产物D-二聚体的交联区域结合，交联区域呈立体结构，有两个单克隆抗体表位，单克隆抗体触发凝集反应，所述光敏传感器检测浊度的增加，仪器在575nm处通过对浊度改变的监测，将吸光度转换成浓度值，由此获得D-二聚体的量；
所述FDP的检测过程为：特异性FDP单克隆抗体微粒乳胶悬浊液与待检测血浆混合，抗原抗体发生反应，从而乳胶微粒凝集，反应介质浊度增加，通过光度计测量吸光度的增加，反应测试样本中的FDP水平。
5.根据权利要求1所述的一种D-二聚体和FDP复合质控品生产过程异常监控方法，其特征在于：所述检测单元采用基于连通性的异常值因子和随机异常值选择混合算法，所述选择混合算法首先获取p点的链式距离，所述链式距离公式为：
Figure QLYQS_1
（1）
式（1）中，k为总点数，i为当前点数，
Figure QLYQS_2
为第i个点对应的最短距离；
然后获取异常概率值，所述异常概率函数为：
Figure QLYQS_3
（2）
式（2）中，
Figure QLYQS_4
为正常距离点集合，/>
Figure QLYQS_5
为两个点的关联度；
最后获取连通性异常值因子，所述异常值因子函数为：
Figure QLYQS_6
（3）
式（3）中，
Figure QLYQS_7
为异常值因子函数，/>
Figure QLYQS_8
为异常点集合，o为异常点。
6.根据权利要求1所述的一种D-二聚体和FDP复合质控品生产过程异常监控方法，其特征在于：所述人机交互单元工作方法包括多模态输入/输出、智能接口代理、视觉获取、三维重建、网络信息服务和知识处理，所述多模态输入/输出用于接收和发送信息以完成信息交互，所述智能接口代理为人与计算机交互的媒介，所述视觉获取用于实时获取外部视觉信息，所述三维重建用于在仿真或虚拟的环境中进行人机交互，所述网络信息服务用于信息交流媒介，所述知识处理用于自动提取有组织的利用的知识，所述多模态输入/输出连接智能接口代理，所述智能接口代理连接视觉获取，所述视觉获取连接三维重建，所述三维重建连接网络信息服务，所述网络信息服务连接知识处理。
7.根据权利要求6所述的一种D-二聚体和FDP复合质控品生产过程异常监控方法，其特征在于：所述视觉获取采用点阵红外扫描仪，所述点阵红外扫描仪将D-二聚体和FDP复合质控品生产装置的每个零件进行实时扫描并进行三维重建，将每个零件的损耗变化以及故障进行实时反馈，所述点阵红外扫描仪包括红外探测器、光学成像物镜和焦平面探测器，所述红外探测器和所述光学成像物镜用于测目标的红外辐射能量分布图形，所述焦平面探测器用于对9-14µm的电磁波进行成像探测，所述红外探测器连接焦平面探测器，所述焦平面探测器连接光学成像物镜。
8.根据权利要求1所述的一种D-二聚体和FDP复合质控品生产过程异常监控方法，其特征在于：所述360°旋转摄像机为360°全景监控云台智能摄像机。
9.根据权利要求1所述的一种D-二聚体和FDP复合质控品生产过程异常监控方法，其特征在于：所述传输设备设置有区块链节点、云端网络通信节点和转换接口，所述转换接口用于将区块链通信协议与云端网络通信协议互相转换，所述转换接口设置有区块链通信协议识别模块、云端网络通信识别模块、信息映射模块和信息转换模块。
10.根据权利要求1所述的一种D-二聚体和FDP复合质控品生产过程异常监控方法，其特征在于：所述人机交互单元设置有无线对讲系统，所述无线对讲系统设置对讲控制单元以及与所述对讲控制单元连接的移动数据终端接口、无线数据通信接口、区块链通信接口、声音放大模块、声音转换模块和中继网关。
CN202310442498.6A 2023-04-24 2023-04-24 一种d-二聚体和fdp复合质控品生产过程异常监控方法 Active CN116147714B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310442498.6A CN116147714B (zh) 2023-04-24 2023-04-24 一种d-二聚体和fdp复合质控品生产过程异常监控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310442498.6A CN116147714B (zh) 2023-04-24 2023-04-24 一种d-二聚体和fdp复合质控品生产过程异常监控方法

Publications (2)

Publication Number Publication Date
CN116147714A CN116147714A (zh) 2023-05-23
CN116147714B true CN116147714B (zh) 2023-06-20

Family

ID=86374048

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310442498.6A Active CN116147714B (zh) 2023-04-24 2023-04-24 一种d-二聚体和fdp复合质控品生产过程异常监控方法

Country Status (1)

Country Link
CN (1) CN116147714B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117150333B (zh) * 2023-10-31 2023-12-26 南通双耀冲压有限公司 一种冲压成型设备的运维监管方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104459103A (zh) * 2014-12-15 2015-03-25 中国医学科学院输血研究所 D-二聚体质控品的制备方法
CN107677839A (zh) * 2017-09-20 2018-02-09 北京众驰伟业科技发展有限公司 一种d‑二聚体和fdp复合质控品的制备方法
CN207641458U (zh) * 2017-11-15 2018-07-24 北京众驰伟业科技发展有限公司 一种d-二聚体和fdp复合质控品的制备装置
CN110366031A (zh) * 2019-07-24 2019-10-22 长春融成智能设备制造股份有限公司 一种数字化车间mes系统基于视觉的异常状态监测与故障诊断方法
WO2021262030A1 (ru) * 2020-06-22 2021-12-30 Общество с ограниченной ответственностью "Норд Вижен Интелледженс Солюшенс" Модульный комплекс контроля производственной безопасности и технологических процессов

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2003284970A1 (en) * 2002-10-25 2004-05-13 J. Bruce Cantrell Jr. Digital diagnosti video system for manufacturing and industrial process
US11120274B2 (en) * 2014-04-10 2021-09-14 Sensormatic Electronics, LLC Systems and methods for automated analytics for security surveillance in operation areas

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104459103A (zh) * 2014-12-15 2015-03-25 中国医学科学院输血研究所 D-二聚体质控品的制备方法
CN107677839A (zh) * 2017-09-20 2018-02-09 北京众驰伟业科技发展有限公司 一种d‑二聚体和fdp复合质控品的制备方法
CN207641458U (zh) * 2017-11-15 2018-07-24 北京众驰伟业科技发展有限公司 一种d-二聚体和fdp复合质控品的制备装置
CN110366031A (zh) * 2019-07-24 2019-10-22 长春融成智能设备制造股份有限公司 一种数字化车间mes系统基于视觉的异常状态监测与故障诊断方法
WO2021262030A1 (ru) * 2020-06-22 2021-12-30 Общество с ограниченной ответственностью "Норд Вижен Интелледженс Солюшенс" Модульный комплекс контроля производственной безопасности и технологических процессов

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
血液流变仪检测系统过程能力与质量控制的研究;黄永富 等;《国际检验医学杂志》;第32卷(第7期);第741-743页 *

Also Published As

Publication number Publication date
CN116147714A (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
US20220058525A1 (en) Model integration apparatus, model integration method, computer-readable storage medium storing a model integration program, inference system, inspection system, and control system
CN116147714B (zh) 一种d-二聚体和fdp复合质控品生产过程异常监控方法
CN110850723B (zh) 一种基于变电站巡检机器人系统的故障诊断及定位方法
JP6790160B2 (ja) インテリジェントマシンのネットワーク
JP2018113038A (ja) 検査機器および荷物における銃器を検出する方法
CN113095438A (zh) 晶圆缺陷分类方法及其装置、系统、电子设备和存储介质
US20220067584A1 (en) Model generation apparatus, model generation method, computer-readable storage medium storing a model generation program, model generation system, inspection system, and monitoring system
US20220300809A1 (en) Data generation system, learning apparatus, data generation apparatus, data generation method, and computer-readable storage medium storing a data generation program
JP6646647B2 (ja) 赤血球凝集抑制アッセイ（ｈａｉ）の自動イメージング及び分析
CN111896549B (zh) 一种基于机器学习的建筑物裂缝监测系统和方法
JP2020060879A (ja) 学習装置、画像生成装置、学習方法、及び学習プログラム
CN100470578C (zh) 基于计算机视觉的科学仪器工作状态监测方法
JP7388137B2 (ja) 統合分析方法、統合分析装置、及び統合分析プログラム
CN113706496B (zh) 一种基于深度学习模型的飞行器结构裂纹检测方法
Hu et al. Degenerate near-planar 3D reconstruction from two overlapped images for road defects detection
Wang et al. Applications of artificial intelligence enhanced drones in distress pavement, pothole detection, and healthcare monitoring with service delivery
CN109557070A (zh) 一种基于空间编码光的拉曼成像系统
CN114078600A (zh) 一种基于云技术的智能多通道疾病诊断系统和方法
CN116363397A (zh) 设备故障排查方法、装置及巡检系统
CN116147697A (zh) 一种氢氧化铝无人值守监测方法及系统
CN110243823A (zh) 基于支持向量机的小儿佝偻病自动筛查装置及其使用方法
Azorin-Lopez et al. A novel active imaging model to design visual systems: a case of inspection system for specular surfaces
CN114185059A (zh) 基于多雷达融合的多人跟踪系统、方法、介质、终端
Wang et al. Image Analysis of the Automatic Welding Defects Detection Based on Deep Learning
CN110909067A (zh) 一种面向海洋多维数据的可视分析系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant