CN116437057A - 乙硼烷生产监控系统的系统优化方法及系统 - Google Patents
乙硼烷生产监控系统的系统优化方法及系统 Download PDFInfo
- Publication number
- CN116437057A CN116437057A CN202310695845.6A CN202310695845A CN116437057A CN 116437057 A CN116437057 A CN 116437057A CN 202310695845 A CN202310695845 A CN 202310695845A CN 116437057 A CN116437057 A CN 116437057A
- Authority
- CN
- China
- Prior art keywords
- diborane
- video frame
- monitoring
- product
- pixel unit
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 462
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 140
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005457 optimization Methods 0.000 title claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000009826 distribution Methods 0.000 claims description 181
- 239000013598 vector Substances 0.000 claims description 43
- 238000005065 mining Methods 0.000 claims description 15
- 238000002372 labelling Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 230000000875 corresponding effect Effects 0.000 description 130
- 238000004364 calculation method Methods 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供的乙硼烷生产监控系统的系统优化方法及系统，涉及数据处理技术领域。在本发明中，提取目标生产监控系统依据第一监控参数对乙硼烷生产系统生产的乙硼烷产物进行视频监控得到的乙硼烷产物监控视频。利用乙硼烷产物质量识别神经网络，对乙硼烷产物监控视频包括的乙硼烷产物监控视频帧进行识别处理，以输出对应的至少两个产物质量识别结果。依据至少两个产物质量识别结果之间的差异，对目标生产监控系统的第一监控参数进行更新，使得目标生产监控系统依据第二监控参数对乙硼烷生产系统生产输出的乙硼烷产物进行视频监控。基于上述内容，可以在一定程度上提高对乙硼烷生产监控系统进行管控的效果。
Description
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种乙硼烷生产监控系统的系统优化方法及系统。
背景技术
在乙硼烷的生产过程中，基于一定的需求，可能会对生产输出的乙硼烷进行监控，如进行图像采集以确定出对应的乙硼烷质量等。但是，在现有技术中，在通过乙硼烷生产监控系统进行监控时，乙硼烷生产监控系统的监控参数固定不变，使得对乙硼烷生产监控系统进行管控的效果不佳。
发明内容
有鉴于此，本发明的目的在于提供一种乙硼烷生产监控系统的系统优化方法及系统，在一定程度上提高对乙硼烷生产监控系统进行管控的效果。
为实现上述目的，本发明实施例采用如下技术方案：
一种乙硼烷生产监控系统的系统优化方法，应用于生产监控服务器，所述乙硼烷生产监控系统的系统优化方法包括：
提取目标生产监控系统依据第一监控参数对乙硼烷生产系统生产的乙硼烷产物进行视频监控得到的乙硼烷产物监控视频，所述乙硼烷产物监控视频包括多帧乙硼烷产物监控视频帧；
利用预先更新形成的乙硼烷产物质量识别神经网络，对所述乙硼烷产物监控视频包括的乙硼烷产物监控视频帧进行识别处理，以输出所述乙硼烷产物监控视频对应的至少两个产物质量识别结果；
依据所述至少两个产物质量识别结果之间的差异，对所述目标生产监控系统的第一监控参数进行更新，使得所述目标生产监控系统依据第二监控参数对所述乙硼烷生产系统生产输出的乙硼烷产物进行视频监控。
在一些优选的实施例中，在上述乙硼烷生产监控系统的系统优化方法中，所述提取目标生产监控系统依据第一监控参数对乙硼烷生产系统生产的乙硼烷产物进行视频监控得到的乙硼烷产物监控视频的步骤，包括：
提取目标生产监控系统依据第一监控参数对乙硼烷生产系统生产的乙硼烷产物进行视频监控得到的每一帧乙硼烷产物监控视频帧；
依据提取到的每一帧所述乙硼烷产物监控视频帧对应的视频帧时间戳信息，将对应的视频帧时间戳信息满足预设时间条件的每一帧所述乙硼烷产物监控视频帧进行排序组合，以形成乙硼烷产物监控视频。
在一些优选的实施例中，在上述乙硼烷生产监控系统的系统优化方法中，所述利用预先更新形成的乙硼烷产物质量识别神经网络，对所述乙硼烷产物监控视频包括的乙硼烷产物监控视频帧进行识别处理，以输出所述乙硼烷产物监控视频对应的至少两个产物质量识别结果的步骤，包括：
对初始质量识别神经网络的网络权重进行更新，以形成所述初始质量识别神经网络对应的乙硼烷产物质量识别神经网络；
对所述乙硼烷产物监控视频包括的多帧乙硼烷产物监控视频帧进行筛选，以输出至少两帧目标乙硼烷产物监控视频帧；
利用所述乙硼烷产物质量识别神经网络，分别对所述至少两帧目标乙硼烷产物监控视频帧中的每一帧乙硼烷产物监控视频帧进行识别处理，以输出每一帧所述乙硼烷产物监控视频帧对应的产物质量识别结果，以得到所述至少两帧目标乙硼烷产物监控视频帧至少两个产物质量识别结果。
在一些优选的实施例中，在上述乙硼烷生产监控系统的系统优化方法中，所述对初始质量识别神经网络的网络权重进行更新，以形成所述初始质量识别神经网络对应的乙硼烷产物质量识别神经网络的步骤，包括：
提取到进行网络参数更新的示例乙硼烷产物监控视频帧序列，所述示例乙硼烷产物监控视频帧序列包括的每一条示例视频信息包括示例乙硼烷产物监控视频帧和对应的产物质量标注结果；
通过预先构建的初始质量识别神经网络，对所述示例乙硼烷产物监控视频帧的每一个视频帧像素单元进行挖掘，以挖掘出对应的目标视频帧像素单元特征分布，以及，对所述示例乙硼烷产物监控视频帧对应的目标视频帧像素单元特征分布的特征分布数目进行统计；
依据所述特征分布数目、每一个所述目标视频帧像素单元特征分布在所述示例乙硼烷产物监控视频帧中的像素单元坐标信息和配置的像素单元坐标等级信息的坐标等级信息数目，对每一个所述目标视频帧像素单元特征分布的像素单元坐标等级信息和坐标等级信息特征分布进行确定，包括：依据所述坐标等级信息数目和所述特征分布数目计算出对应的坐标等级信息单位数目，并且，倘若第一像素单元坐标等级信息小于所述坐标等级信息数目，则将所述目标视频帧像素单元特征分布的像素单元坐标等级信息确定为所述第一像素单元坐标等级信息；倘若所述第一像素单元坐标等级信息等于所述坐标等级信息数目，则将所述目标视频帧像素单元特征分布的像素单元坐标等级信息确定为所述像素单元坐标等级信息的最大坐标等级信息；所述第一像素单元坐标等级信息基于所述目标视频帧像素单元特征分布的像素单元坐标信息和所述坐标等级信息单位数目确定；所述坐标等级信息数目大于或等于2、小于所述特征分布数目；
依据每一个所述目标视频帧像素单元特征分布和每一个所述目标视频帧像素单元特征分布对应的坐标等级信息特征分布，分析出所述示例乙硼烷产物监控视频帧的示例像素单元坐标信息特征向量，再依据所述示例像素单元坐标信息特征向量，分析出所述示例乙硼烷产物监控视频帧对应的产物质量预测结果；
在分析出所述示例乙硼烷产物监控视频帧序列包括的每一个示例乙硼烷产物监控视频帧对应的产物质量预测结果之后，计算出所述示例乙硼烷产物监控视频帧序列的产物质量预测整体结果的匹配程度，再基于所述匹配程度对所述初始质量识别神经网络的网络权重进行更新，以在当前的匹配程度大于或等于配置的匹配程度参考值时，停止继续进行更新，以形成对应的乙硼烷产物质量识别神经网络，所述匹配程度基于对应所述产物质量预测结果与所述产物质量标注结果一致的示例乙硼烷产物监控视频帧的数量在所述示例乙硼烷产物监控视频帧序列中的比值确定。
在一些优选的实施例中，在上述乙硼烷生产监控系统的系统优化方法中，所述通过预先构建的初始质量识别神经网络，对所述示例乙硼烷产物监控视频帧的每一个视频帧像素单元进行挖掘，以挖掘出对应的目标视频帧像素单元特征分布的步骤，包括：
通过预先构建的初始质量识别神经网络，对所述示例乙硼烷产物监控视频帧的每一个视频帧像素单元和每一个视频帧像素点进行特征挖掘，以输出每一个视频帧像素单元对应的第一视频帧像素单元特征分布和每一个视频帧像素点对应的目标视频帧像素点特征分布；
对于每一个所述第一视频帧像素单元特征分布，对该第一视频帧像素单元特征分布和该第一视频帧像素单元特征分布对应的目标视频帧像素点特征分布进行特征拼接，以输出该第一视频帧像素单元特征分布对应的目标视频帧像素单元特征分布。
在一些优选的实施例中，在上述乙硼烷生产监控系统的系统优化方法中，所述通过预先构建的初始质量识别神经网络，对所述示例乙硼烷产物监控视频帧的每一个视频帧像素单元和每一个视频帧像素点进行特征挖掘，以输出每一个视频帧像素单元对应的第一视频帧像素单元特征分布和每一个视频帧像素点对应的目标视频帧像素点特征分布的步骤，包括：
分别对所述示例乙硼烷产物监控视频帧包括的每一个视频帧像素单元和所述示例乙硼烷产物监控视频帧包括的每一个视频帧像素点进行特征挖掘，以输出每一个视频帧像素单元对应的第一视频帧像素单元特征分布和每一个视频帧像素点对应的第一视频帧像素点特征分布；
基于每一个所述第一视频帧像素单元特征分布，分别对对应的所述第一视频帧像素点特征分布进行关联，以输出每一个所述第一视频帧像素单元特征分布对应的关联第一视频帧像素点特征分布；
对于每一个第一视频帧像素单元特征分布,对该第一视频帧像素单元特征分布对应的每一个关联第一视频帧像素点特征分布进行特征拼接，以形成该第一视频帧像素单元特征分布对应的目标视频帧像素点特征分布。
在一些优选的实施例中，在上述乙硼烷生产监控系统的系统优化方法中，所述提取到进行网络参数更新的示例乙硼烷产物监控视频帧序列的步骤，包括:
提取到进行网络参数更新的待确认的示例乙硼烷产物监控视频帧序列，所述待确认的示例乙硼烷产物监控视频帧序列包括的每一条示例视频信息包括待确认的示例乙硼烷产物监控视频帧和所述待确认的示例乙硼烷产物监控视频帧对应的产物质量标注结果；基于对应所述产物质量标注结果进行分类，以形成分别与每一个产物质量标注结果对应的匹配的示例乙硼烷产物监控视频帧序列，以及，分别对每一个所述匹配的示例乙硼烷产物监控视频帧序列对应的视频帧数据量进行统计；
基于对应的所述视频帧数据量确定出每一个需要更新的示例乙硼烷产物监控视频帧序列，再分别对每一个所述需要更新的示例乙硼烷产物监控视频帧序列进行视频帧序列更新处理，以形成对应的更新后的示例乙硼烷产物监控视频帧序列，所述需要更新的示例乙硼烷产物监控视频帧序列为对应的所述视频帧数据量小于视频帧数据量参考值的匹配的示例乙硼烷产物监控视频帧序列；以及，将所述更新后的示例乙硼烷产物监控视频帧序列与不需要更新的示例乙硼烷产物监控视频帧序列进行融合，以形成对应的示例乙硼烷产物监控视频帧序列。
在一些优选的实施例中，在上述乙硼烷生产监控系统的系统优化方法中，所述提取到进行网络参数更新的示例乙硼烷产物监控视频帧序列的步骤，包括:
提取到进行网络参数更新的待确认的示例乙硼烷产物监控视频帧序列和产物质量识别的干扰像素单元，所述待确认的示例乙硼烷产物监控视频帧序列包括的每一条示例视频信息包括待确认的示例乙硼烷产物监控视频帧和所述待确认的示例乙硼烷产物监控视频帧对应的产物质量标注结果；
基于所述干扰像素单元，分别对每一帧所述待确认的示例乙硼烷产物监控视频帧中包括的相同干扰像素单元进行筛除，以输出对应的示例乙硼烷产物监控视频帧和对应的示例乙硼烷产物监控视频帧序列。
在一些优选的实施例中，在上述乙硼烷生产监控系统的系统优化方法中，所述依据所述至少两个产物质量识别结果之间的差异，对所述目标生产监控系统的第一监控参数进行更新，使得所述目标生产监控系统依据第二监控参数对所述乙硼烷生产系统生产输出的乙硼烷产物进行视频监控的步骤，包括：
对于所述至少两个产物质量识别结果中的每两帧相邻乙硼烷产物监控视频帧对应的两个产物质量识别结果，对该两个产物质量识别结果之间的差异进行计算，以输出对应的产物质量识别结果差异值；
对输出每两个产物质量识别结果对应的产物质量识别结果差异值进行累积计算，以输出对应的目标产物质量识别结果差异值；
依据所述目标产物质量识别结果差异值，对所述目标生产监控系统的第一监控参数进行更新，使得所述目标生产监控系统依据第二监控参数对所述乙硼烷生产系统生产输出的乙硼烷产物进行视频监控，所述第一监控参数包括第一视频帧采集帧率，所述第二监控参数包括第二视频帧采集帧率，在所述目标产物质量识别结果差异值大于或等于参考差异值的情况下，所述第二视频帧采集帧率和所述第一视频帧采集帧率之间的差值正相关于所述目标产物质量识别结果差异值，在所述目标产物质量识别结果差异值小于所述参考差异值的情况下，所述第一视频帧采集帧率和所述第二视频帧采集帧率之间的差值负相关于所述目标产物质量识别结果差异值。
本发明实施例还提供一种乙硼烷生产监控系统的系统优化系统，应用于生产监控服务器，所述乙硼烷生产监控系统的系统优化系统包括：
监控视频提取模块，用于提取目标生产监控系统依据第一监控参数对乙硼烷生产系统生产的乙硼烷产物进行视频监控得到的乙硼烷产物监控视频，所述乙硼烷产物监控视频包括多帧乙硼烷产物监控视频帧；
产物质量识别模块，用于利用预先更新形成的乙硼烷产物质量识别神经网络，对所述乙硼烷产物监控视频包括的乙硼烷产物监控视频帧进行识别处理，输出所述乙硼烷产物监控视频对应的至少两个产物质量识别结果；
监控参数更新模块，用于依据所述至少两个产物质量识别结果之间的差异，对所述目标生产监控系统的第一监控参数进行更新，使得所述目标生产监控系统依据第二监控参数对所述乙硼烷生产系统生产输出的乙硼烷产物进行视频监控。
本发明实施例提供的一种乙硼烷生产监控系统的系统优化方法及系统，提取目标生产监控系统依据第一监控参数对乙硼烷生产系统生产的乙硼烷产物进行视频监控得到的乙硼烷产物监控视频。利用乙硼烷产物质量识别神经网络，对乙硼烷产物监控视频包括的乙硼烷产物监控视频帧进行识别处理，以输出对应的至少两个产物质量识别结果。依据至少两个产物质量识别结果之间的差异，对目标生产监控系统的第一监控参数进行更新，使得目标生产监控系统依据第二监控参数对乙硼烷生产系统生产输出的乙硼烷产物进行视频监控。基于此，可以依据至少两个产物质量识别结果之间的差异，对目标生产监控系统的第一监控参数进行更新，即依据乙硼烷的质量稳定性（产物质量识别结果之间的差异）来对目标生产监控系统的第一监控参数进行更新，使得目标生产监控系统的监控参数与乙硼烷的质量匹配，从而在一定程度上提高对乙硼烷生产监控系统进行管控的效果。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本发明实施例提供的生产监控服务器的结构框图。
图2为本发明实施例提供的乙硼烷生产监控系统的系统优化方法包括的各步骤的流程示意图。
图3为本发明实施例提供的乙硼烷生产监控系统的系统优化系统包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1，本发明实施例提供了一种生产监控服务器。其中，所述生产监控服务器可以包括存储器和处理器。
应当理解，在一些实施方式中，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的乙硼烷生产监控系统的系统优化方法。
应当理解，在一些实施方式中，所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（Erasable ProgrammableRead-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable ProgrammableRead-Only Memory，EEPROM）等。所述处理器可以是一种通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、片上系统(System on Chip，SoC)等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
应当理解，在一些实施方式中，图1所示的结构仅为示意，所述生产监控服务器还可包括比图1中所示更多或者更少的组件，或具有与图1所示不同的配置，例如，可以包括用于与其它设备进行信息交互的通信单元。
结合图2，本发明实施例还提供一种乙硼烷生产监控系统的系统优化方法，可应用于上述生产监控服务器。其中，所述乙硼烷生产监控系统的系统优化方法有关的流程所定义的方法步骤，可以由所述生产监控服务器实现。下面将对图2所示的具体流程，进行详细阐述。
步骤S110，提取目标生产监控系统依据第一监控参数对乙硼烷生产系统生产的乙硼烷产物进行视频监控得到的乙硼烷产物监控视频。
在本发明实施例中，所述生产监控服务器可以提取目标生产监控系统（如摄像头等图像采集设备）依据第一监控参数对乙硼烷生产系统生产的乙硼烷产物进行视频监控得到的乙硼烷产物监控视频。所述乙硼烷产物监控视频包括多帧乙硼烷产物监控视频帧（在时序上可以具有连续关系）。
步骤S120，利用预先更新形成的乙硼烷产物质量识别神经网络，对所述乙硼烷产物监控视频包括的乙硼烷产物监控视频帧进行识别处理，以输出所述乙硼烷产物监控视频对应的至少两个产物质量识别结果。
在本发明实施例中，所述生产监控服务器可以利用预先更新形成的乙硼烷产物质量识别神经网络，对所述乙硼烷产物监控视频包括的乙硼烷产物监控视频帧进行识别处理，以输出所述乙硼烷产物监控视频对应的至少两个产物质量识别结果。
步骤S130，依据所述至少两个产物质量识别结果之间的差异，对所述目标生产监控系统的第一监控参数进行更新，使得所述目标生产监控系统依据第二监控参数对所述乙硼烷生产系统生产输出的乙硼烷产物进行视频监控。
在本发明实施例中，所述生产监控服务器可以依据所述至少两个产物质量识别结果之间的差异，对所述目标生产监控系统的第一监控参数进行更新，使得所述目标生产监控系统依据第二监控参数对所述乙硼烷生产系统生产输出的乙硼烷产物进行视频监控。
基于上述内容，依据产物质量识别结果之间的差异，对目标生产监控系统的第一监控参数进行更新，即依据乙硼烷的质量稳定性（产物质量识别结果之间的差异，差异越小，稳定性越好）来对目标生产监控系统的第一监控参数进行更新，使得目标生产监控系统的监控参数与乙硼烷的质量匹配，从而在一定程度上提高对乙硼烷生产监控系统进行管控的效果。
应当理解，在一些实施方式中，对于上述的步骤S110，可以进一步包括以下具体的子步骤：
提取目标生产监控系统依据第一监控参数对乙硼烷生产系统生产的乙硼烷产物进行视频监控得到的每一帧乙硼烷产物监控视频帧（示例性地，所述第一监控参数可以包括视频监控的帧率信息等）；
依据提取到的每一帧所述乙硼烷产物监控视频帧对应的视频帧时间戳信息，将对应的视频帧时间戳信息满足预设时间条件的每一帧所述乙硼烷产物监控视频帧进行排序组合（如将最近的一段时间采集得到的乙硼烷产物监控视频帧组合形成监控视频），以形成乙硼烷产物监控视频。
应当理解，在一些实施方式中，对于上述的步骤S120，可以进一步包括以下具体的子步骤：
对初始质量识别神经网络的网络权重进行更新，以形成所述初始质量识别神经网络对应的乙硼烷产物质量识别神经网络；
对所述乙硼烷产物监控视频包括的多帧乙硼烷产物监控视频帧进行筛选，以输出至少两帧目标乙硼烷产物监控视频帧；
利用所述乙硼烷产物质量识别神经网络，分别对所述至少两帧目标乙硼烷产物监控视频帧中的每一帧乙硼烷产物监控视频帧进行识别处理，以输出每一帧所述乙硼烷产物监控视频帧对应的产物质量识别结果，以得到所述至少两帧目标乙硼烷产物监控视频帧至少两个产物质量识别结果。
应当理解，在一些实施方式中，对于上述的所述对所述乙硼烷产物监控视频包括的多帧乙硼烷产物监控视频帧进行筛选，以输出至少两帧目标乙硼烷产物监控视频帧的步骤，可以进一步包括以下具体的子步骤：
将所述乙硼烷产物监控视频包括的多帧乙硼烷产物监控视频帧中的第一帧乙硼烷产物监控视频帧和最后一帧乙硼烷产物监控视频帧都标记为目标乙硼烷产物监控视频帧；
对所述乙硼烷产物监控视频包括的多帧乙硼烷产物监控视频帧中的每相邻两帧乙硼烷产物监控视频帧进行视频帧相似度计算；
对于所述乙硼烷产物监控视频包括的多帧乙硼烷产物监控视频帧中的第一帧乙硼烷产物监控视频帧和最后一帧乙硼烷产物监控视频帧以外的每一帧其它乙硼烷产物监控视频帧，在该其它乙硼烷产物监控视频帧与相邻的前一帧乙硼烷产物监控视频帧之间的视频帧相似度小于相似度比较值、且与相邻的后一帧乙硼烷产物监控视频帧之间的视频帧相似度小于所述相似度比较值的情况下，将该其它乙硼烷产物监控视频帧标记为目标乙硼烷产物监控视频帧。
其中，在一些实施方式中，所述对所述乙硼烷产物监控视频包括的多帧乙硼烷产物监控视频帧中的每相邻两帧乙硼烷产物监控视频帧进行视频帧相似度计算的步骤，可以包括一些内容：
对第一帧乙硼烷产物监控视频帧进行像素特征点的提取处理（可以参照现有的像素特征点的提取或识别方式，在此不做具体线段），以形成对应的第一特征点集合，再对第二帧乙硼烷产物监控视频帧进行像素特征点的提取处理，以形成对应的第二特征点集合；
对于所述第一特征点集合中的每一个第一像素特征点，从所述第一帧乙硼烷产物监控视频帧中，提取出该第一像素特征点的第一像素特征信息，所述第一像素特征信息包括所述第一像素特征点的像素位置坐标、像素值、每一个相邻第一像素点的像素值和具有相同像素值的其它第一像素点的数量值；对于所述第二特征点集合中的每一个第二像素特征点，从所述第二帧乙硼烷产物监控视频帧中，提取出该第二像素特征点的第二像素特征信息，所述第二像素特征信息包括所述第二像素特征点的像素位置坐标、像素值、每一个相邻第二像素点的像素值和具有相同像素值的其它第二像素点的数量值（还可以包括更多的信息或数据）；
分别依据每一个所述第一像素特征点的第一像素特征信息，构建形成每一个所述第一像素特征点的第一像素特征向量（可以通过编码网络进行编码处理得到编码向量），再分别依据每一个所述第二像素特征点的第二像素特征信息，构建形成每一个所述第二像素特征点的第二像素特征向量；
分别计算每两个第一像素特征向量之间的向量相似度，以及，对于每一个所述第一像素特征向量，对该第一像素特征向量和每一个其它第一像素特征向量之间的向量相似度进行融合（示例性地，可以进行均值计算等处理），以得到该第一像素特征向量对应的目标向量相似度，以及，再依据对应的目标向量相似度之间的相对大小关系（如从大到小等），对全部的第一像素特征向量进行排序，以形成对应的第一像素特征向量序列；
分别计算每两个第二像素特征向量之间的向量相似度，以及，对于每一个所述第二像素特征向量，对该第二像素特征向量和每一个其它第二像素特征向量之间的向量相似度进行融合（示例性地，可以进行均值计算等处理），以得到该第二像素特征向量对应的目标向量相似度，以及，再依据对应的目标向量相似度之间的相对大小关系，对全部的第二像素特征向量进行排序，以形成对应的第二像素特征向量序列；
将所述第一像素特征向量序列包括的第一序列位置和所述第二像素特征向量序列包括的第二序列位置进行连续对齐处理，使得一个所述第一序列位置最多对应一个第二序列位置，一个所述第二序列位置最多对应一个第一序列位置（例如，第一像素特征向量序列的长度为10，所述第二像素特征向量序列的长度为15，则一次只有10个第一序列位置和连续的10个第二序列位置进行一一对齐，如此，为了使得每一个所述第二序列位置都能与第一序列位置进行对比计算，可以进行多次连续对齐处理），再依据对应的第一序列位置对应的第一像素特征向量和第二序列位置对应的第二像素特征向量之间的向量相似度，计算出对应的初级视频帧相似度（例如，可以将每一组对应的第一序列位置对应的第一像素特征向量和第二序列位置对应的第二像素特征向量之间的向量相似度进行均值计算）；
依据所述第一像素特征向量序列和所述第二像素特征向量序列之间的序列长度差值，确定出所述连续对齐处理的目标次数（所述目标次数与所述序列长度差值正相关），并在所述连续对齐处理的实际次数等于所述目标次数之后，对每一次进行连续对齐处理的对应的所述初级视频帧相似度进行融合（如对所述初级视频帧相似度进行均值计算等），以输出相邻两帧乙硼烷产物监控视频帧之间的视频帧相似度。
应当理解，在一些实施方式中，对于上述的所述对初始质量识别神经网络的网络权重进行更新，以形成所述初始质量识别神经网络对应的乙硼烷产物质量识别神经网络的步骤，可以进一步包括以下具体的子步骤：
提取到进行网络参数更新的示例乙硼烷产物监控视频帧序列，所述示例乙硼烷产物监控视频帧序列包括的每一条示例视频信息，包括示例乙硼烷产物监控视频帧和（该示例乙硼烷产物监控视频帧）对应的产物质量标注结果（即标注的产物质量）；
通过预先构建的初始质量识别神经网络，对所述示例乙硼烷产物监控视频帧的每一个视频帧像素单元进行挖掘，以挖掘出对应的目标视频帧像素单元特征分布，以及，对所述示例乙硼烷产物监控视频帧对应的目标视频帧像素单元特征分布的特征分布数目（所述特征分布数目用于反映所述目标视频帧像素单元特征分布的数量）进行统计；
依据所述特征分布数目、每一个所述目标视频帧像素单元特征分布在所述示例乙硼烷产物监控视频帧中的像素单元坐标信息和配置的像素单元坐标等级信息的坐标等级信息数目，对每一个所述目标视频帧像素单元特征分布的像素单元坐标等级信息和坐标等级信息特征分布进行确定，包括：依据所述坐标等级信息数目和所述特征分布数目计算出对应的坐标等级信息单位数目，并且，倘若第一像素单元坐标等级信息小于所述坐标等级信息数目，则将所述目标视频帧像素单元特征分布的像素单元坐标等级信息确定为所述第一像素单元坐标等级信息；倘若所述第一像素单元坐标等级信息等于所述坐标等级信息数目，则将所述目标视频帧像素单元特征分布的像素单元坐标等级信息确定为所述像素单元坐标等级信息的最大坐标等级信息；所述第一像素单元坐标等级信息基于所述目标视频帧像素单元特征分布的像素单元坐标信息和所述坐标等级信息单位数目确定；所述坐标等级信息数目大于或等于2、小于所述特征分布数目；
依据每一个所述目标视频帧像素单元特征分布和每一个所述目标视频帧像素单元特征分布对应的坐标等级信息特征分布，分析出所述示例乙硼烷产物监控视频帧的示例像素单元坐标信息特征向量（示例性地，可以所述目标视频帧像素单元特征分布和对应的坐标等级信息特征分布之间特征维度可以是相同的，因此，可以先进行相加，然后，将每一个所述目标视频帧像素单元特征分布对应的相加结果进行拼接，可以得到所述示例像素单元坐标信息特征向量，其中，进行拼接时，对应的拼接顺序可以参照对应的视频帧像素单元之间的关系），再依据所述示例像素单元坐标信息特征向量，分析出（例如，可以通过Softmax进行对应的分析处理等）所述示例乙硼烷产物监控视频帧对应的产物质量预测结果；
在分析出所述示例乙硼烷产物监控视频帧序列包括的每一个示例乙硼烷产物监控视频帧对应的产物质量预测结果之后，计算出所述示例乙硼烷产物监控视频帧序列的产物质量预测整体结果的匹配程度，再基于所述匹配程度对所述初始质量识别神经网络的网络权重进行更新，以在当前的匹配程度大于或等于配置的匹配程度参考值时，停止继续进行更新，以形成对应的乙硼烷产物质量识别神经网络，所述匹配程度基于对应所述产物质量预测结果与所述产物质量标注结果一致的示例乙硼烷产物监控视频帧的数量在所述示例乙硼烷产物监控视频帧序列中的比值确定。
基于上述的步骤，由于坐标等级信息特征分布是根据特征分布数目、目标视频帧像素单元特征分布在示例乙硼烷产物监控视频帧中的像素坐标以及预定的坐标等级信息数目确定的，因此，坐标等级信息特征分布可以标识目标视频帧像素单元特征分布在示例乙硼烷产物监控视频帧中与其他目标视频帧像素单元特征分布之间的相对坐标关系，并且，还可以标识位于同一个像素单元坐标等级信息内的各个目标视频帧像素单元特征分布，实现将各个目标视频帧像素单元特征分布的不同像素单元坐标等级信息的划分，即可以实现对示例乙硼烷产物监控视频帧的不同视频帧部分的划分，由于位于示例乙硼烷产物监控视频帧不同坐标区域的像素单元对质量识别结果的准确性的影响程度不同，对示例乙硼烷产物监控视频帧的各个目标视频帧像素单元特征分布的不同像素单元坐标等级信息的划分，可以为表征不同像素单元坐标等级信息内的目标视频帧像素单元特征分布的影响程度提供依据，根据更新过程中所得到的匹配程度，不断调整初始质量识别神经网络的网络权重，以为提高质量识别时的准确性提供保障，并提高更新速度，使得初始质量识别神经网络能够获取到影响程度较高的像素单元坐标等级信息，并在进行质量识别时提高对应像素单元坐标等级信息内的目标视频帧像素单元特征分布的影响权重，进而提高质量识别的准确性。
应当理解，在一些实施方式中，对于上述的所述提取到进行网络参数更新的示例乙硼烷产物监控视频帧序列的步骤，可以进一步包括以下具体的子步骤：
提取到进行网络参数更新的待确认的示例乙硼烷产物监控视频帧序列，所述待确认的示例乙硼烷产物监控视频帧序列包括的每一条示例视频信息包括待确认的示例乙硼烷产物监控视频帧和所述待确认的示例乙硼烷产物监控视频帧对应的产物质量标注结果；基于对应所述产物质量标注结果进行分类，以形成分别与每一个产物质量标注结果对应的匹配的示例乙硼烷产物监控视频帧序列，以及，分别对每一个所述匹配的示例乙硼烷产物监控视频帧序列对应的视频帧数据量进行统计；
基于对应的所述视频帧数据量确定出每一个需要更新的示例乙硼烷产物监控视频帧序列，再分别对每一个所述需要更新的示例乙硼烷产物监控视频帧序列进行视频帧序列更新处理（例如，可以在所述需要更新的示例乙硼烷产物监控视频帧序列增加一些相同或相似的示例视频帧等），以形成对应的更新后的示例乙硼烷产物监控视频帧序列，所述需要更新的示例乙硼烷产物监控视频帧序列为对应的所述视频帧数据量小于视频帧数据量参考值的匹配的示例乙硼烷产物监控视频帧序列；以及，将所述更新后的示例乙硼烷产物监控视频帧序列与不需要更新的示例乙硼烷产物监控视频帧序列进行融合，以形成对应的示例乙硼烷产物监控视频帧序列。
应当理解，在另一些实施方式中，对于上述的所述提取到进行网络参数更新的示例乙硼烷产物监控视频帧序列的步骤，也可以进一步包括以下具体的子步骤：
提取到进行网络参数更新的待确认的示例乙硼烷产物监控视频帧序列和产物质量识别的干扰像素单元（所述干扰像素单元可以依据视频监控的背景区域的图像信息进行配置，另外，所述干扰像素单元包括的像素点的数量可以实际情况确定），所述待确认的示例乙硼烷产物监控视频帧序列包括的每一条示例视频信息包括待确认的示例乙硼烷产物监控视频帧和所述待确认的示例乙硼烷产物监控视频帧对应的产物质量标注结果；
基于所述干扰像素单元，分别对每一帧所述待确认的示例乙硼烷产物监控视频帧中包括的相同干扰像素单元进行筛除（也就是说，可以将背景区域的图像信息进行筛除，使得可以排除背景区域的图像信息对更新过程中需要学习到的图像信息造成干扰，基于此，可以在一定程度上提高更新形成的神经网络的识别精度，即保障识别结果的可靠度），以输出对应的示例乙硼烷产物监控视频帧和对应的示例乙硼烷产物监控视频帧序列。
应当理解，在一些实施方式中，对于上述的所述通过预先构建的初始质量识别神经网络，对所述示例乙硼烷产物监控视频帧的每一个视频帧像素单元进行挖掘，以挖掘出对应的目标视频帧像素单元特征分布的步骤，可以进一步包括以下具体的子步骤：
通过预先构建的初始质量识别神经网络，对所述示例乙硼烷产物监控视频帧的每一个视频帧像素单元和每一个视频帧像素点进行特征挖掘（所述视频帧像素单元可以包括至少一个所述视频帧像素点，示例性地，一个所述视频帧像素单元可以包括相邻的4个视频帧像素点，如构成一个正方形区域，并且，进行特征挖掘可以是通过所述初始质量识别神经网络中的编码网络进行编码，以输出对应的特征分布），以输出每一个视频帧像素单元对应的第一视频帧像素单元特征分布和每一个视频帧像素点对应的目标视频帧像素点特征分布（即视频帧像素点的特征分布）；
对于每一个所述第一视频帧像素单元特征分布，对该第一视频帧像素单元特征分布和该第一视频帧像素单元特征分布对应的目标视频帧像素点特征分布进行特征拼接（如相加处理等），以输出该第一视频帧像素单元特征分布对应的目标视频帧像素单元特征分布。
应当理解，在一些实施方式中，对于上述的所述通过预先构建的初始质量识别神经网络，对所述示例乙硼烷产物监控视频帧的每一个视频帧像素单元和每一个视频帧像素点进行特征挖掘，以输出每一个视频帧像素单元对应的第一视频帧像素单元特征分布和每一个视频帧像素点对应的目标视频帧像素点特征分布的步骤，可以进一步包括以下具体的子步骤：
分别对所述示例乙硼烷产物监控视频帧包括的每一个视频帧像素单元和所述示例乙硼烷产物监控视频帧包括的每一个视频帧像素点进行特征挖掘，以输出每一个视频帧像素单元对应的第一视频帧像素单元特征分布和每一个视频帧像素点对应的第一视频帧像素点特征分布；
基于每一个所述第一视频帧像素单元特征分布，分别对对应的所述第一视频帧像素点特征分布进行关联，以输出每一个所述第一视频帧像素单元特征分布对应的关联第一视频帧像素点特征分布（例如，一个视频帧像素单元可以包括视频帧像素点A、视频帧像素点B、视频帧像素点C和视频帧像素点D，如此，该视频帧像素单元对应的第一视频帧像素单元特征分布对应的关联第一视频帧像素点特征分布可以包括，视频帧像素点A对应的第一视频帧像素点特征分布、视频帧像素点B对应的第一视频帧像素点特征分布、视频帧像素点C对应的第一视频帧像素点特征分布、视频帧像素点D对应的第一视频帧像素点特征分布）；
对于每一个第一视频帧像素单元特征分布,对该第一视频帧像素单元特征分布对应的每一个关联第一视频帧像素点特征分布进行特征拼接（示例性地，所述第一视频帧像素单元特征分布和所述关联第一视频帧像素点特征分布之间的特征维度可以相同，使得在进行特征拼接时，可以直接对所述第一视频帧像素单元特征分布和所述关联第一视频帧像素点特征分布进行相加处理，以输出对应的目标视频帧像素点特征分布），以形成该第一视频帧像素单元特征分布对应的目标视频帧像素点特征分布。
应当理解，在一些实施方式中，对于上述的所述依据所述特征分布数目、每一个所述目标视频帧像素单元特征分布在所述示例乙硼烷产物监控视频帧中的像素单元坐标信息和配置的像素单元坐标等级信息的坐标等级信息数目，对每一个所述目标视频帧像素单元特征分布的像素单元坐标等级信息和坐标等级信息特征分布进行确定的步骤，可以进一步包括以下具体的子步骤：
依据所述特征分布数目和所述示例乙硼烷产物监控视频帧，分析出每一个所述目标视频帧像素单元特征分布在所述示例乙硼烷产物监控视频帧中的像素单元坐标信息（也就是说，依据所述示例乙硼烷产物监控视频帧中每一个像素单元的像素单元坐标信息和所述特征分布数目，可以确定出每一个所述目标视频帧像素单元特征分布的排序，即第一个、第二个等）；
依据配置的像素单元坐标等级信息的坐标等级信息数目、所述特征分布数目和每一个所述目标视频帧像素单元特征分布在所述示例乙硼烷产物监控视频帧中的像素单元坐标信息，分析出每一个所述目标视频帧像素单元特征分布对应的像素单元坐标等级信息；
基于所述像素单元坐标等级信息，分析出（如通过编码挖掘等）每一个所述目标视频帧像素单元特征分布对应的坐标等级信息特征分布。
应当理解，在一些实施方式中，对于上述的所述依据配置的像素单元坐标等级信息的坐标等级信息数目、所述特征分布数目和每一个所述目标视频帧像素单元特征分布在所述示例乙硼烷产物监控视频帧中的像素单元坐标信息，分析出每一个所述目标视频帧像素单元特征分布对应的像素单元坐标等级信息的步骤，可以进一步包括以下具体的子步骤：
基于所述坐标等级信息数目和所述特征分布数目，计算输出对应的坐标等级信息单位数目（示例性地，所述坐标等级信息数目为X，所述特征分布数目为Y，则所述坐标等级信息单位数目Z=Y/X，其中，在基于前述的计算方式计算所述坐标等级信息单位数目时，若直接计算得到坐标等级信息单位数目不属于整数，则可以进行相应的调整，以变为整数，示例性地，可以直接将计算得到的数值中的小数部分筛除，仅保留整数部分）；
基于每一个所述目标视频帧像素单元特征分布对应的像素单元坐标信息和所述坐标等级信息单位数目，分析输出每一个所述目标视频帧像素单元特征分布的像素单元坐标等级信息（示例性地，所述坐标等级信息数目等于二，所述特征分布数目等于四，所述坐标等级信息单位数目为四除以二，即二，则第一个目标视频帧像素单元特征分布的像素单元坐标等级信息为零除以二，等于零等级，第二个目标视频帧像素单元特征分布的像素单元坐标等级信息为一除以二，等于零等级，第三个目标视频帧像素单元特征分布的像素单元坐标等级信息为二除以二，等于一等级，第四个目标视频帧像素单元特征分布的像素单元坐标等级信息为三除以二，等于一等级，即第一个和第二个目标视频帧像素单元特征分布的像素单元坐标等级信息相同，第三个和第四个目标视频帧像素单元特征分布的像素单元坐标等级信息相同）。
应当理解，在一些实施方式中，对于上述的所述基于每一个所述目标视频帧像素单元特征分布对应的像素单元坐标信息和所述坐标等级信息单位数目，分析输出每一个所述目标视频帧像素单元特征分布的像素单元坐标等级信息的步骤，可以进一步包括以下具体的子步骤：
倘若基于所述目标视频帧像素单元特征分布对应的像素单元坐标信息和所述坐标等级信息单位数目分析输出的第一像素单元坐标等级信息小于所述坐标等级信息数目，则将所述目标视频帧像素单元特征分布的像素单元坐标等级信息确定为所述第一像素单元坐标等级信息；倘若基于所述目标视频帧像素单元特征分布对应的像素单元坐标信息和所述坐标等级信息单位数目分析输出的第一像素单元坐标等级信息等于所述坐标等级信息数目，则将所述目标视频帧像素单元特征分布的像素单元坐标等级信息确定为所述像素单元坐标等级信息的最大坐标等级信息（示例性地，坐标等级信息数目为二，特征分布数目为五，坐标等级信息单位数目为五除以二等于二点五，对应的整数为二，第一个像素单元的目标视频帧像素单元特征分布的第一像素单元坐标等级信息为零除以二等于零，即为零等级，第二个像素单元的目标视频帧像素单元特征分布的第一像素单元坐标等级信息为一除以二等于零，也为零等级，第三个像素单元的目标视频帧像素单元特征分布的第一像素单元坐标等级信息为二除以二等于一，即一等级，第四个像素单元的目标视频帧像素单元特征分布的第一像素单元坐标等级信息为三除以二等于一，也为一等级，第五个像素单元的目标视频帧像素单元特征分布的第一像素单元坐标等级信息为四除以二等于二，其中，由于第一像素单元坐标等级信息等于所述坐标等级信息数目，可以将所述目标视频帧像素单元特征分布的像素单元坐标等级信息确定为所述最大坐标等级信息，即一等级）。
应当理解，在一些实施方式中，对于上述的步骤S130，可以进一步包括以下具体的子步骤：
对于所述至少两个产物质量识别结果中的每两帧相邻乙硼烷产物监控视频帧对应的两个产物质量识别结果，对该两个产物质量识别结果之间的差异进行计算，以输出对应的产物质量识别结果差异值；
对输出每两个产物质量识别结果对应的产物质量识别结果差异值进行累积计算（如求和），以输出对应的目标产物质量识别结果差异值；
依据所述目标产物质量识别结果差异值，对所述目标生产监控系统的第一监控参数进行更新，使得所述目标生产监控系统依据第二监控参数对所述乙硼烷生产系统生产输出的乙硼烷产物进行视频监控，所述第一监控参数包括第一视频帧采集帧率，所述第二监控参数包括第二视频帧采集帧率，在所述目标产物质量识别结果差异值大于或等于参考差异值的情况下，所述第二视频帧采集帧率和所述第一视频帧采集帧率之间的差值正相关于所述目标产物质量识别结果差异值，在所述目标产物质量识别结果差异值小于所述参考差异值的情况下，所述第一视频帧采集帧率和所述第二视频帧采集帧率之间的差值负相关于所述目标产物质量识别结果差异值。
结合图3，本发明实施例还提供一种乙硼烷生产监控系统的系统优化系统，可应用于上述生产监控服务器。其中，所述乙硼烷生产监控系统的系统优化系统可以包括以下软件功能模块：
监控视频提取模块，用于提取目标生产监控系统依据第一监控参数对乙硼烷生产系统生产的乙硼烷产物进行视频监控得到的乙硼烷产物监控视频，所述乙硼烷产物监控视频包括多帧乙硼烷产物监控视频帧；
产物质量识别模块，用于利用预先更新形成的乙硼烷产物质量识别神经网络，对所述乙硼烷产物监控视频包括的乙硼烷产物监控视频帧进行识别处理，输出所述乙硼烷产物监控视频对应的至少两个产物质量识别结果；
监控参数更新模块，用于依据所述至少两个产物质量识别结果之间的差异，对所述目标生产监控系统的第一监控参数进行更新，使得所述目标生产监控系统依据第二监控参数对所述乙硼烷生产系统生产输出的乙硼烷产物进行视频监控。
综上所述，本发明提供的一种乙硼烷生产监控系统的系统优化方法及系统，提取目标生产监控系统依据第一监控参数对乙硼烷生产系统生产的乙硼烷产物进行视频监控得到的乙硼烷产物监控视频。利用乙硼烷产物质量识别神经网络，对乙硼烷产物监控视频包括的乙硼烷产物监控视频帧进行识别处理，以输出对应的至少两个产物质量识别结果。依据至少两个产物质量识别结果之间的差异，对目标生产监控系统的第一监控参数进行更新，使得目标生产监控系统依据第二监控参数对乙硼烷生产系统生产输出的乙硼烷产物进行视频监控。如此，可以依据至少两个产物质量识别结果之间的差异，对目标生产监控系统的第一监控参数进行更新，即依据乙硼烷的质量稳定性（产物质量识别结果之间的差异）来对目标生产监控系统的第一监控参数进行更新，使得目标生产监控系统的监控参数与乙硼烷的质量匹配，从而在一定程度上提高对乙硼烷生产监控系统进行管控的效果。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种乙硼烷生产监控系统的系统优化方法，其特征在于，应用于生产监控服务器，所述乙硼烷生产监控系统的系统优化方法包括：
提取目标生产监控系统依据第一监控参数对乙硼烷生产系统生产的乙硼烷产物进行视频监控得到的乙硼烷产物监控视频，所述乙硼烷产物监控视频包括多帧乙硼烷产物监控视频帧；
利用预先更新形成的乙硼烷产物质量识别神经网络，对所述乙硼烷产物监控视频包括的乙硼烷产物监控视频帧进行识别处理，以输出所述乙硼烷产物监控视频对应的至少两个产物质量识别结果；
依据所述至少两个产物质量识别结果之间的差异，对所述目标生产监控系统的第一监控参数进行更新，使得所述目标生产监控系统依据第二监控参数对所述乙硼烷生产系统生产输出的乙硼烷产物进行视频监控。
2.如权利要求1所述的乙硼烷生产监控系统的系统优化方法，其特征在于，所述提取目标生产监控系统依据第一监控参数对乙硼烷生产系统生产的乙硼烷产物进行视频监控得到的乙硼烷产物监控视频的步骤，包括：
提取目标生产监控系统依据第一监控参数对乙硼烷生产系统生产的乙硼烷产物进行视频监控得到的每一帧乙硼烷产物监控视频帧；
依据提取到的每一帧所述乙硼烷产物监控视频帧对应的视频帧时间戳信息，将对应的视频帧时间戳信息满足预设时间条件的每一帧所述乙硼烷产物监控视频帧进行排序组合，以形成乙硼烷产物监控视频。
3.如权利要求1所述的乙硼烷生产监控系统的系统优化方法，其特征在于，所述利用预先更新形成的乙硼烷产物质量识别神经网络，对所述乙硼烷产物监控视频包括的乙硼烷产物监控视频帧进行识别处理，以输出所述乙硼烷产物监控视频对应的至少两个产物质量识别结果的步骤，包括：
对初始质量识别神经网络的网络权重进行更新，以形成所述初始质量识别神经网络对应的乙硼烷产物质量识别神经网络；
对所述乙硼烷产物监控视频包括的多帧乙硼烷产物监控视频帧进行筛选，以输出至少两帧目标乙硼烷产物监控视频帧；
利用所述乙硼烷产物质量识别神经网络，分别对所述至少两帧目标乙硼烷产物监控视频帧中的每一帧乙硼烷产物监控视频帧进行识别处理，以输出每一帧所述乙硼烷产物监控视频帧对应的产物质量识别结果，以得到所述至少两帧目标乙硼烷产物监控视频帧至少两个产物质量识别结果。
4.如权利要求3所述的乙硼烷生产监控系统的系统优化方法，其特征在于，所述对初始质量识别神经网络的网络权重进行更新，以形成所述初始质量识别神经网络对应的乙硼烷产物质量识别神经网络的步骤，包括：
提取到进行网络参数更新的示例乙硼烷产物监控视频帧序列，所述示例乙硼烷产物监控视频帧序列包括的每一条示例视频信息包括示例乙硼烷产物监控视频帧和对应的产物质量标注结果；
通过预先构建的初始质量识别神经网络，对所述示例乙硼烷产物监控视频帧的每一个视频帧像素单元进行挖掘，以挖掘出对应的目标视频帧像素单元特征分布，以及，对所述示例乙硼烷产物监控视频帧对应的目标视频帧像素单元特征分布的特征分布数目进行统计；
依据所述特征分布数目、每一个所述目标视频帧像素单元特征分布在所述示例乙硼烷产物监控视频帧中的像素单元坐标信息和配置的像素单元坐标等级信息的坐标等级信息数目，对每一个所述目标视频帧像素单元特征分布的像素单元坐标等级信息和坐标等级信息特征分布进行确定，包括：依据所述坐标等级信息数目和所述特征分布数目计算出对应的坐标等级信息单位数目，并且，倘若第一像素单元坐标等级信息小于所述坐标等级信息数目，则将所述目标视频帧像素单元特征分布的像素单元坐标等级信息确定为所述第一像素单元坐标等级信息；倘若所述第一像素单元坐标等级信息等于所述坐标等级信息数目，则将所述目标视频帧像素单元特征分布的像素单元坐标等级信息确定为所述像素单元坐标等级信息的最大坐标等级信息；所述第一像素单元坐标等级信息基于所述目标视频帧像素单元特征分布的像素单元坐标信息和所述坐标等级信息单位数目确定；所述坐标等级信息数目大于或等于2、小于所述特征分布数目；
依据每一个所述目标视频帧像素单元特征分布和每一个所述目标视频帧像素单元特征分布对应的坐标等级信息特征分布，分析出所述示例乙硼烷产物监控视频帧的示例像素单元坐标信息特征向量，再依据所述示例像素单元坐标信息特征向量，分析出所述示例乙硼烷产物监控视频帧对应的产物质量预测结果；
在分析出所述示例乙硼烷产物监控视频帧序列包括的每一个示例乙硼烷产物监控视频帧对应的产物质量预测结果之后，计算出所述示例乙硼烷产物监控视频帧序列的产物质量预测整体结果的匹配程度，再基于所述匹配程度对所述初始质量识别神经网络的网络权重进行更新，以在当前的匹配程度大于或等于配置的匹配程度参考值时，停止继续进行更新，以形成对应的乙硼烷产物质量识别神经网络，所述匹配程度基于对应所述产物质量预测结果与所述产物质量标注结果一致的示例乙硼烷产物监控视频帧的数量在所述示例乙硼烷产物监控视频帧序列中的比值确定。
5.如权利要求4所述的乙硼烷生产监控系统的系统优化方法，其特征在于，所述通过预先构建的初始质量识别神经网络，对所述示例乙硼烷产物监控视频帧的每一个视频帧像素单元进行挖掘，以挖掘出对应的目标视频帧像素单元特征分布的步骤，包括：
通过预先构建的初始质量识别神经网络，对所述示例乙硼烷产物监控视频帧的每一个视频帧像素单元和每一个视频帧像素点进行特征挖掘，以输出每一个视频帧像素单元对应的第一视频帧像素单元特征分布和每一个视频帧像素点对应的目标视频帧像素点特征分布；
对于每一个所述第一视频帧像素单元特征分布，对该第一视频帧像素单元特征分布和该第一视频帧像素单元特征分布对应的目标视频帧像素点特征分布进行特征拼接，以输出该第一视频帧像素单元特征分布对应的目标视频帧像素单元特征分布。
6.如权利要求5所述的乙硼烷生产监控系统的系统优化方法，其特征在于，所述通过预先构建的初始质量识别神经网络，对所述示例乙硼烷产物监控视频帧的每一个视频帧像素单元和每一个视频帧像素点进行特征挖掘，以输出每一个视频帧像素单元对应的第一视频帧像素单元特征分布和每一个视频帧像素点对应的目标视频帧像素点特征分布的步骤，包括：
分别对所述示例乙硼烷产物监控视频帧包括的每一个视频帧像素单元和所述示例乙硼烷产物监控视频帧包括的每一个视频帧像素点进行特征挖掘，以输出每一个视频帧像素单元对应的第一视频帧像素单元特征分布和每一个视频帧像素点对应的第一视频帧像素点特征分布；
基于每一个所述第一视频帧像素单元特征分布，分别对对应的所述第一视频帧像素点特征分布进行关联，以输出每一个所述第一视频帧像素单元特征分布对应的关联第一视频帧像素点特征分布；
对于每一个第一视频帧像素单元特征分布,对该第一视频帧像素单元特征分布对应的每一个关联第一视频帧像素点特征分布进行特征拼接，以形成该第一视频帧像素单元特征分布对应的目标视频帧像素点特征分布。
7.如权利要求4所述的乙硼烷生产监控系统的系统优化方法，其特征在于，所述提取到进行网络参数更新的示例乙硼烷产物监控视频帧序列的步骤，包括:
提取到进行网络参数更新的待确认的示例乙硼烷产物监控视频帧序列，所述待确认的示例乙硼烷产物监控视频帧序列包括的每一条示例视频信息包括待确认的示例乙硼烷产物监控视频帧和所述待确认的示例乙硼烷产物监控视频帧对应的产物质量标注结果；基于对应所述产物质量标注结果进行分类，以形成分别与每一个产物质量标注结果对应的匹配的示例乙硼烷产物监控视频帧序列，以及，分别对每一个所述匹配的示例乙硼烷产物监控视频帧序列对应的视频帧数据量进行统计；
基于对应的所述视频帧数据量确定出每一个需要更新的示例乙硼烷产物监控视频帧序列，再分别对每一个所述需要更新的示例乙硼烷产物监控视频帧序列进行视频帧序列更新处理，以形成对应的更新后的示例乙硼烷产物监控视频帧序列，所述需要更新的示例乙硼烷产物监控视频帧序列为对应的所述视频帧数据量小于视频帧数据量参考值的匹配的示例乙硼烷产物监控视频帧序列；以及，将所述更新后的示例乙硼烷产物监控视频帧序列与不需要更新的示例乙硼烷产物监控视频帧序列进行融合，以形成对应的示例乙硼烷产物监控视频帧序列。
8.如权利要求4所述的乙硼烷生产监控系统的系统优化方法，其特征在于，所述提取到进行网络参数更新的示例乙硼烷产物监控视频帧序列的步骤，包括:
提取到进行网络参数更新的待确认的示例乙硼烷产物监控视频帧序列和产物质量识别的干扰像素单元，所述待确认的示例乙硼烷产物监控视频帧序列包括的每一条示例视频信息包括待确认的示例乙硼烷产物监控视频帧和所述待确认的示例乙硼烷产物监控视频帧对应的产物质量标注结果；
基于所述干扰像素单元，分别对每一帧所述待确认的示例乙硼烷产物监控视频帧中包括的相同干扰像素单元进行筛除，以输出对应的示例乙硼烷产物监控视频帧和对应的示例乙硼烷产物监控视频帧序列。
9.如权利要求1-8任意一项所述的乙硼烷生产监控系统的系统优化方法，其特征在于，所述依据所述至少两个产物质量识别结果之间的差异，对所述目标生产监控系统的第一监控参数进行更新，使得所述目标生产监控系统依据第二监控参数对所述乙硼烷生产系统生产输出的乙硼烷产物进行视频监控的步骤，包括：
对于所述至少两个产物质量识别结果中的每两帧相邻乙硼烷产物监控视频帧对应的两个产物质量识别结果，对该两个产物质量识别结果之间的差异进行计算，以输出对应的产物质量识别结果差异值；
对输出每两个产物质量识别结果对应的产物质量识别结果差异值进行累积计算，以输出对应的目标产物质量识别结果差异值；
依据所述目标产物质量识别结果差异值，对所述目标生产监控系统的第一监控参数进行更新，使得所述目标生产监控系统依据第二监控参数对所述乙硼烷生产系统生产输出的乙硼烷产物进行视频监控，所述第一监控参数包括第一视频帧采集帧率，所述第二监控参数包括第二视频帧采集帧率，在所述目标产物质量识别结果差异值大于或等于参考差异值的情况下，所述第二视频帧采集帧率和所述第一视频帧采集帧率之间的差值正相关于所述目标产物质量识别结果差异值，在所述目标产物质量识别结果差异值小于所述参考差异值的情况下，所述第一视频帧采集帧率和所述第二视频帧采集帧率之间的差值负相关于所述目标产物质量识别结果差异值。
10.一种乙硼烷生产监控系统的系统优化系统，其特征在于，应用于生产监控服务器，所述乙硼烷生产监控系统的系统优化系统包括：
监控视频提取模块，用于提取目标生产监控系统依据第一监控参数对乙硼烷生产系统生产的乙硼烷产物进行视频监控得到的乙硼烷产物监控视频，所述乙硼烷产物监控视频包括多帧乙硼烷产物监控视频帧；
产物质量识别模块，用于利用预先更新形成的乙硼烷产物质量识别神经网络，对所述乙硼烷产物监控视频包括的乙硼烷产物监控视频帧进行识别处理，输出所述乙硼烷产物监控视频对应的至少两个产物质量识别结果；
监控参数更新模块，用于依据所述至少两个产物质量识别结果之间的差异，对所述目标生产监控系统的第一监控参数进行更新，使得所述目标生产监控系统依据第二监控参数对所述乙硼烷生产系统生产输出的乙硼烷产物进行视频监控。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310695845.6A CN116437057B (zh) | 2023-06-13 | 2023-06-13 | 乙硼烷生产监控系统的系统优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310695845.6A CN116437057B (zh) | 2023-06-13 | 2023-06-13 | 乙硼烷生产监控系统的系统优化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116437057A true CN116437057A (zh) | 2023-07-14 |
| CN116437057B CN116437057B (zh) | 2023-09-19 |
Family
ID=87083661
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310695845.6A Active CN116437057B (zh) | 2023-06-13 | 2023-06-13 | 乙硼烷生产监控系统的系统优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116437057B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011046569A (ja) * | 2009-08-27 | 2011-03-10 | Sumitomo Seika Chem Co Ltd | ジボランの製造方法 |
| CN105280513A (zh) * | 2015-09-28 | 2016-01-27 | 杭州士兰集成电路有限公司 | 乙硼烷质量检测结构及检测方法 |
| CN110059654A (zh) * | 2019-04-25 | 2019-07-26 | 台州智必安科技有限责任公司 | 一种基于细粒度识别的菜品自动结算及饮食健康管理方法 |
| US20210319232A1 (en) * | 2020-04-13 | 2021-10-14 | Adobe Inc | Temporally distributed neural networks for video semantic segmentation |
| WO2022134793A1 (zh) * | 2020-12-22 | 2022-06-30 | 深圳壹账通智能科技有限公司 | 视频帧语义信息的提取方法、装置及计算机设备 |
| CN114741185A (zh) * | 2022-03-25 | 2022-07-12 | 南京大学 | 面向多目标视频监控的边缘计算系统及其工作方法 |
| CN114973068A (zh) * | 2022-05-07 | 2022-08-30 | 广州欢聚时代信息科技有限公司 | 视频质量评估模型生产方法及其装置、设备、介质 |
| CN115082845A (zh) * | 2022-04-26 | 2022-09-20 | 北京理工大学 | 一种基于深度强化学习的监控视频目标检测任务调度方法 |
| CN115588157A (zh) * | 2022-12-12 | 2023-01-10 | 广东祥利科技有限公司 | 交联低烟低卤聚烯烃材料的性能数据处理方法及系统 |
| CN115620243A (zh) * | 2022-12-20 | 2023-01-17 | 深圳联和智慧科技有限公司 | 基于人工智能的污染源监测方法、系统及云平台 |
-
2023
- 2023-06-13 CN CN202310695845.6A patent/CN116437057B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011046569A (ja) * | 2009-08-27 | 2011-03-10 | Sumitomo Seika Chem Co Ltd | ジボランの製造方法 |
| CN105280513A (zh) * | 2015-09-28 | 2016-01-27 | 杭州士兰集成电路有限公司 | 乙硼烷质量检测结构及检测方法 |
| CN110059654A (zh) * | 2019-04-25 | 2019-07-26 | 台州智必安科技有限责任公司 | 一种基于细粒度识别的菜品自动结算及饮食健康管理方法 |
| US20210319232A1 (en) * | 2020-04-13 | 2021-10-14 | Adobe Inc | Temporally distributed neural networks for video semantic segmentation |
| WO2022134793A1 (zh) * | 2020-12-22 | 2022-06-30 | 深圳壹账通智能科技有限公司 | 视频帧语义信息的提取方法、装置及计算机设备 |
| CN114741185A (zh) * | 2022-03-25 | 2022-07-12 | 南京大学 | 面向多目标视频监控的边缘计算系统及其工作方法 |
| CN115082845A (zh) * | 2022-04-26 | 2022-09-20 | 北京理工大学 | 一种基于深度强化学习的监控视频目标检测任务调度方法 |
| CN114973068A (zh) * | 2022-05-07 | 2022-08-30 | 广州欢聚时代信息科技有限公司 | 视频质量评估模型生产方法及其装置、设备、介质 |
| CN115588157A (zh) * | 2022-12-12 | 2023-01-10 | 广东祥利科技有限公司 | 交联低烟低卤聚烯烃材料的性能数据处理方法及系统 |
| CN115620243A (zh) * | 2022-12-20 | 2023-01-17 | 深圳联和智慧科技有限公司 | 基于人工智能的污染源监测方法、系统及云平台 |
Non-Patent Citations (2)
| Title |
|---|
| "用乙硼烷作硅中硼扩散源", 《压电与声光》, no. 02 * |
| 吴丙芳: ""机动车黑烟监测系统中的关键技术研究"", 《中国优秀硕士学位论文全文数据库》, no. 02, pages 37 - 48 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116437057B (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115018840B (zh) | 精密铸件裂纹检测方法、系统及装置 | |
| CN114697618A (zh) | 一种基于移动终端的楼宇控制方法及系统 | |
| CN115188485A (zh) | 基于智慧医疗大数据的用户需求分析方法及系统 | |
| CN111738348A (zh) | 一种电力数据异常检测方法和装置 | |
| CN114140712A (zh) | 一种自动图像识别分发系统及方法 | |
| CN115620211A (zh) | 阻燃低烟无卤护套的性能数据处理方法及系统 | |
| CN116433653A (zh) | 一种基于机器视觉的产品生产管理方法及系统 | |
| CN114139016A (zh) | 一种智慧小区的数据处理方法及系统 | |
| CN113949881A (zh) | 一种基于智慧城市数据的业务处理方法及系统 | |
| CN116437057B (zh) | 乙硼烷生产监控系统的系统优化方法及系统 | |
| CN116821777B (zh) | 一种新型基础测绘数据整合方法及系统 | |
| CN115620243B (zh) | 基于人工智能的污染源监测方法、系统及云平台 | |
| CN115457467A (zh) | 一种基于数据挖掘的建筑质量隐患定位方法及系统 | |
| CN115616408A (zh) | 电池热管理数据处理方法及系统 | |
| CN115700821B (zh) | 一种基于图像处理的细胞识别方法及系统 | |
| CN115658946B (zh) | 基于5g互联网的监控数据可视化方法及系统 | |
| CN117197739B (zh) | 一种智慧楼宇的监控数据处理方法及系统 | |
| CN115761598B (zh) | 一种基于云端业务平台的大数据分析方法及系统 | |
| CN116958838B (zh) | 一种基于无人机航测技术的森林资源监测方法及系统 | |
| CN114827538B (zh) | 一种智慧工地的施工进度监控方法及系统 | |
| CN117351355A (zh) | 一种建筑信息化的数据处理方法及系统 | |
| CN117149846B (zh) | 一种基于数据融合的电力数据分析方法和系统 | |
| CN117173572A (zh) | 一种建筑信息化数据的采集方法及系统 | |
| CN115620210A (zh) | 基于图像处理的电子线料的性能确定方法及系统 | |
| CN116665042A (zh) | 一种遥感图像建筑区检测方法及系统 |
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 |