CN117954126A - 基于多传感数据融合的兽药在线监测系统及方法 - Google Patents
基于多传感数据融合的兽药在线监测系统及方法 Download PDFInfo
- Publication number
- CN117954126A CN117954126A CN202410346808.9A CN202410346808A CN117954126A CN 117954126 A CN117954126 A CN 117954126A CN 202410346808 A CN202410346808 A CN 202410346808A CN 117954126 A CN117954126 A CN 117954126A
- Authority
- CN
- China
- Prior art keywords
- veterinary drug
- appearance
- abnormal
- time interval
- veterinary
- 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
- 239000000273 veterinary drug Substances 0.000 title claims abstract description 418
- 238000012544 monitoring process Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000004927 fusion Effects 0.000 title claims abstract description 28
- 238000001035 drying Methods 0.000 claims abstract description 96
- 230000005856 abnormality Effects 0.000 claims abstract description 43
- 238000012546 transfer Methods 0.000 claims abstract description 36
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 26
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 26
- 239000001301 oxygen Substances 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims description 204
- 230000007547 defect Effects 0.000 claims description 89
- 238000012549 training Methods 0.000 claims description 39
- 238000004458 analytical method Methods 0.000 claims description 29
- 238000013441 quality evaluation Methods 0.000 claims description 24
- 238000010801 machine learning Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 14
- 239000003814 drug Substances 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 125000004122 cyclic group Chemical group 0.000 claims description 9
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 15
- 230000007246 mechanism Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 8
- 238000013145 classification model Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 244000144972 livestock Species 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000003390 Chinese drug Substances 0.000 description 1
- 238000005054 agglomeration Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Pharmacology & Pharmacy (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Medicinal Chemistry (AREA)
- Mathematical Physics (AREA)
- Toxicology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于多传感数据融合的兽药在线监测系统及方法,具体涉及兽药智能生产技术领域,包括获取第n个干燥装置在历史时间区间内的兽药干燥特征数据和兽药图像,所述兽药图像包含第n个干燥装置对兽药干燥时的Y幅兽药监测图像;所述兽药干燥特征数据包括干燥设备的温度差集合、风速差集合和氧气浓度差集合;Y、n均为大于零的整数;将历史时间区间内的兽药干燥特征数据分别输入预构建对应的传热预测模型中,以获取未来时间区间内干燥设备的未来监测特征数据;通过添加了异常监测机制和兽药生产预测机制,能够基于兽药干燥特征数据和兽药图像快速预测并判断兽药干燥过程中是否出现异常,有利于改善兽药生产质量。
Description
技术领域
本发明涉及兽药智能生产技术领域,更具体地说,本发明涉及基于多传感数据融合的兽药在线监测系统及方法。
背景技术
兽药是农业生产中必不可少的物质,其质量和安全直接影响到畜禽的健康和生产效益。然而,当前兽药干燥过程中存在着一些问题,如质量不稳定、表面裂纹、颗粒结块等,这些问题对兽畜的生长、繁殖和人体健康造成严重影响;传统的兽药检测方法通常依赖于化学分析或生物检测,但这些方法存在检测周期长、操作复杂、准确度低等问题,单一传感器采集的数据信息不够全面,无法全面反映兽药干燥过程中的各种变化和异常情况,难以确保兽药的质量和安全性。目前对于兽药的干燥过程仍然以人工经验为主,缺少必要的数据支持,使得生产人工成本高,兽药批次存在差异性;为了保证兽药的生产质量,现有的通过数字孪生技术对兽药质量进行预测来实现,例如,公开号为CN114896821A的中国专利公开了中药真空带式干燥数字孪生智能决策工艺预测方法及系统,该方法虽能在一定程度上提高兽药质量,但经发明人对上述方法以及现有技术进行研究和应用发现,上述方法以及现有技术至少存在以下部分缺陷:
(1)在兽药干燥过程缺乏异常监测机制,使得兽药容易出现兽药质量问题而无法及时判断;
(2)在批量生产时,无法及时确定兽药干燥过程出现异常原因,从而造成兽药的质量得不到保证,增加了生产成本。
为此,本发明提供了基于多传感数据融合的兽药在线监测系统及方法。
发明内容
为了克服现有技术的上述缺陷,本发明提供了基于多传感数据融合的兽药在线监测系统及方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:基于多传感数据融合的兽药在线监测方法,包括:
步骤1:获取第n个干燥装置在历史时间区间内的兽药干燥特征数据和兽药图像,所述兽药图像包含第n个干燥装置对兽药干燥时的Y幅兽药监测图像;所述兽药干燥特征数据包括干燥设备的温度差集合、风速差集合和氧气浓度差集合;Y、n均为大于零的整数;
步骤2:将历史时间区间内的兽药干燥特征数据分别输入预构建对应的传热预测模型中,以获取未来时间区间内干燥设备的未来监测特征数据;所述未来监测特征数据包括未来时间区间内的温度均值、风速均值和氧气浓度均值;
步骤3:将未来时间区间内干燥设备的未来监测特征数据输入预构建的收缩评估预测模型中,以获取未来时间区间内兽药的兽药收缩系数;
步骤4:提取历史时间区间内的Y幅兽药图像,对Y幅兽药图像进行兽药外观分析,以获得兽药的历史兽药外观系数,将历史兽药外观系数输入预构建的外观预测模型中,以获取未来时间区间内的兽药外观系数;基于未来时间区间内的兽药外观系数和兽药收缩系数进行综合分析,生成兽药综合系数;
步骤5:根据兽药综合系数判断在未来时间区间内兽药质量是否存在异常,若不存在异常,则令K=K+1,并发送至步骤1;若存在异常,则基于异常综合系数区间与异常兽药信息之间的预设关系,确定关联的异常兽药信息;所述异常兽药信息包括M个异常原因,每个异常原因对应的P个标准异常趋势图,所述K为未来时间区间,K、P为大于零的整数;
步骤6:根据未来时间区间内的未来监测特征数据生成异常趋势图,根据异常趋势图和标准异常趋势图的相似度确定兽药质量的主要异常原因,并将异常原因反馈至在线监测用户端。
进一步地,预构建的传热预测模型包含H个传热预测模型,H为大于零的整数;H个所述传热预测模型包括但不限于用于预测未来时间区间内的温度均值的传热预测模型、用于预测未来时间区间内的风速均值的传热预测模型以及用于预测未来时间区间内的氧气浓度均值的传热预测模型。
进一步地,所述收缩评估预测模型的生成方法包括:
获取历史质量评估特征数据,将所述历史质量评估特征数据划分成质量评估训练集和质量评估测试集;所述历史质量评估特征数据包括未来监测特征数据及未来监测特征数据对应的兽药收缩系数;
其中,所述兽药收缩系数的生成逻辑如下:
兽药干燥时,获取在历史时间区间内的实际兽药直径和期望兽药直径,根据实际兽药直径和期望兽药直径进行公式化计算,以获取兽药收缩系数,其计算公式如下:
=;
式中:表示兽药收缩系数,表示第时刻下的实际兽药直径,表示第时
刻下的期望兽药直径,表示历史时间区间;表示取对数函数;
构建第二机器学习模型,将质量评估训练集中的未来监测特征数据作为第二机器学习模型的输入数据,将质量评估训练集中的兽药收缩系数作为第二机器学习模型的输出数据,对第二机器学习模型进行训练,得到初始收缩预测模型;
利用质量评估测试集对初始收缩预测模型进行模型验证,输出预测误差小于等于预设误差阈值的初始收缩预测模型作为收缩评估预测模型;所述第二机器学习模型具体为RNN循环神经网络模型。
进一步地,对Y幅兽药图像进行兽药外观分析的方法包括:
a1:获取第y幅兽药图像,对第y幅兽药图像进行像素点聚类分析,将聚类分析形成的区域划分为外观子区域,得到V个外观子区域;
a2:将V个外观子区域以图像的形式分别输入到预构建的兽药外观分析模型中进行识别,得到缺陷识别结果,根据缺陷识别结果判断所述V个外观子区域是否存在外观缺陷区域,若存在,则记录外观缺陷区域的数量、缺陷类型和像素面积,则令y=y+1,并返回至步骤a1;若不存在,并令y=y+1,并返回至步骤a1;
a3:重复上述步骤a1~a2,直至y=Y时,结束循环,得到外观缺陷数据,所述外观缺陷数据包括C个外观缺陷区域、C个外观缺陷区域的兽药缺陷类型和C个外观缺陷区域的面积,y∈Y;所述兽药缺陷类型包括裂纹缺陷类型和灰度异常缺陷类型;
a4:基于Z幅兽药缺陷图像的外观缺陷数据计算兽药图像的历史兽药外观系数,其
计算公式为:;式中:表示历史兽药外观系
数,表示第y幅兽药图像中第a个裂纹缺陷类型的外观缺陷区域的面积,表示第y
幅兽药图像中第b个灰度异常缺陷类型的外观缺陷区域的面积;表示裂纹缺陷类型的外
观缺陷区域的数量,表示灰度异常缺陷类型的外观缺陷区域的数量;其中,;
进一步地,所述外观预测模型的生成方法包括:
b1:获取历史兽药外观系数,基于历史兽药外观系数建立外观系数时间序列集合,外观系数时间序列集合包括i个历史兽药外观系数,i个历史兽药外观系数获取的时间间隔相等,i个历史兽药外观系数对应一个设定时间区间;
b2:预设滑动步长W以及滑动窗口长度U;将外观系数时间序列集合内的历史兽药外观系数使用滑动窗口方法将其转化为多个训练样本,将训练样本作为循环神经网络模型的输入,预测滑动步长W后的兽药外观系数作为输出,每个训练样本的后续兽药外观系数作为预测目标,以预测准确率作为训练目标,对循环神经网络模型进行训练;生成根据外观系数时间序列集合中的历史兽药外观系数预测未来时间区间的兽药外观系数的外观预测模型;所述循环神经网络模型为RNN神经网络模型。
进一步地,基于未来时间区间内的兽药外观系数和兽药收缩系数进行综合分析,生成兽药综合系数的方法包括:
将历史兽药外观系数和兽药收缩系数进行综合计算,得到兽药综合系数,
其计算公式为:;
其中,表示兽药综合系数,和表示大于零的修正因子。
进一步地,判断在未来时间区间内兽药质量是否存在异常,包括:
将兽药综合系数与R个异常综合系数区间进行比对,R为大于零的整数;
若所述兽药综合系数落入R个异常综合系数区间中的任何一个区间中,则判定未来时间区间内的兽药质量存在异常;
若所述兽药综合系数未落入R个异常综合系数区间中的任何一个区间中,则判定未来时间区间内的兽药质量不存在异常。
进一步地,所述异常趋势图存在P个,P个异常趋势图为表现温度变化的异常趋势图、表现风速变化的异常趋势图或表现氧气浓度变化的异常趋势图;
根据未来时间区间内的未来监测特征数据生成异常趋势图,包括:
提取未来时间区间内未来监测特征数据的每一温度值;
构建二维坐标系,将未来时间区间作为二维坐标系的横轴,以及将每一温度值作为二维坐标系的纵轴,得到表现温度变化的异常趋势图。
进一步地,根据异常趋势图和标准异常趋势图的相似度确定兽药质量的主要异常原因,包括:
利用相对度算法对P个异常趋势图和P个标准异常趋势图中相同形式的趋势图进行相似度计算,得到F个相似度,F为大于零的整数;
筛选出F个相似度中的最大相似度,将最大相似度与预设相似度阈值进行比对;
若最大相似度大于等于预设相似度阈值,则将最大相似度的标准异常趋势图对应的异常原因作为主要异常原因;
若最大相似度小于预设相似度阈值,则排除最大相似度的标准异常趋势图对应的异常原因作为主要异常原因。
第二方面,本发明提供了基于多传感数据融合的兽药在线监测系统,用于实施上述的基于多传感数据融合的兽药在线监测方法,包括:
数据采集模块,用于获取第n个干燥装置在历史时间区间内的兽药干燥特征数据和兽药图像,所述兽药图像包含第n个干燥装置对兽药干燥时的Y幅兽药监测图像;所述兽药干燥特征数据包括干燥设备的温度差集合、风速差集合和氧气浓度差集合;Y、n均为大于零的整数;
特征数据预测模块,用于将历史时间区间内的兽药干燥特征数据分别输入预构建对应的传热预测模型中,以获取未来时间区间内干燥设备的未来监测特征数据;所述未来监测特征数据包括未来时间区间内的温度均值、风速均值和氧气浓度均值;
收缩系数模块,用于将未来时间区间内干燥设备的未来监测特征数据输入预构建的收缩评估预测模型中,以获取未来时间区间内兽药的兽药收缩系数;
综合分析模块,用于提取历史时间区间内的Y幅兽药图像,对Y幅兽药图像进行兽药外观分析,以获得兽药的历史兽药外观系数,将历史兽药外观系数输入预构建的外观预测模型中,以获取未来时间区间内的兽药外观系数;基于未来时间区间内的兽药外观系数和兽药收缩系数进行综合分析,生成兽药综合系数;
判断模块,用于根据兽药综合系数判断在未来时间区间内兽药质量是否存在异常,若不存在异常,则令K=K+1,并发送至数据采集模块;若存在异常,则基于异常综合系数区间与异常兽药信息之间的预设关系,确定关联的异常兽药信息;所述异常兽药信息包括M个异常原因,每个异常原因对应的P个标准异常趋势图,所述K为未来时间区间,K、P为大于零的整数;
异常原因分析模块,用于根据未来时间区间内的未来监测特征数据生成异常趋势图,根据异常趋势图和标准异常趋势图的相似度确定兽药质量的主要异常原因,并将异常原因反馈至在线监测用户端。
第三方面,本发明提供了一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行上述的基于多传感数据融合的兽药在线监测方法。
第四方面,本发明提供了一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行上述的基于多传感数据融合的兽药在线监测方法。
本发明的技术效果和优点:
1.本发明通过获取第n个干燥装置在历史时间区间内的兽药干燥特征数据和兽药图像;将历史时间区间内的兽药干燥特征数据分别输入预构建对应的传热预测模型中,以获取未来时间区间内干燥设备的未来监测特征数据;所述未来监测特征数据包括未来时间区间内的温度均值、风速均值和氧气浓度均值;将未来时间区间内干燥设备的未来监测特征数据输入预构建的收缩评估预测模型中,以获取未来时间区间内兽药的兽药收缩系数;提取历史时间区间内的Y幅兽药图像,对Y幅兽药图像进行兽药外观分析,以获得兽药的历史兽药外观系数,将历史兽药外观系数输入预构建的外观预测模型中,以获取未来时间区间内的兽药外观系数;基于未来时间区间内的兽药外观系数和兽药收缩系数进行综合分析,生成兽药综合系数;根据兽药综合系数判断在未来时间区间内兽药质量是否存在异常,若不存在异常,则令K=K+1,并发送至步骤1;若存在异常,则基于异常综合系数区间与异常兽药信息之间的预设关系,确定关联的异常兽药信息;所述异常兽药信息包括M个异常原因,每个异常原因对应的P个标准异常趋势图,根据未来时间区间内的未来监测特征数据生成异常趋势图,根据异常趋势图和标准异常趋势图的相似度确定兽药质量的主要异常原因,并将异常原因反馈至在线监测用户端,本发明通过添加了异常监测机制和兽药生产预测机制,能够基于兽药干燥特征数据和兽药图像快速预测并判断兽药干燥过程中是否出现异常,有利于改善兽药生产质量;
2.本发明通过事先对兽药质量的异常原因快速排查,从而进一步根据异常原因实现兽药干燥异常的事先干预,降低兽药质量出现异常而增加生产成本和时间成本,同时避免因管理人员的经验不足而导致兽药质量出现异常。
附图说明
图1为实施例1的方法流程图;
图2为实施例2的系统示意图;
图3为实施例3的一种电子设备示意图;
图4为实施例4的一种计算机可读存储介质示意图。
具体实施方式
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、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似的第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
实施例1
请参阅图1所示,本实施例公开提供了基于多传感数据融合的兽药在线监测方法,包括:
步骤1:获取第n个干燥装置在历史时间区间内的兽药干燥特征数据和兽药图像,所述兽药图像包含第n个干燥装置对兽药干燥时的Y幅兽药监测图像;所述兽药干燥特征数据包括干燥设备的温度差集合、风速差集合和氧气浓度差集合;Y、n均为大于零的整数;
应当了解的是:在兽药生产车间内设有n个干燥装置;为了提高兽药生产效率,每个所述干燥装置均预设好初始温度、风速和氧气浓度;当兽药进行干燥工艺时,每个干燥装置接收在线监测用户端发送的电信号,并利用电信号进行兽药干燥过程的监测数据采集,每个所述干燥装置上设有多个传感器和摄像头,所述传感器包括但不限于温度传感器、风速传感器和氧气检测仪等等,所述摄像头用于监测第n个干燥装置内的兽药外观变化,所述干燥装置的类型由兽药生产车间的管理人员根据情况确定,在此不做过多限定,本实施例中的兽药指的是固体兽药为例;
需要说明的是:所述温度差集合中包含在设定时间区间内的温度差值;所述设定时间区间包含X个,X为大于零的整数,进一步举例说明就是:假设历史时间区间为8:00-8:30,且设定时间区间为5分钟,则在设定时间区间内的温度差集合包含有8:05-8:00之间的温度差值、8:10-8:05之间的温度差值、8:15-8:10之间的温度差值、…、8:30-8:25之间的温度差值;同理,风速差集合和氧气浓度差集合也是如此,详情参照温度差集合的说明,对此不再过多赘述。
步骤2:将历史时间区间内的兽药干燥特征数据分别输入预构建对应的传热预测模型中,以获取未来时间区间内干燥设备的未来监测特征数据;
具体的,预构建的传热预测模型包含H个传热预测模型,H为大于零的整数;进一步需要说明的是:H个所述传热预测模型包括但不限于以下类型:用于预测未来时间区间内的温度均值的传热预测模型、用于预测未来时间区间内的风速均值的传热预测模型以及用于预测未来时间区间内的氧气浓度均值的传热预测模型;
具体的,所述未来监测特征数据包括未来时间区间内的温度均值、风速均值和氧气浓度均值;
在一个具体实施方式中,所述传热预测模型的构建方法包括:
获取历史温度特征数据,将所述历史温度特征数据划分成温度训练集和温度测试集;所述历史温度特征数据包括温度差集合及温度差集合对应的温度均值;
构建第一机器学习模型,将温度训练集中的温度差集合作为第一机器学习模型的输入数据,将温度训练集中的温度均值作为第一机器学习模型的输出数据,对第一机器学习模型进行训练,得到初始预测模型;
利用温度测试集对初始预测模型进行模型验证,输出预测误差小于等于预设误差阈值的初始预测模型作为传热预测模型;
需要说明的是:所述第一机器学习模型具体为LSTM神经网络、决策树回归网络、随机森林回归网络、支持向量机回归网络或线性回归网络等模型中的一种;
还需要说明的是:所述传热预测模型的构建方法具体为H个所述传热预测模型中的具体一个传热预测模型的训练过程,其具体用于预测未来时间区间内温度均值的传热预测模型的训练过程,其中,所述干燥设备的温度均值通过将每一时刻的温度值累加和除以时长D得到;其他未来监测特征数据的计算逻辑也是如此,对此不再过多赘述;基于上述传热预测模型的生成逻辑,剩余H-1个所述传热预测模型的生成逻辑也是如此,因此,对其不作过多赘述,详情可参照上述传热预测模型的构建过程;应当注意的是:H个所述传热预测模型只是预测结果不同,其训练原理和过程一致。
步骤3:将未来时间区间内干燥设备的未来监测特征数据输入预构建的收缩评估预测模型中,以获取未来时间区间内兽药的兽药收缩系数;
具体的,所述收缩评估预测模型的生成方法包括:
获取历史质量评估特征数据,将所述历史质量评估特征数据划分成质量评估训练集和质量评估测试集;所述历史质量评估特征数据包括未来监测特征数据及未来监测特征数据对应的兽药收缩系数;
其中,所述兽药收缩系数的生成逻辑如下:
兽药干燥时,获取在历史时间区间内的实际兽药直径和期望兽药直径,根据实际兽药直径和期望兽药直径进行公式化计算,以获取兽药收缩系数,其计算公式如下:
=;
式中:表示兽药收缩系数,表示第时刻下的实际兽药直径,表示第时
刻下的期望兽药直径,表示历史时间区间;表示取对数函数;
构建第二机器学习模型,将质量评估训练集中的未来监测特征数据作为第二机器学习模型的输入数据,将质量评估训练集中的兽药收缩系数作为第二机器学习模型的输出数据,对第二机器学习模型进行训练,得到初始收缩预测模型;
利用质量评估测试集对初始收缩预测模型进行模型验证,输出预测误差小于等于预设误差阈值的初始收缩预测模型作为收缩评估预测模型;
需要说明的是:所述第二机器学习模型具体为RNN循环神经网络模型。
步骤4:提取历史时间区间内的Y幅兽药图像,对Y幅兽药图像进行兽药外观分析,以获得兽药的历史兽药外观系数,将历史兽药外观系数输入预构建的外观预测模型中,以获取未来时间区间内的兽药外观系数;基于未来时间区间内的兽药外观系数和兽药收缩系数进行综合分析,生成兽药综合系数;
在一个具体实施方式中,对Y幅兽药图像进行兽药外观分析的方法包括:
a1:获取第y幅兽药图像,对第y幅兽药图像进行像素点聚类分析,将聚类分析形成的区域划分为外观子区域,得到V个外观子区域,y∈Y;
需要说明的是:所述像素点聚类为K-mPans聚类算法、边缘检测算法或基于像素颜色/强度的检测算法中的一种,所述边缘检测算法包括但不限于SobPl或Canny检测算法中的一种;
a2:将V个外观子区域以图像的形式分别输入到预构建的兽药外观分析模型中进行识别,得到缺陷识别结果,根据缺陷识别结果判断所述V个外观子区域是否存在外观缺陷区域,若存在,则记录外观缺陷区域的数量、缺陷类型和像素面积,则令y=y+1,并返回至步骤a1;若不存在,并令y=y+1,并返回至步骤a1;
在实施中,预构建的兽药外观分析模型的生成逻辑如下:
获取兽药图像形式的历史外观数据,所述历史外观数据包括Z幅不同兽药缺陷类型的兽药缺陷图像,Z为大于零的整数;所述兽药缺陷类型包括裂纹缺陷类型和灰度异常缺陷类型;所述历史外观数据预存于系统数据库中;
对Z幅兽药缺陷图像进行兽药缺陷类型标注,将兽药缺陷类型标注后的Z幅兽药缺陷图像作为外观特征数据,将外观特征数据划分为外观训练集和外观测试集;
构建兽药外观分析模型,将外观训练集中的兽药图像作为兽药外观分析模型的输入,将外观训练集中的兽药缺陷类型标注作为兽药外观分析模型的输出,对兽药外观分析模型进行训练,得到初始外观缺陷分类模型;
利用外观测试集对初始外观缺陷分类模型进行模型验证,输出满足预设测试准确度的初始外观缺陷分类模型作为预构建的兽药外观分析模型;
需要说明的是:所述兽药外观分析模型具体为决策树分类模型、支持向量分类模型、随机森林分类模型或神经网络分类模型中的一种;
a3:重复上述步骤a1~a2,直至y=Y时,结束循环,得到外观缺陷数据,所述外观缺陷数据包括C个外观缺陷区域、C个外观缺陷区域的兽药缺陷类型和C个外观缺陷区域的面积;
a4:基于Z幅兽药缺陷图像的外观缺陷数据计算兽药图像的历史兽药外观系数,其
计算公式为:;式中:表示历史兽药外观系
数,表示第y幅兽药图像中第a个裂纹缺陷类型的外观缺陷区域的面积,表示第y
幅兽药图像中第b个灰度异常缺陷类型的外观缺陷区域的面积;表示裂纹缺陷类型的外
观缺陷区域的数量,表示灰度异常缺陷类型的外观缺陷区域的数量;
应当明白的是:,进一步说明的是,历史兽药外观系数越大,则说明对应
的兽药图像中存在过多的裂纹缺陷类型和灰度异常缺陷类型,进一步地,则反映对应的兽
药的质量越差;
具体的,所述外观预测模型的生成方法包括:
b1:获取历史兽药外观系数,基于历史兽药外观系数建立外观系数时间序列集合,外观系数时间序列集合包括i个历史兽药外观系数,i个历史兽药外观系数获取的时间间隔相等,i个历史兽药外观系数对应一个设定时间区间;
b2:根据管理人员实际经验预设滑动步长W以及滑动窗口长度U;将外观系数时间序列集合内的历史兽药外观系数使用滑动窗口方法将其转化为多个训练样本,将训练样本作为循环神经网络模型的输入,预测滑动步长W后的兽药外观系数作为输出,每个训练样本的后续兽药外观系数作为预测目标,以预测准确率作为训练目标,对循环神经网络模型进行训练;生成根据外观系数时间序列集合中的历史兽药外观系数预测未来时间区间的兽药外观系数的外观预测模型;其中,所述循环神经网络模型可以为RNN神经网络模型;
在实施中,基于未来时间区间内的兽药外观系数和兽药收缩系数进行综合分析,生成兽药综合系数的方法包括:
将历史兽药外观系数和兽药收缩系数进行综合计算,得到兽药综合系数,
其计算公式为:;
其中,表示兽药综合系数,和表示大于零的修正因子。
步骤5:根据兽药综合系数判断在未来时间区间内兽药质量是否存在异常,若不存在异常,则令K=K+1,并发送至步骤1;若存在异常,则基于异常综合系数区间与异常兽药信息之间的预设关系,确定关联的异常兽药信息;所述异常兽药信息包括M个异常原因,每个异常原因对应的P个标准异常趋势图,P为大于零的整数;
在实施中,判断在未来时间区间内兽药质量是否存在异常,包括:
将兽药综合系数与R个异常综合系数区间进行比对,R为大于零的整数;
若所述兽药综合系数落入R个异常综合系数区间中的任何一个区间中,则判定未来时间区间内的兽药质量存在异常;
若所述兽药综合系数未落入R个异常综合系数区间中的任何一个区间中,则判定未来时间区间内的兽药质量不存在异常;
需要说明的是:系统数据库中预先存储有R个异常综合系数区间,每个异常综合系数区间的具体范围根据实验情况具体确定,每个异常综合系数区间具体事先人为关联绑定有一个异常兽药信息,在一个异常兽药信息中关联有M个异常原因,以及每个异常原因对应的P个标准异常趋势图,P个所述标准异常趋势图包括但不限于表现温度变化的标准异常趋势图、表现风速变化的标准异常趋势图或表现氧气浓度变化的标准异常趋势图;
应当明白的是:由于异常综合系数区间与异常兽药信息之间的预设关系通过事先人为设定绑定建立;因此,当将所述兽药综合系数与R个异常综合系数区间进行比对时,即可获悉所述兽药综合系数对应归属的异常综合系数区间,再根据异常综合系数区间与异常兽药信息之间的映射关系,即可知道所述兽药综合系数对应归属的异常综合系数区间所映射的对应异常兽药信息,即确定了关联的异常兽药信息;进一步地,则了解在未来时间区间内兽药质量将要发生异常时的M个异常原因以及每个异常原因对应的P个标准异常趋势图,再根据后续处理,进一步确定具体情况,以实现事先对兽药质量的异常原因快速排查,从而进一步根据异常原因实现兽药干燥异常的事先干预,降低兽药质量出现异常而增加生产成本和时间成本,同时避免因管理人员的经验不足而导致兽药质量出现异常。
步骤6:根据未来时间区间内的未来监测特征数据生成异常趋势图,根据异常趋势图和标准异常趋势图的相似度确定兽药质量的主要异常原因,并将异常原因反馈至在线监测用户端;
在一个具体实施方式中,根据未来时间区间内的未来监测特征数据生成异常趋势图,包括:
提取未来时间区间内未来监测特征数据的每一温度值;
构建二维坐标系,将未来时间区间作为二维坐标系的横轴,以及将每一温度值作为二维坐标系的纵轴,得到表现温度变化的异常趋势图。
需要说明的是:所述异常趋势图存在P个,在其他具体实施方式中,二维坐标系的纵轴可由未来时间区间内未来监测特征数据的每一风速值或未来时间区间内未来监测特征数据的每一氧气浓度值中的一种替代;因此,P个异常趋势图包括但不限于表现温度变化的异常趋势图、表现风速变化的异常趋势图或表现氧气浓度变化的异常趋势图;其他形式所述异常趋势图的生成逻辑同上述表现温度变化的异常趋势图的生成逻辑,对其不再过多赘述;
在实施中,根据异常趋势图和标准异常趋势图的相似度确定兽药质量的主要异常原因,包括:
利用相对度算法对P个异常趋势图和P个标准异常趋势图中相同形式的趋势图进行相似度计算,得到F个相似度,F为大于零的整数;
筛选出F个相似度中的最大相似度,将最大相似度与预设相似度阈值进行比对;
若最大相似度大于等于预设相似度阈值,则将最大相似度的标准异常趋势图对应的异常原因作为主要异常原因;
若最大相似度小于预设相似度阈值,则排除最大相似度的标准异常趋势图对应的异常原因作为主要异常原因;
应当明白的是:当排除最大相似度的标准异常趋势图对应的异常原因作为主要异常原因时,则在剩下M-1个异常原因中再做排查,直至某一个异常原因关联标准异常趋势图的最大相似度大于等于预设相似度阈值时,得到主要异常原因;还需要说明的是:所述相对度算法包括但不限于相对度算法或欧氏距离算法等等;所述异常趋势图和标准异常趋势图在进行比较前还需对其进行预处理,所述预处理包括但不限于图像增强、图像去噪和图像分割等等;
本实施例获取第n个干燥装置在历史时间区间内的兽药干燥特征数据和兽药图像;将历史时间区间内的兽药干燥特征数据分别输入预构建对应的传热预测模型中,以获取未来时间区间内干燥设备的未来监测特征数据;所述未来监测特征数据包括未来时间区间内的温度均值、风速均值和氧气浓度均值;将未来时间区间内干燥设备的未来监测特征数据输入预构建的收缩评估预测模型中,以获取未来时间区间内兽药的兽药收缩系数;提取历史时间区间内的Y幅兽药图像,对Y幅兽药图像进行兽药外观分析,以获得兽药的历史兽药外观系数,将历史兽药外观系数输入预构建的外观预测模型中,以获取未来时间区间内的兽药外观系数;基于未来时间区间内的兽药外观系数和兽药收缩系数进行综合分析,生成兽药综合系数;根据兽药综合系数判断在未来时间区间内兽药质量是否存在异常,若不存在异常,则令K=K+1,并发送至步骤1;若存在异常,则基于异常综合系数区间与异常兽药信息之间的预设关系,确定关联的异常兽药信息;所述异常兽药信息包括M个异常原因,每个异常原因对应的P个标准异常趋势图,根据未来时间区间内的未来监测特征数据生成异常趋势图,根据异常趋势图和标准异常趋势图的相似度确定兽药质量的主要异常原因,并将异常原因反馈至在线监测用户端,本发明通过添加了异常监测机制和兽药生产预测机制,能够基于兽药干燥特征数据和兽药图像快速预测并判断兽药干燥过程中是否出现异常,有利于改善兽药生产质量;
本实施例通过事先对兽药质量的异常原因快速排查,从而进一步根据异常原因实现兽药干燥异常的事先干预,降低兽药质量出现异常而增加生产成本和时间成本,同时避免因管理人员的经验不足而导致兽药质量出现异常。
上述中涉及的公式均是去除量纲取其数值计算,是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的权重因子以及分析过程中各个预设的阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得;权重因子的大小是为了将各个参数进行量化得到的一个具体的数值,便于后续比较,关于权重因子的大小,取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的处理系数;只要不影响参数与量化后数值的比例关系即可。
实施例2
请参阅图2所示,本实施例提供了基于多传感数据融合的兽药在线监测系统,包括:
数据采集模块,用于获取第n个干燥装置在历史时间区间内的兽药干燥特征数据和兽药图像,所述兽药图像包含第n个干燥装置对兽药干燥时的Y幅兽药监测图像;所述兽药干燥特征数据包括干燥设备的温度差集合、风速差集合和氧气浓度差集合;Y、n均为大于零的整数;
特征数据预测模块,用于将历史时间区间内的兽药干燥特征数据分别输入预构建对应的传热预测模型中,以获取未来时间区间内干燥设备的未来监测特征数据;所述未来监测特征数据包括未来时间区间内的温度均值、风速均值和氧气浓度均值;
收缩系数模块,用于将未来时间区间内干燥设备的未来监测特征数据输入预构建的收缩评估预测模型中,以获取未来时间区间内兽药的兽药收缩系数;
综合分析模块,用于提取历史时间区间内的Y幅兽药图像,对Y幅兽药图像进行兽药外观分析,以获得兽药的历史兽药外观系数,将历史兽药外观系数输入预构建的外观预测模型中,以获取未来时间区间内的兽药外观系数;基于未来时间区间内的兽药外观系数和兽药收缩系数进行综合分析,生成兽药综合系数;
判断模块,用于根据兽药综合系数判断在未来时间区间内兽药质量是否存在异常,若不存在异常,则令K=K+1,并发送至数据采集模块;若存在异常,则基于异常综合系数区间与异常兽药信息之间的预设关系,确定关联的异常兽药信息;所述异常兽药信息包括M个异常原因,每个异常原因对应的P个标准异常趋势图,所述K为未来时间区间,K、P为大于零的整数;
异常原因分析模块,用于根据未来时间区间内的未来监测特征数据生成异常趋势图,根据异常趋势图和标准异常趋势图的相似度确定兽药质量的主要异常原因,并将异常原因反馈至在线监测用户端。
实施例3
请参阅图3所示,本实施例提供了一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行实施例1的基于多传感数据融合的兽药在线监测方法。
实施例4
请参阅图4所示,本实施例提供了一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行实施例1的基于多传感数据融合的兽药在线监测方法。
上述中涉及的公式均是去除量纲取其数值计算,是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的权重因子以及分析过程中各个预设的阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得;权重因子的大小是为了将各个参数进行量化得到的一个具体的数值,便于后续比较,关于权重因子的大小,取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的处理系数;只要不影响参数与量化后数值的比例关系即可。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序兽药的形式实现。所述计算机程序主要包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络,或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD),或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件,或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的兽药销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术作出贡献的部分或者该技术方案的部分可以以软件兽药的形式体现出来,该计算机软件兽药存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-onlymemory,ROM)、随机存取存储器(randomaccessmemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
最后: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,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.基于多传感数据融合的兽药在线监测方法,其特征在于,包括:
步骤1:获取第n个干燥装置在历史时间区间内的兽药干燥特征数据和兽药图像,所述兽药图像包含第n个干燥装置对兽药干燥时的Y幅兽药监测图像;所述兽药干燥特征数据包括干燥设备的温度差集合、风速差集合和氧气浓度差集合;Y、n均为大于零的整数;
步骤2:将历史时间区间内的兽药干燥特征数据分别输入预构建对应的传热预测模型中,以获取未来时间区间内干燥设备的未来监测特征数据;所述未来监测特征数据包括未来时间区间内的温度均值、风速均值和氧气浓度均值;
步骤3:将未来时间区间内干燥设备的未来监测特征数据输入预构建的收缩评估预测模型中,以获取未来时间区间内兽药的兽药收缩系数;
步骤4:提取历史时间区间内的Y幅兽药图像,对Y幅兽药图像进行兽药外观分析,以获得兽药的历史兽药外观系数,将历史兽药外观系数输入预构建的外观预测模型中,以获取未来时间区间内的兽药外观系数;基于未来时间区间内的兽药外观系数和兽药收缩系数进行综合分析,生成兽药综合系数;
步骤5:根据兽药综合系数判断在未来时间区间内兽药质量是否存在异常,若不存在异常,则令K=K+1,并发送至步骤1;若存在异常,则基于异常综合系数区间与异常兽药信息之间的预设关系,确定关联的异常兽药信息;所述异常兽药信息包括M个异常原因,每个异常原因对应的P个标准异常趋势图,所述K为未来时间区间,K、P为大于零的整数;
步骤6:根据未来时间区间内的未来监测特征数据生成异常趋势图,根据异常趋势图和标准异常趋势图的相似度确定兽药质量的主要异常原因,并将异常原因反馈至在线监测用户端。
2.根据权利要求1所述的基于多传感数据融合的兽药在线监测方法,其特征在于,预构建的传热预测模型包含H个传热预测模型,H为大于零的整数;H个所述传热预测模型包括但不限于用于预测未来时间区间内的温度均值的传热预测模型、用于预测未来时间区间内的风速均值的传热预测模型以及用于预测未来时间区间内的氧气浓度均值的传热预测模型。
3.根据权利要求2所述的基于多传感数据融合的兽药在线监测方法,其特征在于,所述收缩评估预测模型的生成方法包括:
获取历史质量评估特征数据,将所述历史质量评估特征数据划分成质量评估训练集和质量评估测试集;所述历史质量评估特征数据包括未来监测特征数据及未来监测特征数据对应的兽药收缩系数;
其中,所述兽药收缩系数的生成逻辑如下:
兽药干燥时,获取在历史时间区间内的实际兽药直径和期望兽药直径,根据实际兽药直径和期望兽药直径进行公式化计算,以获取兽药收缩系数,其计算公式如下:
=/>;
式中:表示兽药收缩系数,/>表示第/>时刻下的实际兽药直径,/>表示第/>时刻下的期望兽药直径,/>表示历史时间区间;/>表示取对数函数;
构建第二机器学习模型,将质量评估训练集中的未来监测特征数据作为第二机器学习模型的输入数据,将质量评估训练集中的兽药收缩系数作为第二机器学习模型的输出数据,对第二机器学习模型进行训练,得到初始收缩预测模型;
利用质量评估测试集对初始收缩预测模型进行模型验证,输出预测误差小于等于预设误差阈值的初始收缩预测模型作为收缩评估预测模型;所述第二机器学习模型为RNN循环神经网络模型。
4.根据权利要求3所述的基于多传感数据融合的兽药在线监测方法,其特征在于,对Y幅兽药图像进行兽药外观分析的方法包括:
a1:获取第y幅兽药图像,对第y幅兽药图像进行像素点聚类分析,将聚类分析形成的区域划分为外观子区域,得到V个外观子区域,y∈Y;
a2:将V个外观子区域以图像的形式分别输入到预构建的兽药外观分析模型中进行识别,得到缺陷识别结果,根据缺陷识别结果判断所述V个外观子区域是否存在外观缺陷区域,若存在,则记录外观缺陷区域的数量、缺陷类型和像素面积,则令y=y+1,并返回至步骤a1;若不存在,并令y=y+1,并返回至步骤a1;
a3:重复上述步骤a1~a2,直至y=Y时,结束循环,得到外观缺陷数据,所述外观缺陷数据包括C个外观缺陷区域、C个外观缺陷区域的兽药缺陷类型和C个外观缺陷区域的面积;所述兽药缺陷类型包括裂纹缺陷类型和灰度异常缺陷类型;
a4:基于Z幅兽药缺陷图像的外观缺陷数据计算兽药图像的历史兽药外观系数,其计算公式为:;式中:/>表示历史兽药外观系数,表示第y幅兽药图像中第a个裂纹缺陷类型的外观缺陷区域的面积,/>表示第y幅兽药图像中第b个灰度异常缺陷类型的外观缺陷区域的面积;/>表示裂纹缺陷类型的外观缺陷区域的数量,/>表示灰度异常缺陷类型的外观缺陷区域的数量;其中,/>。
5.根据权利要求4所述的基于多传感数据融合的兽药在线监测方法,其特征在于,所述外观预测模型的生成方法包括:
b1:获取历史兽药外观系数,基于历史兽药外观系数建立外观系数时间序列集合,外观系数时间序列集合包括i个历史兽药外观系数,i个历史兽药外观系数获取的时间间隔相等,i个历史兽药外观系数对应一个设定时间区间;
b2:预设滑动步长W以及滑动窗口长度U;将外观系数时间序列集合内的历史兽药外观系数使用滑动窗口方法将其转化为多个训练样本,将训练样本作为循环神经网络模型的输入,预测滑动步长W后的兽药外观系数作为输出,每个训练样本的后续兽药外观系数作为预测目标,以预测准确率作为训练目标,对循环神经网络模型进行训练;生成根据外观系数时间序列集合中的历史兽药外观系数预测未来时间区间的兽药外观系数的外观预测模型;所述循环神经网络模型为RNN神经网络模型。
6.根据权利要求5所述的基于多传感数据融合的兽药在线监测方法,其特征在于,基于未来时间区间内的兽药外观系数和兽药收缩系数进行综合分析,生成兽药综合系数的方法包括:
将历史兽药外观系数和兽药收缩系数/>进行综合计算,得到兽药综合系数,其计算公式为:/>;
其中,表示兽药综合系数,/>和/>表示大于零的修正因子。
7.根据权利要求6所述的基于多传感数据融合的兽药在线监测方法,其特征在于,判断在未来时间区间内兽药质量是否存在异常,包括:
将兽药综合系数与R个异常综合系数区间进行比对,R为大于零的整数;
若所述兽药综合系数落入R个异常综合系数区间中的任何一个区间中,则判定未来时间区间内的兽药质量存在异常;
若所述兽药综合系数未落入R个异常综合系数区间中的任何一个区间中,则判定未来时间区间内的兽药质量不存在异常。
8.根据权利要求7所述的基于多传感数据融合的兽药在线监测方法,其特征在于,所述异常趋势图存在P个,P个异常趋势图为表现温度变化的异常趋势图、表现风速变化的异常趋势图或表现氧气浓度变化的异常趋势图;
根据未来时间区间内的未来监测特征数据生成异常趋势图,包括:
提取未来时间区间内未来监测特征数据的每一温度值;
构建二维坐标系,将未来时间区间作为二维坐标系的横轴,以及将每一温度值作为二维坐标系的纵轴,得到表现温度变化的异常趋势图。
9.根据权利要求8所述的基于多传感数据融合的兽药在线监测方法,其特征在于,根据异常趋势图和标准异常趋势图的相似度确定兽药质量的主要异常原因,包括:
利用相对度算法对P个异常趋势图和P个标准异常趋势图中相同形式的趋势图进行相似度计算,得到F个相似度,F为大于零的整数;
筛选出F个相似度中的最大相似度,将最大相似度与预设相似度阈值进行比对;
若最大相似度大于等于预设相似度阈值,则将最大相似度的标准异常趋势图对应的异常原因作为主要异常原因;
若最大相似度小于预设相似度阈值,则排除最大相似度的标准异常趋势图对应的异常原因作为主要异常原因。
10.基于多传感数据融合的兽药在线监测系统,用于实施权利要求1-9中任一项所述的基于多传感数据融合的兽药在线监测方法,其特征在于,包括:
数据采集模块,用于获取第n个干燥装置在历史时间区间内的兽药干燥特征数据和兽药图像,所述兽药图像包含第n个干燥装置对兽药干燥时的Y幅兽药监测图像;所述兽药干燥特征数据包括干燥设备的温度差集合、风速差集合和氧气浓度差集合;Y、n均为大于零的整数;
特征数据预测模块,用于将历史时间区间内的兽药干燥特征数据分别输入预构建对应的传热预测模型中,以获取未来时间区间内干燥设备的未来监测特征数据;所述未来监测特征数据包括未来时间区间内的温度均值、风速均值和氧气浓度均值;
收缩系数模块,用于将未来时间区间内干燥设备的未来监测特征数据输入预构建的收缩评估预测模型中,以获取未来时间区间内兽药的兽药收缩系数;
综合分析模块,用于提取历史时间区间内的Y幅兽药图像,对Y幅兽药图像进行兽药外观分析,以获得兽药的历史兽药外观系数,将历史兽药外观系数输入预构建的外观预测模型中,以获取未来时间区间内的兽药外观系数;基于未来时间区间内的兽药外观系数和兽药收缩系数进行综合分析,生成兽药综合系数;
判断模块,用于根据兽药综合系数判断在未来时间区间内兽药质量是否存在异常,若不存在异常,则令K=K+1,并发送至数据采集模块;若存在异常,则基于异常综合系数区间与异常兽药信息之间的预设关系,确定关联的异常兽药信息;所述异常兽药信息包括M个异常原因,每个异常原因对应的P个标准异常趋势图,所述K为未来时间区间,K、P为大于零的整数;
异常原因分析模块,用于根据未来时间区间内的未来监测特征数据生成异常趋势图,根据异常趋势图和标准异常趋势图的相似度确定兽药质量的主要异常原因,并将异常原因反馈至在线监测用户端。
11.一种电子设备,其特征在于,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行权利要求1-9中任一项所述的基于多传感数据融合的兽药在线监测方法。
12.一种计算机可读存储介质,其特征在于,储存有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1-9中任一项所述的基于多传感数据融合的兽药在线监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410346808.9A CN117954126B (zh) | 2024-03-26 | 2024-03-26 | 基于多传感数据融合的兽药在线监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410346808.9A CN117954126B (zh) | 2024-03-26 | 2024-03-26 | 基于多传感数据融合的兽药在线监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117954126A true CN117954126A (zh) | 2024-04-30 |
CN117954126B CN117954126B (zh) | 2024-06-14 |
Family
ID=90798508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410346808.9A Active CN117954126B (zh) | 2024-03-26 | 2024-03-26 | 基于多传感数据融合的兽药在线监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117954126B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003247779A (ja) * | 2002-02-22 | 2003-09-05 | Tsukishima Kikai Co Ltd | 撹拌伝熱装置及びその異常状態検出システム |
CN206803722U (zh) * | 2017-04-01 | 2017-12-26 | 沈阳大学 | 一种基于plc的中药干燥过程在线监控装置 |
CN112531679A (zh) * | 2020-11-04 | 2021-03-19 | 国网湖南综合能源服务有限公司 | 一种测负荷特征大数据监测设备及监测方法 |
CN115248066A (zh) * | 2022-07-06 | 2022-10-28 | 浙江安防职业技术学院 | 基于物联网传感器的农作物生长智能监测系统 |
CN115983114A (zh) * | 2022-12-19 | 2023-04-18 | 广东邦普循环科技有限公司 | 一种窑炉温度预测方法、系统、设备及介质 |
CN116309344A (zh) * | 2023-02-14 | 2023-06-23 | 广东电网有限责任公司 | 一种绝缘子异常检测方法、装置、设备和存储介质 |
CN117111551A (zh) * | 2023-07-26 | 2023-11-24 | 深圳市中瑞远博智能系统有限公司 | 一种基于ames系统的药品生产质量监控方法及系统 |
CN117434076A (zh) * | 2023-10-30 | 2024-01-23 | 山东天振药业有限公司 | 一种液体兽药生产全流程智能监测管理平台 |
CN117664218A (zh) * | 2023-10-20 | 2024-03-08 | 北京市计量检测科学研究院 | 一种真空冷冻干燥机的校准方法 |
-
2024
- 2024-03-26 CN CN202410346808.9A patent/CN117954126B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003247779A (ja) * | 2002-02-22 | 2003-09-05 | Tsukishima Kikai Co Ltd | 撹拌伝熱装置及びその異常状態検出システム |
CN206803722U (zh) * | 2017-04-01 | 2017-12-26 | 沈阳大学 | 一种基于plc的中药干燥过程在线监控装置 |
CN112531679A (zh) * | 2020-11-04 | 2021-03-19 | 国网湖南综合能源服务有限公司 | 一种测负荷特征大数据监测设备及监测方法 |
CN115248066A (zh) * | 2022-07-06 | 2022-10-28 | 浙江安防职业技术学院 | 基于物联网传感器的农作物生长智能监测系统 |
CN115983114A (zh) * | 2022-12-19 | 2023-04-18 | 广东邦普循环科技有限公司 | 一种窑炉温度预测方法、系统、设备及介质 |
CN116309344A (zh) * | 2023-02-14 | 2023-06-23 | 广东电网有限责任公司 | 一种绝缘子异常检测方法、装置、设备和存储介质 |
CN117111551A (zh) * | 2023-07-26 | 2023-11-24 | 深圳市中瑞远博智能系统有限公司 | 一种基于ames系统的药品生产质量监控方法及系统 |
CN117664218A (zh) * | 2023-10-20 | 2024-03-08 | 北京市计量检测科学研究院 | 一种真空冷冻干燥机的校准方法 |
CN117434076A (zh) * | 2023-10-30 | 2024-01-23 | 山东天振药业有限公司 | 一种液体兽药生产全流程智能监测管理平台 |
Non-Patent Citations (1)
Title |
---|
刘惠惠;: "冷藏药品的管理现状对策分析", 中国卫生产业, no. 01, 5 January 2018 (2018-01-05) * |
Also Published As
Publication number | Publication date |
---|---|
CN117954126B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109048492B (zh) | 基于卷积神经网络的刀具磨损状态检测方法、装置及设备 | |
CN112735094B (zh) | 基于机器学习的地质灾害预测方法、装置和电子设备 | |
CN110956615B (zh) | 图像质量评估模型训练方法、装置、电子设备及存储介质 | |
CN108809989B (zh) | 一种僵尸网络的检测方法及装置 | |
CN115065708B (zh) | 基于机器视觉检测的工业物联网系统及其控制方法 | |
CN111008953A (zh) | 一种数字病理图像质控的方法及装置 | |
CN112529109A (zh) | 一种基于无监督多模型的异常检测方法及系统 | |
CN117152152A (zh) | 检测试剂盒的生产管理系统及方法 | |
CN116990229B (zh) | 一种产品镀铜层表面的缺陷检测方法及系统 | |
CN117954126B (zh) | 基于多传感数据融合的兽药在线监测系统及方法 | |
Zia et al. | Rapid testing system for rice quality control through comprehensive feature and kernel-type detection | |
CN117058451A (zh) | 基于二维卷积神经网络的结构加速度数据异常检测方法 | |
Bickler | Prospects for machine learning for shell midden analysis | |
CN111898314B (zh) | 湖泊水体参数检验方法、装置、电子设备及存储介质 | |
CN113808088A (zh) | 一种污染检测方法及系统 | |
CN116448062B (zh) | 一种桥梁沉降变形检测方法、装置、计算机及存储介质 | |
Wei et al. | Identification of log characteristics in computed tomography images using back-propagation neural networks with the resilient back-propagation training algorithm and textural analysis: preliminary results | |
CN117289075B (zh) | 电缆性能检测方法及系统 | |
EP4280171A1 (en) | Analysing biomaterials | |
CN117764993B (zh) | 一种基于图像分析的水质在线监测系统及方法 | |
CN113378881B (zh) | 基于信息熵增益svm模型的指令集识别方法及装置 | |
CN113743447B (zh) | 半导体瑕疵识别方法、装置、计算机设备和存储介质 | |
Dwicahyo et al. | Early Detection of Disease in Chicks Using CNN on Bangkok Chicken Health | |
CN116050236A (zh) | 一种基于改进极限自编码器的模拟电路故障诊断方法及系统 | |
WO2024008388A1 (en) | Federated learning with hard examples |
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 |