丸剂的自动生产方法及系统技术方案

本申请涉及智能生产领域，其具体公开了一种丸剂的自动生产方法及系统，其使用基于深度神经网络模型的人工智能技术来对物料状态监控视频以及多个预定时间点的干燥温度值进行特征编码和提取，以得到用于表示当前时间点的流化床干燥温度应增大或减小的分类结果

【技术实现步骤摘要】
丸剂的自动生产方法及系统


[0001]本申请涉及智能生产领域，且更为具体的涉及一种丸剂的自动生产方法及系统
。

技术介绍

[0002]丸剂的自动生产方法及系统可以包括以下步骤：原料准备
、
材料混合
、
加工成丸
、
干燥以及包装
。
在干燥过程中，常常使用流化床干燥机，将丸剂中的水分蒸发掉
。
流化床干燥是将制丸后的丸剂放置在流化床中，通过热空气的流动将丸剂中的水分蒸发掉
。
然而，常规的流化床干燥时需要人工来手动设置温度等参数，过于依赖人工经验，耗费人力成本
。
[0003]因此，期待一种优化的丸剂的自动生产方案
。

技术实现思路

[0004]为了解决上述技术问题，提出了本申请
。
本申请的实施例提供了一种丸剂的自动生产方法，其使用基于深度神经网络模型的人工智能技术来对物料状态监控视频以及多个预定时间点的干燥温度值进行特征编码和提取，以得到用于表示当前时间点的流化床干燥温度应增大或减小的分类结果
。
这样，通过构建丸剂的自动生产方案，提高了生产效率，降低了人力成本
。
[0005]根据本申请的一个方面，提供了一种丸剂的自动生产方法，其包括：
[0006]获取物料状态监控视频和多个预定时间点的干燥温度值；
[0007]从所述物料状态监控视频中提取多个状态关键帧；
[0008]将所述多个状态关键帧通过作为特征提取器的第一卷积神经网络模型以得到多个状态特征向量；
[0009]将所述多个状态特征向量通过基于转换器的上下文编码器以得到第一尺度状态语义特征向量；
[0010]将所述多个状态特征向量通过双向长短期记忆神经网络以得到第二尺度状态语义特征向量；
[0011]融合所述第一尺度状态语义特征向量和所述第二尺度状态语义特征向量以得到融合特征向量；
[0012]将所述多个预定时间点的干燥温度值按照时间维度排列为干燥温度输入向量后通过包含一维卷积核的第二卷积神经网络模型以得到干燥温度特征向量；
[0013]计算所述干燥温度特征向量相对于所述融合特征向量的响应性估计以得到分类特征矩阵；
[0014]对所述分类特征矩阵进行优化以得到优化分类特征矩阵；
[0015]将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的流化床干燥温度应增大或减小
。
[0016]在上述的丸剂的自动生产方法中，将所述多个状态关键帧通过作为特征提取器的卷积神经网络模型以得到多个状态特征向量，包括：
[0017]使用所述作为特征提取器的第一卷积神经网络模型以如下卷积公式对每个状态关键帧进行处理以得到状态特征向量；
[0018]其中，所述卷积公式为：
[0019]f
i
＝
GP{Sigmoid(N
i
×
f
i
‑1+B
i
)}
[0020]其中，
f
i
‑1为第
i
层第一卷积神经网络模型的输入，
f
i
为第
i
层第一卷积神经网络模型的输出，
N
i
为第
i
层第一卷积神经网络模型的过滤器，且
B
i
为第
i
层第一卷积神经网络模型的偏置矩阵，
Sigmoid
表示非线性激活函数，且
GP
表示对特征图进行沿通道维度的各个特征矩阵的池化操作
。
[0021]在上述的丸剂的自动生产方法中，将所述多个状态特征向量通过基于转换器的上下文编码器以得到第一尺度状态语义特征向量，包括：
[0022]将所述多个状态特征向量输入所述基于转换器的上下文编码器以得到所述多个状态上下文语义特征向量；
[0023]级联单元，用于将所述多个状态上下文语义特征向量进行级联以得到所述第一尺度状态语义特征向量
。
[0024]在上述的丸剂的自动生产方法中，将所述多个状态特征向量输入所述基于转换器的上下文编码器以得到所述多个状态上下文语义特征向量，包括：
[0025]将所述多个状态特征向量排列为输入向量；
[0026]将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；
[0027]计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；
[0028]对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；
[0029]将所述标准化自注意关联矩阵输入
Softmax
激活函数进行激活以得到自注意力特征矩阵；
[0030]将所述自注意力特征矩阵与所述多个状态特征向量的各个状态特征向量分别相乘得到所述多个状态语义上下文特征向量
。
[0031]在上述的丸剂的自动生产方法中，将所述多个预定时间点的干燥温度值按照时间维度排列为干燥温度输入向量后通过包含一维卷积核的第二卷积神经网络模型以得到干燥温度特征向量，包括：
[0032]使用所述包含一维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别进行：
[0033]对输入数据进行基于所述一维卷积核的卷积处理以得到卷积特征图；
[0034]对所述卷积特征图进行沿通道维度的各个特征矩阵池化以得到池化特征图；以及
[0035]对所述池化特征图进行非线性激活以得到激活特征图；
[0036]其中，所述第二卷积神经网络模型的最后一层的输出为所述干燥温度特征向量，所述第二卷积神经网络模型的第一层的输入为所述干燥温度输入向量
。
[0037]在上述的丸剂的自动生产方法中，计算所述干燥温度特征向量相对于所述融合特征向量的响应性估计以得到分类特征矩阵，用于：
[0038]以如下响应性估计公式计算所述干燥温度特征向量相对于所述融合特征向量的响应性估计以得到分类特征矩阵；
[0039]其中，所述响应性估计公式为：
[0040][0041]其中
V
a
表示所述干燥温度特征向量，
V
b
表示所述融合特征向量，
M
表示所述分类特征矩阵，表示矩阵相乘
。
[0042]在上述的丸剂的自动生产方法中，对所述分类特征矩阵进行优化以得到优化分类特征矩阵，包括：
[0043]对所述干燥温度特征向量和所述融合特征向量进行特征关联以得到关联特征矩阵；
[0044]计算所述关联特征矩阵与所述分类特征矩阵之间的矩阵乘积以得到优化分类特征矩阵
。
[0045]在上述的丸剂的自动生产方法中，对所述干燥温度特征向量和所述融合特征向量进行特征关联以得到关联特征矩阵本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种丸剂的自动生产方法，其特征在于，包括：获取物料状态监控视频和多个预定时间点的干燥温度值；从所述物料状态监控视频中提取多个状态关键帧；将所述多个状态关键帧通过作为特征提取器的第一卷积神经网络模型以得到多个状态特征向量；将所述多个状态特征向量通过基于转换器的上下文编码器以得到第一尺度状态语义特征向量；将所述多个状态特征向量通过双向长短期记忆神经网络以得到第二尺度状态语义特征向量；融合所述第一尺度状态语义特征向量和所述第二尺度状态语义特征向量以得到融合特征向量；将所述多个预定时间点的干燥温度值按照时间维度排列为干燥温度输入向量后通过包含一维卷积核的第二卷积神经网络模型以得到干燥温度特征向量；计算所述干燥温度特征向量相对于所述融合特征向量的响应性估计以得到分类特征矩阵；对所述分类特征矩阵进行优化以得到优化分类特征矩阵；将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的流化床干燥温度应增大或减小
。2.
根据权利要求1所述的丸剂的自动生产方法，其特征在于，将所述多个状态关键帧通过作为特征提取器的卷积神经网络模型以得到多个状态特征向量，包括：使用所述作为特征提取器的第一卷积神经网络模型以如下卷积公式对每个状态关键帧进行处理以得到状态特征向量；其中，所述卷积公式为：
f
i
＝
GP{Sigmoid(N
i
×
f
i
‑1+B
i
)}
其中，
f
i
‑1为第
i
层第一卷积神经网络模型的输入，
f
i
为第
i
层第一卷积神经网络模型的输出，
N
i
为第
i
层第一卷积神经网络模型的过滤器，且
B
i
为第
i
层第一卷积神经网络模型的偏置矩阵，
Sigmoid
表示非线性激活函数，且
GP
表示对特征图进行沿通道维度的各个特征矩阵的池化操作
。3.
根据权利要求2所述的丸剂的自动生产方法，其特征在于，将所述多个状态特征向量通过基于转换器的上下文编码器以得到第一尺度状态语义特征向量，包括：将所述多个状态特征向量输入所述基于转换器的上下文编码器以得到所述多个状态上下文语义特征向量；级联单元，用于将所述多个状态上下文语义特征向量进行级联以得到所述第一尺度状态语义特征向量
。4.
根据权利要求3所述的丸剂的自动生产方法，其特征在于，将所述多个状态特征向量输入所述基于转换器的上下文编码器以得到所述多个状态上下文语义特征向量，包括：将所述多个状态特征向量排列为输入向量；将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；
对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；将所述标准化自注意关联矩阵输入
Softmax
激活函数进行激活以得到自注意力特征矩阵；将所述自注意力特征矩阵与所述多个状态特征向量的各个状态特征向量分别相乘得到所述多个状态语义上下文特征向量
。5.
根据权利要求4所述的丸剂的自动生产方法，其特征在于，将所述多个预定时间点的干燥温度值按照时间维度排列为干燥温度输入向量后通过包含一维卷积核的第二卷积神经网络模型以得到干燥温度特征向量，包括：使用所述包含一维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于所述一维卷积核的卷积处...

【专利技术属性】
技术研发人员：丁流春，杨民荣，张菊琼，赖芳芳，
申请(专利权)人：江西省芙蓉堂药业股份有限公司，
类型：发明
国别省市：