申请/专利权人：烟台卫康动物保健品有限公司

申请日：2024-03-26

公开（公告）日：2024-06-14

公开（公告）号：CN117954126B

主分类号：G16H70/40

分类号：G16H70/40;G06V20/52;G06V10/764;G06V10/774;G06V10/82;G06N3/044;G06F18/22;G06F18/25;G06F123/02

优先权：

专利状态码：有效-授权

法律状态：2024.06.14#授权;2024.05.17#实质审查的生效;2024.04.30#公开

摘要：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。

主权项：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；所述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；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；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；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；所述对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，；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；所述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；预先存储有R个异常综合系数区间；所述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；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。

全文数据：

权利要求：

百度查询： 烟台卫康动物保健品有限公司 基于多传感数据融合的兽药在线监测系统及方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD