CN118163167A - 一种基于机器学习的智能切片系统 - Google Patents

Abstract

本发明涉及智能切片技术领域，提供了一种基于机器学习的智能切片系统，包括传感器模块、智能分析模块、执行控制模块、切片反馈模块和用户界面。传感器模块监测切片过程中的各项数据，智能分析模块通过对传感器模块采集的数据进行分析，构建切割参数预估模型，并结合切片反馈模块的实时结果，利用全连接神经网络提供切割参数建议，执行控制模块负责根据智能分析模块的指令对切片机进行调整和控制，切片反馈模块收集实际切片参数并反馈至智能分析模块，用户界面为操作人员提供交互界面，方便设置初始参数、监控切片过程并接收系统反馈。

Description

一种基于机器学习的智能切片系统

技术领域

本发明涉及智能切片技术领域，更具体地说，本发明涉及一种基于机器学习的智能切片系统。

背景技术

在制药工业中，切片机是一种常见的设备，用于将药材进行切割、分离或加工。切片机的工作原理是通过机械切割或压缩，将药材切割成所需的形状和尺寸，传统的切片机通常由刀片、传动装置、控制系统等部分组成，操作人员根据需要调整刀片的速度和压力等参数，以实现对药材的精确切割。然而，传统的切片机在许多方面存在着技术上的缺陷。

首先，传统切片操作通常依赖于经验丰富的操作人员，这些操作人员根据他们的经验和直觉来调整切片参数，容易受到个人技能水平和主观意识的影响，导致切片质量的不稳定性。

其次，传统切片过程缺乏实时监测和反馈机制。在传统设备中，通常无法实时监测到切片过程中的关键参数，如切割速度、压力和切片厚度等，因此，操作人员往往无法及时感知到切片参数的偏差和工艺异常，无法及时进行调整和优化，导致了生产效率的低下，同时也增加了资源的浪费。

此外，传统切片系统的参数调整和控制方式较为繁琐，操作复杂度高，操作人员需要进行繁琐的手动调整，不仅增加了操作人员的工作量，还容易导致操作失误和生产事故的发生，且传统设备通常缺乏友好的用户界面和操作指南，操作过程缺乏可视化和直观性，对于操作人员而言，学习和使用成本较高。

为了解决上述问题，现提供一种技术方案。

发明内容

为了克服现有技术的上述缺陷，本发明提供了一种基于机器学习的智能切片系统，通过传感器实时监测，建立切割参数模型，引入全连接神经网络和动态反馈机制，实现实时切片参数调整，解决传统切片设备操作复杂、缺乏实时监测和反馈、参数调整不灵活的问题，提高切片质量和生产效率。

为实现上述目的，本发明提供如下技术方案：

一种基于机器学习的智能切片系统，包括传感器模块、智能分析模块、执行控制模块、切片反馈模块和用户界面，智能分析模块用于对传感器模块获得的数据进行分析，建立切割参数预估模型，并结合切割参数预估模型和切片反馈模块的结果，利用全连接神经网络，提供切割参数建议，生成决策指令，其中，切割参数预估模型的公式为：

式中，V为预估切片速度，P’为预估切片压力，D为药材的直径，S为刀片切割深度，C为预设切片厚度，H为药材硬度，P为刀片实际压力，T为环境温度，Hd为环境湿度；

切片反馈模块实时收集切片后的药材切片参数，分析实际参数与预设参数的偏差，并将偏差分析指数，反馈至智能分析模块。

作为本发明进一步的方案，传感器模块与智能分析模块相连接，智能分析模块与执行控制模块双向连接，执行控制模块与切片反馈模块双向连接，切片反馈模块与智能分析模块相连接，用户界面与智能分析模块双向连接，用户界面与执行控制模块双向连接，数据准备单元与算法处理单元相连接，算法处理单元与决策生成单元相连接，参数调整单元与执行控制单元相连接。

作为本发明进一步的方案，传感器模块包括压力传感器、超声波传感器、激光位移传感器、厚度传感器、温度传感器和湿度传感器，其中，压力传感器用于监测切片过程中刀片对药材施加的实际压力，超声波传感器用于实时监测药材的硬度，激光位移传感器用于连续测量药材的直径和刀片切割深度，厚度传感器用于测量切片的厚度，温度传感器用于监控切片机及周围环境的温度，湿度传感器用于测量工作环境的湿度。

作为本发明进一步的方案，智能分析模块包括数据准备单元、算法处理单元和决策生成单元，数据准备单元用于对传感器模块收集的数据进行预处理，算法处理单元用于建立切割参数预估模型，预估切片速度和压力，决策生成单元利用全连接神经网络，综合算法处理单元的预测结果和切片反馈模块提供的偏差分析指数，得到最终的切割参数调整建议，并生成切片操作指令，其中，生成切片操作指令的步骤为：

步骤一，接收输入数据，包括来自算法处理单元的预估切片速度和压力以及来自切片反馈模块的实际切片厚度与预设厚度之间的偏差分析指数；

步骤二，归一化处理预处理后的预估切片速度和压力以及偏差分析指数，形成固定长度的输入向量；

步骤三，将输入向量输入全连接神经网络进行训练，得到全连接神经网模型，输出层为切片速度和压力的调整量，其中，全连接神经网络模型中的l+1层第j项神经元的输出策略公式为：

式中，为第l+1层第i项神经元的输出，/>为第l层的第j个神经元到第l+1层的第i个神经元的连接权重，/>为第l层第j项神经元的输出；/>为第l层第i个神经元的偏置项；

步骤四，解析全连接神经网络模型的输出，转换为切片操作指令，输出的调整量的正负表示调整的方向，正为增加，负为减少；输出调整量的绝对值表示调整的幅度；

步骤五，将切片操作指令发送给执行控制模块。

作为本发明进一步的方案，执行控制模块包括参数调整单元和执行控制单元，参数调整单元用于接收决策生成单元的指令，调整切片机的压力和速度；执行控制单元控制切片机的物理执行，包括启动、停止和切片动作。

作为本发明进一步的方案，在切片区域上方安装小型高分辨率相机通过图像处理技术在切片后的图像上测量粉末的面积占比、识别切片裂纹数量、长度和宽度，并结合切片厚度，获得偏差分析指数，其中，获得偏差分析指数的公式为：

式中，D_total为偏差分析指数，T_a为实际切片厚度，T_p为预设切片厚度，A_p为粉末面积占比，n为裂纹数量，为裂纹平均长度，/>为裂纹平均宽度。

作为本发明进一步的方案，用户界面提供操作人员与系统之间的交互界面，以设定初始参数、监控切片过程并接收系统反馈，允许操作人员输入和选择切割参数，控制切片机的启动、停止和暂停，展示当前切片状态和参数。

与现有技术相比，本发明一种基于机器学习的智能切片系统的有益点在于：

本发明利用机器学习技术，通过建立切割参数预测模型和全连接神经网络，实时分析传感器数据并获得准确的切片参数调整建议，使得切片参数的调整更加客观、精准，大提高了切片的一致性、精确性和稳定性，降低了人为因素对切片质量的影响。

与现有技术相比，本发明一种基于机器学习的智能切片系统的有益点在于：

本发明实时收集并分析切片参数偏差，将反馈结果传递给智能分析模块，智能分析模块根据反馈结果进行动态调整切片参数，确保切片质量始终保持在最佳状态，同时提高了生产效率和资源利用率，这种实时反馈和调整机制极大地提升了切片过程的自动化程度和生产效率，使切片系统更加智能化和可靠。

附图说明

图1为本发明一种基于机器学习的智能切片系统结构示意图。

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。

实施例1

一种基于机器学习的智能切片系统，包括传感器模块、智能分析模块、执行控制模块、切片反馈模块和用户界面。

本发明实施例中的传感器模块包括压力传感器、超声波传感器、激光位移传感器、厚度传感器、温度传感器和湿度传感器，其中，压力传感器用于监测切片过程中刀片对药材施加的实际压力，超声波传感器用于实时监测药材的硬度，激光位移传感器用于连续测量药材的直径和刀片切割深度，厚度传感器用于测量切片的厚度，温度传感器用于监控切片机及周围环境的温度，湿度传感器用于测量工作环境的湿度。

本发明实施例中的智能分析模块包括数据准备单元、算法处理单元和决策生成单元，数据准备单元用于对传感器模块收集的数据进行预处理，算法处理单元用于建立切割参数预估模型，预估切片速度和压力，决策生成单元利用全连接神经网络，综合算法处理单元的预测结果和切片反馈模块提供的偏差分析指数，该偏差分析指数在首次使用时设定为0，得到最终的切割参数调整建议，并生成切片操作指令，以实现自适应调整，其中，切割参数预估模型的公式为：

式中，V为预估切片速度，P’为预估切片压力，D为药材的直径，S为刀片切割深度，C为预设切片厚度，H为药材硬度，P为刀片实际压力，T为环境温度，Hd为环境湿度。

本发明实施例中的生成切片操作指令的步骤为：

步骤一，接收输入数据，包括来自算法处理单元的预估切片速度和压力以及来自切片反馈模块的实际切片厚度与预设厚度之间的偏差分析指数；

步骤二，归一化处理预处理后的预估切片速度和压力以及偏差分析指数，形成固定长度的输入向量；

步骤三，将输入向量输入全连接神经网络进行训练，得到全连接神经网模型，输出层为切片速度和压力的调整量，其中，全连接神经网络模型中的l+1层第i项神经元的输出策略公式为：

式中，为第l+1层第i项神经元的输出，/>为第l层的第j个神经元到第l+1层的第i个神经元的连接权重，/>为第l层第j项神经元的输出；/>为第l层第i个神经元的偏置项；

步骤四，解析全连接神经网络模型的输出，转换为切片操作指令，输出的调整量的正负表示调整的方向，正为增加，负为减少；输出调整量的绝对值表示调整的幅度；

步骤五，将切片操作指令发送给执行控制模块。

以下是一个Python代码示例，使用全连接神经网络获得切片速度和压力的调整量，请注意，这个例子仅作为一个起始点，实际应用中可能需要根据实际情况和设备接口进行调整；

此代码仅作为示例，实际应用中需要根据具体情况进行适当的修改和调整。

本发明实施例的执行控制模块包括参数调整单元和执行控制单元，参数调整单元用于接收决策生成单元的指令，调整切片机的压力和速度；执行控制单元控制切片机的物理执行，包括启动、停止和切片动作。

本发明实施例的切片反馈模块实时收集切片后的药材切片参数，分析实际参数与预设参数的偏差，并将偏差分析指数，反馈至智能分析模块。

本发明实施例在切片区域上方安装小型高分辨率相机，用于捕捉切片后材料表面的图像，通过图像处理技术在切片后的图像上测量粉末的面积占比、识别切片裂纹数量、长度和宽度，并结合切片厚度，获得偏差分析指数，其中，获得偏差分析指数的公式为：

式中，D_total为偏差分析指数，T_a为实际切片厚度，T_p为预设切片厚度，A_p为粉末面积占比，n为裂纹数量，为裂纹平均长度，/>为裂纹平均宽度。

本发明实施例的用户界面提供操作人员与系统之间的交互界面，以设定初始参数、监控切片过程并接收系统反馈，允许操作人员输入和选择切割参数，控制切片机的启动、停止和暂停，展示当前切片状态和参数。

本发明实施例的传感器模块与智能分析模块相连接，智能分析模块与执行控制模块双向连接，执行控制模块与切片反馈模块双向连接，切片反馈模块与智能分析模块相连接，用户界面与智能分析模块双向连接，用户界面与执行控制模块双向连接，数据准备单元与算法处理单元相连接，算法处理单元与决策生成单元相连接，参数调整单元与执行控制单元相连接。

实施例2

切片反馈模块利用小型高分辨率相机和图像处理技术获得偏差分析指数的具体步骤为：

步骤S1，采用具有2048×1536像素分辨率、100帧/秒帧率的工业级彩色数字相机，相机配备了自动光圈调整功能和宽动态范围，以适应不同的照明条件；

步骤S2，应用双边滤波器进行图像降噪，以减少图像捕获过程中的随机噪声，同时保留边缘信息；

步骤S3，通过自适应直方图均衡化技术调整图像的亮度和对比度，改善图像的视觉效果，使裂纹和粉末区域更加明显；

步骤S4，进行色彩校正以抵消由于照明条件变化引起的颜色偏差，确保图像色彩的一致性和准确性；

步骤S5，使用Canny边缘检测算法提取图像中的边缘信应用形态学膨胀操作增强裂纹边缘，随后通过形态学腐蚀操作去除细小噪点，通过连通区域分析算法识别和标记各个裂纹区域，计算每个裂纹的长度和宽度；

步骤S6，采用阈值分割技术将图像分割为粉末区域和非粉末区域，计算粉末区域的像素数量，并与图像的总像素数量比较，得到粉末面积占比；

步骤S7，结合上述数据，通过偏差分析指数公式计算获得偏差分析指数。

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 (7)

1.一种基于机器学习的智能切片系统，包括传感器模块、智能分析模块、执行控制模块、切片反馈模块和用户界面，其特征在于，智能分析模块用于对传感器模块获得的数据进行分析，建立切割参数预估模型，并结合切割参数预估模型和切片反馈模块的结果，利用全连接神经网络，提供切割参数建议，生成决策指令，其中，切割参数预估模型的公式为：

式中，V为预估切片速度，P’为预估切片压力，D为药材的直径，S为刀片切割深度，C为预设切片厚度，H为药材硬度，P为刀片实际压力，T为环境温度，Hd为环境湿度；

切片反馈模块实时收集切片后的药材切片参数，分析实际参数与预设参数的偏差，并将偏差分析指数，反馈至智能分析模块。

2.根据权利要求1所述的一种基于机器学习的智能切片系统，其特征在于，传感器模块与智能分析模块相连接，智能分析模块与执行控制模块双向连接，执行控制模块与切片反馈模块双向连接，切片反馈模块与智能分析模块相连接，用户界面与智能分析模块双向连接，用户界面与执行控制模块双向连接，数据准备单元与算法处理单元相连接，算法处理单元与决策生成单元相连接，参数调整单元与执行控制单元相连接。

3.根据权利要求1所述的一种基于机器学习的智能切片系统，其特征在于，传感器模块包括压力传感器、超声波传感器、激光位移传感器、厚度传感器、温度传感器和湿度传感器，其中，压力传感器用于监测切片过程中刀片对药材施加的实际压力，超声波传感器用于实时监测药材的硬度，激光位移传感器用于连续测量药材的直径和刀片切割深度，厚度传感器用于测量切片的厚度，温度传感器用于监控切片机及周围环境的温度，湿度传感器用于测量工作环境的湿度。

4.根据权利要求1所述的一种基于机器学习的智能切片系统，其特征在于，智能分析模块包括数据准备单元、算法处理单元和决策生成单元，数据准备单元用于对传感器模块收集的数据进行预处理，算法处理单元用于建立切割参数预估模型，预估切片速度和压力，决策生成单元利用全连接神经网络，综合算法处理单元的预测结果和切片反馈模块提供的偏差分析指数，得到最终的切割参数调整建议，并生成切片操作指令，其中，生成切片操作指令的步骤为：

步骤一，接收输入数据，包括来自算法处理单元的预估切片速度和压力以及来自切片反馈模块的实际切片厚度与预设厚度之间的偏差分析指数；

步骤二，归一化处理预处理后的预估切片速度和压力以及偏差分析指数，形成固定长度的输入向量；

步骤三，将输入向量输入全连接神经网络进行训练，得到全连接神经网模型，输出层为切片速度和压力的调整量，其中，全连接神经网络模型中的l+1层第i项神经元的输出策略公式为：

式中，为第l+1层第i项神经元的输出，/>为第l层的第i个神经元到第l+1层的第i个神经元的连接权重，/>为第l层第j项神经元的输出；/>为第l层第i个神经元的偏置项；

步骤四，解析全连接神经网络模型的输出，转换为切片操作指令，输出的调整量的正负表示调整的方向，正为增加，负为减少；输出调整量的绝对值表示调整的幅度；

步骤五，将切片操作指令发送给执行控制模块。

5.根据权利要求1所述的一种基于机器学习的智能切片系统，其特征在于，执行控制模块包括参数调整单元和执行控制单元，参数调整单元用于接收决策生成单元的指令，调整切片机的压力和速度；执行控制单元控制切片机的物理执行，包括启动、停止和切片动作。

6.根据权利要求1所述的一种基于机器学习的智能切片系统，其特征在于，在切片区域上方安装小型高分辨率相机，通过图像处理技术在切片后的图像上测量粉末的面积占比、识别切片裂纹数量、长度和宽度，并结合切片厚度，获得偏差分析指数，其中，获得偏差分析指数的公式为：

式中，D_total为偏差分析指数，T_a为实际切片厚度，T_p为预设切片厚度，A_p为粉末面积占比，n为裂纹数量，为裂纹平均长度，/>为裂纹平均宽度。

7.根据权利要求1所述的一种基于机器学习的智能切片系统，其特征在于，用户界面提供操作人员与系统之间的交互界面，以设定初始参数、监控切片过程并接收系统反馈，允许操作人员输入和选择切割参数，控制切片机的启动、停止和暂停，展示当前切片状态和参数。