一种基于物联网的中药饮片生产追溯方法技术

本发明专利技术属于人工智能质量追溯领域，主要涉及一种基于物联网的中药饮片生产追溯方法，对不同机器在节点部署不同的传感器，将传感器的接口和MUC接口相连，集成采集帧通过DMA上传，对数据进行预处理分析，进行差分编码运算均值，方差和峰值，并和滑动窗口的波动合并输出为特征向量，把特征向量合并为序列用于模型训练，部署深度学习框架，采用原型计算函数和Siamese距离度量模型进行训练，训练结束输出模型下发边缘节点，边缘节点接收模型后进行训练并记录异常数据，再对异常数据进行训练，自行进行参数调整并增强监控，当输出异常概率，计算异常风险并标注潜在异常数据，求其特征向量的绝对值，进行归一化梯度权重，生成定点报告下发至质量追溯数据库。

【技术实现步骤摘要】

本专利技术属于人工智能质量追溯领域，主要涉及一种基于物联网的中药饮片生产追溯方法。

技术介绍

1、生成追溯主要采用部署多传感器采集数据转为工艺步骤的特征向量，将工艺步骤的特征向量和药材属性相关联，采用深度学习模型来对异常概率进行追溯。

2、在如今的中医药饮料生产的工序环节中存在质量问题，在切片工序药材厚度不一影响药材药性，烘干工序温控失调引发焦化或者霉变，炒制工序火力波动改变了药性，在传统的中医饮品生产环节多采用人工记录数据，数据的准确度低，采用单一的传感器节点容易造成关键工序数据丢失缺乏联动性，在出现异常概率数据时难以对问题进行追溯，人工调整数据反馈较慢，容易造成巨大损失。

3、为了解决上述问题，本专利技术采用多传感器收集数据集成数据帧并附带药材属性，这相对于传统的药材联动性差问题能够真实地反映工序的数据，且相对于传统的人工调整和记录数据，传感器采集更为及时准确，部署深度模型学习模型，子模点可以进行迁移学习进行自主调节模型参数，相对于人工的数据调整，调整反馈更为及时，且各工序附带批次序号和药材属性，在出现问题的时候能够更好地对问题本文档来自技高网...

【技术保护点】

1.一种基于物联网的中药饮片生产追溯方法，其特征在于：

2.根据权利要求1所述的一种基于物联网的中药饮片生产追溯方法，其特征在于：所述的在机器上部署传感器并发送至边缘端的具体步骤为：在不同的机器上的不同节点部署不同的传感器，传感器的接口分别通过GPIO，ADC和I2C与接口MCU接口相连，MCU再将传感器读取的数据按照时间戳和节点标识集成为采集帧，存储在本地队列,通过DMA传输至边缘端。

3.根据权利要求1所述的一种基于物联网的中药饮片生产追溯方法，其特征在于：所述的边缘端对数据进行预处理的具体步骤为：边缘端对接收到的原始信息进行差分编码，对每一维度Zm(t)与上...

【技术特征摘要】

1.一种基于物联网的中药饮片生产追溯方法，其特征在于：

2.根据权利要求1所述的一种基于物联网的中药饮片生产追溯方法，其特征在于：所述的在机器上部署传感器并发送至边缘端的具体步骤为：在不同的机器上的不同节点部署不同的传感器，传感器的接口分别通过gpio，adc和i2c与接口mcu接口相连，mcu再将传感器读取的数据按照时间戳和节点标识集成为采集帧，存储在本地队列,通过dma传输至边缘端。

3.根据权利要求1所述的一种基于物联网的中药饮片生产追溯方法，其特征在于：所述的边缘端对数据进行预处理的具体步骤为：边缘端对接收到的原始信息进行差分编码，对每一维度zm(t)与上次已处理的数值帧zm(t-δ)求差δzm＝zm(t)-zm(t-δ)得到δzm，设定阈值o，∣δzm∣＜o,则只需要计入差分值δzm，否则计入原数据，边缘模块对压缩后的数据进行滑动窗口统计，以每帧k为一个窗口计算以下特征值，其中m为第m维度的工艺参数，k为滑动窗口的大小，a为第滑动窗口的个原始采样时序，均值zm是多维度的累加，x(i)是当前窗口第i个采样值，方差zm(i)-am为计算偏差，峰值ddm＝max1≤a≤kzm(a)-min1≤a≤kzm(a)，在滑动窗口内执行轻量级fft，截取滑动窗口内两段主要的波动频率c1,c2，将所有特征值{am,bm2,ddm}和两段主要波动{c1,c2}按照固定循序组成特征向量e＝[e1,e2.....en]，其中n为特征维度总和，边缘端把数据处理好后发送至边缘网关。

4.根据权利要求1所述的一种基于物联网的中药饮片生产追溯方法，其特征在于：所述的工艺步骤的特征向量附带药材属性编码组成扩展特征向量具体步骤为：边缘端通过mqtt送预处理的特征向量至中央服务器，同一批次的同一药材按照切片，烘干和炒制三道工序各有一组特征向量，按照时间顺序给他合并为序列这里e是边缘端组成的特征向量提取函数，t表示时间索引，按照同一批次同一药材的工序顺序，按照切片，烘干和炒制的顺序产生的特征，e(t)是特征值和两段主要波动按顺序组成的特征向量，在药材入库时对特征序列相关联的同药材批次药材的属性进行特性关联，药材的属性按照含挥发油，黏胶质和易焦糖化进行录入，索引为j∈{0,1,2}，这里的j对应着药材录入的顺序，将药材的属性按照one-hot编码的形式p∈{0,1}3附加到每条序列中，根据索引生成一个长度为3的零向量p＝{p1,p2,p3}，这里的p1,p2,p3分别代表着药材的不同属性，将药材属性和工艺步骤的特征向量组成扩展特征向量[e,p]代表数据进行汇总。

5.根据权利要求1所述的一种基于物联网的中药饮片生产追溯方法，其特征在于：所述的部署深度学习框架pytorch和构建原型网络和siamese的距离度量模型的具体步骤为：先嵌入子网采用三层全连接，并激活relu，将处理后的扩展特征向量进行映射，对正常的药材的支持样本计算其嵌入量均值，构建原型计算函数对每一药材类型c的支持集样本计算原型uc，其中sc是c支持集的所有样本集合，|sc|是其样本数，sc＝{x1,x2,x3...xi}其中xi表示第i个支持集原始样本c的扩展特征向量，维度为e，φ(x)是将支持集{xi}里的样本送入嵌入函数φ得到嵌入向量{φ(xi)}，按照药材属性进行标签分组，对每组嵌入向量按维度求平均数，构建siamese的距离度量模型，构建两路共享嵌入网络，通过网络三层线性映射和relu，嵌入原模型的输入后，计算两路向量的欧式距离，并通过线性映射加sigmoid函数来激活得到同或异之间的概率构建距离度量函数e(φ(x*),uc)＝‖φ(x*)-uc‖2，采用欧式距离，φ(x*)表示将原始特征x*映射到e维的嵌入向量e，e是待分类样本的总的集合，uc是该类所有支持样本的平均值，φ(x*)-uc是查询样本向量和原型向量之间的欧氏距离。

6.根据权利要求5所述的一种基于物联网的中药饮片生产追溯方法，其特征在于：所述的部署深度学习框架pytorch和构建原型网络和siamese的距离度量模型的具体步骤还包...

【专利技术属性】
技术研发人员：丁旭初，
申请(专利权)人：舜甫科技集团有限公司，
类型：发明
国别省市：