CN114603912B - 一种基于人工智能的压片机粘冲调节方法及系统 - Google Patents

Abstract

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的压片机粘冲调节方法及系统。该调节方法包括：采集压片机冲头的表面图像，并获取所述表面图像对应的当前的压力参数；对所述表面图像进行预处理得到灰度图像；将所述压力参数输入条件变分自编码网络得到模拟图像；根据所述灰度图像得到粘冲前后的高度比，以所述高度比为所述模拟图像中相应像素点的权重得到所述模拟图像的像素总和；所述像素总和最小的所述模拟图像所对应的压力参数为最优压力参数，根据所述最优压力参数与所述当前的压力参数的差异量调节所述压力冲头的压力参数。解决了目前通过人工调节压力参数并反复试验校准对员工的主观能力要求较高，矫正的效率较低的技术问题。

Description

一种基于人工智能的压片机粘冲调节方法及系统

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的压片机粘冲调节方法及系统。

背景技术

对于制药行业中，压片机所生产的片剂作为制药行业的主要产品之一，在压片机进行片剂生产过程中，最常见也最是难以避免的产品质量问题就是片剂粘冲缺陷。片剂粘冲缺陷是指制药原料粉末在摸具腔内受压成片的过程中出现部分粉末粘在上下冲头上的现象。造成粘冲缺陷的原因较多，其主要原因是压片机的压力参数设定不当，粉末粘在冲头表面，导致物料无法完全受压成片，造成药品缺陷。

传统的检测粘冲缺陷的方式是通过检测药品表面是否出现凹坑或者不光滑的现象来判断是否出现粘冲缺陷。对于药品表面本身不要求光滑的药品，无法准确检测其表面的细小凹痕。对于发生缺陷之后的处理往往依靠经验丰富的操作人员综合冲头粘上粉末的多少以及当前的压力参数大小的情况尝试着调节压力参数，并利用调节后的压力参数反复试验直至达到不粘冲的工作状态。

发明人在实践中，发现上述现有技术存在以下缺陷：

在发生粘冲之后，通过人工调节压力参数并反复试验的方法对员工的主观能力要求较高，矫正的效率较低。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的压片机粘冲调节方法及系统，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种基于人工智能的压片机粘冲调节方法，该调节方法包括：

采集压片机冲头的表面图像，并获取所述表面图像对应的当前的压力参数；对所述表面图像进行预处理得到灰度图像；

将所述压力参数输入条件变分自编码网络得到模拟图像；

根据所述灰度图像得到粉末粘冲前后的高度比，以所述高度比为所述模拟图像中相应像素点的权重得到所述模拟图像的像素总和；

所述像素总和最小的所述模拟图像所对应的压力参数为最优压力参数，根据所述最优压力参数与所述当前的压力参数的差异量调节所述压力冲头的压力参数。

进一步，所述条件变分自编码网络是以不同的压力参数为标签、以由生成分布与正态分布之间的差异损失以及样本图像与生成图像之间的均方差损失之和为损失函数的网络。

进一步，所述样本图像与生成的模拟图像之间的均方差损失，进一步包括：获取每个所述压力参数的样本图像中粉末的分布参数，根据不同的所述压力参数所对应的不同的所述分布参数分配不同的第一权重，所述样本图像与所述生成图像中每个像素点之间的均方差与相应的所述第一权重的加权求和为所述均方差损失。

进一步，所述获取每个所述压力参数的样本图像中粉末的分布参数的步骤包括：每个所述压力参数所对应的样本图像为目标样本图像，获取每张目标样本图像中粉末分布的第一混合高斯模型，所述第一混合高斯模型由多个二维高斯模型混合而成；拟合所述压力参数下所有所述第一混合高斯模型对应的所述二维高斯模型得到目标混合高斯模型；通过EM算法得到所述目标混合高斯模型中每个第一混合高斯模型的模型参数，每个第一混合高斯模型的模型参数为所述粉末的分布参数。

进一步，所述拟合所述压力参数下所有所述二维高斯模型得到目标混合高斯模型的步骤包括：根据所述二维高斯模型的模型参数的相似性，将所述压力参数下的所述二维高斯模型分为粉末的分布特征对应的二维高斯模型和噪声的分布特征对应的二维高斯模型；将所述噪声的分布特征对应的二维高斯模型所对应的第二权重重新分配给所述粉末的分布特征对应的二维高斯模型得到所述目标混合高斯模型。

进一步，根据所述二维高斯模型的模型参数的相似性，将所述压力参数下的所述二维高斯模型分为粉末的分布特征对应的二维高斯模型和噪声的分布特征对应的二维高斯模型的步骤，包括：获取第一混合高斯模型中的每个二维高斯模型的均值相对于冲头圆心的欧氏距离得到欧氏距离序列，获取同一压力参数下多个第一混合高斯模型所对应的欧氏距离序列之间的相似性，相似的距离序列所对应的二维高斯模型为所述粉末的分布特征所对应的二维高斯模型，否则为噪声的分布特征所对应的二维高斯模型。

进一步，根据所述二维高斯模型的模型参数的相似性，将所述压力参数下的所述二维高斯模型分为粉末的分布特征对应的二维高斯模型和噪声的分布特征对应的二维高斯模型的步骤，包括：计算同一压力参数下多个第一混合高斯模型所对应的所述均值序列相对于冲头的圆心位置的角度的相似性，相似的角度序列所对应的二维高斯模型为所述粉末的分布特征所对应的二维高斯模型，否则为噪声的分布特征所对应的二维高斯模型。

进一步，根据所述二维高斯模型的模型参数的相似性，将所述压力参数下的所述二维高斯模型分为粉末的分布特征对应的二维高斯模型和噪声的分布特征对应的二维高斯模型的步骤，包括：计算同一压力参数下多个第一混合高斯模型所对应的协方差序列的相似性，相似的协方差序列所对应的二维高斯模型为所述粉末的分布特征所对应的二维高斯模型，否则为噪声的分布特征所对应的二维高斯模型。

第二方面，本发明实施例还提供了一种基于人工智能的压片机粘冲调节系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。

本发明具有如下有益效果：

本发明实施例通过采集压片机冲头的表面图像，并获取所述表面图像对应的当前的压力参数；对所述表面图像进行预处理得到灰度图像；将所述压力参数输入条件变分自编码网络得到模拟图像；根据所述灰度图像得到粘冲前后的高度比，以所述高度比为所述模拟图像中相应像素点的权重得到所述模拟图像的像素总和；所述像素总和最小的所述模拟图像所对应的压力参数为最优压力参数，根据所述最优压力参数与所述当前的压力参数的差异量调节所述压力冲头的压力参数。解决了目前通过人工调节压力参数并反复试验校准对员工的主观能力要求较高，矫正的效率较低的技术问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种基于人工智能的压片机粘冲调节方法流程图；

图2为本发明一个实施例所提供的冲头表面的灰度图的示意图；

图3为获取每个压力参数的样本图像中粉末的分布参数的步骤流程图；

图4为拟合目标混合高斯模型的步骤流程图；

图5为获取粉末和噪声的分布特征所对应的二维高斯模型的步骤流程图；

图6为冲头的圆心位置指向均值的向量的示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的压片机粘冲调节方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

本发明实施例通过在压片机上安装摄像头，通过摄像头采集上冲头的表面图像，通过对表面图像的分析处理反馈相应的压力调节参数以使冲头达到最优的工作状态，避免粉末粘冲头的现象发生，以解决现有技术中依靠经验调节压力参数的问题。在本发明实施例中以白色粉末为例进行说明。

下面结合附图具体的说明本发明所提供的一种基于人工智能的压片机粘冲调节方法及系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能的压片机粘冲调节方法流程图，该方法包括以下步骤：

步骤S001，采集压片机冲头的表面图像，并获取表面图像对应的当前的压力参数；对表面图像进行预处理得到灰度图像。

摄像头采集冲头的表面图像，摄像头的安装位置以能够拍摄冲头表面图像为准。摄像头最优的安装位置为能够采集冲头表面的正视图像，也即在冲头的外缘为圆形时，冲头的表面图像中的成像边缘也是圆形。将摄像头部署在压片机出料口内最靠近外侧的冲头左右。

所采集到的冲头的表面图像为RGB图像，将表面图像进行预处理的步骤包括灰度化表面图像得到灰度图像、将灰度图像进行多次阈值分割得到粉末图像。

具体的，获取灰度图像的灰度直方图，由于粉末的像素点为较亮的像素点，冲头区域的像素及粉末像素与背景区域的像素存在较大差异，因此基于灰度直方图的最低点进行阈值分割：将背景像素置为零、保留其他像素的灰度值。对冲头进行边缘检测，获得冲头表面的外轮廓边缘，截取外轮廓边缘内部像素得到冲头表面的灰度图。将该冲头表面的灰度图进行投影变换，矫正图像得到变换后的灰度图，矫正的目的是将冲头的视角变换为仰视视角下冲头的成像为冲头边缘为圆形形状。获取变换后的灰度图的灰度直方图，基于该灰度直方图对变换后的灰度图进行阈值分割：将冲头区域像素的灰度值置为零，保留粉末像素的像素值以及冲头的外边缘轮廓，如图2所示，在外边缘轮廓内部包括大量的粉末像素，冲头在使用的过程中，冲头的表面都会分布有残留的粉末，但对于粘冲的冲头表面所分布的粉末分布比较密集。

在采集冲头表面图像的同时获取压片机冲头的当前的压力参数。

步骤S002，将压力参数输入条件变分自编码网络得到模拟图像。

本发明实施例的目的是为了找到粘冲程度最小的最优图像，该最优图像所对应的压力参数记为最优的压力参数。但是由于压力参数是连续变化的，所获取的压力参数和灰度图像不可能覆盖所有连续的压力参数，因此采用条件变分自编码网络，该条件变分自编码网络能够在压力参数及其灰度图像较少的情况下，模拟生成较多的模拟图像，以尽可能多的覆盖压力参数的连续变化区间。

条件变分自编码网络的目的是生成指定类别的图像，条件变分自编码网络是以不同的压力参数为标签、以由生成分布与正态分布之间的差异损失以及样本图像与生成图像之间的均方差损失之和为损失函数的网络。在训练时加入了用于监督的标签。

其中，条件变分自编码网络的训练过程包括：首先获取训练集：获取压片机冲头的多个压力参数，摄像头通过步骤S001采集每个压力参数下对应的多张冲头的表面图像并得到相应的灰度图；相应的压力参数作为条件变分自编码网络的标签；以不同压力参数下的灰度图为训练集，灰度图像的标签为相应的压力参数。训练所采用的损失函数为由生成分布与正态分布之间的差异度以及样本图像与生成图像之间的均方差损失之和。

优选的，由于不同压力参数对应的冲头图像中所含有的粉末的分布特征不同，且这些特征极易在网络生成新数据集的过程中丢失，因此对损失函数进行进一步的重构，其中样本图像与生成的模拟图像之间的均方差损失进一步包括：获取每个压力参数下的样本图像中粉末的分布参数，根据不同的压力参数所对应的不同的分布参数分配不同的第一权重，样本图像与生成图像中每个像素点之间的均方差与相应的第一权重的加权求和为均方差损失。

具体的，将正态分布记为N(0,1)、任意一个压力参数记为F_x、压力参数的最大值为F_n、压力参数F_x对应的第m维的潜变量记为

潜变量的总维度为M、压力参数F_x下生成图像中像素点(i,j)的灰度值记为

压力参数F_x下样本图像中像素点(i,j)的灰度值记为

对压力参数F_x所分配的第一权重记为

则有：

其中，

表示KL散度。该KL散度表示相对熵，能够衡量两个随机分布之间的距离，当两个随机分布相同时，相对熵为零；当两个随机分布的差别增大时，相对熵也会增大，也即该KL散度能够衡量两个随机分布之间的差异度。

该损失函数中的第一项为生成分布与正态分布之间的KL散度，用于使生成图像的分布趋近于相应的样本图像。该损失函数的第二项为均方差损失函数，用于使生成图像与输入的样本图像之间的相应像素的损失趋近于零。该损失函数的作用是用于使生成的模拟图像中粉末的分布在尽可能的接近样本图像且像素损失最小。

请参阅图3，获取每个压力参数的样本图像中粉末的分布参数的方法包括：

步骤S210，每个压力参数所对应的多张样本图像为目标样本图像，获取每张目标样本图像中粉末分布的第一混合高斯模型，第一混合高斯模型由多个二维高斯模型混合而成；

由于每个冲头表面图像中的粉末分布是可以通过多个二维高斯模型混合而成的第一混合高斯模型反映相应的分布特征。每一个压力参数对应冲头表面的多张目标样本图像，每一张目标样本图像中粉末的分布都对应一个第一混合高斯模型，也即每一个压力参数都对应有多个第一混合高斯模型。

步骤S220，拟合压力参数下所有第一混合高斯模型对应的二维高斯模型得到目标混合高斯模型；

每一个压力参数对应的粉末分布可由对应的多张目标样本图像的第一混合高斯模型拟合得到目标混合高斯模型，根据每个第一混合高斯模型中相应的二维高斯模型所对应的不同混合分量大小分配不同的第二权重，每个第一混合高斯模型都能够反映相应压力参数对应的粉末分布。

具体的，假设对于任意一个压力参数，其对应的有K个二维高斯模型，将第k个二维高斯模型的第二权重记为w_k、多维度变量记为x、各维变量的均值记为μ_k、不同维度变量的协方差矩阵记为X_k，则该第一混合高斯模型G(x)为：

其中，协方差矩阵记X_k描述的是各维变量之间的相关度，第一混合高斯模型对应的协方差矩阵为两行两列；在该第一混合高斯模型中两个维度为不相关的，也即协方差矩阵为对角阵。

将得到的压力参数下的多个第一混合高斯模型进行拟合得到目标混合高斯模型。

步骤S230，通过EM算法得到目标混合高斯模型中每个第一混合高斯模型的模型参数，每个第一混合高斯模型的模型参数为粉末的分布参数。

对于每个压力参数下的多张样本图像，根据每张样本图像所对应得到第一混合高斯模型是由K个二维高斯模型混合而成，因此输入对应的K个初始化的二维高斯模型的三个参数，分别为均值μ_k，协方差矩阵X_k，第二权重w_k。利用EM算法进行求解，最终相对于每个样本图片都会获得对应的一个K组数据记为{μ_k,X_k,w_k}(k＝1,2,…,K)，所有样本图片的模型参数构成该压力参数下的目标混合高斯模型的模型参数。对于获得的K组数据，其中μ_k为一组二维数据，X_k为一个对角阵，第二权重w_k为[0,1]之间的数且

通过步骤210-230得到了每个压力参数下多张样本图片的所对应的第一混合高斯模型的参数，该参数包括相应二维高斯模型的权重、均值和协方差。

优选的，由于同一压力参数对应多张不同的冲头表面图像，而不同的冲头表面图像中粉末的分布不一定相同，也即在拟合同一压力参数下的第一混合高斯模型可能具有不同的模型参数；但是由于在同一参数下相应的多张灰度图像上粉末的分布特征具有高度的相似性，因此可以认为相似的分布特征为粉末的分布特征，差异较大的分布特征为噪声特征；而第一高斯混合模型的参数反映了相应的分布特征，因此，同一压力参数所对应的多张灰度图像中模型参数相似的表示粉末的分布特征、参数差异较大的表示噪声特征，通过参数的相似性调节第一混合高斯模型中二维高斯模型的权重，故拟合压力参数下所有第一混合高斯模型得到相应压力参数的目标混合高斯模型的步骤请参阅图4，进一步包括：

步骤S221，根据二维高斯模型的模型参数的相似性，将压力参数下的二维高斯模型分为粉末的分布特征对应的二维高斯模型和噪声的分布特征对应的二维高斯模型；

具体的，获取每个压力参数下多个样本图片的第一混合高斯模型的参数，该参数包括均值、协方差和权重。而对于同一压力参数下的不同样本图像，在利用第一混合高斯模型进行拟合时，相应的第一混合高斯模型可能会具有不同的参数。由于对于同一压力参数下的多个样本图像中粉末的分布特征呈现相似性，噪声的分布特征呈现差异性，因此在所有的第一混合高斯模型中混合有相似的二维高斯分布模型且相应的权重也相似，说明该相似的二维高斯分布模型在该压力参数的多个样本图像中具有良好的粉末的分布特征的代表性，则认为该二维高斯分布模型相似性高；否则，相似性低。

请参阅图5，具体的，为了识别噪声的分布特征对应的二维高斯模型以获得准确的模型参数，因此根据均值和协方差将压力参数下的二维高斯模型分为粉末的分布特征对应的二维高斯模型和噪声的分布特征对应的二维高斯模型的获取步骤包括：

步骤S2210，获取第一混合高斯模型中的每个二维高斯模型的均值相对于冲头圆心的欧氏距离得到欧氏距离序列，获取同一压力参数下多个第一混合高斯模型所对应的欧氏距离序列之间的相似性，相似的距离序列所对应的二维高斯模型为粉末的分布特征所对应的二维高斯模型，否则为噪声的分布特征所对应的二维高斯模型；

利用均值到冲头圆心的距离之间的相似性筛除噪声的分布特征所对应的二维高斯模型，能够得到相对准确的粉末的分布特征所对应的模型参数。

具体的，将第k个二维高斯模型的均值记为μ_k、第j个第一混合高斯模型的均值序列记为{μ₁,μ₂,…μ_k…,μ_K}、均值与冲头的圆心位置之间的欧氏距离记为r_k、相应的欧氏距离序列记为{r₁,r₂,…r_k…,r_K},由于每张样本图像中的粉末分布对应一个由多个二维高斯模型混合而成的第一混合高斯模型，因此每个样本图像对应一个均值序列和一个欧氏距离序列；而对于同一压力参数下的多张样本图像则对应多个均值序列和相应的多个欧氏距离序列。将同一压力下的所有欧氏距离序列按照数值大小映射到一维数轴上，该欧氏距离序列的分布范围记为[0,R_max]，则设定K个一维滑窗，滑窗的宽度预设为R_max/K，K个一维滑窗在数轴上均匀分布。对于其中某一个一维滑窗，该一维滑窗的中心到滑窗内部所有欧氏距离所对应的数据点的向量，对相应的向量进行相加求和得到的向量的模长为相应滑窗的移动距离、向量的方向为相应滑窗的移动方向。当移动距离小于等于距离阈值ε时，标记此时多个滑窗的中心位置，将两个滑窗中心位置之间的距离小于等于距离阈值ε时，则将两个滑窗归为同一类，以此类推；对每个一维滑窗均进行相同的操作得到多类滑窗中心，获取每类滑窗中心的类别中心，将每类的类别中心的左右距离阈值ε范围内的数据点标记为同类数据点。

对每个类别内的数据点重新赋予预设的数值，计算所有类别的交集，将交集中的数据点也即均值所对应的样本图像的相似性较大，记为符合距离相似性的样本图像。符合距离相似性的样本图像所对应的距离序列为相似的距离序列，该相似的距离序列所对应的二维高斯模型为粉末的分布特征所对应的二维高斯模型，否则为噪声的分布特征所对应的二维高斯模型。

其中，在本发明实施例中重新赋予的预设数值为相应类别的中心位置的数值；在其他实施例中，还可以是相应类别的均值、众数或者中位数。距离阈值ε为经验阈值，在本发明实施例中R_max为冲头的半径，距离阈值ε的取值为0.01R_max

为了进一步的识别噪声的分布特征所对应的二维高斯模型，利用角度的偏差程度来衡量参数的相似性，具体的包括：

步骤S2211，计算同一压力参数下多个第一混合高斯模型所对应的均值序列相对于冲头的圆心位置的角度的相似性，相似的角度序列所对应的二维高斯模型为粉末的分布特征所对应的二维高斯模型，否则为噪声的分布特征所对应的二维高斯模型；

优选的，该均值序列是根据距离序列得到的粉末的分布特征所对应的二维高斯模型的均值序列。通过步骤S2210能够筛选出符合距离相似性的样本图像，获取由冲头表面的圆心位置指向符合距离相似性的样本图像的均值的向量，将获得的向量按照从小到大的顺序进行排序，获得两两向量之间的夹角，得到夹角序列。

请参阅图6，作为一个示例，假设符合距离相似性的均值序列中共计包括四个均值元素，获取由冲头的圆心位置指向均值的向量，并按照获得的向量进行排序后得到第一向量1、第二向量2、第三向量3和第四向量4，得到的夹角序列为：第一向量1与第二向量2之间的第一夹角、第二向量2与第三向量3之间的第二夹角、第三向量3与第四向量4之间的第三夹角、以及第四向量4与第一向量1之间的第四夹角，将第一夹角、第二夹角、第三夹角和第四夹角组成的序列记为：{θ_(1→2),θ_(2→3),θ_(3→4),θ_(4→1)}。

对于多个符合距离相似性的样本图像来说，有多个角度序列。每个角度序列都包括多维夹角序列，计算所有角度序列中相应维度的夹角的方差，当方差小于等于阈值时，其对应的均值符合角度相似性，否则不符合。利用符合角度相似性的均值作为标准角度，得到标准角度序列。也即得到了同一压力参数下既符合距离相似性又符合角度相似性的样本图像及其相应的均值，相应的样本图像记为符合角度相似性的样本图像。符合角度相似性的样本图像所对应的角度序列为相似的角度序列，该相似的角度序列所对应的二维高斯模型为粉末的分布特征所对应的二维高斯模型，否则为噪声的分布特征所对应的二维高斯模型。

作为一个示例，对于符合距离相似性的多个样本图像来说，每个样本图像对应一个角度序列，计算所有角度序列中第一夹角的第一方差和第二夹角的第二方差，当第一方差和第二方差均大于预设的阈值时，由于第一夹角和第二夹角所对应的共同向量为第二向量，因此该第二向量不符合角度相似性。

其中，在本发明实施例中预设的阈值设为2π/K。

为了更加进一步的识别噪声的分布特征，计算符合角度相似性的样本图像的协方差矩阵之间的相似性，具体的包括：

步骤S2212，计算同一压力参数下多个第一混合高斯模型所对应的协方差序列的相似性，相似的协方差序列所对应的二维高斯模型为粉末的分布特征所对应的二维高斯模型，否则为噪声的分布特征所对应的二维高斯模型；

优选的，该协方差序列为由角度序列得到的粉末的分布特征所对应的二维高斯模型的协方差序列，由于协方差矩阵为两行两列的对角矩阵，因此计算矩阵的对角上两个元素的方差的平方和，当方差小于预设阈值时，说明此时的相似度较大，其对应的均值符合协方差相似性。符合协方差相似性所对应的协方差序列为相似的协方差序列，该相似的协方差序列所对应的二维高斯模型为粉末的分布特征所对应的二维高斯模型，否则为噪声的分布特征所对应的二维高斯模型。

根据步骤S2210-S2212得到每个压力参数下，其对应的多个样本图像中最具有相似性的样本图像，以及相应样本图像所对应的均值序列、协方差及权重。通过步骤S2210-S2212得到了噪声分布特征所对应的二维高斯模型和粉末的分布特征所对应的二维高斯模型。

步骤S222，将噪声的分布特征对应的二维高斯模型所对应的第二权重重新分配给粉末的分布特征对应的二维高斯模型得到目标混合高斯模型。

具体的，将筛选得到的粉末的分布特征对应的二维高斯模型重新编号，则将的均值序列记为{μ_a1,μ_a2,…μ_ai…,μ_a∈}、对应的协方差序列记为{X_a1,X_a2,…X_ai…,X_a∈}、对应的权重序列记为{w_a1,w_a2,…w_ai…,w_a∈}，其中μ_ai表示粉末的分布特征对应的第i个二维高斯模型的均值、X_ai表示粉末的分布特征对应的第i个二维高斯模型的协方差、w_ai表示粉末的分布特征对应的第i个二维高斯模型的第二权重，噪声的分布特征的权重为w_τ，则修正后的第二权重w′_ai为：

由于

是噪声的分布特征的权重与粉末的分布特征的权重之和为1，因此

得到调节后的权重序列{w′_a1,w′_a2…w′_ai……w′_a∈}，则对于图像上的某一个像素点，其第一权重

的计算方式如下：

其中，x表示图像上的像素点的坐标位置(i,j)，

表示像素点(i,j)的权重，通过对每个像素点的权重进行调整得到相应的均方差损失，以获取准确的网络训练结果。

步骤S003，根据灰度图像得到粉末粘冲前后的高度比，以高度比为模拟图像中相应像素点的权重得到模拟图像的像素总和。

对于冲头表面，其最深处为冲头中心，根据冲头深度与压片机设定的压片厚度得到粘冲前后的高度比：

其中，d_i为第i个粉末像素点对应的深度，D为冲头中心点的深度，h为药片柱体厚度。

将该高度比作为模拟图像中相应像素点的权重，得到模拟图像的像素总和：

其中，W_i为第i个像素点对应的权重，I_i为模拟图像中第i个粉末像素点的灰度值，Q为模拟图像中像素点数量。

步骤S004，像素总和最小的模拟图像所对应的压力参数为最优压力参数，根据最优压力参数与当前的压力参数的差异量调节冲头的压力参数。

利用梯度下降法对像素总和进行寻优，获得像素和最小的模拟图像所对应的压力参数为最优压力参数，将最优压力参数记为F_g、当前的压力参数记为F，则差异量为ΔF＝F_g-F，其中正负号能够指导调大或者调小相应的差异量。

综上所述，本发明实施例通过采集压片机冲头的表面图像，并获取所述表面图像对应的压力参数；对所述表面图像进行预处理得到灰度图像；将所述压力参数输入条件变分自编码网络得到模拟图像；根据所述灰度图像得到粘冲前后的高度比，以所述高度比为所述模拟图像中相应像素点的权重得到所述模拟图像的像素总和；所述像素总和最小的所述模拟图像所对应的压力参数为最优压力参数，根据所述最优压力参数与所述当前的压力参数的差异量调节所述压力冲头的压力参数。解决了目前通过人工调节压力参数并反复试验校准对员工的主观能力要求较高，矫正的效率较低的技术问题。

基于同样的发明构思，本发明实施例还提供了一种基于人工智能的压片机粘冲调节系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一个实施例所述的一种基于人工智能的压片机粘冲调节方法的步骤。其中，一种基于人工智能的压片机粘冲调节系统在上述实施例中已经详细说明，不再赘述。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (8)

1.一种基于人工智能的压片机粘冲调节方法，其特征在于，该调节方法包括：

采集压片机冲头的表面图像，并获取所述表面图像对应的当前的压力参数；对所述表面图像进行预处理得到灰度图像；

将所述压力参数输入条件变分自编码网络得到模拟图像；

根据所述灰度图像得到粉末粘冲前后的高度比，以所述高度比为所述模拟图像中相应像素点的权重得到所述模拟图像的像素总和；

所述像素总和最小的所述模拟图像所对应的压力参数为最优压力参数，根据所述最优压力参数与所述当前的压力参数的差异量调节所述冲头的压力参数；

所述条件变分自编码网络是以不同的压力参数为标签、以由生成分布与正态分布之间的差异损失以及样本图像与生成图像之间的均方差损失之和为损失函数的网络。

2.根据权利要求1所述的一种基于人工智能的压片机粘冲调节方法，其特征在于，所述样本图像与生成的模拟图像之间的均方差损失，进一步包括：

获取每个所述压力参数的样本图像中粉末的分布参数，根据不同的所述压力参数所对应的不同的所述分布参数分配不同的第一权重，所述样本图像与所述生成图像中每个像素点之间的均方差与相应的所述第一权重的加权求和为所述均方差损失。

3.根据权利要求2所述的一种基于人工智能的压片机粘冲调节方法，其特征在于，所述获取每个所述压力参数的样本图像中粉末的分布参数的步骤包括：

每个所述压力参数所对应的样本图像为目标样本图像，获取每张目标样本图像中粉末分布的第一混合高斯模型，所述第一混合高斯模型由多个二维高斯模型混合而成；

拟合所述压力参数下所有所述第一混合高斯模型对应的所述二维高斯模型得到目标混合高斯模型；

通过EM算法得到所述目标混合高斯模型中每个第一混合高斯模型的模型参数，每个第一混合高斯模型的模型参数为所述粉末的分布参数。

4.根据权利要求3所述的一种基于人工智能的压片机粘冲调节方法，其特征在于，所述拟合所述压力参数下所有所述第一混合高斯模型对应的所述二维高斯模型得到目标混合高斯模型的步骤包括：

根据所述二维高斯模型的模型参数的相似性，将所述压力参数下的所述二维高斯模型分为粉末的分布特征对应的二维高斯模型和噪声的分布特征对应的二维高斯模型；

将所述噪声的分布特征对应的二维高斯模型所对应的第二权重重新分配给所述粉末的分布特征对应的二维高斯模型得到所述目标混合高斯模型。

5.根据权利要求4所述的一种基于人工智能的压片机粘冲调节方法，其特征在于，根据所述二维高斯模型的模型参数的相似性，将所述压力参数下的所述二维高斯模型分为粉末的分布特征对应的二维高斯模型和噪声的分布特征对应的二维高斯模型的步骤，包括：

获取第一混合高斯模型中的每个二维高斯模型的均值相对于冲头圆心的欧氏距离得到欧氏距离序列，获取同一压力参数下多个第一混合高斯模型所对应的欧氏距离序列之间的相似性，相似的欧氏距离序列所对应的二维高斯模型为所述粉末的分布特征所对应的二维高斯模型，否则为噪声的分布特征所对应的二维高斯模型。

6.根据权利要求4所述的一种基于人工智能的压片机粘冲调节方法，其特征在于，根据所述二维高斯模型的模型参数的相似性，将所述压力参数下的所述二维高斯模型分为粉末的分布特征对应的二维高斯模型和噪声的分布特征对应的二维高斯模型的步骤，包括：

计算同一压力参数下多个第一混合高斯模型所对应的均值序列相对于冲头的圆心位置的角度的相似性，相似的角度序列所对应的二维高斯模型为所述粉末的分布特征所对应的二维高斯模型，否则为噪声的分布特征所对应的二维高斯模型。

7.根据权利要求4所述的一种基于人工智能的压片机粘冲调节方法，其特征在于，根据所述二维高斯模型的模型参数的相似性，将所述压力参数下的所述二维高斯模型分为粉末的分布特征对应的二维高斯模型和噪声的分布特征对应的二维高斯模型的步骤，包括：

计算同一压力参数下多个第一混合高斯模型所对应的协方差序列的相似性，相似的协方差序列所对应的二维高斯模型为所述粉末的分布特征所对应的二维高斯模型，否则为噪声的分布特征所对应的二维高斯模型。

8.一种基于人工智能的压片机粘冲调节系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任意一项所述方法的步骤。

Images