[发明专利]用于膏药制作的低温加药方法及系统

权利要求书

1.一种用于膏药制作的低温加药方法，其特征在于，包括：

获取由摄像头采集的预定时间段的丹油混合物的状态监控视频；

从所述丹油混合物的状态监控视频提取多个状态监控关键帧；

将所述多个状态监控关键帧通过包含深浅特征融合模块的卷积神经网络模型以得到多个丹油混合物状态特征矩阵；

计算所述多个丹油混合物状态特征矩阵中每相邻两个丹油混合物状态特征矩阵之间的转移矩阵以得到多个转移矩阵；

将所述多个转移矩阵聚合为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到分类特征图；以及

将所述分类特征图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是否可将丹油滴入水中。

2.根据权利要求1所述的用于膏药制作的低温加药方法，其特征在于，将所述多个状态监控关键帧通过包含深浅特征融合模块的卷积神经网络模型以得到多个丹油混合物状态特征矩阵，包括：

从所述包含深浅特征融合模块的卷积神经网络模型的浅层提取浅层特征图；

从所述包含深浅特征融合模块的卷积神经网络模型的深层提取深层特征图；

使用所述包含深浅特征融合模块的卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到融合特征图；以及

将所述融合特征图沿着通道维度进行全局均值池化以得到所述多个丹油混合物状态特征矩阵。

3.根据权利要求2所述的用于膏药制作的低温加药方法，其特征在于，计算所述多个丹油混合物状态特征矩阵中每相邻两个丹油混合物状态特征矩阵之间的转移矩阵以得到多个转移矩阵，包括：

以如下转移公式计算所述多个丹油混合物状态特征矩阵中每相邻两个丹油混合物状态特征矩阵之间的转移矩阵以得到多个转移矩阵；

其中，所述转移公式为：

其中，和表示所述多个丹油混合物状态特征矩阵中每相邻两个丹油混合物状态特征矩阵，表示所述多个转移矩阵，表示矩阵相乘。

4.根据权利要求3所述的用于膏药制作的低温加药方法，其特征在于，将所述多个转移矩阵聚合为三维输入张量后通过使用三维卷积核的卷积神经网络模型以得到分类特征图，包括：所述使用三维卷积核的卷积神经网络模型在层的正向传递中对所述三维输入张量进行基于三维卷积核的三维卷积处理、均值池化处理和非线性激活处理以由所述使用三维卷积核的卷积神经网络模型的最后一层的输出为所述分类特征图，其中，所述使用三维卷积核的卷积神经网络模型的第一层的输入为所述三维输入张量。

5.根据权利要求4所述的用于膏药制作的低温加药方法，其特征在于，还包括对所述包含深浅特征融合模块的卷积神经网络模型、所述使用三维卷积核的卷积神经网络模型和所述分类器进行训练；

其中，对所述包含深浅特征融合模块的卷积神经网络模型、所述使用三维卷积核的卷积神经网络模型和所述分类器进行训练，包括：

获取训练数据，所述训练数据包括预定时间段的丹油混合物的状态训练监控视频，以及，所述当前时间点是否可将丹油滴入水中的真实值；

从所述丹油混合物的状态训练监控视频提取多个训练状态监控关键帧；

将所述多个训练状态监控关键帧通过所述包含深浅特征融合模块的卷积神经网络模型以得到多个训练丹油混合物状态特征矩阵；

计算所述多个训练丹油混合物状态特征矩阵中每相邻两个训练丹油混合物状态特征矩阵之间的转移矩阵以得到多个训练转移矩阵；

将所述多个训练转移矩阵聚合为训练三维输入张量后通过所述使用三维卷积核的卷积神经网络模型以得到训练分类特征图；

对所述训练分类特征图进行类傅里叶尺度域概率修正以得到优化训练分类特征图；

将所述优化训练分类特征图通过所述分类器以得到分类损失函数值；以及

以所述分类损失函数值作为损失函数值并通过梯度下降的反向传播来对所述包含深浅特征融合模块的卷积神经网络模型、所述使用三维卷积核的卷积神经网络模型和所述分类器进行训练。