钻山风合剂的配制方法及其系统与流程

1.本技术涉及智能配置领域，且更为具体地，涉及一种钻山风合剂的配制方法及其系统。


背景技术：

2.类风湿关节炎是一个累及周围关节为主的多系统性炎症性自身免疫病，中医认为是由于风、寒、湿之气杂而为病，闭阻经络病气血，痹阻关节、肌肉而发，故采用祛风、散寒、除湿及舒经通络等为治疗痹证的基本原则。钻山风，又名瓜馥木，为番荔枝科植物瓜馥木属植物，根药用，性温味辛，具有祛风除湿、镇痛消肿、活血化瘀等功效，用于跌打损伤、关节炎及坐骨神痛的治疗。传统的钻山风糖浆是由钻山风、勾儿茶、四块瓦、威灵仙、千斤拔、丰城鸡血藤、山姜7味药组成的中药复方制剂，在祛风除湿、散瘀镇痛、舒筋活络等方面有一定的功效。但此制剂主要是从镇痛祛湿，修复关节两个方面着力，在提高人体的自身免疫力方面作用甚微，因此，药效不是很好，患者往往需要大量长期服用方能起一定的作用。针对上述技术问题，中国授权专利cn107468976b揭露了一种钻山风合剂，其包括以下重量份的原料：钻山风800-2000g、四块瓦20-50g、威灵仙50-110g、千斤拔60-230g、丰城鸡血藤80-200g、山姜20-60g、天麻10-60g、党参10-50g、黄芪12-55g、枣仁15-100g、枸杞子5-40g。虽然上述配方的钻山风合剂拥有更佳的疗效，但是在上述钻山风合剂的制备过程中涉及多道煎煮工序，而各道煎煮工序都是设置为预定煎煮时间，不能充分发挥出各道原料的功效因此，期待一种优化的钻山风合剂的配制方案。 揭露了一种钻山风合剂，其包括以下重量份的原料：钻山风800-2000g、四块瓦20-50g、威灵仙50-110g、千斤拔60-230g、丰城鸡血藤80-200g、山姜20-60g、天麻10-60g、党参10-50g、黄芪12-55g、枣仁15-100g、枸杞子5-40g。虽然上述配方的钻山风合剂拥有更佳的疗效，但是在上述钻山风合剂的制备过程中涉及多道煎煮工序，而各道煎煮工序都是设置为预定煎煮时间，不能充分发挥出各道原料的功效。因此，期待一种优化的钻山风合剂的配制方案，因此，期待一种优化的钻山风合剂的配制方案。


技术实现要素：

3.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种钻山风合剂的配制方法及其系统，其通过采用人工智能的机器视觉技术来观察原料在煎煮过程中的状态变化，并基于煎煮状态变化来判断是否停止煎煮，这样能够基于煎煮过程中状态的时序特征来智能地判断煎煮时长，从而能够基于各道原料的药材特性来自适应地调整煎煮时间，以更为充分地发挥各道原料的功效。
4.根据本技术的一个方面，提供了一种基于图像的密集架加工方法，其包括：使用乙醇溶液对四块瓦和山姜的粗粉进行渗漉处理以得到渗漉液；分别对钻山风原料、威灵仙、千斤拔、鸡血藤、黄鳝藤和青风藤进行煎煮以得到多种第一原料滤液；分别对原料天麻、党参、黄芪、枣仁和枸杞进行煎煮以得到多种第二原料滤液；以
及将所述渗漉液、所述多种第一原料滤液和所述多种第二原料滤液进行混合以得到钻山风合剂。
5.在上述钻山风合剂的配制方法中，分别对原料钻山风、威灵仙、千斤拔、鸡血藤、黄鳝藤和青风藤进行煎煮以得到多种第一原料滤液，包括：获取由摄像头采集的预定时间段的所述钻山风原料的煎煮监控视频；从所述煎煮监控视频提取多个煎煮监控关键帧；使用光流特征提取网络从所述多个煎煮监控关键帧提取光流图像的序列；将所述多个煎煮监控关键帧通过基于三维卷积神经网络模型的空间流特征提取器以得到第一煎煮状态特征图；将所述光流图像的序列通过基于三维卷积神经网络模型的时间流特征提取器以得到第二煎煮状态特征图；融合所述第一煎煮状态特征图和所述第二煎煮状态特征图以得到分类特征图；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是否停止煎煮。
6.在上述钻山风合剂的配制方法中，从所述煎煮监控视频提取多个煎煮监控关键帧，包括：以预定采样频率对所述煎煮监控视频进行采样处理以得到所述多个煎煮监控关键帧。
7.在上述钻山风合剂的配制方法中，将所述多个煎煮监控关键帧通过基于三维卷积神经网络模型的空间流特征提取器以得到第一煎煮状态特征图，包括：使用所述基于三维卷积神经网络模型的空间流特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于三维卷积神经网络模型的空间流特征提取器的最后一层的输出为所述第一煎煮状态特征图，所述基于三维卷积神经网络模型的空间流特征提取器的第一层的输入为所述煎煮监控关键帧。
8.在上述钻山风合剂的配制方法中，将所述光流图像的序列通过基于三维卷积神经网络模型的时间流特征提取器以得到第二煎煮状态特征图，包括：使用所述基于三维卷积神经网络模型的时间流特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于三维卷积神经网络模型的时间流特征提取器的最后一层的输出为所述第二煎煮状态特征图，所述基于三维卷积神经网络模型的时间流特征提取器的第一层的输入为所述光流图像的序列。
9.在上述钻山风合剂的配制方法中，融合所述第一煎煮状态特征图和所述第二煎煮状态特征图以得到分类特征图，包括：分别计算所述第一煎煮状态特征图和所述第二煎煮状态特征图的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数；以所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数作为权重，分别对所述第一煎煮状态特征图和所述第二煎煮状态特征图进行加权以得到加权后第一煎煮状态特征图和加权后第二煎煮状态特征图；将所述加权后第一煎煮状态特征图和所述加权后第二煎煮状态特征图进行级联以得到所述分类特征图。
10.在上述钻山风合剂的配制方法中，分别计算所述第一煎煮状态特征图和所述第二
煎煮状态特征图的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数，包括：以如下优化公式计算所述第一煎煮状态特征图和所述第二煎煮状态特征图的高斯回归不确定性因数以得到所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数；其中，所述公式为：所述公式为：其中，和分别是所述第一煎煮状态特征图和所述第二煎煮状态特征图的第个位置的特征值，是特征图的尺度，和分别是所述第一煎煮状态特征图中各个位置特征值集合的均值和方差，且和分别是所述所述第二煎煮状态特征图中各个位置特征值集合的均值和方差，为以2为底的对数函数值，和分别是所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数。
11.在上述钻山风合剂的配制方法中，将所述加权后第一煎煮状态特征图和所述加权后第二煎煮状态特征图进行级联以得到所述分类特征图，包括：以如下级联公式将所述加权后第一煎煮状态特征图和所述加权后第二煎煮状态特征图进行级联以得到所述分类特征图；其中，所述公式为：其中，表示所述加权后第一煎煮状态特征图，表示所述加权后第二煎煮状态特征图，表示级联函数，表示所述分类特征图。
12.在上述钻山风合剂的配制方法中，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是否停止煎煮，包括：将所述分类特征图基于行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
13.根据本技术的另一方面，提供了一种钻山风合剂的配制系统，其包括：监控视频获取模块，用于获取由摄像头采集的预定时间段的所述钻山风原料的煎煮监控视频；采样模块，用于从所述煎煮监控视频提取多个煎煮监控关键帧；图像提取模块，用于使用光流特征提取网络从所述多个煎煮监控关键帧提取光流图像的序列；第一卷积生成模块，用于将所述多个煎煮监控关键帧通过基于三维卷积神经网络模型的空间流特征提取器以得到第一煎煮状态特征图；第二卷积生成模块，用于将所述光流图像的序列通过基于三维卷积神经网络模型的时间流特征提取器以得到第二煎煮状态特征图；
融合模块，用于融合所述第一煎煮状态特征图和所述第二煎煮状态特征图以得到分类特征图；以及分类结果生成模块，用于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是否停止煎煮。
14.根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的钻山风合剂的配制方法。
15.根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的钻山风合剂的配制方法。
16.与现有技术相比，本技术提供的一种钻山风合剂的配制方法及其系统，其通过采用人工智能的机器视觉技术来观察原料在煎煮过程中的状态变化，并基于煎煮状态变化来判断是否停止煎煮，这样能够基于煎煮过程中状态的时序特征来智能地判断煎煮时长，从而能够基于各道原料的药材特性来自适应地调整煎煮时间，以更为充分地发挥各道原料的功效。
17.附图说明
18.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
19.图1为根据本技术实施例的钻山风合剂的配制方法的场景示意图；图2为根据本技术实施例的钻山风合剂的配制方法的流程图；图3为根据本技术实施例的钻山风合剂的配制方法的系统架构图；图4为根据本技术实施例的钻山风合剂的配制方法中第一原料滤液煎煮过程的流程图；图5为根据本技术实施例的钻山风合剂的配制方法中空间流特征提取器编码的流程图；图6为根据本技术实施例的钻山风合剂的配制方法中融合过程的流程图；图7为根据本技术实施例的钻山风合剂的配制方法中分类过程的流程图；图8为根据本技术实施例的钻山风合剂的配制系统的框图；图9为根据本技术实施例的电子设备的框图。
20.具体实施方式
21.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
22.申请概述针对上述技术问题，本技术的技术构思为：通过机器视觉来观察原料在煎煮过程中的状态变化，并基于煎煮状态变化来判断是否停止煎煮，这样能够基于煎煮过程中状态的时序特征来智能地判断煎煮时长，从而能够基于各道原料的药材特性来自适应地调整煎煮时间，以更为充分地发挥各道原料的功效。
23.具体地，在本技术的技术方案中，首先提供了一种钻山风合剂的配制方法，其包括步骤：s1,使用乙醇溶液对四块瓦和山姜的粗粉进行渗漉处理以得到渗漉液；s2,分别对钻山风原料、威灵仙、千斤拔、鸡血藤、黄鳝藤和青风藤进行煎煮以得到多种第一原料滤液；s3，分别对原料天麻、党参、黄芪、枣仁和枸杞进行煎煮以得到多种第二原料滤液；以及，s4，将所述渗漉液、所述多种第一原料滤液和所述多种第二原料滤液进行混合以得到钻山风合剂。特别地，所述步骤s2，包括如下步骤。
24.首先，获取由摄像头采集的预定时间段的所述钻山风原料的煎煮监控视频。这里，通过获取监控视频，可以实时地观察煎煮过程中的各种变化和情况，例如温度、湿度、颜色、泡沫等，从而快速判断煎煮是否已经到达预设状态或者需要继续加工。与传统的人工监控方式相比，采用摄像头自动采集监控视频可以大大提高生产效率和准确性，并且可以24小时不间断地监控煎煮过程，避免因为人力成本限制导致无法实现全天候的监控。
25.接着，从所述煎煮监控视频提取多个煎煮监控关键帧。由于煎煮过程比较复杂，视频中可能包含很多无关的信息，例如静态背景、光照变化、噪声等，如果直接对整个视频进行特征提取和分析会导致质量下降和计算量增大的问题。而通过从视频中提取关键帧，可以将视频转换为一系列静态图像，抽取其中最能够代表煎煮状态的帧作为特征，避免了对无意义信息进行处理的情况，同时提高了特征的准确性。在本技术一个具体的示例中，以预定采样频率对所述煎煮监控视频进行离散化采样以得到所述多个煎煮监控关键帧。
26.继而，使用光流特征提取网络从所述多个煎煮监控关键帧提取光流图像的序列。这里，所述光流图像可以有效地反映视频帧之间的运动信息，它可以用于描述物体的位置、速度和方向等特性。在煎煮过程中，原料的状态会发生一系列的变化，例如颜色、形状、质感等，同时还伴随着气泡的产生和消失、液体的沸腾和汽化等现象，这些变化会导致视频中的光流图像具有明显的运动特征。通过对多个煎煮监控关键帧进行光流特征提取，可以得到一连串的光流图像序列，每个光流图像都对应一个时间点的状态信息。
27.接着，将所述多个煎煮监控关键帧通过基于三维卷积神经网络模型的空间流特征提取器以得到第一煎煮状态特征图。在煎煮过程中，除了光流图像之外，还存在很多与空间位置相关的信息，例如原料的大小、形态、分布等。这些信息可以用于描述原料的变化和运动轨迹，进而对煎煮状态进行判断。
28.基于此，在本技术的技术方案中，基于三维卷积神经网络模型的空间流特征提取器可以对煎煮监控关键帧中的空间信息进行编码，并捕捉空间信息在时序维度的关联模式特征以得到生成对应的空间流特征图。具体地，该特征提取器采用卷积层、池化层和激活层等结构，对输入的关键帧进行卷积、池化和抽取特征等操作，最终得到所述第一煎煮状态特征图。与只使用光流图像相比，加入空间位置信息可以更全面地描述煎煮状态，从而提高分类器的准确性和鲁棒性。同时，利用三维卷积神经网络模型进行空间流特征提取可以将时间轴上不同时间点的关键帧信息融合起来，形成一个整体的特征描述，从而避免了对单个
关键帧进行处理时所存在的局限性。
29.同时，将所述光流图像的序列通过基于三维卷积神经网络模型的时间流特征提取器以得到第二煎煮状态特征图。应可以理解，在煎煮过程中，除了空间位置信息之外，还存在很多与时间变化相关的信息，例如原料的温度、颜色、形态等特性。这些信息可以用于描述原料的状态随着时间的变化情况，从而更全面地反映煎煮状态。
30.基于三维卷积神经网络模型的时间流特征提取器可以对光流图像序列中的时间信息进行编码，生成对应的时间流特征图。具体地，该特征提取器采用卷积层、池化层和激活层等结构，对输入的光流图像序列进行卷积、池化和抽取特征等操作，最终所述第二煎煮状态特征图。
31.值得一提的是，与只使用空间位置信息相比，加入时间变化信息可以更全面地描述煎煮状态，从而进一步提高分类器的准确性和鲁棒性。另外，利用三维卷积神经网络模型进行时间流特征提取可以将光流图像序列中的时间信息进行融合，形成一个整体的特征描述，从而避免因为单帧图像的局限性导致的分类器的误判问题。
32.接着，融合所述第一煎煮状态特征图和所述第二煎煮状态特征图以得到分类特征图。也就是，融合煎煮过程的时间特征和空间特征来得到更为全面的所述分类特征图。进而,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是否停止煎煮。所述分类器是基于深度学习方法的分类器其能够对所述分类特征图进行分类预测以得到用于表示是否停止煎煮的分类结果。也就是，使用所述分类器对实现对当前煎煮状态的快速准确判断。
33.特别地，在本技术的技术方案中，考虑到数据采集过程中所述煎煮监控视频的源图像语义误差，在使用光流特征提取网络进行光流特征提取时会被进一步引入所述光流图像的序列，而所述基于三维卷积神经网络模型的空间流特征提取器和所述基于三维卷积神经网络模型的时间流特征提取器各自独立的进行特征提取，这就使得所述第一煎煮状态特征图和所述第二煎煮状态特征图具有各自的特征分布的高斯分布误差不确定性，从而导致在融合所述第一煎煮状态特征图和所述第二煎煮状态特征图得到所述分类特征图时，引起所述分类特征图的分类回归误差，影响所述分类特征矩阵通过分类器得到的分类结果的准确性。
34.基于此，在本技术的技术方案中，分别计算所述第一煎煮状态特征图和所述第二煎煮状态特征图的高斯回归不确定性因数，表示为：表示为：表示为：是特征图的尺度，即宽度乘以高度乘以通道数，和分别是特征集合的均值和方差，且和分别是特征集合的均值和方差，为以2为底的对数。
35.这里，针对所述第一煎煮状态特征图和所述第二煎煮状态特征图各自的集成特征集合由于其分布不确定性信息可能导致的所述分类特征图的不可知回归（agnostic
ꢁ
regression），利用作为统计量化参数的均值和方差来进行特征集合的统计特性的标量度量，从而将特征误差表示的正态分布认知模式扩展到未知的分布回归模式，实现特征集合尺度上的基于自然分布转移的迁移学习，这样，通过以上述高斯回归不确定性因数分别对所述第一煎煮状态特征图和所述第二煎煮状态特征图加权后再进行融合，就可以实现所述第一煎煮状态特征图和所述第二煎煮状态特征图在融合时基于自校准的不确定性修正，从而修正所述分类特征图存在的分类回归误差，提升所述分类特征图通过分类器得到的分类结果的准确性。
36.基于此，本技术提出了一种钻山风合剂的配制方法，其包括：使用乙醇溶液对四块瓦和山姜的粗粉进行渗漉处理以得到渗漉液；分别对钻山风原料、威灵仙、千斤拔、鸡血藤、黄鳝藤和青风藤进行煎煮以得到多种第一原料滤液；分别对原料天麻、党参、黄芪、枣仁和枸杞进行煎煮以得到多种第二原料滤液；以及，将所述渗漉液、所述多种第一原料滤液和所述多种第二原料滤液进行混合以得到钻山风合剂。
37.图1为根据本技术实施例的钻山风合剂的配制方法的场景示意图。如图1所示，在该应用场景中，通过摄像头（例如，如图1中所示意的c）获取预定时间段的所述钻山风原料的煎煮监控视频。接着，将上述钻山风原料的煎煮监控视频输入至部署有用于钻山风合剂的配制算法的服务器（例如，图1中的s）中，其中，所述服务器能够以所述钻山风合剂的配制算法对上述输入的监控视频进行处理，以生成用于表示是否停止煎煮的分类结果。
38.在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
39.示例性方法图2为根据本技术实施例的钻山风合剂的配制方法的流程图。如图2所示，根据本技术实施例的钻山风合剂的配制方法，包括步骤：s1，使用乙醇溶液对四块瓦和山姜的粗粉进行渗漉处理以得到渗漉液；s2，分别对钻山风原料、威灵仙、千斤拔、鸡血藤、黄鳝藤和青风藤进行煎煮以得到多种第一原料滤液；s3，分别对原料天麻、党参、黄芪、枣仁和枸杞进行煎煮以得到多种第二原料滤液；以及，s4，将所述渗漉液、所述多种第一原料滤液和所述多种第二原料滤液进行混合以得到钻山风合剂。
40.具体地，在步骤s1中，使用乙醇溶液对四块瓦和山姜的粗粉进行渗漉处理以得到渗漉液。其中，乙醇溶液的质量分数应按照一个优选的比例来进行对四块瓦和山姜的粗粉的渗漉处理以此来达到一个最佳的渗漉效果，在一个示例中，乙醇的质量分数可以为75%。在此过程中，首先，提取所述四块瓦和山姜的粗粉，放置于洁净容器内，加入少量乙醇，搅拌、静置一段时间使之充分湿润膨胀；接着
ꢁ
，通过一块滤板将已润湿的所述四块瓦和山姜的粗粉盖上滤布并压实；然后，从所述四块瓦和山姜的粗粉上部添加溶剂以此来使得渗漉液从出口流出，待溶剂浸没粗粉时关闭渗漉口；最后，经过一段时间的浸渍使得溶剂充分渗透之后，用所述洁净容器来接收渗漉液，在此期间不断添加乙醇，直至乙醇没过所述粗粉，收集渗漉液直至渗漉完成。
41.具体地，在步骤s2中，分别对钻山风原料、威灵仙、千斤拔、鸡血藤、黄鳝藤和青风藤进行煎煮以得到多种第一原料滤液。特别地，钻山风配以黄鳝藤和青风藤两味祛风湿的
药品，可祛除风、寒、湿、邪入侵产生的痹毒，斩断风湿骨病痛根，清除病患部位的疼痛、红肿、晨僵等症状；以及，组方中的威灵仙、千斤拔、鸡血藤、等名贵中草药，其有限成分能迅速修复受损关节，同时增强病患部位的血液循环，打通瘀阻，恢复正常生理功能。
42.图4为根据本技术实施例的钻山风合剂的配制方法中第一原料滤液煎煮过程的流程图。如图4所示，在所述第一原料滤液煎煮过程中，包括：s110，获取由摄像头采集的预定时间段的所述钻山风原料的煎煮监控视频；s120，从所述煎煮监控视频提取多个煎煮监控关键帧；s130，使用光流特征提取网络从所述多个煎煮监控关键帧提取光流图像的序列；s140，将所述多个煎煮监控关键帧通过基于三维卷积神经网络模型的空间流特征提取器以得到第一煎煮状态特征图；s150，将所述光流图像的序列通过基于三维卷积神经网络模型的时间流特征提取器以得到第二煎煮状态特征图；s160，融合所述第一煎煮状态特征图和所述第二煎煮状态特征图以得到分类特征图；以及，s170，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是否停止煎煮。
43.图3为根据本技术实施例的钻山风合剂的配制方法的系统架构图。如图3所示，该网络结构中，首先，获取由摄像头采集的预定时间段的所述钻山风原料的煎煮监控视频；接着，从所述煎煮监控视频提取多个煎煮监控关键帧；使用光流特征提取网络从所述多个煎煮监控关键帧提取光流图像的序列；然后，将所述多个煎煮监控关键帧通过基于三维卷积神经网络模型的空间流特征提取器以得到第一煎煮状态特征图；将所述光流图像的序列通过基于三维卷积神经网络模型的时间流特征提取器以得到第二煎煮状态特征图；融合所述第一煎煮状态特征图和所述第二煎煮状态特征图以得到分类特征图；进而，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是否停止煎煮。
44.更具体地，在步骤s110中，获取由摄像头采集的预定时间段的所述钻山风原料的煎煮监控视频。应可以理解，通过获取监控视频，可以实时地观察煎煮过程中的各种变化和情况，例如温度、湿度、颜色、泡沫等，从而快速判断煎煮是否已经到达预设状态或者需要继续加工。与传统的人工监控方式相比，采用摄像头自动采集监控视频可以大大提高生产效率和准确性，并且可以24小时不间断地监控煎煮过程，避免因为人力成本限制导致无法实现全天候的监控。因此，在本技术的技术方案中，首先，通过摄像头来获取预定时间段的所述钻山风原料的煎煮监控视频。
45.更具体地，在步骤s120中，从所述煎煮监控视频提取多个煎煮监控关键帧。由于煎煮过程比较复杂，视频中可能包含很多无关的信息，例如静态背景、光照变化、噪声等，如果直接对整个视频进行特征提取和分析会导致质量下降和计算量增大的问题。而通过从视频中提取关键帧，可以将视频转换为一系列静态图像，抽取其中最能够代表煎煮状态的帧作为特征，避免了对无意义信息进行处理的情况，同时提高了特征的准确性。在本技术一个具体的示例中，以预定采样频率对所述煎煮监控视频进行离散化采样以得到所述多个煎煮监控关键帧。
46.更具体地，在步骤s130中，使用光流特征提取网络从所述多个煎煮监控关键帧提取光流图像的序列。也就是，使用光流特征提取网络从所述多个煎煮监控关键帧提取光流图像的序列。这里，所述光流图像可以有效地反映视频帧之间的运动信息，它可以用于描述物体的位置、速度和方向等特性。在煎煮过程中，原料的状态会发生一系列的变化，例如颜色、形状、质感等，同时还伴随着气泡的产生和消失、液体的沸腾和汽化等现象，这些变化会
导致视频中的光流图像具有明显的运动特征。通过对多个煎煮监控关键帧进行光流特征提取，可以得到一连串的光流图像序列，每个光流图像都对应一个时间点的状态信息。
47.更具体地，在步骤s140中，将所述多个煎煮监控关键帧通过基于三维卷积神经网络模型的空间流特征提取器以得到第一煎煮状态特征图。在本技术的技术方案中，将所述多个煎煮监控关键帧通过基于三维卷积神经网络模型的空间流特征提取器以得到第一煎煮状态特征图。在煎煮过程中，除了光流图像之外，还存在很多与空间位置相关的信息，例如原料的大小、形态、分布等。这些信息可以用于描述原料的变化和运动轨迹，进而对煎煮状态进行判断。特别地，基于三维卷积神经网络模型的空间流特征提取器可以对煎煮监控关键帧中的空间信息进行编码，并捕捉空间信息在时序维度的关联模式特征以得到生成对应的空间流特征图。在一个具体示例中，所述基于三维卷积神经网络模型的空间流特征提取器包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述基于三维卷积神经网络模型的空间流特征提取器的编码过程中，所述基于三维卷积神经网络模型的空间流特征提取器的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。特别地，加入空间位置信息可以更全面地描述煎煮状态，从而提高分类器的准确性和鲁棒性。同时，利用三维卷积神经网络模型进行空间流特征提取可以将时间轴上不同时间点的关键帧信息融合起来，形成一个整体的特征描述，从而避免了对单个关键帧进行处理时所存在的局限性。
48.图5为根据本技术实施例的钻山风合剂的配制方法中空间流特征提取器编码的流程图。如图5所示，在所述空间流特征提取器编码过程中，包括：使用所述基于三维卷积神经网络模型的空间流特征提取器的各层在层的正向传递中分别对输入数据进行：s210，对输入数据进行卷积处理以得到卷积特征图；s220，对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；以及，s230，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于三维卷积神经网络模型的空间流特征提取器的最后一层的输出为所述第一煎煮状态特征图，所述基于三维卷积神经网络模型的空间流特征提取器的第一层的输入为所述煎煮监控关键帧。
49.更具体地，在步骤s150中，将所述光流图像的序列通过基于三维卷积神经网络模型的时间流特征提取器以得到第二煎煮状态特征图。也就是，将所述光流图像的序列通过基于三维卷积神经网络模型的时间流特征提取器以得到第二煎煮状态特征图。应可以理解，在煎煮过程中，除了空间位置信息之外，还存在很多与时间变化相关的信息，例如原料的温度、颜色、形态等特性。这些信息可以用于描述原料的状态随着时间的变化情况，从而更全面地反映煎煮状态。在本技术的一个具体示例中，基于三维卷积神经网络模型的时间流特征提取器可以对光流图像序列中的时间信息进行编码，生成对应的时间流特征图。具体地，该特征提取器采用卷积层、池化层和激活层等结构，对输入的光流图像序列进行卷积、池化和抽取特征等操作，最终所述第二煎煮状态特征图。值得一提的是，与只使用空间位置信息相比，加入时间变化信息可以更全面地描述煎煮状态，从而进一步提高分类器的准确性和鲁棒性。另外，利用三维卷积神经网络模型进行时间流特征提取可以将光流图像序列中的时间信息进行融合，形成一个整体的特征描述，从而避免因为单帧图像的局限性
导致的分类器的误判问题。更具体地，使用所述基于三维卷积神经网络模型的时间流特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于三维卷积神经网络模型的时间流特征提取器的最后一层的输出为所述第二煎煮状态特征图，所述基于三维卷积神经网络模型的时间流特征提取器的第一层的输入为所述光流图像的序列。
50.更具体地，在步骤s160中，融合所述第一煎煮状态特征图和所述第二煎煮状态特征图以得到分类特征图。也就是，在得到所述第一煎煮状态特征图和所述第二煎煮状态特征图后，进一步将两者进行特征融合以此来融合煎煮过程的时间特征和空间特征。特别地，在本技术的技术方案中，考虑到数据采集过程中所述煎煮监控视频的源图像语义误差，在使用光流特征提取网络进行光流特征提取时会被进一步引入所述光流图像的序列，而所述基于三维卷积神经网络模型的空间流特征提取器和所述基于三维卷积神经网络模型的时间流特征提取器各自独立的进行特征提取，这就使得所述第一煎煮状态特征图和所述第二煎煮状态特征图具有各自的特征分布的高斯分布误差不确定性，从而导致在融合所述第一煎煮状态特征图和所述第二煎煮状态特征图得到所述分类特征图时，引起所述分类特征图的分类回归误差，影响所述分类特征矩阵通过分类器得到的分类结果的准确性。基于此，在本技术的技术方案中，分别计算所述第一煎煮状态特征图和所述第二煎煮状态特征图的高斯回归不确定性因数，表示为：表示为：其中，和分别是所述第一煎煮状态特征图和所述第二煎煮状态特征图的第个位置的特征值，是特征图的尺度，和分别是所述第一煎煮状态特征图中各个位置特征值集合的均值和方差，且和分别是所述所述第二煎煮状态特征图中各个位置特征值集合的均值和方差，为以2为底的对数函数值，和分别是所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数。这里，针对所述第一煎煮状态特征图和所述第二煎煮状态特征图各自的集成特征集合由于其分布不确定性信息可能导致的所述分类特征图的不可知回归（agnostic
ꢁ
regression），利用作为统计量化参数的均值和方差来进行特征集合的统计特性的标量度量，从而将特征误差表示的正态分布认知模式扩展到未知的分布回归模式，实现特征集合尺度上的基于自然分布转移的迁移学习，这样，通过以上述高斯回归不确定性因数分别对所述第一煎煮状态特征图和所述第二煎煮状态特征图加权后再进行融合，就可以实现所述第一煎煮状态特征图和所述第二煎煮状态特征图在融合时基于自校准的不确定性修正，从而修正所述分类特征图存在的分类回归误差，提升所述分类特征图通过分类器得到的分类结果的准确性。
51.图6为根据本技术实施例的钻山风合剂的配制方法中融合过程的流程图。如图6所示，在所述融合过程中，包括：s310，分别计算所述第一煎煮状态特征图和所述第二煎煮状态特征图的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数；s320，以所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数作为权重，分别对所述第一煎煮状态特征图和所述第二煎煮状态特征图进行加权以得到加权后第一煎煮状态特征图和加权后第二煎煮状态特征图；s330，将所述加权后第一煎煮状态特征图和所述加权后第二煎煮状态特征图进行级联以得到所述分类特征图。其中，所述s330，包括：以如下级联公式将所述加权后第一煎煮状态特征图和所述加权后第二煎煮状态特征图进行级联以得到所述分类特征图；其中，所述公式为：，其中，表示所述加权后第一煎煮状态特征图，表示所述加权后第二煎煮状态特征图，表示级联函数，表示所述分类特征图。
52.更具体地，在步骤s170中，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是否停止煎煮。在本技术的技术方案中，在得到所述分类特征图后进一步将其通过分类器以得到用于表示是否停止煎煮的分类结果，具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的softmax层。其中，在所述分类器的分类处理中，首先将所述分类特征图投影为向量，例如，在一个具体的示例中，将所述分类特征图沿着行向量或者列向量进行展开为分类特征向量；然后，使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量；进而，将所述编码分类特征向量输入所述分类器的softmax层，即，使用所述softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签。在本技术的技术方案中，所述分类器的标签包括停止煎煮(第一标签)，以及，不停止煎煮(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征图属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“是否停止煎煮”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2
ꢁ
之和为一。因此，是否停止煎煮的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“是否停止煎煮”的语言文本意义。特别地，其中，所述分类器是基于深度学习方法的分类器其能够对所述分类特征图进行分类预测以得到用于表示是否停止煎煮的分类结果。也就是，使用所述分类器对实现对当前煎煮状态的快速准确判断。
53.图7为根据本技术实施例的钻山风合剂的配制方法中分类过程的流程图。如图7所示，在所述分类过程中，包括：s410，将所述分类特征图基于行向量或列向量展开为分类特征向量；s420，使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，s430，将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
54.具体地，在步骤s3中，分别对原料天麻、党参、黄芪、枣仁和枸杞进行煎煮以得到多种第二原料滤液。特别地，天麻、党参、黄芪、枣仁和枸杞等多种中药组用，可以在祛风湿时提高人的免疫力，以此来加快祛风湿的疗效。
55.具体地，在步骤s4中，将所述渗漉液、所述多种第一原料滤液和所述多种第二原料
滤液进行混合以得到钻山风合剂。在一个示例中，在得到所述第一原料滤液和所述第二原料滤液之后，将两者进行混合，进而再通过搅拌均匀、过滤、灌装，以得到所述钻山风合剂。
56.综上，根据本技术实施例的钻山风合剂的配制方法被阐明，其通过采用人工智能的机器视觉技术来观察原料在煎煮过程中的状态变化，并基于煎煮状态变化来判断是否停止煎煮，这样能够基于煎煮过程中状态的时序特征来智能地判断煎煮时长，从而能够基于各道原料的药材特性来自适应地调整煎煮时间，以更为充分地发挥各道原料的功效。
57.示例性系统图8为根据本技术实施例的钻山风合剂的配制系统的框图。如图8所示，根据本技术实施例的钻山风合剂的配制系统300，包括：监控视频获取模块310；采样模块320；图像提取模块330；第一卷积生成模块340；第二卷积生成模块350；融合模块360；以及，分类结果生成模块370。
58.其中，所述监控视频获取模块310，用于获取由摄像头采集的预定时间段的所述钻山风原料的煎煮监控视频；所述采样模块320，用于从所述煎煮监控视频提取多个煎煮监控关键帧；所述图像提取模块330，用于使用光流特征提取网络从所述多个煎煮监控关键帧提取光流图像的序列；所述第一卷积生成模块340，用于将所述多个煎煮监控关键帧通过基于三维卷积神经网络模型的空间流特征提取器以得到第一煎煮状态特征图；所述第二卷积生成模块350，用于将所述光流图像的序列通过基于三维卷积神经网络模型的时间流特征提取器以得到第二煎煮状态特征图；所述融合模块360，用于融合所述第一煎煮状态特征图和所述第二煎煮状态特征图以得到分类特征图；以及，所述分类结果生成模块370，用于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是否停止煎煮。
59.在一个示例中，在上述钻山风合剂的配制系统300中，所述采样模块320，用于：以预定采样频率对所述煎煮监控视频进行采样处理以得到所述多个煎煮监控关键帧。
60.在一个示例中，在上述钻山风合剂的配制系统300中，所述第一卷积生成模块340，用于：使用所述基于三维卷积神经网络模型的空间流特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于三维卷积神经网络模型的空间流特征提取器的最后一层的输出为所述第一煎煮状态特征图，所述基于三维卷积神经网络模型的空间流特征提取器的第一层的输入为所述煎煮监控关键帧。
61.在一个示例中，在上述钻山风合剂的配制系统300中，所述第二卷积生成模块350，用于：使用所述基于三维卷积神经网络模型的时间流特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于三维卷积神经网络模型的时间流特征提取器的最后一层的输出为所述第二煎煮状态特征图，所述基于三维卷积神经网络模型的时间流特征提取器的第一层的输入为所述光流图像的序列。
62.在一个示例中，在上述钻山风合剂的配制系统300中，所述融合模块360，用于：分别计算所述第一煎煮状态特征图和所述第二煎煮状态特征图的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数；以所述第一高斯回归不确
定性因数和所述第二高斯回归不确定性因数作为权重，分别对所述第一煎煮状态特征图和所述第二煎煮状态特征图进行加权以得到加权后第一煎煮状态特征图和加权后第二煎煮状态特征图；将所述加权后第一煎煮状态特征图和所述加权后第二煎煮状态特征图进行级联以得到所述分类特征图。其中，分别计算所述第一煎煮状态特征图和所述第二煎煮状态特征图的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数，包括：以如下优化公式计算所述第一煎煮状态特征图和所述第二煎煮状态特征图的高斯回归不确定性因数以得到所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数；其中，所述公式为：所述公式为：其中，和分别是所述第一煎煮状态特征图和所述第二煎煮状态特征图的第个位置的特征值，是特征图的尺度，和分别是所述第一煎煮状态特征图中各个位置特征值集合的均值和方差，且和分别是所述所述第二煎煮状态特征图中各个位置特征值集合的均值和方差，为以2为底的对数函数值，和分别是所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数。更具体地，将所述加权后第一煎煮状态特征图和所述加权后第二煎煮状态特征图进行级联以得到所述分类特征图，包括：以如下级联公式将所述加权后第一煎煮状态特征图和所述加权后第二煎煮状态特征图进行级联以得到所述分类特征图；其中，所述公式为：其中，表示所述加权后第一煎煮状态特征图，表示所述加权后第二煎煮状态特征图，表示级联函数，表示所述分类特征图。
63.在一个示例中，在上述钻山风合剂的配制系统300中，所述分类结果生成模块370，用于：将所述分类特征图基于行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
64.综上，根据本技术实施例的钻山风合剂的配制系统300被阐明，其通过采用人工智能的机器视觉技术来观察原料在煎煮过程中的状态变化，并基于煎煮状态变化来判断是否停止煎煮，这样能够基于煎煮过程中状态的时序特征来智能地判断煎煮时长，从而能够基于各道原料的药材特性来自适应地调整煎煮时间，以更为充分地发挥各道原料的功效。
65.如上所述，根据本技术实施例的钻山风合剂的配制系统可以实现在各种终端设备中。在一个示例中，根据本技术实施例的钻山风合剂的配制系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该钻山风合剂的配制系统300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；
当然，该钻山风合剂的配制系统300同样可以是该终端设备的众多硬件模块之一。
66.替换地，在另一示例中，该钻山风合剂的配制系统300与该终端设备也可以是分立的设备，并且该钻山风合剂的配制系统300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
67.示例性电子设备下面，参考图9来描述根据本技术实施例的电子设备。
68.图9图示了根据本技术实施例的电子设备的框图。
69.如图9所示，电子设备10包括一个或多个处理器11和存储器12。
70.处理器11可以是中央处理单元（cpu）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
71.存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（ram）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（rom）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的钻山风合剂的配制方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如分类特征图等各种内容。
72.在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
73.该输入装置13可以包括例如键盘、鼠标等等。
74.该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
75.当然，为了简化，图9中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
76.示例性计算机程序产品和计算机可读存储介质除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的钻山风合剂的配制方法中的功能中的步骤。
77.所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
78.此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的钻山风合剂的配制方法中的功能中的步骤。
79.所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（ram）、只读存储器（rom）、可擦式可编程只读存储器（eprom或闪存）、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
80.以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
81.本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
82.还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
83.提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
84.为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：
1.一种钻山风合剂的配制方法，其特征在于，包括：使用乙醇溶液对四块瓦和山姜的粗粉进行渗漉处理以得到渗漉液；分别对钻山风原料、威灵仙、千斤拔、鸡血藤、黄鳝藤和青风藤进行煎煮以得到多种第一原料滤液；分别对原料天麻、党参、黄芪、枣仁和枸杞进行煎煮以得到多种第二原料滤液；以及将所述渗漉液、所述多种第一原料滤液和所述多种第二原料滤液进行混合以得到钻山风合剂。2.根据权利要求1所述的钻山风合剂的配制方法，其特征在于，分别对原料钻山风、威灵仙、千斤拔、鸡血藤、黄鳝藤和青风藤进行煎煮以得到多种第一原料滤液，包括：获取由摄像头采集的预定时间段的所述钻山风原料的煎煮监控视频；从所述煎煮监控视频提取多个煎煮监控关键帧；使用光流特征提取网络从所述多个煎煮监控关键帧提取光流图像的序列；将所述多个煎煮监控关键帧通过基于三维卷积神经网络模型的空间流特征提取器以得到第一煎煮状态特征图；将所述光流图像的序列通过基于三维卷积神经网络模型的时间流特征提取器以得到第二煎煮状态特征图；融合所述第一煎煮状态特征图和所述第二煎煮状态特征图以得到分类特征图；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是否停止煎煮。3.根据权利要求2所述的钻山风合剂的配制方法，其特征在于，从所述煎煮监控视频提取多个煎煮监控关键帧，包括：以预定采样频率对所述煎煮监控视频进行采样处理以得到所述多个煎煮监控关键帧。4.根据权利要求3所述的钻山风合剂的配制方法，其特征在于，将所述多个煎煮监控关键帧通过基于三维卷积神经网络模型的空间流特征提取器以得到第一煎煮状态特征图，包括：使用所述基于三维卷积神经网络模型的空间流特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于三维卷积神经网络模型的空间流特征提取器的最后一层的输出为所述第一煎煮状态特征图，所述基于三维卷积神经网络模型的空间流特征提取器的第一层的输入为所述煎煮监控关键帧。5.根据权利要求4所述的钻山风合剂的配制方法，其特征在于，将所述光流图像的序列通过基于三维卷积神经网络模型的时间流特征提取器以得到第二煎煮状态特征图，包括：使用所述基于三维卷积神经网络模型的时间流特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述基于三维卷积神经网络模型的时间流特征提取器的最后一层的输出为所述第二煎煮状态特征图，所述基于三维卷积神经网络模型的时间流特征提取器的第一层的输入为所述光流图像的序列。6.根据权利要求5所述的钻山风合剂的配制方法，其特征在于，融合所述第一煎煮状态特征图和所述第二煎煮状态特征图以得到分类特征图，包括：分别计算所述第一煎煮状态特征图和所述第二煎煮状态特征图的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数；以所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数作为权重，分别对所述第一煎煮状态特征图和所述第二煎煮状态特征图进行加权以得到加权后第一煎煮状态特征图和加权后第二煎煮状态特征图；将所述加权后第一煎煮状态特征图和所述加权后第二煎煮状态特征图进行级联以得到所述分类特征图。7.根据权利要求6所述的钻山风合剂的配制方法，其特征在于，分别计算所述第一煎煮状态特征图和所述第二煎煮状态特征图的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数，包括：以如下优化公式计算所述第一煎煮状态特征图和所述第二煎煮状态特征图的高斯回归不确定性因数以得到所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数；其中，所述公式为：所述公式为：其中，和分别是所述第一煎煮状态特征图和所述第二煎煮状态特征图的第个位置的特征值，是特征图的尺度，和分别是所述第一煎煮状态特征图中各个位置特征值集合的均值和方差，且和分别是所述所述第二煎煮状态特征图中各个位置特征值集合的均值和方差，为以2为底的对数函数值，和分别是所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数。8.根据权利要求7所述的钻山风合剂的配制方法，其特征在于，将所述加权后第一煎煮状态特征图和所述加权后第二煎煮状态特征图进行级联以得到所述分类特征图，包括：以如下级联公式将所述加权后第一煎煮状态特征图和所述加权后第二煎煮状态特征图进行级联以得到所述分类特征图；其中，所述公式为：其中，表示所述加权后第一煎煮状态特征图，表示所述加权后第二煎煮状态特征图，表示级联函数，表示所述分类特征图。
9.根据权利要求8所述的钻山风合剂的配制方法，其特征在于，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是否停止煎煮，包括：将所述分类特征图基于行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。10.一种钻山风合剂的配制系统，其特征在于，包括：监控视频获取模块，用于获取由摄像头采集的预定时间段的所述钻山风原料的煎煮监控视频；采样模块，用于从所述煎煮监控视频提取多个煎煮监控关键帧；图像提取模块，用于使用光流特征提取网络从所述多个煎煮监控关键帧提取光流图像的序列；第一卷积生成模块，用于将所述多个煎煮监控关键帧通过基于三维卷积神经网络模型的空间流特征提取器以得到第一煎煮状态特征图；第二卷积生成模块，用于将所述光流图像的序列通过基于三维卷积神经网络模型的时间流特征提取器以得到第二煎煮状态特征图；融合模块，用于融合所述第一煎煮状态特征图和所述第二煎煮状态特征图以得到分类特征图；以及分类结果生成模块，用于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是否停止煎煮。

技术总结
本申请涉及智能配制领域，其具体地公开了一种钻山风合剂的配制方法及其系统，其通过采用人工智能的机器视觉技术来观察原料在煎煮过程中的状态变化，并基于煎煮状态变化来判断是否停止煎煮，这样能够基于煎煮过程中状态的时序特征来智能地判断煎煮时长，从而能够基于各道原料的药材特性来自适应地调整煎煮时间，以更为充分地发挥各道原料的功效。以更为充分地发挥各道原料的功效。以更为充分地发挥各道原料的功效。


技术研发人员：杨剑佩
受保护的技术使用者：江西金顶药业有限公司
技术研发日：2023.05.24
技术公布日：2023/9/6