一种基于AIOT的生物智能制造过程行为分析系统

本发明涉及生物智能制造、物联网领域和人工智能算法领域，尤其涉及一种基于aiot的生物智能制造过程行为分析系统。

背景技术：

1、随着生物技术和智能制造的深度融合，生物智能制造过程日益复杂化和精细化，对生产过程中的实时监控、行为分析及智能决策提出了更高的要求。传统的生物制造系统往往依赖于中心化的数据处理架构，图像数据通常需要集中上传至云端进行处理与分析，这不仅增加了网络传输负担，还可能由于带宽限制和延迟问题导致目标检测与行为分析的敏捷性不足，进而影响整个生产流程的优化与控制。

2、此外，在生物智能制造场景中，涉及大量的实时高清图像数据采集，尤其是对于快速变化或微小细节的行为捕捉，需要强大的边缘计算能力来实现即时的预处理和初步分析，以减轻云端算力压力并提高响应速度。然而，早期的云边端协同解决方案在目标检测算法的执行效率、模型大小以及资源分配方面存在局限性，难以满足生物制造过程中对于高精度、低时延和高效能的要求。

3、因此，本发明针对以上挑战，提出了一种基于aiot(人工智能物联网)的生物智能制造过程行为分析系统。该系统创新地集成了轻量化云边端协同模块，通过将部分计算任务下移到边缘设备，结合高效的分布式计算和智能调度策略，显著提升了目标检测的实时性和准确性，并有效降低了整体算力消耗。同时，利用先进的人工智能算法模块，特别是深度学习的目标检测技术，实现了对生物智能制造过程中关键行为的精准识别与深入分析，从而构建了一个真正意义上的高精度、轻量化、云边端一体化的生物智能制造过程行为分析平台。这一突破性的技术革新为生物制造业提供了强有力的支持，助力其实现更高级别的智能化和自动化水平。

技术实现思路

1、本发明的目的在于针对现有技术的不足，提供了一种基于aiot的生物智能制造过程行为分析系统。

2、本发明的目的是通过以下技术方案来实现的：一种基于aiot的生物智能制造过程行为分析系统，包括：aiot云边端协同模块以及生物智能制造过程行为检测和分析模块。

3、进一步地，所述基于aiot的生物智能制造过程行为分析系统还配备了一个适应生物智能制造现场图像采集的设备集群；当所述适应生物智能制造现场图像采集的设备集群完成图像采集后，所述基于aiot的生物智能制造过程行为分析系统能够通过基于websocket/mqtt的全双工通信，实现云端、边缘节点和适应生物智能制造现场图像采集的设备集群之间的图像协同；

4、所述基于aiot的生物智能制造过程行为分析系统支持基于生物智能制造现场图像采集分析系统客户端与云端的同步通信，能够实时获取生物智能制造现场图像采集设备集群的状态和采集的图像的状态；

5、所述基于aiot的生物智能制造过程行为分析系统还支持设备集群内部、设备集群与边缘节点以及边缘节点到云端的信息协同。

6、进一步地，所述aiot云边端协同模块可接入适应生物智能制造现场图像采集的设备集群；所述aiot云边端协同模块的边缘侧提供了一系列的边缘功能组件，所述边缘功能组件包括生物智能制造机理规则引擎、边缘消息路由引擎、生物智能制造现场图像采集设备集群接入管理、生物智能制造aiot应用管理、生物智能制造一体化边缘os和生物智能制造eaas；所述aiot云边端协同模块的平台侧提供了生物智能制造aiot一体化云边协同控制台、生物智能制造实例管理、生物智能制造设备驱动管理和生物智能制造aiot应用管理；所述aiot云边端协同模块为生物智能制造aiot应用侧赋能，包括生物智能制造生产管理应用、生物智能制造安全管理应用、生物智能制造生产管理绩效管理应用和生物智能制造全境展示应用；在行为检测完成后，所述aiot云边端协同模块可进行行为分析的云边端信息协同。

7、进一步地，所述生物智能制造过程行为检测和分析模块基于yolox目标检测网络，采用mobilenet-v3作为主干网络，引入通道分离卷积，通道可分离卷积分为两个过程，分别是channel方向通道可分离卷积和正常的1×1卷积输出指定的channel个数；

8、所述生物智能制造过程行为检测和分析模块还引入h-swish激活函数，并引入inverted residuals和linear bottleneck；

9、所述生物智能制造过程行为检测和分析模块还引入了nas。

10、进一步地，所述生物智能制造过程行为检测和分析模块基于yolox目标检测网络，通过引入acon自适应激活函数算法以灵活控制激活程度；当非线性函数变为线性时，切换因子衰减到0，无法激活神经元，其中，所述切换因子是一个超参数β用来决定神经元是否被激活；以max(ηa(x),ηb(x))作为激活函数的形式，其中，ηa(x)和ηb(x)分别表示线性函数；所述acon自适应激活函数算法可利用切换因子β来对ηa(x)和ηb(x)进行动态自适应处理：

11、facon(x)＝(ηa(x)-ηb(x))·σ[β(ηa(x)-ηb(x))]+ηb(x)          (1)；

12、其中，σ表示sigmoid函数；

13、acon-c采用相同的双自变量函数，在特征上使用超参数β缩放，形式上使ηa(x)＝p1x，ηb(x)＝p2x，p1≠p2，则：

14、

15、acon的自适应激活增强特征表达，能够优化复杂场景检测，提升整体识别精准度；动态调整激活函数加速网络收敛，减少训练时间，提升学习效率；自适应机制应对多样本变化，增强模型在不同条件下的稳定性和泛化能力。

16、进一步地，所述生物智能制造过程行为检测和分析模块，在yolox目标检测网络的主干网络中使用空间金字塔池化结构，所述空间金字塔池化结构用于将任意大小的特征图转换成固定大小的特征向量；

17、所述空间金字塔池化结构的主要部分是利用最大池化方法提取4个不同尺寸的特征图，再利用concat操作合并四个特征图以确保最大化地提取特征；

18、所述空间金字塔池化结构的输入和输出部分都是由卷积层、bn层和激活函数所组成的卷积模块；将2个卷积模块中的激活函数改进为meta-acon，使得空间金字塔池化结构具有动态非线性度，当ηa(x)＝p1x，ηb(x)＝p2x，p1≠p2时，

19、

20、其中，切换因子β明确地展示优化非线性(激活)和线性(非激活)之间的参数切换；空间金字塔池化通过融合局部与全局特征，增强了特征表示能力，有效提升了生物智能制造过程图像检测的精度，同时减轻了图像失真问题，提升了检测速度并降低了计算成本。

21、进一步地，所述生物智能制造过程行为检测和分析模块还在yolox目标检测网络中嵌入了cbam注意力模块；所述cbam注意力模块包含两个独立的子模块：通道注意力模块和空间注意力模块，分别进行通道与空间维度上的注意力特征融合；

22、给定一个中间特征图f∈rc×h×w作为输入，所述cbam注意力模块按照顺序分别通过一维的通道注意图mc∈rc×1×1和二维的空间注意图ms∈r1×h×w，整体的注意力过程归纳为：

23、

24、其中，表示逐元素乘法；将cbam注意力模块嵌入到yolox目标检测网络中，有利于解决原始网络无注意力偏好的问题；并且，cbam能够节约参数和算力以及提高检测精确度。

25、进一步地，所述生物智能制造过程行为检测和分析模块还引入特征金字塔网络结构。

26、本发明的有益效果是：

27、1)提升敏捷性：针对传统云边端协同目标检测中存在的敏捷性差的问题，本发明通过优化云边端资源配置及智能调度策略，使得系统能在第一时间对生物智能制造现场的行为变化做出快速反应；

28、2)降低算力消耗：通过引入轻量化算法和模型，并合理分配云边端计算任务，显著减少了对云端服务器的算力依赖，降低了整体能耗，同时也节约了网络带宽资源；

29、3)提高准确性：利用先进的人工智能算法和深度学习技术改进目标检测和行为分析模块，克服了原有方法在生物智能制造特定场景下识别准确率低的缺陷，实现了更高精度的行为识别和过程控制。