一种GMP车间智能化监控管理方法及系统与流程

一种gmp车间智能化监控管理方法及系统
技术领域
1.本发明涉及新一代信息技术服务相关技术领域，具体涉及一种gmp车间智能化监控管理方法及系统。


背景技术：

2.在药企生产过程中，为了保证生产过程的安全性以及生产药物的质量，一般都需要在严格符合gmp质量安全管理体系要求的车间内工作，对于gmp车间的严格管理是保证良好运转的前提。
3.传统的管理方式主要依赖人员培训以及人工监控制定管理标准实现gmp车间的管理，但是近年来随着智能制造的兴起，药企逐渐实现了自动化或者半自动化生产，传统的管理方式已经无法适应现在的发展现状，但目前而言，并没有出现行之有效其他管理方式。
4.但本技术发明人在实现本技术实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
5.现有技术中由于主要依靠人工或者机器辅助的形式管理车间，导致存在智能化程度较低的技术问题。


技术实现要素：

6.本技术实施例通过提供了一种gmp车间智能化监控管理方法及系统，解决了现有技术中由于主要依靠人工或者机器辅助的形式管理车间，导致存在智能化程度较低的技术问题。通过智能摄像装置采集gmp车间全方位的图像信息，并依据采集图像的类型对采集的图像进行聚类，筛除冗杂数据，得到表征包括人员图像和设备图像在内的聚类结果；进一步的，基于大数据采集多家不同企业的加密数据训练智能识别模型，利用训练完成的智能模型分析聚类结果中的图像异常数据，基于异常信息对gmp车间进行管理。通过采集多方企业的数据加大了训练样本，提高了模型识别能力，加密训练的方式保证了不同企业之间的数据隐私，依据异常数据进行管理，实现了自动化管理，达到了提高gmp车间管理智能化的技术效果。
7.鉴于上述问题，本技术实施例提供了一种gmp车间智能化监控管理方法及系统。
8.第一方面，本技术实施例提供了一种gmp车间智能化监控管理方法，其中，所述方法应用于一gmp车间智能化监控管理系统，所述系统和智能摄像装置通信连接，所述方法包括：通过所述智能摄像装置，获得第一gmp车间的第一图像信息集合；对所述第一图像信息集合进行聚类分析，获得第一聚类结果，其中，所述第一聚类结果包括第一人员图像信息和第一设备图像信息；获得第一加密参数，基于所述第一图像信息集合和所述第一加密参数构建第一异常识别模型，其中，所述第一加密参数为通过多方gmp车间图像信息聚合分析获得；将所述第一人员图像信息和所述第一设备图像信息输入所述第一异常识别模型，获得第一识别结果；依据所述第一识别结果对所述第一gmp车间进行管理。
9.另一方面，本技术实施例提供了一种gmp车间智能化监控管理系统，其中，所述方
系统包括：第一获得单元，所述第一获得单元用于通过所述智能摄像装置，获得第一gmp车间的第一图像信息集合；第二获得单元，所述第二获得单元用于对所述第一图像信息集合进行聚类分析，获得第一聚类结果，其中，所述第一聚类结果包括第一人员图像信息和第一设备图像信息；第三获得单元，所述第三获得单元用于获得第一加密参数，基于所述第一图像信息集合和所述第一加密参数构建第一异常识别模型，其中，所述第一加密参数为通过多方gmp车间图像信息聚合分析获得；第四获得单元，所述第四获得单元用于将所述第一人员图像信息和所述第一设备图像信息输入所述第一异常识别模型，获得第一识别结果；第一管理单元，所述第一管理单元用于依据所述第一识别结果对所述第一gmp车间进行管理。
10.第三方面，本技术实施例提供了一种gmp车间智能化监控管理系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
11.本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
12.由于采用了通过所述智能摄像装置，获得第一gmp车间的第一图像信息集合；对所述第一图像信息集合进行聚类分析，获得第一聚类结果，其中，所述第一聚类结果包括第一人员图像信息和第一设备图像信息；获得第一加密参数，基于所述第一图像信息集合和所述第一加密参数构建第一异常识别模型，其中，所述第一加密参数为通过多方gmp车间图像信息聚合分析获得；将所述第一人员图像信息和所述第一设备图像信息输入所述第一异常识别模型，获得第一识别结果；依据所述第一识别结果对所述第一gmp车间进行管理的技术方案，通过智能摄像装置采集gmp车间全方位的图像信息，并依据采集图像的类型对采集的图像进行聚类，筛除冗杂数据，得到表征包括人员图像和设备图像在内的聚类结果；进一步的，基于大数据采集多家不同企业的加密数据训练智能识别模型，利用训练完成的智能模型分析聚类结果中的图像异常数据，基于异常信息对gmp车间进行管理。通过采集多方企业的数据加大了训练样本，提高了模型识别能力，加密训练的方式保证了不同企业之间的数据隐私，依据异常数据进行管理，实现了自动化管理，达到了提高gmp车间管理智能化的技术效果。
13.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
14.图1为本技术实施例提供了一种gmp车间智能化监控管理方法流程示意图；
15.图2为本技术实施例提供了一种gmp车间物料重点区域异常处理的方法流程示意图；
16.图3为本技术实施例提供了一种gmp车间内图像信息和mes系统生产信息的关联方法流程示意图；
17.图4为本技术实施例提供了一种gmp车间智能化监控管理系统结构示意图；
18.图5为本技术实施例示例性电子设备的结构示意图。
19.附图标记说明：第一获得单元11，第二获得单元12，第三获得单元13，第四获得单元14，第一管理单元15，电子设备300，存储器301，处理器302，通信接口303，总线架构304。
具体实施方式
20.本技术实施例通过提供了一种gmp车间智能化监控管理方法及系统，解决了现有技术中由于主要依靠人工或者机器辅助的形式管理车间，导致存在智能化程度较低的技术问题。通过智能摄像装置采集gmp车间全方位的图像信息，并依据采集图像的类型对采集的图像进行聚类，筛除冗杂数据，得到表征包括人员图像和设备图像在内的聚类结果；进一步的，基于大数据采集多家不同企业的加密数据训练智能识别模型，利用训练完成的智能模型分析聚类结果中的图像异常数据，基于异常信息对gmp车间进行管理。通过采集多方企业的数据加大了训练样本，提高了模型识别能力，加密训练的方式保证了不同企业之间的数据隐私，依据异常数据进行管理，实现了自动化管理，达到了提高gmp车间管理智能化的技术效果。
21.申请概述
22.在药企生产过程中，为了保证生产过程的安全性以及生产药物的质量，一般都需要在严格符合gmp质量安全管理体系要求的车间内工作，对于gmp车间的严格管理是保证良好运转的前提。传统的管理方式主要依赖人员培训以及人工监控制定管理标准实现gmp车间的管理，但是近年来随着智能制造的兴起，药企逐渐实现了自动化或者半自动化生产，传统的管理方式已经无法适应现在的发展现状，但目前而言，并没有出现行之有效其他管理方式。但现有技术中由于主要依靠人工或者机器辅助的形式管理车间，导致存在智能化程度较低的技术问题。
23.针对上述技术问题，本技术提供的技术方案总体思路如下：
24.本技术实施例提供了一种gmp车间智能化监控管理方法其中，所述方法应用于一gmp车间智能化监控管理系统，所述系统和智能摄像装置通信连接，所述方法包括：通过所述智能摄像装置，获得第一gmp车间的第一图像信息集合；对所述第一图像信息集合进行聚类分析，获得第一聚类结果，其中，所述第一聚类结果包括第一人员图像信息和第一设备图像信息；获得第一加密参数，基于所述第一图像信息集合和所述第一加密参数构建第一异常识别模型，其中，所述第一加密参数为通过多方gmp车间图像信息聚合分析获得；将所述第一人员图像信息和所述第一设备图像信息输入所述第一异常识别模型，获得第一识别结果；依据所述第一识别结果对所述第一gmp车间进行管理。
25.在介绍了本技术基本原理后，下面将结合说明书附图来具体介绍本技术的各种非限制性的实施方式。
26.实施例一
27.如图1所示，本技术实施例提供了一种gmp车间智能化监控管理方法，其中，所述方法应用于一gmp车间智能化监控管理系统，所述系统和智能摄像装置通信连接，所述方法包括：
28.s100：通过所述智能摄像装置，获得第一gmp车间的第一图像信息集合；
29.具体而言，所述智能摄像装置为对所述第一gmp车间各个角度进行全方位视频监控的设备，优选的部署多个和所述gmp车间智能化监控管理系统通信连接的智能摄像装置，部署位置以可以全面监控所述第一gmp车间尤其是诸如通风口、生产线等关键区域为基准设置；所述第一gmp车间的第一图像信息集合为通过所述智能摄像装置采集到的实时监控视频信息基于时序进行提取并存储得到的可以表征所述第一gmp车间全角度信息的图像集
合。通过将视频信息转化为随时序存储的实时图像数据，便于数据的高效处理，基于全方位的图像信息为监控管理提供了数据基础，进而保证了后步模型分析的准确性。
30.s200：对所述第一图像信息集合进行聚类分析，获得第一聚类结果，其中，所述第一聚类结果包括第一人员图像信息和第一设备图像信息；
31.具体而言，所述第一聚类结果为对所述第一图像信息集合基于不同的关注要素进行聚类降维后的结果，原本的所述第一图像信息集合为来源于多个不同的所述智能摄像装置的冗杂数据，通过聚类分析后可以筛除相似度角度较高或者信息量较少的图像信息，降低冗杂度。进而得到不同关注要素的聚类结果，举不设限制的几例：关注要素为人群的所述第一人员图像信息、关注要素为设备的所述第一设备图像信息、关注要素为重点区域的重点区域数据信息：通风口、安全通道、生产区域等。通过依据不同的关注要素将所述第一图像信息集合聚类后，便于后步模型分析时只需要读取关注要素就可以快速调用对应聚类的图像，而不用遍历所有的图像数据，提高了数据处理的效率。
32.s300：获得第一加密参数，基于所述第一图像信息集合和所述第一加密参数构建第一异常识别模型，其中，所述第一加密参数为通过多方gmp车间图像信息聚合分析获得；
33.具体而言，所述第一加密参数指的是通过第三方协作系统提供的整合了多家同类型药企基于gmp车间监控管理训练的图像识别模型的参数；通过多方企业之间的模型参数交互，打破了传统各企业之间的数据孤岛，而通过加密的方式保证了打破数据孤岛的同时不会造成企业内部隐私数据的泄露，提高了数据交互的安全性及系统的可行性；所述第一异常识别模型为基于神经网络训练的智能化模型，神经网络模型是模拟人类的神经元构建的多层级智能模型，具有很强的学习能力，通过输入多组的训练数据，每组训练数据都包括：所述第一图像信息集合和基于gmp车间质量管理规范确定各类异常标识信息。在模型的输出值达到收敛之后，则停止训练，将模型参数提取再进行加密并上传至第三方协作系统，通过第三方协作系统整合多个企业上传的同类模型参数，得到所述第一加密参数，返回至各企业，各企业即可依据所述第一加密参数对模型进行更新，达到提高处理结果的准确性的技术效果。
34.s400：将所述第一人员图像信息和所述第一设备图像信息输入所述第一异常识别模型，获得第一识别结果；
35.具体而言，由于在所述第一gmp车间中主要会出现异常情况的要素为人员和设备，因此将所述第一人员图像信息和所述第一设备图像信息输入所述第一异常识别模型进行识别，甄别出所述第一人员图像信息和所述第一设备图像信息中的异常行为，将异常行为的图像数据作为所述第一识别结果；其中，异常行为举不设限制的两例：人员异常行为：弯腰捡拾、手未过腰、开门干涉、未佩戴眼口罩、坐地和桌子、出现在无菌物品上方等情况；设备异常信息：例如洗瓶机内瓶子破碎、传输带上传输速度和仪器速度参数不匹配等情况。基于所述第一识别结果表征不同图像数据的异常行为信息，由于基于多方大数据训练的识别模型具有较强的识别能力，得到的识别结果也较准确。
36.s500：依据所述第一识别结果对所述第一gmp车间进行管理。
37.具体而言，在得到所述第一识别结果后，针对所述第一识别结果表征的异常信息一一进行处理，举不设限制的几例如：洗瓶机内瓶子破碎时，及时进行警报处理，并将异常信息发送给相关工作人员进行调整；当人员行为异常时实时进行警报处理；在发现关键区
域例如出风口堆积物品时，发出警报并将信息发送给相关人员处理。通过对所述第一gmp车间的实时监控，及时对异常行为管理，保证了所述第一gmp车间的质量规范符合标准要求。
38.进一步的，基于所述第一图像信息集合和所述第一加密参数构建第一异常识别模型，步骤s300包括：
39.s310：获得第一协作系统，从所述第一协作协同系统下载第一初始模型；
40.s320：将所述第一人员图像信息和所述第一设备图像信息输入所述第一初始模型进行训练，获得第一训练参数；
41.s330：对所述第一训练参数进行加密，获得第一加密结果；
42.s340：将所述第一加密结果上传至所述第一协作系统，所述第一协作系统通过聚合所述第一加密结果、第二加密结果直到第k加密结果，获得所述第一加密参数，其中，所述第一加密结果、所述第二加密结果直到所述第k加密结果为k个不同工厂的gmp车间提供的信息，k为大于或等于2的自然数；
43.s350：使用所述第一加密参数更新所述第一初始模型，获得所述第一异常识别模型。
44.具体而言，步骤s310
‑
步骤s350为所述第一异常识别模型的构建过程，其中，涉及到所述第一协作系统，即协助多个参与方训练更新模型的第三方；多个参与方，即提供数据以及使用模型的参与方。以下分别通过从所述第一协作系统端和从药厂端描述模型的构建过程：
45.实施方式一：
46.所述第一协作系统将原始模型即所述第一初始模型分发给各个药厂，由各个药厂进行模型训练，接收从第一药厂、第二药厂、第三药厂直到第k个药厂传来的训练完成后的模型参数加密结果，即得到所述第一加密结果，因为密匙是由所述第一协作系统分发给k个药厂的，所以所述第一协作系统拥有去掩码的权限，将所有的所述第一加密结果的加密掩码去除之后，聚合整理所有的模型参数，得到所述第一加密参数，再通过所述第一加密参数更新模型，由于数据量的基础较大，得到的所述第一异常识别模型分析结果也较准确。
47.实施方式二：
48.第一药厂、第二药厂、第三药厂直到第k个药厂从所述第一协作系统下载原始模型即所述第一初始模型，使用多组所述第一人员图像信息和所述第一设备图像信息训练所述第一初始模型，直到所述第一初始模型达到收敛之后提取模型参数并加密，作为所述第一加密结果发送给所述第一协作系统，在接收到所述第一协作系统聚合多个类似于第一药厂发送的k个训练参数模型更新完成的信息后，即所述第一异常识别模型更新完成，需要调用时，向所述第一协作系统发送请求信息，协同调用，处理数据。利用智能化模型可以综合多方数据，增加数据量，达到了提高处理结果准确性的技术效果
49.进一步的，基于所述将将所述第一人员图像信息和所述第一设备图像信息输入所述第一异常识别模型，获得第一识别结果，步骤s400包括：
50.s410：对所述第一人员图像信息进行特征提取，获得第一特征信息；
51.s420：对所述第一设备图像信息进行特征提取，获得第二特征信息；
52.s430：将所述第一特征信息和所述第二特征信息输入所述第一异常识别模型，获得第一识别结果，其中，所述第一识别结果包括第一人员异常信息和第一设备异常信息；
53.s440：依据所述第一人员异常信息和所述第一设备异常信息对所述第一gmp车间进行管理。
54.具体而言，所述第一人员图像信息和所述第一设备图像信息在输入所述第一异常识别模型之前还需要进行预处理：所述第一特征信息为基于人员在所述第一gmp车间内既定的行为规范涉及到的行为动作，提取所述第一人员图像信息和行为规范相关的行为特征得到的结果，优选的基于卷积神经网络训练的特征提取模型进行特征提取，卷积可以作为在机器学习中的特征提取器，从而使得提取到的特征信息具有集中性和代表性；所述第二特征信息为对生产线上的设备图像基于生产流程以及运行状态提取的特征信息，提取方式优选的和所述第一特征信息相同；进一步的，将所述第一特征信息和所述第二特征信息输入所述第一异常识别模型即可得到所述第一识别结果，由于输入的是所述第一人员图像信息和所述第一设备图像信息的特征信息，因此得到相应的所述第一人员异常信息和所述第一设备异常信息；更进一步的，分别基于所述第一人员异常信息和所述第一设备异常信息对人员和设备进行管理，管理方式如上举例：预警、管理、留存记录。通过基于所述第一gmp车间内既定的行为规范对所述第一人员图像信息和所述第一设备图像信息进行特征提取，在输入所述第一识别模型时，可以降低数据的冗杂性，提高了识别的效率，保证了实时监控的技术目的。
55.进一步的，基于所述对所述第一人员图像信息进行特征提取，获得第一特征信息，步骤s410还包括：
56.s411：根据所述第一图像信息集合，获得第一重点区域；
57.s412：将所述第一人员图像信息和所述第一重点区域进行匹配，获得第一重点区域人员图像信息；
58.s413：对所述第一重点区域人员图像信息进行人员行为的特征提取，获得第一人员行为特征信息；
59.s414：对所述第一重点区域人员图像信息进行人员位置的特征提取，获得第一人员位置特征信息；
60.s415：对所述第一重点区域人员图像信息进行人员数量的特征提取，获得第一人员数量特征信息；
61.s416：将所述第一人员行为特征信息、所述第一人员位置特征信息和所述第一人员数量特征信息作为所述第一特征信息。
62.具体而言，所述第一重点区域为对人员有行为、身份及数量限制的区域，举不设限制的两例如罐装室，进出箱区对于人数有严格限制；某些实验区域是禁止无关人员出入，对于身份权限有较大要求。所述第一重点区域人员图像信息为基于所述第一重点区域对所述第一人员图像信息进行筛除，将不属于所述第一重点区域的人员图像筛除，避免无关数据的干扰；所述第一人员行为特征信息为基于卷积神经网络对所述第一重点区域的人员图像信息中的人员动作信息进行特征提取得到的结果；所述第一人员位置特征信息为优选的通过在所述第一gmp车间构建空间网格坐标图，确定的所述第一重点区域内的各个人员的位置信息；所述第一人员数量特征信息为基于卷积神经网络对所述第一重点区域的人员图像信息中的人员数量信息进行特征提取得到的结果。进一步的，将所述第一人员行为特征信息、所述第一人员位置特征信息和所述第一人员数量特征信息作为所述第一特征信息，当
所述第一特征信息输入所述第一异常识别模型后，得到对应所述第一重点区域出现人员行为违规、人员越界、人员数量超过预设值的其中一种或者多种情况，则进行预警并优选的通知品控部门进行处理，达到了智能化管理所述第一gmp车间的技术效果。
63.进一步的，基于所述对所述第一设备图像信息进行特征提取，获得第二特征信息，步骤s420还包括：
64.s421：根据所述第一图像信息集合，获得第一重点设备图像；
65.s422：对所述第一重点设备的运行参数进行采集，获得第一重点设备的实时工作参数特征信息；
66.s423：基于所述第一重点设备图像对所述第一重点设备的运转状态进行特征提取，获得第一重点设备的运转状态特征信息；
67.s424：将所述实时工作参数特征信息和所述第一重点设备的运转状态特征信息作为所述第二特征信息。
68.具体而言，所述第一重点设备图像为存在较大安全隐患或者生产过程起到较大作用或者参数状态不易控制的设备仪器；优选的包括所述第一重点设备在内的设备都和所述gmp车间智能化监控管理系统通信连接，可以实时读取所述第一重点设备的运行参数，将之作为所述第一重点设备的实时工作参数特征信息；进一步的，将所述实时工作参数特征信息和历史中的所述第一设备的正常状态信息匹配，将匹配结果作为标准的运转状态，包括但不限于：传输带产品传输速度、产率等信息；所述第一重点设备的运转状态特征信息为将实时采集到所述第一重点设备的运转状态和标准的运转状态进行比较，得到的表征所述第一重点设备的运转状态的异常程度的数据，比较结果差异度越大，则所述第一重点设备的运转状态的异常程度就越大。更进一步的，将所述实时工作参数特征信息和所述第一重点设备的运转状态特征信息作为所述第二特征信息，输入所述第一异常识别模型后，则得到所述第一重点设备的异常信息，通过准确的定位以及异常信息的具体情况，可以快速的追溯到异常的原因，便于进行调整。优选的将处理方式、异常情况及异常因素对应存储，便于后步再遇到类似异常信息时可以快速的追根溯源，找到原因并进行处理。
69.进一步的，如图2所示，所述方法还包括步骤s600：
70.s610：根据所述第一图像信息集合，获得第二重点区域；
71.s620：对所述第二重点区域的图像信息进行物料特征提取，获得第一物料特征信息；
72.s630：基于所述第一物料特征信息对所述第一识别结果进行调整，获得第二识别结果，其中，所述第二识别结果包括第一物料异常信息；
73.s640：依据所述第一物料异常信息对所述第一gmp车间进行管理。
74.具体而言，所述第二重点区域为对于物料堆积敏感的区域，其和所述第一重点区域可以重叠，也可以不重叠；所述第一物料特征信息为基于物料特征提取到所述第二重点区域的图像信息中的特征信息，所述第一物料特征信息举不设限制的几例如：物料的类型、数量、位置等特征信息；当所述第一物料特征信息输入所述第一异常识别模型，确定所述第一物料异常信息后，例如通风口堆积了废弃物，影响通风。通过所述第一物料特征信息对所述第一识别结果进行调整，得到所述第二识别结果。进一步的，基于所述第二识别结果可以对异常的人员、设备、物料等要素进行管理，进而保证所述第一gmp车间的质量标准，其他的
要素也可以使用相同方式进行监控管理，在此并不做具体限制。
75.进一步的，如图3所示，基于所述系统还和一mes系统通信连接，所述方法还包括步骤s700：
76.s710：根据所述第一识别结果，获得第一异常时空信息；
77.s720：根据所述第一异常时空信息在所述mes系统进行匹配，获得所述第一gmp车间的第一生产数据，其中，所述第一生产数据和所述第一识别结果的时空信息相同；
78.s730：对所述第一识别结果和所述第一生产数据之间的关联性进行评估，获得第一关联度；
79.s740：获得第一预设关联度阈值，判断所述第一关联度是否满足所述第一预设关联度阈值；
80.s750：若是所述第一关联度满足所述第一预设关联度阈值，则对所述第一识别结果和所述第一生产信息进行关联标识，并将标识结果上传至所述mes系统。
81.具体而言，所述第一异常时空信息为所述第一识别结果中提取出的异常信息的发生时间节点数据以及在所述第一gmp车间内的位置数据；所述mes系统为面向所述第一gmp车间的质量管理的功能模块，和所述第一异常识别配合使用共同管理所述第一gmp车间的质量信息；所述第一gmp车间的第一生产数据为基于和所述第一异常时空信息相同的时间节点以及位置信息在所述mes系统中匹配提取出得到对应时空的各类生产数据，包括但不限于：指令单、生产质量、原料、生产计划、偏差事件等信息；所述第一关联度为评估所述第一生产数据和所述第一识别结果中提取出的异常信息的关联程度的数据，具体关联度依据实际的生产情况确定，在此不做限制，当关联程度越高，对应的所述第一关联度越大，则表征所述第一识别结果中提取出的异常信息对第一生产数据影响越大；所述第一关联度阈值为预设的所述第一识别结果中提取出的异常信息对第一生产数据有较大影响的最低所述第一关联度值；进一步的，将所述第一关联度阈值和所述第一关联度进行比较，若是所述第一关联度大于或者等于所述第一预设关联度阈值，则表明所述第一关联度满足所述第一预设关联度阈值，就将所述第一识别结果和所述第一生产信息进行联立标识，反馈给所述mes系统。保证了可以在所述mes系统上查询到某一批药品在某一道工序发生了哪种类型的偏差数据，进而可以进行事件信息包括录像信息的查询，这也保障了我们对每一批次产品生产情况的追溯。
82.综上所述，本技术实施例所提供的一种面向用户自定义元数据的表单页面设计方法及系统具有如下技术效果：
83.1.本技术实施例通过提供了一种gmp车间智能化监控管理方法及系统，通过智能摄像装置采集gmp车间全方位的图像信息，并依据采集图像的类型对采集的图像进行聚类，筛除冗杂数据，得到表征包括人员图像和设备图像在内的聚类结果；进一步的，基于大数据采集多家不同企业的加密数据训练智能识别模型，利用训练完成的智能模型分析聚类结果中的图像异常数据，基于异常信息对gmp车间进行管理。通过采集多方企业的数据加大了训练样本，提高了模型识别能力，加密训练的方式保证了不同企业之间的数据隐私，依据异常数据进行管理，实现了自动化管理，达到了提高gmp车间管理智能化的技术效果。
84.2.将所述第一识别结果和所述第一生产信息进行联立标识，反馈给所述mes系统，保证了可以在所述mes系统上查询到某一批药品在某一道工序发生了哪种类型的偏差数
据，进而可以进行事件信息包括录像信息的查询，保障了我们对每一批次产品生产情况的追溯。
85.实施例二
86.基于与前述实施例中一种gmp车间智能化监控管理方法相同的发明构思，如图4所示，本技术实施例提供了一种gmp车间智能化监控管理系统，其中，所述方系统包括：
87.第一获得单元11，所述第一获得单元11用于通过所述智能摄像装置，获得第一gmp车间的第一图像信息集合；
88.第二获得单元12，所述第二获得单元12用于对所述第一图像信息集合进行聚类分析，获得第一聚类结果，其中，所述第一聚类结果包括第一人员图像信息和第一设备图像信息；
89.第三获得单元13，所述第三获得单元13用于获得第一加密参数，基于所述第一图像信息集合和所述第一加密参数构建第一异常识别模型，其中，所述第一加密参数为通过多方gmp车间图像信息聚合分析获得；
90.第四获得单元14，所述第四获得单元14用于将所述第一人员图像信息和所述第一设备图像信息输入所述第一异常识别模型，获得第一识别结果；
91.第一管理单元15，所述第一管理单元15用于依据所述第一识别结果对所述第一gmp车间进行管理。
92.进一步的，所述系统还包括：
93.第一下载单元，所述第一下载单元用于获得第一协作系统，从所述第一协作协同系统下载第一初始模型；
94.第一训练单元，所述第一训练单元用于将所述第一人员图像信息和所述第一设备图像信息输入所述第一初始模型进行训练，获得第一训练参数；
95.第一加密单元，所述第一加密单元用于对所述第一训练参数进行加密，获得第一加密结果；
96.第五获得单元，所述第五获得单元用于将所述第一加密结果上传至所述第一协作系统，所述第一协作系统通过聚合所述第一加密结果、第二加密结果直到第k加密结果，获得所述第一加密参数，其中，所述第一加密结果、所述第二加密结果直到所述第k加密结果为k个不同工厂的gmp车间提供的信息，k为大于或等于2的自然数；
97.第六获得单元，所述第六获得单元用于使用所述第一加密参数更新所述第一初始模型，获得所述第一异常识别模型。
98.进一步的，所述系统还包括：
99.第七获得单元，所述第七获得单元用于对所述第一人员图像信息进行特征提取，获得第一特征信息；
100.第八获得单元，所述第八获得单元用于对所述第一设备图像信息进行特征提取，获得第二特征信息；
101.第九获得单元，所述第九获得单元用于将所述第一特征信息和所述第二特征信息输入所述第一异常识别模型，获得第一识别结果，其中，所述第一识别结果包括第一人员异常信息和第一设备异常信息；
102.第二管理单元，所述第二管理单元用于依据所述第一人员异常信息和所述第一设
备异常信息对所述第一gmp车间进行管理。
103.进一步的，所述系统还包括：
104.第十获得单元，所述第十获得单元用于根据所述第一图像信息集合，获得第一重点区域；
105.第十一获得单元，所述第十一获得单元用于将所述第一人员图像信息和所述第一重点区域进行匹配，获得第一重点区域人员图像信息；
106.第十二获得单元，所述第十二获得单元用于对所述第一重点区域人员图像信息进行人员行为的特征提取，获得第一人员行为特征信息；
107.第十三获得单元，所述第十三获得单元用于对所述第一重点区域人员图像信息进行人员位置的特征提取，获得第一人员位置特征信息；
108.第十四获得单元，所述第十四获得单元用于对所述第一重点区域人员图像信息进行人员数量的特征提取，获得第一人员数量特征信息；
109.第一设置单元，所述第一设置单元用于将所述第一人员行为特征信息、所述第一人员位置特征信息和所述第一人员数量特征信息作为所述第一特征信息。
110.进一步的，所述系统还包括：
111.第十五获得单元，所述第十五获得单元用于根据所述第一图像信息集合，获得第一重点设备图像；
112.第十六获得单元，所述第十六获得单元用于对所述第一重点设备的运行参数进行采集，获得第一重点设备的实时工作参数特征信息；
113.第十七获得单元，所述第十七获得单元用于基于所述第一重点设备图像对所述第一重点设备的运转状态进行特征提取，获得第一重点设备的运转状态特征信息；
114.第二设置单元，所述第二设置单元用于将所述实时工作参数特征信息和所述第一重点设备的运转状态特征信息作为所述第二特征信息。
115.进一步的，所述系统还包括：
116.第十八获得单元，所述第十八获得单元用于根据所述第一图像信息集合，获得第二重点区域；
117.第十九获得单元，所述第十九获得单元用于对所述第二重点区域的图像信息进行物料特征提取，获得第一物料特征信息；
118.第二十获得单元，所述第二十获得单元用于基于所述第一物料特征信息对所述第一识别结果进行调整，获得第二识别结果，其中，所述第二识别结果包括第一物料异常信息；
119.第三管理单元，所述第三管理单元用于依据所述第一物料异常信息对所述第一gmp车间进行管理。
120.进一步的，所述系统还包括：
121.第二十一获得单元，所述第二十一获得单元用于根据所述第一识别结果，获得第一异常时空信息；
122.第二十二获得单元，所述第二十二获得单元用于根据所述第一异常时空信息在mes系统进行匹配，获得所述第一gmp车间的第一生产数据，其中，所述第一生产数据和所述第一识别结果的时空信息相同；
123.第二十三获得单元，所述第二十三获得单元用于对所述第一识别结果和所述第一生产数据之间的关联性进行评估，获得第一关联度；
124.第一判断单元，所述第一判断单元用于获得第一预设关联度阈值，判断所述第一关联度是否满足所述第一预设关联度阈值；
125.第一执行单元，所述第一执行单元用于若是所述第一关联度满足所述第一预设关联度阈值，则对所述第一识别结果和所述第一生产信息进行关联标识，并将标识结果上传至所述mes系统。
126.示例性电子设备
127.下面参考图5来描述本技术实施例的电子设备，
128.基于与前述实施例中一种gmp车间智能化监控管理方法相同的发明构思，本技术实施例还提供了一种gmp车间智能化监控管理系统，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使得系统以执行第一方面任一项所述的方法
129.该电子设备300包括：处理器302、通信接口303、存储器301。可选的，电子设备300还可以包括总线架构304。其中通信接口303、处理器302以及存储器301可以通过总线架构304相互连接；总线架构304可以是外设部件互连标(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
130.处理器302可以是一个cpu，微处理器，asic，或一个或多个用于控制本技术方案程序执行的集成电路。
131.通信接口303，使用任何收发器一类的系统，用于与其他设备或通信网络通信，如以太网，无线接入网(radio access network，ran)，无线局域网(wireless local area networks，wlan)，有线接入网等。
132.存储器301可以是rom或可存储静态信息和指令的其他类型的静态存储设备，ram或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read
‑
only memory，eeprom)、只读光盘(compact disc read
‑
only memory，cd
‑
rom)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
133.其中，存储器301用于存储执行本技术方案的计算机执行指令，并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令，从而实现本技术上述实施例提供的一种gmp车间智能化监控管理方法。
134.可选的，本技术实施例中的计算机执行指令也可以称之为应用程序代码，本技术实施例对此不作具体限定。
135.本技术实施例通过提供了一种gmp车间智能化监控管理方法及系统，通过智能摄像装置采集gmp车间全方位的图像信息，并依据采集图像的类型对采集的图像进行聚类，筛
除冗杂数据，得到表征包括人员图像和设备图像在内的聚类结果；进一步的，基于大数据采集多家不同企业的加密数据训练智能识别模型，利用训练完成的智能模型分析聚类结果中的图像异常数据，基于异常信息对gmp车间进行管理。通过采集多方企业的数据加大了训练样本，提高了模型识别能力，加密训练的方式保证了不同企业之间的数据隐私，依据异常数据进行管理，实现了自动化管理，达到了提高gmp车间管理智能化的技术效果。
136.本领域普通技术人员可以理解：本技术中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本技术实施例的范围，也不表示先后顺序。
″
和/或
″
，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符
″
/
″
一般表示前后关联对象是一种
″
或
″
的关系。
″
至少一个
″
是指一个或者多个。至少两个是指两个或者多个。
″
至少一个
″
、
″
任意一个
″
或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b，或c中的至少一项(个、种)，可以表示：a，b，c，a
‑
b，a
‑
c，b
‑
c，或a
‑
b
‑
c，其中a，b，c可以是单个，也可以是多个。
137.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。
138.本技术实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器，数字信号处理器，专用集成电路(asic)，现场可编程门阵列(fpga)或其它可编程逻辑系统，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算系统的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
139.本技术实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动磁盘、cd
‑
rom或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于asic中，asic可以设置于终端中。可选地，处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，
使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
140.尽管结合具体特征及其实施例对本技术进行了描述，显而易见的，在不脱离本技术的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本技术的示例性说明，且视为已覆盖本技术范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术意图包括这些改动和变型在内。