基于CNN的自动平板电脑分类使用振动控制碗料器与螺旋扭矩优化
Kicheol Yoon1, Sangyun Lee2, Junha Park3
1Gachon Biomedical Convergence Institute, Gachon University Gil Medical Center, Incheon 21565, Republic of Korea.
Sensors (Basel, Switzerland)
|July 30, 2025
概括
这项研究引入了一种药物分类系统,该系统结合了卷积神经网络 (CNN) 训练和旋转降药技术. 该系统在使用优化料参数对102种药物类型进行分类时,达到88.8%的准确率.
科学领域:
- 制药技术 制药技术 制药技术
- 人工智能在医学中的应用
- 机器人和自动化 机器人和自动化
背景情况:
- 准确的药物鉴定对于患者的安全和有效治疗至关重要.
- 现有的药物分类方法可能缺乏效率或精度.
- 需要自动化系统来处理不断增加的药品品种和数量.
研究的目的:
- 开发和评估一种自动化药物分类系统.
- 将卷积神经网络 (CNN) 技术与旋转降落药丸相结合.
- 为了优化碗料器的性能,以实现稳定的药片处理和分类.
主要方法:
- 在102种药物类型中捕获了4080个药丸的图像.
- 训练了一个卷积神经网络 (CNN) 用于基于图像的分类.
- 使用了具有优化参数 (电压,扭矩,PWM,倾斜角度,振动振幅和频率) 的碗料器.
- 在特定的工作条件下进行性能测试 (5V,20rpm,20%PWM,1.5mm振动幅度).
主要成果:
- 使用CNN模型实现了88.8%的分类准确度.
- 经过证明,稳定,顺序的药丸运动,没有损失或凝聚,具有优化的料参数.
- 碗料器结构成功地承受了高达75°的斜角,以实现精确的对齐.
结论:
- 拟议的系统有效地使用CNN和旋转降落药物的药物分类.
- 优化的碗料参数对于可靠的药片处理和系统性能至关重要.
- 这种自动化方法为准确和高效的药物分类提供了有希望的解决方案.
