一种青蒿素提取方法有效性的检测方法和装置与流程

[0001]
本发明涉及青蒿素提取相关领域，尤其涉及一种青蒿素提取方法有效性的检测方法和装置。


背景技术：

[0002]
青蒿素是抗疟的有效成分，青蒿素结构独特，抗疟机制特别，对抗氯喹的恶性疟和脑内疟有特效，因此，国际上有关方面认为青蒿素的发现是抗疟研究史上的重大突破，青蒿素已成为世界卫生组织推荐的抗疟药品。
[0003]
但本申请发明人在实现本申请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：
[0004]
现有技术中存在缺少对青蒿素提取方法有效性的检测方法的技术问题。


技术实现要素：

[0005]
本申请实施例通过提供一种青蒿素提取方法有效性的检测方法和装置，解决了现有技术中存在缺少对青蒿素提取方法有效性的检测方法的技术问题，达到对青蒿素的提取方法的有效性进行准确分析判断的技术效果。
[0006]
鉴于上述问题，提出了本申请实施例提供一种青蒿素提取方法有效性的检测方法和装置。
[0007]
第一方面，本申请实施例提供了一种青蒿素提取方法有效性的检测方法，所述方法应用于青蒿素的提取方法检测系统，所述方法包括：获得第一提取方法的第一提取时间；获得第一预定提取时间范围；判断所述第一提取时间是否在所述第一预定提取时间范围内；当所述第一提取时间在所述第一预定提取时间范围内时，获得所述第一提取方法的提取物的第一纯度信息；将提取时间作为横坐标，提取纯度作为纵坐标，构建坐标系，根据逻辑回归模型在所述坐标系中获得逻辑回归线；将所述第一提取方法的相关信息输入至所述逻辑回归线，获得所述逻辑回归线的输出结果；当所述逻辑回归线的输出结果为第一结果时，获得所述第一提取方法的温度信息；判断所述温度信息是否满足预定温度阈值；当所述温度信息满足所述预定温度阈值时，获得第一结论。
[0008]
另一方面，本申请还提供了一种青蒿素提取方法有效性的检测装置，所述装置包括：第一获得单元，所述第一获得单元用于获得第一提取方法的第一提取时间；第二获得单元，所述第二获得单元用于获得第一预定提取时间范围；第一判断单元，所述第一判断单元用于判断所述第一提取时间是否在所述第一预定提取时间范围内；第三获得单元，所述第三获得单元用于当所述第一提取时间在所述第一预定提取时间范围内时，获得所述第一提取方法的提取物的第一纯度信息；第四获得单元，所述第四获得单元用于将提取时间作为横坐标，提取纯度作为纵坐标，构建坐标系，根据逻辑回归模型在所述坐标系中获得逻辑回归线；第五获得单元，所述第五获得单元用于将所述第一提取方法的相关信息输入至所述逻辑回归线，获得所述逻辑回归线的输出结果；第六获得单元，所述第六获得单元用于当所
述逻辑回归线的输出结果为第一结果时，获得所述第一提取方法的温度信息；第二判断单元，所述第二判断得单元用于判断所述温度信息是否满足预定温度阈值；第七获得单元，所述第七获得单元用于当所述温度信息满足所述预定温度阈值时，获得第一结论。
[0009]
第三方面，本发明提供了一种青蒿素提取方法有效性的检测装置，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所述方法的步骤。
[0010]
本申请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：
[0011]
由于采用了根据第一提取方法的提取所需时间、提取纯度信息的综合考量，通过所述逻辑回归线对所述纯度信息和提取时间进行判断的方式，使得所述输出结果更加合理准确，再对所述合理的输出结果进行温度的判断，当所述温度满足预定温度阈值时，获得第一结论，所述第一结论为所述第一提取方法的有效性满足初步需求的结论，进而达到对所述提取方法的有效性进行准确的分析判断的技术效果。
[0012]
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
[0013]
图1为本申请实施例一种青蒿素提取方法有效性的检测方法的流程示意图；
[0014]
图2为本申请实施例逻辑回归线的示意图；
[0015]
图3为本申请实施例一种青蒿素提取方法有效性的检测装置的结构示意图；
[0016]
图4为本申请实施例示例性电子设备的结构示意图。
[0017]
附图标记说明：第一获得单元11，第二获得单元12，第一判断单元13，第三获得单元14，第四获得单元15，第五获得单元16，第六获得单元17，第二判断单元18，第七获得单元19，总线300，接收器301，处理器302，发送器303，存储器304，总线接口306。
具体实施方式
[0018]
本申请实施例通过提供一种青蒿素提取方法有效性的检测方法和装置，解决了现有技术中存在缺少对青蒿素提取方法有效性的检测方法的技术问题，达到对青蒿素的提取方法的有效性进行准确分析判断的技术效果。下面，将参考附图详细的描述根据本申请的示例实施例。显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
[0019]
申请概述
[0020]
青蒿素是抗疟的有效成分，青蒿素结构独特，抗疟机制特别，对抗氯喹的恶性疟和脑内疟有特效，因此，国际上有关方面认为青蒿素的发现是抗疟研究史上的重大突破，青蒿素已成为世界卫生组织推荐的抗疟药品，但现有技术中存在缺少对青蒿素提取方法有效性的检测方法的技术问题。
[0021]
针对上述技术问题，本申请提供的技术方案总体思路如下：
[0022]
本申请实施例提供了一种青蒿素提取方法有效性的检测方法，所述方法应用于青蒿素的提取方法检测系统，所述方法包括：获得第一提取方法的第一提取时间；获得第一预
定提取时间范围；判断所述第一提取时间是否在所述第一预定提取时间范围内；当所述第一提取时间在所述第一预定提取时间范围内时，获得所述第一提取方法的提取物的第一纯度信息；将提取时间作为横坐标，提取纯度作为纵坐标，构建坐标系，根据逻辑回归模型在所述坐标系中获得逻辑回归线；将所述第一提取方法的相关信息输入至所述逻辑回归线，获得所述逻辑回归线的输出结果；当所述逻辑回归线的输出结果为第一结果时，获得所述第一提取方法的温度信息；判断所述温度信息是否满足预定温度阈值；当所述温度信息满足所述预定温度阈值时，获得第一结论。
[0023]
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
[0024]
实施例一
[0025]
如图1所示，本申请实施例提供了一种青蒿素提取方法有效性的检测方法，其中，所述方法应用于青蒿素的提取方法检测系统，所述方法包括：
[0026]
步骤s100：获得第一提取方法的第一提取时间；
[0027]
具体而言，所述第一提取方法为提取所述青蒿素的提取方法，所述第一提取时间为根据所述提取方法从原材到提取出所述青蒿素所需的总时长。
[0028]
步骤s200：获得第一预定提取时间范围；
[0029]
步骤s300：判断所述第一提取时间是否在所述第一预定提取时间范围内；
[0030]
具体而言，所述第一预定提取时间范围为根据现有的提取青蒿素的方法所使用的提取时长，综合考量获得的提取时长的阈值，当所述第一提取时长超过所述第一预定提取时间范围时，判断为所述第一提取方法不具备实用性。
[0031]
步骤s400：当所述第一提取时间在所述第一预定提取时间范围内时，获得所述第一提取方法的提取物的第一纯度信息；
[0032]
具体而言，所述第一提取方法的提取物为所述提取的青蒿素，所述第一纯度信息为所述青蒿素的纯度信息，当所述第一提取时间满足所述第一预定提取时间范围时，获得所述第一提取方法的提取物的第一纯度信息。
[0033]
步骤s500：将提取时间作为横坐标，提取纯度作为纵坐标，构建坐标系，根据逻辑回归模型在所述坐标系中获得逻辑回归线；
[0034]
步骤s600：将所述第一提取方法的相关信息输入至所述逻辑回归线，获得所述逻辑回归线的输出结果；
[0035]
具体而言，如图2所示，所述逻辑回归模型是机器学习中的一种分类模型，将提取时间信息作为横坐标，提取准度作为纵坐标，构建坐标系，通过提取纯度和提取时间之间的关系，基于逻辑回归模型在所述坐标系中获得逻辑回归线，所述逻辑回归线的一侧代表第一结果，所述第一结果为所述第一提取方法合理的结果，即所述第一提取方法的提取纯度和提取时间的关系合理，所述逻辑回归线的另一侧代表第二输出结果，所述第二输出结果为不合理的结果，所述逻辑回归线受第一位置和第一角度控制，根据所述提取时间和提取纯度可对所述逻辑回归线的第一位置和第一角度进行调整，进而使得所述逻辑回归线更加准确，进而使得获得的输出结果更加准确合理。
[0036]
步骤s700：当所述逻辑回归线的输出结果为第一结果时，获得所述第一提取方法的温度信息；
[0037]
具体而言，所述温度信息为所述第一提取方法中所述提取物的温度信息，所述温度信息包含从原材变成提取物的过程中的不同的温度信息，所述温度信息还包含所述不同的温度信息对应的持续的时长信息。
[0038]
步骤s800：判断所述温度信息是否满足预定温度阈值；
[0039]
步骤s900：当所述温度信息满足所述预定温度阈值时，获得第一结论。
[0040]
具体而言，所述预定温度阈值为根据青蒿素提取过程中受高温失效获得的预定温度阈值，判断所述第一提取方法中的最高温度是否在所述预定温度阈值范围内，当所述温度信息在所述预定温度阈值范围内，即所述温度信息满足所述预定温度阈值时，获得第一结论，所述第一结论为所述第一提取方法的有效性满足初步判断的要求。
[0041]
进一步而言，所述当所述温度信息满足所述预定温度阈值时，获得第一结论，本申请实施例步骤s900还包括：
[0042]
步骤s910：获得所述温度信息中不同的温度及持续时长信息；
[0043]
步骤s920：将所述不同的温度和持续时长信息输入卷积神经网络模型，所述卷积神经网络模型通过多组训练数据训练获得，所述多组训练数据中的每组均包括：不同的温度、持续时长信息和标识提取物有效成分的标识信息；
[0044]
步骤s930：获得所述卷积神经网络模型的第一输出结果，所述第一输出结果包括所述第一提取方法的提取物有效成分信息；
[0045]
步骤s940：根据所述第一输出结果，获得第二结论。
[0046]
具体而言，所述卷积神经网络模型为神经网络模型，所述神经网络模型即机器学习中的神经网络模型，神经网络(neural networks，nn)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(artificial neural networks)，是对人类大脑系统的一阶特性的一种描述。简单地讲，它是一个数学模型。通过大量训练数据的训练，将所述不同的温度和持续时长信息输入神经网络模型，则输出第一提取方法的提取物有效成分信息。
[0047]
更进一步而言，所述训练的过程实质为监督学习的过程，每一组监督数据均包括不同的温度、持续时长信息和标识提取物有效成分的标识信息，将所述不同的温度、持续时长信息输入到神经网络模型中，根据用来标识提取物有效成分的标识信息，对所述不同的温度及不同温度持续时长下获得的提取物的有效成分进行准确的判断。所述神经网络模型进行不断的自我修正、调整，直至获得判断所述输入的不同温度及不同温度持续时长后的提取物的有效成分含量与标识提取物有效成分含量一致时，则结束本组数据监督学习，进行下一组数据监督学习；当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时，则监督学习过程结束。通过对所述神经网络模型的监督学习，进而使得所述神经网络模型处理所述输入数据更加准确，进而使得输出的第一提取方法的提取物有效成分信息更加准确，进而达到对所述提取方法的有效性的判断更加准确的技术效果。
[0048]
进一步而言，所述将所述不同的温度和持续时长信息输入卷积神经网络模型之前，本申请实施例步骤s920还包括：
[0049]
步骤s921：获得输入所述卷积神经网络模型的第一训练数据、第二训练数据直至第n训练数据，其中，n为大于1的自然数；
[0050]
步骤s922：根据所述第一训练数据生成第一标识码，所述第一标识码与所述第一训练数据一一对应；
[0051]
步骤s923：根据所述第二训练数据和第一标识码生成第二标识码，以此类推，根据所述第n训练数据和第n-1标识码生成第n标识码；
[0052]
步骤s924：将所有训练数据和标识码复制存储在m台电子设备上，其中，m为大于1的自然数。
[0053]
具体而言，区块链技术也被称之为分布式账本技术，是一种由若干台计算设备共同参与“记账"，共同维护一份完整的分布式数据库的新兴技术。由于区块链技术具有去中心化、公开透明、每台计算设备可以参与数据库记录、并且各计算设备之间可以快速的进行数据同步的特性，使得区块链技术已在众多的领域中广泛的进行应用。根据所述第一训练数据生成第一标识码，所述第一标识码与第一训练数据一一对应；根据所述第二训练数据和第一标识码生成第二标识码，第二标识码与第二训练数据一一对应；以此类推，根据所述第n训练数据和第n-1标识码生成第n标识码，其中，n为大于1的自然数，所述训练数据中的每组均包括不同的温度、持续时长信息和标识提取物有效成分的标识信息。将所有训练数据和标识码分别复制保存在m台设备上，其中，所述第一训练数据和所述第一标识码作为第一存储单位保存在一台设备上，所述第二训练数据和所述第二标识码作为第二存储单位保存在一台设备上，所述第n训练数据和所述第n标识码作为第n存储单位保存在一台设备上，当需要调用所述训练数据时，每后一个节点接收前一节点存储的数据后，通过“共识机制”进行校验后保存，通过哈希函数对于每一存储单位进行串接，使得训练数据不易丢失和遭到破坏，通过区块链的逻辑对所述训练数据进行加密处理，保证了所述训练数据的安全性，并存储于多台设备上，所述存储于多台设备上的数据通过共识机制进行处理，进一步的保证了训练数据的安全性，进而保证通过所述训练数据训练获得的卷积神经网络模型的准确性，进而使得输出的第一提取方法的提取物有效成分信息更加准确合理，进而达到对所述第一提取方法的有效性进行准确判断的技术效果。
[0054]
进一步而言，本申请实施例还包括：
[0055]
步骤s1010：获得第一提取方法的第一工作人员的操作内容；
[0056]
步骤s1020：根据所述操作内容，获得所述第一工作人员的失误率；
[0057]
步骤s1030：根据所述失误率产生第一修正参数；
[0058]
步骤s1040：根据所述第一修正参数，对所述第一结论进行修正处理。
[0059]
具体而言，根据所述第一提取方法获得第一工作人员的操作内容，根据所述第一工作人员的操作内容的繁琐程度获得所述第一工作人员的失误率，进一步而言，通过所述提取方法提供的操作人员的工作内容，判断所述提取方法是否具备大规模的使用的基础，根据所述第一工作人员的失误率获得第一修正参数，根据所述修正参数对所述第一结论进行在修正处理。
[0060]
进一步而言，本申请实施例还包括：
[0061]
步骤s1110：获得所述第一提取方法中的第一提取设备；
[0062]
步骤s1120：获得所述第一提取设备的清洁信息；
[0063]
步骤s1130：判断所述第一提取设备的清洁信息是否满足预定卫生标准；
[0064]
步骤s1140：根据所述判断结果，获得第三结论。
[0065]
具体而言，获得所述第一提取方法中用到的设备信息，获得所述设备的清洁信息，判断所述是第一提取方法中的设备的清洁信息是否满足预定卫生标准，所述预定卫生标准为根据所述青蒿素的使用获得的卫生标准，当所述第一提取方法的使用设备的卫生不达标时，获得第三结论，所述第三结论为所述提取方法无效。
[0066]
进一步而言，所述获得所述第一提取方法中的第一提取设备，本申请实施例步骤s1110还包括：
[0067]
步骤s1111：获得所述第一提取设备的制备工艺信息；
[0068]
步骤s1112：判断所述制备工艺是否满足第一预定制备工艺标准；
[0069]
步骤s1113：当所述制备工艺满足所述第一预定制备工艺标准时，获得第四结论。
[0070]
具体而言，所述制备工艺包括所述第一提取设备的使用材料，制备的难度等信息，所述第一预定制备工艺标准为可进行批量制作使用，且价格合适的标准，判断所述第一提取设备的制备工艺是否满足所述第一预定制备工艺标准，当所述制备工艺满足所述第一预定制备工艺标准，表明所述第一提取设备可被批量制作使用，因此，所述基于第一提取设备的第一提取方法也具备批量提取的可能，此时获得第四结论，所述第四结论为所述第一提取方法有效，并可批量进行使用生产。
[0071]
进一步而言，本申请实施例还包括：
[0072]
步骤s1210：获得所述第一提取方法的原材料信息；
[0073]
步骤s1220：获得所述第一提取方法的提取物信息；
[0074]
步骤s1230：根据所述原材料信息和提取物信息获得所述第一提取方法的成品率信息；
[0075]
步骤s1240：获得预定成品率阈值；
[0076]
步骤s1250：当所述成品率信息满足预定成品率阈值时，获得第五结论。
[0077]
具体而言，所述预定成品率阈值为根据所述原材和产出比的预定期望获得的预定成品率阈值，所述第一提取方法的原材料信息包括所述原材料的输入量信息，所述提取物信息包括经过所述第一提取方法获得的青蒿素的成品量信息，根据所述成品量信息和所述原材料的输入量信息获得第一提取方法的成品率信息，判断所述成品率信息是否满足所述预定成品率阈值，当所述成品率信息满足预定成品率阈值时，获得第五结论，所述第五结论为所述第一提取方法在成品率方面行之有效，通过对所述第一提取方法的成品率的判断，进而达到对所述第一提取方法的有效性进行准确检测的技术效果。
[0078]
进一步而言，本申请实施例步骤s1250还包括：
[0079]
步骤s1251：根据所述原材料信息获得所述原材料的质量信息；
[0080]
步骤s1252：获得所述提取物的纯度信息；
[0081]
步骤s1253：根据所述质量信息和纯度信息，获得第六结论。
[0082]
具体而言，所述原材料的质量为所述原材料的青蒿素的含量信息，根据所述原材料的青蒿素的含量，获得预期所述原材料可获得的提取物的纯度信息，根据所述第一提取方法获得的提取物的纯度信息与预期的原材料获得的提取物的纯度信息进行比较，根据所述比较结果，获得第六结论。
[0083]
综上所述，本申请实施例所提供的一种青蒿素提取方法有效性的检测方法和装置具有如下技术效果：
[0084]
1、由于采用了根据第一提取方法的提取所需时间、提取纯度信息的综合考量，通过所述逻辑回归线对所述纯度信息和提取时间进行判断的方式，使得所述输出结果更加合理准确，再对所述合理的输出结果进行温度的判断，当所述温度满足预定温度阈值时，获得第一结论，所述第一结论为所述第一提取方法的有效性满足初步需求的结论，进而达到对所述提取方法的有效性进行准确的分析判断的技术效果。
[0085]
2、由于采用了通过对所述神经网络模型的监督学习的方式，进而使得所述神经网络模型处理所述输入数据更加准确，进而使得输出的第一提取方法的提取物有效成分信息更加准确，进而达到对所述提取方法的有效性的判断更加准确的技术效果。
[0086]
3、由于采用了通过对所述第一提取方法的成品率的判断的方式，进而达到对所述第一提取方法的有效性进行准确检测的技术效果。
[0087]
实施例二
[0088]
基于与前述实施例中一种青蒿素提取方法有效性的检测方法同样发明构思，本发明还提供了一种青蒿素提取方法有效性的检测装置，如图3所示，所述装置包括：
[0089]
第一获得单元11，所述第一获得单元11用于获得第一提取方法的第一提取时间；
[0090]
第二获得单元12，所述第二获得单元12用于获得第一预定提取时间范围；
[0091]
第一判断单元13，所述第一判断单元13用于判断所述第一提取时间是否在所述第一预定提取时间范围内；
[0092]
第三获得单元14，所述第三获得单元14用于当所述第一提取时间在所述第一预定提取时间范围内时，获得所述第一提取方法的提取物的第一纯度信息；
[0093]
第四获得单元15，所述第四获得单元15用于将提取时间作为横坐标，提取纯度作为纵坐标，构建坐标系，根据逻辑回归模型在所述坐标系中获得逻辑回归线；
[0094]
第五获得单元16，所述第五获得单元16用于将所述第一提取方法的相关信息输入至所述逻辑回归线，获得所述逻辑回归线的输出结果；
[0095]
第六获得单元17，所述第六获得单元17用于当所述逻辑回归线的输出结果为第一结果时，获得所述第一提取方法的温度信息；
[0096]
第二判断单元18，所述第二判断得单元18用于判断所述温度信息是否满足预定温度阈值；
[0097]
第七获得单元19，所述第七获得单元19用于当所述温度信息满足所述预定温度阈值时，获得第一结论。
[0098]
进一步的，所述装置还包括：
[0099]
第二处理单元，所述第二处理单元用于根据所述第一干燥方式信息对所述第一黄花蒿进行干燥处理。
[0100]
进一步的，所述装置还包括：
[0101]
第八获得单元，所述第八获得单元用于获得所述温度信息中不同的温度及持续时长信息；
[0102]
第一输入单元，所述第一输入单元用于将所述不同的温度和持续时长信息输入卷积神经网络模型，所述卷积神经网络模型通过多组训练数据训练获得，所述多组训练数据中的每组均包括：不同的温度、持续时长信息和标识提取物有效成分的标识信息；
[0103]
第九获得单元，所述第九获得单元用于获得所述卷积神经网络模型的第一输出结
果，所述第一输出结果包括所述第一提取方法的提取物有效成分信息；
[0104]
第十获得单元，所述第十获得单元用于根据所述第一输出结果，获得第二结论。
[0105]
进一步的，所述装置还包括：
[0106]
第十一获得单元，所述第十一获得单元用于获得第一提取方法的第一工作人员的操作内容；
[0107]
第十二获得单元，所述第十二获得单元用于根据所述操作内容，获得所述第一工作人员的失误率；
[0108]
第十三获得单元，所述第十三获得单元用于根据所述失误率产生第一修正参数；
[0109]
第一修正单元，所述第一修正单元用于根据所述第一修正参数，对所述第一结论进行修正处理。
[0110]
进一步的，所述装置还包括：
[0111]
第十四获得单元，所述第十四获得单元用于获得所述第一提取方法中的第一提取设备；
[0112]
第十五获得单元，所述第十五获得单元用于获得所述第一提取设备的清洁信息；
[0113]
第三判断单元，所述第三判断单元用于判断所述第一提取设备的清洁信息是否满足预定卫生标准；
[0114]
第十六获得单元，所述第十六获得单元用于根据所述判断结果，获得第三结论。
[0115]
进一步的，所述装置还包括：
[0116]
第十七获得单元，所述第十七获得单元用于获得所述第一提取设备的制备工艺信息；
[0117]
第四判断单元，所述第四判断单元用于判断所述制备工艺是否满足第一预定制备工艺标准；
[0118]
第十八获得单元，所述第十八获得单元用于当所述制备工艺满足所述第一预定制备工艺标准时，获得第四结论。
[0119]
进一步的，所述装置还包括：
[0120]
第十九获得单元，所述第十九获得单元用于获得所述第一提取方法的原材料信息；
[0121]
第二十获得单元，所述第二十获得单元用于获得所述第一提取方法的提取物信息；
[0122]
第二十一获得单元，所述第二十一获得单元用于根据所述原材料信息和提取物信息获得所述第一提取方法的成品率信息；
[0123]
第二十二获得单元，所述第二十二获得单元用于获得预定成品率阈值；
[0124]
第二十三获得单元，所述第二十三获得单元用于当所述成品率信息满足预定成品率阈值时，获得第五结论。
[0125]
进一步的，所述装置还包括：
[0126]
第二十四获得单元，所述第二十四获得单元用于根据所述原材料信息获得所述原材料的质量信息；
[0127]
第二十五获得单元，所述第二十五获得单元用于获得所述提取物的纯度信息；
[0128]
第二十六获得单元，所述第二十六获得单元用于根据所述质量信息和纯度信息，
获得第六结论。
[0129]
前述图1实施例一中的一种青蒿素提取方法有效性的检测方法的各种变化方式和具体实例同样适用于本实施例的一种青蒿素提取方法有效性的检测装置，通过前述对一种青蒿素提取方法有效性的检测方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种青蒿素提取方法有效性的检测装置的实施方法，所以为了说明书的简洁，在此不再详述。
[0130]
示例性电子设备
[0131]
下面参考图4来描述本申请实施例的电子设备。
[0132]
图4图示了根据本申请实施例的电子设备的结构示意图。
[0133]
基于与前述实施例中一种青蒿素提取方法有效性的检测方法的发明构思，本发明还提供一种青蒿素提取方法有效性的检测装置，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种青蒿素提取方法有效性的检测方法的任一方法的步骤。
[0134]
其中，在图4中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他系统通信的单元。
[0135]
处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
[0136]
本发明实施例提供的一种青蒿素提取方法有效性的检测方法，所述方法应用于青蒿素的提取方法检测系统，所述方法包括：获得第一提取方法的第一提取时间；获得第一预定提取时间范围；判断所述第一提取时间是否在所述第一预定提取时间范围内；当所述第一提取时间在所述第一预定提取时间范围内时，获得所述第一提取方法的提取物的第一纯度信息；将提取时间作为横坐标，提取纯度作为纵坐标，构建坐标系，根据逻辑回归模型在所述坐标系中获得逻辑回归线；将所述第一提取方法的相关信息输入至所述逻辑回归线，获得所述逻辑回归线的输出结果；当所述逻辑回归线的输出结果为第一结果时，获得所述第一提取方法的温度信息；判断所述温度信息是否满足预定温度阈值；当所述温度信息满足所述预定温度阈值时，获得第一结论。解决了现有技术中存在缺少对青蒿素提取方法有效性的检测方法的技术问题，达到对青蒿素的提取方法的有效性进行准确分析判断的技术效果。
[0137]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0138]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序
指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生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系统。
[0139]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统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。
[0140]
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。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0141]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。