1.一种盐酸巴尼地平合成工艺，其特征在于，包括：

S1：分子式为 的初始反应体与分子式为 的第一反应体反应以得到分子式为 的第一中间体；

S2：所述分子式为 的第一中间体与分子式为 的第二反应体和分子式为 的第三反应体反应以得到分子式为

的第二中间体；

S3：所述分子式为 的第二中间体与NaOH溶液反应以得到分子式为 的第三中间体；

S4：所述分子式为 的第三中间体与奎尼丁反应以得到分子式为的第四中间体，其中，所述第四中间体为所述第三中间体的同分异构体；

S5：所述分子式为 的第四中间体与SOCl2和分子式为 的第三反应体反应以得到分子式为 的盐酸巴尼地平粗品；以及S6：从所述盐酸巴尼地平粗品得到盐酸巴尼地平；

其中，所述步骤S6，包括：

S61：对所述盐酸巴尼地平粗品进行乙醇重结晶以得到第二盐酸巴尼地平粗品；

S62：将所述第二盐酸巴尼地平粗品和无水乙醇加入反应瓶中，并通过搅拌和升温至回流溶清；

S63：在所述回流溶清中加入活性炭保温搅拌，并搅拌至降温以析出固体；

S64：通过抽滤得到所述固体，并对抽滤得到的固体进行烘干以得到所述盐酸巴尼地平；

其中，所述步骤S63，包括：

S631：获取预定时间段内多个预定时间点的搅拌速度值和温度值，以及，所述预定时间段的所述固体的析出监控视频；

S632：从所述析出监控视频提取所述多个预定时间点对应的多个析出监控关键帧；

S633：将所述多个预定时间点的搅拌速度值和温度值分别按照时间维度排列为搅拌速度输入向量和温度输入向量后，计算所述搅拌速度输入向量和所述温度输入向量之间的协同关联输入矩阵；

S634：将所述协同关联输入矩阵通过相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到协同关联特征矩阵；

S635：将所述多个析出监控关键帧通过包含第二卷积神经网络模型和第三卷积神经网络模型的多尺度卷积结构以得到多尺度析出特征向量；

S636：计算所述协同关联特征矩阵相对于所述多尺度析出特征向量的转移向量作为分类特征向量；以及S637：将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的搅拌速度值应增大或应减小；

其中，所述盐酸巴尼地平合成工艺还包括步骤S100，对所述相邻层使用互为转置的卷积核的第一卷积神经网络模型、所述包含第二卷积神经网络模型和第三卷积神经网络模型的多尺度卷积结构和所述分类器进行训练；

其中，所述步骤S100，包括：

S101：获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练搅拌速度值和训练温度值，所述预定时间段的所述固体的训练析出监控视频，以及，所述当前时间点的搅拌速度值应增大或应减小的真实值；

S102：从所述训练析出监控视频提取所述多个预定时间点对应的多个训练析出监控关键帧；

S103：将所述多个预定时间点的训练搅拌速度值和训练温度值分别按照时间维度排列为训练搅拌速度输入向量和训练温度输入向量后，计算所述训练搅拌速度输入向量和所述训练温度输入向量之间的训练协同关联输入矩阵；

S104：将所述训练协同关联输入矩阵通过所述相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到训练协同关联特征矩阵；

S105：将所述多个训练析出监控关键帧通过所述包含第二卷积神经网络模型和第三卷积神经网络模型的多尺度卷积结构以得到训练多尺度析出特征向量；

S106：计算所述训练协同关联特征矩阵相对于所述训练多尺度析出特征向量的转移向量作为训练分类特征向量；

S107：将所述训练分类特征向量通过所述分类器以得到分类损失函数值；

S108：基于所述训练分类特征向量和所述训练多尺度析出特征向量之间的距离计算序列对序列响应规则内在化学习损失函数值；以及S109：计算所述分类损失函数值和所述序列对序列响应规则内在化学习损失函数值的加权和作为损失函数值来对所述相邻层使用互为转置的卷积核的第一卷积神经网络模型、所述包含第二卷积神经网络模型和第三卷积神经网络模型的多尺度卷积结构和所述分类器进行训练；

其中，计算所述分类特征向量和所述多尺度析出特征向量之间的序列对序列响应规则内在化学习损失函数，表示为：，

其中， 和 分别是所述分类特征向量和所述多尺度析出特征向量，且 和分别是分类器对于 和 的权重矩阵， 表示 激活函数，表示 激活函数， 表示矩阵相乘， 表示两个向量之间的欧式距离， 表示所述序列对序列响应规则内在化学习损失函数值。

2.根据权利要求1所述的盐酸巴尼地平合成工艺，其特征在于，所述步骤S632，包括：以预定采样频率对所述析出监控视频进行采样处理以得到所述多个预定时间点对应的多个析出监控关键帧。

3.根据权利要求2所述的盐酸巴尼地平合成工艺，其特征在于，所述步骤S633，包括：计算所述搅拌速度输入向量的转置向量和所述温度输入向量之间的乘积以得到所述协同关联输入矩阵。

4.根据权利要求3所述的盐酸巴尼地平合成工艺，其特征在于，所述步骤S634，包括：S6341：将所述协同关联输入矩阵输入所述第一卷积神经网络模型的第一层，其中，所述第一卷积神经网络模型的第一层用于对所述协同关联输入矩阵进行基于第一卷积核的卷积处理、沿通道维度的池化处理和非线性激活处理以得到第一特征图；以及S6342：将所述第一特征图输入所述第一卷积神经网络模型的第二层，其中，所述第一卷积神经网络模型的第二层用于对所述第一特征图进行基于第二卷积核的卷积处理、沿通道维度的池化处理和非线性激活处理以得到第二特征图，其中，所述第一卷积核和所述第二卷积核互为转置。

5.根据权利要求4所述的盐酸巴尼地平合成工艺，其特征在于，所述步骤S635，包括：S6351：将所述多个析出监控关键帧输入所述第二卷积神经网络模型以得到第一尺度特征图，其中，所述第二卷积神经网络模型为使用具有第一尺度的三维卷积核的卷积神经网络模型；

S6352：将所述多个析出监控关键帧输入所述第三卷积神经网络模型以得到第二尺度特征图，其中，所述第三卷积神经网络模型为使用具有第二尺度的三维卷积核的卷积神经网络模型；

S6353：融合所述第一尺度特征图和所述第二尺度特征图以得到多尺度融合特征图；以及S6354：对所述多尺度融合特征图进行沿特征矩阵的全局均值池化处理以得到所述多尺度析出特征向量。

6.根据权利要求5所述的盐酸巴尼地平合成工艺，其特征在于，所述步骤S636，包括：以如下公式计算所述协同关联特征矩阵相对于所述多尺度析出特征向量的转移向量作为分类特征向量；

其中，所述公式为：

，

其中 表示所述协同关联特征矩阵， 表示所述多尺度析出特征向量， 表示所述分类特征向量。

7.根据权利要求6所述的盐酸巴尼地平合成工艺，其特征在于，所述步骤S637，包括：S6371：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S6372：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。