CN108022113A - 验证追溯信息准确性的方法、服务器及存储介质 - Google Patents
验证追溯信息准确性的方法、服务器及存储介质 Download PDFInfo
- Publication number
- CN108022113A CN108022113A CN201711465539.4A CN201711465539A CN108022113A CN 108022113 A CN108022113 A CN 108022113A CN 201711465539 A CN201711465539 A CN 201711465539A CN 108022113 A CN108022113 A CN 108022113A
- Authority
- CN
- China
- Prior art keywords
- crop
- tracing information
- predeterminable area
- weight data
- yield
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004519 manufacturing process Methods 0.000 claims abstract description 44
- 238000012795 verification Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 230000005055 memory storage Effects 0.000 claims description 2
- 230000003442 weekly effect Effects 0.000 abstract description 6
- 235000013399 edible fruits Nutrition 0.000 description 22
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 19
- 240000003768 Solanum lycopersicum Species 0.000 description 19
- 241000196324 Embryophyta Species 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 241000894007 species Species 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- BYACHAOCSIPLCM-UHFFFAOYSA-N 2-[2-[bis(2-hydroxyethyl)amino]ethyl-(2-hydroxyethyl)amino]ethanol Chemical compound OCCN(CCO)CCN(CCO)CCO BYACHAOCSIPLCM-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Accounting & Taxation (AREA)
- Marine Sciences & Fisheries (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Agronomy & Crop Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Animal Husbandry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
Abstract
本发明实施例涉及农业领域，公开了一种验证追溯信息准确性的方法、服务器及存储介质。本发明中，一种验证追溯信息准确性的方法，包括：获取预设区域内的作物数量，并获取预设区域内的单个作物的重量数据；根据作物的数量以及单个作物的重量数据，获得作物所属批次在预设区域的作物预测产量；通过追溯信息获取预设区域内的批次的作物产量；判断作物产量与作物预测产量是否匹配；如果判断结果为是，则判定追溯信息准确。不仅可以对每周的作物产量进行准确预估，还可以鉴别追溯信息的准确性，有利于避免无限制打印追溯码以及其他厂商冒用追溯码等问题，为后期的监管提供有力的线索。
Description
技术领域
本发明实施例涉及农业领域，特别涉及一种验证追溯信息准确性的方法、服务器及存储介质。
背景技术
随着信息技术的发展，特别是物联网和大数据技术的发展，使得大规模的农业数据采集和分析成为现实，从而对于一些高维度、相关性复杂的农业信息分析问题，在技术上有了新的发展。其中，不同的环境条件可能适合于不同种类的作物的生长，在不同环境条件下生成的同种类作物的产量也会不同。对于用户而言，预先获知作物的产量，可以及时根据预测的产量制定后续工作计划，如进行运输、经营和营销的安排等。目前，国内普遍根据作物的单果重、每株挂果穗数及每亩种植株数来预测每年每亩地作物的产量。
发明人发现现有技术中至少存在如下问题：在现有技术中，只能对作物每年每茬的产量进行预估而无法对每周的作物产量进行准确预估，而且预测的结果不准确，无法鉴别追溯信息的准确性。
发明内容
本发明实施方式的目的在于提供一种验证追溯信息准确性的方法、服务器及存储介质，不仅可以对每周的作物产量进行准确预估，还可以鉴别追溯信息的准确性，有利于避免无限制打印追溯码以及其他厂商冒用追溯码等问题，为后期的监管提供有力的线索。
为解决上述技术问题，本发明的实施方式提供了一种验证追溯信息准确性的方法，包括：获取预设区域内的作物数量，并获取预设区域内的单个作物的重量数据；根据作物的数量以及单个作物的重量数据，获得作物所属批次在预设区域的作物预测产量；通过追溯信息获取预设区域内的批次的作物产量；判断作物产量与作物预测产量是否匹配；如果判断结果为是，则判定追溯信息准确。
本发明的实施方式还提供了一种服务器，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上述的追溯信息准确性验证方法。
本发明的实施方式还提供了一种计算机可读存储介质，存储有计算机程序，其特征在于，计算机程序被处理器执行时实现上述的追溯信息准确性验证方法。
本发明实施方式相对于现有技术而言，通过获取预设区域内的作物数量，并获取预设区域内的单个作物的重量数据；根据作物的数量以及单个作物的重量数据，获得作物所属批次在预设区域的作物预测产量；通过追溯信息获取预设区域内的批次的作物产量；判断作物产量与作物预测产量是否匹配；如果判断结果为是，则判定追溯信息准确。由于无需依靠天气、植株品质等不确定因素，也无须进行较长周期的产量预测，不仅可以对每周的作物产量进行准确预估，通过将作物预测产量与追溯产量进行对比，还可以鉴别追溯信息的准确性，有利于避免无限制打印追溯码以及其他厂商冒用追溯码等问题，为后期的监管提供有力的线索。
另外，获取预设区域内的作物数量，具体包括：获取作物的特征信息；获取预设区域的图片；识别图片中具有特征信息的物体的数量，并将物体的数量作为预设区域内的作物的数量。基于作物的特征信息对作物数量进行预测，有利于提高统计效率。
另外，获取预设区域内的单个作物的重量数据，具体包括：获取预设区域内的预设数量的作物的重量数据；根据预设数量的作物的重量数据，得到预设区域内的单个作物的平均重量数据；将单个作物的平均重量数据作为单个作物的重量数据。这样做，有利于方便后续自动采样和数据的比对。
另外，追溯信息还包括：作物销量、客户对作物的评价；通过追溯信息获取预设区域内的批次的作物产量后，还包括：通过作物销量和/或客户对作物的评价获取客户喜好作物。使得可以结合预测产量及作物销量和/或客户对作物的评价及时调整种植计划，不仅有利于满足用户需求，还有利于提高公司收益。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1是根据本发明第一实施方式的一种验证追溯信息准确性的方法的流程图；
图2是根据本发明第二实施方式的一种验证追溯信息准确性的方法的流程图；
图3是根据本发明第三实施方式一种服务器的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。
本发明的第一实施方式涉及一种验证追溯信息准确性的方法。本实施方式的核心在于获取预设区域内的作物数量数据，并获取预设区域内的单个作物的重量数据；根据作物的数量以及单个作物的重量，获得作物所属批次在预设区域的作物预测产量；通过追溯信息获取预设区域内的批次的作物产量；判断作物产量与作物预测产量是否匹配；如果判断结果为是，则判定追溯信息准确。由于无需依靠天气、植株品质等不确定因素，也无须进行较长周期的产量预测，不仅可以对每周的作物产量进行准确预估，还可以鉴别追溯信息的准确性，有利于避免无限制打印追溯码以及其他厂商冒用追溯码等问题，为后期的监管提供有力的线索。下面对本实施方式的一种验证追溯信息准确性的方法的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须。
本实施方式中的一种验证追溯信息准确性的方法可以用来验证比如番茄、苹果、橙子等作物追溯信息准确性，以下以所述作物为番茄为例进行说明。其具体流程图如图1所示，包括：
步骤101，获取预设区域内的作物数量，并获取预设区域内的单个作物的重量数据。
具体的说，获取预设区域内的作物数量，可以通过提取获取作物的特征信息进一步获取预设区域的图片，通过识别图片中具有特征信息的物体的数量，确定预设区域内的作物的数量。其中，作物的特征信息可以为作物的形状、作物的大小、作物的颜色等信息。
比如说，可以通过智能设备(比如摄像头)获取目标区域的图像信息，进行图像识别，根据进行图像识别得到的番茄的果径大小，获取目标区域大果、中果、小果的数量。基于作物的特征信息对作物数量进行预测，有利于提高统计效率。
另外，获取预设区域内的单个作物的重量数据，可以通过获取预设区域内的预设数量的作物的重量数据，再根据预设数量的作物的重量数据，得到预设区域内的单个作物的平均重量数据，然后将单个作物的平均重量数据作为单个作物的重量数据。这样做，有利于方便后续自动采样和数据的比对。
举例而言，由于番茄果实有大有小，获取预设区域内的单个作物的重量数据的过程中，可以依照番茄的果径大小将番茄分为大果、中果、小果。每个果形可以分别取30-100个样品，称量其单个作物的重量数据。
需要说明的是，在使用本实施方式中提供的验证追溯信息准确性的方法之前，还需要获取测产区域种植面积，以对预设区域进行确定。以下以无人机获取预设区域内的作物数量进行举例说明：当用户利用无人机获取区域图像信息时，在输入预设区域的范围后，无人机可进行自动采样，继而通过无人机上的WiFi或者蓝牙设备将采样的预设区域的图片发送到服务器上，服务器获得无人机传输的图片后，运用图像识别技术，识别图像中具有特征信息的物体数量，由于具有特征信息的物体可以认为是目标作物，因此可通过识别预设区域的图像，获取预设区域中目标作物的数量。使得无需大量的人力资源即可得到较为准确的预设区域内目标作物数量，减少了成本，实现了采集数据的智能化。
步骤102，根据作物的数量以及单个作物的重量数据，获得作物所属批次在预设区域的作物预测产量。
具体的说，作物所属批次在预设区域的作物预测产量为测产区域番茄预估的下周总产量W，W(kg)＝L+M+S；其中，L为测产区域番茄预估的下周大果产量，M为测产区域番茄预估的下周中果产量，S为测产区域番茄下周预估的下周小果产量，L(kg)＝N1*W1*N/(36*1000)；M(kg)＝N2*W2*N/(36*1000)；S(kg)＝N3*W3*N/(36*1000)。
在以上公式中，W1、W2、W3分别为依照番茄的果径大小将番茄分为大果、中果、小果的单果重量数据。N1、N2、N3分别大果、中果、小果的数量，以上以每个测产区域选择有36株番茄，并分别记录每株即将采收的番茄大果、中果、小果的数量为例进行的举例说明。值得一提的是，在本实施方式中，取样的数量并不仅限于36株，用户可以根据实际需求决定取样的数量，并不应以此为限。
步骤103，通过追溯信息获取预设区域内的批次的作物产量。
具体的说，这里所说的追溯信息可以为作物的追溯码、作物的流转等信息。由于通过追溯信息可以根据不同作物类型以及当地追溯的实际需要来定义追溯需要的环节以及每个环节信息的详细程度，因此，可以对预设区域内的批次的作物产量进行统计，这里统计得到的作为产量为实际作物产量。也就是说，通过追溯信息获取得到的预设区域内的批次的作物产量是作为作物所属批次在预设区域的作物预测产量是否准确的衡量标准。
比如说，通过追溯信息可以获取到在预设区域内的批次的作物产量中，有500千克的番茄用于销售，100千克的番茄发放给员工使用，可以获知该批次产品的作物产量有600千克。
需要注意的是，在步骤102中得到的作物所属批次在预设区域的作物预测产量为上一周对本周的作物的预测产量，本步骤103中获取的预设区域内的批次的作物产量也为本周的作物产量。
步骤104，判断作物产量与作物预测产量是否匹配。若作物产量与作物预测产量匹配，则进入步骤105；否则，进入步骤106。
其中，可以通过判断作物产量与作物预测产量的差值的绝对值是否在预设门限以内来判断作物产量与作物预测产量是否匹配。比如说，若预设门限为50千克，通过步骤102获得作物所属批次在预设区域的作物预测产量为1000千克，而通过步骤103中的追溯信息获取预设区域内的批次的作物产量为900千克，作物产量与作物预测产量的差值的绝对值为100千克，大于预设门限(50千克)，因此，可以判定作物产量与作物预测产量不匹配，进入步骤106。相应的，如果通过步骤102获得作物所属批次在预设区域的作物预测产量为1000千克，而通过步骤103中的追溯信息获取预设区域内的批次的作物产量为980千克，作物产量与作物预测产量的差值的绝对值为20千克，小于预设门限(50千克)，因此，可以判定作物产量与作物预测产量匹配，进入步骤105。
步骤105，判定追溯信息准确。
也就是说，若作物产量与作物预测产量不匹配，则可以判定所述追溯信息为准确信息。有利于避免无限制打印作物的追溯码。
步骤106，判定追溯信息不准确。
也就是说，若作物产量与作物预测产量匹配，则可以判定所述追溯信息不准确，从而可以得出存在其他厂商冒用追溯码等信息的可能性，有利于为后期的监管提供有力的线索。
与现有技术相比，本实施方式通过获取预设区域内的作物数量，并获取预设区域内的单个作物的重量数据；根据作物的数量以及单个作物的重量数据，获得作物所属批次在预设区域的作物预测产量；通过追溯信息获取预设区域内的批次的作物产量；判断作物产量与作物预测产量是否匹配；如果判断结果为是，则判定追溯信息准确。由于无需依靠天气、植株品质等不确定因素，也无须进行较长周期的产量预测，不仅可以对每周的作物产量进行准确预估，还可以鉴别追溯信息的准确性，有利于避免无限制打印追溯码以及其他厂商冒用追溯码等问题，为后期的监管提供有力的线索。
本发明的第二实施方式涉及一种验证追溯信息准确性的方法。本实施方式是在第一实施方式的基础上做了进一步改进，具体改进之处在于：本实施方式中，通过追溯信息获取预设区域内的批次的作物产量后，进一步通过作物销量和/或客户对作物的评价获取客户喜好作物。使得可以结合预测产量及作物销量和/或客户对作物的评价及时调整种植计划，不仅有利于满足用户需求，还有利于提高公司收益。具体流程图如图2所示。
步骤201，获取预设区域内的作物数量，并获取预设区域内的单个作物的重量数据。
步骤202，根据作物的数量以及单个作物的重量数据，获得作物所属批次在预设区域的作物预测产量。
步骤203，通过追溯信息获取预设区域内的批次的作物产量。
具体的说，追溯信息除了可以包括作物的追溯码、作物的流转等信息，还包括作物销量、客户对作物的评价等信息。
步骤204，判断作物产量与作物预测产量是否匹配。若作物产量与作物预测产量匹配，则进入步骤205；否则，进入步骤206。
步骤205，判定追溯信息准确。
步骤206，判定追溯信息不准确。
步骤207，通过作物销量和/或客户对作物的评价获取客户喜好作物。
具体的说，可以让店主记录店铺的作物销量继而把作物的销量上传到服务器，使服务器根据店主记录的作物销量获知哪一种作物最受客户的欢迎。如果客户在网上购买作物时，也会留下购买记录，服务器可收集各商场的作物销量数据，根据商场的作物销量数据得到最受客户欢迎的作物种类。服务器也可以根据客户在商场消费后留下的评价获知最受客户欢迎的作物种类，比如：客户在网上商场或者现实商场中购买番茄后，可以通过手机在商场app上为番茄的喜好度打分，分数越高说明客户对番茄越喜爱，服务器可根据番茄以及客户为其他作物打下的分数判断哪一种作物才是客户最喜爱的作物。获知客户喜好作物种类后，把客户喜好作物种类设定为目标作物。
需要特别说明的是，本实施方式中步骤207并不是必须在在步骤206之后执行，步骤207只要在步骤203即“通过追溯信息获取预设区域内的批次的作物产量”之后执行就可以，为了解释说明，本实施方式只给出了其中一种实施方式，但并不仅限于此，此处不再赘述。
由于本实施方式中步骤201至步骤206与第一实施方式中步骤101至步骤106大致相同，旨在获取预设区域内的作物数量，并获取预设区域内的单个作物的重量数据；根据作物的数量以及单个作物的重量数据，获得作物所属批次在预设区域的作物预测产量；通过追溯信息获取预设区域内的批次的作物产量；判断作物产量与作物预测产量是否匹配；如果判断结果为是，则判定追溯信息准确，此处不再赘述。
与现有技术相比，本实施方式提供的一种验证追溯信息准确性的方法，通过追溯信息获取预设区域内的批次的作物产量后，进一步通过作物销量和/或客户对作物的评价获取客户喜好作物，使得可以结合预测产量及作物销量和/或客户对作物的评价及时调整种植计划，不仅有利于满足用户需求，还有利于提高公司收益。
本发明第三实施方式涉及一种服务器，如图3所示，包括至少一个处理器301；以及，与至少一个处理器301通信连接的存储器302；其中，存储器302存储有可被至少一个处理器301执行的指令，指令被至少一个处理器301执行，以使至少一个处理器301能够执行如上述的追溯信息准确性验证方法。
其中，存储器302和处理器301采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器301和存储器302的各种电路连接在一起。总线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连接在一起，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。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器301处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器301。
处理器301负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器302可以被用于存储处理器301在执行操作时所使用的数据。
本发明第四实施方式涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。
Claims (9)
1.一种验证追溯信息准确性的方法，其特征在于，包括：
获取预设区域内的作物数量，并获取所述预设区域内的单个作物的重量数据；
根据所述作物的数量以及所述单个作物的重量数据，获得所述作物所属批次在所述预设区域的作物预测产量；
通过追溯信息获取所述预设区域内的所述批次的作物产量；
判断所述作物产量与所述作物预测产量是否匹配；
如果判断结果为是，则判定所述追溯信息准确。
2.根据权利要求1所述的验证追溯信息准确性的方法，其特征在于，所述获取预设区域内的作物数量，具体包括：
获取所述作物的特征信息；
获取所述预设区域的图片；
识别所述图片中具有所述特征信息的物体的数量，并将所述物体的数量作为所述预设区域内的作物的数量。
3.根据权利要求2所述的验证追溯信息准确性的方法，其特征在于，所述特征信息包括：所述作物的大小、所述作物的颜色。
4.根据权利要求1所述的验证追溯信息准确性的方法，其特征在于，所述获取所述预设区域内的单个作物的重量数据，具体包括：
获取所述预设区域内的预设数量的所述作物的重量数据；
根据所述预设数量的所述作物的重量数据，得到所述预设区域内的单个所述作物的平均重量数据；
将所述单个所述作物的平均重量数据作为所述单个作物的重量数据。
5.根据权利要求1所述的验证追溯信息准确性的方法，其特征在于，所述判断所述作物产量与所述作物预测产量是否匹配，具体包括：
判断所述作物产量与所述作物预测产量的差值的绝对值是否在预设门限以内。
6.根据权利要求1所述的验证追溯信息准确性的方法，其特征在于，所述追溯信息包括：追溯码、所述作物的流转信息。
7.根据权利要求6所述的验证追溯信息准确性的方法，其特征在于，所述追溯信息还包括：作物销量、客户对作物的评价；
所述通过追溯信息获取所述预设区域内的所述批次的作物产量后，还包括：
通过所述作物销量和/或所述客户对作物的评价获取客户喜好作物。
8.一种服务器，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一所述的追溯信息准确性验证方法。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的追溯信息准确性验证方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711465539.4A CN108022113A (zh) | 2017-12-28 | 2017-12-28 | 验证追溯信息准确性的方法、服务器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711465539.4A CN108022113A (zh) | 2017-12-28 | 2017-12-28 | 验证追溯信息准确性的方法、服务器及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108022113A true CN108022113A (zh) | 2018-05-11 |
Family
ID=62072131
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711465539.4A Pending CN108022113A (zh) | 2017-12-28 | 2017-12-28 | 验证追溯信息准确性的方法、服务器及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108022113A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110210334A (zh) * | 2019-05-15 | 2019-09-06 | 广州影子科技有限公司 | 猪只抽检方法及装置、猪只抽检系统和计算机存储介质 |
| CN111612481A (zh) * | 2020-05-18 | 2020-09-01 | 上海齐网网络科技有限公司 | 生产销售反馈管理系统及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104715330A (zh) * | 2015-03-12 | 2015-06-17 | 厦门绿链集成服务有限公司 | 全程保障农产品安全的供应链控制系统 |
| KR20170052416A (ko) * | 2015-10-30 | 2017-05-12 | 사단법인 한국온실작물연구소 | 군락에서 영상이미지를 통한 작물기관별 이미지식별시스템 |
| CN107229999A (zh) * | 2017-05-31 | 2017-10-03 | 深圳前海弘稼科技有限公司 | 作物产量的预测方法、系统、计算机设备及可读存储介质 |
| CN107316116A (zh) * | 2017-08-23 | 2017-11-03 | 吉林大学 | 一种叶类蔬菜产量预测方法 |
-
2017
- 2017-12-28 CN CN201711465539.4A patent/CN108022113A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104715330A (zh) * | 2015-03-12 | 2015-06-17 | 厦门绿链集成服务有限公司 | 全程保障农产品安全的供应链控制系统 |
| KR20170052416A (ko) * | 2015-10-30 | 2017-05-12 | 사단법인 한국온실작물연구소 | 군락에서 영상이미지를 통한 작물기관별 이미지식별시스템 |
| CN107229999A (zh) * | 2017-05-31 | 2017-10-03 | 深圳前海弘稼科技有限公司 | 作物产量的预测方法、系统、计算机设备及可读存储介质 |
| CN107316116A (zh) * | 2017-08-23 | 2017-11-03 | 吉林大学 | 一种叶类蔬菜产量预测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110210334A (zh) * | 2019-05-15 | 2019-09-06 | 广州影子科技有限公司 | 猪只抽检方法及装置、猪只抽检系统和计算机存储介质 |
| CN111612481A (zh) * | 2020-05-18 | 2020-09-01 | 上海齐网网络科技有限公司 | 生产销售反馈管理系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Altaheri et al. | Date fruit dataset for intelligent harvesting | |
| Yamashita et al. | Dissection of hyperspectral reflectance to estimate nitrogen and chlorophyll contents in tea leaves based on machine learning algorithms | |
| Jones et al. | Crops and weeds: the role of weed functional ecology in the identification of crop husbandry methods | |
| US20200311915A1 (en) | Growth status prediction system and method and computer-readable program | |
| US20180308229A1 (en) | Method and information system for detecting at least one plant planted on a field | |
| CN108053078A (zh) | 一种产量预测方法、服务器以及计算机可读存储介质 | |
| WO2014120887A1 (en) | System and methods for identifying, evaluating and predicting land use and agricultural production | |
| Oliver et al. | Quantifying the spatial pattern of the yield gap within a farm in a low rainfall Mediterranean climate | |
| US20200068816A1 (en) | Peanut maturity grading systems and methods | |
| Conyers et al. | Making Better Fertiliser Decisions for Cropping Systems in Australia (BFDC): knowledge gaps and lessons learnt | |
| CN108022113A (zh) | 验证追溯信息准确性的方法、服务器及存储介质 | |
| Liu et al. | Spatiotemporal changes of rice phenology in China under climate change from 1981 to 2010 | |
| Xu et al. | Functional modeling of plant growth dynamics | |
| CN102117447A (zh) | 作物品质区域预测系统及方法 | |
| Pyingkodi et al. | IoT based soil nutrients analysis and monitoring system for smart agriculture | |
| Fukano et al. | GIS-based analysis for UAV-supported field experiments reveals soybean traits associated with rotational benefit | |
| Kyveryga et al. | Identification of nitrogen management categories by corn stalk nitrate sampling guided by aerial imagery | |
| CN114066033A (zh) | 一种智慧农业优化方法和系统 | |
| CN112861712A (zh) | 基于人工智能与多时相遥感的农业病虫害监测方法 | |
| CN113807143A (zh) | 作物连通域的识别方法、装置及作业系统 | |
| CN115039549B (zh) | 一种农作物种植施肥信息处理方法及系统 | |
| CN116186392A (zh) | 柑橘品种的种植推荐方法、装置、终端设备和存储介质 | |
| WO2023131949A1 (en) | A versatile crop yield estimator | |
| Doerge | Variable‐rate nitrogen management creates opportunities and challenges for corn producers | |
| CN114663652A (zh) | 图像处理方法、装置、管理系统、电子设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180511 |