CN110197381B - 基于农业物联网综合服务管理系统的可追溯信息处理方法 - Google Patents

Abstract

本发明提供了一种基于农业物联网综合服务管理系统的可追溯信息处理方法。该方法包括：响应于用户端对待追溯产品的可追溯印戳中的二维码的扫描操作，在预定数据库中查询该二维码对应的水稻产品相关信息；将查询到的该二维码对应的水稻产品相关信息的各项可追溯信息名称发送给用户端；根据用户在用户端中所选择的可追溯信息名称，将该项可追溯信息名称对应的信息内容发送给该用户端，以供用户端查看。本发明的基于农业物联网综合服务管理系统的可追溯信息处理方法，能够增强消费者对产品的信任度，让消费者直观的看到水稻生产种植的全过程，开发建设了食品质量安全可追溯系统，对水稻种植从秧田管理到收获各环节进行实时记录。

Description

基于农业物联网综合服务管理系统的可追溯信息处理方法

技术领域

本发明涉及信息处理技术，尤其涉及一种基于农业物联网综合服务管理 系统的可追溯信息处理方法。

背景技术

农业物联网是一种通过各种仪器仪表实时显示或作为自动控制的参变 量参与到自动控制中的物联网。其可以为温室精准调控提供科学依据，达到 增产、改善品质、调节生长周期、提高经济效益的目的。

农业物联网一般应用是将大量的传感器节点构成监控网络，通过各种 传感器采集信息，以帮助农民及时发现问题，并且准确地确定发生问题的 位置，这样农业将逐渐地从以人力为中心、依赖于孤立机械的生产模式转向 以信息和软件为中心的生产模式，从而大量使用各种自动化、智能化、远程 控制的生产设备。

在现有技术中，消费者往往存在对食品安全的不信任，如何增强消费者 对农场食品安全的信任是十分值得研究的。

发明内容

在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方 面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并 不意图确定本发明的关键或重要部分，也不意图限定本发明的范围。其目的 仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。

鉴于此，本发明提供了一种基于农业物联网综合服务管理系统的可追溯 信息处理方法，以至少解决现有技术中消费者往往对食品安全不信任的问题。

本发明提供了一种基于农业物联网综合服务管理系统的可追溯信息处理 方法，该方法包括：响应于用户端对待追溯产品的可追溯印戳中的二维码的扫 描操作，在预定数据库中查询该二维码对应的水稻产品相关信息；将查询到的 该二维码对应的水稻产品相关信息的各项可追溯信息名称发送给所述用户端； 根据用户在所述用户端中所选择的可追溯信息名称，将该项可追溯信息名称对 应的信息内容发送给该用户端，以供用户端查看。

进一步地，所述待追溯产品的可追溯印戳包括所述待追溯产品的二维码、 水稻生产地以及水稻品名。

进一步地，所述水稻产品相关信息包括：田间生产环节的可追溯信息；存 储环节的可追溯信息；加工环节的可追溯信息；以及物流环节的可追溯信息。

进一步地，所述田间生产环节的可追溯信息包括：水稻生产环节的可追溯 信息；以及生产资料使用环节的可追溯信息。

进一步地，所述水稻产品相关信息中的每一项可追溯信息包括对应的负责 人信息和产品信息。

进一步地，所述水稻产品相关信息中的每一项可追溯信息包括对应的文字 信息和多媒体信息。

进一步地，所述多媒体信息包括通过360度全景成像设备所获得的视频信 息。

本发明的一种基于农业物联网综合服务管理系统的可追溯信息处理方法， 能够增强消费者对产品的信任度，让消费者直观的看到水稻生产种植的全过 程，农场开发建设了食品质量安全可追溯系统，对水稻种植从秧田管理到收获 各环节进行实时记录。

在一些实施例中，通过包括监测子系统、气象子系统、地下水位监测子系 统和控制中心子系统的系统来执行处理；在所述监测子系统中，通过设置在每 个监测点的视频装置、第一传感器以及第一通信装置，将对应监测点获得的视 频数据和土壤环境数据发送给所述控制中心子系统；在所述气象子系统，通过 设置在每个气象监测站的第二传感器和第二通信装置，将对应气象监测站的空 气环境数据发送给所述控制中心子系统；在所述地下水位监测子系统，通过设 置在每个地下水位监测点的地下水位监测装置和第三通信装置，将获取的地下 水位数据发送给所述控制中心子系统；这样，所述控制中心子系统至少基于从 监测子系统接收到的各监测点对应的视频数据和环境数据，预测对应作物长势 以及获取影响作物生长的土壤要素信息，并且至少基于从所述气象子系统接收 到的各气象监测站处对应的空气环境数据，获取影响作物生长的空气中环境要 素信息，以及至少基于从所述地下水位监测子系统接收到的各地下水位监测点 对应的地下水位数据，监测各地下水位监测点的地下水位变化情况。由此，本 发明的基于农业物联网综合服务管理系统的可追溯信息处理方法能够实现智 能化的农业物联网管理和控制。

在一些实现方式中，基于场景切换点(即场景切换时刻)获取目标视频 中的多个目标帧图像，同时基于场景切换点获取每个待检测视频中的多个待 测帧图像，其中目标帧图像是目标视频中每个场景切换点对应的切换后视频 帧，待测帧图像是每个待检测视频中每个场景切换点对应的切换后视频帧， 通过比较目标视频各目标帧图像分别与每个待检测视频中各待测帧图像之间 的相似度，得到两种信息，一种信息是每个待检测视频中与目标帧图像有关 的待测帧图像数量(即该待检测视频中与目标帧图像相似的所有待测帧图像 数量)，另一种信息是与每个待检测视频有关的目标帧图像数量(即与该待检 测视频中待检测视频相似的所有目标帧图像数量)，基于这两种信息相结合来 确定待检测视频是否与目标视频相似，一方面能够较高效地获得目标视频的 相似视频，另一方面能够为后续的进一步相似视频判定缩小需要检索的范围， 大大缩减了工作量。这样，利用相似视频，可以方便地追溯相关信息。此外， 在农业物联网综合服务管理系统中，对于图像/视频的处理往往需要基于相似 视频来进行处理，比如视频检索。

此外，在一种实现方式中，可以首先基于场景切换点(即场景切换时刻) 获取目标视频中的多个目标帧图像，同时基于场景切换点获取每个待检测视 频中的多个待测帧图像，其中目标帧图像是目标视频中每个场景切换点对应 的切换后视频帧，待测帧图像是每个待检测视频中每个场景切换点对应的切 换后视频帧，通过比较目标视频各目标帧图像分别与每个待检测视频中各待 测帧图像之间的相似度，得到两种信息，一种信息是每个待检测视频中与目 标帧图像有关的待测帧图像数量(即该待检测视频中与目标帧图像相似的所 有待测帧图像数量)，另一种信息是与每个待检测视频有关的目标帧图像数量 (即与该待检测视频中待检测视频相似的所有目标帧图像数量)，基于这两种 信息相结合来确定每个待检测视频的第一得分(步骤401-步骤403)，然后， 基于第一得分筛选出一部分待检测视频来作为候选视频，目的是再从这些候 选视频中进行二次筛选，从而最终获得目标视频的相似视频，而从这些候选 视频中进行二次筛选则是通过计算每个候选视频的第二得分来实现的。在计 算第二得分时，首先基于场景切换点对目标视频以及每个候选视频进行视频 分割，得到目标视频对应的多个第一视频片段以及每个候选视频对应的多个 第二视频片段，通过比较目标视频中第一视频片段和候选视频中第二视频片 段的相似度，来获得另外两种信息，一种信息是候选视频中与目标视频有关 的第二视频片段数量(即候选视频中所包含的相似片段的个数)，另一种信息 是与每个候选视频有关的第一视频片段数量(即与每个候选视频中所包含的 各相似片段有关的所有第一视频片段的个数)，基于这两种信息相结合来确定 每个候选视频的第二得分(步骤501-步骤505)，再根据每个候选视频的第二 得分对候选视频进行筛选，确定哪些是与目标视频相似的相似视频。这样， 相当于结合四种信息来获得待检测视频(或候选视频)的第一得分与第二得 分，并结合了第一得分和第二得分对待检测视频进行了两次筛选，使得筛选 得到的相似视频更为准确。

相比于现有技术直接计算两个视频的相似度，本发明能够大大减小工作 量，提高处理效率，本发明可以先通过计算第一得分进行一次筛选，而这个 计算是基于场景切换后的帧图像来进行的计算，其计算量相比于整个视频的 相似度计算要小得多，再对一次筛选的结果进行二次筛选，而且二次筛选也 不是将所有候选视频进行相似度计算，并且对于单个候选视频也不是整个视 频一起计算相似度，而是基于场景切换点将候选视频分割，对于候选视频中 分割后的视频片段中的一部分(即上文所述的相似片段)与目标视频中对应的片段进行相似度计算，这样，相比于现有技术对每两个视频(而且是整个 视频)之间计算相似度计算的方式，也大大减小了计算量，提高了效率。

本发明的无人机遥感技术，利用国产高分一号卫星，每8天采集一次遥 感影像数据，生成遥感影像图，对作物长势、病虫害和洪涝灾害，到秋收的 作物产量进行大范围的监测。因气候因素影像，数据的云量超标遮挡了地表 作物，导致卫星影像数据反射光谱的严重失真而无法使用的数据31景，可以 正常使用的只有8景，为了解决这个问题，提高数据准确性，在卫星高空遥 感技术的基础上进一步完善低空遥感监测。利用无人机挂接多光谱呈像仪， 结合低空遥感技术，对作物、环境、长势等影像资料做进一步处理分析，采 集作物长势、病虫害发生情况、产量预测等大数据。并且可以利用无人机精 准测量农场每个地块的面积，传统测量方式的精确度是2米，利用无人机却 可以达到几厘米，大大提高了数据的准确性。

通过以下结合附图对本发明的最佳实施例的详细说明，本发明的这些以 及其他优点将更加明显。

附图说明

本发明可以通过参考下文中结合附图所给出的描述而得到更好的理解， 其中在所有附图中使用了相同或相似的附图标记来表示相同或者相似的部 件。所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书 的一部分，而且用来进一步举例说明本发明的优选实施例和解释本发明的原 理和优点。其中：

图1是示出本发明的基于农业物联网综合服务管理系统的可追溯信息处 理方法的一种示例性处理的流程图；

图2是示出本发明的基于农业物联网综合服务管理系统的可追溯信息处 理装置的一个示例的结构框图。

本领域技术人员应当理解，附图中的元件仅仅是为了简单和清楚起见而 示出的，而且不一定是按比例绘制的。例如，附图中某些元件的尺寸可能相 对于其他元件放大了，以便有助于提高对本发明实施例的理解。

具体实施方式

在下文中将结合附图对本发明的示范性实施例进行描述。为了清楚和简 明起见，在说明书中并未描述实际实施方式的所有特征。然而，应该了解， 在开发任何这种实际实施例的过程中必须做出很多特定于实施方式的决定， 以便实现开发人员的具体目标，例如，符合与系统及业务相关的那些限制条 件，并且这些限制条件可能会随着实施方式的不同而有所改变。此外，还应 该了解，虽然开发工作有可能是非常复杂和费时的，但对得益于本发明内容 的本领域技术人员来说，这种开发工作仅仅是例行的任务。

在此，还需要说明的一点是，为了避免因不必要的细节而模糊了本发明， 在附图中仅仅示出了与根据本发明的方案密切相关的装置结构和/或处理步 骤，而省略了与本发明关系不大的其他细节。

图1示出了上述一种基于农业物联网综合服务管理系统的可追溯信息处理 方法的一种示例性处理。

在步骤110中，响应于用户端对待追溯产品的可追溯印戳中的二维码的扫 描操作，在预定数据库中查询该二维码对应的水稻产品相关信息。然后，执行 步骤120。

待追溯产品例如是水稻产品等。

在步骤120中，将查询到的该二维码对应的水稻产品相关信息的各项可追 溯信息名称发送给用户端。然后，执行步骤130。

在步骤130中，根据用户在用户端中所选择的可追溯信息名称，将该项可 追溯信息名称对应的信息内容发送给该用户端，以供用户端查看。

其中，待追溯产品的可追溯印戳例如可以包括待追溯产品的二维码、水稻 生产地以及水稻品名。

水稻产品相关信息例如可以包括：田间生产环节的可追溯信息；存储环节 的可追溯信息；加工环节的可追溯信息；以及物流环节的可追溯信息。

田间生产环节的可追溯信息例如可以包括：水稻生产环节的可追溯信息； 以及生产资料使用环节的可追溯信息。

其中，水稻产品相关信息中的每一项可追溯信息例如可以包括对应的负责 人信息和产品信息。

此外，水稻产品相关信息中的每一项可追溯信息例如可以包括对应的文字 信息和多媒体信息。

例如，多媒体信息可以包括通过360度全景成像设备所获得的视频信息。

基于农业物联网综合服务管理系统例如可以包括监测子系统、气象子系 统、地下水位监测子系统和控制中心子系统。

监测子系统包括多个监测点，其中，每个监测点设有至少一个视频装置、 至少一个第一传感器以及第一通信装置，至少一个视频装置用于捕获对应区域 的视频数据，至少一个第一传感器用于获取该监测点对应的土壤环境数据，第 一通信装置用于将对应监测点获得的视频数据和土壤环境数据发送给控制中 心子系统。

其中，上述的至少一个第一传感器中可以包括多种不同类型的传感器， 例如用于探测土壤环境的现有传感器。

第一通信装置例如可以是wifi通信模块，或者可以是蓝牙等模块。

气象子系统包括多个气象监测站，其中，每个气象监测站设有多个第二传 感器和第二通信装置，多个第二传感器用于获取该气象监测站处对应的空气环 境数据，第二通信装置用于将对应气象监测站的空气环境数据发送给控制中心 子系统。

上述的多个第二传感器中可以包括多种不同类型的传感器，例如用于探 测空气环境的现有传感器。

第二通信装置例如可以是wifi通信模块，或者可以是蓝牙等模块。

地下水位监测子系统包括多个地下水位监测点，其中，每个地下水位监测 点设有地下水位监测装置和第三通信装置，地下水位监测装置用于实时获取对 应处的地下水位数据，并通过第三通信装置将获取的地下水位数据发送给控制 中心子系统。

第三通信装置例如可以是wifi通信模块，或者可以是蓝牙等模块。

控制中心子系统包括第四通信装置和控制处理装置，第四通信装置用于接 收来自监测子系统、气象子系统、地下水位监测子系统的所有数据并发送给控 制处理装置。

第四通信装置例如可以是wifi通信模块，或者可以是蓝牙等模块。

控制处理装置例如可以至少基于从监测子系统接收到的各监测点对应的 视频数据和环境数据，预测对应作物长势以及获取影响作物生长的土壤要素信 息。

控制处理装置例如还可以至少基于从气象子系统接收到的各气象监测站 处对应的空气环境数据，获取影响作物生长的空气中环境要素信息。

此外，控制处理装置例如还可以至少基于从地下水位监测子系统接收到的 各地下水位监测点对应的地下水位数据，监测各地下水位监测点的地下水位变 化情况。

作为示例，基于农业物联网综合服务管理系统还可以包括地理信息子系统 以及农业无人机和卫星遥感子系统。

其中，地理信息子系统包括预设农场的电子地图，电子地图上的多个预设 位置设有标注信息。

农业无人机和卫星遥感子系统包括无人机端、卫星通讯端和服务器端。

其中，无人机端适于多次采集农业物联网预设种植区域的低空遥感图像， 并将低空遥感图像实时发给服务器端；

卫星通讯端适于采集农业物联网预设种植区域的高空遥感图像，并将高空 遥感图像实时发给服务器端；

服务器端适于至少基于来自无人机端的低空遥感图像和/或来自卫星通讯 端的高空遥感图像，实现作物长势预测、虫害检测以及洪涝灾害分析预警中的 至少一种功能。

例如，标注信息包括土地信息、水利信息以及林业信息中的一种或多种。

例如，大棚控制系统中，运用物联网系统的温度传感器、湿度传感器、 PH值传感器、光照度传感器、CO₂传感器等设备，检测环境中的温度、相对 湿度、PH值、光照强度、土壤养分、CO₂浓度等物理量参数，保证农作物有 一个良好的、适宜的生长环境。远程控制的实现使技术人员在办公室就能对 多个大棚的环境进行监测控制。采用无线网络来测量获得作物生长的最佳条 件。

无人机遥感技术，通常使用小型数字相机(或扫描仪)作为机载遥感设 备，与传统的航片相比，存在像幅较小、影像数量多等问题，针对其遥感影 像的特点以及相机定标参数、拍摄(或扫描)时的姿态数据和有关几何模型 对图像进行几何和辐射校正，开发出相应的软件进行交互式的处理。此外， 还有影像自动识别和快速拼接软件，实现影像质量、飞行质量的快速检查和 数据的快速处理，以满足整套系统实时、快速的技术要求。

例如，服务器端对接收到的低空遥感图像和/或高空遥感图像进行分组， 并利用每组图像生成一个待检测视频，得到多个待检测视频。

然后，接收目标视频。其中，目标视频例如是从外部接收的，比如用户 端等。目标视频可以是任意格式的视频文件，也可以是符合预设格式之一的 视频文件。预设格式例如包括MPEG-4、AVI、MOV、ASF、3GP、MKV以 及FLV等视频格式。

接着，确定目标视频中的多个场景切换时刻。其中，例如可以采用现有 技术来检测目标视频中的场景切换时刻，这里不再赘述。

接着，针对目标视频中的每一个场景切换时刻，获得该目标视频中该场 景切换时刻所对应的切换后视频帧。也就是说，在每个场景切换点(即场景 切换时刻)，切换前的那一帧称为切换前视频帧，切换后的那一帧称为切换后 视频帧。这样，在一个目标视频中，可以得到一个或多个切换后视频帧(也 可能是0个切换后视频帧，就是该视频中没有切换场景，始终是同一个场景)。

然后，将目标视频的第一帧图像以及目标视频中的所有场景切换时刻对 应的切换后视频帧作为多个目标帧图像(如果目标视频中没有切换后视频帧 的话，则目标帧图像只有一个，即该目标视频的第一帧图像)，将所有目标帧 图像的总数记为N,N为非负整数。一般来说，N大于等于2。当目标视频中 没有切换后视频帧是，N等于1。

接着，针对预定视频数据库中的每一个待检测视频，确定该待检测视频 中的多个场景切换时刻，获得该待检测视频中每个场景切换时刻对应的切换 后视频帧，将该待检测视频的第一帧图像以及该待检测视频中的所有场景切 换时刻对应的切换后视频帧作为待测帧图像。

其中，预定视频数据库中预先存储有多个视频，作为待检测视频。例如， 预定视频数据库可以是视频播放平台中存储的数据库，也可是诸如网络云盘 等存储器中存储的数据库。

这样，针对每一个目标帧图像，计算每个待检测视频的每个待测帧图像 与该目标帧图像之间的相似度，将与该目标帧图像之间的相似度高于第一阈 值的待测帧图像确定为对应待检测视频的候选帧图像。第一阈值可以根据经 验值设定，例如，第一阈值可为80％或者70％等。

然后，针对每个待检测视频，计算该待检测视频的第一得分。

例如，对于每个待检测视频，可以通过执行如下将要描述的处理来获得 该待检测视频的第一得分。

计算该待检测视频对应的候选帧图像的个数，记为a1，a1为非负整数。

接着，计算与该待检测视频对应的各候选帧图像有关的所有目标帧图像 的个数，记为a2，a2为非负整数。

然后，根据下式计算该待检测视频的第一得分：S1＝q1×a1+q2×a2。

其中，S1为该待检测视频的第一得分，q1表示该待检测视频对应的候 选帧图像的个数所对应的权重，q2表示与该待检测视频对应的各候选帧图像 有关的所有目标帧图像的个数所对应的权重，其中，q1等于预设的第一权重 值。

可选地，第一权重值例如等于0.5，也可以根据经验设定。

当a2＝N时，q2等于预设的第二权重值。

当a2＜N时，q2等于预设的第三权重值。

其中，第二权重值大于第三权重值。

可选地，第二权重值例如等于1，第三权重值例如等于0.5，或者，第二 权重值和第三权重值也可以根据经验设定。

或者，第二权重值可以等于第三权重值的d倍，d为大于1的实数。其 中，d可以是整数，也可以是小数，例如，d可以是大于或等于2的整数或小 数，比如2、3或5等等。

根据每个待检测视频的第一得分在待检测视频中确定目标视频的相似 视频。

可选地，上述根据每个待检测视频的第一得分在待检测视频中确定目标 视频的相似视频的步骤可以包括：在所有待检测视频中，选择其中第一得分 高于第二阈值的待检测视频，作为目标视频的相似视频。其中，第二阈值可 以根据经验值设定，例如，第二阈值可以等于5等，可以根据不同应用条件 来设置不同的值。

这样，可以在预定视频数据库中确定出与目标视频相似的相似视频。

这样，基于场景切换点(即场景切换时刻)获取目标视频中的多个目标 帧图像，同时基于场景切换点获取每个待检测视频中的多个待测帧图像，其 中目标帧图像是目标视频中每个场景切换点对应的切换后视频帧，待测帧图 像是每个待检测视频中每个场景切换点对应的切换后视频帧，通过比较目标 视频各目标帧图像分别与每个待检测视频中各待测帧图像之间的相似度，得 到两种信息，一种信息是每个待检测视频中与目标帧图像有关的待测帧图像 数量(即该待检测视频中与目标帧图像相似的所有待测帧图像数量)，另一种 信息是与每个待检测视频有关的目标帧图像数量(即与该待检测视频中待检 测视频相似的所有目标帧图像数量)，基于这两种信息相结合来确定待检测视 频是否与目标视频相似，一方面能够较高效地获得目标视频的相似视频，另 一方面能够为后续的进一步相似视频判定缩小需要检索的范围，大大缩减了 工作量。

在一个优选示例(以下称为示例1)中，假设目标视频有3个场景切换 点，那么目标视频共有4个切换后视频帧(包括第一帧)，即4个目标帧图像， 假设分别为p1、p2、p3和p4，即所有目标帧图像的总数N＝4；假设某一个 待检测视频(假设为v1)有5个场景切换点，那么该待检测视频v1共有6 个切换后视频帧，即6个待测帧图像，假设分别为p1’、p2’、p3’、p4’、p5’ 和p6’。将这个6个待测帧图像中的每一个待测帧图像分别与上述4个目标 帧图像中的每一个目标帧图像进行相似度计算，假设，p1’与p1的相似度为x11，p1’与p2的相似度为x12，p1’与p3的相似度为x13，p1’与p4的相似度 为x14；p2’与p1的相似度为x21，p2’与p2的相似度为x22，p2’与p3的相 似度为x23，p2’与p4的相似度为x24；p3’与p1的相似度为x31，p3’与p2 的相似度为x32，p3’与p3的相似度为x33，p3’与p4的相似度为x34；p4’ 与p1的相似度为x41，p4’与p2的相似度为x42，p4’与p3的相似度为x43， p4’与p4的相似度为x44；p5’与p1的相似度为x51，p5’与p2的相似度为x52， p5’与p3的相似度为x53，p5’与p4的相似度为x54；p6’与p1的相似度为x61， p6’与p2的相似度为x62，p6’与p3的相似度为x63，p6’与p4的相似度为x64。 若上面各相似度x11-x14、x21-x24、x31-x34以及x41-x44之中，仅有x11、 x21、x23、x31、x33和x43高于第一阈值80％，由此可以计算得到，该待检 测视频v1对应的候选帧图像的个数a1＝4(包括p1’、p2’、p3’和p4’)，而与 该待检测视频v1对应的各候选帧图像有关的所有目标帧图像的个数a2＝2(包 括p1和p3)。而N＝4，显然a2小于N，所以q2等于预设的第三权重值。假 设第一权重值等于0.5，第二权重值等于1，第三权重值等于0.5，则此时 q1＝0.5，且q2＝0.5。于是，该待检测视频v1的第一得分S1＝q1×a1+ q2×a2＝0.5×4+0.5×2＝3分。

假设另一个待检测视频(假设为v2)，经过类似处理，得到待检测视频 v2对应的候选帧图像的个数a1＝4，而与待检测视频v2对应的各候选帧图像 有关的所有目标帧图像的个数a2＝4，因此a2＝N，所以q2＝第二权重值＝1。 于是，待检测视频v2的第一得分S1＝q1×a1+q2×a2＝0.5×4+1×4＝6分。

由此，在示例1中，待检测视频v2的第一得分比待检测视频v1的第一 得分高很多，假设第二阈值为5分(在其他例子中可以设置不同值)，则待检 测视频v2可被确定为目标视频的相似视频，而待检测视频v1不是相似视频。

在一个例子中，在所有待检测视频中，可以选择其中第一得分高于第二 阈值的待检测视频，作为候选视频。

接着，基于目标视频的多个场景切换时刻对目标视频进行分割，获得目 标视频对应的多个第一视频片段，将目标视频中所有第一视频片段的总数记 为M,M为非负整数。

然后，针对每个候选视频，基于该候选视频的多个场景切换时刻对该候 选视频进行分割，获得该候选视频对应的多个第二视频片段。

接着，针对每个候选视频的每个候选帧图像对应的第二视频片段，在多 个第一视频片段中选择与该候选帧图像对应的目标帧图像有关的第一视频片 段，将选择的该第一视频片段与该第二视频片段进行相似度计算，若该第一 视频片段与该第二视频片段之间的相似度高于第三阈值，将该第二视频片段 确定为与该第一视频片段对应的相似片段。其中，第三阈值可以根据经验值 设定，例如，第三阈值可以等于60％或70％或80％或90％等。

其中，两个视频片段之间的相似度计算例如可以采用现有技术实现，这 里不再赘述。

然后，针对每个候选视频，计算该候选视频中所包含的相似片段的个数， 记为b1，b1为非负整数，计算与该候选视频中所包含的各相似片段有关的所 有第一视频片段的个数，记为b2，b2为非负整数，根据下式计算该候选视频 的第二得分：S2＝q3×b1+q4×b2，其中，S2为该候选视频的第二得分，q3表 示该候选视频所包含的相似片段的个数所对应的权重，q4表示与该候选视频 所包含的各相似片段有关的所有第一视频片段的个数所对应的权重，其中， q3等于预设的第四权重值，当b2＝M时q4等于预设的第五权重值，当b2＜ M时q4等于预设的第六权重值，其中，第五权重值大于第六权重值。其中， 第四权重值、第五权重值和第六权重值也可以根据经验设定。

然后，根据每个候选视频的第二得分在候选视频中确定目标视频的相似 视频。

可选地，在所有候选视频中，选择其中第二得分高于第四阈值的候选视 频，作为目标视频的相似视频。其中，第四阈值可以根据经验值设定，例如， 第四阈值可以等于5等，可以根据不同应用条件来设置不同的值。

这样，在一种实现方式中，可以首先基于场景切换点(即场景切换时刻) 获取目标视频中的多个目标帧图像，同时基于场景切换点获取每个待检测视 频中的多个待测帧图像，其中目标帧图像是目标视频中每个场景切换点对应 的切换后视频帧，待测帧图像是每个待检测视频中每个场景切换点对应的切 换后视频帧，通过比较目标视频各目标帧图像分别与每个待检测视频中各待 测帧图像之间的相似度，得到两种信息，一种信息是每个待检测视频中与目 标帧图像有关的待测帧图像数量(即该待检测视频中与目标帧图像相似的所 有待测帧图像数量)，另一种信息是与每个待检测视频有关的目标帧图像数量 (即与该待检测视频中待检测视频相似的所有目标帧图像数量)，基于这两种 信息相结合来确定每个待检测视频的第一得分，然后，基于第一得分筛选出 一部分待检测视频来作为候选视频，目的是再从这些候选视频中进行二次筛 选，从而最终获得目标视频的相似视频，而从这些候选视频中进行二次筛选 则是通过计算每个候选视频的第二得分来实现的。在计算第二得分时，首先 基于场景切换点对目标视频以及每个候选视频进行视频分割，得到目标视频 对应的多个第一视频片段以及每个候选视频对应的多个第二视频片段，通过 比较目标视频中第一视频片段和候选视频中第二视频片段的相似度，来获得 另外两种信息，一种信息是候选视频中与目标视频有关的第二视频片段数量 (即候选视频中所包含的相似片段的个数)，另一种信息是与每个候选视频有 关的第一视频片段数量(即与每个候选视频中所包含的各相似片段有关的所 有第一视频片段的个数)，基于这两种信息相结合来确定每个候选视频的第二 得分，再根据每个候选视频的第二得分对候选视频进行筛选，确定哪些是与 目标视频相似的相似视频。这样，相当于结合四种信息来获得待检测视频(或 候选视频)的第一得分与第二得分，并结合了第一得分和第二得分对待检测 视频进行了两次筛选，使得筛选得到的相似视频更为准确。

相比于现有技术直接计算两个视频的相似度，本发明能够大大减小工作 量，提高处理效率，本发明可以先通过计算第一得分进行一次筛选，而这个 计算是基于场景切换后的帧图像来进行的计算，其计算量相比于整个视频的 相似度计算要小得多，再对一次筛选的结果进行二次筛选，而且二次筛选也 不是将所有候选视频进行相似度计算，并且对于单个候选视频也不是整个视 频一起计算相似度，而是基于场景切换点将候选视频分割，对于候选视频中 分割后的视频片段中的一部分(即上文所述的相似片段)与目标视频中对应的片段进行相似度计算，这样，相比于现有技术对每两个视频(而且是整个 视频)之间计算相似度计算的方式，也大大减小了计算量，提高了效率。

作为示例，按照如下方式来根据每个待检测视频的第一得分在待检测视 频中确定目标视频的相似视频：在所有待检测视频中，选择其中第一得分高 于第二阈值的待检测视频，作为候选视频；基于目标视频的多个场景切换时 刻对目标视频进行分割，获得目标视频对应的多个第一视频片段，将目标视 频中所有第一视频片段的总数记为M,M为非负整数；针对每个候选视频， 基于该候选视频的多个场景切换时刻对该候选视频进行分割，获得该候选视 频对应的多个第二视频片段；针对每个候选视频的每个候选帧图像对应的第二视频片段，在多个第一视频片段中选择与该候选帧图像对应的目标帧图像 有关的第一视频片段，将选择的该第一视频片段与该第二视频片段进行相似 度计算，若该第一视频片段与该第二视频片段之间的相似度高于第三阈值， 将该第二视频片段确定为与该第一视频片段对应的相似片段；针对每个候选 视频，计算该候选视频中所包含的相似片段的个数，记为b1，b1为非负整数， 计算与该候选视频中所包含的各相似片段有关的所有第一视频片段的个数， 记为b2，b2为非负整数，根据下式计算该候选视频的第二得分： S2＝q3×b1+q4×b2，其中，S2为该候选视频的第二得分，q3表示该候选视频 所包含的相似片段的个数所对应的权重，q4表示与该候选视频所包含的各相 似片段有关的所有第一视频片段的个数所对应的权重，其中，q3等于预设的 第四权重值，当b2＝M时q4等于预设的第五权重值，当b2＜M时q4等于预 设的第六权重值，其中，第五权重值大于第六权重值；根据每个候选视频的 第二得分在候选视频中确定目标视频的相似视频。

作为示例，按照如下方式来根据每个候选视频的第二得分在候选视频中确 定目标视频的相似视频：在所有候选视频中，选择其中第二得分高于第四阈值 的候选视频，作为目标视频的相似视频。

作为示例，该方法还包括：将历史数据中的每组低空遥感图像和高空遥感 图像作为输入，将历史数据中每组低空遥感图像和高空遥感图像对应的真实产 量等级作为输出，训练预定卷积神经网络模型，将训练好的预定卷积神经网络 模型作为第一预测模型；其中，历史数据包括多组低空遥感图像和高空遥感图 像以及和每一组低空遥感图像和高空遥感图像相对应的真实产量等级、对应的 天气数据和对应的虫害数据；利用第一预测模型获得历史数据中的每组低空遥 感图像和高空遥感图像对应的第一预测产量等级，将历史数据中的每组低空遥 感图像和高空遥感图像对应的第一预测产量等级、对应天气数据以及对应虫害 数据作为输入，将历史数据中每组低空遥感图像和高空遥感图像对应的真实产 量等级作为输出，训练预定BP神经网络模型，将训练好的预定BP神经网络模 型作为第二预测模型；将当前待预测的低空遥感图像和高空遥感图像输入第一 预测模型，获得当前待预测的低空遥感图像和高空遥感图像所对应的第一预测 产量等级；将当前待预测的低空遥感图像和高空遥感图像所对应的第一预测产 量等级、当前待预测的低空遥感图像和高空遥感图像所对应的天气数据和虫害 数据输入第二预测模型，获得当前待预测的低空遥感图像和高空遥感图像所对 应的第二预测产量等级；利用当前待预测的低空遥感图像和高空遥感图像确定 对应的相似案例，基于相似案例的真实产量与获得的当前待预测的低空遥感图 像和高空遥感图像所对应的第二预测产量等级，计算当前待预测的低空遥感图 像和高空遥感图像对应的预测产量数值。

作为示例，利用当前待预测的低空遥感图像和高空遥感图像确定对应的相 似案例，基于相似案例的真实产量与获得的当前待预测的低空遥感图像和高空 遥感图像所对应的第二预测产量等级，计算当前待预测的低空遥感图像和高空 遥感图像对应的预测产量数值的步骤包括：针对历史数据中的每一组低空遥感 图像和高空遥感图像中的每个图像，计算该图像与当前待预测的低空遥感图像 和高空遥感图像中的每个图像之间的相似度，确定在当前待预测的低空遥感图 像和高空遥感图像中与该图像之间相似度高于第五阈值的图像数目，作为该图 像的第一分数；针对历史数据中的每一组低空遥感图像和高空遥感图像，将该 组低空遥感图像和高空遥感图像中的各图像的第一分数之和作为该组低空遥 感图像和高空遥感图像的第一分数，将该组低空遥感图像和高空遥感图像对应 的天气数据与当前待预测的低空遥感图像和高空遥感图像对应的天气数据之 间的相似度，作为该组低空遥感图像和高空遥感图像的第二分数，将该组低空 遥感图像和高空遥感图像对应的虫害数据与当前待预测的低空遥感图像和高 空遥感图像对应的虫害数据之间的相似度，作为该组低空遥感图像和高空遥感 图像的第三分数，计算该组低空遥感图像和高空遥感图像对应的第一分数、第 二分数与第三分数的加权和，作为该组低空遥感图像和高空遥感图像的总分 数；将总分数最高的前N组低空遥感图像和高空遥感图像所对应的N个历史案 例，作为当前待预测的低空遥感图像和高空遥感图像对应的相似案例，其中， N为1、2或3；根据每个相似案例对应的总分数，确定每个相似案例的权重， 以根据所确定的权重计算N个相似案例的真实产量的加权和，其中，N个相似 案例的权重之和为1，若计算所得的N个相似案例的真实产量的加权和所对应 的产量等级与当前待预测的低空遥感图像和高空遥感图像所对应的第二预测 产量等级相同，将N个相似案例的真实产量的加权和作为当前待预测的低空遥 感图像和高空遥感图像对应的预测产量数值，若计算所得的N个相似案例的真 实产量的加权和所对应的产量等级高于当前待预测的低空遥感图像和高空遥 感图像所对应的第二预测产量等级，将当前待预测的低空遥感图像和高空遥感 图像所对应的第二预测产量等级对应的产量数值范围中的最大值作为当前待 预测的低空遥感图像和高空遥感图像对应的预测产量数值，若计算所得的N个 相似案例的真实产量的加权和所对应的产量等级低于当前待预测的低空遥感 图像和高空遥感图像所对应的第二预测产量等级，将当前待预测的低空遥感图 像和高空遥感图像所对应的第二预测产量等级对应的产量数值范围中的最小 值作为当前待预测的低空遥感图像和高空遥感图像对应的预测产量数值。

作为示例，该方法还包括：存储多个已存农产品的图片数据和文字数据， 其中，每个已存农产品的图片数据包括一个或多个图片；接收来自用户端的 待搜索产品的待搜索图片和/或待检索文字，并计算存储的每个已存农产品与 待搜索产品之间的相似度，对待搜索产品的待搜索图片进行物体检测，获得 待搜索图片中的所有识别到的第一物品图像；其中，针对每个已存农产品， 通过如下方式计算该已存农产品与待搜索产品之间的相似度：针对该已存农 产品的图片数据中的每个图片，对该图片进行物体检测，获得该已存农产品 的图片数据中的所有识别到的第二物品图像，对该已存农产品的图片数据中 的所有识别到的第二物品图像分别进行轮廓检索，以确定其中每个第二物品 图像的第二物品轮廓是否完整，在该已存农产品的图片数据中的所有识别到 的第二物品图像中，计算每个第二物品图像与每个第一物品图像之间的相似 度，针对该已存农产品的每个第二物品图像，确定与该第二物品图像相似度 高于第七阈值的第一物品图像的数量，作为该第二物品图像与待搜索产品的 第一相关度，累计计算该已存农产品各个第二物品图像对应的第一相关度之 和，针对该已存农产品的轮廓完整的每个第二物品图像，确定与该第二物品 图像相似度高于第七阈值的第一物品图像的数量，作为该第二物品图像与待 搜索产品的第二相关度，累计计算该已存农产品各个第二物品图像对应的第 二相关度之和，计算该已存农产品的文字数据与待搜索产品的待检索文字之 间的文字相似度，根据该已存农产品对应的第一相关度之和、第二相关度之 和以及文字相似度，确定该已存农产品与待搜索产品的总相似度；将与待搜 索产品的总相似度高于第八阈值的已存农产品作为搜索结果展示给用户。

根据一个实施例，上述方法还可以包括如下处理：将历史数据中的每组 低空遥感图像和高空遥感图像作为输入，将历史数据中每组低空遥感图像和 高空遥感图像对应的真实产量等级作为输出，训练预定的卷积神经网络模型， 将训练好的预定卷积神经网络模型作为第一预测模型。

这里所说的产量等级(如“真实产量等级”中的“产量等级”，或下文所述 的“预测产量等级”中的“产量等级”)是预先设置好的多个不同等级。举例来 说，可以根据经验或者试验的方式预设若干产量等级，如预设3个等级(也 可以是2个等级、4个等级、5个等级、8个等级或10个等级，等等)，其中， 第一等级对应于产量x1～x2(如1千公斤～1.2千公斤)，第二等级对应于产量 范围是x2～x3(如1.2千公斤～1.4千公斤)，第三等级对应于产量范围是x3～x4 (如1.4千公斤～1.6千公斤)。

比如，若产量为1.5千公斤，则对应的产量等级为第三等级。

其中，若产量恰好等于边界值，可以取较低的那个等级。比如，产量为 1.2千公斤，则对应于第一等级。

应当说明的是，上述的每组低空遥感图像和高空遥感图像可以包括不止 一幅低空遥感图像，也可以包括不止一幅高空遥感图像。

其中，历史数据包括多组低空遥感图像和高空遥感图像以及和每一组低 空遥感图像和高空遥感图像相对应的真实产量等级、对应的天气数据和对应 的虫害数据；此外，历史数据中还可以包括每一组低空遥感图像和高空遥感 图像相对应的真实产量。每一组低空遥感图像和高空遥感图像(以及其对应 的真实产量等级、真实产量、对应的天气数据和对应的虫害数据等)对应于 一个历史案例。

其中，天气数据例如可以是向量形式，例如，用(t1，t2)(或者更多维) 表示天气数据，其中t1、t2的值为0或1，0表示对应项为否，1表示对应项 为真。比如，t1项表示是否干旱，t2项表示是否洪涝，等等。举例来说，天 气数据(0,1)表示没有干旱、但有洪涝，而天气数据(0,0)则表示既没有干 旱、也没有洪涝。

此外，虫害数据例如可以是向量形式，例如，用(h1，h2，h3，h4，h5) (或者更少或更多维)表示天气数据，其中h1～h5的值为0或1，0表示对 应项为否，1表示对应项为真。比如，h1项表示虫害次数是否为0次，h2项 表示虫害次数是否为1-3次，h3项表示虫害次数是否为3-5次，h4项表示虫 害次数是否为大于5次，h5项表示虫害多次总面积是否超过预定面积(例如 可以根据经验设定，或者通过试验的方式确定)，等等。举例来说，虫害数据 (1,0,0,0,0)表示从未发生虫害，而虫害数据(0,0,1,0,1)则表示发生过3-5 次虫害、且虫害发生多次的总面积超过了预定面积。

接着，可以利用第一预测模型获得历史数据中的每组低空遥感图像和高 空遥感图像对应的第一预测产量等级，即，在第一预测模型已经训练好之后， 将每组低空遥感图像和高空遥感图像输入到第一预测模型，此时的输出结果 作为该组低空遥感图像和高空遥感图像对应的第一预测产量等级。

这样，可以将历史数据中的每组低空遥感图像和高空遥感图像对应的第 一预测产量等级、对应天气数据以及对应虫害数据作为输入，将历史数据中 每组低空遥感图像和高空遥感图像对应的真实产量等级作为输出，训练预定 BP神经网络模型，将训练好的预定BP神经网络模型作为第二预测模型；

需要说明的是，在训练上述预定BP神经网络模型的过程中的其中一个 输入量选取的是每组低空遥感图像和高空遥感图像对应的“第一预测产量等 级”，而没有选取其对应的真实的产量等级(其真实产量和真实产量等级均已 知)，是因为，在测试阶段，待测的图像也并不知道真实的产量等级(或真实 产量)，这样训练得到的第二预测模型能够对待测图像的分类(即预测)更加 准确。

这样，可以将当前待预测的低空遥感图像和高空遥感图像输入第一预测 模型，获得当前待预测的低空遥感图像和高空遥感图像所对应的第一预测产 量等级。

接着，可以将当前待预测的低空遥感图像和高空遥感图像所对应的第一 预测产量等级、当前待预测的低空遥感图像和高空遥感图像所对应的天气数 据和虫害数据输入第二预测模型，将第二预测模型此时的输出结果作为当前 待预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级。

这样，能够利用当前待预测的低空遥感图像和高空遥感图像(以下简称 待预测图像)在多个历史案例中确定与待预测图像对应的相似案例，基于相 似案例的真实产量与待预测图像所对应的第二预测产量等级，计算当前待预 测的低空遥感图像和高空遥感图像对应的预测产量数值。

作为一个示例，可以执行如下处理：针对历史数据中的每一组低空遥感 图像和高空遥感图像中的每个图像，计算该图像与待预测图像中的每个图像 之间的相似度，确定在待预测图像中与该图像之间相似度高于第五阈值的图 像数目，作为该图像的第一分数。

举例来说，对于历史数据中的某一组低空遥感图像和高空遥感图像中的 某个图像px来说，假设待预测图像中共包括10个图像pd1、pd2、…、pd10， 则分别计算该图像px与上述10个图像之间的相似度，也即，px与pd1之间 的相似度xs1，px与pd2之间的相似度xs2，…，px与pd10之间的相似度xs10。 假设在xs1～xs10之中仅有xs1、xs3和xs8大于上述第五阈值，则待预测图像 中与该图像px之间相似度高于第五阈值的图像数目为3，也即，图像px的 第一分数为3。

然后，相似案例确定模块可以针对历史数据中的每一组低空遥感图像和 高空遥感图像，将该组低空遥感图像和高空遥感图像中的各图像的第一分数 之和作为该组低空遥感图像和高空遥感图像的第一分数(以及对应的历史案 例的第一分数)。优选地，例如可以将每个历史案例的第一分数进行归一化， 或者通过乘以一个系数的方式，使得第一分数乘以一个预定系数后(例如所 有的第一分数都乘以0.01或0.05等)介于0与1之间。

例如，对于一个历史案例，假设其对应的那组低空遥感图像和高空遥感 图像中包括5个低空遥感图像和5个高空遥感图像(或其他数量)，将这10 个图像记为图像pl1～pl10。在计算该历史案例的第一分数时，假设图像 pl1～pl10的第一分数为spl1～spl10(假设spl1～spl10是已经归一化后的分数)， 则该历史案例的第一分数为spl1+spl2+spl3+…+spl10，即spl1～spl10之和。

然后，可以将该组低空遥感图像和高空遥感图像对应的天气数据与当前 待预测的低空遥感图像和高空遥感图像对应的天气数据之间的相似度，作为 该组低空遥感图像和高空遥感图像的第二分数。其中，天气数据例如采用向 量形式，上述天气数据之间的相似度可以采用向量相似度的计算方法来计算， 这里不再赘述。

然后，可以将该组低空遥感图像和高空遥感图像对应的虫害数据与当前 待预测的低空遥感图像和高空遥感图像对应的虫害数据之间的相似度，作为 该组低空遥感图像和高空遥感图像的第三分数，其中，虫害数据例如采用向 量形式，上述虫害数据之间的相似度可以采用向量相似度的计算方法来计算， 这里不再赘述。

接着，可以计算该组低空遥感图像和高空遥感图像对应的第一分数、第 二分数与第三分数的加权和，作为该组低空遥感图像和高空遥感图像的总分 数。其中，第一分数、第二分数与第三分数各自的权重可以根据经验设定， 或者试验确定，例如，第一分数、第二分数与第三分数的权重可以分别为1， 或者分别为1/3，等等；或者，第一分数、第二分数与第三分数各自的权重也 可以不同。

这样，可以将总分数最高的前N组低空遥感图像和高空遥感图像所对应 的N个历史案例，作为当前待预测的低空遥感图像和高空遥感图像对应的相 似案例，其中，N为1、2或3，或其他正整数。

在确定出待预测图像的N个相似案例之后，可以执行如下处理：根据每 个相似案例对应的总分数，确定每个相似案例的权重，以根据所确定的权重 计算N个相似案例的真实产量的加权和，其中，N个相似案例的权重之和为1。

举例来说，假设N为3，得到待预测图像的3个相似案例，假设这3个 相似案例的总分数分别为sz1、sz2和sz3，其中，假设sz1小于sz2，且sz2 小于sz3。例如，可以将这3个相似案例对应的权重依次设置为qsz1、qsz2 和qsz3，使得qsz1:qsz2:qsz3(三者之比)等于sz1:sz2:sz3(三者之比)。

若计算所得的N个相似案例的真实产量的加权和所对应的产量等级与 待预测图像所对应的第二预测产量等级相同，可以将N个相似案例的真实产 量的加权和作为待预测图像对应的预测产量数值。

若计算所得的N个相似案例的真实产量的加权和所对应的产量等级高 于待预测图像所对应的第二预测产量等级，可以将待预测图像所对应的第二 预测产量等级对应的产量数值范围中的最大值作为待预测图像对应的预测产 量数值。

若计算所得的N个相似案例的真实产量的加权和所对应的产量等级低 于待预测图像所对应的第二预测产量等级，可以将待预测图像所对应的第二 预测产量等级对应的产量数值范围中的最小值作为待预测图像对应的预测产 量数值。

例如，假设待预测图像的3个相似案例(假设实际产量分别为1.1千公 斤、1.3千公斤和1.18千公斤)的总分数分别为1、2和2(假设其他历史案 例的总分数均小于1)，可以将这3个相似案例对应的权重依次设置为0.2、 0.4和0.4，则“N个相似案例的真实产量的加权和”＝0.2*1.1+0.4*1.3+0.4*1.18＝0.22+0.52+0.472＝1.212千公斤，对应的产量等 级为第二等级x2～x3(如1.2千公斤～1.4千公斤)。

假设待预测图像所对应的第二预测产量等级是第一等级x1～x2(如1千 公斤～1.2千公斤)，则可以将第一等级对应的产量范围上边界(即1.2千公斤) 作为待预测图像对应的预测产量数值。

假设待预测图像所对应的第二预测产量等级是第二等级x2～x3(如1.2 千公斤～1.4千公斤)，则可以将1.212千公斤作为待预测图像对应的预测产量 数值。

假设待预测图像所对应的第二预测产量等级是第三等级x3～x4(如1.4 千公斤～1.6千公斤)，则可以将第三等级对应的产量范围下边界(即1.4千公 斤)作为待预测图像对应的预测产量数值。

通过以上方式，不仅利用了待预测图像自身的预测结果(即第二预测产 量等级)，还利用了相似案例的信息所得到的预测结果(即N个相似案例的 真实产量的加权和)，由此所获得的最终产量预测结果更加符合实际情况、更 准确。

根据本发明的实施例，上述方法还可以包括农产品搜索处理，其中，农 产品搜索处理中，可以利用数据库存储多个已存农产品的图片数据和文字数 据，其中，每个已存农产品的图片数据包括一个或多个图片。

在农产品搜索处理中，可以接收来自用户端的待搜索产品的待搜索图片 和/或待检索文字，例如可以首先对待搜索产品的待搜索图片进行物体检测， 获得待搜索图片中的所有识别到的第一物品图像，例如，用户输入的待搜索 图片可能是手持终端设备拍摄的照片，也可能是设备存储的或下载等方式得 到的其他图片，该图片可能包含多个物品，比如，可能是一个包含书桌与茶 杯两个物品的图片。利用现有的物品检测技术，可以识别出图片中的书桌和 茶杯两个第一物品图像。

在农产品搜索处理中，可以计算数据库单元中存储的每个已存农产品与 待搜索产品之间的相似度。针对每个已存农产品，例如可以通过如下方式计 算该已存农产品与待搜索产品之间的相似度：针对该已存农产品的图片数据 中的每个图片，对该图片进行物体检测，获得该已存农产品的图片数据中的 所有识别到的第二物品图像(可以采用与上述检测第一物品图像相类似的技 术实现，这里不再赘述)。

接着，在农产品搜索处理中，可以对该已存农产品的图片数据中的所有 识别到的第二物品图像分别进行轮廓检索，以确定其中每个第二物品图像的 第二物品轮廓是否完整。

然后，在该已存农产品的图片数据中的所有识别到的第二物品图像(包 含轮廓完整和不完整的)中，可以计算每个第二物品图像与每个第一物品图 像之间的相似度(例如可以采用现有的图像相似度计算方法实现)。

接着，可以针对该已存农产品的每个第二物品图像，确定与该第二物品 图像相似度高于第七阈值的第一物品图像的数量，作为该第二物品图像与待 搜索产品的第一相关度，累计计算该已存农产品各个第二物品图像对应的第 一相关度之和。

接着，可以针对该已存农产品的轮廓完整的每个第二物品图像，确定与 该第二物品图像相似度高于第七阈值的第一物品图像的数量，作为该第二物 品图像与待搜索产品的第二相关度，累计计算该已存农产品各个第二物品图 像对应的第二相关度之和。

然后，可以计算该已存农产品的文字数据与待搜索产品的待检索文字之 间的文字相似度，例如可以采用现有的字符串相似度计算方法实现。

这样，可以根据该已存农产品对应的第一相关度之和(记为f1)、第二 相关度之(记为f2)和以及文字相似度(记为f3)，确定该已存农产品与待 搜索产品的总相似度，例如，该总相似度可以等于上述f1+f2+f3，或者，也 可以等于三者的加权和，比如qq1*f1+qq2*f2+qq3*f3，其中，qq1～qq3分 别为f1～f3的预设权重，可以根据经验设定。

这样，可以将与待搜索产品的总相似度高于第八阈值的已存农产品作为 搜索结果展示给用户。

应当说明的是，上述第一阈值～第八阈值可以根据经验值设定，或者通 过试验的方式确定，这里不再赘述。

此外，本发明的实施例还提供了一种基于农业物联网综合服务管理系统的 可追溯信息处理装置，如图2所示，该装置包括：查询单元1，用于响应于用户 端对待追溯产品的可追溯印戳中的二维码的扫描操作，在预定数据库中查询该 二维码对应的水稻产品相关信息；第一发送单元2，用于将查询到的该二维码 对应的水稻产品相关信息的各项可追溯信息名称发送给用户端；第二发送单元 3，用于根据用户在用户端中所选择的可追溯信息名称，将该项可追溯信息名 称对应的信息内容发送给该用户端，以供用户端查看。

作为示例，待追溯产品的可追溯印戳包括待追溯产品的二维码、水稻生产 地以及水稻品名。

作为示例，水稻产品相关信息包括：田间生产环节的可追溯信息；存储环 节的可追溯信息；加工环节的可追溯信息；以及物流环节的可追溯信息。

作为示例，田间生产环节的可追溯信息包括：水稻生产环节的可追溯信息； 以及生产资料使用环节的可追溯信息。

作为示例，水稻产品相关信息中的每一项可追溯信息包括对应的负责人信 息和产品信息。

作为示例，水稻产品相关信息中的每一项可追溯信息包括对应的文字信息 和多媒体信息。

作为示例，多媒体信息包括通过360度全景成像设备所获得的视频信息。

作为示例，基于农业物联网综合服务管理系统包括监测子系统、气象子系 统、地下水位监测子系统和控制中心子系统；监测子系统包括多个监测点，其 中，每个监测点设有至少一个视频装置、至少一个第一传感器以及第一通信装 置，至少一个视频装置用于捕获对应区域的视频数据，至少一个第一传感器用 于获取该监测点对应的土壤环境数据，第一通信装置用于将对应监测点获得的 视频数据和土壤环境数据发送给控制中心子系统；气象子系统包括多个气象监 测站，其中，每个气象监测站设有多个第二传感器和第二通信装置，多个第二 传感器用于获取该气象监测站处对应的空气环境数据，第二通信装置用于将对 应气象监测站的空气环境数据发送给控制中心子系统；地下水位监测子系统包 括多个地下水位监测点，其中，每个地下水位监测点设有地下水位监测装置和 第三通信装置，地下水位监测装置用于实时获取对应处的地下水位数据，并通 过第三通信装置将获取的地下水位数据发送给控制中心子系统；以及控制中心 子系统包括第四通信装置和控制处理装置，第四通信装置用于接收来自监测子 系统、气象子系统、地下水位监测子系统的所有数据并发送给控制处理装置； 控制处理装置用于：至少基于从监测子系统接收到的各监测点对应的视频数据 和环境数据，预测对应作物长势以及获取影响作物生长的土壤要素信息；至少 基于从气象子系统接收到的各气象监测站处对应的空气环境数据，获取影响作物生长的空气中环境要素信息；以及至少基于从地下水位监测子系统接收到的 各地下水位监测点对应的地下水位数据，监测各地下水位监测点的地下水位变 化情况。

作为示例，农业物联网综合服务管理系统包括无人机端、卫星通讯端和服 务器端；其中，无人机端适于多次采集农业物联网预设种植区域的低空遥感图 像，并将低空遥感图像实时发给服务器端；卫星通讯端适于采集农业物联网预 设种植区域的高空遥感图像，并将高空遥感图像实时发给服务器端。

此外，上述装置还可以通过服务器端对接收到的低空遥感图像和/或高空 遥感图像进行分组，并利用每组图像生成一个待检测视频，得到多个待检测视 频；通过服务器端接收目标视频；确定目标视频中的多个场景切换时刻；针对 目标视频中的每一个场景切换时刻，获得该目标视频中该场景切换时刻所对应 的切换后视频帧；将目标视频的第一帧图像以及目标视频中的所有场景切换时 刻对应的切换后视频帧作为多个目标帧图像，将所有目标帧图像的总数记为 N,N为非负整数；针对预定视频数据库中的每一个待检测视频，确定该待检测 视频中的多个场景切换时刻，获得该待检测视频中每个场景切换时刻对应的切 换后视频帧，将该待检测视频的第一帧图像以及该待检测视频中的所有场景切 换时刻对应的切换后视频帧作为待测帧图像；针对每一个目标帧图像，计算每 个待检测视频的每个待测帧图像与该目标帧图像之间的相似度，将与该目标帧 图像之间的相似度高于第一阈值的待测帧图像确定为对应待检测视频的候选 帧图像；针对每个待检测视频，计算该待检测视频对应的候选帧图像的个数， 记为a1，a1为非负整数，计算与该待检测视频对应的各候选帧图像有关的所有 目标帧图像的个数，记为a2，a2为非负整数，根据下式计算该待检测视频的第 一得分：S1＝q1×a1+q2×a2，其中，S1为该待检测视频的第一得分，q1表示该 待检测视频对应的候选帧图像的个数所对应的权重，q2表示与该待检测视频对 应的各候选帧图像有关的所有目标帧图像的个数所对应的权重，其中，q1等于 预设的第一权重值，当a2＝N时q2等于预设的第二权重值，当a2＜N时q2等于预 设的第三权重值，其中，第二权重值大于第三权重值；根据每个待检测视频的 第一得分在待检测视频中确定目标视频的相似视频。

作为示例，上述装置还可以通过服务器端按照如下方式来根据每个待检 测视频的第一得分在待检测视频中确定目标视频的相似视频：在所有待检测 视频中，选择其中第一得分高于第二阈值的待检测视频，作为候选视频；基 于目标视频的多个场景切换时刻对目标视频进行分割，获得目标视频对应的 多个第一视频片段，将目标视频中所有第一视频片段的总数记为M,M为非 负整数；针对每个候选视频，基于该候选视频的多个场景切换时刻对该候选 视频进行分割，获得该候选视频对应的多个第二视频片段；针对每个候选视频的每个候选帧图像对应的第二视频片段，在多个第一视频片段中选择与该 候选帧图像对应的目标帧图像有关的第一视频片段，将选择的该第一视频片 段与该第二视频片段进行相似度计算，若该第一视频片段与该第二视频片段 之间的相似度高于第三阈值，将该第二视频片段确定为与该第一视频片段对 应的相似片段；针对每个候选视频，计算该候选视频中所包含的相似片段的 个数，记为b1，b1为非负整数，计算与该候选视频中所包含的各相似片段有 关的所有第一视频片段的个数，记为b2，b2为非负整数，根据下式计算该候 选视频的第二得分：S2＝q3×b1+q4×b2，其中，S2为该候选视频的第二得分， q3表示该候选视频所包含的相似片段的个数所对应的权重，q4表示与该候选 视频所包含的各相似片段有关的所有第一视频片段的个数所对应的权重，其 中，q3等于预设的第四权重值，当b2＝M时q4等于预设的第五权重值，当 b2＜M时q4等于预设的第六权重值，其中，第五权重值大于第六权重值； 根据每个候选视频的第二得分在候选视频中确定目标视频的相似视频。

作为示例，上述装置还可以通过服务器端按照如下方式来根据每个候选视 频的第二得分在候选视频中确定目标视频的相似视频：在所有候选视频中，选 择其中第二得分高于第四阈值的候选视频，作为目标视频的相似视频。

作为示例，上述装置还可以通过服务器端将历史数据中的每组低空遥感图 像和高空遥感图像作为输入，将历史数据中每组低空遥感图像和高空遥感图像 对应的真实产量等级作为输出，训练预定卷积神经网络模型，将训练好的预定 卷积神经网络模型作为第一预测模型；其中，历史数据包括多组低空遥感图像 和高空遥感图像以及和每一组低空遥感图像和高空遥感图像相对应的真实产 量等级、对应的天气数据和对应的虫害数据；利用第一预测模型获得历史数据 中的每组低空遥感图像和高空遥感图像对应的第一预测产量等级，将历史数据 中的每组低空遥感图像和高空遥感图像对应的第一预测产量等级、对应天气数 据以及对应虫害数据作为输入，将历史数据中每组低空遥感图像和高空遥感图 像对应的真实产量等级作为输出，训练预定BP神经网络模型，将训练好的预 定BP神经网络模型作为第二预测模型；将当前待预测的低空遥感图像和高空 遥感图像输入第一预测模型，获得当前待预测的低空遥感图像和高空遥感图像 所对应的第一预测产量等级；将当前待预测的低空遥感图像和高空遥感图像所 对应的第一预测产量等级、当前待预测的低空遥感图像和高空遥感图像所对应 的天气数据和虫害数据输入第二预测模型，获得当前待预测的低空遥感图像和 高空遥感图像所对应的第二预测产量等级；利用当前待预测的低空遥感图像和 高空遥感图像确定对应的相似案例，基于相似案例的真实产量与获得的当前待 预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级，计算当前待 预测的低空遥感图像和高空遥感图像对应的预测产量数值。

作为示例，上述装置还可以通过服务器端利用当前待预测的低空遥感图像 和高空遥感图像确定对应的相似案例，基于相似案例的真实产量与获得的当前 待预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级，计算当前 待预测的低空遥感图像和高空遥感图像对应的预测产量数值的步骤包括：针对 历史数据中的每一组低空遥感图像和高空遥感图像中的每个图像，计算该图像 与当前待预测的低空遥感图像和高空遥感图像中的每个图像之间的相似度，确 定在当前待预测的低空遥感图像和高空遥感图像中与该图像之间相似度高于 第五阈值的图像数目，作为该图像的第一分数；针对历史数据中的每一组低空 遥感图像和高空遥感图像，将该组低空遥感图像和高空遥感图像中的各图像的 第一分数之和作为该组低空遥感图像和高空遥感图像的第一分数，将该组低空 遥感图像和高空遥感图像对应的天气数据与当前待预测的低空遥感图像和高 空遥感图像对应的天气数据之间的相似度，作为该组低空遥感图像和高空遥感 图像的第二分数，将该组低空遥感图像和高空遥感图像对应的虫害数据与当前 待预测的低空遥感图像和高空遥感图像对应的虫害数据之间的相似度，作为该 组低空遥感图像和高空遥感图像的第三分数，计算该组低空遥感图像和高空遥 感图像对应的第一分数、第二分数与第三分数的加权和，作为该组低空遥感图 像和高空遥感图像的总分数；将总分数最高的前N组低空遥感图像和高空遥感 图像所对应的N个历史案例，作为当前待预测的低空遥感图像和高空遥感图像 对应的相似案例，其中，N为1、2或3；根据每个相似案例对应的总分数，确 定每个相似案例的权重，以根据所确定的权重计算N个相似案例的真实产量的 加权和，其中，N个相似案例的权重之和为1，若计算所得的N个相似案例的真 实产量的加权和所对应的产量等级与当前待预测的低空遥感图像和高空遥感 图像所对应的第二预测产量等级相同，将N个相似案例的真实产量的加权和作 为当前待预测的低空遥感图像和高空遥感图像对应的预测产量数值，若计算所 得的N个相似案例的真实产量的加权和所对应的产量等级高于当前待预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级，将当前待预测的低 空遥感图像和高空遥感图像所对应的第二预测产量等级对应的产量数值范围 中的最大值作为当前待预测的低空遥感图像和高空遥感图像对应的预测产量 数值，若计算所得的N个相似案例的真实产量的加权和所对应的产量等级低于 当前待预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级，将当 前待预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级对应的 产量数值范围中的最小值作为当前待预测的低空遥感图像和高空遥感图像对 应的预测产量数值。

作为示例，该装置还包括存储单元和处理单元。

其中，存储单元用于存储多个已存农产品的图片数据和文字数据，其中， 每个已存农产品的图片数据包括一个或多个图片。

此外，处理单元可以接收来自用户端的待搜索产品的待搜索图片和/或待 检索文字，并计算存储的每个已存农产品与待搜索产品之间的相似度，对待 搜索产品的待搜索图片进行物体检测，获得待搜索图片中的所有识别到的第 一物品图像；其中，针对每个已存农产品，通过如下方式计算该已存农产品 与待搜索产品之间的相似度：针对该已存农产品的图片数据中的每个图片， 对该图片进行物体检测，获得该已存农产品的图片数据中的所有识别到的第 二物品图像，对该已存农产品的图片数据中的所有识别到的第二物品图像分 别进行轮廓检索，以确定其中每个第二物品图像的第二物品轮廓是否完整， 在该已存农产品的图片数据中的所有识别到的第二物品图像中，计算每个第 二物品图像与每个第一物品图像之间的相似度，针对该已存农产品的每个第 二物品图像，确定与该第二物品图像相似度高于第七阈值的第一物品图像的 数量，作为该第二物品图像与待搜索产品的第一相关度，累计计算该已存农 产品各个第二物品图像对应的第一相关度之和，针对该已存农产品的轮廓完 整的每个第二物品图像，确定与该第二物品图像相似度高于第七阈值的第一 物品图像的数量，作为该第二物品图像与待搜索产品的第二相关度，累计计 算该已存农产品各个第二物品图像对应的第二相关度之和，计算该已存农产 品的文字数据与待搜索产品的待检索文字之间的文字相似度，根据该已存农 产品对应的第一相关度之和、第二相关度之和以及文字相似度，确定该已存 农产品与待搜索产品的总相似度；将与待搜索产品的总相似度高于第八阈值 的已存农产品作为搜索结果展示给用户。

最后应说明的是：以上实施例仅用以示例性说明本发明的技术方案，而 非对其限制；尽管参照前述实施例对本发明及本发明带来的有益效果进行了 详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例 所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这 些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求的范围。

Claims (8)

1.一种基于农业物联网综合服务管理系统的可追溯信息处理方法，其特征在于，该方法包括：

响应于用户端对待追溯产品的可追溯印戳中的二维码的扫描操作，在预定数据库中查询该二维码对应的水稻产品相关信息；

将查询到的该二维码对应的水稻产品相关信息的各项可追溯信息名称发送给所述用户端；

根据用户在所述用户端中所选择的可追溯信息名称，将该项可追溯信息名称对应的信息内容发送给该用户端，以供用户端查看；

所述农业物联网综合服务管理系统包括无人机端、卫星通讯端和服务器端；其中，所述无人机端适于多次采集农业物联网预设种植区域的低空遥感图像，并将所述低空遥感图像实时发给所述服务器端；所述卫星通讯端适于采集农业物联网预设种植区域的高空遥感图像，并将所述高空遥感图像实时发给所述服务器端；

所述可追溯信息处理方法还包括：

通过服务器端对接收到的低空遥感图像和/或高空遥感图像进行分组，并利用每组图像生成一个待检测视频，得到多个待检测视频；

通过服务器端接收目标视频；

确定所述目标视频中的多个场景切换时刻；

针对所述目标视频中的每一个场景切换时刻，获得该目标视频中该场景切换时刻所对应的切换后视频帧；

将所述目标视频的第一帧图像以及所述目标视频中的所有场景切换时刻对应的切换后视频帧作为多个目标帧图像，将所有目标帧图像的总数记为N,N为非负整数；

针对预定视频数据库中的每一个待检测视频，

确定该待检测视频中的多个场景切换时刻，

获得该待检测视频中每个场景切换时刻对应的切换后视频帧，

将该待检测视频的第一帧图像以及该待检测视频中的所有场景切换时刻对应的切换后视频帧作为待测帧图像；

针对每一个所述目标帧图像，计算每个待检测视频的每个待测帧图像与该目标帧图像之间的相似度，将与该目标帧图像之间的相似度高于第一阈值的待测帧图像确定为对应待检测视频的候选帧图像；

针对每个待检测视频，

计算该待检测视频对应的候选帧图像的个数，记为a1，a1为非负整数，

计算与该待检测视频对应的各候选帧图像相似的所有目标帧图像的个数，记为a2，a2为非负整数，

根据下式计算该待检测视频的第一得分：S1＝q1×a1+q2×a2，其中，S1为该待检测视频的第一得分，q1表示该待检测视频对应的候选帧图像的个数所对应的权重，q2表示与该待检测视频对应的各候选帧图像相似的所有目标帧图像的个数所对应的权重，其中，q1等于预设的第一权重值，

当a2＝N时q2等于预设的第二权重值，当a2＜N时q2等于预设的第三权重值，其中，所述第二权重值大于所述第三权重值；

根据每个待检测视频的第一得分在所述待检测视频中确定所述目标视频的相似视频；

按照如下方式来根据每个待检测视频的第一得分在所述待检测视频中确定所述目标视频的相似视频：

在所有待检测视频中，选择其中第一得分高于第二阈值的待检测视频，作为候选视频；

基于所述目标视频的多个场景切换时刻对所述目标视频进行分割，获得所述目标视频对应的多个第一视频片段，将所述目标视频中所有第一视频片段的总数记为M,M为非负整数；

针对每个候选视频，基于该候选视频的多个场景切换时刻对该候选视频进行分割，获得该候选视频对应的多个第二视频片段；

针对每个候选视频的每个候选帧图像对应的第二视频片段，

在所述多个第一视频片段中选择与该候选帧图像对应的目标帧图像有关的第一视频片段，

将选择的该第一视频片段与该第二视频片段进行相似度计算，

若该第一视频片段与该第二视频片段之间的相似度高于第三阈值，将该第二视频片段确定为与该第一视频片段对应的相似片段；

针对每个候选视频，

计算该候选视频中所包含的相似片段的个数，记为b1，b1为非负整数，

计算与该候选视频中所包含的各相似片段相似的所有第一视频片段的个数，记为b2，b2为非负整数，

根据下式计算该候选视频的第二得分：S2＝q3×b1+q4×b2，其中，S2为该候选视频的第二得分，q3表示该候选视频所包含的相似片段的个数所对应的权重，q4表示与该候选视频所包含的各相似片段相似的所有第一视频片段的个数所对应的权重，其中，q3等于预设的第四权重值，

当b2＝M时q4等于预设的第五权重值，当b2＜M时q4等于预设的第六权重值，其中，所述第五权重值大于所述第六权重值；

根据每个候选视频的第二得分在所述候选视频中确定所述目标视频的相似视频。

2.根据权利要求1所述的可追溯信息处理方法，其特征在于，所述待追溯产品的可追溯印戳包括所述待追溯产品的二维码、水稻生产地以及水稻品名。

3.根据权利要求1所述的可追溯信息处理方法，其特征在于，所述水稻产品相关信息包括：

田间生产环节的可追溯信息；

存储环节的可追溯信息；

加工环节的可追溯信息；以及

物流环节的可追溯信息。

4.根据权利要求3所述的可追溯信息处理方法，其特征在于，所述田间生产环节的可追溯信息包括：

水稻生产环节的可追溯信息；以及

生产资料使用环节的可追溯信息。

5.根据权利要求1所述的可追溯信息处理方法，其中，所述服务器端用于按照如下方式来根据每个候选视频的第二得分在所述候选视频中确定所述目标视频的相似视频：

在所有候选视频中，选择其中第二得分高于第四阈值的候选视频，作为所述目标视频的相似视频。

6.根据权利要求1至5中任一项所述的可追溯信息处理方法，其特征在于，该方法还包括：

将历史数据中的每组低空遥感图像和高空遥感图像作为输入，将历史数据中每组低空遥感图像和高空遥感图像对应的真实产量等级作为输出，训练预定卷积神经网络模型，将训练好的所述预定卷积神经网络模型作为第一预测模型；其中，历史数据包括多组低空遥感图像和高空遥感图像以及和每一组低空遥感图像和高空遥感图像相对应的真实产量等级、对应的天气数据和对应的虫害数据；

利用所述第一预测模型获得历史数据中的每组低空遥感图像和高空遥感图像对应的第一预测产量等级，将所述历史数据中的每组低空遥感图像和高空遥感图像对应的第一预测产量等级、对应天气数据以及对应虫害数据作为输入，将所述历史数据中每组低空遥感图像和高空遥感图像对应的真实产量等级作为输出，训练预定BP神经网络模型，将训练好的所述预定BP神经网络模型作为第二预测模型；

将当前待预测的低空遥感图像和高空遥感图像输入所述第一预测模型，获得所述当前待预测的低空遥感图像和高空遥感图像所对应的第一预测产量等级；

将所述当前待预测的低空遥感图像和高空遥感图像所对应的第一预测产量等级、所述当前待预测的低空遥感图像和高空遥感图像所对应的天气数据和虫害数据输入所述第二预测模型，获得所述当前待预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级；

利用所述当前待预测的低空遥感图像和高空遥感图像确定对应的相似案例，基于所述相似案例的真实产量与获得的所述当前待预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级，计算所述当前待预测的低空遥感图像和高空遥感图像对应的预测产量数值。

7.根据权利要求6所述的可追溯信息处理方法，其特征在于，所述利用所述当前待预测的低空遥感图像和高空遥感图像确定对应的相似案例，基于所述相似案例的真实产量与获得的所述当前待预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级，计算所述当前待预测的低空遥感图像和高空遥感图像对应的预测产量数值的步骤包括：

针对历史数据中的每一组低空遥感图像和高空遥感图像中的每个图像，计算该图像与当前待预测的低空遥感图像和高空遥感图像中的每个图像之间的相似度，确定在当前待预测的低空遥感图像和高空遥感图像中与该图像之间相似度高于第五阈值的图像数目，作为该图像的第一分数；

针对历史数据中的每一组低空遥感图像和高空遥感图像，

将该组低空遥感图像和高空遥感图像中的各图像的第一分数之和作为该组低空遥感图像和高空遥感图像的第一分数，

将该组低空遥感图像和高空遥感图像对应的天气数据与当前待预测的低空遥感图像和高空遥感图像对应的天气数据之间的相似度，作为该组低空遥感图像和高空遥感图像的第二分数，

将该组低空遥感图像和高空遥感图像对应的虫害数据与当前待预测的低空遥感图像和高空遥感图像对应的虫害数据之间的相似度，作为该组低空遥感图像和高空遥感图像的第三分数，

计算该组低空遥感图像和高空遥感图像对应的第一分数、第二分数与第三分数的加权和，作为该组低空遥感图像和高空遥感图像的总分数；

将总分数最高的前N组低空遥感图像和高空遥感图像所对应的N个历史案例，作为当前待预测的低空遥感图像和高空遥感图像对应的相似案例，其中，N为1、2或3；

根据每个相似案例对应的总分数，确定每个相似案例的权重，以根据所确定的权重计算所述N个相似案例的真实产量的加权和，其中，所述N个相似案例的权重之和为1，

若计算所得的所述N个相似案例的真实产量的加权和所对应的产量等级与所述当前待预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级相同，将所述N个相似案例的真实产量的加权和作为所述当前待预测的低空遥感图像和高空遥感图像对应的预测产量数值，

若计算所得的所述N个相似案例的真实产量的加权和所对应的产量等级高于所述当前待预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级，将所述当前待预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级对应的产量数值范围中的最大值作为所述当前待预测的低空遥感图像和高空遥感图像对应的预测产量数值，

若计算所得的所述N个相似案例的真实产量的加权和所对应的产量等级低于所述当前待预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级，将所述当前待预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级对应的产量数值范围中的最小值作为所述当前待预测的低空遥感图像和高空遥感图像对应的预测产量数值。

8.根据权利要求1至5中任意一项所述的可追溯信息处理方法，其特征在于，该方法还包括：

存储多个已存农产品的图片数据和文字数据，其中，每个已存农产品的图片数据包括一个或多个图片；

接收来自用户端的待搜索产品的待搜索图片和/或待检索文字，并计算存储的每个已存农产品与待搜索产品之间的相似度，对待搜索产品的待搜索图片进行物体检测，获得待搜索图片中的所有识别到的第一物品图像；

其中，针对每个已存农产品，通过如下方式计算该已存农产品与待搜索产品之间的相似度：

针对该已存农产品的图片数据中的每个图片，对该图片进行物体检测，获得该已存农产品的图片数据中的所有识别到的第二物品图像，

对该已存农产品的图片数据中的所有识别到的第二物品图像分别进行轮廓检索，以确定其中每个第二物品图像的第二物品轮廓是否完整，

在该已存农产品的图片数据中的所有识别到的第二物品图像中，计算每个第二物品图像与每个第一物品图像之间的相似度，

针对该已存农产品的每个第二物品图像，确定与该第二物品图像相似度高于第七阈值的第一物品图像的数量，作为该第二物品图像与待搜索产品的第一相关度，累计计算该已存农产品各个第二物品图像对应的第一相关度之和，

针对该已存农产品的轮廓完整的每个第二物品图像，确定与该第二物品图像相似度高于第七阈值的第一物品图像的数量，作为该第二物品图像与待搜索产品的第二相关度，累计计算该已存农产品各个第二物品图像对应的第二相关度之和，

计算该已存农产品的文字数据与待搜索产品的待检索文字之间的文字相似度，

根据该已存农产品对应的第一相关度之和、第二相关度之和以及文字相似度，确定该已存农产品与待搜索产品的总相似度；

将与待搜索产品的总相似度高于第八阈值的已存农产品作为搜索结果展示给用户。

Images