CN111507737B - 基于区块链的油墨溯源回收工艺方法 - Google Patents

Abstract

一种基于区块链的油墨溯源回收工艺方法，利用数据采集单元采集油墨丝网印版的回收批次号、生产日期时段和产品编码，以及对应的回收完成后油墨的产品码、包装日期并打包上传至区块链。通过采用区块链技术保证了油墨的可溯源性；同时采用利用蒸汽喷头软化油墨丝网印版上的油墨，再用热水喷头精洗油墨丝网印版上的油墨，然后将冲洗完湿润的油墨丝网印版高温烘烤，收集烘烤的蒸汽和带油墨的冲洗水，将它们混合后过滤、萃取再过滤而得到成品油墨，避免了油墨的浪费，油墨的回收率极高，利用云服务器可实现油墨罐的在线自动检测。

Description

基于区块链的油墨溯源回收工艺方法

技术领域

本发明涉及基于区块链的油墨溯源回收处理领域，尤其涉及一种基于区块链的油墨溯源回收工艺方法。

背景技术

当前，丝网印刷由于制作方法容易，印刷设备简单，却有很好的复制效果，成为了孔板印刷方式的主流，然而丝网印刷在印刷完成之后，丝网印版上会很残留大量的油墨，如果不进行回收，会造成了油墨的浪费，并且油墨的主要成分含有挥发性有害溶剂，会破坏生态环境，危害人们的健康。

而传统的回收方法是，将回收的丝网印版集中在一起，直接用大量的水进行冲洗，将冲洗水进行收集后提纯得到油墨，这种方法不仅耗水量大，油墨的回收效率也极低，而且不同品质的油墨混杂在一起，所回收油墨的品质难以保证，亦无法对所回收的油墨进行溯源，这样一旦发现回收的油墨出现问题，则无法找到问题的源头。

而且，成品油墨一般放入油墨罐里密封保存，然而经常有发生油墨罐破损，造成成品油墨泄露的问题，不仅浪费了油墨，亦对环境造成了破坏。

发明内容

本发明的目的是为了解决背景技术中所发现的问题，而提出的一种基于区块链的油墨溯源回收工艺方法。

为了实现上述目的，本发明采用了如下技术方案：一种基于区块链的油墨溯源回收工艺方法，包括以下步骤，

第一步：将回收的油墨丝网印版按回收批次分类成不同回收批次的油墨丝网印版，将同一回收批次的油墨丝网印版按油墨丝网印版的生产日期进一步分类，最多分成三个不同生产日期时段的同一回收批次的油墨丝网印版；

第二步：数据采集单元采集分类好的同一回收批次且同一生产日期时段的油墨丝网印版的回收批次号、生产日期时段和产品编码；

第三步：将采集好数据的同一回收批次且同一生产日期时段的油墨丝网印版均匀分布并固定在离心机的圆形滚筒内壁上，离心机的底部设有容器A，利用电机控制滚筒正向旋转5-10分钟后再控制滚筒反向旋转5-10分钟，将油墨丝网印版中的油墨甩入容器A中；

第四步：将甩干后的油墨丝网印版放到冲洗工位，先将除油溶剂喷洒在油墨丝网印版上，然后用冷水喷头对油墨丝网印版进行冲洗，并将带油墨的冲洗水回收保存至容器B中；

第五步：接着用蒸汽喷头将油墨丝网印版上的油墨软化，再用热水喷头对油墨丝网印版进行精洗，最后将冲洗完湿润的油墨丝网印版放入密封的烘烤器中高温烘烤，并将烘烤出的蒸汽和带油墨的冲洗水回收保存至容器C中；

第六步：将容器B和容器C中的液体混合后用反渗透膜过滤得到过滤液，再在过滤液内混合加入萃取液得到混合液，接着利用蒸馏器回收混合液中的萃取溶液，再对萃取溶液进行分馏提取油墨并回收保存至容器D中；

第七步：将容器D和容器A中的油墨混合得到混合油墨，然后通过高目筛网对混合油墨进行过滤，得到成品油墨，密封包装后常温保存；

第八步：所述数据采集单元采集包装好的油墨的产品码和包装日期，并利用5G网络将包装好的油墨的产品码、包装日期、对应的油墨丝网印版的回收批次号、油墨丝网印版的生产日期时段和油墨丝网印版的产品编码一起打包上传至区块链。

本工艺方法利用数据采集单元采集油墨丝网印版的回收批次号、生产日期时段和产品编码，以及对应的回收完成后油墨的产品码、包装日期并打包上传至区块链，实现该产品的溯源功能,这样一旦发现回收的油墨出现问题，则可快速准确地找到问题源头，以免再次出现同样的问题。

进一步的，所述离心机内为负压环境。

进一步地，所述成品油墨密封包装成油墨罐后，检测油墨罐是否漏油：

检测开始前，图像采集单元利用电荷耦合元件图像传感器采集油墨罐漏油样品的照片，并通过5G网络将油墨罐漏油样品照片发送至客户端，所述客户端通过5G网络与云服务器相连，用户通过所述客户端向所述云服务器注册账户，同时用户通过注册的账户登陆所述云服务器并与所述云服务器进行数据传输；

客户端收到油墨罐漏油样品照片后，通过三通道交换将所述油墨罐漏油样品照片生成油墨罐漏油样品三通道灰度图，然后对油墨罐漏油样品三通道灰度图采用最大类间方差法进行分割处理，得到最佳阈值的油墨罐漏油样品三通道二值图，再对油墨罐漏油样品三通道二值图采用无向概率图模型进行三通道图像分割，得到油墨罐漏油样品分割图，并将油墨罐漏油样品分割图发送至云服务器；

云服务器收到所述油墨罐漏油样品分割图后，将所述油墨罐漏油样品分割图输入分类器进行训练并将训练结果更新至分类器；

检测开始，所述图像采集单元采集待检测油墨罐的照片，并通过5G网络将待检测油墨罐照片发送至所述客户端；

客户端收到待检测油墨罐照片后，通过三通道交换将所述待检测油墨罐照片生成待检测油墨罐三通道灰度图，然后对待检测油墨罐三通道灰度图采用最大类间方差法进行分割处理，得到最佳阈值的待检测油墨罐三通道二值图，再对待检测油墨罐三通道二值图采用无向概率图模型进行三通道图像分割，得到待检测油墨罐分割图，并将待检测油墨罐分割图发送至云服务器；

云服务器收到所述待检测油墨罐分割图后，将所述待检测油墨罐分割图输入最新的分类器进行计算，并将计算结果返回至所述客户端，即可知油墨罐是否漏油，同时将计算结果更新至分类器。

本油墨罐检测方法通过客户端收到待检测油墨罐照片后进行分割,将待检测油墨罐分割图发送至云服务器，利用云服务器可实现油墨罐的在线自动检测；随着时间的推移，油罐每一次检测后的计算结果都更新至分类器，分类器会经过不断地训练升级，所以检测准确度会越来越高，只简单的图像处理放在客户端上处理，而复杂的训练计算都放在云服务器上，利用云服务器这样能提高检测速度，由于云服务器可支持多个用户，所以一方面多用户的检测结果会进一步不断提高分类器的检测精度，另一方面用户只用支付自身账号的费用即可，而无需支付云服务器的全部费用，从而降低了成本。

进一步地，还包括以下步骤，通过运输车将密封包装好的成品油墨运输至指定位置堆放。

进一步地，所述通过运输车将密封包装好的成品油墨运输至指定位置堆放具体为：

获取运输车的运输三色地图，并采用二值化算法对所述运输三色地图进行一次图像处理，得到一次处理图像，然后采用腐蚀算法对所述一次处理图像进行二次图像处理，得到二次处理图像，再采用膨胀算法对所述二次处理图像进行三次图像处理，得到运输地图处理图，标注所述运输地图处理图上的所有像素点，记黑色像素值为零，白色像素值为一，标注某个像素点为第一像素点，其相邻的八个像素点分别标注为第二像素点、第三像素点、第四像素点、第五像素点、第六像素点、第七像素点、第八像素点和第九像素点，所述第二像素点、第三像素点、第四像素点、第五像素点、第六像素点、第七像素点、第八像素点和第九像素点各自对应的像素值均只变化一次，使第二像素点的像素值、第三像素点的像素值、第四像素点的像素值、第五像素点的像素值、第六像素点的像素值、第七像素点的像素值、第八像素点的像素值和第九像素点的像素值之和大于等于二且小于等于六，所述第二像素点的像素值、第四像素点的像素值和第六像素点的像素值三者的乘积等于零，所述第二像素点的像素值、第四像素点的像素值和第八像素点的像素值三者的乘积等于零，对所述运输地图处理图上的所有像素点进行以上标注处理得到运输冯洛诺伊多边形图，通过运输车的运输三色地图对运输车进行位置定位，并获取运输车的运输起点和运输终点，然后在运输冯洛诺伊多边形图中计算得到最佳运输路线，最佳运输路线的计算包括运输起点到运输冯洛诺伊多边形图的路线计算、运输终点到运输冯洛诺伊多边形图的路线计算以及运输起点与运输终点之间的多边形图的计算，接着将最佳运输路线的像素点坐标排列成运输路线点集Q₁～Q_n；设定平滑处理窗口m，2<m<n且m为正整数，以m个点为一组将运输路线点集分为若干组数据Q₁～Q_m～Q_2m～Q_n，计算每组数据始末的直线K的平面方程a₁x+a₂y+a₃＝0，初始化距离阈值为特殊值，依次计算每组数据中间m–2个点到直线K的直线距离

当最大直线距离大于距离阈值时，去除中间m–2个运输路线点集，连接始末两点并去除运输路线中的尖点，计算该直线上所有像素点坐标作为新的运输路线点集，反之则不作处理，得到经处理的最佳运输路线，再采用样条插值算法对经处理的最佳运输路线进行处理，得到平滑的最佳运输路线，将该平滑的最佳运输路线作为最终运输路线，运输车按照最终运输路线将密封包装好的成品油墨运输至指定位置堆放。

由于标注处理得到运输冯洛诺伊多边形图上没有大量毛边，所以计算出的最佳运输路线不会出现过于臃肿的情况，整体的输运线路计算更加高效，同时对计算出来的最佳运输路线进行改进的样条插值算法处理，去除了最佳运输路线上尖点，使最终运输路线更为平滑，从而能使运输车行驶的更平稳、更高效，进而解决了直接在运输三色地图上计算运输线路时无法同时满足精度与实时性的缺点。

与现有的技术相比，本发明优点在于：

1：利用数据采集单元采集油墨丝网印版的回收批次号、生产日期时段和产品编码，以及对应的回收完成后油墨的产品码、包装日期并打包上传至区块链，实现该产品的溯源功能,这样一旦发现回收的油墨出现问题，则可快速准确地找到问题源头，以免再次出现同样的问题；

2：通过离心机将油墨丝网印版正向旋转5-10分钟后再控制滚筒反向旋转5-10分钟能得到大部分高纯度的油墨，节约了水源；

3：利用蒸汽喷头软化油墨丝网印版上的油墨，再用热水喷头精洗油墨丝网印版上的油墨，然后将冲洗完湿润的油墨丝网印版高温烘烤，收集烘烤的蒸汽和带油墨的冲洗水，将它们混合后过滤、萃取再过滤而得到成品油墨，避免了油墨的浪费，油墨的回收率极高；

4：客户端收到待检测油墨罐照片后进行分割,将待检测油墨罐分割图发送至云服务器，利用云服务器可实现油墨罐的在线自动检测；

5：随着时间的推移，油罐每一次检测后的计算结果都更新至分类器，分类器会经过不断地训练升级，所以检测准确度会越来越高；

6：只简单的图像处理放在客户端上处理，而复杂的训练计算都放在云服务器上，利用云服务器这样能提高检测速度；

7：由于云服务器可支持多个用户，所以一方面多用户的检测结果会进一步不断提高分类器的检测精度，另一方面用户只用支付自身账号的费用即可，而无需支付云服务器的全部费用，从而降低了成本；

8：由于标注处理得到运输冯洛诺伊多边形图上没有大量毛边，所以计算出的最佳运输路线不会出现过于臃肿的情况，整体的输运线路计算更加高效；

9：对计算出来的最佳运输路线进行改进的样条插值算法处理，去除了最佳运输路线上尖点，使最终运输路线更为平滑，从而能使运输车行驶的更平稳、更高效，进而解决了直接在运输三色地图上计算运输线路时无法同时满足精度与实时性的缺点。

附图说明

图1为本发明的原理图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例：

参照图1，本实施例提供了一种基于区块链的油墨溯源回收工艺方法，包括：以下步骤，

第一步：将回收的油墨丝网印版按回收批次分类成不同回收批次的油墨丝网印版，将同一回收批次的油墨丝网印版按油墨丝网印版的生产日期进一步分类，最多分成三个不同生产日期时段的同一回收批次的油墨丝网印版；

第二步：数据采集单元采集分类好的同一回收批次且同一生产日期时段的油墨丝网印版的回收批次号、生产日期时段和产品编码；

第三步：将采集好数据的同一回收批次且同一生产日期时段的油墨丝网印版均匀分布并固定在离心机的圆形滚筒内壁上，所述离心机内为负压环境，离心机的底部设有容器A，利用电机控制滚筒正向旋转5-10分钟后再控制滚筒反向旋转5-10分钟，将油墨丝网印版中的油墨甩入容器A中；

第四步：将甩干后的油墨丝网印版放到冲洗工位，先将除油溶剂喷洒在油墨丝网印版上，然后用冷水喷头对油墨丝网印版进行冲洗，并将带油墨的冲洗水回收保存至容器B中；

第五步：接着用蒸汽喷头将油墨丝网印版上的油墨软化，再用热水喷头对油墨丝网印版进行精洗，最后将冲洗完湿润的油墨丝网印版放入密封的烘烤器中高温烘烤，并将烘烤出的蒸汽和带油墨的冲洗水回收保存至容器C中；

第六步：将容器B和容器C中的液体混合后用反渗透膜过滤得到过滤液，再在过滤液内混合加入萃取液得到混合液，接着利用蒸馏器回收混合液中的萃取溶液，再对萃取溶液进行分馏提取油墨并回收保存至容器D中；

第七步：将容器D和容器A中的油墨混合得到混合油墨，然后通过高目筛网对混合油墨进行过滤，得到成品油墨，密封包装后常温保存；

第八步：所述数据采集单元采集包装好的油墨的产品码和包装日期，并利用5G网络将包装好的油墨的产品码、包装日期、对应的油墨丝网印版的回收批次号、油墨丝网印版的生产日期时段和油墨丝网印版的产品编码一起打包上传至区块链。

本工艺方法通过利用数据采集单元采集油墨丝网印版的回收批次号、生产日期时段和产品编码，以及对应的回收完成后油墨的产品码、包装日期并打包上传至区块链，实现该产品的溯源功能,这样一旦发现回收的油墨出现问题，则可快速准确地找到问题源头，以免再次出现同样的问题；通过离心机将油墨丝网印版正向旋转5-10分钟后再控制滚筒反向旋转5-10分钟能得到大部分高纯度的油墨，节约了水源；利用蒸汽喷头软化油墨丝网印版上的油墨，再用热水喷头精洗油墨丝网印版上的油墨，然后将冲洗完湿润的油墨丝网印版高温烘烤，收集烘烤的蒸汽和带油墨的冲洗水，将它们混合后过滤、萃取再过滤而得到成品油墨，避免了油墨的浪费，油墨的回收率极高。

上述成品油墨密封包装成油墨罐后，可检测油墨罐是否漏油，具体如下：

检测开始前，图像采集单元利用电荷耦合元件图像传感器采集油墨罐漏油样品的照片，并通过5G网络将油墨罐漏油样品照片发送至客户端，所述客户端通过5G网络与云服务器相连，用户通过所述客户端向所述云服务器注册账户，同时用户通过注册的账户登陆所述云服务器并与所述云服务器进行数据传输；

客户端收到油墨罐漏油样品照片后，通过三通道交换将所述油墨罐漏油样品照片生成油墨罐漏油样品三通道灰度图，然后对油墨罐漏油样品三通道灰度图采用最大类间方差法进行分割处理，得到最佳阈值的油墨罐漏油样品三通道二值图，再对油墨罐漏油样品三通道二值图采用无向概率图模型进行三通道图像分割，得到油墨罐漏油样品分割图，并将油墨罐漏油样品分割图发送至云服务器；

云服务器收到所述油墨罐漏油样品分割图后，将所述油墨罐漏油样品分割图输入分类器进行训练并将训练结果更新至分类器；

检测开始，所述图像采集单元采集待检测油墨罐的照片，并通过5G网络将待检测油墨罐照片发送至所述客户端；

客户端收到待检测油墨罐照片后，通过三通道交换将所述待检测油墨罐照片生成待检测油墨罐三通道灰度图，然后对待检测油墨罐三通道灰度图采用最大类间方差法进行分割处理，得到最佳阈值的待检测油墨罐三通道二值图，再对待检测油墨罐三通道二值图采用无向概率图模型进行三通道图像分割，得到待检测油墨罐分割图，并将待检测油墨罐分割图发送至云服务器；

所述云服务器收到所述待检测油墨罐分割图后，将所述待检测油墨罐分割图输入最新的分类器进行计算，并将计算结果返回至所述客户端，即可知油墨罐是否漏油，同时将计算结果更新至分类器。

本油墨罐检测方法通过客户端收到待检测油墨罐照片后进行分割,将待检测油墨罐分割图发送至云服务器，利用云服务器可实现油墨罐的在线自动检测；随着时间的推移，油罐每一次检测后的计算结果都更新至分类器，分类器会经过不断地训练升级，所以检测准确度会越来越高，只简单的图像处理放在客户端上处理，而复杂的训练计算都放在云服务器上，利用云服务器这样能提高检测速度，由于云服务器可支持多个用户，所以一方面多用户的检测结果会进一步不断提高分类器的检测精度，另一方面用户只用支付自身账号的费用即可，而无需支付云服务器的全部费用，从而降低了成本。

获取运输车的运输三色地图，并采用二值化算法对所述运输三色地图进行一次图像处理，得到一次处理图像，然后采用腐蚀算法对所述一次处理图像进行二次图像处理，得到二次处理图像，再采用膨胀算法对所述二次处理图像进行三次图像处理，得到运输地图处理图，标注所述运输地图处理图上的所有像素点，记黑色像素值为零，白色像素值为一，标注某个像素点为第一像素点，其相邻的八个像素点分别标注为第二像素点、第三像素点、第四像素点、第五像素点、第六像素点、第七像素点、第八像素点和第九像素点，所述第二像素点、第三像素点、第四像素点、第五像素点、第六像素点、第七像素点、第八像素点和第九像素点各自对应的像素值均只变化一次，使第二像素点的像素值、第三像素点的像素值、第四像素点的像素值、第五像素点的像素值、第六像素点的像素值、第七像素点的像素值、第八像素点的像素值和第九像素点的像素值之和大于等于二且小于等于六，所述第二像素点的像素值、第四像素点的像素值和第六像素点的像素值三者的乘积等于零，所述第二像素点的像素值、第四像素点的像素值和第八像素点的像素值三者的乘积等于零，对所述运输地图处理图上的所有像素点进行以上标注处理得到运输冯洛诺伊多边形图，通过运输车的运输三色地图对运输车进行位置定位，并获取运输车的运输起点和运输终点，然后在运输冯洛诺伊多边形图中计算得到最佳运输路线，最佳运输路线的计算包括运输起点到运输冯洛诺伊多边形图的路线计算、运输终点到运输冯洛诺伊多边形图的路线计算以及运输起点与运输终点之间的多边形图的计算，接着将最佳运输路线的像素点坐标排列成运输路线点集Q₁～Q_n；设定平滑处理窗口m，2<m<n且m为正整数，以m个点为一组将运输路线点集分为若干组数据Q₁～Q_m～Q_2m～Q_n，计算每组数据始末的直线K的平面方程a₁x+a₂y+a₃＝0，初始化距离阈值为特殊值，依次计算每组数据中间m–2个点到直线K的直线距离

当最大直线距离大于距离阈值时，去除中间m–2个运输路线点集，连接始末两点并去除运输路线中的尖点，计算该直线上所有像素点坐标作为新的运输路线点集，反之则不作处理，得到经处理的最佳运输路线，再采用样条插值算法对经处理的最佳运输路线进行处理，得到平滑的最佳运输路线，将该平滑的最佳运输路线作为最终运输路线，运输车按照最终运输路线将密封包装好的成品油墨运输至指定位置堆放。

由于标注处理得到运输冯洛诺伊多边形图上没有大量毛边，所以计算出的最佳运输路线不会出现过于臃肿的情况，整体的输运线路计算更加高效，同时对计算出来的最佳运输路线进行改进的样条插值算法处理，去除了最佳运输路线上尖点，使最终运输路线更为平滑，从而能使运输车行驶的更平稳、更高效，进而解决了直接在运输三色地图上计算运输线路时无法同时满足精度与实时性的缺点。

Claims (6)

1.一种基于区块链的油墨溯源回收工艺方法，其特征在于，包括以下步骤，

第一步：将回收的油墨丝网印版按回收批次分类成不同回收批次的油墨丝网印版，将同一回收批次的油墨丝网印版按油墨丝网印版的生产日期进一步分类，最多分成三个不同生产日期时段的同一回收批次的油墨丝网印版；

第二步：数据采集单元采集分类好的同一回收批次且同一生产日期时段的油墨丝网印版的回收批次号、生产日期时段和产品编码；

第三步：将采集好数据的同一回收批次且同一生产日期时段的油墨丝网印版均匀分布并固定在离心机的圆形滚筒内壁上，离心机的底部设有容器A，利用电机控制滚筒正向旋转后再控制滚筒反向旋转，将油墨丝网印版中的油墨甩入容器A中；

第四步：将甩干后的油墨丝网印版放到冲洗工位，先将除油溶剂喷洒在油墨丝网印版上，然后用冷水喷头对油墨丝网印版进行冲洗，并将带油墨的冲洗水回收保存至容器B中；

第五步：接着用蒸汽喷头将油墨丝网印版上的油墨软化，再用热水喷头对油墨丝网印版进行精洗，最后将冲洗完湿润的油墨丝网印版放入密封的烘烤器中高温烘烤，并将烘烤出的蒸汽和带油墨的冲洗水回收保存至容器C中；

第六步：将容器B和容器C中的液体混合后用反渗透膜过滤得到过滤液，再在过滤液内混合加入萃取液得到混合液，接着利用蒸馏器回收混合液中的萃取溶液，再对萃取溶液进行分馏提取油墨并回收保存至容器D中；

第七步：将容器D和容器A中的油墨混合得到混合油墨，然后通过高目筛网对混合油墨进行过滤，得到成品油墨，密封包装后常温保存。

2.根据权利要求1所述的基于区块链的油墨溯源回收工艺方法，其特征在于，还包括以下步骤，

第八步：所述数据采集单元采集包装好的油墨的产品码和包装日期，并利用5G网络将包装好的油墨的产品码、包装日期、对应的油墨丝网印版的回收批次号、油墨丝网印版的生产日期时段和油墨丝网印版的产品编码一起打包上传至区块链。

3.根据权利要求1所述的基于区块链的油墨溯源回收工艺方法，其特征在于，所述离心机内为负压环境。

4.根据权利要求1所述的基于区块链的油墨溯源回收工艺方法，其特征在于，所述成品油墨密封包装成油墨罐后，检测油墨罐是否漏油，包括以下步骤：

S1：检测开始前，图像采集单元利用电荷耦合元件图像传感器采集油墨罐漏油样品的照片，并通过5G网络将油墨罐漏油样品照片发送至客户端，所述客户端通过5G网络与云服务器相连，用户通过所述客户端向所述云服务器注册账户，同时用户通过注册的账户登陆所述云服务器并与所述云服务器进行数据传输；

S2：所述客户端收到油墨罐漏油样品照片后，通过三通道交换将所述油墨罐漏油样品照片生成油墨罐漏油样品三通道灰度图，然后对油墨罐漏油样品三通道灰度图采用最大类间方差法进行分割处理，得到最佳阈值的油墨罐漏油样品三通道二值图，再对油墨罐漏油样品三通道二值图采用无向概率图模型进行三通道图像分割，得到油墨罐漏油样品分割图，并将油墨罐漏油样品分割图发送至云服务器；

S3：所述云服务器收到所述油墨罐漏油样品分割图后，将所述油墨罐漏油样品分割图输入分类器进行训练并将训练结果更新至分类器；

S4：检测开始，所述图像采集单元采集待检测油墨罐的照片，并通过5G网络将待检测油墨罐照片发送至所述客户端；

S5：所述客户端收到待检测油墨罐照片后，通过三通道交换将所述待检测油墨罐照片生成待检测油墨罐三通道灰度图，然后对待检测油墨罐三通道灰度图采用最大类间方差法进行分割处理，得到最佳阈值的待检测油墨罐三通道二值图，再对待检测油墨罐三通道二值图采用无向概率图模型进行三通道图像分割，得到待检测油墨罐分割图，并将待检测油墨罐分割图发送至云服务器；

S6：所述云服务器收到所述待检测油墨罐分割图后，将所述待检测油墨罐分割图输入最新的分类器进行计算，并将计算结果返回至所述客户端，即可知油墨罐是否漏油，同时将计算结果更新至分类器。

5.根据权利要求1所述的基于区块链的油墨溯源回收工艺方法，其特征在于，还包括以下步骤，通过运输车将密封包装好的成品油墨运输至指定位置堆放。

6.根据权利要求5所述的基于区块链的油墨溯源回收工艺方法，其特征在于，所述通过运输车将密封包装好的成品油墨运输至指定位置堆放,具体为：

获取运输车的运输三色地图，并采用二值化算法对所述运输三色地图进行一次图像处理，得到一次处理图像，然后采用腐蚀算法对所述一次处理图像进行二次图像处理，得到二次处理图像，再采用膨胀算法对所述二次处理图像进行三次图像处理，得到运输地图处理图，标注所述运输地图处理图上的所有像素点，记黑色像素值为零，白色像素值为一，标注某个像素点为第一像素点，其相邻的八个像素点分别标注为第二像素点、第三像素点、第四像素点、第五像素点、第六像素点、第七像素点、第八像素点和第九像素点，所述第二像素点、第三像素点、第四像素点、第五像素点、第六像素点、第七像素点、第八像素点和第九像素点各自对应的像素值均只变化一次，使第二像素点的像素值、第三像素点的像素值、第四像素点的像素值、第五像素点的像素值、第六像素点的像素值、第七像素点的像素值、第八像素点的像素值和第九像素点的像素值之和大于等于二且小于等于六，所述第二像素点的像素值、第四像素点的像素值和第六像素点的像素值三者的乘积等于零，所述第二像素点的像素值、第四像素点的像素值和第八像素点的像素值三者的乘积等于零，对所述运输地图处理图上的所有像素点进行以上标注处理得到运输冯洛诺伊多边形图，通过运输车的运输三色地图对运输车进行位置定位，并获取运输车的运输起点和运输终点，然后在运输冯洛诺伊多边形图中计算得到最佳运输路线，最佳运输路线的计算包括运输起点到运输冯洛诺伊多边形图的路线计算、运输终点到运输冯洛诺伊多边形图的路线计算以及运输起点与运输终点之间的多边形图的计算，接着将最佳运输路线的像素点坐标排列成运输路线点集Q₁～Q_n；设定平滑处理窗口m，2<m<n且m为正整数，以m个点为一组将运输路线点集分为若干组数据Q₁～Q_m～Q_2m～Q_n，计算每组数据始末的直线K的平面方程a₁x+a₂y+a₃＝0，初始化距离阈值为特殊值，依次计算每组数据中间m–2个点到直线K的直线距离

当最大直线距离大于距离阈值时，去除中间m–2个运输路线点集，连接始末两点并去除运输路线中的尖点，计算该直线上所有像素点坐标作为新的运输路线点集，反之则不作处理，得到经处理的最佳运输路线，再采用样条插值算法对经处理的最佳运输路线进行处理，得到平滑的最佳运输路线，将该平滑的最佳运输路线作为最终运输路线，运输车按照最终运输路线将密封包装好的成品油墨运输至指定位置堆放。

Images