CN111507738A - 基于区块链和5g通讯的油墨溯源回收工艺方法 - Google Patents

Abstract

一种基于区块链和5G通讯的油墨溯源回收工艺方法，包括：将回收的废弃油墨按回收批次分类后，进行混合、除杂、蒸馏、研磨、配色处理得到成品油墨，并采集包装好的成品油墨的产品码和包装日期，并利用5G网络将包装好的成品油墨的产品码、包装日期、对应的废弃油墨的回收批次号一起打包上传至区块链。无需按照颜色对废弃油墨进行分类处理，简化了生产工艺，大大的提高了生产效率，同时利用区块链实现该产品的溯源功能,这样一旦发现回收的混合多颜色废弃油墨出现问题，则可快速准确地找到问题源头，以免再次出现同样的问题。

Description

基于区块链和5G通讯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和5G通讯的油墨回收处理领域，尤其涉及一种基于区块链和5G通讯的油墨溯源回收工艺方法。

背景技术

目前，油墨是用于印刷的重要材料，它通过印刷或喷绘将图案、文字表现在承印物上。随着社会需求增大，油墨颜色也相应丰富多彩。然而油墨的颜色种类繁多，也给废弃油墨的回收再利用增加难度。

而传统的做法是，生产企业先将废弃油墨按照颜色进行繁琐的分类，再进行处理，然后通过油墨运输管道对处理好的油墨进行运输，这种做法回收效率极低。

并且油墨运输管道经常会出现渗漏的情况，一方面油墨的主要成分含有挥发性有害溶剂，渗漏会污染空气、危害车间工人的健康，另一方面也造成了油墨的浪费，损害企业的利益，而安排人员24小时轮班用肉眼对油墨运输管道进行巡查，需要大量的人力，而且肉眼容易判断失误，可能丧失最佳发现和处理时机。

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和5G通讯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：一种基于区块链和5G通讯的油墨溯源回收工艺方法，该方法包括以下步骤，

第一步，将回收的废弃油墨按回收批次分类成不同回收批次的废弃油墨；

第二步，采集分类好的同一回收批次废弃油墨的回收批次号；

第三步，将采集好数据的同一回收批次的废弃油墨混合在一起，搅拌均匀之后过滤得到已除杂的混合废弃油墨；

第四步，将已除杂的混合废弃油墨进行蒸馏提纯，得到高纯度的混合废弃油墨；

第五步，将高纯度的混合废弃油墨进行研磨，得到研磨后的混合废弃油墨；

第六步，检测出研磨后的混合废弃油墨的色坐标，根据色坐标选取色彩接近的库存油墨作为配色油墨，将选取好的配色油墨与研磨后的混合废弃油墨混合配色得到配色后的混合废弃油墨；

第七步，向配色后的混合废弃油墨中添加炭黑染料、冲淡剂和工业催干剂，得到油墨混合体，将油墨混合体混合均匀并再次研磨得到成品油墨；

第八步，将成品油墨通过油墨运输管道运送到包装设备，密封包装后常温保存；

第九步，采集包装好的成品油墨的产品码和包装日期，并利用 5G网络将包装好的成品油墨的产品码、包装日期、对应的废弃油墨的回收批次号一起打包上传至区块链。

直接将混合多颜色废弃油墨通过蒸馏、研磨、配色等处理便可得到成品油墨，无需按照颜色对废弃油墨进行分类处理，简化了生产工艺，大大的提高了生产效率，同时利用采集不同回收批次的混合多颜色废弃油墨的回收批次号，以及对应的回收完成后包装好的成品油墨的产品码、包装日期、对应的废弃油墨的回收批次号一起打包上传至区块链，实现该产品的溯源功能,这样一旦发现回收的混合多颜色废弃油墨出现问题，则可快速准确地找到问题源头，以免再次出现同样的问题。

进一步地，将成品油墨通过油墨运输管道运送到包装设备时，渗漏识别模型对采集的油墨运输管道图像进行识别，判断油墨运输管道是否发生渗漏，包括以下步骤：

采集过往生产中油墨运输管道发生渗漏的图像，作为油墨运输管道渗漏图像，并对油墨运输管道渗漏图像中的渗漏点进行标记，再将油墨运输管道渗漏图像组成训练图像样本图像集；

采用相同卷积层通过区域选取网络和区域检测网络构建渗漏识别网络A，训练所述渗漏识别网络A前，先将训练图像样本图像集中的训练图像的尺寸调整到预设大小，然后通过深度卷积层对尺寸调整好的训练图像进行特征提取得到油墨运输管道的特征图像，再将油墨运输管道的特征图像输入区域选取网络进行区域选取，接着基于目标检测算法和锚点机制得到油墨运输管道的候选区域，再接着将油墨运输管道的候选区域输入到区域检测网络中，利用区域检测网络中的池化层将不同尺寸的候选区域采样到固定预设尺寸，再经过全连接层进行位置边界框和目标类别的确定，同时，区域选取网络在所述油墨运输管道的特征图像上以像素点为中心以不同的长宽比和尺度生成预测边界框，接着将预测边界框输入网络进行边界框以及目标和背景评分的界定，并利用非极大值抑制对预测边界框进行冗余处理，将处理好的候选区域输入区域检测网络进行边界框和类别评分回归处理，再与实际目标区域对比计算网络的代价函数，最后通过监督学习算法迭代网络中的参数，直至网络稳定；

采用全卷积结构的目标检测网络构建渗漏识别网络B，训练所述渗漏识别网络B前，先将训练图像样本图像集中的训练图像的尺寸调整到预设大小，然后对尺寸调整好的训练图像进行区域划分，并通过卷积神经网络提取图像特征，得到油墨运输管道的深层特征图，接着将油墨运输管道的深层特征图输入目标预测网络并通过采样层和跨层组合不同层的特征信息，得到预测结果，再基于非极大值抑制将每个尺度的预测结构进行重复消除处理，得到油墨运输管道的渗漏点位置；

将训练好的所述渗漏识别网络A和渗漏识别网络B的参数固定，并对目标预测层的结构和代价函数进行修正，所述渗漏识别网络A和渗漏识别网络B进行特征提取和回归后得到预测目标，采用改进非极大值抑制根据目标之间的置信水平和方差以及交并比对所述预测目标的位置进行修正得到油墨运输管道的渗漏点的准确位置，将调整后的网络进行组合，并在训练图像样本图像集上联合训练，自适配训练图像样本图像集所需设定值，完成对两个网络的特征提取结果进行自适配组合，再将渗漏识别网络A和渗漏识别网络B分别使用在现有大型可视化数据集上预训练好的参数对网络进行初始化，再接着将渗漏识别网络A和渗漏识别网络B在训练图像样本图像集上训练，直至代价函数值不变，得到训练好的渗漏识别模型；

通过电荷耦合元件图像传感器采集油墨运输管道图像，将采集的油墨运输管道图像输入训练好的渗漏识别模型，渗漏识别模型对采集的油墨运输管道图像进行识别，判断油墨运输管道是否发生渗漏。

通过采用渗漏识别网络A和渗漏识别网络B分别提取油墨运输管道图像特征，再基于非极大值抑制对渗漏识别网络A和渗漏识别网络 B的提取结果进行自适配组合，最终完成对油墨运输管道渗漏的识别，由于充分利用了油墨运输管道图像特征，所以增强了渗漏识别模型对于油墨运输管道复杂环境的适配性，从而大大地提高了油墨运输管道渗漏识别的准确。

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、直接将混合多颜色废弃油墨通过蒸馏、研磨、配色等处理便可得到成品油墨，无需按照颜色对废弃油墨进行分类处理，简化了生产工艺，大大地提高了生产效率；

2、利用采集不同回收批次的混合多颜色废弃油墨的回收批次号，以及对应的回收完成后包装好的成品油墨的产品码、包装日期、对应的废弃油墨的回收批次号一起打包上传至区块链，实现该产品的溯源功能,这样一旦发现回收的混合多颜色废弃油墨出现问题，则可快速准确地找到问题源头，以免再次出现同样的问题；

3、通过采用渗漏识别网络A和渗漏识别网络B分别提取油墨运输管道图像特征，再基于非极大值抑制对渗漏识别网络A和渗漏识别网络B的提取结果进行自适配组合，最终完成对油墨运输管道渗漏的识别，由于充分利用了油墨运输管道图像特征，所以增强了渗漏识别模型对于油墨运输管道复杂环境的适配性，从而大大地提高了油墨运输管道渗漏识别的准确率；

4、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；

5、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和5G通讯的油墨溯源回收工艺方法，该方法包括以下步骤：

第一步，将回收的废弃油墨按回收批次分类成不同回收批次的废弃油墨；

第二步，采集分类好的同一回收批次废弃油墨的回收批次号；

第三步，将采集好数据的同一回收批次的废弃油墨混合在一起，搅拌均匀之后过滤得到已除杂的混合废弃油墨；

第四步，将已除杂的混合废弃油墨进行蒸馏提纯，得到高纯度的混合废弃油墨；

第五步，将高纯度的混合废弃油墨进行研磨，得到研磨后的混合废弃油墨；

第六步，检测出研磨后的混合废弃油墨的色坐标，根据色坐标选取色彩接近的库存油墨作为配色油墨，将选取好的配色油墨与研磨后的混合废弃油墨混合配色得到配色后的混合废弃油墨；

第七步，向配色后的混合废弃油墨中添加炭黑染料、冲淡剂和工业催干剂，得到油墨混合体，将油墨混合体混合均匀并再次研磨得到成品油墨；

第八步，将成品油墨通过油墨运输管道运送到包装设备，密封包装后常温保存；

第九步，采集包装好的成品油墨的产品码和包装日期，并利用 5G网络将包装好的成品油墨的产品码、包装日期、对应的废弃油墨的回收批次号一起打包上传至区块链。

直接将混合多颜色废弃油墨通过蒸馏、研磨、配色等处理便可得到成品油墨，无需按照颜色对废弃油墨进行分类处理，简化了生产工艺，大大的提高了生产效率，同时利用采集不同回收批次的混合多颜色废弃油墨的回收批次号，以及对应的回收完成后包装好的成品油墨的产品码、包装日期、对应的废弃油墨的回收批次号一起打包上传至区块链，实现该产品的溯源功能,这样一旦发现回收的混合多颜色废弃油墨出现问题，则可快速准确地找到问题源头，以免再次出现同样的问题。

将成品油墨通过油墨运输管道运送到包装设备时，渗漏识别模型对采集的油墨运输管道图像进行识别，判断油墨运输管道是否发生渗漏，包括以下步骤：

采集过往生产中油墨运输管道发生渗漏的图像，作为油墨运输管道渗漏图像，并对油墨运输管道渗漏图像中的渗漏点进行标记，再将油墨运输管道渗漏图像组成训练图像样本图像集；

采用相同卷积层通过区域选取网络和区域检测网络构建渗漏识别网络A，训练所述渗漏识别网络A前，先将训练图像样本图像集中的训练图像的尺寸调整到预设大小，然后通过深度卷积层对尺寸调整好的训练图像进行特征提取得到油墨运输管道的特征图像，再将油墨运输管道的特征图像输入区域选取网络进行区域选取，接着基于目标检测算法和锚点机制得到油墨运输管道的候选区域，再接着将油墨运输管道的候选区域输入到区域检测网络中，利用区域检测网络中的池化层将不同尺寸的候选区域采样到固定预设尺寸，再经过全连接层进行位置边界框和目标类别的确定，同时，区域选取网络在所述油墨运输管道的特征图像上以像素点为中心以不同的长宽比和尺度生成预测边界框，接着将预测边界框输入网络进行边界框以及目标和背景评分的界定，并利用非极大值抑制对预测边界框进行冗余处理，将处理好的候选区域输入区域检测网络进行边界框和类别评分回归处理，再与实际目标区域对比计算网络的代价函数，最后通过监督学习算法迭代网络中的参数，直至网络稳定；

采用全卷积结构的目标检测网络构建渗漏识别网络B，训练所述渗漏识别网络B前，先将训练图像样本图像集中的训练图像的尺寸调整到预设大小，然后对尺寸调整好的训练图像进行区域划分，并通过卷积神经网络提取图像特征，得到油墨运输管道的深层特征图，接着将油墨运输管道的深层特征图输入目标预测网络并通过采样层和跨层组合不同层的特征信息，得到预测结果，再基于非极大值抑制将每个尺度的预测结构进行重复消除处理，得到油墨运输管道的渗漏点位置；

将训练好的所述渗漏识别网络A和渗漏识别网络B的参数固定，并对目标预测层的结构和代价函数进行修正，所述渗漏识别网络A和渗漏识别网络B进行特征提取和回归后得到预测目标，采用改进非极大值抑制根据目标之间的置信水平和方差以及交并比对所述预测目标的位置进行修正得到油墨运输管道的渗漏点的准确位置，将调整后的网络进行组合，并在训练图像样本图像集上联合训练，自适配训练图像样本图像集所需设定值，完成对两个网络的特征提取结果进行自适配组合，再将渗漏识别网络A和渗漏识别网络B分别使用在现有大型可视化数据集上预训练好的参数对网络进行初始化，再接着将渗漏

通过电荷耦合元件图像传感器采集油墨运输管道图像，将采集的油墨运输管道图像输入训练好的渗漏识别模型，渗漏识别模型对采集的油墨运输管道图像进行识别，判断油墨运输管道是否发生渗漏。

通过采用渗漏识别网络A和渗漏识别网络B分别提取油墨运输管道图像特征，再基于非极大值抑制对渗漏识别网络A和渗漏识别网络 B的提取结果进行自适配组合，最终完成对油墨运输管道渗漏的识别，由于充分利用了油墨运输管道图像特征，所以增强了渗漏识别模型对于油墨运输管道复杂环境的适配性，从而大大地提高了油墨运输管道渗漏识别的准确。

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)

1.一种基于区块链和5G通讯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：将回收的废弃油墨按回收批次分类成不同回收批次的废弃油墨；

第二步：采集分类好的同一回收批次废弃油墨的回收批次号；

第三步：将采集好数据的同一回收批次的废弃油墨混合在一起，搅拌均匀之后过滤得到已除杂的混合废弃油墨；

第四步：将已除杂的混合废弃油墨进行蒸馏提纯，得到高纯度的混合废弃油墨；

第五步：将高纯度的混合废弃油墨进行研磨，得到研磨后的混合废弃油墨；

第六步：检测出研磨后的混合废弃油墨的色坐标，根据色坐标选取色彩接近的库存油墨作为配色油墨，将选取好的配色油墨与研磨后的混合废弃油墨混合配色得到配色后的混合废弃油墨；

第七步：向配色后的混合废弃油墨中添加炭黑染料、冲淡剂和工业催干剂，得到油墨混合体，将油墨混合体混合均匀并再次研磨得到成品油墨；

第八步：将成品油墨通过油墨运输管道运送到包装设备，密封包装后常温保存。

2.根据权利要求1所述的基于区块链和5G通讯的油墨溯源回收工艺方法，其特征在于，还包括以下步骤，

第九步：采集包装好的成品油墨的产品码和包装日期，并利用5G网络将包装好的成品油墨的产品码、包装日期、对应的废弃油墨的回收批次号一起打包上传至区块链。

3.根据权利要求1所述的基于区块链和5G通讯的油墨溯源回收工艺方法，其特征在于，将成品油墨通过油墨运输管道运送到包装设备时，对采集的油墨运输管道图像进行识别，判断油墨运输管道是否发生渗漏。

4.根据权利要求3所述的基于区块链和5G通讯的油墨溯源回收工艺方法，其特征在于，所述对采集的油墨运输管道图像进行识别，判断油墨运输管道是否发生渗漏，具体包括以下步骤：

S1：采集过往生产中油墨运输管道发生渗漏的图像，作为油墨运输管道渗漏图像，并对油墨运输管道渗漏图像中的渗漏点进行标记，再将油墨运输管道渗漏图像组成训练图像样本图像集；

S2：采用相同卷积层通过区域选取网络和区域检测网络构建渗漏识别网络A，训练所述渗漏识别网络A前，先将训练图像样本图像集中的训练图像的尺寸调整到预设大小，然后通过深度卷积层对尺寸调整好的训练图像进行特征提取得到油墨运输管道的特征图像，再将油墨运输管道的特征图像输入区域选取网络进行区域选取，接着基于目标检测算法和锚点机制得到油墨运输管道的候选区域，再接着将油墨运输管道的候选区域输入到区域检测网络中，利用区域检测网络中的池化层将不同尺寸的候选区域采样到固定预设尺寸，再经过全连接层进行位置边界框和目标类别的确定，同时，区域选取网络在所述油墨运输管道的特征图像上以像素点为中心以不同的长宽比和尺度生成预测边界框，接着将预测边界框输入网络进行边界框以及目标和背景评分的界定，并利用非极大值抑制对预测边界框进行冗余处理，将处理好的候选区域输入区域检测网络进行边界框和类别评分回归处理，再与实际目标区域对比计算网络的代价函数，最后通过监督学习算法迭代网络中的参数，直至网络稳定；

S3：采用全卷积结构的目标检测网络构建渗漏识别网络B，训练所述渗漏识别网络B前，先将训练图像样本图像集中的训练图像的尺寸调整到预设大小，然后对尺寸调整好的训练图像进行区域划分，并通过卷积神经网络提取图像特征，得到油墨运输管道的深层特征图，接着将油墨运输管道的深层特征图输入目标预测网络并通过采样层和跨层组合不同层的特征信息，得到预测结果，再基于非极大值抑制将每个尺度的预测结构进行重复消除处理，得到油墨运输管道的渗漏点位置；

S4：将训练好的所述渗漏识别网络A和渗漏识别网络B的参数固定，并对目标预测层的结构和代价函数进行修正，所述渗漏识别网络A和渗漏识别网络B进行特征提取和回归后得到预测目标，采用改进非极大值抑制根据目标之间的置信水平和方差以及交并比对所述预测目标的位置进行修正得到油墨运输管道的渗漏点的准确位置，将调整后的网络进行组合，并在训练图像样本图像集上联合训练，自适配训练图像样本图像集所需设定值，完成对两个网络的特征提取结果进行自适配组合，再将渗漏识别网络A和渗漏识别网络B分别使用在现有大型可视化数据集上预训练好的参数对网络进行初始化，再接着将渗漏识别网络A和渗漏识别网络B在训练图像样本图像集上训练，直至代价函数值不变，得到训练好的渗漏识别模型；

S5：通过电荷耦合元件图像传感器采集油墨运输管道图像，将采集的油墨运输管道图像输入训练好的渗漏识别模型，渗漏识别模型对采集的油墨运输管道图像进行识别，判断油墨运输管道是否发生渗漏。

5.根据权利要求1所述的基于区块链和5G通讯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所述的基于区块链和5G通讯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