CN112149690A - 一种基于生物图像特征识别的溯源方法和溯源系统 - Google Patents

一种基于生物图像特征识别的溯源方法和溯源系统 Download PDF

Info

Publication number
CN112149690A
CN112149690A CN202011049842.8A CN202011049842A CN112149690A CN 112149690 A CN112149690 A CN 112149690A CN 202011049842 A CN202011049842 A CN 202011049842A CN 112149690 A CN112149690 A CN 112149690A
Authority
CN
China
Prior art keywords
biological
information
product
tracing
traceability
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
Application number
CN202011049842.8A
Other languages
English (en)
Inventor
刘向荣
俞心宇
胡冰
柳娟
潘婧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen University
Original Assignee
Xiamen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiamen University filed Critical Xiamen University
Priority to CN202011049842.8A priority Critical patent/CN112149690A/zh
Publication of CN112149690A publication Critical patent/CN112149690A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06Q30/0185—Product, service or business identity fraud
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于生物图像特征识别的溯源方法和溯源系统，所述溯源方法包括：训练生物产品在各个形态下的特征提取模型；建立溯源信息数据库，存储生物产品在各个形态下的溯源信息；溯源信息采集：采集第一生物产品图片及产品流动信息，从第一生物产品图片中提取第一生物图像特征，形成溯源信息存储于溯源信息数据库；溯源信息搜索：采集第二生物产品图片，从第二生物产品图片中提取第二生物图像特征，以第二生物图像特征为索引，检索溯源信息数据库，得到与之匹配的生物产品的溯源信息；溯源信息关联：将生物产品前后形态的溯源信息进行关联。该方法可降低现有溯源技术的成本，具有较实体标签更好的保密性及解决实体标签可能丢失的问题。

Description

一种基于生物图像特征识别的溯源方法和溯源系统
技术领域
本发明涉及计算机视觉、深度学习目标识别以及溯源系统技术领域，特别是涉及一种利用深度学习识别生物图像特征的溯源方法和溯源系统。
背景技术
随着科学技术的发展，生物产品溯源技术日趋成熟，溯源系统日益完善。该技术对食品安全、生产者自我约束以及消费者追踪产品信息具有相当重要的意义。在时下，全球受新冠疫情影响时期，对鲜活生物进行溯源极大的帮助了疫情管控工作的开展。在疫情发生之后，也能在一定程度上帮助追踪、定位疫情源头。同时，生物产品溯源还能够减少不必要的损失，在北京新发地疫情爆发后，导致三文鱼产业链受到巨大打击，若采用溯源，消费者即可在消费前确定消费产品的来源，进而放心购买产品。
现有溯源技术主要采用的都是实体标签对产品进行唯一身份编码，此类方法存在着以下缺点：
1.实体标签不可避免的存在着一定的成本。
2.实体标签存在造假现象，不良商贩谋求利益倒卖经济价值较高产品的标签，同时为了预防该情况，产商需要不断更新标签技术，将会造成更大的成本。
3.实体标签在运输过程中有可能丢失，丢失后需要人力物力进行重新进行唯一身份编码，补全溯源信息。
同时在深度学习领域，目标识别技术也飞速发展，识别精度、速度不断提高，对个体目标进行特征提取并识别的技术已经逐渐完善。现阶段目标识别算法主要有R-CNN、YOLO等，上述算法经过不断研究改进，具有很高的精度，具有识别某类物品个体的能力。
发明内容
有鉴于现有技术的上述缺陷，本发明的目的是提供一种非实体标签的溯源方法和溯源系统。
为实现上述目的，本发明提供了一种基于生物图像特征识别的溯源方法，包括以下过程：
建立生物产品各个形态的训练集，训练生物产品在各个形态下的特征提取模型；
建立溯源信息数据库，所述溯源信息数据库用于存储生物产品在各个形态下的溯源信息；
溯源信息采集：采集第一生物产品图片及产品流动信息，从第一生物产品图片中提取第一生物图像特征，将包括第一生物产品图片、第一生物图像特征和产品流动信息在内的溯源信息存储于溯源信息数据库；
溯源信息搜索：采集第二生物产品图片，从第二生物产品图片中提取第二生物图像特征，以第二生物图像特征为索引，检索溯源信息数据库，得到与之匹配的生物产品的溯源信息；
溯源信息关联：当生物产品因加工发生产品形态变化时，在加工前进行溯源信息采集或进行溯源信息搜索，得到生物产品的第一溯源信息；在加工后执行溯源信息采集，生成第二溯源信息，在第一溯源信息和第二溯源信息间建立关联；
所述产品流动信息包括采集第一生物产品图片的位置信息和时间信息。
进一步的，所述溯源信息采集、溯源信息搜索中从生物产品图片提取生物图像特征的具体过程为：采集生物产品图片并进行预处理，根据已经训练好的特征提取模型，对预处理后的生物产品图片进行识别，提取生物图像特征；所述预处理的具体方法为：
(1)对产品图片中的生物产品具有的明显生物特征，进行图像增强处理，所述图像增强处理的方法包括调整以下图像特征中的至少一种：对比度、锐度和亮度；
(2)对产品图片进行裁剪，获得具有明显生物特征的部分图像。
进一步的，所述溯源信息采集具体包括以下步骤：
采集生物产品某一角度的生物产品图片和产品流动信息，并上传云服务器；
在云服务器中，将生物产品图片输入训练好的特征提取模型进行识别，得到生物图像特征；
将包括第一生物产品图片、第一生物图像特征和产品流动信息在内的溯源信息存储于溯源信息数据库。
进一步的，所述溯源信息搜索具体包括以下步骤：
拍摄与溯源信息采集时相似角度的生物产品图片，并上传云服务器；
在云服务器中，将生物产品图片输入训练好的特征提取模型进行识别，得到生物图像特征；
以生物图像特征为索引，检索溯源信息数据库，和溯源信息数据库中的生物图像特征进行比对匹配，若溯源信息搜索中获得生物图像特征和溯源信息数据库中的某一生物图像特征的匹配度达到预期，则返回所匹配的生物图像特征所对应的生物产品的溯源信息。
进一步的，所述溯源信息关联具体为：
当生物产品因加工发生产品形态变化时，在加工前进行溯源信息采集或进行溯源信息搜索，在云服务器中得到生物产品在加工前形态的第一溯源信息；在加工后执行溯源信息采集，在云服务器中生成加工后形态的第二溯源信息，在第二溯源信息中增加对第一溯源信息的引用信息，在第一溯源信息和第二溯源信息间建立关联。
进一步的，所述生物图像特征为特征向量，所述产品特征比对的具体方法为：通过预处理后的产品图片输入到已经训练好的特征提取网络中，得到该产品的特征向量；之后将从该图像中提取的特征向量与云端数据库中已有的特征向量进行比对，比对方法为计算两两特征向量之间的欧氏距离或余弦距离；方法的计算结果越小表示对比的两个特征向量的近似度越高，所述产品特征比对的计算结果小于一个阈值时表明该产品成功匹配。
进一步的，所述产品流动信息标识于所采集的生物产品图片中。
为实现上述目的，本发明还提供了一种基于生物图像特征识别的溯源系统，包括：
溯源信息采集设备，用于采集生物产品图片及生物产品的产品流动信息；
溯源信息搜索设备，用于采集生物产品图片；
和云服务器，用于生物产品在各个形态下的溯源信息的建立、存储、搜索和关联。
进一步的，所述云服务器包括：预处理模块、特征提取模块、特征比对模块和溯源信息数据库；
所述预处理模块用于对溯源信息采集设备、溯源信息搜索设备上传的生物产品图片进行预处理，获得具有明显生物特征的产品图片；
所述特征提取模块用于对预处理后的产品图片，进行特征提取输出生物图像特征；
所述溯源信息数据库用于建立并存储生物产品在各个形态下的溯源信息，所述溯源信息包括：生物产品图片及其生物图像特征、产品流动信息及关联信息，所述关联信息用于建立生物产品在各个形态下的溯源信息的关联；
所述特征比对模块用于溯源信息搜索，将上传的生物产品图片的生物图像特征和溯源信息数据库中的溯源信息进行比对，当该生物图像特征和溯源信息数据库中的某一溯源信息的生物图像特征匹配，则返回所匹配的生物产品在当前形态和/或前若干形态的溯源信息。
进一步的，所述预处理模块包括：
图像增强处理模块，用于对产品图片中的生物产品具有的明显生物特征，进行图像增强处理，所述图像增强处理的方法包括调整以下图像特征中的至少一种：对比度、锐度和亮度；
和图像裁剪模块，用于对产品图片进行裁剪，获得具有明显生物特征的部分图像。
进一步的，所述云服务器还包括特征训练模块，所述特征训练模块用于生物产品在各个形态下的特征提取模型的训练。
进一步的，所述溯源信息采集设备被部署于生物产品加工环境，对于生物产品发生形态变化的加工环境，至少设置两个溯源信息采集设备，或一个溯源信息采集设备和一个溯源信息搜索设备，第一溯源信息采集设备或溯源信息搜索设备被设置用于采集生物产品在加工前形态的生物产品图片，第二溯源信息采集设备被设置用于采集生物产品在加工后形态的生物产品图片。
进一步的，所述溯源信息搜索设备被部署于生物产品的流通环境，部署于生物产品的流通环境的溯源信息搜索设备为一具有拍照功能的智能终端，用于采集流通过程的生物产品图片。
与现有溯源系统相比，本发明的优点在于：
1、通过深度学习领域目标识别算法与现有溯源技术的结合将产品标签信息化，降低了现有溯源技术的成本。
2、通过设置于云服务器上的溯源信息数据库储存溯源信息，具有较实体标签更好的保密性，加大了伪造溯源信息标签的难度，一定程度上提高了溯源标签可信度，有利于促进消费者购买产品以及产业自我约束。
3、通过图像将产品本身标签化，解决了实体标签在产品运输过程中可能丢失的问题。
附图说明
图1为该溯源系统结构示意图。
图2为进行图像预处理-图像增强后的一个产品示例图像。
图3是基于深度学习的目标识别方法的流程图。
图4为消费者应用端指引拍照示例图。
具体实施方式
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
现结合附图和具体实施方式对本发明进一步说明。
如图1所示，本发明公开了一种基于生物图像特征识别的溯源方法，包括以下过程：
1、建立生物产品各个形态的训练集，训练生物产品在各个形态下的特征提取模型；
2、建立溯源信息数据库，所述溯源信息数据库用于存储生物产品在各个形态下的溯源信息；
3、溯源信息采集：采集第一生物产品图片及产品流动信息，从第一生物产品图片中提取第一生物图像特征，将包括第一生物产品图片、第一生物图像特征和产品流动信息在内的溯源信息存储于溯源信息数据库；
4、溯源信息搜索：采集第二生物产品图片，从第二生物产品图片中提取第二生物图像特征，以第二生物图像特征为索引，检索溯源信息数据库，得到与之匹配的生物产品的溯源信息；
5、溯源信息关联：当生物产品因加工发生产品形态变化时，在加工前进行溯源信息采集或进行溯源信息搜索，得到生物产品的第一溯源信息；在加工后执行溯源信息采集，生成第二溯源信息，在第一溯源信息和第二溯源信息间建立关联；
所述产品流动信息包括采集第一生物产品图片的位置信息和时间信息。
在本实施例中，建立生物产品各个形态的训练集，训练生物产品在各个形态下的特征提取模型具体包括以下步骤：
(1)采集一定数量同一类的生物产品在各个形态的产品图片并进行分类人工标记，形成训练集；
(2)对训练集中的产品图片进行预处理，采用预处理后的产品图片训练特征提取网络，得到用于识别生物产品种类的特征提取模型。
特征提取模型训练的具体方法为：首次获取某一类产品特征提取模型时，需要一部分该类产品图片作为训练集，输入特征提取网络中进行训练，如特征提取网络为卷积神经网络，则由卷积神经网络进行反复迭代训练，最后得到适用于该类产品的特征提取模型。
在本实施例中，所述溯源信息采集、溯源信息搜索中从生物产品图片提取提取生物图像特征的具体过程为：采集生物产品图片并进行预处理，根据已经训练好的特征提取模型，对预处理后的生物产品图片进行识别，提取生物图像特征。所述预处理的具体方法为：
(1)对产品图片中的生物产品具有的明显生物特征，进行图像增强处理，所述图像增强处理的方法包括调整以下图像特征中的至少一种：对比度、锐度和亮度；如若产品具有较明显的条纹特征，则可以采用对比度增强、降低色彩饱和度等方法突出其条纹特征，该部分可以通过OpenCV视觉库进行实现。
(2)对产品图片进行裁剪，获得具有明显生物特征的部分图像。
在特征提取过程中，图像预处理还包括少部分训练集的数据标注。数据标注的具体方法是：随机选取部分图像作为训练集，可采用常用的标注工具，例如LabelImg或者Labelme中，将产品边缘标注出来。
通过以上预处理过程，可以获得具有明显生物特征的图像，从而通过进一步的特征提取，获得具有唯一性的生物图像特征。如图2所示的牛肉，具有特殊的雪花肌理，可通过神经网络进行图像识别，以获取特征向量。
在本实施例中，所述过程3的产品流动信息是通过执行相应过程采集产品图片的图像采集装置或执行视频处理、视频传输的设备给出，将产品流动信息与采集的产品图片一并上传云服务器，由云服务器确定产品个体后将溯源信息储存至对应的产品个体数据段中，形成溯源信息。为便于溯源或增强溯源信息的准确性，产品流动信息还可以直接标记在所采集到的产品图片。
如图3所示，产品特征比对的具体方法为：通过预处理后的产品图片输入到已经训练好的特征提取网络中，得到该产品的特征向量。之后将从该图像中提取的特征向量与溯源信息数据库中已有的特征向量进行比对，比对常用方法为计算两两特征向量之间的欧氏距离或余弦距离。上述两种方法的计算结果越小表示对比的两个特征向量的近似度越高，当计算结果小于一个阈值时表明该产品成功匹配。深度学习领域的目标识别方法流程图如图3所示。
在本实施例中，以消费这在生物产品销售环节的溯源信息搜索为例，具体包括以下步骤：
(1)在生物产品的销售过程中，消费者根据应用的内置指引拍摄与生产过程中(即溯源信息采集)相似角度的产品图片并通过手机等智能终端上传云服务器；
(2)在云服务器中，将销售过程中的产品图片输入训练好的特征提取模型进行识别，得到生物图像特征；
(3)以生物图像特征为索引，检索溯源信息数据库，和溯源信息数据库中的生物图像特征进行比对匹配，若溯源信息搜索中获得生物图像特征和溯源信息数据库中的某一生物图像特征的匹配度达到预期，则返回所匹配的生物图像特征所对应的生物产品的溯源信息。
其中，应用程序内置的指引界面如图4所示。
基于生物图像特征识别的溯源方法可应用于生物产品的加工和流通环节，直接对生物产品本身进行特征识别，实现生产和流程环节的全过程监管，防伪度高，同时消费者可查看到溯源信息中的产品图片，可进行直观比较。
如图1所示，本发明还公开了一种基于生物图像特征识别的溯源系统，包括溯源信息采集设备、溯源信息搜索设备和云服务器。其中，溯源信息采集设备，用于采集生物产品图片及生物产品的产品流动信息；溯源信息搜索设备，用于采集生物产品图片；云服务器，用于生物产品在各个形态下的溯源信息的建立、存储、搜索和关联。
具体的，溯源信息采集设备被部署于生物产品加工环节，采集生物产品的图片和产品流动信息。
在一些场合，也部署溯源信息搜索设备。如在生物产品发生形态变化的加工环节，需要至少设置两个溯源信息采集设备，或一个溯源信息采集设备和一个溯源信息搜索设备，其中第一溯源信息采集设备或溯源信息搜索设备被设置用于采集生物产品在加工前形态的生物产品图片，第二溯源信息采集设备被设置用于采集生物产品在加工后形态的生物产品图片。
在本实施例中，溯源信息采集设备包括摄像头、视频处理及传输设备以及辅助照明。为保证所述溯源信息采集设备的图片采集效果以便于后续的特征提取识别，需要对摄像头的安装角度、照明的光线角度、亮度进行设置。
具体的，溯源信息搜索设备被部署于生物产品的流通环节，如物流或销售环节，部署于生物产品的流通环节的溯源信息搜索设备可以是一具有拍照功能的智能终端，如手机等，用于采集流通环节的生物产品图片。如在生物产品的销售过程中，消费者根据手机中相关应用的内置指引拍摄与生物产品生产过程中相似角度的产品图片并传云服务器。其中，应用程序内置的指引界面如图4所示。
具体的，所述云服务器包括：预处理模块、特征提取模块、特征比对模块和溯源信息数据库。
其中，预处理模块用于对溯源信息采集设备、溯源信息搜索设备上传的生物产品图片进行预处理，获得具有明显生物特征的产品图片。
更具体的，预处理模块包括：图像增强处理模块和图像裁剪模块等模块，其中图像增强处理模块用于对产品图片中的生物产品具有的明显生物特征，进行图像增强处理，所述图像增强处理的方法包括调整以下图像特征中的至少一种：对比度、锐度和亮度；图像裁剪模块用于对产品图片进行裁剪，获得具有明显生物特征的部分图像。
特征提取模块用于对预处理后的产品图片，进行特征提取输出生物图像特征。
溯源信息数据库用于建立并存储生物产品在各个形态下的溯源信息，所述溯源信息包括：生物产品图片及其生物图像特征、产品流动信息及关联信息，所述关联信息用于建立生物产品在各个形态下的溯源信息的关联。
特征比对模块用于溯源信息搜索，将上传的生物产品图片的生物图像特征和溯源信息数据库中的溯源信息进行比对，当该生物图像特征和溯源信息数据库中的某一溯源信息的生物图像特征匹配，则返回所匹配的生物产品在当前形态和/或前若干形态的溯源信息。
进一步的，所述云服务器还包括特征训练模块，所述特征训练模块用于生物产品在各个形态下的特征提取模型的训练。从而实现特征提取的在线训练和部署。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (13)

1.一种基于生物图像特征识别的溯源方法，其特征在于，包括以下过程：
建立生物产品各个形态的训练集，训练生物产品在各个形态下的特征提取模型；
建立溯源信息数据库，所述溯源信息数据库用于存储生物产品在各个形态下的溯源信息；
溯源信息采集：采集第一生物产品图片及产品流动信息，从第一生物产品图片中提取第一生物图像特征，将包括第一生物产品图片、第一生物图像特征和产品流动信息在内的溯源信息存储于溯源信息数据库；
溯源信息搜索：采集第二生物产品图片，从第二生物产品图片中提取第二生物图像特征，以第二生物图像特征为索引，检索溯源信息数据库，得到与之匹配的生物产品的溯源信息；
溯源信息关联：当生物产品因加工发生产品形态变化时，在加工前进行溯源信息采集或进行溯源信息搜索，得到生物产品的第一溯源信息；在加工后执行溯源信息采集，生成第二溯源信息，在第一溯源信息和第二溯源信息间建立关联；
所述产品流动信息包括采集第一生物产品图片的位置信息和时间信息。
2.根据如权利要求1所述的基于生物图像特征识别的溯源方法，其特征在于，所述溯源信息采集、溯源信息搜索中从生物产品图片提取生物图像特征的具体过程为：采集生物产品图片并进行预处理，根据已经训练好的特征提取模型，对预处理后的生物产品图片进行识别，提取生物图像特征；所述预处理的具体方法为：
(1)对产品图片中的生物产品具有的明显生物特征，进行图像增强处理，所述图像增强处理的方法包括调整以下图像特征中的至少一种：对比度、锐度和亮度；
(2)对产品图片进行裁剪，获得具有明显生物特征的部分图像。
3.根据如权利要求1所述的基于生物图像特征识别的溯源方法，其特征在于，所述溯源信息采集具体包括以下步骤：
采集生物产品某一角度的生物产品图片和产品流动信息，并上传云服务器；
在云服务器中，将生物产品图片输入训练好的特征提取模型进行识别，得到生物图像特征；
将包括第一生物产品图片、第一生物图像特征和产品流动信息在内的溯源信息存储于溯源信息数据库。
4.根据如权利要求1所述的基于生物图像特征识别的溯源方法，其特征在于，所述溯源信息搜索具体包括以下步骤：
拍摄与溯源信息采集时相似角度的生物产品图片，并上传云服务器；
在云服务器中，将生物产品图片输入训练好的特征提取模型进行识别，得到生物图像特征；
以生物图像特征为索引，检索溯源信息数据库，和溯源信息数据库中的生物图像特征进行比对匹配，若溯源信息搜索中获得生物图像特征和溯源信息数据库中的某一生物图像特征的匹配度达到预期，则返回所匹配的生物图像特征所对应的生物产品的溯源信息。
5.根据如权利要求1所述的基于生物图像特征识别的溯源方法，其特征在于，所述溯源信息关联具体为：
当生物产品因加工发生产品形态变化时，在加工前进行溯源信息采集或进行溯源信息搜索，在云服务器中得到生物产品在加工前形态的第一溯源信息；在加工后执行溯源信息采集，在云服务器中生成加工后形态的第二溯源信息，在第二溯源信息中增加对第一溯源信息的引用信息，在第一溯源信息和第二溯源信息间建立关联。
6.根据如权利要求1所述的基于生物图像特征识别的溯源方法，其特征在于，所述生物图像特征为特征向量，所述产品特征比对的具体方法为：通过预处理后的产品图片输入到已经训练好的特征提取网络中，得到该产品的特征向量；之后将从该图像中提取的特征向量与云端数据库中已有的特征向量进行比对，比对方法为计算两两特征向量之间的欧氏距离或余弦距离；方法的计算结果越小表示对比的两个特征向量的近似度越高，所述产品特征比对的计算结果小于一个阈值时表明该产品成功匹配。
7.根据如权利要求1所述的基于生物图像特征识别的溯源方法，其特征在于，所述产品流动信息标识于所采集的生物产品图片中。
8.一种基于生物图像特征识别的溯源系统，其特征在于，包括：
溯源信息采集设备，用于采集生物产品图片及生物产品的产品流动信息；
溯源信息搜索设备，用于采集生物产品图片；
和云服务器，用于生物产品在各个形态下的溯源信息的建立、存储、搜索和关联。
9.如权利要求8所述的基于生物图像特征识别的溯源系统，其特征在于，所述云服务器包括：预处理模块、特征提取模块、特征比对模块和溯源信息数据库；
所述预处理模块用于对溯源信息采集设备、溯源信息搜索设备上传的生物产品图片进行预处理，获得具有明显生物特征的产品图片；
所述特征提取模块用于对预处理后的产品图片，进行特征提取输出生物图像特征；
所述溯源信息数据库用于建立并存储生物产品在各个形态下的溯源信息，所述溯源信息包括：生物产品图片及其生物图像特征、产品流动信息及关联信息，所述关联信息用于建立生物产品在各个形态下的溯源信息的关联；
所述特征比对模块用于溯源信息搜索，将上传的生物产品图片的生物图像特征和溯源信息数据库中的溯源信息进行比对，当该生物图像特征和溯源信息数据库中的某一溯源信息的生物图像特征匹配，则返回所匹配的生物产品在当前形态和/或前若干形态的溯源信息。
10.如权利要求9所述的基于生物图像特征识别的溯源系统，其特征在于，所述预处理模块包括：
图像增强处理模块，用于对产品图片中的生物产品具有的明显生物特征，进行图像增强处理，所述图像增强处理的方法包括调整以下图像特征中的至少一种：对比度、锐度和亮度；
和图像裁剪模块，用于对产品图片进行裁剪，获得具有明显生物特征的部分图像。
11.如权利要求9所述的基于生物图像特征识别的溯源系统，其特征在于，所述云服务器还包括特征训练模块，所述特征训练模块用于生物产品在各个形态下的特征提取模型的训练。
12.如权利要求8所述的基于生物图像特征识别的溯源系统，其特征在于，所述溯源信息采集设备被部署于生物产品加工环境，对于生物产品发生形态变化的加工环境，至少设置两个溯源信息采集设备，或一个溯源信息采集设备和一个溯源信息搜索设备，第一溯源信息采集设备或溯源信息搜索设备被设置用于采集生物产品在加工前形态的生物产品图片，第二溯源信息采集设备被设置用于采集生物产品在加工后形态的生物产品图片。
13.如权利要求8所述的基于生物图像特征识别的溯源系统，其特征在于，所述溯源信息搜索设备被部署于生物产品的流通环境，部署于生物产品的流通环境的溯源信息搜索设备为一具有拍照功能的智能终端，用于采集流通过程的生物产品图片。
CN202011049842.8A 2020-09-29 2020-09-29 一种基于生物图像特征识别的溯源方法和溯源系统 Pending CN112149690A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011049842.8A CN112149690A (zh) 2020-09-29 2020-09-29 一种基于生物图像特征识别的溯源方法和溯源系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011049842.8A CN112149690A (zh) 2020-09-29 2020-09-29 一种基于生物图像特征识别的溯源方法和溯源系统

Publications (1)

Publication Number Publication Date
CN112149690A true CN112149690A (zh) 2020-12-29

Family

ID=73896016

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011049842.8A Pending CN112149690A (zh) 2020-09-29 2020-09-29 一种基于生物图像特征识别的溯源方法和溯源系统

Country Status (1)

Country Link
CN (1) CN112149690A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114693980A (zh) * 2022-04-08 2022-07-01 澜途集思生态科技集团有限公司 基于Light-Head R-CNN算法的生态生物识别方法
CN115130531A (zh) * 2022-01-24 2022-09-30 北京中科睿鉴科技有限公司 图像生成模型网络结构溯源方法
CN115205552A (zh) * 2022-07-14 2022-10-18 欧冶链金再生资源有限公司 基于特征识别的金属打包块特征提取、识别系统及方法
CN116132107A (zh) * 2022-12-16 2023-05-16 苏州可米可酷食品有限公司 基于数据云处理产品全生命周期质量数据追溯管理系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005267625A (ja) * 2004-02-20 2005-09-29 Hitachi Ltd トレーサビリティシステム
CN102567806A (zh) * 2012-01-12 2012-07-11 无锡新途物邮网络科技有限公司 一种基于生物特征的农产品防伪标识系统及其方法
CN103886510A (zh) * 2014-04-02 2014-06-25 成都信息工程学院 基于图像识别的农产品全程溯源系统及方法
CN204614012U (zh) * 2015-05-22 2015-09-02 山西巨安电子技术有限公司 一种食品加工溯源系统
CN106022805A (zh) * 2016-05-25 2016-10-12 华中科技大学 一种基于标签识读的防伪溯源系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005267625A (ja) * 2004-02-20 2005-09-29 Hitachi Ltd トレーサビリティシステム
CN102567806A (zh) * 2012-01-12 2012-07-11 无锡新途物邮网络科技有限公司 一种基于生物特征的农产品防伪标识系统及其方法
CN103886510A (zh) * 2014-04-02 2014-06-25 成都信息工程学院 基于图像识别的农产品全程溯源系统及方法
CN204614012U (zh) * 2015-05-22 2015-09-02 山西巨安电子技术有限公司 一种食品加工溯源系统
CN106022805A (zh) * 2016-05-25 2016-10-12 华中科技大学 一种基于标签识读的防伪溯源系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
林志鹏: "Web Service技术在物联网食品溯源系统架构中的应用", 《长江大学学报（自科版）》, vol. 10, no. 22, pages 1 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115130531A (zh) * 2022-01-24 2022-09-30 北京中科睿鉴科技有限公司 图像生成模型网络结构溯源方法
CN114693980A (zh) * 2022-04-08 2022-07-01 澜途集思生态科技集团有限公司 基于Light-Head R-CNN算法的生态生物识别方法
CN115205552A (zh) * 2022-07-14 2022-10-18 欧冶链金再生资源有限公司 基于特征识别的金属打包块特征提取、识别系统及方法
CN116132107A (zh) * 2022-12-16 2023-05-16 苏州可米可酷食品有限公司 基于数据云处理产品全生命周期质量数据追溯管理系统
CN116132107B (zh) * 2022-12-16 2024-04-12 苏州可米可酷食品有限公司 基于数据云处理产品全生命周期质量数据追溯管理系统

Similar Documents

Publication Publication Date Title
Chen et al. Underwater object detection using Invert Multi-Class Adaboost with deep learning
CN112149690A (zh) 一种基于生物图像特征识别的溯源方法和溯源系统
CN108564094B (zh) 一种基于卷积神经网络和分类器组合的材质识别方法
Ren et al. General traffic sign recognition by feature matching
CN110008909B (zh) 一种基于ai的实名制业务实时稽核系统
CN109977983B (zh) 获得训练图像的方法及装置
Durga et al. A ResNet deep learning based facial recognition design for future multimedia applications
Funk et al. Beyond planar symmetry: Modeling human perception of reflection and rotation symmetries in the wild
CN113962274B (zh) 一种异常识别方法、装置、电子设备及存储介质
Qin et al. A fast and robust text spotter
CN109034694B (zh) 基于智能制造的生产原料智能存储方法及系统
Buayai et al. End-to-end automatic berry counting for table grape thinning
CN113516146A (zh) 一种数据分类方法、计算机及可读存储介质
Hao et al. [Retracted] Fast Recognition Method for Multiple Apple Targets in Complex Occlusion Environment Based on Improved YOLOv5
Mosayyebi et al. Gender recognition in masked facial images using EfficientNet and transfer learning approach
Calefati et al. Reading meter numbers in the wild
CN111753618A (zh) 图像识别方法、装置、计算机设备及计算机可读存储介质
CN112818735B (zh) 一种基于物品识别的舰艇备件识别方法
JPWO2014092193A1 (ja) 画像処理装置、画像処理方法、画像処理プログラム、プログラム及びカメラ付き移動端末装置
CN114038010A (zh) 一种行人属性识别方法、设备和介质
CN115309941B (zh) 一种基于ai的智能标签检索方法及系统
Yu et al. ASE-UNet: An Orange Fruit Segmentation Model in an Agricultural Environment Based on Deep Learning
Jia et al. Coarse annotation refinement for segmentation of dot-matrix batchcodes
CN111259843B (zh) 基于视觉稳定特征分类配准的多媒体导航仪测试方法
Phillips et al. Orb-based multiple fixed resolution approach for on-board visual recognition

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