CN113344152A - 一种奶品全链条生产信息智能检测上传系统及方法 - Google Patents
一种奶品全链条生产信息智能检测上传系统及方法 Download PDFInfo
- Publication number
- CN113344152A CN113344152A CN202110484275.7A CN202110484275A CN113344152A CN 113344152 A CN113344152 A CN 113344152A CN 202110484275 A CN202110484275 A CN 202110484275A CN 113344152 A CN113344152 A CN 113344152A
- Authority
- CN
- China
- Prior art keywords
- node
- parameters
- milk
- monitoring
- information
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 89
- 235000013365 dairy product Nutrition 0.000 title claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 85
- 230000005540 biological transmission Effects 0.000 claims abstract description 37
- 238000013468 resource allocation Methods 0.000 claims abstract description 12
- 235000013336 milk Nutrition 0.000 claims description 207
- 239000008267 milk Substances 0.000 claims description 207
- 210000004080 milk Anatomy 0.000 claims description 207
- 238000012544 monitoring process Methods 0.000 claims description 121
- 238000001914 filtration Methods 0.000 claims description 36
- 238000012384 transportation and delivery Methods 0.000 claims description 36
- 238000003860 storage Methods 0.000 claims description 33
- 238000001514 detection method Methods 0.000 claims description 29
- 238000001816 cooling Methods 0.000 claims description 28
- 230000001954 sterilising effect Effects 0.000 claims description 26
- 238000004659 sterilization and disinfection Methods 0.000 claims description 25
- 238000005057 refrigeration Methods 0.000 claims description 22
- 238000009924 canning Methods 0.000 claims description 19
- 239000003344 environmental pollutant Substances 0.000 claims description 17
- 238000000265 homogenisation Methods 0.000 claims description 17
- 231100000719 pollutant Toxicity 0.000 claims description 17
- 238000012806 monitoring device Methods 0.000 claims description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 238000009395 breeding Methods 0.000 claims description 11
- 230000001488 breeding effect Effects 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000001934 delay Effects 0.000 claims description 6
- 235000015097 nutrients Nutrition 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 239000012535 impurity Substances 0.000 claims description 5
- 241000894006 Bacteria Species 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000004806 packaging method and process Methods 0.000 claims description 4
- 230000003749 cleanliness Effects 0.000 claims description 3
- 235000021243 milk fat Nutrition 0.000 claims description 3
- 235000021049 nutrient content Nutrition 0.000 claims description 3
- 239000002994 raw material Substances 0.000 claims description 3
- 238000005507 spraying Methods 0.000 claims description 3
- 235000020202 standardised milk Nutrition 0.000 claims description 3
- 241000283690 Bos taurus Species 0.000 claims 1
- 238000007726 management method Methods 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 13
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 12
- 235000013305 food Nutrition 0.000 description 12
- 229910001385 heavy metal Inorganic materials 0.000 description 11
- 239000000575 pesticide Substances 0.000 description 9
- 239000000273 veterinary drug Substances 0.000 description 9
- 239000007787 solid Substances 0.000 description 8
- GUBGYTABKSRVRQ-QKKXKWKRSA-N Lactose Natural products OC[C@H]1O[C@@H](O[C@H]2[C@H](O)[C@@H](O)C(O)O[C@@H]2CO)[C@H](O)[C@@H](O)[C@H]1O GUBGYTABKSRVRQ-QKKXKWKRSA-N 0.000 description 7
- 239000002956 ash Substances 0.000 description 7
- 235000013861 fat-free Nutrition 0.000 description 7
- 238000007710 freezing Methods 0.000 description 7
- 230000008014 freezing Effects 0.000 description 7
- JLYXXMFPNIAWKQ-GNIYUCBRSA-N gamma-hexachlorocyclohexane Chemical compound Cl[C@H]1[C@H](Cl)[C@@H](Cl)[C@@H](Cl)[C@H](Cl)[C@H]1Cl JLYXXMFPNIAWKQ-GNIYUCBRSA-N 0.000 description 7
- 239000008101 lactose Substances 0.000 description 7
- 229960002809 lindane Drugs 0.000 description 7
- 108090000623 proteins and genes Proteins 0.000 description 7
- 102000004169 proteins and genes Human genes 0.000 description 7
- 229910052793 cadmium Inorganic materials 0.000 description 6
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 description 6
- 229910002092 carbon dioxide Inorganic materials 0.000 description 6
- 229930195730 Aflatoxin Natural products 0.000 description 5
- 231100000678 Mycotoxin Toxicity 0.000 description 5
- 239000005409 aflatoxin Substances 0.000 description 5
- CYDMQBQPVICBEU-UHFFFAOYSA-N chlorotetracycline Natural products C1=CC(Cl)=C2C(O)(C)C3CC4C(N(C)C)C(O)=C(C(N)=O)C(=O)C4(O)C(O)=C3C(=O)C2=C1O CYDMQBQPVICBEU-UHFFFAOYSA-N 0.000 description 5
- CYDMQBQPVICBEU-XRNKAMNCSA-N chlortetracycline Chemical compound C1=CC(Cl)=C2[C@](O)(C)[C@H]3C[C@H]4[C@H](N(C)C)C(O)=C(C(N)=O)C(=O)[C@@]4(O)C(O)=C3C(=O)C2=C1O CYDMQBQPVICBEU-XRNKAMNCSA-N 0.000 description 5
- 229960004475 chlortetracycline Drugs 0.000 description 5
- 235000019365 chlortetracycline Nutrition 0.000 description 5
- 239000002636 mycotoxin Substances 0.000 description 5
- 239000003053 toxin Substances 0.000 description 5
- 231100000765 toxin Toxicity 0.000 description 5
- 108700012359 toxins Proteins 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- XWIYFDMXXLINPU-UHFFFAOYSA-N Aflatoxin G Chemical compound O=C1OCCC2=C1C(=O)OC1=C2C(OC)=CC2=C1C1C=COC1O2 XWIYFDMXXLINPU-UHFFFAOYSA-N 0.000 description 4
- FMMWHPNWAFZXNH-UHFFFAOYSA-N Benz[a]pyrene Chemical compound C1=C2C3=CC=CC=C3C=C(C=C3)C2=C2C3=CC=CC2=C1 FMMWHPNWAFZXNH-UHFFFAOYSA-N 0.000 description 4
- 239000004099 Chlortetracycline Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000001569 carbon dioxide Substances 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 241000238631 Hexapoda Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 241000699670 Mus sp. Species 0.000 description 2
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 2
- 210000003423 ankle Anatomy 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 210000003127 knee Anatomy 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 239000000447 pesticide residue Substances 0.000 description 2
- 231100000279 safety data Toxicity 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- YVGGHNCTFXOJCH-UHFFFAOYSA-N DDT Chemical compound C1=CC(Cl)=CC=C1C(C(Cl)(Cl)Cl)C1=CC=C(Cl)C=C1 YVGGHNCTFXOJCH-UHFFFAOYSA-N 0.000 description 1
- 241000699666 Mus <mouse, genus> Species 0.000 description 1
- 206010039101 Rhinorrhoea Diseases 0.000 description 1
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 229910052785 arsenic Inorganic materials 0.000 description 1
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 description 1
- 229910052797 bismuth Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229910052804 chromium Inorganic materials 0.000 description 1
- 239000011651 chromium Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000009365 direct transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000855 fermentation Methods 0.000 description 1
- 230000004151 fermentation Effects 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000011133 lead Substances 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 208000010753 nasal discharge Diseases 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 238000009928 pasteurization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
- 239000011701 zinc Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device
-
- 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
- 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
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种奶品全链条生产信息智能检测上传系统及方法，该方法包括：采集多个节点参数；根据节点参数对应的数据量和边缘服务器对应分配的计算资源，确定传输时延和处理时延；将传输时延和处理时延相加，得到每个节点参数对应的总体时延；根据总体时延和平均总时延之差，确定每个所述节点参数对应的平均总时延偏差；在满足多个约束条件的情况下，求解使平均总时延偏差之和最小的带宽分配方案和计算资源分配方案；根据上传任务中的每个节点参数进行数据处理，生成对应的溯源信息；根据节点参数，生成对应的预警信息下发至生产节点。本发明利用目标优化对节点参数的上传进行有效排序，达到快速有效的信息管理和准确的信息溯源。
Description
技术领域
本发明涉及农业信息技术领域，尤其涉及一种奶品全链条生产信息智能检测上传系统及方法。
背景技术
奶品作为是中国大部分地区人民的主要食品，其生产出品的产量和质量对国民都至关重要。现有奶品生产的产业链包括养殖、收储、加工、流通四个节点，其中，每个节点都会影响出产奶品的产量和质量。现有技术中，往往分别对出产奶品的某个节点或者某个生产因素进行监测，监测形式和监测内容单一，不能完全对整个产业链进行全面的监测和判断。除此之外，现有技术中采用传统的数据处理方式对监测信息进行处理，数据处理过程缺乏高效性和快速性。因而，如何对奶品生产的产业链进行高效全面的监测是亟待解决的问题。
发明内容
有鉴于此，有必要提供一种奶品全链条生产信息智能检测上传系统及方法，用以解决如何对奶品生产的产业链进行高效全面的监测的问题。
本发明提供一种奶品全链条生产信息智能检测上传系统，包括：
节点参数采集装置，用于采集多个节点参数，其中，所述节点参数包括在奶品生产过程中每个生产节点设置的传感器对应监测的参数；
边缘服务器，用于根据每个所述节点参数对应的数据量和所述边缘服务器对应分配的计算资源，确定传输时延和处理时延；还用于将所述传输时延和所述处理时延相加，得到每个所述节点参数对应的总体时延；还用于根据所述总体时延和平均总时延之差，确定每个所述节点参数对应的平均总时延偏差，其中，所述平均总时延为所有所述总体时延的平均值；还用于在满足多个约束条件的情况下，求解使所有所述平均总时延偏差之和最小的信道资源分配方案和计算资源分配方案，并进行所述节点参数的上传；
云平台，用于根据所述边缘服务器上传的所述上传任务中的每个所述节点参数进行数据处理，生成对应的溯源信息，用于记录奶品生产全链条信息；还用于根据所述节点参数，确定存在风险的所述生产节点，并生成对应的预警信息下发至所述生产节点。
进一步地，所述养殖节点参数依次包括饲喂参数、挤奶参数以及收奶参数，所述养殖节点监测设备包括：
饲喂监测设备，用于监测所述饲喂参数，以反馈饲喂过程中的养殖情况，其中，所述饲喂参数包括饲料污染物含量、饲养水质质量、养殖场环境质量中的至少一种；
挤奶监测设备，用于监测所述挤奶参数，以反馈挤奶过程中的奶品情况和环境情况，其中，所述挤奶参数包括养殖场环境质量、奶牛健康状况、环境清洁度中的至少一种；
收奶监测设备，用于监测所述收奶参数，以反馈收奶过程中的奶品情况，其中，所述收奶参数包括奶品营养成分、奶品污染物含量中的至少一种。
进一步地，所述收储节点参数包括入库参数、冷藏参数、出库参数，所述收储节点监测设备包括：
入库监测设备，用于监测所述入库参数，以反馈入库过程中的奶品情况，其中，所述入库参数包括入库奶品营养成分、入库奶品污染物含量中的至少一种；
冷藏监测设备，用于监测所述冷藏参数，以反馈冷藏过程中的奶品情况，其中，所述冷藏参数包括冷藏环境温湿度、冷藏操作图像中的至少一种；
出库监测设备，用于监测所述出库参数，以反馈出库过程中的奶品情况，其中，所述出库参数包括出库奶品营养成分、出库奶品污染物含量中的至少一种。
进一步地，所述加工节点参数依次包括接收参数、过滤参数、标准化参数、均质参数、杀菌参数、冷却参数以及罐装参数，所述加工节点监测设备包括：
接收监测设备，用于监测所述接收参数，以反馈加工过程中接收时的奶品的质量和接收时的操作规范，其中，所述原料接收参数包括接收奶品质量、接收操作图像的至少一种；
过滤监测设备，用于监测所述过滤参数，以反馈过滤过程中奶品质量和过滤时的操作规范，其中，所述过滤参数包括奶品杂质总量、奶品过滤率、过滤操作图像中的至少一种；
标准化监测设备，用于监测所述标准化参数，以反馈标准化奶品的质量和标准化操作规范，其中，所述标准化参数包括奶品含脂率、标准化操作图像中的至少一种；
均质监测设备，用于监测所述均质参数，以反馈均质过程中的操作规范，其中，所述均质参数包括奶品脂肪破碎率、均质操作图像中的至少一种；
杀菌监测设备，用于监测所述杀菌参数，以反馈杀菌过程中的奶品质量和操作规范，其中，所述杀菌参数包括杀菌时间、杀菌温度、奶品细菌总数、杀菌操作图像中的至少一种；
冷却监测设备，用于监测所述冷却参数，以反馈冷却过程中的操作规范，其中，所述冷却参数包括降温速度、降温功率、冷却操作图像中的至少一种；
罐装监测设备，用于监测所述罐装参数，以反馈罐装过程中的操作规范，其中，所述罐装参数包括喷码速率、包装速率、罐装操作图像中的至少一种。
进一步地，所述流通节点参数包括进货交接参数、运输参数以及下货参数，所述流通节点监测设备包括：
进货交接监测设备，用于监测所述进货交接参数，以反馈进货交接的操作规范，其中，所述进货交接参数包括交接奶品质量、交接操作图像的至少一种；
运输过程监测设备，用于监测所述运输参数，以反馈运输的操作规范，其中，所述运输参数包括运输车辆存储空间的温湿度、运输时间、运输轨迹、运输人员信息、运输图像中的至少一种；
下货监测设备，用于监测所述下货参数，以反馈下货的操作规范，其中，所述下货参数包括下货时奶品质量、下货操作图像的至少一种。
进一步地，所述食品安全大数据平台包括大数据采集模块、大数据汇集模块、大数据整理模块、大数据分析模块、大数据展示模块、大数据应用模块、大数据服务模块。
本发明还提供一种奶品全链条生产信息智能检测上传方法，基于如上所述的奶品全链条生产信息智能检测上传系统，所述奶品全链条生产信息智能检测上传方法包括：
采集多个节点参数，其中，所述节点参数包括在奶品生产过程中每个生产节点设置的传感器对应监测的参数；
根据每个所述节点参数对应的数据量和所述边缘服务器对应分配的计算资源，确定传输时延和处理时延；将所述传输时延和所述处理时延相加，得到每个所述节点参数对应的总体时延；根据所述总体时延和平均总时延之差，确定每个所述节点参数对应的平均总时延偏差，其中，所述平均总时延为所有所述总体时延的平均值；在满足多个约束条件的情况下，求解使所有所述平均总时延偏差之和最小的带宽分配方案和计算资源分配方案，并进行所述节点参数的上传；
根据所述边缘服务器上传的所述上传任务中的每个所述节点参数进行数据处理，生成对应的溯源信息，用于记录奶品生产全链条信息；根据所述节点参数，确定存在风险的所述生产节点，并生成对应的预警信息下发至所述生产节点。
进一步地，所述多个约束条件包括第一约束条件和第二约束条件，其中，所述第一约束条件为每个所述节点参数对应分配的带宽小于数据传输的总带宽；所述第二约束条件为每个所述节点参数对应分配的计算资源小于所述边缘服务器的总计算资源。
进一步地，当所述节点参数的形式为数值参数时，对应的数据处理过程包括：
获取所述数值；
将所述数值参数与预存的数据标准库进行对比；
若出现的数据偏差超过预设范围，则生成对应的节点预警信息；
可视化所述节点预警信息，并将所述节点预警信息下发至对应节点现场，触发对应节点现场的报警器，以提醒相关工作人员及时处理
进一步地，当所述节点参数的形式为操作图像时，对应的数据处理过程包括：
获取所述操作图像；
将所述操作图像作为训练完备的深度学习网络模型的输入，输出对应的操作分类标签；
若所述操作分类标签为异常操作，则生成对应的节点预警信息；
可视化所述节点预警信息，并将所述节点预警信息下发至对应节点现场，触发对应节点现场的报警器，以提醒相关工作人员及时处理。
进一步地，还包括：
根据所述养殖节点参数、所述收储节点参数、所述加工节点参数以及所述流通节点参数，生成对应的第一烧录信息；
根据奶品代码、奶品生产企业、奶品生产产地、奶品生产日期，生成对应的第二烧录信息；
根据所述第一烧录信息和所述第二烧录信息，对RFID电子标签进行烧录，对应于不同的奶品，用于消费者的自主查询。
进一步地，将每个生产节点对应的所述操作图像通过边缘服务器转为上传任务，上传至云平台进行识别处理。
与现有技术相比，本发明的有益效果包括：首先，对奶品生产过程中每个生产节点的节点参数进行全面有效的采集；然后，利用每个待上传的节点参数的数据量和对应分配的计算资源，分别确定传输时延和处理时延，进而得到每个节点参数对应的总时延，并计算总时延和平均总时延的偏差，为了保证整体数据传输的可靠性和有效性，搜寻求解使平均总时延偏差之和最小的宽带资源分配方案和计算资源分配方案；最后，云平台根据上传的节点参数进行数据处理，生成对应的溯源信息和预警信息，以此达到对整个生产链全面高校的监控。综上，本发明全面采集节点产业链上每个节点的信息，使整体的平均总时延偏差最小，从而进行资源分配，从而使整体资源利用最优，通过边缘管理器对每个节点参数的上传进行有效排序，并将多种节点参数通过云平台进行数据处理，达到有效的信息管理和信息溯源，保障了奶品生产的安全性，保证对监控过程中的各个节点参数的快速处理，进一步实现了奶品生产监控的高效性和准确性，有助于进行及时的反馈和预警，提高了奶品生产的安全性，除此之外，使所有任务传输时延接近平均时延，传输时延均方差较小，能够同时快速传输所有任务，具有良好的同步性。
附图说明
图1为本发明提供的奶奶品全链条生产信息智能检测上传系统的结构示意图；
图2为本发明提供的奶品全链条生产信息智能检测上传方法的流程示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
实施例1
本发明实施例提供了一种奶品全链条生产信息智能检测上传系统，结合图1来看，图1为本发明提供的奶品全链条生产信息智能检测上传系统的结构示意图，上述奶品全链条生产信息智能检测上传系统包括：
节点参数采集装置1，用于采集多个节点参数，其中，所述节点参数包括在奶品生产过程中每个生产节点设置的传感器对应监测的参数；
边缘服务器2，用于根据每个所述节点参数对应的数据量和所述边缘服务器对应分配的计算资源，确定传输时延和处理时延；还用于将所述传输时延和所述处理时延相加，得到每个所述节点参数对应的总体时延；还用于根据所述总体时延和平均总时延之差，确定每个所述节点参数对应的平均总时延偏差，其中，所述平均总时延为所有所述总体时延的平均值；还用于在满足多个约束条件的情况下，求解使所有所述平均总时延偏差之和最小的信道资源分配方案和计算资源分配方案，并进行所述节点参数的上传；
云平台3，用于根据所述边缘服务器上传的所述上传任务中的每个所述节点参数进行数据处理，生成对应的溯源信息，用于记录奶品生产全链条信息；还用于根据所述节点参数，确定存在风险的所述生产节点，并生成对应的预警信息下发至所述生产节点。
在本发明实施例中，通过设置节点参数采集装置，对奶品生产过程中每个生产节点的节点参数进行全面有效的采集；通过设置边缘服务器，利用每个待上传的节点参数的数据量和对应分配的计算资源，分别确定传输时延和处理时延，进而得到每个节点参数对应的总时延，并计算总时延和平均总时延的偏差，为了保证整体数据传输的可靠性和有效性，搜寻求解使平均总时延偏差之和最小的宽带资源分配方案和计算资源分配方案；通过设置云平台，云平台根据上传的节点参数进行数据处理，生成对应的溯源信息和预警信息，以此达到对整个生产链全面高校的监控。
优选地，所述养殖节点参数依次包括饲喂参数、挤奶参数以及收奶参数，所述养殖节点监测设备包括：
饲喂监测设备，用于监测所述饲喂参数，以反馈饲喂过程中的养殖情况，其中，所述饲喂参数包括饲料污染物含量、饲养水质质量、养殖场环境质量中的至少一种；
挤奶监测设备，用于监测所述挤奶参数，以反馈挤奶过程中的奶品情况和环境情况，其中，所述挤奶参数包括养殖场环境质量、奶牛健康状况、环境清洁度中的至少一种；
收奶监测设备，用于监测所述收奶参数，以反馈收奶过程中的奶品情况，其中，所述收奶参数包括奶品营养成分、奶品污染物含量中的至少一种。
作为具体实施例，本发明实施例设置养殖节点及其对应的子节点，从源头上保证奶品的质量。
需要说明的是，养殖节点包括饲喂，挤奶，产奶等子节点。饲喂子节点使用UL120BC牛奶分析仪对奶品质量进行检测，测量奶品的脂肪、蛋白质、非脂乳固体、乳糖、灰份、密度、冰点、含水率、pH 值、电导率、温度，使用重金属检测仪检测镉、汞、砷、铅、铬、铜、镍、锌，使用气相色谱仪检测六六六总量、滴滴涕总量、苯并[a]芘，使用水质监测系统检测水温、水生化需氧量(BOD5)、化学需氧量 (CODCr)，使用气象检测系统检测养殖场温度，湿度，光照强度，风速等。挤奶子节点使用视频监测仪监测挤奶情况，使用气象检测系统检测养殖场温度，湿度，光照强度，风速等。收奶子节点使用视频监测仪监测收奶情况，如收奶量，收奶速度等，用水质监测系统和环境监测系统检测养殖过程中环境因素，测量水体BOD5、CODCr、悬浮物、水温、pH值、温度、湿度、风速、日照等。使用UL120BC 牛奶分析仪对奶品质量进行检测，测量奶品的脂肪、蛋白质、非脂乳固体、乳糖、灰份、密度、冰点、含水率、pH值、电导率、温度，使用气象检测系统检测养殖场温度，湿度，光照强度，风速等。使用气相色谱仪检测六六六总量、滴滴涕总量、苯并[a]芘。
优选地，所述收储节点参数包括入库参数、冷藏参数、出库参数，所述收储节点监测设备包括：
入库监测设备，用于监测所述入库参数，以反馈入库过程中的奶品情况，其中，所述入库参数包括入库奶品营养成分、入库奶品污染物含量中的至少一种；
冷藏监测设备，用于监测所述冷藏参数，以反馈冷藏过程中的奶品情况，其中，所述冷藏参数包括冷藏环境温湿度、冷藏操作图像中的至少一种；
出库监测设备，用于监测所述出库参数，以反馈出库过程中的奶品情况，其中，所述出库参数包括出库奶品营养成分、出库奶品污染物含量中的至少一种。
作为具体实施例，本发明实施例设置收储节点及其对应的子节点，从收储过程上保证奶品的质量。
需要说明的是，收储节点包括入库、冷藏和出库等子节点。入库子节点使牛奶分析仪检测脂肪、蛋白质、非脂乳固体、乳糖、灰份、密度、冰点、含水率、pH值、电导率、温度，检测奶品的品质，使用重金属快速检测系统检测重金属污染物(如镉)，使用真菌毒素快检系统检测毒素(如黄曲霉毒素)，使用农兽药残留快速检测仪检测农兽药残留(如六六六、金霉素)。
冷藏子节点使用视频监测仪监测仓库内存放情况，是否有其他生物(如老鼠、虫子)，使用PM2.5监测仓库内灰尘含量，使用电子鼻监测库内霉味和气体(CO2,PH3)，使用温湿度传感器监测仓库温湿度，保证仓储环境适宜。出库子节点使用牛奶分析仪检测脂肪、蛋白质、非脂乳固体、乳糖、灰份、密度、冰点、含水率、pH值、电导率、温度，检测奶品的品质，使用重金属快速检测系统检测重金属污染物 (如镉)，使用真菌毒素快检系统检测毒素(如黄曲霉毒素)，使用农兽药残留快速检测仪检测农兽药残留(如六六六、金霉素)。
其中，在收储节点进行奶品接收时，使用UL120BC牛奶分析仪对奶品质量进行检测，根据绿色食品乳制品农业行业标准(NY/T 657-2012)，对奶品的色泽、滋味、气味、组织状态等指标进行检测，根据GB 2763要求对农兽药残留进行检验，对收入的奶品的质量进行检测，并上传到食品安全大数据平台，防止在收奶检验完后到收储入库时的意外污染，确保收入仓库的奶品质量优良，保证奶品在接收子节点的食品安全性。
其中，仓库监测系统主要用于储存子节点，目的是对仓库环境进行监测，如对仓库温湿度、粉尘、二氧化碳、鼠害、虫害等进行实时监测，并将检测数据上传到食品安全大数据平台，同时将分析处理结果反馈到仓库监测系统，对仓库温湿度进行调节，如通风、降温等，如果出现鼠害、虫害，系统会自动报警并保存报警记录，同时提示工作人员进行及时处理，确保奶品处于适宜的仓储环境，避免奶品质量在储存子节点发生劣变，减少外界环境对奶品的污染，进一步保证奶品的食品安全。仓库监测系统包括视频监测仪、电子鼻、温湿度传感器、PM2.5传感器、二氧化碳传感器等，温湿度传感器检测仓库内部温湿度，保证奶品处于适宜温湿度环境。视频检测仪监测是否有其他生物(老鼠或虫子)，进行AI智能分析，发现有老鼠通知管理人员，进行抓捕处置，对管理人员进行监管，防止偷卖倒卖。电子鼻检测奶品的异味(CO2,PH3)，电子鼻检测到异味，说明奶品被污染变质，出现问题，发出警报，通知管理人员及时处理，二氧化碳传感器监测二氧化碳浓度。PM2.5主要对仓库环境的灰尘含量进行检测，保证仓库内空气整洁干净。
其中，在收储节点出库子节点，进行奶品出库时，使用牛奶分析仪对奶品质量进行检测，根据绿色食品乳制品农业行业标准(NY/T 657-2012)，对奶品的新鲜度、状态、色泽气味等指标进行检测，根据GB 2763要求对农药残留进行检验，对出库的奶品的质量进行检测，并上传到食品安全大数据平台，与入库子节点的奶品质量数据进行对比，确认奶品质量变化不大，方可出库，如果出现奶品质量安全问题，如某危害因子超标，调查仓库监测系统记录，查明原因并及时处理问题，确保出库时奶品处于优良质量，保证奶品的食品安全。
优选地，所述加工节点参数依次包括接收参数、过滤参数、标准化参数、均质参数、杀菌参数、冷却参数以及罐装参数，所述加工节点监测设备包括：
接收监测设备，用于监测所述接收参数，以反馈加工过程中接收时的奶品的质量和接收时的操作规范，其中，所述原料接收参数包括接收奶品质量、接收操作图像的至少一种；
过滤监测设备，用于监测所述过滤参数，以反馈过滤过程中奶品质量和过滤时的操作规范，其中，所述过滤参数包括奶品杂质总量、奶品过滤率、过滤操作图像中的至少一种；
标准化监测设备，用于监测所述标准化参数，以反馈标准化奶品的质量和标准化操作规范，其中，所述标准化参数包括奶品含脂率、标准化操作图像中的至少一种；
均质监测设备，用于监测所述均质参数，以反馈均质过程中的操作规范，其中，所述均质参数包括奶品脂肪破碎率、均质操作图像中的至少一种；
杀菌监测设备，用于监测所述杀菌参数，以反馈杀菌过程中的奶品质量和操作规范，其中，所述杀菌参数包括杀菌时间、杀菌温度、奶品细菌总数、杀菌操作图像中的至少一种；
冷却监测设备，用于监测所述冷却参数，以反馈冷却过程中的操作规范，其中，所述冷却参数包括降温速度、降温功率、冷却操作图像中的至少一种；
罐装监测设备，用于监测所述罐装参数，以反馈罐装过程中的操作规范，其中，所述罐装参数包括喷码速率、包装速率、罐装操作图像中的至少一种。
作为具体实施例，本发明实施例设置加工节点及其对应的子节点，从加工过程上保证奶品的质量。
需要说明的是，加工节点包括接收，过滤，标准化，均质，杀菌，冷却，罐装等子节点。接收子节点牛奶分析仪检测脂肪、蛋白质、非脂乳固体、乳糖、灰份、密度、冰点、含水率、pH值、电导率温度，检测奶品的品质，使用重金属快速检测系统检测重金属污染物(如镉)，使用真菌毒素快检系统检测毒素(如黄曲霉毒素)，使用农兽药残留快速检测仪检测农兽药残留(如六六六、金霉素)。过滤子节点使用牛奶过滤设备去除奶品中的杂质，检测杂质总量，使用视频监测仪监测操作人员操作规范。标准化子节点使用利乐标准化设备检测含脂量，达到规定的成品的脂肪含量，使用视频监测仪监测操作人员操作规范。均质子节点使用均质机进行均质，使脂肪和乳中的各种固体物质均匀的分散在乳中。使用视频监测仪监测操作人员操作规范。杀菌子节点使用巴氏杀菌机对奶品进行杀菌消毒，使用视频监测仪监测操作人员操作规范。冷却子节点使用牛奶冷却罐进行冷却降温，以避免因温度过高而导致牛奶中细菌滋生、发酵变质。使用视频监测仪监测操作人员操作规范。罐装子节点使用视频监测仪监测操作人员操作规范和包装效果
优选地，所述流通节点参数包括进货交接参数、运输参数以及下货参数，所述流通节点监测设备包括：
进货交接监测设备，用于监测所述进货交接参数，以反馈进货交接的操作规范，其中，所述进货交接参数包括交接奶品质量、交接操作图像的至少一种；
运输过程监测设备，用于监测所述运输参数，以反馈运输的操作规范，其中，所述运输参数包括运输车辆存储空间的温湿度、运输时间、运输轨迹、运输人员信息、运输图像中的至少一种；
下货监测设备，用于监测下货参数，以反馈下货的操作规范，其中，下货参数包括下货时奶品质量、下货操作图像的至少一种。
作为具体实施例，本发明实施例设置流通节点及其对应的子节点，从流通过程上保证奶品的质量。
需要说明的是，流通节点包括进货，运输和下货节点。进货子节点使用RFID记录节点代码及奶品生产全链条食品安全数据，使用牛奶分析仪检测脂肪、蛋白质、非脂乳固体、乳糖、灰份、密度、冰点、含水率、pH值、电导率温度等指标，使用重金属快速检测系统检测重金属污染物(如镉)，使用真菌毒素快检系统检测毒素(黄曲霉毒素)，使用农兽药残留快速检测仪检测农兽药残留(如六六六、金霉素)，保证成品的品质，并上传到食品安全大数据平台，与加工成品子节点数据以及国家标准数据对比，如果产品符合质量与食品安全要求，即可进入下一个运输子节点。运输子节点使用北斗导航记录运输路线和轨迹以及运输的时间，实现对运输过程的跟踪定位。下货监测设备使用牛奶分析仪检测脂肪、蛋白质、非脂乳固体、乳糖、灰份、密度、冰点、含水率、pH值、电导率温度等指标，使用重金属快速检测系统检测重金属污染物(如镉)，使用真菌毒素快检系统检测毒素(如黄曲霉毒素)，使用农兽药残留快速检测仪检测农兽药残留(如六六六、金霉素)，保证运输过后奶品的品质。
优选地，云平台包括大数据采集模块、大数据汇集模块、大数据整理模块、大数据分析模块、大数据展示模块、大数据应用模块、大数据服务模块。作为具体实施例，本发明实施例设置食品安全大数据平台，采取多种大数据处理的方式，对各个节点的监测数据进行处理，分析每个环节的状态，以便对各个环节进行有效的预警。
优选地，大数据应用模块包括风险分析单元，其中：
风险分析单元，用于将多个养殖节点参数、多个收储节点参数、多个加工节点参数以及多个流通节点参数分别与对应的预存参数指标库进行对比，并根据参数对比结果进行预警。作为具体实施例，本发明实施例设置风险分析单元，对监测参数进行有效的比对处理，以此快速定位异常状态，进行有效的预警，保证奶品生产每个环节的安全性。
优选地，多个加工节点参数包括操作图像，风险分析单元具体用于将操作图像与对应的预存操作图像标准库进行匹配，若不匹配，则进行预警。作为具体实施例，本发明实施例采用图像识别的方式，利用深度学习、模式识别等数据处理方式，识别操作不规范的场景，防止操作人员的误操作对奶品品质带来的损害。
优选地，获取节点参数后(包括养殖节点参数、收储节点参数、加工节点参数、流通节点参数)，在加工节点，将所有节点参数烧录至RFID标签，当消费者扫描RFID标签时，通过数据转换，即可全面得到养殖节点、收储节点、加工节点、流通节点的全链条生产信息。可以理解的是，本发明同样可以利用所有节点参数生成对应的二维码信息，其实现功能与RFID标签一致，在此不再赘述。
实施例2
本发明实施例提供了一种基于物联网的奶品生产信息智能上传方法，结合图2来看，图2为本发明提供的基于物联网的奶品生产信息智能上传方法的流程示意图，上述基于物联网的奶品生产信息智能上传方法包括步骤S1至步骤S3，其中：
在步骤S1中，采集多个节点参数，其中，所述节点参数包括在奶品生产过程中每个生产节点设置的传感器对应监测的参数；
在步骤S2中，根据每个所述节点参数对应的数据量和所述边缘服务器对应分配的计算资源，确定传输时延和处理时延；将所述传输时延和所述处理时延相加，得到每个所述节点参数对应的总体时延；根据所述总体时延和平均总时延之差，确定每个所述节点参数对应的平均总时延偏差，其中，所述平均总时延为所有所述总体时延的平均值；在满足多个约束条件的情况下，求解使所有所述平均总时延偏差之和最小的带宽分配方案和计算资源分配方案，并进行所述节点参数的上传；
在步骤S3中，根据所述边缘服务器上传的所述上传任务中的每个所述节点参数进行数据处理，生成对应的溯源信息，用于记录奶品生产全链条信息；根据所述节点参数，确定存在风险的所述生产节点，并生成对应的预警信息下发至所述生产节点。
在本发明实施例中，首先，对奶品生产过程中每个生产节点的节点参数进行全面有效的采集；然后，利用每个待上传的节点参数的数据量和对应分配的计算资源，分别确定传输时延和处理时延，进而得到每个节点参数对应的总时延，并计算总时延和平均总时延的偏差，为了保证整体数据传输的可靠性和有效性，搜寻求解使平均总时延偏差之和最小的宽带资源分配方案和计算资源分配方案；最后，云平台根据上传的节点参数进行数据处理，生成对应的溯源信息和预警信息，以此达到对整个生产链全面高效监控。
优选地，所述多个约束条件包括第一约束条件和第二约束条件，其中，所述第一约束条件为每个所述节点参数对应分配的带宽小于数据传输的总带宽；所述第二约束条件为每个所述节点参数对应分配的计算资源小于所述边缘服务器的总计算资源。作为具体实施例，本发明实施例设置对应的约束条件，以便后续的求解。
在本发明一个具体的实施例中，将各节点采集的数据传输到边缘服务器，采用边缘计算方法来对带宽及传输总时延进行优化，具体步骤如下：
按照设置的采样频率采集数据，并按照设置的时间间隔将采集的数据上传到边缘服务器，每个传感器每上传一次数据，即为一个传输任务。
其中，计算涉及的概念与符号如下：
表1
首先，根据香农定理计算信道容量：
C＝Blog2(1+S/N)
其中，C为信道支持的最大速度或者叫信道容量，B是信道的带宽，S是平均信号功率，N是平均噪声功率；S/N即信噪比。
传输时延可以表示为：
其中，Di为任务i的数据量，Bi为任务i在传输过程中所获取的通信带宽，S为平均信号功率，即第i个任务所在的移动终端将任务 i发送至边缘服务器时提供的发射功率与发射所用信道的信道增益的乘积，N为信道内平均噪声功率。
处理时延可以表示为：
其中，Di为任务i的数据量，
为边缘服务器分配的计算能力。
总时延可以表示为：
其中，
为任务i的传输时延，
为任务i在边缘服务器上的处理时延。
平均总时延计算公式如下
其中，
为任务i的总时延，n为任务数量。
平均时延偏差计算公式如下：
其中，
为任务i的总时延，
为平均总时延。
采用目标规划，其模型为
目标为：
约束条件为：
其中，Bop，Eop分别是最优的传输信道资源和边缘服务器计算资源的最优分配方案，B为无线通信链路传输数据的总带宽，fE为边缘服务器计算能力。按照上面的方法，可以将每个节点通过物联网传感器采集的数据上传到边缘服务器。
优选地，当所述节点参数的形式为数值参数时，对应的数据处理过程包括：获取所述数值；将所述数值参数与预存的数据标准库进行对比；若出现的数据偏差超过预设范围，则生成对应的节点预警信息；可视化所述节点预警信息，并将所述节点预警信息下发至对应节点现场，触发对应节点现场的报警器，以提醒相关工作人员及时处理。作为具体实施例，本发明实施例实现对数值参数的有效预警。
优选地，当所述节点参数的形式为操作图像时，对应的数据处理过程包括：获取所述操作图像；将所述操作图像作为训练完备的深度学习网络模型的输入，输出对应的操作分类标签；若所述操作分类标签为异常操作，则生成对应的节点预警信息；可视化所述节点预警信息，并将所述节点预警信息下发至对应节点现场，触发对应节点现场的报警器，以提醒相关工作人员及时处理。作为具体实施例，本发明实施例实现对操作图像的有效预警。
优选地，上述方法还包括：
根据所述养殖节点参数、所述收储节点参数、所述加工节点参数以及所述流通节点参数，生成对应的第一烧录信息；
根据奶品代码、奶品生产企业、奶品生产产地、奶品生产日期，生成对应的第二烧录信息；
根据所述第一烧录信息和所述第二烧录信息，对RFID电子标签进行烧录，对应于不同的奶品，用于消费者的自主查询。
作为具体实施例，本发明实施例将出产奶品的生产信息转换为对应的RFID标签，通过RFID标签的设置便于消费者的直接的信息溯源。
优选地，本发明提供的操作视频流处理，包括步骤S001至步骤 S009，其中：
在步骤S001中，将操作视频流中划分为多个视频帧序列组，调用API算法，统计多个视频帧序列组对应的目标识别数；
在步骤S002中，根据边缘节点上传到云平台的时延、带宽以及目标识别数，确定帧过滤模型，并根据帧过滤模型，去除多余的视频帧序列组，确定第一帧序列组；
在步骤S003中，根据第一帧序列组的图像信息熵，提取出第一帧序列组中的关键帧，确定第二帧序列组；
在步骤S004中，根据多个第二帧序列组的目标识别数以及数据量进行分配虚拟机资源，确定第二帧序列组上传至云平台的上传顺序；
在步骤S005中，对第二帧序列组中的每帧图像进行人体姿态估计，确定多个关节点的位置坐标；
在步骤S006中，根据第二帧序列组中相邻两帧图像之间的相同关节点的位置坐标变化量，确定关节点距离变化量矩阵；
在步骤S007中，对第二帧序列组进行平均划分，将每一段视频中相邻两帧产生的关节点距离变化量进行矩阵相加，得到各段累计距离变化量矩阵作为第二帧序列组的特征向量；
在步骤S008中，将特征向量输入至训练完备的深度学习模型中进行分类，确定对应的操作规范指数；
在步骤S009中，将操作规范指数与对应的预存指标库进行对比，并根据对比结果，针对对应的加工节点。
作为具体实施例，本发明实施例获取加工节点监测设备中的操作视频流，利用边缘节点中的帧过滤模型、提取关键帧的操作，有效地避免了数据冗余，同时，设置边缘节点管理器根据加工节点的上传状态，进行有效的虚拟机资源分配，合理地规划出上传顺序，最后，云平台接收第二帧序列组，提取其中的特征向量，利用深度学习模型确定对应的操作是否规范，以此保证高效快速的数据处理和数据上传，及时监控加工过程，全面地提高了食品安全大数据平台数据上传、数据处理的快速性和高效性，实现了全面快速的预警和监控。
优选地，将每个生产节点对应的所述操作图像通过边缘服务器转为上传任务，上传至云平台进行识别处理。作为具体实施例，本发明实施例对操作图像进行有效上传。
在本发明一个具体的实施例中，多个加工节点参数包括加工过程中的操作视频流，其中：
加工节点参数对应的边缘节点，具体用于将操作视频流中划分为多个视频帧序列组，调用API算法，统计多个视频帧序列组对应的目标识别数；还用于根据边缘节点上传到云平台的时延、带宽以及目标识别数，确定帧过滤模型，并根据帧过滤模型，去除多余的视频帧序列组，确定第一帧序列组；还用于根据第一帧序列组的图像信息熵，提取出第一帧序列组中的关键帧，确定第二帧序列组；
边缘节点管理器，具体用于与多个边缘节点通信连接，用于根据多个第二帧序列组的目标识别数以及数据量进行分配虚拟机资源，确定第二帧序列组上传至云平台的上传顺序；
云平台，具体用于对第二帧序列组中的每帧图像进行人体姿态估计，确定多个关节点的位置坐标；还用于根据第二帧序列组中相邻两帧图像之间的相同关节点的位置坐标变化量，确定关节点距离变化量矩阵；还用于对第二帧序列组进行平均划分，将每一段视频中相邻两帧产生的关节点距离变化量进行矩阵相加，得到各段累计距离变化量矩阵作为第二帧序列组的特征向量；还用于将特征向量输入至训练完备的深度学习模型中进行分类，确定对应的操作规范指数。
在本发明一个具体的实施例中，分别设立4路摄像机，在成品子节点设立2路摄像机，一共24路摄像机。其中，24路摄像机进行加工过程全视频监测所需要的带宽与存储空间，包括摄像机向边缘节点传输视频数据的上行带宽，以及边缘节点接收视频数据的下行带宽，摄像机本地存储一个月的视频数据的存储空间，摄像机一个月清理一次视频数据，边缘节点的存储空间。
其中，使用边缘计算的方法上传24路摄像机的视频图像，流程如下：
第一步：在操作视频流中检测运动目标物体，对操作视频流的视频数据进行识别，判断是否存在运动目标，提取存在运动目标的提取视频片段，然后对提取到的提取视频数据进行下一步处理；
其中，采用三帧差分法，提取存在运动目标的视频片段，具体公式描述如下：
其中G(x，y)是g1(x，y)与g2(x，y)进行逻辑相与的结果，判断连续三帧图像发生变化，则说明存在运动目标，提取存在运动目标的视频片段。由此，在进行操作行为规范的识别前，需要识别是否存在运动目标，即操作人员，存在操作人员才有进一步进行操作行为规范识别的意义，通过帧差法，提取存在运动目标的视频片段，去除冗余的视频片段，将存在运动目标的视频片段进行下一步处理。
第二步：利用帧过滤模型进行预处理，其中，帧过滤模型的公式如下：
其中，Oi，s为视频流S中的第i帧的目标识别数，Dup为ECN上传视频帧数据量，Dmax为网络单位时间内允许传输最大数据量，td为任务完成时间，τd为完成该任务允许的最大处理时间，Te为S发送到云计算中心的总时延，Tc为直传云平台的时延。由此，在当前网络传输能力和总时延均满足条件后，ECN Controller分配上传通道，开始任务调度。其中，帧过滤主要是多路视频流数据冗余问题，在使用多路摄像机采集数据时，如果对所有视频数据进行处理，处理的时间会较长，且浪费资源，对于重复的视频内容，即不同的摄像机采集的同个场景内容，通过帧过滤，选取识别目标对象最多的视频，对该视频进行识别分析，以此减少数据处理的时间，解决视频数据冗余问题；
第三步：进行关键帧的提取，具体流程如下：
联合直方图表示两幅大小相同的图像Ii和Ii间其对应位置上像素对的灰度组合出现的频率。对于同为M×N的图像Ii(x，y)、Ii(x，y)，对应的像素值对(p,q)的联合概率表示为:
其中，
根据上式可知，对所有可能的像素值对(p,q)求F(p,q)值，可得到图像Ii(x，y)和Ii(x，y)的联合直方图.联合直方图对称性定义为：
其中，α是联合直方图对角线上的权值，在此为小于的正常量，而β＝(p-q)n则表示远离对角线元素的权重,公式中n为整数,δ更直观地表示出了两帧之间的相似性，当δ越趋近于1，则表示联合直方图越对称，即说明两图像相似越大，当目标快速出现、亮度等视频内容发生较为明显变化时，帧间相似性也发生相应变化，一般相邻帧间的相似性δ∈[0，1]，为避免关键帧的遗漏，设阈值T＝0.9。
根据监控视频连续的特性，在一段连续变化的视频序列中，连续的前后视频帧存在的特征值是渐变的，即相邻帧的图像信息值变化不大。图像的熵信息体现了图像包含的信息量，而关键帧则是一段视频主要内容的代表，因此关键帧所含的信息量也相对较大.为减少数据的冗余，本文提出在间隔较近的视频序列中选取图像的信息熵值最大的一帧作为关键帧.图像信息嫡的计算公式为：
式中：N指图像的灰度级数，xi表示像素(x,y)的灰度值，p(xi) 为各灰度级出现的概率。为防止提取的关键帧中由于光照变化等原因造成关键帧存在冗余，在相邻较近的候选帧中选取信息熵最大的一帧作为关键帧。间隔为20帧的非相邻帧间熵差则可明显地区分出来。由此，基于联合直方图将关键帧提取，关键候选帧序列间隔小于20 时，选取信息熵最大的一帧作为关键帧.这样得到的关键帧即可有效地反映连续视频序列的主要内容，又减少了数据的冗余。
第四步：进行任务调度，具体流程如下：
在ECN Controller分配上传通道后，ECN反馈上传视频帧的队列信息。不同网络环境下，ECN集群动态调整后上传的视频流参数各不相同，为了方便ECN Controller统一调度管理，将视频帧组的数据量表示为De,i。ECN平均识别目标数可以表示为：
其中，
为ECN平均识别目标数，De,i为视频帧组的数据量，BC为链路容量，Oi为第i帧的识别目标数。由此，ECN Controller对于每个上传任务的调度分配有了统一度量标准
在T时刻，集群中有N个ECN任务等待被调度，每个任务在r 轮调度后的完成时间记为ti，在截止期之前调度完成才能达到ECN上传任务的有效性，完成时间满足ti<τi，其中τi是第i个ECN上传任务的最晚完成时间。任务调度需考虑系统有限的可用资源，不能超过阈值，有
其中，r为调度的轮数，Di为第i帧数据量，Mt为任务调度资源的上限阈值；
在考虑系统资源的分配情况和ECN上传符合截止期的条件下，任务调度时间模型为：
其中，ti为调度后的完成时间，r为调度的轮数，Di为第i帧数据量，Mt为任务调度资源的上限阈值，τi为第i个ECN上传任务的最晚完成时间，由此，多路摄像机采集的视频流数据不能一起上传，需要分配好上传的资源与顺序，实现高效地传输。
第五步：进行操作行为识别，具体流程如下：
首先，提取视频中每帧人体关节点位置坐标：利用Open-pose方法对视频中每帧人体进行姿态估计，得到人体脖子、胸部、头部、右肩、左肩、右臀部、左臀部、右手肘、左手肘、右膝盖、左膝盖、右手腕、左手腕、右脚踝和左脚踝这15个关节点的位置坐标，其中第 k个关节点的坐标表示为Lk＝(xk，yk)，，k从1到15；
然后，对每个关节点的位置坐标进行归一化，用归一化之后的15 个关节点位置坐标构成坐标矩阵P，
，其中(xk，yk)表示第k个关节点归一化之后的坐标；
进而，计算相邻两帧人体关节点距离变化量矩阵：根据相邻两帧的坐标矩阵Pn和Pn-1，计算相邻两帧关节点位置坐标变化量矩阵，根据关节点位置坐标变化量矩阵计算关节点距离变化量矩阵D；
进而，生成视频特征，按照视频的时间长度将视频平均分成4段，将每一段视频中相邻两帧产生的距离变化量矩阵D相加，得到各段累计距离变化量矩阵Di，i从1到4，对Di进行L2归一化，得到归一化之后的Di′，将累计距离变化量矩阵Di′串联起来作为整个视频的特征：F＝[D1′，D2′，D3′，D4′]；
然后，使用神经网络对视频进行分类：将视频数据分成训练集和测试集两部分，将训练集视频的特征输入到神经网络中进行训练，得到训练好的神经网络分类模型，把测试集视频的特征输入到训练好的神经网络分类模型中得到分类结果。
优选地，对运动目标进行检测，当摄像机采集到运动物体的视频数据时，根据算法检测分析，判断是否存在运动目标，将存在运动目标的视频数据进行上传，而不用上传所有视频数据，仅上传存在运动目标物体的视频数据，以此减少传输的数据量和数据传输的时间，节省带宽。可在目标检测阶段，使用帧间差分法进行运动目标检测，由此，通过帧间的图像差分判断是否存在运动目标，运动目标检测提取存在运动目标的视频片段，不处理无用视频片段。
本发明公开了一种奶品全链条生产信息智能检测上传系统及方法，首先，对奶品生产过程中每个生产节点的节点参数进行全面有效的采集；然后，利用每个待上传的节点参数的数据量和对应分配的计算资源，分别确定传输时延和处理时延，进而得到每个节点参数对应的总时延，并计算总时延和平均总时延的偏差，为了保证整体数据传输的可靠性和有效性，搜寻求解使平均总时延偏差之和最小的宽带资源分配方案和计算资源分配方案；最后，云平台根据上传的节点参数进行数据处理，生成对应的溯源信息和预警信息，以此达到对整个生产链全面高校的监控。
本发明技术方案，全面采集节点产业链上每个节点的信息，使整体的平均总时延偏差最小，从而进行资源分配，从而使整体资源利用最优，通过边缘管理器对每个节点参数的上传进行有效排序，并将多种节点参数通过云平台进行数据处理，达到有效的信息管理和信息溯源，保障了奶品生产的安全性，保证对监控过程中的各个节点参数的快速处理，进一步实现了奶品生成监控的高效性和准确性，有助于进行及时的反馈和预警，提高了奶品生产的安全性，除此之外，使所有任务传输时延接近平均时延，传输时延均方差较小，能够同时快速传输所有任务，具有良好的同步性。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种奶品全链条生产信息智能检测上传系统，其特征在于，包括：
节点参数采集装置，用于采集多个节点参数，其中，所述节点参数包括在奶品生产过程中每个生产节点设置的传感器对应监测的参数；
边缘服务器，用于根据每个所述节点参数对应的数据量和所述边缘服务器对应分配的计算资源，确定传输时延和处理时延；还用于将所述传输时延和所述处理时延相加，得到每个所述节点参数对应的总体时延；还用于根据所述总体时延和平均总时延之差，确定每个所述节点参数对应的平均总时延偏差，其中，所述平均总时延为所有所述总体时延的平均值；还用于在满足多个约束条件的情况下，求解使所有所述平均总时延偏差之和最小的信道资源分配方案和计算资源分配方案，并进行所述节点参数的上传；
云平台，用于根据所述边缘服务器上传的所述上传任务中的每个所述节点参数进行数据处理，生成对应的溯源信息，用于记录奶品生产全链条信息；还用于根据所述节点参数，确定存在风险的所述生产节点，并生成对应的预警信息下发至所述生产节点。
2.根据权利要求1所述的奶品全链条生产信息智能检测上传系统，其特征在于，所述养殖节点参数依次包括饲喂参数、挤奶参数以及收奶参数，所述养殖节点监测设备包括：
饲喂监测设备，用于监测所述饲喂参数，以反馈饲喂过程中的养殖情况，其中，所述饲喂参数包括饲料污染物含量、饲养水质质量、养殖场环境质量中的至少一种；
挤奶监测设备，用于监测所述挤奶参数，以反馈挤奶过程中的奶品情况和环境情况，其中，所述挤奶参数包括奶牛健康状况、养殖场环境质量、环境清洁度中的至少一种；
收奶监测设备，用于监测所述收奶参数，以反馈收奶过程中的奶品情况，其中，所述收奶参数包括奶品营养成分、奶品污染物含量中的至少一种。
3.根据权利要求1所述的奶品全链条生产信息智能检测上传系统，其特征在于，所述收储节点参数包括入库参数、冷藏参数、出库参数，所述收储节点监测设备包括：
入库监测设备，用于监测所述入库参数，以反馈入库过程中的奶品情况，其中，所述入库参数包括入库奶品营养成分、入库奶品污染物含量中的至少一种；
冷藏监测设备，用于监测所述冷藏参数，以反馈冷藏过程中的奶品情况，其中，所述冷藏参数包括冷藏环境温湿度、冷藏操作图像中的至少一种；
出库监测设备，用于监测所述出库参数，以反馈出库过程中的奶品情况，其中，所述出库参数包括出库奶品营养成分、出库奶品污染物含量中的至少一种。
4.根据权利要求1所述的奶品全链条生产信息智能检测上传系统，其特征在于，所述加工节点参数依次包括接收参数、过滤参数、标准化参数、均质参数、杀菌参数、冷却参数以及罐装参数，所述加工节点监测设备包括：
接收监测设备，用于监测所述接收参数，以反馈加工过程中接收时的奶品的质量和接收时的操作规范，其中，所述原料接收参数包括接收奶品质量、接收操作图像的至少一种；
过滤监测设备，用于监测所述过滤参数，以反馈过滤过程中奶品质量和过滤时的操作规范，其中，所述过滤参数包括奶品杂质总量、奶品过滤率、过滤操作图像中的至少一种；
标准化监测设备，用于监测所述标准化参数，以反馈标准化奶品的质量和标准化操作规范，其中，所述标准化参数包括奶品含脂率、标准化操作图像中的至少一种；
均质监测设备，用于监测所述均质参数，以反馈均质过程中的操作规范，其中，所述均质参数包括奶品脂肪破碎率、均质操作图像中的至少一种；
杀菌监测设备，用于监测所述杀菌参数，以反馈杀菌过程中的奶品质量和操作规范，其中，所述杀菌参数包括杀菌时间、杀菌温度、奶品细菌总数、杀菌操作图像中的至少一种；
冷却监测设备，用于监测所述冷却参数，以反馈冷却过程中的操作规范，其中，所述冷却参数包括降温速度、降温功率、冷却操作图像中的至少一种；
罐装监测设备，用于监测所述罐装参数，以反馈罐装过程中的操作规范，其中，所述罐装参数包括喷码速率、包装速率、罐装操作图像中的至少一种。
5.根据权利要求1所述的奶品全链条生产信息智能检测上传系统，其特征在于，所述流通节点参数包括进货交接参数、运输参数以及下货参数，所述流通节点监测设备包括：
进货交接监测设备，用于监测所述进货交接参数，以反馈进货交接的操作规范，其中，所述进货交接参数包括交接奶品质量、交接操作图像的至少一种；
运输过程监测设备，用于监测所述运输参数，以反馈运输的操作规范，其中，所述运输参数包括运输车辆存储空间的温湿度、运输时间、运输轨迹、运输人员信息、运输图像中的至少一种；
下货监测设备，用于监测所述下货参数，以反馈下货的操作规范，其中，所述下货参数包括下货时奶品质量、下货操作图像的至少一种。
6.一种基于物联网的奶品生产信息智能检测上传方法，其特征在于，基于如权利要求1-5任一项所述的奶品全链条生产信息智能检测上传系统，所述基于物联网的奶品生产信息智能上传方法包括：
采集多个节点参数，其中，所述节点参数包括在奶品生产过程中每个生产节点设置的传感器对应监测的参数；
根据每个所述节点参数对应的数据量和所述边缘服务器对应分配的计算资源，确定传输时延和处理时延；将所述传输时延和所述处理时延相加，得到每个所述节点参数对应的总体时延；根据所述总体时延和平均总时延之差，确定每个所述节点参数对应的平均总时延偏差，其中，所述平均总时延为所有所述总体时延的平均值；在满足多个约束条件的情况下，求解使所有所述平均总时延偏差之和最小的带宽分配方案和计算资源分配方案，并进行所述节点参数的上传；
根据所述边缘服务器上传的所述上传任务中的每个所述节点参数进行数据处理，生成对应的溯源信息，用于记录奶品生产全链条信息；根据所述节点参数，确定存在风险的所述生产节点，并生成对应的预警信息下发至所述生产节点。
7.根据权利要求6所述的基于物联网的奶品生产信息智能检测上传方法，其特征在于，所述多个约束条件包括第一约束条件和第二约束条件，其中，所述第一约束条件为每个所述节点参数对应分配的带宽小于数据传输的总带宽；所述第二约束条件为每个所述节点参数对应分配的计算资源小于所述边缘服务器的总计算资源。
8.根据权利要求6所述的基于物联网的奶品生产信息智能检测上传方法，其特征在于，当所述节点参数的形式为数值参数时，对应的数据处理过程包括：
获取所述数值；
将所述数值参数与预存的数据标准库进行对比；
若出现的数据偏差超过预设范围，则生成对应的节点预警信息；
可视化所述节点预警信息，并将所述节点预警信息下发至对应节点现场，触发对应节点现场的报警器，以提醒相关工作人员及时处理；
当所述节点参数的形式为操作图像时，对应的数据处理过程包括：
获取所述操作图像；
将所述操作图像作为训练完备的深度学习网络模型的输入，输出对应的操作分类标签；
若所述操作分类标签为异常操作，则生成对应的节点预警信息；
可视化所述节点预警信息，并将所述节点预警信息下发至对应节点现场，触发对应节点现场的报警器，以提醒相关工作人员及时处理。
9.根据权利要求6所述的基于物联网的奶品生产信息智能检测上传方法，其特征在于，还包括：
根据所述养殖节点参数、所述收储节点参数、所述加工节点参数以及所述流通节点参数，生成对应的第一烧录信息；
根据奶品代码、奶品生产企业、奶品生产产地、奶品生产日期，生成对应的第二烧录信息；
根据所述第一烧录信息和所述第二烧录信息，对RFID电子标签进行烧录，对应于不同的奶品，用于消费者的自主查询。
10.根据权利要求8所述的基于物联网的奶品生产信息智能检测上传方法，其特征在于，将每个生产节点对应的所述操作图像通过边缘服务器转为上传任务，上传至云平台进行识别处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110484275.7A CN113344152A (zh) | 2021-04-30 | 2021-04-30 | 一种奶品全链条生产信息智能检测上传系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110484275.7A CN113344152A (zh) | 2021-04-30 | 2021-04-30 | 一种奶品全链条生产信息智能检测上传系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113344152A true CN113344152A (zh) | 2021-09-03 |
Family
ID=77469416
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110484275.7A Pending CN113344152A (zh) | 2021-04-30 | 2021-04-30 | 一种奶品全链条生产信息智能检测上传系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113344152A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113916283A (zh) * | 2021-09-08 | 2022-01-11 | 四川轻化工大学 | 一种白酒酿造过程信息化在线监测系统及方法 |
| CN116233017A (zh) * | 2022-12-23 | 2023-06-06 | 中国联合网络通信集团有限公司 | 时延保证方法、装置及存储介质 |
| CN118032040A (zh) * | 2023-12-25 | 2024-05-14 | 上海伟轩环保科技有限公司 | 一种基于物联网的环境监测系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070289536A1 (en) * | 2006-06-09 | 2007-12-20 | Dairy Controls International, Inc. | In-line apparatus and real-time method to determine milk characteristics |
| US20080121185A1 (en) * | 2006-11-27 | 2008-05-29 | Talo Tamminga | System and method of production for milk products |
| CN103809559A (zh) * | 2014-01-16 | 2014-05-21 | 广东省农业科学院蚕业与农产品加工研究所 | 基于物联网的乳制品质量安全全生命周期监控预警方法 |
| CN104158675A (zh) * | 2013-05-13 | 2014-11-19 | 华为技术有限公司 | 计算节点部署方法、处理节点、控制器及系统 |
| CN110740473A (zh) * | 2019-10-22 | 2020-01-31 | 中国科学院计算技术研究所 | 一种用于移动边缘计算的管理方法及边缘服务器 |
| CN111666269A (zh) * | 2020-05-29 | 2020-09-15 | 华中农业大学 | 食品安全大数据自动编码与全链条溯源体系 |
| CN111694655A (zh) * | 2020-03-12 | 2020-09-22 | 武汉大学 | 一种面向多任务的边缘计算资源分配方法 |
| CN111901424A (zh) * | 2020-07-28 | 2020-11-06 | 苏州大学 | 云边协同网络资源平滑迁移与重构方法及系统 |
| CN112116277A (zh) * | 2020-10-10 | 2020-12-22 | 华中农业大学 | 一种全链条食品安全大数据采集方法 |
-
2021
- 2021-04-30 CN CN202110484275.7A patent/CN113344152A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070289536A1 (en) * | 2006-06-09 | 2007-12-20 | Dairy Controls International, Inc. | In-line apparatus and real-time method to determine milk characteristics |
| US20080121185A1 (en) * | 2006-11-27 | 2008-05-29 | Talo Tamminga | System and method of production for milk products |
| CN104158675A (zh) * | 2013-05-13 | 2014-11-19 | 华为技术有限公司 | 计算节点部署方法、处理节点、控制器及系统 |
| CN103809559A (zh) * | 2014-01-16 | 2014-05-21 | 广东省农业科学院蚕业与农产品加工研究所 | 基于物联网的乳制品质量安全全生命周期监控预警方法 |
| CN110740473A (zh) * | 2019-10-22 | 2020-01-31 | 中国科学院计算技术研究所 | 一种用于移动边缘计算的管理方法及边缘服务器 |
| CN111694655A (zh) * | 2020-03-12 | 2020-09-22 | 武汉大学 | 一种面向多任务的边缘计算资源分配方法 |
| CN111666269A (zh) * | 2020-05-29 | 2020-09-15 | 华中农业大学 | 食品安全大数据自动编码与全链条溯源体系 |
| CN111901424A (zh) * | 2020-07-28 | 2020-11-06 | 苏州大学 | 云边协同网络资源平滑迁移与重构方法及系统 |
| CN112116277A (zh) * | 2020-10-10 | 2020-12-22 | 华中农业大学 | 一种全链条食品安全大数据采集方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113916283A (zh) * | 2021-09-08 | 2022-01-11 | 四川轻化工大学 | 一种白酒酿造过程信息化在线监测系统及方法 |
| CN116233017A (zh) * | 2022-12-23 | 2023-06-06 | 中国联合网络通信集团有限公司 | 时延保证方法、装置及存储介质 |
| CN116233017B (zh) * | 2022-12-23 | 2024-06-04 | 中国联合网络通信集团有限公司 | 时延保证方法、装置及存储介质 |
| CN118032040A (zh) * | 2023-12-25 | 2024-05-14 | 上海伟轩环保科技有限公司 | 一种基于物联网的环境监测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113344152A (zh) | 一种奶品全链条生产信息智能检测上传系统及方法 | |
| CN109145032B (zh) | 一种蜜蜂养殖智能监测方法与系统 | |
| CN107667903B (zh) | 基于物联网的畜牧养殖活体体重监测方法 | |
| CN113298537A (zh) | 基于物联网的稻米全链条质量信息智能检测系统及方法 | |
| CN110910151A (zh) | 一种质量追溯系统及追溯方法 | |
| CN113297925A (zh) | 一种果蔬全链条质量智能预警方法及系统 | |
| CN111310596A (zh) | 一种动物患病状态监测系统及方法 | |
| CN110287902B (zh) | 畜禽存活检测方法、装置、设备及计算机程序产品 | |
| CN107667904A (zh) | 基于物联网技术的生猪大数据系统 | |
| CN114971933B (zh) | 一种食用菌的保存方法和系统 | |
| Zhang et al. | Advancements in artificial intelligence technology for improving animal welfare: Current applications and research progress | |
| CN112183487A (zh) | 基于5g的牲畜健康监测系统和方法 | |
| CN118095538A (zh) | 一种基于物联网的农业种植智能管理平台 | |
| Kim et al. | Research and technology trend analysis by big data-based smart livestock technology: A review | |
| Wang et al. | The design of an intelligent livestock production monitoring and management system | |
| Chen et al. | Developing an automatic warning system for anomalous chicken dispersion and movement using deep learning and machine learning | |
| Arhipova et al. | Smart platform designed to improve poultry productivity and reduce greenhouse gas emissions | |
| El Moutaouakil et al. | A design of a smart farm system for cattle monitoring | |
| CN113408334B (zh) | 一种小龙虾全链条数据采集与智能检测方法及装置 | |
| Jackman et al. | The role of information and communication technology in poultry broiler production process control | |
| CN116071702B (zh) | 基于计算机视觉的养猪场交互行为监测管理方法和系统 | |
| CN111242797A (zh) | 一种猪舍环境适宜度的预测系统及方法 | |
| CN113507491B (zh) | 一种洁蛋生产全链条信息实时上传方法及系统 | |
| KR102518418B1 (ko) | 영상 분석 기반의 반추동물 및 사육환경 분석 장치 및 방법 | |
| CN115349459A (zh) | 一种智能猪舍监控系统 |
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 |
Application publication date: 20210903 |
|
| RJ01 | Rejection of invention patent application after publication |