CN113469392B - 基于区块链的农产品预定系统 - Google Patents
基于区块链的农产品预定系统 Download PDFInfo
- Publication number
- CN113469392B CN113469392B CN202110742434.9A CN202110742434A CN113469392B CN 113469392 B CN113469392 B CN 113469392B CN 202110742434 A CN202110742434 A CN 202110742434A CN 113469392 B CN113469392 B CN 113469392B
- Authority
- CN
- China
- Prior art keywords
- data
- hash value
- cultivation
- planting
- greenhouse
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 claims abstract description 11
- 238000003860 storage Methods 0.000 claims description 87
- 238000013500 data storage Methods 0.000 claims description 37
- 239000000284 extract Substances 0.000 claims description 12
- 238000003306 harvesting Methods 0.000 claims description 11
- 239000002689 soil Substances 0.000 claims description 11
- 238000005286 illumination Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims 1
- 239000012634 fragment Substances 0.000 claims 1
- 235000013311 vegetables Nutrition 0.000 abstract description 34
- 230000000694 effects Effects 0.000 abstract description 4
- 241000227653 Lycopersicon Species 0.000 description 5
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- FPIPGXGPPPQFEQ-UHFFFAOYSA-N 13-cis retinol Natural products OCC=C(C)C=CC=C(C)C=CC1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-UHFFFAOYSA-N 0.000 description 1
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 1
- ZZZCUOFIHGPKAK-UHFFFAOYSA-N D-erythro-ascorbic acid Natural products OCC1OC(=O)C(O)=C1O ZZZCUOFIHGPKAK-UHFFFAOYSA-N 0.000 description 1
- QMMFVYPAHWMCMS-UHFFFAOYSA-N Dimethyl sulfide Chemical class CSC QMMFVYPAHWMCMS-UHFFFAOYSA-N 0.000 description 1
- FPIPGXGPPPQFEQ-BOOMUCAASA-N Vitamin A Natural products OC/C=C(/C)\C=C\C=C(\C)/C=C/C1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-BOOMUCAASA-N 0.000 description 1
- 229930003268 Vitamin C Natural products 0.000 description 1
- FPIPGXGPPPQFEQ-OVSJKPMPSA-N all-trans-retinol Chemical compound OC\C=C(/C)\C=C\C=C(/C)\C=C\C1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-OVSJKPMPSA-N 0.000 description 1
- 235000021466 carotenoid Nutrition 0.000 description 1
- 150000001747 carotenoids Chemical class 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000010755 mineral Nutrition 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000017807 phytochemicals Nutrition 0.000 description 1
- 229930000223 plant secondary metabolite Natural products 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 235000019155 vitamin A Nutrition 0.000 description 1
- 239000011719 vitamin A Substances 0.000 description 1
- 235000019154 vitamin C Nutrition 0.000 description 1
- 239000011718 vitamin C Substances 0.000 description 1
- 229940045997 vitamin a Drugs 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Animal Husbandry (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- General Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及区块链技术领域，具体涉及一种基于区块链的农产品预定系统，包括：若干个大棚数据站，收集大棚内每畦农作物的种植数据并关联畦标识存储，将种植数据存储并通过区块链存证，栽培模型库，存储有若干种农作物的栽培模型，栽培模型记录农作物适宜栽培过程，预定服务器，建立商品条目供消费者选择，消费者输入预定量并支付定金后，预定服务器建立预定订单，农作物收获后装入单独包装提供给相应消费者。本发明的实质性效果是：通过收集大棚内的种植信息，并通过区块链进行存证，确保供货信息真实可信，使消费者能够直接预定并获得相应的蔬菜，减小了中间环节的运营成本，进而降低了消费者的购买成本。
Description
技术领域
本发明涉及区块链技术领域，具体涉及一种基于区块链的农产品预定系统。
背景技术
蔬菜可提供人体所必需的多种维生素和矿物质等营养物质，是人们日常饮食中必不可少的食物之一。国际粮农组织统计人体必需的维生素C的90%、维生素A的60%均来自蔬菜，可见蔬菜对人类健康的贡献之巨大。此外，蔬菜中还有多种植物化学物质是被公认的对人体健康有益的成分，如类胡萝卜素、二丙烯化合物、甲基硫化合物等，许多蔬菜还含有独特的微量元素，对人体具有特殊的保健功效。但蔬菜中含有的营养元素大多容易被氧化或分解而被损耗。因而蔬菜的保质期通常较短，导致蔬菜生产应对供需失衡的能力较低，蔬菜供应商需要承担供需波动带来的损失，因而其经营成本较高，导致新鲜蔬菜售价偏高。如果能够通过预定系统确定消费者的需求情况，蔬菜供应商就能够减小风险，从而降低经营成本，有助于蔬菜价格回落，同时消费者也能够获得其需要的蔬菜。
发明内容
本发明要解决的技术问题是：目前缺乏打通蔬菜供应各个环节的预定系统的技术问题。提出了一种基于区块链的农产品预定系统，本预定系统能够收集农户蔬菜大棚的供货信息，使终端消费者能够直接预定大棚内的蔬菜，降低中间环节需要承担的风险，进而降低消费者的购买成本。
为解决上述技术问题，本发明所采取的技术方案为：基于区块链的农产品预定系统，包括：若干个大棚数据站，所述大棚数据站设置在大棚中，大棚划分有农作物的种植畦，为每畦分配唯一的畦标识，收集大棚内每畦农作物的种植数据并关联畦标识存储，将种植数据存储并通过区块链存证，所述种植数据包括农作物种类、种植日期、面积、生长环境数据和管培措施数据，栽培模型库，存储有若干种农作物的栽培模型，所述栽培模型记录农作物适宜栽培过程，所述适宜栽培过程包括适宜环境范围和适宜管培措施，预定服务器，即将进入收获期的农作物及其预估产量上传到预定服务器，建立商品条目供消费者选择，所述商品条目包括对应农作物当前图像、种植畦标识、售价、预期收获期和栽培匹配度，所述预定服务器调取种植畦对应的生长环境数据和管培措施数据，与相应的栽培模型比对，获得生长环境数据和管培措施数据与栽培模型的匹配度，所述匹配度记为栽培匹配度，消费者输入预定量并支付定金后，预定服务器建立预定订单，农作物收获后装入单独包装提供给相应消费者。
作为优选，所述预定服务器对调取获得的种植畦对应的生长环境数据和管培措施数据进行可信性验证，提取调取获得的生长环境数据和管培措施数据的哈希值，并与区块链对应区块内存储的哈希值进行对比，若能够在区块链相应区块上找到一致的哈希值，则可信性验证通过，若可信性验证不通过，则不予建立商品条目。
作为优选，所述预估产量由农户上传，种植畦实际收获产量与预估产量的比值作为调整系数，所述调整系数的上限值为1，最终提供给预定消费者的农产品量等于预定量与调整系数的积，消防者按照最终提供量支付尾款，若调整系数超过设定范围，则限制对应农户能够上报的预估产量的上限。
作为优选，所述大棚数据站包括包括传感器接入模块、指令接入模块、数据存储模块和数据存证模块，所述传感器接入模块接入大棚内的生长环境数据，所述生长环境数据由环境传感器采集获得，所述环境传感器包括温湿度传感器、CO2浓度传感器、土壤温湿度传感器、土壤酸碱度传感器和光照传感器，所述指令接入模块与大棚控制器连接，同步大棚控制器收集到的棚内生长环境数据和控制指令数据，所述存储模块将传感器接入模块和指令接入模块收集到的数据存储，所述数据存证模块将数据存储模块存储的数据通过区块链进行存证固定。
作为优选，所述数据存储模块为每个种植畦开设顺序存储空间，所述数据存储模块将种植畦对应的生长环境数据存入所述顺序存储空间，所述数据存储模块以第一周期在顺序存储空间建立存证点，提取两个存证点之间的种植数据的哈希值作为存证哈希值，将所述存证哈希值存入所述存证点并提交给所述数据存证模块，所述数据存证模块为每个种植畦建立哈希值表和初始的关联哈希值，将数据存储模块提交的存证哈希值存入所述哈希值表，将哈希值表中最新的存证哈希值和关联哈希值一起提取哈希值，作为新的关联哈希值并存入哈希值表，所述数据存证模块以第二周期将最新的关联哈希值与种植畦标识和时间戳关联后，上传到区块链存储。
作为优选，所述数据存储模块建立存证点时，所述数据存证模块从最新的两个存证点之间的种植数据中截取预设长度的数据片段，将数据片段和存证哈希值一起提取哈希值作为特征哈希值，每个种植畦对应的顺序存储空间的特征哈希值的末尾若干位取值相同。
作为优选，所述数据存储模块设有备份存储区域，所述备份存储区域包括若干个备份存储区域，备份存储区域与顺序存储空间一一对应，所述备份存储区域具有编号，当所述顺序存储空间产生新的存证点时，所述备份存储区域同步产生标识点，将最新的两个存证点之间的数据备份到对应的备份存储区域的最新的两个标识点之间，将最新的两个标识点之间的数据按预设大小打散为子数据，若干个备份存储区域之间交换子数据，备份存储区域最新的两个标识点之间的数据与备份存储区域的编号一起提取的哈希值作为标识哈希值，子数据交换后标识哈希值的大小顺序与备份存储区域编号顺序匹配。
作为优选，所述备份存储区域最新的标识哈希值的末尾若干位取值相同，若在预设时间内未找到使得标识哈希值的末尾若干位取值相同子数据交换方案，则进一步将子数据打散为更小的子数据并重新尝试交换，直到满足备份存储区域的标识哈希值的末尾若干位取值相同。
本发明的实质性效果是：通过收集大棚内的种植信息，并通过区块链进行存证，确保供货信息真实可信，使消费者能够直接预定并获得相应的蔬菜，减小了中间环节的运营成本，进而降低了消费者的购买成本；使用栽培模型判断蔬菜栽培过程未出现有损蔬菜营养价值的情况出现，确保蔬菜的品质；通过建立工作量证明，减少需要上传区块链存储数据的频率，降低使用区块链的资金成本。
附图说明
图1为实施例一农产品预定系统结构示意图。
图2为实施例一商品条目示意图。
图3为实施例一大棚数据站结构示意图。
图4为实施例一数据存储模块工作示意图。
图5为实施例二备份存储区域示意图。
其中：10、预定服务器，11、农作物当前图像，12、售价，13、预期收获期，14、栽培匹配度，15、种植畦标识，16、预定量输入框，20、栽培模型库，30、大棚数据站，31、传感器接入模块，32、指令接入模块，33、存储模块，34、数据存证模块，40、大棚，41、种植畦，42、温湿度传感器，43、CO2浓度传感器，44、土壤温湿度传感器，45、土壤酸碱度传感器，46、光照传感器，50、区块链，331、顺序存储空间，332、存证点，333、数据片段，334、存证哈希值，335、特征哈希值，336、备份存储区域，337、标识哈希值，338、子数据，339、标识点，341、哈希值表，342、关联哈希值。
具体实施方式
下面通过具体实施例，并结合附图，对本发明的具体实施方式作进一步具体说明。
实施例一：
基于区块链50的农产品预定系统，请参阅附图1，包括：若干个大棚数据站30，大棚数据站30设置在大棚40中，大棚40划分有农作物的种植畦41，为每畦分配唯一的畦标识，收集大棚40内每畦农作物的种植数据并关联畦标识存储，将种植数据存储并通过区块链50存证，种植数据包括农作物种类、种植日期、面积、生长环境数据和管培措施数据，栽培模型库20，存储有若干种农作物的栽培模型，栽培模型记录农作物适宜栽培过程，适宜栽培过程包括适宜环境范围和适宜管培措施，预定服务器10，即将进入收获期的农作物及其预估产量上传到预定服务器10，建立商品条目供消费者选择，请参阅附图2，商品条目包括对应农作物当前图像11、种植畦标识15、售价12、预期收获期13和栽培匹配度14，预定服务器10调取种植畦41对应的生长环境数据和管培措施数据，与相应的栽培模型比对，获得生长环境数据和管培措施数据与栽培模型的匹配度，匹配度记为栽培匹配度14，消费者在预定量输入框16内输入预定量并支付定金后，预定服务器10建立预定订单，农作物收获后装入单独包装提供给相应消费者。
通过以下两种方式建立蔬菜的生长模型，一种是收集大棚40内的蔬菜的生长环境数据，包括温湿度、土壤温湿度、土壤酸碱度、平均CO2浓度、光照强度和光照时长，并在蔬菜成熟后记录蔬菜的产量，将温湿度、土壤温湿度、土壤酸碱度、平均CO2浓度、光照强度和光照时长关联单位产量，作为样本数据。收集足够多的样本数据后，建立并训练神经网络模型，训练出的神经网络模型即为该种蔬菜的生长模型。另外一种方式是采用现有技术公开的生长模型。如文献：“褚金翔;温室番茄生长发育模型建立与参数实验研究[D];中国农业科学院;2008年”、“倪纪恒;温室番茄生长发育模拟模型研究[D];南京农业大学;2005年”以及“王会军;温室黄瓜生长发育模拟模型的研究[D];中国农业大学;2004年”所记载的蔬菜生长发育模型。蔬菜的生长模型建立后，建立是栽培模型，即以设定产量为目标，获得蔬菜允许的生长环境范围，即为蔬菜的栽培模型。如为保证西红柿的设定产量，西红柿的栽培温度需要维持在20℃至30℃之间，若种植畦41种植西红柿，且种植畦41的温湿度数据记录温度始终处于20℃至30℃之间，则认为温度单项的匹配度为100%，若栽培周期90天内，有9天的平均温度不在20℃至30℃之间，则认为温度单项的匹配度为90%，取温湿度、土壤温湿度、土壤酸碱度、平均CO2浓度、光照强度和光照时长全部单项的匹配度的平均值作为最终的栽培匹配度14。
预定服务器10对调取获得的种植畦41对应的生长环境数据和管培措施数据进行可信性验证，提取调取获得的生长环境数据和管培措施数据的哈希值，并与区块链50对应区块内存储的哈希值进行对比，若能够在区块链50相应区块上找到一致的哈希值，则可信性验证通过，若可信性验证不通过，则不予建立商品条目。
预估产量由农户上传，种植畦41实际收获产量与预估产量的比值作为调整系数，调整系数的上限值为1，最终提供给预定消费者的农产品量等于预定量与调整系数的积，消防者按照最终提供量支付尾款，若调整系数超过设定范围，则限制对应农户能够上报的预估产量的上限。
请参阅附图3，大棚数据站30包括包括传感器接入模块31、指令接入模块32、数据存储模块33和数据存证模块34，传感器接入模块31接入大棚40内的生长环境数据，生长环境数据由环境传感器采集获得，环境传感器包括温湿度传感器42、CO2浓度传感器43、土壤温湿度传感器44、土壤酸碱度传感器45和光照传感器46，指令接入模块32与大棚40控制器连接，同步大棚40控制器收集到的棚内生长环境数据和控制指令数据，存储模块33将传感器接入模块31和指令接入模块32收集到的数据存储，数据存证模块34将数据存储模块33存储的数据通过区块链50进行存证固定。
数据存储模块33为每个种植畦41开设顺序存储空间331，请参阅附图4，数据存储模块33将种植畦41对应的生长环境数据存入顺序存储空间331，数据存储模块33以第一周期在顺序存储空间331建立存证点332，提取两个存证点332之间的种植数据的哈希值作为存证哈希值334，将存证哈希值334存入存证点332并提交给数据存证模块34，数据存证模块34为每个种植畦41建立哈希值表341和初始的关联哈希值342，将数据存储模块33提交的存证哈希值334存入哈希值表341，将哈希值表341中最新的存证哈希值334和关联哈希值342一起提取哈希值，作为新的关联哈希值342并存入哈希值表341，数据存证模块34以第二周期将最新的关联哈希值342与种植畦标识15和时间戳关联后，上传到区块链50存储。
数据存储模块33建立存证点332时，数据存证模块34从最新的两个存证点332之间的种植数据中截取预设长度的数据片段333，将数据片段333和存证哈希值334一起提取哈希值作为特征哈希值335，每个种植畦41对应的顺序存储空间331的特征哈希值335的末尾若干位取值相同。如某个顺序存储空间331的特征哈希值335的末尾4位取值为9EC2，则其他的顺序存储空间331的特征哈希值335末尾4位取值也必须为9EC2，末尾4位取值为9EC2的概率为16的4次方分之一，约为6万5千分之一。概率学上从两个存证点332之间批发交易信息中尝试6.5万次截取预设长度的数据片段333，能够获得满足要求的特征哈希值335。增加要求相同的末尾数位数可以进一步增加难度。有效提高篡改数据的难度，提高数据的可信度。延长数据篡改需要的时长，就可以相应的减少上传区块链50存证的周期，从而降低上传区块链50消耗的资金。
本实施例的有益技术效果是：通过收集大棚40内的种植信息，并通过区块链50进行存证，确保供货信息真实可信，使消费者能够直接预定并获得相应的蔬菜，减小了中间环节的运营成本，进而降低了消费者的购买成本；使用栽培模型判断蔬菜栽培过程未出现有损蔬菜营养价值的情况出现，确保蔬菜的品质；通过建立工作量证明，减少需要上传区块链50存储数据的频率，降低使用区块链50的资金成本。
实施例二：
基于区块链50的农产品预定系统，请参阅附图5，数据存储模块33设有备份存储区域336，备份存储区域336包括若干个备份存储区域336，备份存储区域336与顺序存储空间331一一对应，备份存储区域336具有编号，当顺序存储空间331产生新的存证点332时，备份存储区域336同步产生标识点339，将最新的两个存证点332之间的数据备份到对应的备份存储区域336的最新的两个标识点339之间，将最新的两个标识点339之间的数据按预设大小打散为子数据338，若干个备份存储区域336之间交换子数据338，备份存储区域336最新的两个标识点339之间的数据与备份存储区域336的编号一起提取的哈希值作为标识哈希值337，子数据338交换后标识哈希值337的大小顺序与备份存储区域336编号顺序匹配。如编号01的备份存储区域336中经过子数据338交换后，与编号01一起提取哈希值，就需要比编号02的备份存储区域336中的子数据338与编号02一起提取的哈希值要小。而编号03的备份存储区域336中的子数据338与编号03一起提取的哈希值取值最大。若备份存储区域336的数量较多，即种植畦41较多，则会提供适度的工作量证明。
备份存储区域336最新的标识哈希值337的末尾若干位取值相同，若在预设时间内未找到使得标识哈希值337的末尾若干位取值相同子数据338交换方案，则进一步将子数据338打散为更小的子数据338并重新尝试交换，直到满足备份存储区域336的标识哈希值337的末尾若干位取值相同。本实施例能够与实施例一同时实施。相对于实施例一，本实施例不仅能够为种植数据提供备份，同时还提供了验证种植数据是否被修改过的验证方法，进一步提高了种植数据的篡改的难度，提高了种植数据的可信度。
以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (5)
1.基于区块链的农产品预定系统，其特征在于，
包括：
若干个大棚数据站，所述大棚数据站设置在大棚中，大棚划分有农作物的种植畦，为每畦分配唯一的畦标识，收集大棚内每畦农作物的种植数据并关联畦标识存储，将种植数据存储并通过区块链存证，所述种植数据包括农作物种类、种植日期、面积、生长环境数据和管培措施数据，
栽培模型库，存储有若干种农作物的栽培模型，所述栽培模型记录农作物适宜栽培过程，所述适宜栽培过程包括适宜环境范围和适宜管培措施，
预定服务器，即将进入收获期的农作物及其预估产量上传到预定服务器，建立商品条目供消费者选择，所述商品条目包括对应农作物当前图像、种植畦标识、售价、预期收获期和栽培匹配度，所述预定服务器调取种植畦对应的生长环境数据和管培措施数据，与相应的栽培模型比对，获得生长环境数据和管培措施数据与栽培模型的匹配度，所述匹配度记为栽培匹配度，消费者输入预定量并支付定金后，预定服务器建立预定订单，农作物收获后装入单独包装提供给相应消费者；
所述大棚数据站包括传感器接入模块、指令接入模块、数据存储模块和数据存证模块，所述传感器接入模块接入大棚内的生长环境数据，所述生长环境数据由环境传感器采集获得，所述环境传感器包括温湿度传感器、CO2浓度传感器、土壤温湿度传感器、土壤酸碱度传感器和光照传感器，所述指令接入模块与大棚控制器连接，同步大棚控制器收集到的棚内生长环境数据和控制指令数据，所述存储模块将传感器接入模块和指令接入模块收集到的数据存储，所述数据存证模块将数据存储模块存储的数据通过区块链进行存证固定；
所述数据存储模块为每个种植畦开设顺序存储空间，所述数据存储模块将种植畦对应的生长环境数据存入所述顺序存储空间，所述数据存储模块以第一周期在顺序存储空间建立存证点，提取两个存证点之间的种植数据的哈希值作为存证哈希值，将所述存证哈希值存入所述存证点并提交给所述数据存证模块，所述数据存证模块为每个种植畦建立哈希值表和初始的关联哈希值，将数据存储模块提交的存证哈希值存入所述哈希值表，将哈希值表中最新的存证哈希值和关联哈希值一起提取哈希值，作为新的关联哈希值并存入哈希值表，所述数据存证模块以第二周期将最新的关联哈希值与种植畦标识和时间戳关联后，上传到区块链存储；
所述数据存储模块建立存证点时，所述数据存证模块从最新的两个存证点之间的种植数据中截取预设长度的数据片段，将数据片段和存证哈希值一起提取哈希值作为特征哈希值，全部种植畦对应的顺序存储空间的特征哈希值的末尾若干位取值相同。
2.根据权利要求1所述的基于区块链的农产品预定系统，其特征在于，
所述预定服务器对调取获得的种植畦对应的生长环境数据和管培措施数据进行可信性验证，提取调取获得的生长环境数据和管培措施数据的哈希值，并与区块链对应区块内存储的哈希值进行对比，若能够在区块链相应区块上找到一致的哈希值，则可信性验证通过，若可信性验证不通过，则不予建立商品条目。
3.根据权利要求1所述的基于区块链的农产品预定系统，其特征在于，
所述预估产量由农户上传，种植畦实际收获产量与预估产量的比值作为调整系数，所述调整系数的上限值为1，最终提供给预定消费者的农产品量等于预定量与调整系数的积，消防者按照最终提供量支付尾款，若调整系数超过设定范围，则限制对应农户能够上报的预估产量的上限。
4.根据权利要求1所述的基于区块链的农产品预定系统，其特征在于，
所述数据存储模块设有备份存储区域，所述备份存储区域包括若干个备份存储区域，备份存储区域与顺序存储空间一一对应，所述备份存储区域具有编号，当所述顺序存储空间产生新的存证点时，所述备份存储区域同步产生标识点，将最新的两个存证点之间的数据备份到对应的备份存储区域的最新的两个标识点之间，将最新的两个标识点之间的数据按预设大小打散为子数据，若干个备份存储区域之间交换子数据，备份存储区域最新的两个标识点之间的数据与备份存储区域的编号一起提取的哈希值作为标识哈希值，子数据交换后标识哈希值的大小顺序与备份存储区域编号顺序匹配。
5.根据权利要求4所述的基于区块链的农产品预定系统，其特征在于，
所述备份存储区域最新的标识哈希值的末尾若干位取值相同，若在预设时间内未找到使得标识哈希值的末尾若干位取值相同子数据交换方案，则进一步将子数据打散为更小的子数据并重新尝试交换，直到满足备份存储区域的标识哈希值的末尾若干位取值相同。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110742434.9A CN113469392B (zh) | 2021-07-01 | 2021-07-01 | 基于区块链的农产品预定系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110742434.9A CN113469392B (zh) | 2021-07-01 | 2021-07-01 | 基于区块链的农产品预定系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113469392A CN113469392A (zh) | 2021-10-01 |
| CN113469392B true CN113469392B (zh) | 2024-03-19 |
Family
ID=77876932
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110742434.9A Active CN113469392B (zh) | 2021-07-01 | 2021-07-01 | 基于区块链的农产品预定系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113469392B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109101572A (zh) * | 2018-07-17 | 2018-12-28 | 何晓行 | 基于区块链的存证方法、装置及服务器、存储介质 |
| CN109191003A (zh) * | 2018-09-25 | 2019-01-11 | 仲恺农业工程学院 | 基于区块链的果蔬农产品质量安全溯源系统 |
| KR20200020153A (ko) * | 2018-08-16 | 2020-02-26 | 주식회사 글로벌아트 | 블록체인 기반 농산물 유통 시스템 및 방법 |
| KR20200114665A (ko) * | 2019-03-29 | 2020-10-07 | 주식회사 씽스앤 | 농식품 거래 플랫폼을 기반으로 하는 농식품 유통 시스템 |
| CN111784361A (zh) * | 2020-04-02 | 2020-10-16 | 北京京东尚科信息技术有限公司 | 产品溯源方法、装置、系统和存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200401996A1 (en) * | 2019-06-20 | 2020-12-24 | Venkatesh B. VADLAMUDI | Integrated agriculture information and management system, and methods of using the same |
-
2021
- 2021-07-01 CN CN202110742434.9A patent/CN113469392B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109101572A (zh) * | 2018-07-17 | 2018-12-28 | 何晓行 | 基于区块链的存证方法、装置及服务器、存储介质 |
| KR20200020153A (ko) * | 2018-08-16 | 2020-02-26 | 주식회사 글로벌아트 | 블록체인 기반 농산물 유통 시스템 및 방법 |
| CN109191003A (zh) * | 2018-09-25 | 2019-01-11 | 仲恺农业工程学院 | 基于区块链的果蔬农产品质量安全溯源系统 |
| KR20200114665A (ko) * | 2019-03-29 | 2020-10-07 | 주식회사 씽스앤 | 농식품 거래 플랫폼을 기반으로 하는 농식품 유통 시스템 |
| CN111784361A (zh) * | 2020-04-02 | 2020-10-16 | 北京京东尚科信息技术有限公司 | 产品溯源方法、装置、系统和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113469392A (zh) | 2021-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | OR/MS decision support models for the specialty crops industry: a literature review | |
| CN113256314B (zh) | 一种基于区块链的农产品溯源系统 | |
| Dambreville et al. | Deciphering structural and temporal interplays during the architectural development of mango trees | |
| CN105260894A (zh) | 农业物联网农产品质量安全溯源的方法及其物联网系统 | |
| Gertphol et al. | Predictive models for lettuce quality from internet of things-based hydroponic farm | |
| CN113592147B (zh) | 基于区块链的农业生产地区调控系统 | |
| Mittenzwei et al. | Combined effects of climate change and policy uncertainty on the agricultural sector in Norway | |
| CN111415085A (zh) | 一种作物种植的生产质量监测方法与系统 | |
| KR20170096953A (ko) | 농축산물 생산 관리 시스템 및 방법 | |
| CN106372681A (zh) | 一种基于rfid的蔬菜生产过程关键点监管方法及系统 | |
| Temnani et al. | Irrigation protocols in different water availability scenarios for ‘crimson seedless’ table grapes under mediterranean semi-arid conditions | |
| Peters et al. | Harnessing AI to transform agriculture and inform agricultural research | |
| Salassi et al. | Modeling within-season sugarcane growth for optimal harvest system selection | |
| CN104636852A (zh) | 作物生产规划系统及作物生产规划方法 | |
| Tester et al. | Impact of weather and herd size management on beef cow profitability | |
| CN113469392B (zh) | 基于区块链的农产品预定系统 | |
| Rossi et al. | A web-based decision support system for managing durum wheat crops | |
| Fassinou Hotegni et al. | Trade-offs of flowering and maturity synchronisation for pineapple quality | |
| Susilo et al. | Decision Tree-Based Bok Choy Growth Prediction Model for Smart Farm | |
| WO2021067847A1 (en) | Agricultural platforms | |
| Selvi et al. | Soil based fertilizer recommendation system for crop disease prediction system | |
| CN113487444B (zh) | 一种基于区块链技术的大棚种植导航系统 | |
| CN113469743B (zh) | 基于区块链的大棚种植收益预测系统 | |
| Khurshid et al. | Fruit Thinning Improves Fruit Size, Yield and Return Flowering in ‘Washington Navel’Orange (Citrus sinensis L. Osbeck) | |
| CN113469830B (zh) | 基于区块链及生长模型的农产品竞价交易系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |