CN113627834A - 一种果蔬全链条智能监测预警方法及系统 - Google Patents
一种果蔬全链条智能监测预警方法及系统 Download PDFInfo
- Publication number
- CN113627834A CN113627834A CN202111194547.6A CN202111194547A CN113627834A CN 113627834 A CN113627834 A CN 113627834A CN 202111194547 A CN202111194547 A CN 202111194547A CN 113627834 A CN113627834 A CN 113627834A
- Authority
- CN
- China
- Prior art keywords
- early warning
- quality
- vegetable
- item identification
- item
- 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.)
- Granted
Links
- 235000012055 fruits and vegetables Nutrition 0.000 title claims abstract description 235
- 238000012544 monitoring process Methods 0.000 title claims abstract description 228
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000007689 inspection Methods 0.000 claims abstract description 78
- 238000004519 manufacturing process Methods 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims description 68
- 238000011156 evaluation Methods 0.000 claims description 62
- 238000011155 quantitative monitoring Methods 0.000 claims description 26
- 238000004445 quantitative analysis Methods 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 230000006978 adaptation Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 5
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 235000013311 vegetables Nutrition 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Animal Husbandry (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Quality & Reliability (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供的果蔬全链条智能监测预警方法及系统，鉴于不同质检指示对于果蔬生产线内进行事项识别结果的差异性干扰，比如，量化差异越小的事项识别所对应记录到的多维果蔬质量描述越丰富，可以保障事项识别结果的准确性，相应的，量化差异越大的事项识别所对应记录到的多维果蔬质量描述越匮乏，难以保障事项识别结果的准确性，本申请实施例基于上述前提将果蔬全链条生产监控端的全链条质检指示阶段性处理为若干阶段性质检指示，以通过每个阶段性质检指示下待分析智能监测预警策略的事项识别状态表达的确定来分析果蔬生产线下的事项识别结果，能够确保事项识别结果分析的准确性和完整性。
Description
技术领域
本申请涉及智慧农业技术领域，特别涉及一种果蔬全链条智能监测预警方法及系统。
背景技术
随着科技的发展，各类生产业逐渐转型以实现智能化升级。以智慧农业中的果蔬生产为例，现目前的果蔬生产已逐渐实现全链条运作，这样可以提高果蔬生产、加工、收装、保藏和运输的效率和自动化程度。在果蔬全链条的运行过程中，每个环节的质量监测预警尤为重要，现目前通常基于人工智能技术进行果蔬全链条的智能监测预警，但是在实际应用时，如何保障智能监测预警的可信度，也即如何实现对相关监测预警事项的准确完整分析是需要改善的一个问题。
发明内容
为改善相关技术中存在的技术问题，本申请提供了一种果蔬全链条智能监测预警方法及系统。
第一方面，本申请实施例提供了一种果蔬全链条智能监测预警方法，应用于智能监测预警系统，所述方法包括：确定针对果蔬全链条生产监控端记录的多维果蔬质量描述队列中每组多维果蔬质量描述进行关键词添加得到的不少于一个质量预警事项标定结果，以及基于待分析智能监测预警策略对所述每组多维果蔬质量描述进行事项识别得到的不少于一个质量预警事项识别结果；通过确定的所述不少于一个质量预警事项标定结果和所述不少于一个质量预警事项识别结果，获得在将所述果蔬全链条生产监控端的全链条质检指示进行阶段性处理得到的若干阶段性质检指示下，所述待分析智能监测预警策略事项识别状态表达。
如此设计，可以确定的是质量预警事项标定结果和质量预警事项识别结果，质量预警事项标定结果为基于关键词添加结果所得，质量预警事项识别结果为基于待分析智能监测预警策略识别所得。针对不少于一个质量预警事项标定结果和不少于一个质量预警事项识别结果，本申请实施例可以在将果蔬全链条生产监控端的全链条质检指示阶段性处理为若干阶段性质检指示的前提下，确定每个阶段性质检指示下，多维果蔬质量描述队列对应的事项识别状态表达。进一步地，鉴于不同质检指示对于果蔬生产线内进行事项识别结果的差异性干扰，比如，量化差异越小的事项识别所对应记录到的多维果蔬质量描述越丰富，可以保障事项识别结果的准确性，相应的，量化差异越大的事项识别所对应记录到的多维果蔬质量描述越匮乏，难以保障事项识别结果的准确性，本申请实施例基于上述前提将果蔬全链条生产监控端的全链条质检指示阶段性处理为若干阶段性质检指示，以通过每个阶段性质检指示下待分析智能监测预警策略的事项识别状态表达的确定来分析果蔬生产线下的事项识别结果，能够确保事项识别结果分析的准确性和完整性。
对于一些可独立实施的技术方案而言，所述通过确定的所述不少于一个质量预警事项标定结果和所述不少于一个质量预警事项识别结果，获得在将所述果蔬全链条生产监控端的质检指示进行阶段性处理得到的若干阶段性质检指示下，所述待分析智能监测预警策略的事项识别状态表达，包括：对于所述若干阶段性质检指示中的每个阶段性质检指示，从所述不少于一个质量预警事项识别结果中确定匹配于该阶段性质检指示的不少于一个质量预警事项识别结果，以及从所述不少于一个质量预警事项标定结果中，确定匹配于该阶段性质检指示的不少于一个质量预警事项标定结果；结合确定的所述不少于一个质量预警事项识别结果和所述不少于一个质量预警事项标定结果，获得在该阶段性质检指示下，所述待分析智能监测预警策略在每组所述多维果蔬质量描述下的事项识别状态表达；结合在每个阶段性质检指示下，所述待分析智能监测预警策略在每组所述多维果蔬质量描述下的事项识别状态表达，获得在该阶段性质检指示下，所述待分析智能监测预警策略的事项识别状态表达。
如此设计，为了获得在每个阶段性质检指示下待分析智能监测预警策略的事项识别状态表达，这里可以获得在每个阶段性质检指示下，每组多维果蔬质量描述对应的事项识别状态表达，比如，可以对每组多维果蔬质量描述对应的事项识别状态表达进行平均化处理来确定待分析智能监测预警策略的事项识别状态表达。其中，上述有关每组多维果蔬质量描述对应的事项识别状态表达可以是基于每个阶段性质检指示对应的不少于一个质量预警事项识别结果和不少于一个质量预警事项标定结果之间的适配性来确定的，旨在确保每个阶段性质检指示下所确定的多维果蔬质量描述队列对应的事项识别状态表达更为准确可靠。
对于一些可独立实施的技术方案而言，所述待分析智能监测预警策略的事项识别状态表达包括第一识别状态评价；所述结合确定的所述不少于一个质量预警事项识别结果和所述不少于一个质量预警事项标定结果，获得在该阶段性质检指示下，所述待分析智能监测预警策略在每组所述多维果蔬质量描述下的事项识别状态表达，包括：对于确定的所述不少于一个质量预警事项识别结果中的每个质量预警事项识别结果，从确定的所述不少于一个质量预警事项标定结果中遍历是否具有与该质量预警事项识别结果之间的适配指数大于第一设定判定值的第一质量预警事项标定结果；根据遍历到的具有对应第一质量预警事项标定结果的质量预警事项识别结果的数目与所述每组多维果蔬质量描述中质量预警事项识别结果的全局数目的量化分析结果，获得在每个阶段性质检指示下，所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的事项定位指标；所述结合在每个阶段性质检指示下，所述待分析智能监测预警策略在每组所述多维果蔬质量描述下的事项识别状态表达，获得在该阶段性质检指示下，所述待分析智能监测预警策略的事项识别状态表达，包括：结合在每个阶段性质检指示下，所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的事项定位指标、以及所述多维果蔬质量描述队列涵盖的多维果蔬质量描述组数，获得在该阶段性质检指示下，所述待分析智能监测预警策略的第一识别状态评价。
如此设计，首先可以基于不少于一个质量预警事项识别结果和不少于一个质量预警事项标定结果的适配情况确定能够遍历到的具有对应的第一质量预警事项标定结果的质量预警事项识别结果的数目，将该数目与每组多维果蔬质量描述中质量预警事项识别结果的全局数目进行量化分析结果处理，可以确定的是每组多维果蔬质量描述的事项定位指标，利用这一事项定位指标，可以保障待分析智能监测预警策略的第一识别状态评价的分析结果的准确性和可靠性。
对于一些可独立实施的技术方案而言，所述待分析智能监测预警策略的事项识别状态表达包括第一识别状态评价；所述结合确定的所述不少于一个质量预警事项识别结果和所述不少于一个质量预警事项标定结果，获得在该阶段性质检指示下，所述待分析智能监测预警策略在每组所述多维果蔬质量描述下的事项识别状态表达，包括：基于参考质量描述所对应的映射空间与多维果蔬质量描述所对应的映射空间之间的配对列表，将确定的所述不少于一个质量预警事项标定结果依次调整为对应的局部事项标定结果，以及将确定的所述不少于一个质量预警事项识别结果依次调整为对应的局部事项识别结果；基于调整后的不少于一个局部事项标定结果和不少于一个局部事项识别结果，获得在该阶段性质检指示下，所述待分析智能监测预警策略在每组所述多维果蔬质量描述下、在所述参考质量描述下的事项定位指标；所述结合在每个阶段性质检指示下，所述待分析智能监测预警策略在每组多维果蔬质量描述下的事项识别状态表达，得到在该阶段性质检指示下，所述待分析智能监测预警策略的事项识别状态表达，包括：结合在每个阶段性质检指示下，所述待分析智能监测预警策略在每组所述多维果蔬质量描述下、在所述参考质量描述下的事项定位指标、以及所述多维果蔬质量描述队列涵盖的多维果蔬质量描述组数，获得在该阶段性质检指示下，所述待分析智能监测预警策略在所述参考质量描述下的第一识别状态评价。
如此设计，可以先通过映射空间之间的调整，将果蔬生产线内的事项识别结果调整到局部场景内的事项识别结果，进而可以在局部场景内确定每个阶段性质检指示下，待分析智能监测预警策略在参考质量描述下的第一识别状态评价，在保障基于不同质检指示进行分析的基础上，还保障了在不同场景下的分析完整性。
对于一些可独立实施的技术方案而言，所述通过确定的所述不少于一个质量预警事项标定结果和所述不少于一个质量预警事项识别结果，获得在每个阶段性质检指示下，所述待分析智能监测预警策略的事项识别状态表达，包括：对于确定的所述不少于一个质量预警事项识别结果中的每个质量预警事项识别结果，从确定的所述不少于一个质量预警事项标定结果中遍历是否具有与该质量预警事项识别结果之间的适配指数大于第一设定判定值的第一质量预警事项标定结果；针对遍历到的不具有对应第一质量预警事项标定结果的每个质量预警事项识别结果，从所述不少于一个质量预警事项标定结果中遍历与该质量预警事项识别结果之间的适配指数大于第二设定判定值且小于所述第一设定判定值的第二质量预警事项标定结果；基于遍历到的每个质量预警事项识别结果、以及遍历到的第二质量预警事项标定结果，获得在每个阶段性质检指示下，所述待分析智能监测预警策略的事项识别状态表达。
如此设计，可以确保待分析智能监测预警策略的事项识别状态表达的丰富程度和可信度。
对于一些可独立实施的技术方案而言，所述待分析智能监测预警策略的事项识别状态表达包括第二识别状态评价；所述基于遍历到的每个质量预警事项识别结果、以及遍历到的第二质量预警事项标定结果，获得在每个阶段性质检指示下，所述待分析智能监测预警策略的事项识别状态表达，包括：针对遍历到的每个质量预警事项识别结果，基于参考质量描述所对应的映射空间与多维果蔬质量描述所对应的映射空间之间的配对列表，将该质量预警事项识别结果、以及遍历到的第二质量预警事项标定结果分别迁移至所述参考质量描述所对应的映射空间，得到迁移后的局部事项识别结果和第二局部事项标定结果；确定迁移后的局部事项识别结果和第二局部事项标定结果之间的量化差异；通过确定的所述量化差异，确定所述待分析智能监测预警策略在每组所述多维果蔬质量描述下的整体性状态损失；根据所述待分析智能监测预警策略在每组所述多维果蔬质量描述下的整体性状态损失、以及所述多维果蔬质量描述队列涵盖的多维果蔬质量描述组数，获得在每个阶段性质检指示下，所述待分析智能监测预警策略的整体性状态损失。
如此设计，可以通过每个阶段性质检指示下，待分析智能监测预警策略的整体性状态损失的确定来分析多维果蔬质量描述所对应的识别情况在量化差异上的全局性损失，全局性损失越大，表征识别情况精度越低，全局性损失越小，表征识别情况精度越高，进而提供了一种适应能力更强的智能监测预警策略分析技术。
对于一些可独立实施的技术方案而言，所述待分析智能监测预警策略的事项识别状态表达包括第三识别状态评价；所述基于遍历到的每个质量预警事项识别结果、以及遍历到的第二质量预警事项标定结果，获得在每个阶段性质检指示下，所述待分析智能监测预警策略的事项识别状态表达，包括：针对遍历到的每个质量预警事项识别结果，将该质量预警事项识别结果以及遍历到的对应的第二质量预警事项标定结果在生产环节和果蔬品种上进行绑定，得到绑定后的质量预警事项识别结果和第二质量预警事项标定结果；基于绑定后的质量预警事项识别结果和第二质量预警事项标定结果之间的适配指数，确定所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的区域性状态识别损失；根据所述待分析智能监测预警策略在所述每组多维果蔬质量描述的区域性状态识别损失、以及所述多维果蔬质量描述队列涵盖的多维果蔬质量描述组数，获得在每个阶段性质检指示下，所述待分析智能监测预警策略的区域性状态识别损失。
如此设计，可以通过每个阶段性质检指示下待分析智能监测预警策略的区域性状态识别损失的确定来分析多维果蔬质量描述所对应的识别情况在产线区域下的全局性损失，全局性损失越大，表征识别情况精度越低，全局性损失越小，表征识别情况精度越高，进而提供了一种适应能力更强的智能监测预警策略分析技术。
对于一些可独立实施的技术方案而言，所述待分析智能监测预警策略的事项识别状态表达包括第四识别状态评价；所述基于遍历到的每个质量预警事项识别结果、以及遍历到的第二质量预警事项标定结果，获得在每个阶段性质检指示下，所述待分析智能监测预警策略的事项识别状态表达，包括：针对遍历到的每个质量预警事项识别结果，根据该质量预警事项识别结果的果蔬品种以及遍历到的对应的第二质量预警事项标定结果的果蔬品种之间的标签词向量距离，确定所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的果蔬品种识别损失；根据所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的果蔬品种识别损失、以及所述多维果蔬质量描述队列涵盖的多维果蔬质量描述组数，获得在每个阶段性质检指示下，所述待分析智能监测预警策略的果蔬品种识别损失。
如此设计，可以通过每个阶段性质检指示下待分析智能监测预警策略的果蔬品种识别损失的确定来分析多维果蔬质量描述所对应的识别情况在果蔬品种上的全局性损失，全局性损失越大，表征识别情况精度越低，全局性损失越小，表征识别情况精度越高，进而提供了一种适应能力更强的智能监测预警策略分析技术。
对于一些可独立实施的技术方案而言，所述方法还包括：根据遍历到的不具有对应第一质量预警事项标定结果的质量预警事项识别结果的数目与所述每组多维果蔬质量描述中的质量预警事项识别结果的全局数目的量化分析结果，确定所述待分析智能监测预警策略在所述每组多维果蔬质量描述的第一量化监测预警评价；和/或，对于所述每组多维果蔬质量描述中不少于一个质量预警事项标定结果中的每个质量预警事项标定结果，从所述不少于一个质量预警事项识别结果中遍历是否具有与该质量预警事项标定结果之间的适配指数大于第三设定判定值的第一质量预警事项识别结果；并根据遍历到的不具有对应第一质量预警事项识别结果的质量预警事项标定结果的数目与所述每组多维果蔬质量描述中的质量预警事项标定结果的全局数目的量化分析结果，确定所述待分析智能监测预警策略在所述每组多维果蔬质量描述的第二量化监测预警评价。
如此设计，可以基于每组多维果蔬质量描述中的不少于一个质量预警事项标定结果和不少于一个质量预警事项识别结果的适配情况，确定针对每组多维果蔬质量描述的第一量化监测预警评价和/或第二量化监测预警评价，以对每组多维果蔬质量描述的识别情况进行全链条分析。
对于一些可独立实施的技术方案而言，所述根据遍历到的不具有对应第一质量预警事项标定结果的质量预警事项识别结果的数目与所述每组多维果蔬质量描述中的质量预警事项识别结果的全局数目的量化分析结果，确定所述待分析智能监测预警策略在所述每组多维果蔬质量描述的第一量化监测预警评价，包括：针对每个阶段性质检指示，根据遍历到的不具有对应第一质量预警事项识别结果的质量预警事项标定结果的数目与该阶段性质检指示内所确定出的质量预警事项识别结果的全局数目的量化分析结果，获得在该阶段性质检指示下，所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的第一量化监测预警评价；所述根据遍历到的不具有对应第一质量预警事项识别结果的质量预警事项标定结果的数目与所述每组多维果蔬质量描述中的质量预警事项标定结果的全局数目的量化分析结果，确定所述待分析智能监测预警策略在所述每组多维果蔬质量描述的第二量化监测预警评价，包括：针对每个阶段性质检指示，根据遍历到的不具有对应第一质量预警事项标定结果的质量预警事项识别结果的数目与该阶段性质检指示内所确定的质量预警事项标定结果的全局数目的量化分析结果，获得在该阶段性质检指示下，所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的第二量化监测预警评价。
对于一些可独立实施的技术方案而言，所述方法还包括：结合在每个阶段性质检指示下，所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的第一量化监测预警评价，生成在所述果蔬全链条生产监控端的全链条质检指示内，所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的第一监测预警评价列表；和/或，结合在每个阶段性质检指示下，所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的第二量化监测预警评价，生成在所述果蔬全链条生产监控端的全链条质检指示内，所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的第二监测预警评价列表。
如此，可以基于每组多维果蔬质量描述的第一监测预警评价列表和/或第二监测预警评价列表的生成视觉性的处理结果，进而保障监测预警评价内容的完整输出。
第二方面，本申请还提供了一种智能监测预警系统，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述所述的方法。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并于说明书一起用于解释本申请的原理。
图1是本申请实施例提供的一种智能监测预警系统的硬件结构示意图。
图2是本申请实施例提供的一种果蔬全链条智能监测预警方法的流程示意图。
图3是本申请实施例提供的一种果蔬全链条智能监测预警方法的应用环境的通信架构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本申请实施例所提供的方法实施例可以在智能监测预警系统、计算机设备或者类似的运算装置中执行。以运行在智能监测预警系统上为例，图1是本申请实施例的实施一种果蔬全链条智能监测预警方法的智能监测预警系统的硬件结构框图。如图1所示，智能监测预警系统10可以包括一个或多个（图1中仅示出一个）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器104，可选地，上述智能监测预警系统还可以包括用于通信功能的传输装置106。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述智能监测预警系统的结构造成限定。例如，智能监测预警系统10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本申请实施例中的一种果蔬全链条智能监测预警方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至智能监测预警系统10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括智能监测预警系统10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频（RadioFrequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
基于此，请参阅图2，图2是本发明实施例所提供的一种果蔬全链条智能监测预警方法的流程示意图，该方法应用于智能监测预警系统，进一步可以包括以下内容描述的技术方案。
S201、确定针对果蔬全链条生产监控端记录的多维果蔬质量描述队列中每组多维果蔬质量描述进行关键词添加得到的不少于一个质量预警事项标定结果。
在本申请实施例中，果蔬全链条生产监控端可以是果蔬生产线对应的监控设备或者监控传感器，多维果蔬质量描述可以理解为具有不同特征的果蔬质量数据或者果蔬质量信息，包括但不限于虫害质量描述、病害质量描述、温度数据、尺寸信息、色泽信息以及饱满度质量描述等。
进一步地，关键词添加可以理解为对多维果蔬质量描述进行注释处理，从而得到对应的质量预警事项标定结果，质量预警事项标定结果中包括多个质量预警事项的真实注释情况。
S202、基于待分析智能监测预警策略对所述每组多维果蔬质量描述进行事项识别得到的不少于一个质量预警事项识别结果。
在本申请实施例中，待分析智能监测预警策略可以理解为基于人工智能搭建的神经网络模型，通过待分析智能监测预警策略对多维果蔬质量描述进行事项识别，可以得到质量预警事项对应的测试结果或者预测结果。
S203、通过确定的所述不少于一个质量预警事项标定结果和所述不少于一个质量预警事项识别结果，获得在将所述果蔬全链条生产监控端的全链条质检指示进行阶段性处理得到的若干阶段性质检指示下，所述待分析智能监测预警策略的事项识别状态表达。
可以理解的是，质量预警事项标定结果对应于真实结果，质量预警事项识别结果对应于测试结果，通过真实结果和测试结果，能够实现对待分析智能监测预警策略的性能检测或者评估。进一步地，全链条质检指示可以理解为针对果蔬生产线设置的整体性的或者全局性的质检指示，阶段性处理可以理解为拆分处理或者拆解处理，相应的，阶段性质检指示可以理解为针对个别环节的质检指示，如此设计，能够化整为零，从而精准可靠地确定出待分析智能监测预警策略在若干阶段性质检指示下的事项识别状态表达。在本申请实施例中，事项识别状态表达可以包括针对待分析智能监测预警策略所作出的多个层面的性能检测，相关内容请参阅以下技术方案。
在一些可能的实施例中，S203所描述的通过确定的所述不少于一个质量预警事项标定结果和所述不少于一个质量预警事项识别结果，获得在将所述果蔬全链条生产监控端的质检指示进行阶段性处理得到的若干阶段性质检指示下，所述待分析智能监测预警策略的事项识别状态表达，可以包括S2031-S2033所描述的技术方案。
S2031、对于所述若干阶段性质检指示中的每个阶段性质检指示，从所述不少于一个质量预警事项识别结果中确定匹配于该阶段性质检指示的不少于一个质量预警事项识别结果，以及从所述不少于一个质量预警事项标定结果中，确定匹配于该阶段性质检指示的不少于一个质量预警事项标定结果。
S2032、结合确定的所述不少于一个质量预警事项识别结果和所述不少于一个质量预警事项标定结果，获得在该阶段性质检指示下，所述待分析智能监测预警策略在每组所述多维果蔬质量描述下的事项识别状态表达。
在一些示例中，待分析智能监测预警策略的事项识别状态表达包括第一识别状态评价。基于此，S2032所描述的结合确定的所述不少于一个质量预警事项识别结果和所述不少于一个质量预警事项标定结果，获得在该阶段性质检指示下，所述待分析智能监测预警策略在每组所述多维果蔬质量描述下的事项识别状态表达，可以包括以下内容：对于确定的所述不少于一个质量预警事项识别结果中的每个质量预警事项识别结果，从确定的所述不少于一个质量预警事项标定结果中遍历是否具有与该质量预警事项识别结果之间的适配指数大于第一设定判定值的第一质量预警事项标定结果；根据遍历到的具有对应第一质量预警事项标定结果的质量预警事项识别结果的数目与所述每组多维果蔬质量描述中质量预警事项识别结果的全局数目的量化分析结果，获得在每个阶段性质检指示下，所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的事项定位指标。
在本申请实施例中，事项定位指标可以是描述挖掘的准确性指标。
进一步地，结合在每个阶段性质检指示下，所述待分析智能监测预警策略在每组所述多维果蔬质量描述下的事项识别状态表达，获得在该阶段性质检指示下，所述待分析智能监测预警策略的事项识别状态表达，可以包括以下内容：结合在每个阶段性质检指示下，所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的事项定位指标、以及所述多维果蔬质量描述队列涵盖的多维果蔬质量描述组数，获得在该阶段性质检指示下，所述待分析智能监测预警策略的第一识别状态评价。
在另外一些示例中，所述待分析智能监测预警策略的事项识别状态表达包括第一识别状态评价。基于此，S2032所描述的结合确定的所述不少于一个质量预警事项识别结果和所述不少于一个质量预警事项标定结果，获得在该阶段性质检指示下，所述待分析智能监测预警策略在每组所述多维果蔬质量描述下的事项识别状态表达，可以包括以下内容：基于参考质量描述所对应的映射空间与多维果蔬质量描述所对应的映射空间之间的配对列表，将确定的所述不少于一个质量预警事项标定结果依次调整为对应的局部事项标定结果，以及将确定的所述不少于一个质量预警事项识别结果依次调整为对应的局部事项识别结果；基于调整后的不少于一个局部事项标定结果和不少于一个局部事项识别结果，获得在该阶段性质检指示下，所述待分析智能监测预警策略在每组所述多维果蔬质量描述下、在所述参考质量描述下的事项定位指标。
进一步地，所述结合在每个阶段性质检指示下，所述待分析智能监测预警策略在每组多维果蔬质量描述下的事项识别状态表达，得到在该阶段性质检指示下，所述待分析智能监测预警策略的事项识别状态表达，可以包括：结合在每个阶段性质检指示下，所述待分析智能监测预警策略在每组所述多维果蔬质量描述下、在所述参考质量描述下的事项定位指标、以及所述多维果蔬质量描述队列涵盖的多维果蔬质量描述组数，获得在该阶段性质检指示下，所述待分析智能监测预警策略在所述参考质量描述下的第一识别状态评价。
S2033、结合在每个阶段性质检指示下，所述待分析智能监测预警策略在每组所述多维果蔬质量描述下的事项识别状态表达，获得在该阶段性质检指示下，所述待分析智能监测预警策略的事项识别状态表达。
在一些可能的实施例中，S203所描述的通过确定的所述不少于一个质量预警事项标定结果和所述不少于一个质量预警事项识别结果，获得在每个阶段性质检指示下，所述待分析智能监测预警策略的事项识别状态表达，还可以通过以下S203a-S203c实现。
S203a、对于确定的所述不少于一个质量预警事项识别结果中的每个质量预警事项识别结果，从确定的所述不少于一个质量预警事项标定结果中遍历是否具有与该质量预警事项识别结果之间的适配指数大于第一设定判定值的第一质量预警事项标定结果。
S203b、针对遍历到的不具有对应第一质量预警事项标定结果的每个质量预警事项识别结果，从所述不少于一个质量预警事项标定结果中遍历与该质量预警事项识别结果之间的适配指数大于第二设定判定值且小于所述第一设定判定值的第二质量预警事项标定结果。
S203c、基于遍历到的每个质量预警事项识别结果、以及遍历到的第二质量预警事项标定结果，获得在每个阶段性质检指示下，所述待分析智能监测预警策略的事项识别状态表达。
在一些示例中，所述待分析智能监测预警策略的事项识别状态表达包括第二识别状态评价。基于此，S203c所描述的基于遍历到的每个质量预警事项识别结果、以及遍历到的第二质量预警事项标定结果，获得在每个阶段性质检指示下，所述待分析智能监测预警策略的事项识别状态表达，可以包括S203c1-S203c4所描述的技术方案。
S203c1、针对遍历到的每个质量预警事项识别结果，基于参考质量描述所对应的映射空间与多维果蔬质量描述所对应的映射空间之间的配对列表，将该质量预警事项识别结果、以及遍历到的第二质量预警事项标定结果分别迁移至所述参考质量描述所对应的映射空间，得到迁移后的局部事项识别结果和第二局部事项标定结果。
S203c1、确定迁移后的局部事项识别结果和第二局部事项标定结果之间的量化差异。
S203c1、通过确定的所述量化差异，确定所述待分析智能监测预警策略在每组所述多维果蔬质量描述下的整体性状态损失。
S203c1、根据所述待分析智能监测预警策略在每组所述多维果蔬质量描述下的整体性状态损失、以及所述多维果蔬质量描述队列涵盖的多维果蔬质量描述组数，获得在每个阶段性质检指示下，所述待分析智能监测预警策略的整体性状态损失。
在本申请实施例中，整体性状态损失可以理解为待分析智能监测预警策略在进行质量预警事项识别过程中的遗漏程度。
在另外的一些示例下，所述待分析智能监测预警策略的事项识别状态表达包括第三识别状态评价。基于此，S203c所描述的基于遍历到的每个质量预警事项识别结果、以及遍历到的第二质量预警事项标定结果，获得在每个阶段性质检指示下，所述待分析智能监测预警策略的事项识别状态表达，可以包括以下内容：针对遍历到的每个质量预警事项识别结果，将该质量预警事项识别结果以及遍历到的对应的第二质量预警事项标定结果在生产环节和果蔬品种上进行绑定，得到绑定后的质量预警事项识别结果和第二质量预警事项标定结果；基于绑定后的质量预警事项识别结果和第二质量预警事项标定结果之间的适配指数，确定所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的区域性状态识别损失；根据所述待分析智能监测预警策略在所述每组多维果蔬质量描述的区域性状态识别损失、以及所述多维果蔬质量描述队列涵盖的多维果蔬质量描述组数，获得在每个阶段性质检指示下，所述待分析智能监测预警策略的区域性状态识别损失。
在本申请实施例中，区域性状态识别损失可以理解为待分析智能监测预警策略对存在关联的质量预警事项进行识别时的误差。
在另外一些示例中，所述待分析智能监测预警策略的事项识别状态表达包括第四识别状态评价。基于此，S203c所描述的基于遍历到的每个质量预警事项识别结果、以及遍历到的第二质量预警事项标定结果，获得在每个阶段性质检指示下，所述待分析智能监测预警策略的事项识别状态表达，可以包括以下内容：针对遍历到的每个质量预警事项识别结果，根据该质量预警事项识别结果的果蔬品种以及遍历到的对应的第二质量预警事项标定结果的果蔬品种之间的标签词向量距离，确定所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的果蔬品种识别损失；根据所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的果蔬品种识别损失、以及所述多维果蔬质量描述队列涵盖的多维果蔬质量描述组数，获得在每个阶段性质检指示下，所述待分析智能监测预警策略的果蔬品种识别损失。
在本申请实施例中，果蔬品种识别损失可以理解为针对果蔬品种的识别误差。
在上述内容的基础上，该方法还可以包括以下实施方式A和实施方式B中的至少一种。
实施方式A、根据遍历到的不具有第一质量预警事项标定结果的质量预警事项识别结果的数目与所述每组多维果蔬质量描述中的质量预警事项识别结果的全局数目的量化分析结果，确定所述待分析智能监测预警策略在所述每组多维果蔬质量描述的第一量化监测预警评价。
实施方式B、对于所述每组多维果蔬质量描述中不少于一个质量预警事项标定结果中的每个质量预警事项标定结果，从所述不少于一个质量预警事项识别结果中遍历是否具有与该质量预警事项标定结果之间的适配指数大于第三设定判定值的第一质量预警事项识别结果；并根据遍历到的不具有对应第一质量预警事项识别结果的质量预警事项标定结果的数目与所述每组多维果蔬质量描述中的质量预警事项标定结果的全局数目的量化分析结果，确定所述待分析智能监测预警策略在所述每组多维果蔬质量描述的第二量化监测预警评价。
在上述实施例A中，根据遍历到的不具有对应第一质量预警事项标定结果的质量预警事项识别结果的数目与所述每组多维果蔬质量描述中的质量预警事项识别结果的全局数目的量化分析结果，确定所述待分析智能监测预警策略在所述每组多维果蔬质量描述的第一量化监测预警评价，可以包括以下内容：针对每个阶段性质检指示，根据遍历到的不具有对应第一质量预警事项识别结果的质量预警事项标定结果的数目与该阶段性质检指示内所确定出的质量预警事项识别结果的全局数目的量化分析结果，获得在该阶段性质检指示下，所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的第一量化监测预警评价。
在上述实施例B中，根据遍历到的不具有对应第一质量预警事项识别结果的质量预警事项标定结果的数目与所述每组多维果蔬质量描述中的质量预警事项标定结果的全局数目的量化分析结果，确定所述待分析智能监测预警策略在所述每组多维果蔬质量描述的第二量化监测预警评价，可以包括以下内容：针对每个阶段性质检指示，根据遍历到的不具有对应第一质量预警事项标定结果的质量预警事项识别结果的数目与该阶段性质检指示内所确定的质量预警事项标定结果的全局数目的量化分析结果，获得在该阶段性质检指示下，所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的第二量化监测预警评价。
在上述内容的基础上，还可以包括S204和S205中的至少一个步骤。
S204、结合在每个阶段性质检指示下，所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的第一量化监测预警评价，生成在所述果蔬全链条生产监控端的全链条质检指示内，所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的第一监测预警评价列表。
S205、结合在每个阶段性质检指示下，所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的第二量化监测预警评价，生成在所述果蔬全链条生产监控端的全链条质检指示内，所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的第二监测预警评价列表。
在本申请实施例中，第一监测预警评价列表对应于多维果蔬质量描述的漏检评价，第一监测预警评价列表对应于多维果蔬质量描述的误差评价，本申请实施例不作限制。
基于上述相同或相似的发明构思，还提供了一种果蔬全链条智能监测预警方法的应用环境30的架构示意图，包括互相之间通信的智能监测预警系统10和果蔬全链条生产监控端20，智能监测预警系统10和果蔬全链条生产监控端20在运行时实现或者部分实现上述方法实施例所描述的技术方案。
进一步地，还提供了一种可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。
在本申请实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，媒体业务服务器10，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种果蔬全链条智能监测预警方法，其特征在于，应用于智能监测预警系统，所述方法包括：
确定针对果蔬全链条生产监控端记录的多维果蔬质量描述队列中每组多维果蔬质量描述进行关键词添加得到的不少于一个质量预警事项标定结果；
基于待分析智能监测预警策略对所述每组多维果蔬质量描述进行事项识别得到的不少于一个质量预警事项识别结果；
通过确定的所述不少于一个质量预警事项标定结果和所述不少于一个质量预警事项识别结果，获得在将所述果蔬全链条生产监控端的全链条质检指示进行阶段性处理得到的若干阶段性质检指示下，所述待分析智能监测预警策略的事项识别状态表达。
2.如权利要求1所述的果蔬全链条智能监测预警方法，其特征在于，所述通过确定的所述不少于一个质量预警事项标定结果和所述不少于一个质量预警事项识别结果，获得在每个阶段性质检指示下，所述待分析智能监测预警策略的事项识别状态表达，包括：
对于确定的所述不少于一个质量预警事项识别结果中的每个质量预警事项识别结果，从确定的所述不少于一个质量预警事项标定结果中遍历是否具有与该质量预警事项识别结果之间的适配指数大于第一设定判定值的第一质量预警事项标定结果；
针对遍历到的不具有对应第一质量预警事项标定结果的每个质量预警事项识别结果，从所述不少于一个质量预警事项标定结果中遍历与该质量预警事项识别结果之间的适配指数大于第二设定判定值且小于所述第一设定判定值的第二质量预警事项标定结果；
基于遍历到的每个质量预警事项识别结果、以及遍历到的第二质量预警事项标定结果，获得在每个阶段性质检指示下，所述待分析智能监测预警策略的事项识别状态表达。
3.如权利要求2所述的果蔬全链条智能监测预警方法，其特征在于，所述待分析智能监测预警策略的事项识别状态表达包括第二识别状态评价；所述基于遍历到的每个质量预警事项识别结果、以及遍历到的第二质量预警事项标定结果，获得在每个阶段性质检指示下，所述待分析智能监测预警策略的事项识别状态表达，包括：
针对遍历到的每个质量预警事项识别结果，基于参考质量描述所对应的映射空间与多维果蔬质量描述所对应的映射空间之间的配对列表，将该质量预警事项识别结果、以及遍历到的第二质量预警事项标定结果分别迁移至所述参考质量描述所对应的映射空间，得到迁移后的局部事项识别结果和第二局部事项标定结果；
确定迁移后的局部事项识别结果和第二局部事项标定结果之间的量化差异；
通过确定的所述量化差异，确定所述待分析智能监测预警策略在每组所述多维果蔬质量描述下的整体性状态损失；
根据所述待分析智能监测预警策略在每组所述多维果蔬质量描述下的整体性状态损失、以及所述多维果蔬质量描述队列涵盖的多维果蔬质量描述组数，获得在每个阶段性质检指示下，所述待分析智能监测预警策略的整体性状态损失。
4.如权利要求3所述的果蔬全链条智能监测预警方法，其特征在于，所述待分析智能监测预警策略的事项识别状态表达包括第三识别状态评价；
所述基于遍历到的每个质量预警事项识别结果、以及遍历到的第二质量预警事项标定结果，获得在每个阶段性质检指示下，所述待分析智能监测预警策略的事项识别状态表达，包括：
针对遍历到的每个质量预警事项识别结果，将该质量预警事项识别结果以及遍历到的对应的第二质量预警事项标定结果在生产环节和果蔬品种上进行绑定，得到绑定后的质量预警事项识别结果和第二质量预警事项标定结果；
基于绑定后的质量预警事项识别结果和第二质量预警事项标定结果之间的适配指数，确定所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的区域性状态识别损失；
根据所述待分析智能监测预警策略在所述每组多维果蔬质量描述的区域性状态识别损失、以及所述多维果蔬质量描述队列涵盖的多维果蔬质量描述组数，获得在每个阶段性质检指示下，所述待分析智能监测预警策略的区域性状态识别损失。
5.如权利要求4所述的果蔬全链条智能监测预警方法，其特征在于，所述待分析智能监测预警策略的事项识别状态表达包括第四识别状态评价；
所述基于遍历到的每个质量预警事项识别结果、以及遍历到的第二质量预警事项标定结果，获得在每个阶段性质检指示下，所述待分析智能监测预警策略的事项识别状态表达，包括：
针对遍历到的每个质量预警事项识别结果，根据该质量预警事项识别结果的果蔬品种以及遍历到的对应的第二质量预警事项标定结果的果蔬品种之间的标签词向量距离，确定所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的果蔬品种识别损失；
根据所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的果蔬品种识别损失、以及所述多维果蔬质量描述队列涵盖的多维果蔬质量描述组数，获得在每个阶段性质检指示下，所述待分析智能监测预警策略的果蔬品种识别损失。
6.如权利要求1所述的果蔬全链条智能监测预警方法，其特征在于，所述通过确定的所述不少于一个质量预警事项标定结果和所述不少于一个质量预警事项识别结果，获得在将所述果蔬全链条生产监控端的质检指示进行阶段性处理得到的若干阶段性质检指示下，所述待分析智能监测预警策略的事项识别状态表达，包括：
对于所述若干阶段性质检指示中的每个阶段性质检指示，从所述不少于一个质量预警事项识别结果中确定匹配于该阶段性质检指示的不少于一个质量预警事项识别结果，以及从所述不少于一个质量预警事项标定结果中，确定匹配于该阶段性质检指示的不少于一个质量预警事项标定结果；
结合确定的所述不少于一个质量预警事项识别结果和所述不少于一个质量预警事项标定结果，获得在该阶段性质检指示下，所述待分析智能监测预警策略在每组所述多维果蔬质量描述下的事项识别状态表达；
结合在每个阶段性质检指示下，所述待分析智能监测预警策略在每组所述多维果蔬质量描述下的事项识别状态表达，获得在该阶段性质检指示下，所述待分析智能监测预警策略的事项识别状态表达。
7.如权利要求6所述的果蔬全链条智能监测预警方法，其特征在于，所述待分析智能监测预警策略的事项识别状态表达包括第一识别状态评价；所述结合确定的所述不少于一个质量预警事项识别结果和所述不少于一个质量预警事项标定结果，获得在该阶段性质检指示下，所述待分析智能监测预警策略在每组所述多维果蔬质量描述下的事项识别状态表达，包括：
对于确定的所述不少于一个质量预警事项识别结果中的每个质量预警事项识别结果，从确定的所述不少于一个质量预警事项标定结果中遍历是否具有与该质量预警事项识别结果之间的适配指数大于第一设定判定值的第一质量预警事项标定结果；
根据遍历到的具有对应第一质量预警事项标定结果的质量预警事项识别结果的数目与所述每组多维果蔬质量描述中质量预警事项识别结果的全局数目的量化分析结果，获得在每个阶段性质检指示下，所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的事项定位指标；
所述结合在每个阶段性质检指示下，所述待分析智能监测预警策略在每组所述多维果蔬质量描述下的事项识别状态表达，获得在该阶段性质检指示下，所述待分析智能监测预警策略的事项识别状态表达，包括：
结合在每个阶段性质检指示下，所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的事项定位指标、以及所述多维果蔬质量描述队列涵盖的多维果蔬质量描述组数，获得在该阶段性质检指示下，所述待分析智能监测预警策略的第一识别状态评价。
8.如权利要求6所述的果蔬全链条智能监测预警方法，其特征在于，所述待分析智能监测预警策略的事项识别状态表达包括第一识别状态评价；所述结合确定的所述不少于一个质量预警事项识别结果和所述不少于一个质量预警事项标定结果，获得在该阶段性质检指示下，所述待分析智能监测预警策略在每组所述多维果蔬质量描述下的事项识别状态表达，包括：
基于参考质量描述所对应的映射空间与多维果蔬质量描述所对应的映射空间之间的配对列表，将确定的所述不少于一个质量预警事项标定结果依次调整为对应的局部事项标定结果，以及将确定的所述不少于一个质量预警事项识别结果依次调整为对应的局部事项识别结果；
基于调整后的不少于一个局部事项标定结果和不少于一个局部事项识别结果，获得在该阶段性质检指示下，所述待分析智能监测预警策略在每组所述多维果蔬质量描述下、在所述参考质量描述下的事项定位指标；
所述结合在每个阶段性质检指示下，所述待分析智能监测预警策略在每组多维果蔬质量描述下的事项识别状态表达，得到在该阶段性质检指示下，所述待分析智能监测预警策略的事项识别状态表达，包括：
结合在每个阶段性质检指示下，所述待分析智能监测预警策略在每组所述多维果蔬质量描述下、在所述参考质量描述下的事项定位指标、以及所述多维果蔬质量描述队列涵盖的多维果蔬质量描述组数，获得在该阶段性质检指示下，所述待分析智能监测预警策略在所述参考质量描述下的第一识别状态评价。
9.如权利要求8所述的果蔬全链条智能监测预警方法，其特征在于，所述方法还包括：
根据遍历到的不具有第一质量预警事项标定结果的质量预警事项识别结果的数目与所述每组多维果蔬质量描述中的质量预警事项识别结果的全局数目的量化分析结果，确定所述待分析智能监测预警策略在所述每组多维果蔬质量描述的第一量化监测预警评价；
和/或，对于所述每组多维果蔬质量描述中不少于一个质量预警事项标定结果中的每个质量预警事项标定结果，从所述不少于一个质量预警事项识别结果中遍历是否具有与该质量预警事项标定结果之间的适配指数大于第三设定判定值的第一质量预警事项识别结果；并根据遍历到的不具有对应第一质量预警事项识别结果的质量预警事项标定结果的数目与所述每组多维果蔬质量描述中的质量预警事项标定结果的全局数目的量化分析结果，确定所述待分析智能监测预警策略在所述每组多维果蔬质量描述的第二量化监测预警评价；
其中，所述根据遍历到的不具有对应第一质量预警事项标定结果的质量预警事项识别结果的数目与所述每组多维果蔬质量描述中的质量预警事项识别结果的全局数目的量化分析结果，确定所述待分析智能监测预警策略在所述每组多维果蔬质量描述的第一量化监测预警评价，包括：针对每个阶段性质检指示，根据遍历到的不具有对应第一质量预警事项识别结果的质量预警事项标定结果的数目与该阶段性质检指示内所确定出的质量预警事项识别结果的全局数目的量化分析结果，获得在该阶段性质检指示下，所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的第一量化监测预警评价；
所述根据遍历到的不具有对应第一质量预警事项识别结果的质量预警事项标定结果的数目与所述每组多维果蔬质量描述中的质量预警事项标定结果的全局数目的量化分析结果，确定所述待分析智能监测预警策略在所述每组多维果蔬质量描述的第二量化监测预警评价，包括：针对每个阶段性质检指示，根据遍历到的不具有对应第一质量预警事项标定结果的质量预警事项识别结果的数目与该阶段性质检指示内所确定的质量预警事项标定结果的全局数目的量化分析结果，获得在该阶段性质检指示下，所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的第二量化监测预警评价；
其中，所述方法还包括：结合在每个阶段性质检指示下，所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的第一量化监测预警评价，生成在所述果蔬全链条生产监控端的全链条质检指示内，所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的第一监测预警评价列表；结合在每个阶段性质检指示下，所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的第二量化监测预警评价，生成在所述果蔬全链条生产监控端的全链条质检指示内，所述待分析智能监测预警策略在所述每组多维果蔬质量描述下的第二监测预警评价列表。
10.一种智能监测预警系统，其特征在于，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述权利要求1-9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111194547.6A CN113627834B (zh) | 2021-10-13 | 2021-10-13 | 一种果蔬全链条智能监测预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111194547.6A CN113627834B (zh) | 2021-10-13 | 2021-10-13 | 一种果蔬全链条智能监测预警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113627834A true CN113627834A (zh) | 2021-11-09 |
| CN113627834B CN113627834B (zh) | 2022-02-08 |
Family
ID=78391281
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111194547.6A Active CN113627834B (zh) | 2021-10-13 | 2021-10-13 | 一种果蔬全链条智能监测预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113627834B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190228356A1 (en) * | 2018-01-22 | 2019-07-25 | International Business Machines Corporation | Creating action plans to handle legal matters based on model legal matters |
| CN112580022A (zh) * | 2020-12-07 | 2021-03-30 | 北京中电飞华通信有限公司 | 一种主机系统安全预警方法、装置、设备及存储介质 |
| CN113297925A (zh) * | 2021-04-30 | 2021-08-24 | 华中农业大学 | 一种果蔬全链条质量智能预警方法及系统 |
| CN113450545A (zh) * | 2021-08-31 | 2021-09-28 | 广东新禾道信息科技有限公司 | 自然灾害预警系统、方法、云平台及可储存介质 |
-
2021
- 2021-10-13 CN CN202111194547.6A patent/CN113627834B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190228356A1 (en) * | 2018-01-22 | 2019-07-25 | International Business Machines Corporation | Creating action plans to handle legal matters based on model legal matters |
| CN112580022A (zh) * | 2020-12-07 | 2021-03-30 | 北京中电飞华通信有限公司 | 一种主机系统安全预警方法、装置、设备及存储介质 |
| CN113297925A (zh) * | 2021-04-30 | 2021-08-24 | 华中农业大学 | 一种果蔬全链条质量智能预警方法及系统 |
| CN113450545A (zh) * | 2021-08-31 | 2021-09-28 | 广东新禾道信息科技有限公司 | 自然灾害预警系统、方法、云平台及可储存介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113627834B (zh) | 2022-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20190220967A1 (en) | Systems and methods for automated inferencing of changes in spatio-temporal images | |
| CN110351301B (zh) | 一种http请求双层递进式异常检测方法 | |
| Wang | Identification of crop diseases and insect pests based on deep learning | |
| CN113626241B (zh) | 应用程序的异常处理方法、装置、设备及存储介质 | |
| CN110008306A (zh) | 一种数据关系分析方法、装置及数据服务系统 | |
| CN114244603A (zh) | 异常检测及对比嵌入模型训练、检测方法、装置及介质 | |
| CN116578568A (zh) | 基于人工智能的数据优化存储方法及大数据系统 | |
| EP3983953A1 (en) | Understanding deep learning models | |
| CN114926683A (zh) | 空中飞行目标分类识别方法、装置及计算机可读存储介质 | |
| Ozdemir et al. | Comparison of deep learning techniques for classification of the insects in order level with mobile software application | |
| US20180137579A1 (en) | Method for optimizing crop production efficiency and apparatus for the same | |
| CN116257663A (zh) | 面向无人地面车辆的异常检测与关联分析方法及相关设备 | |
| CN112800090A (zh) | 结合边缘计算和路径分析的数据处理方法及大数据云平台 | |
| CN115705279A (zh) | 一种基于指标数据的智能故障预警方法和装置 | |
| CN113627834B (zh) | 一种果蔬全链条智能监测预警方法及系统 | |
| CN111290953B (zh) | 分析测试日志的方法与装置 | |
| CN110808947B (zh) | 一种自动化的脆弱性量化评估方法及系统 | |
| CN115766725B (zh) | 基于工业互联网的数据处理方法及系统 | |
| CN117170915A (zh) | 数据中心设备故障预测方法、装置和计算机设备 | |
| CN114550107A (zh) | 基于无人机集群的桥梁联动智能巡检方法、系统及云平台 | |
| CN113190255A (zh) | 一种大数据在线话题服务升级方法、服务器及存储介质 | |
| CN102999590B (zh) | 识别官方网站的方法和系统 | |
| CN113032236B (zh) | 应用于人工智能和云计算的业务行为处理方法及服务器 | |
| Arulmozhi et al. | ALRC: A novel adaptive linear regression based classification for grade based student learning using radio frequency identification | |
| CN115658675B (zh) | 应用于数据处理的噪声优化方法及ai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 |