CN113674093B - 一种基于区块链的农产品供应链管控系统 - Google Patents
一种基于区块链的农产品供应链管控系统 Download PDFInfo
- Publication number
- CN113674093B CN113674093B CN202110811487.1A CN202110811487A CN113674093B CN 113674093 B CN113674093 B CN 113674093B CN 202110811487 A CN202110811487 A CN 202110811487A CN 113674093 B CN113674093 B CN 113674093B
- Authority
- CN
- China
- Prior art keywords
- data
- planting
- transportation
- market
- station
- 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
- 238000013068 supply chain management Methods 0.000 title claims abstract description 17
- 238000003860 storage Methods 0.000 claims abstract description 100
- 238000012795 verification Methods 0.000 claims abstract description 29
- 230000000875 corresponding effect Effects 0.000 claims description 50
- 238000007689 inspection Methods 0.000 claims description 29
- 238000007726 management method Methods 0.000 claims description 25
- 238000003306 harvesting Methods 0.000 claims description 18
- 239000002689 soil Substances 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 16
- 238000005286 illumination Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 239000012634 fragment Substances 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 2
- 238000013523 data management Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000032258 transport Effects 0.000 description 27
- 239000011232 storage material Substances 0.000 description 15
- 238000012544 monitoring process Methods 0.000 description 8
- 241000196324 Embryophyta Species 0.000 description 6
- 238000010276 construction Methods 0.000 description 6
- 238000006073 displacement reaction Methods 0.000 description 6
- 240000008042 Zea mays Species 0.000 description 5
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 5
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 5
- 235000005822 corn Nutrition 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 235000013311 vegetables Nutrition 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioethics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Animal Husbandry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Educational Administration (AREA)
- Mining & Mineral Resources (AREA)
- Technology Law (AREA)
- Marine Sciences & Fisheries (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供应链管控系统,包括:若干个种植数据站,将种植区的种植数据存储并通过区块链存证;若干个市场数据站,将销售数据存储并通过区块链存证;若干个运输跟踪器,设置在运输车上,运输数据包括位置数据和车厢温湿度数据;验货服务器,当市场数据站收到运输数据时,请求验货服务器对运输数据对应的农产品进行验货,分别将验货模型和运输验证模型发送到对应种植数据站和市场数据站执行,若结果为未通过,则阻止对应农产品销售。本发明的有益效果是:通过建立种植数据站和市场数据站分布跟踪种植数据和市场销售数据,采用运输跟踪器获得农产品的运输数据,提供了适合农产品的产品溯源数据。
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供应链管控系统。
背景技术
农业供应链涉及农户、运输、仓储和农产品市场。农户种植的农产品通过农产品供应链供应到每个消费者。农产品供应链是一种特殊的供应链,不仅协调农业生产资料供应商、生产者、经销者、消费者之间的利益,还承担着稳定供应日常所需农副产品的功能。其复杂性在于,既要使参与农产品供应链的各个参与主体获得一定的利益,又要避免农产品供应不足或者价格过高。虽然我国建立了市场调研机制和农产品储备仓,用于第一时间跟踪农产品的价格走势,并在价格走势异常时,通过农产品储备仓主动进行市场调节,起到了一定的稳定农产品市场,维持农产品供应链健康的作用。然而建立市场调研机制和农产品储备仓的成本较高,且仍然是一种事后被动调节的方式,不仅具有一定的滞后性,而且治标不治本,难以避免下一次农产品的价格异常被动。尤其是对于保质期较短的农产品,由于不适宜储存,因而无法有效主动对市场进行调节。随着信息技术的发展,农产品供应链中也越来越多的接入了信息化管理系统,充分利用信息化管理系统中的数据,能够在农作物种植时,就介入市场供需平衡的调控,从源头确保农产品供应量稳定,从而有效避免农产品价格的剧烈变动,维持农产品供应链的健康稳定。但目前缺乏有效实现农产品供应链管控的技术方案。
中国专利CN112036786A,公开日2020年12月4日,是与本申请最接近的现有技术,其公开了一种基于区块链的供应链管控方法、设备及介质,方法包括:通过物品对应的码信息,接收物品在供应链流转过程中的流转信息;将流转信息验证后写入区块链中;根据区块链的智能合约对流转信息进行处理,以对供应链的相关方提供数据服务和营销服务。其技术方案使得商品在供应链中的权属关系和流通过程通过一物一码的方式完整透明的记录在区块链中,提升供应链数字化管理能力。但仅能够实现商品的真伪和溯源,对于农产品这种没有固定包装的特殊商品而言,其技术方案不能适用,且不具有供应链供需平衡管控功能。
发明内容
本发明要解决的技术问题是:目前缺乏适合农产品供应链溯源系统的技术问题。提出了一种基于区块链的农产品供应链管控系统,能够追踪农产品的种植和运输情况,确保农产品质量。
为解决上述技术问题,本发明所采取的技术方案为:一种基于区块链的农产品供应链管控系统,包括:若干个种植数据站,所述种植数据站接入若干个种植区,将种植区的种植数据存储并通过区块链存证;若干个市场数据站,所述市场数据站设置在农产品批发市场中,接入市场的每日的销售数据,将销售数据存储并通过区块链存证;若干个运输跟踪器,设置在运输车上,所述运输跟踪器具有唯一标识,获得运输车的运输数据,所述运输数据包括位置数据和车厢温湿度数据,运输跟踪器将所述运输数据关联时间戳存储;所述运输车离开种植区时,种植区对应的种植数据站将运输跟踪器的唯一标识关联种植数据存储,并通过区块链存证,当运输车到达农产品批发市场时,运输车上设置的运输跟踪器将存储的运输数据提交给市场数据站,所述市场数据站存储所述运输数据并通过区块链进行存证;验货服务器,与种植数据站和市场数据站连接,当市场数据站收到运输数据时,请求验货服务器对运输数据对应的农产品进行验货,所述验货服务器将验货模型发送到对应种植数据站执行,获得验货模型反馈结果,所述验货服务器将运输验证模型发送到对应市场数据站,若验货模型或运输验证模型的反馈结果为未通过,则阻止对应农产品上架销售。
作为优选,还包括种植管控服务器,所述种植管控服务器与种植数据站和市场数据站建立加密通信,所述种植数据包括农产品的种类、面积和生长环境数据,所述销售数据包括种类、销量和售价,在若干个市场数据站之间构建联邦计算,获得每种农产品在一年中每月的平均销量,当农户欲种植新农作物时,通过种植数据站连接种植管控服务器,所述种植管控服务器将生长模型发送到种植有同种农作物的种植数据站模型,获得已种植农作物的预测产量和预测收获期,若农户欲种植新农作物的预测收获期内同种农产品的预测产量超过同期平均销量达预设百分比,则通知农户更换欲种植农作物的种类。
作为优选,若干个市场数据站之间构建联邦计算时,每个市场数据站首先计算获得自身接入的市场的每种农产品每月的平均销量,遍历每种农产品,执行:设置月份i为1,执行单月平均销量统计:每个市场数据站将i月份的平均销量加上随机数a1后关联签名广播,而后再将将i月份的平均销量加上随机数a2后关联签名广播,同时监听其他市场数据站广播出的i月份平均销量,当收到两个其他市场数据站广播的i月份平均销量时,将收到的两个i月份平均销量相加,再加上自身的真实i月份平均销量后作为中间和,将中间和使用到的i月份平均销量分别用对应的市场数据站公钥加密作为两个关联加数,而后关联自身签名并广播;其他市场数据站收到关联签名的中间和后,判断中间和是否关联有自己签名过,若无自己的签名,则尝试解密关联加数,若能够解密关联加数,则解密出的关联加数推算出被算入中间和的随机数的值,将中间和减掉随机数后,关联自身的签名并广播,若无法解密关联加数,则直接将中间和加上自身的i月份平均销量,关联自己的签名后广播;市场数据站在广播时均避免向已关联有签名的市场数据站发送中间和;最终某个市场数据站将收到除自身外全部其他市场数据站签名的中间和后,尝试解密关联加数,若能够解密关联加数,则解密出的关联加数推算出被算入中间和的随机数的值,将中间和减掉随机数后,将中间和作为最终的i月份平均销量,若无法解密关联加数,则直接将中间和加上自身的i月份平均销量,将中间和作为最终的i月份平均销量;将i自加1,重新执行单月平均销量统计,直到i等于12。
作为优选,所述种植管控服务器存储每种农产品的保质期,将农产品的收获期结束时间加上农产品的保质期作为农产品的存在期,根据预测产量、预测收获期和保质期获得预测产量的预测存在期,获得农户欲种植新农作物的预测收获期,加上对应农产品的保质期获得预测存在期,获得预测存在期与农户欲种植新农作物产出的农产品的预测存在期重叠的农产品的总预测产量,若总预测产量超过预测销量,则通知农户更换欲种植农作物的种类,所述预测销量等于预测存在期包含的月的平均销量累加,若包含不满一月,则按预测存在期包含的天数折算对应月的预测销量。
作为优选,所述种植数据站为每个种植区开辟有存储轨,所述存储轨采用顺序存储结构,为每个存储轨建立初始标识点并存入初始的关联哈希值,初始的关联哈希值为随机数,所述种植数据站周期性将种植区的种植数据存入所述存储轨,所述种植数据站周期性在存储轨建立标识点,所述标识点占用预设长度的存储空间,提取最新的两个标识点之间种植数据的哈希值作为标识哈希值,提取标识哈希值和上一个标识点存储的关联哈希值一起提取哈希值,作为新的关联哈希值,存入最新的标识点,所述种植数据站以第二周期将最新的标识点内的管理哈希值上传区块链存储,并将对应区块高度和区块哈希值存储在最新的标识点内。
作为优选,所述种植数据站建立新的标识点时,从最新的两个标识点之间种植数据中尝试截取预设长度的数据片段,将数据片段与最新的标识点内的关联哈希值一起提取哈希值作为特征哈希值,使得全部存储轨的特征哈希值的末尾若干位取值相同,将截取的数据片段存入标识点;所述存储轨具有编号,所述存储轨的特征哈希值大小顺序与编号顺序相同,若存在存储轨无法找到满足要求的数据片段,则全部存储轨均减小数据片段的长度,重新建立特征哈希值。
作为优选,所述生长环境数据包括空气温湿度、风速、土壤温湿度和土壤酸碱度,每种农产品的验货模型记录相应农作物的允许生长环境数据范围,所述允许生长环境数据范围限定了允许空气温湿度范围、风速范围、土壤温湿度范围和土壤酸碱度范围,所述验货服务器将验货模型发送到对应种植数据站时,同时发送运输数据对应的运输跟踪器的唯一标识给种植数据站,所述验货模型调取种植数据站中记录的与运输跟踪器的唯一标识关联的种植数据,判断种植数据中的生长环境数据是否超出允许生长环境数据,若不超出则判定对应农产品验货通过,反之,则判定对应农产品验货不通过。
作为优选,所述种植数据站周期性收集种植区的生长环境数据,并关联时间戳存储,所述生长环境数据包括空气温湿度、风速、土壤温湿度、土壤酸碱度和光照,所述光照包括光照强度和光照起止时间,所述验货模型为产量预测模型,所述产量预测模型的输入为生长环境数据,输出为预测产量,所述验货服务器在一定时期内获取并保存每个种植区关联的运输跟踪器的唯一标识,所述验货服务器每次收到预测产量时,统计所关联的运输跟踪器所跟踪的运输车的运输量,若运输量超过种植区的预测产量一定百分比,则发出警告,并判定本次农产品验货不通过。
作为优选,所述产量预测模型为神经网络模型,所述种植数据站统计种植区种植的农作物收获期内被运输的总量作为种植区的产量,将农作物品种、面积和种植数据与产量关联作为样本数据,提供给所述验货服务器,所述验货服务器积累预设数量的样本数据后,为每个农产品的品种建立并训练神经网络模型,所述神经网络模型的输入为种植数据,输出为单位面积产量。
作为优选,所述运输跟踪器周期性将当前位置及当前车厢温度关联时间戳后存储,所述运输验证模型调取运输车上安装的运输跟踪器的位置数据和车厢温湿度数据,获得运输车的速度曲线,调取运输车的车速小于预设阈值的时段,判断车速小于预设阈值时运输车的位置是否位于公路道路上,若运输车不位于公路道路且车速小于预设阈值的时长超过阈值,则判定运输验证不通过,反之则进行运输温度的验证;运输温度的验证:读取车厢温度数据,若运输过程中温湿度高于预设阈值,则判定运输温度验证不通过,即判断运输验证不通过,反之,则判断运输验证通过。
作为优选,所述运输跟踪器包括温湿度监测模块、定位模块、存储模块和通信模块,所述温湿度监测模块监测运输车车厢的温湿度,所述定位模块监测运输车的位置信息,所述温湿度及位置信息数据作为运输数据存入所述存储模块,所述通信模块与种植数据站及市场数据站建立近场通信连接,所述运输车运输农产品时,将若干个运输跟踪器置入所述农产品中,运输跟踪器收集运输过程的运输数据。
作为优选,所述存储模块包括存储代理层、结构数据构建层、存储介质和缓冲区,所述温湿度监测模块和定位模块周期性将温湿度和位置信息写入缓冲区,所述结构数据构建层建立运输数据的数据结构,所述数据结构包括时间戳、温度、湿度、位置、温度差、湿度差和位移,所述温度差、湿度差和位移为与上一次被写入缓冲区的温湿度和位置信息计算获得,将数据结构提交给存储代理层,每次运输开始前,所述存储介质被填充空值,所述存储代理层在存储介质上不连续的开辟若干个存储块,所述存储块大小为预设长度,每个存储块的起始地址为其寻址地址,所述存储代理层记录此时开辟的全部存储块的寻址地址,所述存储代理层收到结构数据后,从全部寻址地址中随机选择一个寻址地址,查询所述寻址地址对应的存储块是否为空,若为空,则将结构输入存入,若不为空,则在存储介质上向下寻找下一个存储块,若两个存储块之间的未开辟区域长度大于结构数据长度,则在两个存储块之间新开辟一个存储块,将当前结构数据存入。
本发明的实质性效果是:1)通过建立种植数据站和市场数据站分布跟踪种植数据和市场销售数据,采用运输跟踪器获得农产品的运输数据,全部掌握了农产品供应链的供销数据,并通过运输跟踪器将销售的农产品关联种植数据,提供了适合农产品的产品溯源数据;2)通过区块链将数据进行存证,保证了数据的真实性,能够快速验证数据是否被篡改过;3)通过验货服务器自动快速的发现明显的种植不当及运输不合规,确保农产品的质量,减少市场验货时间和人工成本;4)通过种植管控服务器在农产品种植时就提供供需平衡参考数据,能够避免供需大幅失衡,即能够确保消费者能够得到足够的农产品,又避免农产品过量供应,影响农户及其他农产品供应链参与者的利益;5)通过改进的联邦计算更为快速的实现平均销量的计算,同时避免泄露市场数据站的隐私数据。
附图说明
图1为实施例一农产品供应链管控系统结构示意图。
图2为实施例一单月平均销量统计方法流程图。
图3为实施例一种植管控服务器工作流程示意图。
图4为实施例一种植数据站存储结构示意图。
图5为实施例一验货服务器工作流程示意图。
图6为实施例二运输跟踪器结构示意图。
其中:10、种植数据站,11、存储轨,12、初始关联哈希值,13、数据片段,14、标识哈希值,15、特征哈希值,16、关联哈希值,17、标识点,20、运输跟踪器,21、温湿度监测模块,22、定位模块,23、存储模块,24、通信模块,30、验货服务器,31、验货模型,32、运输验证模型,40、种植管控服务器,41、生长模型,50、市场数据站,60、区块链,231、缓冲区,232、结构数据构建层,233、存储代理层,234、存储介质。
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:
一种基于区块链的农产品供应链管控系统,请参阅附图1,本系统包括:
若干个种植数据站10,种植数据站10接入若干个种植区,将种植区的种植数据存储并通过区块链60存证;
若干个市场数据站50,市场数据站50设置在农产品批发市场中,接入市场的每日的销售数据,将销售数据存储并通过区块链60存证;
若干个运输跟踪器20,设置在运输车上,运输跟踪器20具有唯一标识,获得运输车的运输数据,运输数据包括位置数据和车厢温湿度数据,运输跟踪器20将运输数据关联时间戳存储;运输车离开种植区时,种植区对应的种植数据站10将运输跟踪器20的唯一标识关联种植数据存储,并通过区块链60存证,当运输车到达农产品批发市场时,运输车上设置的运输跟踪器20将存储的运输数据提交给市场数据站50,市场数据站50存储运输数据并通过区块链60进行存证;
验货服务器30,与种植数据站10和市场数据站50连接,当市场数据站50收到运输数据时,请求验货服务器30对运输数据对应的农产品进行验货,验货服务器30将验货模型31发送到对应种植数据站10执行,获得验货模型31反馈结果,验货服务器30将运输验证模型32发送到对应市场数据站50,若验货模型31或运输验证模型32的反馈结果为未通过,则阻止对应农产品上架销售;
种植管控服务器40,种植管控服务器40与种植数据站10和市场数据站50建立加密通信,种植数据包括农产品的种类、面积和生长环境数据,销售数据包括种类、销量和售价,在若干个市场数据站50之间构建联邦计算,获得每种农产品在一年中每月的平均销量,当农户欲种植新农作物时,通过种植数据站10连接种植管控服务器40,种植管控服务器40将生长模型41发送到种植有同种农作物的种植数据站10模型,获得已种植农作物的预测产量和预测收获期,若农户欲种植新农作物的预测收获期内同种农产品的预测产量超过同期平均销量达预设百分比,则通知农户更换欲种植农作物的种类。农户可以选择更换其他种类的农作物,也可以选择推迟一段时间后,再次连接种植管控服务器40。对于蔬菜类的短种植周期的农作物,供需的变化较为频繁,等待一段时间后,即可能允许进行种植而不至于过量产出农产品。
本系统中若干个市场数据站50之间构建联邦计算时,每个市场数据站50首先计算获得自身接入的市场的每种农产品每月的平均销量,遍历每种农产品,执行:设置月份i为1,请参阅附图2,执行单月平均销量统计包括以下步骤:
每个市场数据站50将i月份的平均销量加上随机数a1后关联签名广播;
而后再将i月份的平均销量加上随机数a2后关联签名广播;
同时监听其他市场数据站50广播出的i月份平均销量,当收到两个其他市场数据站50广播的i月份平均销量时,将收到的两个i月份平均销量相加;
再加上自身的真实i月份平均销量后作为中间和;
将中间和使用到的i月份平均销量分别用对应的市场数据站50公钥加密作为两个关联加数,而后关联自身签名并广播;
其他市场数据站50收到关联签名的中间和后,判断中间和是否关联有自己签名过,若无自己的签名,则尝试解密关联加数;
若能够解密关联加数,则解密出的关联加数推算出被算入中间和的随机数的值,将中间和减掉随机数后,关联自身的签名并广播;
若无法解密关联加数,则直接将中间和加上自身的i月份平均销量,关联自己的签名后广播;
本实施例中,市场数据站50在广播时均避免向已关联有签名的市场数据站50发送中间和,最终某个市场数据站50将收到除自身外全部其他市场数据站50签名的中间和后,尝试解密关联加数,若能够解密关联加数,则解密出的关联加数推算出被算入中间和的随机数的值,将中间和减掉随机数后,将中间和作为最终的i月份平均销量,若无法解密关联加数,则直接将中间和加上自身的i月份平均销量,将中间和作为最终的i月份平均销量;将i自加1,重新执行单月平均销量统计,直到i等于12。
表1 中间和的结构
值:3641.36 |
单位:吨 |
关联加数一:a65df767ea2943d4fcf4 742d469a4 |
关联加数二:8b4c85eeadb5be31f48b3cdf0e7377 |
关联签名:916b…f80、15ba…fac、2c8d…774、89cc…c75、8daf…a6c |
如表1所示,为中间和的结构,关联签名中的916b…f80、15ba…fac、2c8d…774、89cc…c75及8daf…a6c表示市场数据站50的标识签名。每个中间和仅会关联两个关联加数。使用关联加数对应的市场数据站50的私钥能够解密出具体的关联加数的值。
对于四个市场数据站50,C1、C2、C3和C4,构成的联邦计算而言,四个市场数据站50的1月份真实平均销量为C10、C20、C30和C40,首次广播的i月份的平均销量记为C11、C12、C21、C22、C31、C32、C41和C42,其中C11和C12分别表示C10与两个随机数a11和a12的和。C21、C22、C31、C32、C41和C42的含义以此类推。
市场数据站50C2收到C11和C32时,将C11和C32相加,作为中间和,并将C11使用市场数据站50C1的公钥加密,将C32使用市场数据站50C3的公钥加密,作为关联加数,而后市场数据站50C2将自己的1月份真实销量加入到中间和。即此时的中间和等于C11+C32+C20,只有市场数据站50C2加入了真实的销量。由于混入了市场数据站50C1和市场数据站50C3加入的两个随机数,因而市场数据站50C1和市场数据站50C3都不能推测出市场数据站50C2的1月份真实平均销量。假设市场数据站50C3首先收到了广播,其收到后能够解密出关联加数二,根据关联加数二的值,市场数据站50C3能够知晓当前的中间和加入了C32,即混入了随机数a32,因此将中间和减掉a32即可,而后广播到除市场数据站50C2以外的其他市场数据站50。
此时,市场数据站50C1是能够通过监听获得中间和的变化的,即其能够推测出a32的值,但市场数据站50C1却无法知晓a32被应用到C31和C32中的哪个值,C31和C32看起来没有差别。
随后市场数据站50C1收到市场数据站50C3广播的中间和,其同样能够判断当前中间和加入了随机数a11,从中间和中减去即可。市场数据站50C1此时能够获知C20+C30的和,但无法从和反推出市场数据站50C2和市场数据站50C3对应的1月份真实平均销量。
最终市场数据站50C4收到中间和的时机随机,市场数据站50C4收到后经过判断得出当前中间和并没有将其加入,因而将中间和与C40相加即可得到最终的全部市场数据站50一起的1月份平均销量的总和。也即是整个市场在1月份平均需要的农产品的量。由此完成了保持市场数据站50销售数据不被泄露的情况下,快速获得全部市场平均销量的总和,获得市场的需求情况。
请参阅附图3,本实施例中种植管控服务器40按如下步骤工作:
种植管控服务器40存储每种农产品的保质期,将农产品的收获期结束时间加上农产品的保质期作为农产品的存在期;
根据预测产量、预测收获期和保质期获得预测产量的预测存在期;
获得农户欲种植新农作物的预测收获期,加上对应农产品的保质期获得预测存在期;
获得预测存在期与农户欲种植新农作物产出的农产品的预测存在期重叠的农产品的总预测产量,若总预测产量超过预测销量,则通知农户更换欲种植农作物的种类。预测销量等于预测存在期包含的月的平均销量累加,若包含不满一月,则按预测存在期包含的天数折算对应月的预测销量。
种植数据站10为每个种植区开辟有存储轨11,请参阅附图4,存储轨11采用顺序存储结构,为每个存储轨11建立初始标识点17并存入初始关联哈希值1612,初始关联哈希值1612为随机数,种植数据站10周期性将种植区的种植数据存入存储轨11,种植数据站10周期性在存储轨11建立标识点17,标识点17占用预设长度的存储空间,提取最新的两个标识点17之间种植数据的哈希值作为标识哈希值14,提取标识哈希值14和上一个标识点17存储的关联哈希值16一起提取哈希值,作为新的关联哈希值16,存入最新的标识点17,种植数据站10以第二周期将最新的标识点17内的管理哈希值上传区块链60存储,并将对应区块高度和区块哈希值存储在最新的标识点17内。
种植数据站10建立新的标识点17时,从最新的两个标识点17之间种植数据中尝试截取预设长度的数据片段13,将数据片段13与最新的标识点17内的关联哈希值16一起提取哈希值作为特征哈希值15,使得全部存储轨11的特征哈希值15的末尾若干位取值相同,将截取的数据片段13存入标识点17。如某个种植区对应的存储轨11的特征哈希值15的末尾4位取值为D3C6,则其他存储轨11的特征哈希值15的末尾4位取值也必须是D3C6。特征哈希值15的末尾4位取值为D3C6的概率为1/16的4次方,约为六万五千分之一,是一个大小适宜的概率。既能够延迟数据篡改后,抹平痕迹的时间,又不至于消耗过多的时间。从概率上,平均从种植数据中抽取六万五千次数据片段13,能够获得满足条件的特征哈希值15。实际中,若特征哈希值15耗时过久,可以减少要求相同的末尾位数,如减少为3位。反之,若特征哈希值15建立十分迅速,可以减少要求相同的末尾位数,如增加为5位或更多位。
存储轨11具有编号,存储轨11的特征哈希值15大小顺序与编号顺序相同,若存在存储轨11无法找到满足要求的数据片段13,则全部存储轨11均减小数据片段13的长度,重新建立特征哈希值15。即编号为1的存储轨11的特征哈希值15,要小于编号为2的存储轨11的特征哈希值15。特征哈希值15采用SHA256算法提取获得,特征哈希值15将是十六进制数。
生长环境数据包括空气温湿度、风速、土壤温湿度和土壤酸碱度,每种农产品的验货模型31记录相应农作物的允许生长环境数据范围,允许生长环境数据范围限定了允许空气温湿度范围、风速范围、土壤温湿度范围和土壤酸碱度范围,验货服务器30将验货模型31发送到对应种植数据站10时,同时发送运输数据对应的运输跟踪器20的唯一标识给种植数据站10,验货模型31调取种植数据站10中记录的与运输跟踪器20的唯一标识关联的种植数据,判断种植数据中的生长环境数据是否超出允许生长环境数据,若不超出则判定对应农产品验货通过,反之,则判定对应农产品验货不通过。目前农业科研院校、机构,公开了大部分农作物的生长模型41。因而生长模型41为本领域的已知技术。如:“[1]番兴明, 杨峻芸,谭静,等. 用CERES玉米生长模型41预测优质蛋白玉米生物产量的形成[J]. 西南农业大学学报, 2001, 23(1):1-3.”提供了筛选出优质蛋白玉米需求的生长模型41。“[1]李伟. 基于玉米生长模型41的吉林省春玉米产量与产量差研究[D]. 吉林大学, 2016.”则提供了预测产量的生长模型41。
种植数据站10周期性收集种植区的生长环境数据,并关联时间戳存储,生长环境数据包括空气温湿度、风速、土壤温湿度、土壤酸碱度和光照,光照包括光照强度和光照起止时间,验货模型31为产量预测模型,产量预测模型的输入为生长环境数据,输出为预测产量,验货服务器30在一定时期内获取并保存每个种植区关联的运输跟踪器20的唯一标识,验货服务器30每次收到预测产量时,统计所关联的运输跟踪器20所跟踪的运输车的运输量,若运输量超过种植区的预测产量一定百分比,则发出警告,并判定本次农产品验货不通过。
产量预测模型为神经网络模型,种植数据站10统计种植区种植的农作物收获期内被运输的总量作为种植区的产量,将农作物品种、面积和种植数据与产量关联作为样本数据,提供给验货服务器30,验货服务器30积累预设数量的样本数据后,为每个农产品的品种建立并训练神经网络模型,神经网络模型的输入为种植数据,输出为单位面积产量。通过神经网络模型能够建立基于历史数据的产量预测模型。
本实施例的有益技术效果是:提供了适合农产品的产品溯源数据,借助区块链60将数据进行存证,保证了数据的真实性,通过验货服务器30自动快速的发现明显的种植不当及运输不合规,减少市场验货时间和人工成本,提供供需平衡参考数据,能够避免供需大幅失衡,通过改进的联邦计算更为快速的实现平均销量的计算,同时避免泄露市场数据站50的隐私数据。
实施例二:
一种基于区块链的农产品供应链管控系统,本实施例在实施例一的基础上,对运输跟踪器20及运输验证模型32的验证方法做出了进一步的改进。请参阅附图5,本实施例中运输验证模型32按以下步骤进行验证工作:
运输跟踪器20周期性将当前位置及当前车厢温度关联时间戳后存储;
运输验证模型32调取运输车上安装的运输跟踪器20的位置数据和车厢温湿度数据;
获得运输车的速度曲线,调取运输车的车速小于预设阈值的时段;
判断车速小于预设阈值时运输车的位置是否位于公路道路上;
若运输车不位于公路道路且车速小于预设阈值的时长超过阈值,则判定运输验证不通过,反之则进行运输温度的验证;
运输温度的验证:读取车厢温度数据,若超过预设温度阈值的累积时长超过阈值,则判定运输温度验证不通过,即判断运输验证不通过;
反之,则判断运输验证通过。若运输车不位于公路道路且车速小于预设阈值的时长超过阈值,则运输车可能在某地进行装卸货,无法确定到达市场的农产品是否还是从种植数据站10出发时的农产品,因而应当拒绝运输验证通过。
本实施例提供了一种改进的运输跟踪器20,请参阅附图6,本实施例中,运输跟踪器20包括温湿度监测模块21、定位模块22、存储模块23和通信模块24,温湿度监测模块21监测运输车车厢的温湿度,定位模块22监测运输车的位置信息,温湿度及位置信息数据作为运输数据存入存储模块23,通信模块24与种植数据站10及市场数据站50建立近场通信连接,运输车运输农产品时,将若干个运输跟踪器20置入农产品中,运输跟踪器20收集运输过程的运输数据。
存储模块23包括存储代理层233、结构数据构建层232、存储介质234和缓冲区231,温湿度监测模块21和定位模块22周期性将温湿度和位置信息写入缓冲区231,结构数据构建层232建立运输数据的数据结构,数据结构包括时间戳、温度、湿度、位置、温度差、湿度差和位移,温度差、湿度差和位移为与上一次被写入缓冲区231的温湿度和位置信息计算获得,将数据结构提交给存储代理层233,每次运输开始前,存储介质234被填充空值,存储代理层233在存储介质234上不连续的开辟若干个存储块,存储块大小为预设长度,每个存储块的起始地址为其寻址地址,存储代理层233记录此时开辟的全部存储块的寻址地址,存储代理层233收到结构数据后,从全部寻址地址中随机选择一个寻址地址,查询寻址地址对应的存储块是否为空,若为空,则将结构输入存入,若不为空,则在存储介质234上向下寻找下一个存储块,若两个存储块之间的未开辟区域长度大于结构数据长度,则在两个存储块之间新开辟一个存储块,将当前结构数据存入。温度差、湿度差和位移能够辅助判断运输跟踪器20是否被破坏。若温度差过大或者湿度差过大,表示短时间呃逆农产品的温湿度有剧烈变化,结构数据构建层232将标记该数据结构对应的数据,以备后续农产品出现问题时,快速查询可疑数据点。同时若位移过大,则表示运输车速度过快,或者定位模块22工作异常。
市场数据站50与运输跟踪器20建立通信连接时,将存储介质234的存储内容复制一个镜像到本地,而后从镜像中提取出全部被存入结构数据的存储块,根据存储块中结构数据的时间戳,恢复出运输数据。运输数据散乱的存储在存储介质234中,难以被快速寻址和修改,使得运输数据只有运输数据到达市场数据站50时,才能够被读取和修改,只需要保证市场数据站50的数据安全即可,确保运输数据在运输过程中不会出现泄露和篡改。
以上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 (8)
1.一种基于区块链的农产品供应链管控系统,其特征在于,
包括:
若干个种植数据站,所述种植数据站接入若干个种植区,将种植区的种植数据存储并通过区块链存证;
若干个市场数据站,所述市场数据站设置在农产品批发市场中,接入市场的每日的销售数据,将销售数据存储并通过区块链存证;
若干个运输跟踪器,设置在运输车上,所述运输跟踪器具有唯一标识,获得运输车的运输数据,所述运输数据包括位置数据和车厢温湿度数据,运输跟踪器将所述运输数据关联时间戳存储;
所述运输车离开种植区时,种植区对应的种植数据站将运输跟踪器的唯一标识关联种植数据存储,并通过区块链存证,当运输车到达农产品批发市场时,运输车上设置的运输跟踪器将存储的运输数据提交给市场数据站,所述市场数据站存储所述运输数据并通过区块链进行存证;
验货服务器,与种植数据站和市场数据站连接,当市场数据站收到运输数据时,请求验货服务器对运输数据对应的农产品进行验货,所述验货服务器将验货模型发送到对应种植数据站执行,获得验货模型反馈结果,所述验货服务器将运输验证模型发送到对应市场数据站,若验货模型或运输验证模型的反馈结果为未通过,则阻止对应农产品上架销售;
还包括种植管控服务器,所述种植管控服务器与种植数据站和市场数据站建立加密通信,所述种植数据包括农产品的种类、面积和生长环境数据,所述销售数据包括种类、销量和售价,
在若干个市场数据站之间构建联邦计算,获得每种农产品在一年中每月的平均销量,当农户欲种植新农作物时,通过种植数据站连接种植管控服务器,所述种植管控服务器将生长模型发送到种植有同种农作物的种植数据站模型,获得已种植农作物的预测产量和预测收获期,若农户欲种植新农作物的预测收获期内同种农产品的预测产量超过同期平均销量达预设百分比,则通知农户更换欲种植农作物的种类;
若干个市场数据站之间构建联邦计算时,每个市场数据站首先计算获得自身接入的市场的每种农产品每月的平均销量,遍历每种农产品,执行:
设置月份i为1,
执行单月平均销量统计:每个市场数据站将i月份的平均销量加上随机数a1后关联签名广播,而后再将i月份的平均销量加上随机数a2后关联签名广播,同时监听其他市场数据站广播出的i月份平均销量,当收到两个其他市场数据站广播的i月份平均销量时,将收到的两个i月份平均销量相加,再加上自身的真实i月份平均销量后作为中间和,将中间和使用到的i月份平均销量分别用对应的市场数据站公钥加密作为两个关联加数,而后关联自身签名并广播;
其他市场数据站收到关联签名的中间和后,判断中间和是否关联有自己签名过,若无自己的签名,则尝试解密关联加数,若能够解密关联加数,则解密出的关联加数推算出被算入中间和的随机数的值,将中间和减掉随机数后,关联自身的签名并广播,若无法解密关联加数,则直接将中间和加上自身的i月份平均销量,关联自己的签名后广播;
市场数据站在广播时均避免向已关联有签名的市场数据站发送中间和;
最终某个市场数据站将收到除自身外全部其他市场数据站签名的中间和后,尝试解密关联加数,若能够解密关联加数,则解密出的关联加数推算出被算入中间和的随机数的值,将中间和减掉随机数后,将中间和作为最终的i月份平均销量,若无法解密关联加数,则直接将中间和加上自身的i月份平均销量,将中间和作为最终的i月份平均销量;
将i自加1,重新执行单月平均销量统计,直到i等于12。
2.根据权利要求1所述的一种基于区块链的农产品供应链管控系统,其特征在于,
所述种植管控服务器存储每种农产品的保质期,将农产品的收获期结束时间加上农产品的保质期作为农产品的存在期,根据预测产量、预测收获期和保质期获得预测产量的预测存在期,获得农户欲种植新农作物的预测收获期,加上对应农产品的保质期获得预测存在期,获得预测存在期与农户欲种植新农作物产出的农产品的预测存在期重叠的农产品的总预测产量,若总预测产量超过预测销量,则通知农户更换欲种植农作物的种类,所述预测销量等于预测存在期包含的月的平均销量累加,若包含不满一月,则按预测存在期包含的天数折算对应月的预测销量。
3.根据权利要求1所述的一种基于区块链的农产品供应链管控系统,其特征在于,
所述种植数据站为每个种植区开辟有存储轨,所述存储轨采用顺序存储结构,为每个存储轨建立初始标识点并存入初始的关联哈希值,初始的关联哈希值为随机数,所述种植数据站周期性将种植区的种植数据存入所述存储轨,所述种植数据站周期性在存储轨建立标识点,所述标识点占用预设长度的存储空间,提取最新的两个标识点之间种植数据的哈希值作为标识哈希值,提取标识哈希值和上一个标识点存储的关联哈希值一起提取哈希值,作为新的关联哈希值,存入最新的标识点,所述种植数据站以第二周期将最新的标识点内的管理哈希值上传区块链存储,并将对应区块高度和区块哈希值存储在最新的标识点内。
4.根据权利要求3所述的一种基于区块链的农产品供应链管控系统,其特征在于,
所述种植数据站建立新的标识点时,从最新的两个标识点之间种植数据中尝试截取预设长度的数据片段,将数据片段与最新的标识点内的关联哈希值一起提取哈希值作为特征哈希值,使得全部存储轨的特征哈希值的末尾若干位取值相同,将截取的数据片段存入标识点;所述存储轨具有编号,所述存储轨的特征哈希值大小顺序与编号顺序相同,若存在存储轨无法找到满足要求的数据片段,则全部存储轨均减小数据片段的长度,重新建立特征哈希值。
5.根据权利要求1所述的一种基于区块链的农产品供应链管控系统,其特征在于,
所述生长环境数据包括空气温湿度、风速、土壤温湿度和土壤酸碱度,每种农产品的验货模型记录相应农作物的允许生长环境数据范围,所述允许生长环境数据范围限定了允许空气温湿度范围、风速范围、土壤温湿度范围和土壤酸碱度范围,所述验货服务器将验货模型发送到对应种植数据站时,同时发送运输数据对应的运输跟踪器的唯一标识给种植数据站,所述验货模型调取种植数据站中记录的与运输跟踪器的唯一标识关联的种植数据,判断种植数据中的生长环境数据是否超出允许生长环境数据,若不超出则判定对应农产品验货通过,反之,则判定对应农产品验货不通过。
6.根据权利要求1所述的一种基于区块链的农产品供应链管控系统,其特征在于,
所述种植数据站周期性收集种植区的生长环境数据,并关联时间戳存储,所述生长环境数据包括空气温湿度、风速、土壤温湿度、土壤酸碱度和光照,所述光照包括光照强度和光照起止时间,所述验货模型为产量预测模型,所述产量预测模型的输入为生长环境数据,输出为预测产量,所述验货服务器在一定时期内获取并保存每个种植区关联的运输跟踪器的唯一标识,所述验货服务器每次收到预测产量时,统计所关联的运输跟踪器所跟踪的运输车的运输量,若运输量超过种植区的预测产量一定百分比,则发出警告,并判定本次农产品验货不通过。
7.根据权利要求6所述的一种基于区块链的农产品供应链管控系统,其特征在于,
所述产量预测模型为神经网络模型,所述种植数据站统计种植区种植的农作物收获期内被运输的总量作为种植区的产量,将农作物品种、面积和种植数据与产量关联作为样本数据,提供给所述验货服务器,所述验货服务器积累预设数量的样本数据后,为每个农产品的品种建立并训练神经网络模型,所述神经网络模型的输入为种植数据,输出为单位面积产量。
8.根据权利要求1所述的一种基于区块链的农产品供应链管控系统,其特征在于,
所述运输跟踪器周期性将当前位置及当前车厢温湿度关联时间戳后存储,所述运输验证模型调取运输车上安装的运输跟踪器的位置数据和车厢温湿度数据,获得运输车的速度曲线,调取运输车的车速小于预设阈值的时段,判断车速小于预设阈值时运输车的位置是否位于公路道路上,若运输车不位于公路道路且车速小于预设阈值的时长超过阈值,则判定运输验证不通过,反之则进行运输温度的验证;
运输温度的验证:读取车厢温湿度数据,若运输过程中温湿度高于预设阈值,则判定运输温度验证不通过,即判断运输验证不通过,反之,则判断运输验证通过。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110811487.1A CN113674093B (zh) | 2021-07-19 | 2021-07-19 | 一种基于区块链的农产品供应链管控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110811487.1A CN113674093B (zh) | 2021-07-19 | 2021-07-19 | 一种基于区块链的农产品供应链管控系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113674093A CN113674093A (zh) | 2021-11-19 |
CN113674093B true CN113674093B (zh) | 2024-03-22 |
Family
ID=78539848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110811487.1A Active CN113674093B (zh) | 2021-07-19 | 2021-07-19 | 一种基于区块链的农产品供应链管控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113674093B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115660395B (zh) * | 2022-11-02 | 2023-05-30 | 江苏理工学院 | 一种基于人工智能的产品防伪方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779737A (zh) * | 2016-11-30 | 2017-05-31 | 电子科技大学 | 基于区块链技术的产品溯源验证方法 |
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 |
CN110969505A (zh) * | 2018-09-30 | 2020-04-07 | 重庆小雨点小额贷款有限公司 | 农业管理方法、装置及基于区块链的农产品供应链系统 |
CN113129038A (zh) * | 2021-06-21 | 2021-07-16 | 浙江数秦科技有限公司 | 一种基于区块链的绿色食品评定系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10270599B2 (en) * | 2017-04-27 | 2019-04-23 | Factom, Inc. | Data reproducibility using blockchains |
-
2021
- 2021-07-19 CN CN202110811487.1A patent/CN113674093B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779737A (zh) * | 2016-11-30 | 2017-05-31 | 电子科技大学 | 基于区块链技术的产品溯源验证方法 |
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 |
CN110969505A (zh) * | 2018-09-30 | 2020-04-07 | 重庆小雨点小额贷款有限公司 | 农业管理方法、装置及基于区块链的农产品供应链系统 |
CN113129038A (zh) * | 2021-06-21 | 2021-07-16 | 浙江数秦科技有限公司 | 一种基于区块链的绿色食品评定系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113674093A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10956922B2 (en) | Method and system for persistent account generation and profiling | |
CN109978573B (zh) | 一种基于区块链的信息溯源系统 | |
CN111861515A (zh) | 基于云计算的有机农产品安全溯源系统及方法 | |
Higgins | Optimizing cane supply decisions within a sugar mill region | |
CN111861348B (zh) | 一种基于区块链的冷链溯源系统 | |
Lamsal et al. | Sugarcane harvest logistics in Brazil | |
CN113674093B (zh) | 一种基于区块链的农产品供应链管控系统 | |
CN108960718B (zh) | 仓储管理方法及系统 | |
CN115660295B (zh) | 一种产品全生命周期的供应链管理方法及系统 | |
CN113039565A (zh) | 促进货物或服务相关活动的系统和方法 | |
CN113627990A (zh) | 一种用于农产品精准销售的大数据分析系统及分析方法 | |
CN113256226B (zh) | 一种基于区块链的农产品箱赋码系统 | |
CN111242556B (zh) | 一种货物分类方法及装置 | |
CN113469800A (zh) | 一种基于区块链的农业信贷系统 | |
CN113538143B (zh) | 一种基于区块链技术的蔬菜供应系统 | |
US20050246219A1 (en) | Sales forecast system and method | |
RU2351008C2 (ru) | Способ электронного обмена данными | |
CN114819529A (zh) | 一种基于区块链和物联网的生猪质量监控和溯源服务系统及方法 | |
KR100477036B1 (ko) | 재고 목표값 산출 방법 및 그 장치와 프로그램 제품이 기록된 기록 매체 | |
US11334909B2 (en) | Method of providing television program advertisement | |
Vorona et al. | Process chart for customs logistics optimisation | |
Pushpalatha et al. | IoT based Modern Agriculture Buffer Stock System AAF-Availability Accessibility Feasibility | |
CN109190894A (zh) | 基于智能平台的农业监管方法及系统、终端、存储介质 | |
Siswanto et al. | Evaluation of fertilizer products storage system considering seasonal demand using discrete event simulation | |
Qi et al. | Inventory Management and Food Loss on Farm: Evidence from Soybean Loss Resulting from the US-China Trade War |
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 |