CN114119052A - 一种基于大数据的假冒农产品监控方法及系统 - Google Patents
一种基于大数据的假冒农产品监控方法及系统 Download PDFInfo
- Publication number
- CN114119052A CN114119052A CN202210076718.3A CN202210076718A CN114119052A CN 114119052 A CN114119052 A CN 114119052A CN 202210076718 A CN202210076718 A CN 202210076718A CN 114119052 A CN114119052 A CN 114119052A
- Authority
- CN
- China
- Prior art keywords
- big data
- agricultural product
- threshold
- supervision
- counterfeit
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000002159 abnormal effect Effects 0.000 claims abstract description 36
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000004891 communication Methods 0.000 claims description 27
- 238000003860 storage Methods 0.000 claims description 25
- 238000004519 manufacturing process Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 230000005856 abnormality Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 23
- 230000008569 process Effects 0.000 description 7
- 241000196324 Embryophyta Species 0.000 description 6
- 241001465754 Metazoa Species 0.000 description 6
- 230000002068 genetic effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 244000298697 Actinidia deliciosa Species 0.000 description 3
- 235000009436 Actinidia deliciosa Nutrition 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000000246 agarose gel electrophoresis Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000005194 fractionation Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 229910052745 lead Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 229910052712 strontium Inorganic materials 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 230000000007 visual 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
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Agronomy & Crop Science (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Animal Husbandry (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Primary Health Care (AREA)
Abstract
本发明提供了一种基于大数据的假冒农产品监控方法及系统；其中，所述方法包括：获取农产品监控大数据；根据所述农产品监控大数据确定异常信息，将所述异常信息发送至与所述异常信息关联的监管终端；接收从所述监管终端反馈的农产品基因检测数据；将所述基因检测数据与标准数据库进行比对，根据比对结果判定所述农产品的假冒情况；本发明的方案采用基因检测技术来识别假冒农产品，由于基因具有唯一性且无法篡改，所以本发明的方案具有更高的可靠性；而且，本发明的方案可以基于农产品监控大数据自动分析得出异常信息，进而进行假冒农产品的检测与识别，可以极大的降低管理人员的工作强度，提高了农产品溯源监管的效率。
Description
技术领域
本发明涉及农产品监管及大数据技术领域，具体而言，涉及一种基于大数据的假冒农产品监控方法及系统。
背景技术
随着农业产业的快速发展，对农产品进行溯源管理以打击假冒伪劣农产品、保护原产地农户的合法权益，受到越来越多重视。现有技术中主要包括两种方式来实现农产品的溯源保护，即农业物联网技术和同位素指纹溯源技术。
农业物联网是基于一物一码技术通过为每一件商品生成对应唯一的二维码，从而为农产品建立“身份证”制度，实现对产地环境、农业投入品、农事生产过程、质量检测、加工储运等质量安全关键环节全程可追溯。物联网是指通过射频识别（RFID）、传感器、全球定位系统、激光扫描器等信息标识和传感器设备，把任何物品与互联网链接起来，按约定的协议进行信息交换和通信，以实现智能化识别、定位、跟踪、监控和管理的网络。基于物联网的农产品溯源系统可以将农产品、农产品生产者、消费者、销售商紧密的关联起来，把农产品变得智能化，使农产品供应链中涉及的相关人员可以在任何时间、任何地点获取和共享农产品信息。但是，由于农业物联网溯源技术的“身份证”是人为附加的，不属于农产品个体本身的特征特性，所以作为区分农产品的“身份证”本身就不可避免的存在一码多用和物码错配的情况，不能够做到“物码合一”，不能够从根本上杜绝假冒伪劣现象的发生。
同位素指纹溯源技术的基本原理是基于同位素的自然分馏效应。研究表明, 受生物体所处的地理环境信息(气候、环境、生物代谢类型等)等因素影响, 生物体内 C、N、H、O、S、Sr、Pb 等同位素组成和丰度呈现显著的地域特征, 因其是生物体本身固有属性, 且基本不随生产加工过程改变, 故可被用于判断生物体产地来源。因而, 稳定性同位素指纹图谱分析技术被认为是目前最有效食品产地溯源判别技术手段之一。但是，在通过同位素指纹溯源技术进行溯源的过程中, 常需同时检测农产品内的几种同位素, 该技术对检测机构的资质、实验人员水平和检测设备要求比较高,该技术还存在无法有效判别相近区域同类产品的缺点和局限性。
经过上述分析可见，现有技术中的农业物联网技术和同位素指纹溯源技术存在上述诸多问题，单纯基于上述技术无法有效解决对农产品进行溯源以打击假冒伪劣的问题。
发明内容
为了至少解决上述背景技术中存在的技术问题，本发明提供了一种基于大数据的假冒农产品监控方法、系统、电子设备及存储介质，以达到假冒农产品的准确识别，同时还提高识别效率。
本发明的第一方面提供了一种基于大数据的假冒农产品监控方法，其特征在于，包括如下步骤： 获取农产品监控大数据；
根据所述农产品监控大数据确定异常信息，将所述异常信息发送至与所述异常信息关联的监管终端；
接收从所述监管终端反馈的农产品基因检测数据；
将所述基因检测数据与标准数据库进行比对，根据比对结果判定所述农产品的假冒情况。
可选地，所述农产品监控大数据包括生产监管大数据、运输监管大数据和销售监管大数据；
则所述根据所述农产品监控大数据确定异常信息，包括：
计算所述生产监管大数据和所述销售监管大数据的第一匹配度，若第一匹配度大于或等于第一阈值，则：
计算针对单一地区的所述运输监管大数据和所述销售监管大数据之间的第二匹配度，若所述第二匹配度大于或等于第二阈值，则判定为所述单一地区存在异常。
可选地，所述销售监管大数据包括销售场所数量、销售场所属性；
所述第二阈值通过如下方式确定：
从所述销售监管大数据中提取出所述单一地区内的所述销售场所数量、所述销售场所属性；
根据所述销售场所数量、所述销售场所属性确定所述单一地区内的损耗估计值，根据第一调节系数对所述损耗估计值进行修正；
根据修正后的所述损耗估计值确定出所述第二阈值。
可选地，所述方法还包括：
计算所述单一地区与所述农产品源产地之间的距离值；
根据所述距离值确定第二调节系数，根据所述第二调节系数对所述运输监管大数据进行修正。
可选地，所述第二阈值包括第三阈值和第四阈值；
则所述若所述第二匹配度大于或等于第二阈值，则判定为所述单一地区存在异常，包括：
当所述第二匹配度为正偏差时，则若所述第二匹配度大于或等于第三阈值，则判定为所述单一地区存在异常；
当所述第二匹配度为负偏差时，则若所述第二匹配度大于或等于第四阈值，则判定为所述单一地区存在异常；
其中，所述第三阈值和所述第四阈值根据所述距离值确定。
可选地，所述第三阈值和所述第四阈值根据所述距离值确定，包括：
根据所述距离值确定第四调节系数和第五调节系数，其中，所述第四调节系数与所述距离值分别呈负相关关系，所述第五调节系数与所述距离值呈正相关关系；
使用所述第四调节系数修正所述第三阈值，使用所述第五调节系数修正所述第四阈值。
可选地，所述将所述基因检测数据与标准数据库进行比对，根据比对结果判定所述农产品的假冒情况，包括：
根据所述基因检测数据得出第一比对序列，将所述第一比对序列与所述标准数据库中的若干第二比对序列分别计算相似度，若不存在大于第五阈值的所述相似度，则判定所述农产品为假冒；否则，判定所述农产品为非假冒。
本发明的第二方面提供了一种基于大数据的假冒农产品监控系统，包括处理模块、存储模块、通信模块、监管终端，所述处理模块分别与所述存储模块和所述通信模块连接，所述通信模块与所述监管终端连接；其中，
所述存储模块，用于存储可执行的计算机程序代码；
所述通信模块，用于获取农产品监控大数据，以及实现所述处理模块与所述监管终端的通信；
所述处理模块，用于通过调用所述存储模块中的所述可执行的计算机程序代码，执行如前任一项所述的方法。
本发明的第三方面提供了一种电子设备，包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如前任一项所述的方法。
本发明的第四方面提供了一种计算机存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上任一项所述的方法。
本发明的方案，获取农产品监控大数据；根据所述农产品监控大数据确定异常信息，将所述异常信息发送至与所述异常信息关联的终端；接收从所述终端反馈的农产品基因检测数据；将所述基因检测数据与标准数据库进行比对，根据比对结果判定所述农产品的假冒情况。本发明的方案一方面，利用了基因检测技术来识别假冒农产品，由于基因具有唯一性且无法篡改，具有明显更高的可靠性；另一方面，本发明的方案可以自动分析得出异常信息，进而可以推送信息给对应地区管理人员的终端，以引导其前往异常区域进行采样检测，从而得出是否为假冒农产品的结果，如此，本发明的方案可以极大的降低管理人员的工作强度，提高了农产品溯源监管的效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明实施例公开的一种基于大数据的假冒农产品监控方法的流程示意图。
图2是本发明实施例公开的一种基于大数据的假冒农产品监控系统的结构示意图。
图3是本发明实施例公开一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明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。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本发明中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本发明及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本发明中的具体含义。
此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
实施例一
请参阅图1，是本发明实施例公开的一种基于大数据的假冒农产品监控方法的流程示意图。如图1所示，本发明实施例的一种基于大数据的假冒农产品监控方法，包括如下步骤： 获取农产品监控大数据；
根据所述农产品监控大数据确定异常信息，将所述异常信息发送至与所述异常信息关联的监管终端；
接收从所述监管终端反馈的农产品基因检测数据；
将所述基因检测数据与标准数据库进行比对，根据比对结果判定所述农产品的假冒情况。
在本发明实施例中，本发明先基于获取到的农产品监控大数据分析得出异常信息，这样就可以判定出哪些地区或地点存在假冒的农产品，接着将异常信息发送给对应地区或地点的监管终端，以使这些监管终端的用户（例如企业派驻人员、市场监管人员等）前往对应地点进行农产品基因样本的采集，系统接收到采集的样本之后，将其与标准数据库进行比对，基于比对结果就可以判定该农产品是否为假冒农产品。
本发明的方案利用了基因检测技术来识别假冒农产品，不同于射频码（RFID）、条形码、二维码等所有的外加标签，每个农产品动植物个体的基因信息是不可被人为修改和替换的，这也就从根本上避免了因为人为的失误或者造假导致的动植物个体身份识别码与其本身不一致的问题；而且，同一个动植物物种的同一个品种的不同个体间的基因信息是存在着明显差异的，并且不会因为所处的地理和气候环境的改变而发生变化，而在通过同位素指纹溯源技术进行溯源还存在无法有效判别相近区域同类产品的缺点和局限性。所以，本发明的方案相对于背景技术中提到的农业物联网技术和同位素指纹溯源技术具有更高的可靠性。另外，本发明的方案可以自动分析得出异常信息，进而可以推送信息给对应地区管理人员的监管终端，以引导其前往异常区域进行采样检测，从而得出是否为假冒农产品的结果，如此，本发明的方案可以极大的降低管理人员的工作强度，提高了农产品溯源监管的效率。
需要进行说明的是，本发明中的标准数据库中存储有动植物个体的基因大数据，即在农产品生产的初期就将每个动植物个体的基因信息进行采集并录入标准数据库。对于涉及的基因采集技术，可以采用MNP分子标记法，不同于传统的SSR、SNP、In/del等分子标记，MNP分子标记极具有SSR（或STR）等位基因型较多，分型能力强的优点，又和SNP、In/del等分子标记一样可以通过NGS（二代测序）进行检测，结果稳定，检测重复性高，避免了SSR（或STR）分子标记检测重复性差，而且不能够通过NGS技术检测只能通过琼脂糖凝胶电泳和一代测序的方法进行鉴定的问题。
另外，本发明的方案可以实施于农产品监管平台，该监管平台基于服务器搭建，其中，服务器可以为单台的服务器，也可以为由多台服务器组成的服务器集群，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
所述农产品监控大数据包括生产监管大数据、运输监管大数据和销售监管大数据；
则所述根据所述农产品监控大数据确定异常信息，包括：
计算所述生产监管大数据和所述销售监管大数据的第一匹配度，若第一匹配度大于或等于第一阈值，则：
计算针对单一地区的所述运输监管大数据和所述销售监管大数据之间的第二匹配度，若所述第二匹配度大于或等于第二阈值，则判定为所述单一地区存在异常。
在本发明实施例中，监管部门建有针对农产品的监管平台，该平台可以对农产品的生产、运输、销售环节进行监管，其实施基本上基于前述背景技术中提到的农业物联网技术，即强制将每个环节的信息上传至该平台上，通过与该平台通信可以获取生产监管大数据、运输监管大数据和销售监管大数据。本发明首先计算生产监管大数据和所述销售监管大数据的第一匹配度，若二者之间的第一匹配度大于或等于第一阈值，则说明生产量与销售量不符（生产量小于销售量），此时说明整体存在异常，其中，第一阈值可以根据比例、差值等来确定，本发明在此不再赘述。
接着，计算运输监管大数据和销售监管大数据之间的第二匹配度，若二者之间的第二匹配度大于或等于第二阈值，则说明对应地区的该类型农产品市场存在异常，即有可能存在假冒农产品，从而具体定位存在异常的单一地区。例如，有不法商贩冒用该农产品的RFID识别码，导致对应地区的销售数据相对于运输数据偏大的情况。其中，通过逐步细化单一地区，例如省、市、县、社区等，就可以将可能存在假冒农产品的地区筛选出来。
可选地，所述销售监管大数据包括销售场所数量、销售场所属性；
所述第二阈值通过如下方式确定：
从所述销售监管大数据中提取出所述单一地区内的所述销售场所数量、所述销售场所属性；
根据所述销售场所数量、所述销售场所属性确定出所述单一地区内的损耗估计值，根据第一调节系数对所述损耗估计值进行修正；
根据修正后的所述损耗估计值确定出所述第二阈值。
在本发明实施例中，本发明前述计算得出的匹配度指的是销售数据相对于运输数据的偏差程度，正常情况下，单一地区内农产品的销售量应当与运入量相当，而当偏差程度过大时，则说明可能有不法商贩冒用该农产品的RFID识别码，导致该单一地区的该农产品的销售数据相对于运输数据偏大。相应地，前述中的第二阈值可基于销售监管大数据来确定，具体地：先提取出单一地区内的销售场所数量和各销售场所的属性，其中销售场所属性可以为低端、中端、高端等，不同的销售场所属性代表着不同的损耗值，例如，高端销售场所一般都仅销售最新鲜的农产品，而且销量相对偏少，所以其损耗率较高，反之，低端销售场所更倾向于对临期农产品继续打折销售等，从而损耗率也较低；然后再根据销售场所数量、销售场所属性即可确定出损耗估计值，进而可以确定出第二阈值。另外，由于运输和销售之间存在时差，即某分析周期内销售的农产品有一部分是上一分析周期内运输至该单一地区的，所以，本发明进一步设置第一调节系数来对损耗估计值进行修正，而对于第一调节系数的大小，则可以根据经验值或分析模型预测得出，但第一调节系数应当是小于1但接近1的数值，本发明在此不再赘述。
举例来说，某地区存在五家某农产品的销售场所A、B、C、D、E，其中A为高端属性，B、C为中端属性，D、E为低端属性，高端、中端、低端各自对应的损耗率统计值分别为50%、30%、20%，于是，平均损耗率为(50%+2*30%+2*20%)/5=30%，利用调节系数进行修正之后即可得到第二阈值为30%*0.8=24%。此时，根据运输监管大数据得出运输量为200吨，根据销售监管大数据得出销售量为150吨，二者之间的匹配度为(200-150)/200=40%，显然，40%>24%，此时可判定存在异常。
其中，需要进行说明的是，本发明中的匹配度应当为运输数据和销售数据的偏差程度的绝对值，因为偏差存在正偏差和负偏差两种情况。
可选地，所述方法还包括：
计算所述单一地区与所述农产品源产地之间的距离值；
根据所述距离值确定第二调节系数，根据所述第二调节系数对所述运输监管大数据进行修正。
在本发明实施例中，现实情况是，监管部门对于销售环节的严格监管相对容易实现，尤其是对于那些具有产地保护政策和较高经济价值的农产品，而运输环节则更容易存在监管死角，例如，单一地区距离某农产品的源产地越近，则该单一地区内越容易流入未经运输监管的农产品，导致从农产品监管平台上获取的运输监管大数据可能明显偏低。有鉴于此，本发明设置根据单一地区与农产品源产地之间的距离值来确定第二调节系数，再根据第二调节系数来对运输监管大数据进行修正。其中，第二调节系数可以与所述距离值呈负相关，即距离越近，则调节系数越大，反之则调节系数越低。显而易见的是，第二调节系数应当为大于1的数值。
可选地，所述第二阈值包括第三阈值和第四阈值；
则所述若所述第二匹配度大于或等于第二阈值，则判定为所述单一地区存在异常，包括：
当所述第二匹配度为正偏差时，则若所述第二匹配度大于或等于第三阈值，则判定为所述单一地区存在异常；
当所述第二匹配度为负偏差时，则若所述第二匹配度大于或等于第四阈值，则判定为所述单一地区存在异常；
其中，所述第三阈值和所述第四阈值根据所述距离值确定。
在本发明实施例中，如前所述，距离农产品的源产地越近的区域就会有越多未经运输监管的农产品流入，所以，销售量也就更容易偏高，而更不容易偏低（因为对于需要进行溯源监管的农产品一般具有更高的经济价值，各环节的监管也更加严格，监管得到的销售量也会包括未经运输监管的农产品）。针对该实际情况，本发明进一步设置第二阈值包括第三阈值和第四阈值两种情况，其中，第三阈值对应正偏差即销售量大于运输量，第四阈值对应负偏差即销售量小于运输量。
可选地，所述第三阈值和所述第四阈值根据所述距离值确定，包括：
根据所述距离值确定第四调节系数和第五调节系数，其中，所述第四调节系数与所述距离值呈负相关关系，所述第五调节系数与所述距离值呈正相关关系；
使用所述第四调节系数修正所述第三阈值，使用所述第五调节系数修正所述第四阈值。
在本发明实施例中，本发明还分别设置了第四调节系数和第五调节系数来对第三阈值和第四阈值进行修正，举例说明如下：
假设第四调节系数为a、第五调节系数为b，则a、b与距离值的关系可以为如下表1所示：
表1
| 距离值 | a | b |
| 30km | 1.5 | 0.5 |
| 100km | 1.1 | 0.8 |
| 500km | 1.0 | 1.0 |
| 1000km | 1.0 | 1.0 |
参照上述表1，在距离农产品的源产地为30km时，由于距离太近，所以，该单一地区会流入较多的未经运输监管的农产品，此时设置a=1.5，即将第三阈值调节的大一些，增大正偏差的容忍度，以及，设置b=0.5，即将第四阈值调节的小一些，降低负偏差的容忍度。并且，随着距离的增加，逐渐将a的值降低，而将b的值升高，但在距离达到一定程度之后，由于距离农产品的源产地已经较远，此时未经运输监管的农产品的流入所造成的影响就微乎其微，此时，设置a=b=1.0，即不对第三阈值和第四阈值进行修正。如此，本发明的方案可以使得异常判断的准确性更高。当然，上述表1仅为解释说明，而非用于限定第四调节系数和第五调节系数的取值范围。
可选地，所述将所述基因检测数据与标准数据库进行比对，根据比对结果判定所述农产品的假冒情况，包括：
根据所述基因检测数据得出第一比对序列，将所述第一比对序列与所述标准数据库中的若干第二比对序列分别计算相似度，若不存在大于第五阈值的所述相似度，则判定所述农产品为假冒；否则，判定所述农产品为非假冒。
在本发明实施例中，在接收到与所述异常信息关联的监管终端反馈回来的基因检测数据之后，按照预设规则从中提取出目标基因序列以组成第一比对序列，其中目标基因序列可以是该类型农产品最显著的基因特征序列。然后，将其与标准数据库中的若干第二比对序列，而该第二比对序列可以为农产品种植者或管理者在农产品种植过程中采样处理后上传至监管平台的。最后，可以通过计算相似度的方式来判定是否命中。
其中，需要进行说明的是，对于相似度的计算方式，可以通过如下方式实现：
式中，
代表第一比对序列与第
个第二比对序列的相似度，
代表所述第一比对序列与所述第二比对序列的第i行第j列个元素之间的距离；
代表所述第一比对序列与所述第二比对序列的第i行元素之间的距离；
代表所述第一比对序列与所述第二比对序列的第j列元素之间的距离；
代表所述第一比对序列与所述第二比对序列的整体距离；其中，第一比对序列和第二比对序列中每个元素代表一组基因特征，即将同属一类的基因特征分为一组以构成一个子矩阵。
针对上述相似度的计算方式，本发明的方案从比对序列的局部和整体来综合分析第一比对序列和第二比对序列之间的相似度，再通过构建的合理的第五阈值，就可以得出现场检测的第一比对序列是否能够与标准数据库中的某个第二比对序列匹配成功即命中，进而可以确定农产品是否为假冒。
其中，需要进行说明的是，在进行相似度计算时，可以基于农产品所属的种类来选择对应的s个第二比对序列，例如，若农产品为某种类的猕猴桃，则从标准数据库中调取名字为猕猴桃或奇异果的第二比对序列，这样可以降低计算量，提高比对效率。
实施例二
请参阅图2，图2是本发明实施例公开的一种基于大数据的假冒农产品监控系统的结构示意图。如图2所示，本发明实施例的一种基于大数据的假冒农产品监控系统(100)，包括处理模块(101)、存储模块(102)、通信模块(103)、监管终端(104)，所述处理模块(101)与所述存储模块(102)和所述通信模块(103)连接，所述通信模块(103)与所述监管终端(104)连接；其中，
所述存储模块(102)，用于存储可执行的计算机程序代码；
所述通信模块(103)，用于获取农产品监控大数据，以及实现所述处理模块与所述监管终端的通信；
所述处理模块(101)，用于通过调用所述存储模块(102)中的所述可执行的计算机程序代码，执行如实施例一所述的方法。
该实施例中的一种基于大数据的假冒农产品监控系统的具体功能参照上述实施例一，由于本实施例中的系统采用了上述实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
实施例三
请参阅图3，图3是本发明实施例公开的一种电子设备，包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如实施例一所述的方法。
实施例四
本发明实施例还公开了一种计算机存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如实施例一所述的方法。
本发明中涉及的电子设备包括计算单元，其可以根据存储在只读存储器（ROM）中的计算机程序或者从存储单元加载到随机访问存储器（RAM）中的计算机程序，来执行各种适当的动作和处理。在RAM中，还可存储设备操作所需的各种程序和数据。计算单元、ROM以及RAM 通过总线彼此相连。输入/输出（I/O）接口也连接至总线。
电子设备中的多个部件连接至I/O接口，包括：输入单元、输出单元、存储单元以及通信单元。输入单元可以是能向电子设备输入信息的任何类型的设备，输入单元可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入。输出单元可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元可以包括但不限于磁盘、光盘。通信单元允许电子设备通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。计算单元执行上文所描述的各个方法和处理。例如，在一些实施例中，题目类型识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元。在一些实施例中，计算机程序的部分或者全部可以经由ROM和/或通信单元而被载入和/或安装到电子设备上。在一些实施例中，计算单元可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行题目类型识别方法。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
如本公开使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
Claims (10)
1.一种基于大数据的假冒农产品监控方法，其特征在于，包括如下步骤： 获取农产品监控大数据；
根据所述农产品监控大数据确定异常信息，将所述异常信息发送至与所述异常信息关联的监管终端；
接收从所述监管终端反馈的农产品基因检测数据；
将所述基因检测数据与标准数据库进行比对，根据比对结果判定所述农产品的假冒情况。
2.根据权利要求1所述的一种基于大数据的假冒农产品监控方法，其特征在于：所述农产品监控大数据包括生产监管大数据、运输监管大数据和销售监管大数据；
则所述根据所述农产品监控大数据确定异常信息，包括：
计算所述生产监管大数据和所述销售监管大数据的第一匹配度，若第一匹配度大于或等于第一阈值，则：
计算针对单一地区的所述运输监管大数据和所述销售监管大数据之间的第二匹配度，若所述第二匹配度大于或等于第二阈值，则判定为所述单一地区存在异常。
3.根据权利要求2所述的一种基于大数据的假冒农产品监控方法，其特征在于：所述销售监管大数据包括销售场所数量、销售场所属性；
所述第二阈值通过如下方式确定：
从所述销售监管大数据中提取出所述单一地区内的所述销售场所数量、所述销售场所属性；
根据所述销售场所数量、所述销售场所属性确定所述单一地区内的损耗估计值，根据第一调节系数对所述损耗估计值进行修正；
根据修正后的所述损耗估计值确定出所述第二阈值。
4.根据权利要求2或3所述的一种基于大数据的假冒农产品监控方法，其特征在于：所述方法还包括：
计算所述单一地区与所述农产品源产地之间的距离值；
根据所述距离值确定第二调节系数，根据所述第二调节系数对所述运输监管大数据进行修正。
5.根据权利要求4所述的一种基于大数据的假冒农产品监控方法，其特征在于：所述第二阈值包括第三阈值和第四阈值；
则所述若所述第二匹配度大于或等于第二阈值，则判定为所述单一地区存在异常，包括：
当所述第二匹配度为正偏差时，则若所述第二匹配度大于或等于第三阈值，则判定为所述单一地区存在异常；
当所述第二匹配度为负偏差时，则若所述第二匹配度大于或等于第四阈值，则判定为所述单一地区存在异常；
其中，所述第三阈值和所述第四阈值根据所述距离值确定。
6.根据权利要求5所述的一种基于大数据的假冒农产品监控方法，其特征在于：所述第三阈值和所述第四阈值根据所述距离值确定，包括：
根据所述距离值确定第四调节系数和第五调节系数，其中，所述第四调节系数与所述距离值分别呈负相关关系，所述第五调节系数与所述距离值呈正相关关系；
使用所述第四调节系数修正所述第三阈值，使用所述第五调节系数修正所述第四阈值。
7.根据权利要求1或2或3或5或6所述的一种基于大数据的假冒农产品监控方法，其特征在于：所述将所述基因检测数据与标准数据库进行比对，根据比对结果判定所述农产品的假冒情况，包括：
根据所述基因检测数据得出第一比对序列，将所述第一比对序列与所述标准数据库中的若干第二比对序列分别计算相似度，若不存在大于第五阈值的所述相似度，则判定所述农产品为假冒；否则，判定所述农产品为非假冒。
8.一种基于大数据的假冒农产品监控系统，包括处理模块、存储模块、通信模块、监管终端，所述处理模块分别与所述存储模块和所述通信模块连接，所述通信模块与所述监管终端连接；其中，
所述存储模块，用于存储可执行的计算机程序代码；
所述通信模块，用于获取农产品监控大数据，以及实现所述处理模块与所述监管终端的通信；
其特征在于：所述处理模块，用于通过调用所述存储模块中的所述可执行的计算机程序代码，执行如权利要求1-7任一项所述的方法。
9.一种电子设备，包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
其特征在于：所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的方法。
10.一种计算机存储介质，该存储介质上存储有计算机程序，其特征在于：该计算机程序被处理器运行时执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210076718.3A CN114119052B (zh) | 2022-01-24 | 2022-01-24 | 一种基于大数据的假冒农产品监控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210076718.3A CN114119052B (zh) | 2022-01-24 | 2022-01-24 | 一种基于大数据的假冒农产品监控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114119052A true CN114119052A (zh) | 2022-03-01 |
| CN114119052B CN114119052B (zh) | 2022-07-26 |
Family
ID=80361012
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210076718.3A Active CN114119052B (zh) | 2022-01-24 | 2022-01-24 | 一种基于大数据的假冒农产品监控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114119052B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002037375A1 (en) * | 2000-11-02 | 2002-05-10 | Realtoolbox | A method and system to capture data pertaining to an agricultural product, to record a chain of custody for an agricultural product, automatically to certify an agricultural product, and to communicate agricultural product information to a consumer |
| CN101223286A (zh) * | 2005-05-13 | 2008-07-16 | 生物实验室公司 | 天然食品追溯物 |
| CN104313165A (zh) * | 2014-10-30 | 2015-01-28 | 浙江大学舟山海洋研究中心 | 一种同一产地海产品检测方法 |
| CN108368541A (zh) * | 2015-10-02 | 2018-08-03 | 菲拉根公司 | 产品认证和跟踪 |
| CN109461010A (zh) * | 2018-11-16 | 2019-03-12 | 重庆工商职业学院 | 基于大数据的假冒产品跟踪方法 |
-
2022
- 2022-01-24 CN CN202210076718.3A patent/CN114119052B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002037375A1 (en) * | 2000-11-02 | 2002-05-10 | Realtoolbox | A method and system to capture data pertaining to an agricultural product, to record a chain of custody for an agricultural product, automatically to certify an agricultural product, and to communicate agricultural product information to a consumer |
| CN101223286A (zh) * | 2005-05-13 | 2008-07-16 | 生物实验室公司 | 天然食品追溯物 |
| CN104313165A (zh) * | 2014-10-30 | 2015-01-28 | 浙江大学舟山海洋研究中心 | 一种同一产地海产品检测方法 |
| CN108368541A (zh) * | 2015-10-02 | 2018-08-03 | 菲拉根公司 | 产品认证和跟踪 |
| CN109461010A (zh) * | 2018-11-16 | 2019-03-12 | 重庆工商职业学院 | 基于大数据的假冒产品跟踪方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114119052B (zh) | 2022-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107153971B (zh) | 用于识别app推广中设备作弊的方法及装置 | |
| Dong et al. | Measuring farm sustainability using data envelope analysis with principal components: The case of Wisconsin cranberry | |
| Albersmeier et al. | System dynamics in food quality certifications: development of an audit integrity system | |
| CN108549973B (zh) | 识别模型构建及评估的方法、装置、存储介质及终端 | |
| Barriguinha et al. | Vineyard yield estimation, prediction, and forecasting: A systematic literature review | |
| CN110349039B (zh) | 投诉风险评估方法、系统、计算机设备及可读存储介质 | |
| CN111967796A (zh) | 食品企业信用评分方法、装置和电子设备 | |
| CN115860581A (zh) | 农作物品种适宜性评价方法、装置、设备及存储介质 | |
| CN111062602A (zh) | 企业信用风险评估的方法、装置及存储介质 | |
| CN112581291B (zh) | 风险测评异动检测方法、装置、设备及存储介质 | |
| CN114119052B (zh) | 一种基于大数据的假冒农产品监控方法及系统 | |
| US20210357772A1 (en) | System and method for time series pattern recognition | |
| CN117371604A (zh) | 一种基于智能感知的农业生产预测方法及系统 | |
| CN109408268B (zh) | 一种基于云pos机的新零售扫码数据异常检测方法 | |
| CN113393169B (zh) | 基于大数据技术的金融行业交易系统性能指标分析方法 | |
| CN113344696B (zh) | 一种头寸预报评估方法、装置、设备及存储介质 | |
| CN113870007A (zh) | 一种产品推荐方法、装置、设备及介质 | |
| Miranda et al. | Assessing automatic data processing algorithms for RGB-D cameras to predict fruit size and weight in apples | |
| CN113240513A (zh) | 一种用户授信额度的确定方法和相关装置 | |
| CN111401920A (zh) | 一种智能化可配置食品安全追溯信息系统 | |
| Polowy et al. | Data mining in the analysis of tree harvester performance based on automatically collected data | |
| CN111612302A (zh) | 一种集团级数据管理方法和设备 | |
| Khatun et al. | An extensive real-world in field tomato image dataset involving maturity classification and recognition of fresh and defect tomatoes | |
| KR20160076783A (ko) | 위해인자 예측 시스템 및 방법 | |
| Chen et al. | Dynamic comprehensive quality assessment of post-harvest grape in different transportation chains using SAHP–CatBoost machine learning |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240611 Address after: Room 303-84, 3rd Floor, Building 4, No. 9 Yike Road, Life Science Park, Changping District, Beijing, 102200 Patentee after: Beijing Agriji Data Technology Co.,Ltd. Country or region after: China Address before: 100097 No. 20, ground floor, building 1, zone a, Yiyuan cultural and creative industry base, No. 80, xingshikou Road, Haidian District, Beijing Patentee before: Huize Zhixiang Technology (Beijing) Co.,Ltd. Country or region before: China |