CN115272804A - 一种基于区块链和联邦学习的茶叶种类鉴别平台 - Google Patents

一种基于区块链和联邦学习的茶叶种类鉴别平台 Download PDF

Info

Publication number
CN115272804A
CN115272804A CN202211177825.1A CN202211177825A CN115272804A CN 115272804 A CN115272804 A CN 115272804A CN 202211177825 A CN202211177825 A CN 202211177825A CN 115272804 A CN115272804 A CN 115272804A
Authority
CN
China
Prior art keywords
tea
block chain
convolution
resulting
platform based
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
Application number
CN202211177825.1A
Other languages
English (en)
Other versions
CN115272804B (zh
Inventor
张志勇
黄伙水
乐有东
尤志勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Quanzhou Customs Comprehensive Technical Service Center
Original Assignee
Quanzhou Customs Comprehensive Technical Service Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Quanzhou Customs Comprehensive Technical Service Center filed Critical Quanzhou Customs Comprehensive Technical Service Center
Priority to CN202211177825.1A priority Critical patent/CN115272804B/zh
Publication of CN115272804A publication Critical patent/CN115272804A/zh
Application granted granted Critical
Publication of CN115272804B publication Critical patent/CN115272804B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于区块链、人工智能技术领域，尤其为一种基于区块链和联邦学习的茶叶种类鉴别平台，包括以下步骤：S1、基于深度学习算法进行茶叶类别数据集训练，每一个茶叶类别作为联盟链网络的协作方；S2、将每一次茶叶种类鉴别动作视为发起方，发起方和协作方共同构建联盟链网络，每个节点都是作为联邦建模前多方茶叶种类鉴别业务流程记录交易记账人的预选节点，共同参与交易的区块生成以及共同维护共识机制；通过深度学习算法来对待检测茶叶类别进行训练和鉴别，每一个茶叶类别作为联盟链网络的协作方,将每一次茶叶种类鉴别动作视为发起方，发起方和协作方共同构建联盟链网络。

Description

一种基于区块链和联邦学习的茶叶种类鉴别平台
技术领域
本发明属于区块链、人工智能技术领域，具体涉及一种基于区块链和联邦学习的茶叶种类鉴别平台。
背景技术
茶叶是世界三大饮料之一，它含有茶多酚、蛋白质和氨基酸等有机物质，也含有钾、钙和镁等无机物质，具有安神，明目和清热等功效，常饮茶有益于人的身体健康。但是在茶叶市场上存在以次充好现象，而普通消费者无法辨认优质名茶和劣质茶叶，往往会受骗上当。另外，以次充好的劣质茶叶损害了名优茶的品牌信誉，侵害了消费者权益，给名优茶的市场推广带来困扰。所以研究一种方法简单、易于操作、检测速度快的茶叶品种的鉴别方法是非常必要的。
为解决上述问题，本申请中提出一种基于区块链和联邦学习的茶叶种类鉴别平台。
发明内容
为解决上述背景技术中提出的问题。本发明提供了一种基于区块链和联邦学习的茶叶种类鉴别平台，将茶叶种类鉴别动作向全网公示，即基于区块链设计出联邦学习平台来对茶叶种类鉴别进行控制，通过提升联邦学习产品在建模前对于各方数据交换使用过程的安全性、可靠性、防篡改性、可追溯性、支持贡献度计算等能力，大幅提升各个参与方在使用联邦学习过程中对于茶叶种类鉴别结果的信任度。
为实现上述目的，本发明提供如下技术方案：一种基于区块链和联邦学习的茶叶种类鉴别平台，包括以下步骤：
S1、基于深度学习算法进行茶叶类别数据集训练，每一个茶叶类别作为联盟链网络的协作方；
S2、将每一次茶叶种类鉴别动作视为发起方，发起方和协作方共同构建联盟链网络，每个节点都是作为联邦建模前多方茶叶种类鉴别业务流程记录交易记账人的预选节点，共同参与交易的区块生成以及共同维护共识机制；
S3、协作方发布茶叶类别数据集训练结果到区块链中；
S4、区块链存储发布信息并将协作方发布的茶叶类别数据集训练结果转发给发布过程中指定的参与方，同时按照预设的同步周期对其他区块链节点进行本次交易的数据更新，保证区块链网络中所有副本完整性；
S5、发起方进行茶叶类别鉴别动作，同时申请对鉴别出的茶叶种类所对应的协作方的茶叶类别数据集训练结果进行更新，并将申请记录发布到区块链上；
S6、区块链存储申请信息并将申请信息转发给指定数据协作方，同时按照预设的同步周期对其他区块链节点进行本次交易的数据更新，保证区块链网络中所有副本完整性；
S7、数据协作方审批申请信息并将审批记录发布到区块链上；
S8、区块链存储审批信息并将审批信息转发给指定任务发起方，同时按照预设的同步周期对其他区块链节点进行本次交易的数据更新，保证区块链网络中所有副本完整性；
S9、审批通过后、联邦建模前多方茶叶类别鉴别业务流程准备完成，发起方发起联邦建模任务。
作为本发明一种基于区块链和联邦学习的茶叶种类鉴别平台优选的，S1中基于深度学习算法进行茶叶类别数据集训练的具体步骤包括：
S11、茶叶图像获取，针对M种茶叶，每种茶叶拍摄N张图像，按8：1：1划分训练集、测试集和验证集，则每种茶叶的训练集、测试集和验证集数量分别为0.8*N、0.1*N和0.1*N张；具体拍摄时图像尺寸为2976*3968，以jpg格式存储；
S12、茶叶图像增强，对M种茶叶的0.8*N张训练集图像采用随机水平翻转、随机角度旋转、随机垂直翻转、随机微调亮度四种方法进行数据增强，得到M*3.2*N张茶叶图像；
S13、茶叶图像缩放，对M*3.2*N张茶叶图像进行填充和拉伸，保持缩放比例至224*224*3；
S14、图片归一化，对224*224*3的茶叶图像进行归一化，输出224*224*3的图片I；把数值归一化到[-1,1]的区间，基础网络使用ResNet；
S15、残差网络卷积，对224*224*3的输入图片I进行残差网络卷积，经过50次卷积，最终得到7*7*2048的卷积输出张量X；
S16、全连接层计算；
S17、计算Y的损失函数。
作为本发明一种基于区块链和联邦学习的茶叶种类鉴别平台优选的，所述S15包括如下步骤：
S151、卷积7*7*64，得到112*112*64的卷积输出I2；
S152、I2依次通过批归一化、ReLU 激活、核心大小为 3×3 且步长为 2 的MAXPOOL 池化处理，得到56*56*64的卷积输出I3；
S153、I3经过 RESBLOCK 处理，其参数为IN：64，OUT：256，得到56*56*256的卷积输出I4；
S154、I4经过 RESBLOCK 处理，其参数为IN：128，OUT：512，得到28*28*512的卷积输出I5；
S155、I5经过 RESBLOCK 处理，其参数为IN：256，OUT：1024，得到14*14*1024的卷积输出I6；
S156、I6经过 RESBLOCK 处理，其参数为IN：512，OUT：2048，得到7*7*2048的卷积输出I7；
S157、I7经过激活函数，得到7*7*2048的卷积输出张量X。
作为本发明一种基于区块链和联邦学习的茶叶种类鉴别平台优选的，所述S16包括张量X输入到单层全连接层，得到输出Y；其中，W是全连接层权重，b是偏置权重，x的取值范围为负无穷到正无穷，
全连接层的计算方法为
Figure DEST_PATH_IMAGE002
，f的计算方法为
Figure DEST_PATH_IMAGE004
。
作为本发明一种基于区块链和联邦学习的茶叶种类鉴别平台优选的，所述S17包括如下步骤：
S171、损失函数收敛判断，求
Figure DEST_PATH_IMAGE006
对Y和
Figure DEST_PATH_IMAGE008
的一阶连续偏导数，其中
Figure 100002_DEST_PATH_IMAGE010
为真实数据，如果一阶连续偏导数取得极值，则认为收敛；
S172、损失函数梯度偏置校正，通过对
Figure 453660DEST_PATH_IMAGE006
对Y和
Figure 788827DEST_PATH_IMAGE008
的一阶连续偏导数中的一阶和二阶动量进行偏置校正迭代来进行矫正。
作为本发明一种基于区块链和联邦学习的茶叶种类鉴别平台优选的，所述S17中，输出Y的损失函数计算方法为：
Figure DEST_PATH_IMAGE012
，其中
Figure 252169DEST_PATH_IMAGE008
为真实数据，C为常数，m为茶叶的种类数。
作为本发明一种基于区块链和联邦学习的茶叶种类鉴别平台优选的，所述S2包括如下步骤：
S21、待检测茶叶图像缩放：对待检测茶叶图像进行填充和拉伸，保持缩放比例至224*224*3；
S22、图片归一化：对224*224*3的茶叶图像进行归一化，输出224*224*3的图片I；把数值归一化到[-1,1]的区间，基础网络使用ResNet；
S23、残差网络卷积：对224*224*3的输入图片I进行残差网络卷积，经过50次卷积，最终得到7*7*2048的卷积输出张量X；
S24、全连接层计算；
S25、计算Y的损失函数。
作为本发明一种基于区块链和联邦学习的茶叶种类鉴别平台优选的，所述S23包括如下步骤：
S231、I卷积7*7*64，得到112*112*64的卷积输出I2；
S232、I2依次通过归一化、激活、池化处理，得到56*56*64的卷积输出I3；
S233、I3经过 RESBLOCK 处理，其参数为IN：64，OUT：256，得到56*56*256的卷积输出I4；
S234、I4经过 RESBLOCK 处理，其参数为IN：128，OUT：512，得到28*28*512的卷积输出I5；
S235、I5经过 RESBLOCK 处理，其参数为IN：256，OUT：1024，得到14*14*1024的卷积输出I6；
S236、I6经过 RESBLOCK 处理，其参数为IN：512，OUT：2048，得到7*7*2048的卷积输出I7；
S237、I7经过 ReLU 激活函数，得到7*7*2048的卷积输出张量X。
作为本发明一种基于区块链和联邦学习的茶叶种类鉴别平台优选的，S24包括张量X输入到单层全连接层，得到输出Y，全连接层的计算方法为
Figure DEST_PATH_IMAGE014
；输出Y的损失函数计算方法为：
Figure DEST_PATH_IMAGE016
，其中
Figure DEST_PATH_IMAGE018
为真实数据，C为常数，m为茶叶的种类数。
作为本发明一种基于区块链和联邦学习的茶叶种类鉴别平台优选的，所述S25包括如下步骤：
S251、损失函数收敛判断，求
Figure DEST_PATH_IMAGE020
对Y和
Figure 387441DEST_PATH_IMAGE018
的一阶连续偏导数，如果一阶连续偏导数取得极值，则认为收敛；
S252、损失函数梯度偏置校正，通过对
Figure 619839DEST_PATH_IMAGE020
对Y和
Figure 391486DEST_PATH_IMAGE018
的一阶连续偏导数中的一阶和二阶动量进行偏置校正迭代来进行矫正。
与现有技术相比，本发明的有益效果是：
1、通过深度学习算法来对待检测茶叶类别进行训练和鉴别，每一个茶叶类别作为联盟链网络的协作方,将每一次茶叶种类鉴别动作视为发起方，发起方和协作方共同构建联盟链网络。
2、设计出联邦建模前对于多方茶叶类别数据集训练结果的使用需要经过完善可落地的流程管控，确保了联邦场景下各方数据的开发流通安全性。
3、结合区块链的能力，将联邦建模前对于多方茶叶类别数据集训练和鉴别的发布、申请、审批记录全部上链，保障了作为各机构核心资产的数据的使用记录不可篡改、可追溯；同时对于多方数据集的安全审计、以及对于后续联邦建模贡献度的评估都提供了准确可靠安全的数据支撑。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例1的基于区块链和联邦学习的茶叶种类鉴别平台的结构框图；
图2为本发明实施例1的茶叶数据集训练流程图；
图3为本发明实施例1的茶叶类别识别流程图；
图4为本发明实施例1的残差网络卷积流程图；
图5为本发明实施例1的茶叶图像增加效果图。
具体实施方式
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，都属于本发明保护的范围。
实施例1
本发明的目的是提供一种基于区块链和联邦学习的茶叶种类鉴别平台，通过建立基于深度学习的茶叶种类识别模型，降低传统识别方法过于依赖特征提取的影响；同时通过基于区块链和联邦学习的茶叶种类鉴别平台使得茶叶检测过程和结果不可篡改、可追溯。
如图1-图5所示；
一种基于区块链和联邦学习的茶叶种类鉴别平台，包括以下步骤：
S1、基于深度学习算法进行茶叶类别数据集训练，每一个茶叶类别作为联盟链网络的协作方。
在一个可选的实施例中：S1中基于深度学习算法进行茶叶类别数据集训练的具体步骤包括：
S11、茶叶图像获取，针对M种茶叶，每种茶叶拍摄N张图像，按8：1：1划分训练集、测试集和验证集，则每种茶叶的训练集、测试集和验证集数量分别为0.8*N、0.1*N和0.1*N张；具体拍摄时图像尺寸为2976*3968，以jpg格式存储；
S12、茶叶图像增强，对M种茶叶的0.8*N张训练集图像采用随机水平翻转、随机角度旋转、随机垂直翻转、随机微调亮度四种方法进行数据增强，得到M*3.2*N张茶叶图像，图像增强如图5所示；
S13、茶叶图像缩放，对M*3.2*N张茶叶图像进行填充和拉伸，保持缩放比例至224*224*3；
S14、图片归一化，对224*224*3的茶叶图像进行归一化，输出224*224*3的图片I；把数值归一化到[-1,1]的区间，基础网络使用ResNet；
S15、残差网络卷积，对224*224*3的输入图片I进行残差网络卷积，经过50次卷积，最终得到7*7*2048的卷积输出张量X；
S16、全连接层计算；
S17、计算Y的损失函数。
在一个可选的实施例中：参见图4，对224*224*3的输入图片I进行残差网络卷积，224*224*3指高(height)和宽(width)、通道数(channel)、即(H，W，C)，经过50次卷积，最终得到7*7*2048的卷积输出张量X，RESBLOCK函数为人工智能领域公知函数，所述S15包括如下步骤：
S151、卷积7*7*64，得到112*112*64的卷积输出I2；
S152、I2依次通过批归一化、ReLU 激活、核心大小为 3×3 且步长为 2 的MAXPOOL 池化处理，得到56*56*64的卷积输出I3；
S153、I3经过 RESBLOCK 处理，其参数为IN：64，OUT：256，得到56*56*256的卷积输出I4；
S154、I4经过 RESBLOCK 处理，其参数为IN：128，OUT：512，得到28*28*512的卷积输出I5；
S155、I5经过 RESBLOCK 处理，其参数为IN：256，OUT：1024，得到14*14*1024的卷积输出I6；
S156、I6经过 RESBLOCK 处理，其参数为IN：512，OUT：2048，得到7*7*2048的卷积输出I7；
S157、I7经过激活函数，得到7*7*2048的卷积输出张量X。
在一个可选的实施例中：所述S16包括张量X输入到单层全连接层，得到输出Y（Y为M纬向量，代表M种茶叶类别输出节点）；其中，W是全连接层权重，b是偏置权重，x的取值范围为负无穷到正无穷，
全连接层的计算方法为
Figure 201179DEST_PATH_IMAGE002
，f是激活公式，f的计算方法为
Figure DEST_PATH_IMAGE021
。
在一个可选的实施例中：所述S17包括如下步骤：
S171、损失函数收敛判断；
S172、损失函数梯度偏置校正。
在一个可选的实施例中：所述S17中，输出Y的损失函数计算方法为：
Figure DEST_PATH_IMAGE023
，其中
Figure DEST_PATH_IMAGE025
为真实数据，C为常数，m为茶叶的种类数。
在一个可选的实施例中：所述S171包括求
Figure DEST_PATH_IMAGE027
对Y和
Figure 146001DEST_PATH_IMAGE025
的一阶连续偏导数，如果一阶连续偏导数取得极值，则认为收敛。
在一个可选的实施例中：S172包括通过对
Figure 498485DEST_PATH_IMAGE027
对Y和
Figure 175454DEST_PATH_IMAGE025
的一阶连续偏导数中的一阶和二阶动量进行偏置校正迭代来进行矫正。
需要说明的是：如果损失函数收敛，则输出茶叶类别识别结果；如果损失函数不收敛，则进行损失函数梯度偏置校正。
S2、将每一次茶叶种类鉴别动作视为发起方，发起方和协作方共同构建联盟链网络，每个节点都是作为联邦建模前多方茶叶种类鉴别业务流程记录交易记账人的预选节点，共同参与交易的区块生成以及共同维护共识机制；
S3、协作方发布茶叶类别数据集训练结果到区块链中；
S4、区块链存储发布信息并将协作方发布的茶叶类别数据集训练结果转发给发布过程中指定的参与方，同时按照预设的同步周期对其他区块链节点进行本次交易的数据更新，保证区块链网络中所有副本完整性；
S5、发起方进行茶叶类别鉴别动作，同时申请对鉴别出的茶叶种类所对应的协作方的茶叶类别数据集训练结果进行更新，并将申请记录发布到区块链上。
在一个可选的实施例中：所述S2包括如下步骤：
S21、待检测茶叶图像缩放：对待检测茶叶图像进行填充和拉伸，保持缩放比例至224*224*3；
S22、图片归一化：对224*224*3的茶叶图像进行归一化，输出224*224*3的图片I；把数值归一化到[-1,1]的区间，基础网络使用ResNet；
S23、残差网络卷积：对224*224*3的输入图片I进行残差网络卷积，经过50次卷积，最终得到7*7*2048的卷积输出张量X；
S24、全连接层计算；
S25、计算Y的损失函数。
在一个可选的实施例中：参见图4，对224*224*3的输入图片I进行残差网络卷积，224*224*3指高(height)和宽(width)、通道数(channel)、即(H,W,C),经过50次卷积，最终得到7*7*2048的卷积输出张量X。RESBLOCK函数为人工智能领域公知函数，所述S23包括如下步骤：
S231、I卷积7*7*64，得到112*112*64的卷积输出I2；
S232、I2依次通过归一化、激活、池化处理，得到56*56*64的卷积输出I3；
S233、I3经过 RESBLOCK 处理，其参数为IN：64，OUT：256，得到56*56*256的卷积输出I4；
S234、I4经过 RESBLOCK 处理，其参数为IN：128，OUT：512，得到28*28*512的卷积输出I5；
S235、I5经过 RESBLOCK 处理，其参数为IN：256，OUT：1024，得到14*14*1024的卷积输出I6；
S236、I6经过 RESBLOCK 处理，其参数为IN：512，OUT：2048，得到7*7*2048的卷积输出I7；
S237、I7经过 ReLU 激活函数，得到7*7*2048的卷积输出张量X。
在一个可选的实施例中：S24包括张量X输入到单层全连接层，得到输出Y（Y为M纬向量），全连接层的计算方法为
Figure DEST_PATH_IMAGE029
，W是全连接层权重，b是偏置权重，p是激活公式，输出Y的损失函数计算方法为：
Figure DEST_PATH_IMAGE031
，其中
Figure DEST_PATH_IMAGE033
为真实数据，C为常数，m为茶叶的种类数。
在一个可选的实施例中：所述S25包括如下步骤：
S251、损失函数收敛判断，求
Figure DEST_PATH_IMAGE035
对Y和
Figure DEST_PATH_IMAGE037
的一阶连续偏导数，如果一阶连续偏导数取得极值，则认为收敛；
S252、损失函数梯度偏置校正，通过对
Figure 410127DEST_PATH_IMAGE035
对Y和
Figure 565164DEST_PATH_IMAGE037
的一阶连续偏导数中的一阶和二阶动量进行偏置校正迭代来进行矫正。
如果损失函数收敛，则输出茶叶类别识别结果；如果损失函数不收敛，则进行损失函数梯度偏置校正。
S6、区块链存储申请信息并将申请信息转发给指定数据协作方，同时按照预设的同步周期对其他区块链节点进行本次交易的数据更新，保证区块链网络中所有副本完整性；
S7、数据协作方审批申请信息并将审批记录发布到区块链上；
S8、区块链存储审批信息并将审批信息转发给指定任务发起方，同时按照预设的同步周期对其他区块链节点进行本次交易的数据更新，保证区块链网络中所有副本完整性；
S9、审批通过后、联邦建模前多方茶叶类别鉴别业务流程准备完成，发起方发起联邦建模任务。
本发明无须近红外光谱检测仪器即可对茶叶种类进行鉴别；通过建立基于深度学习的茶叶种类识别模型，降低了传统识别方法过于依赖特征提取的影响；在联邦建模前对于多方茶叶类别数据集训练结果的使用需要经过完善可落地的流程管控，确保了联邦场景下各方数据的开发流通安全性；将对多方茶叶类别数据集训练和鉴别的发布、申请、审批操作看作一条条交易记录存储在区块链中，不仅保障了基本的多方数据集使用的前置流程，并且借助区块链本身的不可篡改、可追溯性特点，使各方的数据在被使用时的安全性大大提高，更对于后续围绕数据集使用的安全审计、贡献值计算起到了基石数据的作用，其他常见联邦学习平台在联邦建模前，对于发布申请审批使用合作方数据时，并未有过跟区块链结合的先例。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于区块链和联邦学习的茶叶种类鉴别平台，其特征在于，包括以下步骤：
S1、基于深度学习算法进行茶叶类别数据集训练，每一个茶叶类别作为联盟链网络的协作方；
S2、将每一次茶叶种类鉴别动作视为发起方，发起方和协作方共同构建联盟链网络，每个节点都是作为联邦建模前多方茶叶种类鉴别业务流程记录交易记账人的预选节点，共同参与交易的区块生成以及共同维护共识机制；
S3、协作方发布茶叶类别数据集训练结果到区块链中；
S4、区块链存储发布信息并将协作方发布的茶叶类别数据集训练结果转发给发布过程中指定的参与方，同时按照预设的同步周期对其他区块链节点进行本次交易的数据更新，保证区块链网络中所有副本完整性；
S5、发起方进行茶叶类别鉴别动作，同时申请对鉴别出的茶叶种类所对应的协作方的茶叶类别数据集训练结果进行更新，并将申请记录发布到区块链上；
S6、区块链存储申请信息并将申请信息转发给指定数据协作方，同时按照预设的同步周期对其他区块链节点进行本次交易的数据更新，保证区块链网络中所有副本完整性；
S7、数据协作方审批申请信息并将审批记录发布到区块链上；
S8、区块链存储审批信息并将审批信息转发给指定任务发起方，同时按照预设的同步周期对其他区块链节点进行本次交易的数据更新，保证区块链网络中所有副本完整性；
S9、审批通过后、联邦建模前多方茶叶类别鉴别业务流程准备完成，发起方发起联邦建模任务。
2.根据权利要求1所述的基于区块链和联邦学习的茶叶种类鉴别平台，其特征在于，S1中基于深度学习算法进行茶叶类别数据集训练的具体步骤包括：
S11、茶叶图像获取，针对M种茶叶，每种茶叶拍摄N张图像，按8：1：1划分训练集、测试集和验证集，则每种茶叶的训练集、测试集和验证集数量分别为0.8*N、0.1*N和0.1*N张；具体拍摄时图像尺寸为2976*3968，以jpg格式存储；
S12、茶叶图像增强，对M种茶叶的0.8*N张训练集图像采用随机水平翻转、随机角度旋转、随机垂直翻转、随机微调亮度四种方法进行数据增强，得到M*3.2*N张茶叶图像；
S13、茶叶图像缩放，对M*3.2*N张茶叶图像进行填充和拉伸，保持缩放比例至224*224*3；
S14、图片归一化，对224*224*3的茶叶图像进行归一化，输出224*224*3的图片I；把数值归一化到[-1,1]的区间，基础网络使用ResNet；
S15、残差网络卷积，对224*224*3的输入图片I进行残差网络卷积，经过50次卷积，最终得到7*7*2048的卷积输出张量X；
S16、全连接层计算；
S17、计算Y的损失函数。
3.根据权利要求2所述的基于区块链和联邦学习的茶叶种类鉴别平台，其特征在于，所述S15包括如下步骤：
S151、卷积7*7*64，得到112*112*64的卷积输出I2；
S152、I2依次通过批归一化、ReLU 激活、核心大小为 3×3 且步长为 2 的 MAXPOOL池化处理，得到56*56*64的卷积输出I3；
S153、I3经过 RESBLOCK 处理，其参数为IN：64，OUT：256，得到56*56*256的卷积输出I4；
S154、I4经过 RESBLOCK 处理，其参数为IN：128，OUT：512，得到28*28*512的卷积输出I5；
S155、I5经过 RESBLOCK 处理，其参数为IN：256，OUT：1024，得到14*14*1024的卷积输出I6；
S156、I6经过 RESBLOCK 处理，其参数为IN：512，OUT：2048，得到7*7*2048的卷积输出I7；
S157、I7经过激活函数，得到7*7*2048的卷积输出张量X。
4.根据权利要求3所述的基于区块链和联邦学习的茶叶种类鉴别平台，其特征在于，所述S16包括张量X输入到单层全连接层，得到输出Y；其中，W是全连接层权重，b是偏置权重，x的取值范围为负无穷到正无穷，
全连接层的计算方法为
Figure DEST_PATH_IMAGE001
，f的计算方法为
Figure 917059DEST_PATH_IMAGE002
。
5.根据权利要求2所述的基于区块链和联邦学习的茶叶种类鉴别平台，其特征在于，所述S17包括如下步骤：
S171、损失函数收敛判断，求
Figure DEST_PATH_IMAGE003
对Y和
Figure 387354DEST_PATH_IMAGE004
的一阶连续偏导数，其中
Figure DEST_PATH_IMAGE005
为真实数据，如果一阶连续偏导数取得极值，则认为收敛；
S172、损失函数梯度偏置校正，通过对
Figure 851834DEST_PATH_IMAGE006
对Y和
Figure 848609DEST_PATH_IMAGE004
的一阶连续偏导数中的一阶和二阶动量进行偏置校正迭代来进行矫正。
6.根据权利要求5所述的基于区块链和联邦学习的茶叶种类鉴别平台，其特征在于，所述S17中，输出Y的损失函数计算方法为：
Figure DEST_PATH_IMAGE007
，其中
Figure 107552DEST_PATH_IMAGE005
为真实数据，C为常数，m为茶叶的种类数。
7.根据权利要求1所述的基于区块链和联邦学习的茶叶种类鉴别平台，其特征在于，所述S2包括如下步骤：
S21、待检测茶叶图像缩放：对待检测茶叶图像进行填充和拉伸，保持缩放比例至224*224*3；
S22、图片归一化：对224*224*3的茶叶图像进行归一化，输出224*224*3的图片I；把数值归一化到[-1,1]的区间，基础网络使用ResNet；
S23、残差网络卷积：对224*224*3的输入图片I进行残差网络卷积，经过50次卷积，最终得到7*7*2048的卷积输出张量X；
S24、全连接层计算；
S25、计算Y的损失函数。
8.根据权利要求7所述的基于区块链和联邦学习的茶叶种类鉴别平台，其特征在于，所述S23包括如下步骤：
S231、I卷积7*7*64，得到112*112*64的卷积输出I2；
S232、I2依次通过归一化、激活、池化处理，得到56*56*64的卷积输出I3；
S233、I3经过 RESBLOCK 处理，其参数为IN：64，OUT：256，得到56*56*256的卷积输出I4；
S234、I4经过 RESBLOCK 处理，其参数为IN：128，OUT：512，得到28*28*512的卷积输出I5；
S235、I5经过 RESBLOCK 处理，其参数为IN：256，OUT：1024，得到14*14*1024的卷积输出I6；
S236、I6经过 RESBLOCK 处理，其参数为IN：512，OUT：2048，得到7*7*2048的卷积输出I7；
S237、I7经过 ReLU 激活函数，得到7*7*2048的卷积输出张量X。
9.根据权利要求8所述的基于区块链和联邦学习的茶叶种类鉴别平台，其特征在于，S24包括张量X输入到单层全连接层，得到输出Y，全连接层的计算方法为
Figure 861881DEST_PATH_IMAGE008
，输出Y的损失函数计算方法为：
Figure 802155DEST_PATH_IMAGE009
，其中
Figure DEST_PATH_IMAGE010
为真实数据，C为常数，m为茶叶的种类数。
10.根据权利要求9所述的基于区块链和联邦学习的茶叶种类鉴别平台，其特征在于，所述S25包括如下步骤：
S251、损失函数收敛判断，求
Figure 591120DEST_PATH_IMAGE011
对Y和
Figure 348860DEST_PATH_IMAGE010
的一阶连续偏导数，如果一阶连续偏导数取得极值，则认为收敛；
S252、损失函数梯度偏置校正，通过对
Figure 590486DEST_PATH_IMAGE011
对Y和
Figure 131188DEST_PATH_IMAGE010
的一阶连续偏导数中的一阶和二阶动量进行偏置校正迭代来进行矫正。
CN202211177825.1A 2022-09-27 2022-09-27 一种基于区块链和联邦学习的茶叶种类鉴别平台 Active CN115272804B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211177825.1A CN115272804B (zh) 2022-09-27 2022-09-27 一种基于区块链和联邦学习的茶叶种类鉴别平台

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211177825.1A CN115272804B (zh) 2022-09-27 2022-09-27 一种基于区块链和联邦学习的茶叶种类鉴别平台

Publications (2)

Publication Number Publication Date
CN115272804A true CN115272804A (zh) 2022-11-01
CN115272804B CN115272804B (zh) 2022-11-25

Family

ID=83757947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211177825.1A Active CN115272804B (zh) 2022-09-27 2022-09-27 一种基于区块链和联邦学习的茶叶种类鉴别平台

Country Status (1)

Country Link
CN (1) CN115272804B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200013140A (ko) * 2018-07-17 2020-02-06 김태엽 작물 품종 종자 정보 기록저장 블록체인 시스템 및 온도시간모델에 기반한 육묘종자발아확인 IOT-Hub 시스템.
CN111833077A (zh) * 2020-07-14 2020-10-27 南开大学 一种基于区块链技术和基因测序技术的食品防伪方法
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
CN113538144A (zh) * 2021-07-19 2021-10-22 浙江数秦科技有限公司 一种基于区块链的农产品自动验货系统
CN114332876A (zh) * 2022-01-06 2022-04-12 袁爽 一种基于区块链技术的医疗票据图像识别方法
CN114418596A (zh) * 2021-12-30 2022-04-29 上海藏研网络科技有限公司 一种基于区块链的艺术品鉴别方法及装置
CN114529765A (zh) * 2022-02-16 2022-05-24 腾讯科技（深圳）有限公司 一种数据处理方法、设备以及计算机可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200013140A (ko) * 2018-07-17 2020-02-06 김태엽 작물 품종 종자 정보 기록저장 블록체인 시스템 및 온도시간모델에 기반한 육묘종자발아확인 IOT-Hub 시스템.
CN111833077A (zh) * 2020-07-14 2020-10-27 南开大学 一种基于区块链技术和基因测序技术的食品防伪方法
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
CN113538144A (zh) * 2021-07-19 2021-10-22 浙江数秦科技有限公司 一种基于区块链的农产品自动验货系统
CN114418596A (zh) * 2021-12-30 2022-04-29 上海藏研网络科技有限公司 一种基于区块链的艺术品鉴别方法及装置
CN114332876A (zh) * 2022-01-06 2022-04-12 袁爽 一种基于区块链技术的医疗票据图像识别方法
CN114529765A (zh) * 2022-02-16 2022-05-24 腾讯科技（深圳）有限公司 一种数据处理方法、设备以及计算机可读存储介质

Also Published As

Publication number Publication date
CN115272804B (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN109614996B (zh) 基于生成对抗网络的弱可见光与红外图像融合的识别方法
Liu et al. Cycle self-training for domain adaptation
CN109815893B (zh) 基于循环生成对抗网络的彩色人脸图像光照域归一化的方法
Dehghan et al. Who do i look like? determining parent-offspring resemblance via gated autoencoders
CN105874474A (zh) 用于面部表示的系统和方法
CN109035315A (zh) 融合sift特征和cnn特征的遥感图像配准方法及系统
CN110008696A (zh) 一种面向深度联邦学习的用户数据重建攻击方法
CN107437077A (zh) 一种基于生成对抗网络的旋转面部表示学习的方法
CN110175850B (zh) 一种交易信息的处理方法及装置
CN109064423B (zh) 一种基于非对称循环生成对抗损失的智能修图方法
CN111275779B (zh) 表情迁移方法、图像生成器的训练方法、装置及电子设备
CN106204779A (zh) 基于多人脸数据采集策略和深度学习的课堂考勤方法
CN103824068A (zh) 人脸支付认证系统及方法
CN109801225B (zh) 基于多任务全卷积神经网络的人脸网纹污迹去除方法
CN109389151A (zh) 一种基于半监督嵌入表示模型的知识图谱处理方法和装置
CN114926892A (zh) 一种基于深度学习的眼底图像匹配方法、系统和可读介质
TWI684918B (zh) 臉部辨識系統以及加強臉部辨識方法
CN107563319A (zh) 一种基于图像的亲子间人脸相似性度量计算方法
CN111062899B (zh) 基于引导的生成对抗网络的眨眼视频生成方法
CN115272804B (zh) 一种基于区块链和联邦学习的茶叶种类鉴别平台
Madessa et al. A deep learning approach for specular highlight removal from transmissive materials
Mastorakis et al. Dlwiot: Deep learning-based watermarking for authorized iot onboarding
Zhao Just noticeable learning for unsupervised anomaly localization and detection
WO2020114119A1 (zh) 一种跨域网络训练及图像识别方法
JP2017059193A (ja) 時系列画像補完装置、時系列画像生成方法、時系列画像補完装置用プログラム

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