CN115374189A - 基于区块链的食品安全溯源方法、装置及设备 - Google Patents

基于区块链的食品安全溯源方法、装置及设备 Download PDF

Info

Publication number
CN115374189A
CN115374189A CN202211306347.XA CN202211306347A CN115374189A CN 115374189 A CN115374189 A CN 115374189A CN 202211306347 A CN202211306347 A CN 202211306347A CN 115374189 A CN115374189 A CN 115374189A
Authority
CN
China
Prior art keywords
food
data
text
bill
character
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
CN202211306347.XA
Other languages
English (en)
Other versions
CN115374189B (zh
Inventor
容柏清
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.)
Hunan Wooden House Network Technology Co ltd
Original Assignee
Hunan Wooden House Network Technology Co ltd
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 Hunan Wooden House Network Technology Co ltd filed Critical Hunan Wooden House Network Technology Co ltd
Priority to CN202211306347.XA priority Critical patent/CN115374189B/zh
Publication of CN115374189A publication Critical patent/CN115374189A/zh
Application granted granted Critical
Publication of CN115374189B publication Critical patent/CN115374189B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2471—Distributed queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/34—Browsing; Visualisation therefor
    • G06F16/345—Summarisation for human users
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及人工智能技术，揭露了一种基于区块链的食品安全溯源方法，包括：基于食品加工全周期数据集合的周期节点构建食品溯源联盟链，选取不同周期节点的文本数据、票据数据、图像数据及视频数据，对票据数据中提取的票据文本、文本数据提取的摘要文本、图像数据及视频数据进行哈希融合，得到溯源哈希值并存储至食品溯源联盟链，构建溯源数据库及查询数据库，基于待查询食品编号从溯源数据库中查询溯源数据原件并计算验证哈希值，从查询数据库中查询目标区块编号并提取目标溯源哈希值，根据验证哈希值及目标溯源哈希值得到食品溯源结果。本发明还提出一种基于区块链的食品安全溯源装置及设备。本发明可以准确快速的对食品进行食品安全溯源。

Description

基于区块链的食品安全溯源方法、装置及设备
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于区块链的食品安全溯源方法、装置及电子设备。
背景技术
食品安全溯源是指对食品生产、加工、销售各个环节的具体信息进行追溯，从而保证食品的安全。
传统食品溯源存在以下问题：1、各个环节信息相互封闭，溯源时涉及查询部门众多，数据查询困难重重，溯源效率十分低下；2、以中心化数据库存储为主，数据易被人为更改，溯源时和个人主观意愿相关，使得溯源数据真实性及安全性不足；3、溯源数据的存储以人工导入为主，数据存储效率较低，且随着数据量的不断增大，溯源效率也会越来越低。
发明内容
本发明提供一种基于区块链的食品安全溯源方法、装置、电子设备及可读存储介质，其主要目的在于可以准确快速的对食品进行食品安全溯源。
为实现上述目的，本发明提供的一种基于区块链的食品安全溯源方法，包括：
获取食品加工全周期数据集合，基于所述食品加工全周期数据集合的不同周期节点构建食品溯源联盟链；
从所述食品加工全周期数据集合中选取不同周期节点的食品周期节点数据集合，其中所述食品周期节点数据集合中包括文本数据、票据数据、图像数据及视频数据；
利用预构建的双层票据文本提取模型从所述票据数据中提取票据文本；
利用预构建的摘要提取算法从所述文本数据提取摘要文本；
对所述票据文本、所述摘要文本、所述图像数据及视频数据分别进行哈希融合处理，得到溯源哈希值，将所有食品周期节点数据集合的溯源哈希值存储至所述食品溯源联盟链；
根据所述食品加工全周期数据集合及所述食品加工全周期数据集合中数据的食品编号构建溯源数据库，以及根据所述食品加工全周期数据集合中数据的食品编号及所述食品溯源联盟链中区块链节点的区块编号构建查询数据库；
获取待查询食品编号，基于所述待查询食品编号从所述溯源数据库中查询溯源数据原件，基于所述待查询食品编号从所述查询数据库中查询目标区块编号；
基于所述目标区块编号从所述食品溯源联盟链中提取目标溯源哈希值，计算所述溯源数据原件的验证哈希值，根据所述验证哈希值及所述目标溯源哈希值得到食品溯源结果。
可选地，所述基于所述食品加工全周期数据集合的不同周期节点构建食品溯源联盟链，包括：
根据所述食品加工全周期数据集合对应的周期节点构建区块链节点，使得周期节点和区块链节点一一对应；
利用预设的区块链平台对不同周期节点的参与方进行智能合约协商及验证，将验证成功的参与方作为参与方节点，汇总所有的区块链节点及参与方节点得到所述食品溯源联盟链。
可选地，所述利用预构建的双层票据文本提取模型从所述票据数据中提取票据文本之前，所述方法还包括：
获取预构建的票据训练图像集合，对所述票据训练图像集合中的票据图像进行图像腐蚀及灰度转化，得到灰度图像训练集合；
利用预构建的原始票据文本检测模型对所述灰度图像训练集合中的灰度图像进行字符检测，得到字符框集合及字符框对应的字符预测概率；
基于所述字符框集合构建亲和力框集合，利用所述原始票据文本检测模型输出亲和力框对应的亲和力预测概率；
基于所述字符预测概率及所述亲和力预测概率计算第一损失值，在所述第一损失值大于预构建的第一损失阈值时，调整原始票据文本检测模型中的模型参数，并返回所述利用预构建的原始票据文本检测模型对所述灰度图像训练集合中的灰度图像进行字符检测的步骤，直至所述第一损失值小于或等于所述第一损失阈值时，停止训练，得到标准票据文本检测模型；
利用所述标准票据文本检测模型输出所述票据训练图像集合中票据图像的字符区域及亲和力区域，基于所述字符区域及亲和力区域计算出所述票据训练图像集合中票据图像的训练文本区域集合；
利用所述训练文本区域集合对预构建的原始票据文本识别模型进行训练，得到标准票据文本识别模型，汇总所述标准票据文本检测模型及所述标准票据文本识别模型得到所述双层票据文本提取模型。
可选地，所述基于所述字符框集合构建亲和力框集合，包括：
连接每个字符框的对角顶点，从而在每个字符框中划分出四个三角形；
将上、下三角形的中心作为标准对角顶点，依次利用相邻字符框中的标准对角顶点构建亲和力框，汇总所有亲和力框得到亲和力框集合。
可选地，所述利用所述训练文本区域集合对预构建的原始票据文本识别模型进行训练，得到标准票据文本识别模型，包括：
利用所述原始票据文本识别模型中的主干网络提取所述训练文本区域集合中每个文本区域的特征序列；
利用预设的路径算法对所述原始字符集合进行路径转化，得到标准字符集合，利用所述原始字符集合及所述标准字符集合计算第二损失值，在所述第二损失值不满足预构建的第二损失阈值时，调整所述原始票据文本识别模型总的模型参数，返回所述利用所述原始票据文本识别模型中的主干网络提取所述训练文本区域集合中每个文本区域的特征序列的步骤，直至所述第二损失值满足预构建的第二损失阈值时，停止训练，得到所述标准票据文本识别模型。
可选地，通过下述公式计算第二损失值：
Figure 538571DEST_PATH_IMAGE001
其中，
Figure 986869DEST_PATH_IMAGE002
表示第二损失值，
Figure 173131DEST_PATH_IMAGE003
表示训练文本区域集合中第i个训练文本区域，
Figure 99499DEST_PATH_IMAGE004
表示
Figure 569663DEST_PATH_IMAGE005
对应的原始字符，
Figure 923284DEST_PATH_IMAGE006
表示
Figure 596842DEST_PATH_IMAGE005
对应的标准字符，
Figure 326901DEST_PATH_IMAGE007
表示路径，
Figure 666220DEST_PATH_IMAGE008
表示所有
Figure 190743DEST_PATH_IMAGE004
经过
Figure 351597DEST_PATH_IMAGE009
变换后是
Figure 619767DEST_PATH_IMAGE006
的路径
Figure 533365DEST_PATH_IMAGE007
，T表示路径总数，
Figure 494368DEST_PATH_IMAGE010
表示第
Figure 408097DEST_PATH_IMAGE011
条路径
Figure 948800DEST_PATH_IMAGE012
的概率。
可选地，所述利用预构建的双层票据文本提取模型从所述票据数据中提取票据文本，包括：
利用所述双层票据文本提取模型中的标准票据文本检测模型识别出所述票据数据中的票据字符区域，对所述票据字符区域进行区域连通，得到票据文本区域；
利用所述双层票据文本提取模型中的标准票据文本识别模型识别出所述票据文本区域中的文本字符作为票据文本。
可选的，所述利用预构建的摘要提取算法从所述文本数据提取摘要文本，包括：
对所述文本数据进行分句及去除停用词处理，得到原始分句集合；
计算所述原始分句集合中各分句的长度系数，利用所述长度系数对所述原始分句集合中的分句进行句子过滤处理，得到标准分句集合；
对所述标准分句集合中的句子进行段落标记，得到标记分句集合；
利用K-means 聚类算法将所述标记分句集合聚类成预设个数的聚类簇；
基于TextRank算法计算每个聚类簇中句子的权重，利用句子的段落标记进行权重调整，选取每个聚类簇中权重最大的句子作为摘要句；
按照预设顺序将所有聚类簇中的摘要句进行组合，得到所述摘要文本。
为了解决上述问题，本发明还提供一种基于区块链的食品安全溯源装置，所述装置包括：
溯源联盟链构建模块，用于获取食品加工全周期数据集合，基于所述食品加工全周期数据集合的不同周期节点构建食品溯源联盟链；
数据提取模块，用于从所述食品加工全周期数据集合中选取不同周期节点的食品周期节点数据集合，其中所述食品周期节点数据集合中包括文本数据、票据数据、图像数据及视频数据，利用预构建的双层票据文本提取模型从所述票据数据中提取票据文本，利用预构建的摘要提取算法从所述文本数据提取摘要文本；
数据上链模块，用于对所述票据文本、所述摘要文本、所述图像数据及视频数据分别进行哈希融合处理，得到溯源哈希值，将所有食品周期节点数据集合的溯源哈希值存储至所述食品溯源联盟链；
相关数据库构建模块，用于根据所述食品加工全周期数据集合及所述食品加工全周期数据集合中数据的食品编号构建溯源数据库，以及根据所述食品加工全周期数据集合中数据的食品编号及所述食品溯源联盟链中区块链节点的区块编号构建查询数据库；
食品安全溯源模块，获取待查询食品编号，基于所述待查询食品编号从所述溯源数据库中查询溯源数据原件，基于所述待查询食品编号从所述查询数据库中查询目标区块编号，基于所述目标区块编号从所述食品溯源联盟链中提取目标溯源哈希值，计算所述溯源数据原件的验证哈希值，根据所述验证哈希值及所述目标溯源哈希值得到食品溯源结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现上述所述的基于区块链的食品安全溯源方法。
本实施例通过食品加工全周期数据集合的不同周期节点构建食品溯源联盟链，基于区块链的不可篡改性及可追溯性，提高了数据溯源的准确性及安全性。同时，对于不同类型的数据，利用不同的智能模型自动处理数据，再通过哈希融合的方式得到溯源哈希值存储至所述食品溯源联盟链，降低了数据存储量，提高了数据存储效率。并且，通过构建溯源数据库及查询数据库来与联盟链配合进行食品溯源，基于食品编号便可对食品安全进行准确快速溯源，大大提高了食品安全溯源的效率。因此本发明提出的基于区块链的食品安全溯源方法、装置、电子设备及计算机可读存储介质，可以准确快速的对食品进行食品安全溯源。
附图说明
图1为本发明一实施例提供的基于区块链的食品安全溯源方法的流程示意图；
图2为本发明一实施例提供的基于区块链的食品安全溯源装置的功能模块图；
图3为本发明一实施例提供的实现所述基于区块链的食品安全溯源方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于区块链的食品安全溯源方法。所述基于区块链的食品安全溯源方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于区块链的食品安全溯源方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述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(ContentDeliveryNetwork，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。
参照图1所示，为本发明一实施例提供的基于区块链的食品安全溯源方法的流程示意图。在本实施例中，所述基于区块链的食品安全溯源方法包括：
S1、获取食品加工全周期数据集合，基于所述食品加工全周期数据集合的不同周期节点构建食品溯源联盟链。
本发明实施例中，所述食品加工全周期数据集合是指食品从农场、养殖场或者果园到消费者餐桌的过程中，不同食品周期节点的数据，主要包括到生产节点、流通节点、加工节点、消费节点等众多环节的节点数据，其中，各个节点均包括文本数据、票据数据、图像数据及视频数据等，例如，果蔬生产节点的数据包括果蔬生长介绍文本、果蔬生长图像、果蔬生长视频、出货清单、销售票据等数据。
本发明一可选实施例中，由于联盟链的节点只有在得到许可注册之后才能进入联盟链系统，而食品溯源中各个环节较为固定，相对于公有链，联盟链虽然没有相对灵活的扩展性但其具有更快的交易速度和较低的成本，并且比私有链具有更高的安全性，故食品溯源系统比较适合选用联盟链作为网络骨架。
详细地，所述基于所述食品加工全周期数据集合的不同周期节点构建食品溯源联盟链，包括：
根据所述食品加工全周期数据集合对应的周期节点构建区块链节点，使得周期节点和区块链节点一一对应；
利用预设的区块链平台对不同周期节点的参与方进行智能合约协商及验证，将验证成功的参与方作为参与方节点，汇总所有的区块链节点及参与方节点得到所述食品溯源联盟链。
本发明一可选实施例中，所述食品溯源联盟链可以通过Hyper ledger Fabric区块链平台进行构建，根据整个食品加工的周期节点数量构建相应数量的区块链节点，根据Hyper ledger Fabric区块链平台对不同周期节点的参与方进行智能合约（包括身份认证、准入许可等）的验证，验证成功后并在参与方节点和区块链节点间构建通道用于数据传输及数据溯源，汇总所有的区块链节点及参与方节点得到食品溯源联盟链。
例如，对于果蔬加工全周期数据集合，由于包含了生产节点、流通节点、加工节点、消费节点等周期节点的数据，对应构建果蔬生产区块链节点、果蔬流通区块链节点、果蔬加工区块链节点、果蔬消费区块链节点等，将每个周期节点验证通过的参与方作为参与方节点，如生产节点包括三个验证通过的果蔬生产方，则构建三个参与方节点并与果蔬生产区块链节点进行连接，其他区块链节点以此类推得到整个果蔬溯源联盟链。
S2、从所述食品加工全周期数据集合中选取不同周期节点的食品周期节点数据集合，其中所述食品周期节点数据集合中包括文本数据、票据数据、图像数据及视频数据。
本发明实施例中，纵向来看，每个周期节点的食品数据都可分为文本数据、票据数据、图像数据及视频数据四类，横向来看，每个周期节点的食品数据组成了食品总的加工周期，且同一食品的食品编号不变。因此可以横向根据食品编号，提取不同周期节点的食品周期节点数据，再纵向将数据分为上述四类，方便整个食品安全的溯源。
S3、利用预构建的双层票据文本提取模型从所述票据数据中提取票据文本。
本发明实施例中，所述预构建的双层票据文本提取模型包括标准票据文本检测模型及标准票据文本识别模型，其中，标准票据文本检测模型用于从票据图像（票据数据）中检测出文本区域，标准票据文本识别模型用于将文本区域中的票据文本进行提取。所述标准票据文本检测模型由主干网络及解码器组成，其中，主干网络可以为带有批量归一化（Batch Normalization，BN）的VGG16-BN 模型，用于提取票据图像的特征图，解码器会对主干网络中各段产生的特征图进行特征融合，输出字符区域预测分数rs及字符间隔预测分数as。
详细地，所述利用预构建的双层票据文本提取模型从所述票据数据中提取票据文本之前，所述方法还包括：
获取预构建的票据训练图像集合，对所述票据训练图像集合中的票据图像进行图像腐蚀及灰度转化，得到灰度图像训练集合；
利用预构建的原始票据文本检测模型对所述灰度图像训练集合中的灰度图像进行字符检测，得到字符框集合及字符框对应的字符预测概率；
基于所述字符框集合构建亲和力框集合，利用所述原始票据文本检测模型输出亲和力框对应的亲和力预测概率；
基于所述字符预测概率及所述亲和力预测概率计算第一损失值，在所述第一损失值大于预构建的第一损失阈值时，调整原始票据文本检测模型中的模型参数，并返回所述利用预构建的原始票据文本检测模型对所述灰度图像训练集合中的灰度图像进行字符检测的步骤，直至所述第一损失值小于或等于所述第一损失阈值时，停止训练，得到标准票据文本检测模型；
利用所述标准票据文本检测模型输出所述票据训练图像集合中票据图像的字符区域及亲和力区域，基于所述字符区域及亲和力区域计算出所述票据训练图像集合中票据图像的训练文本区域集合；
利用所述训练文本区域集合对预构建的原始票据文本识别模型进行训练，得到标准票据文本识别模型，汇总所述标准票据文本检测模型及所述标准票据文本识别模型得到所述双层票据文本提取模型。
本发明实施例中，对于图像A使用卷积模板B来进行图像腐蚀处理，卷积模板B通常是一个n×n 的矩阵，并通过灰度转换公式对每个像素点的R、G、B值进行转换：L= R * 299/1000 + G * 587/1000+ B * 114/1000，其中，L表示像素转换后的灰度值。原始票据文本检测模型会输出票据图像中每个字符的字符框，及输出字符框对应的字符预测概率，其中，字符预测概率包括字符框预测分数rs及字符间隔预测分数 as。同时，由于字符框可能会难以准确包含每个字符（字符框可能过大或过小），通过构建亲和力框来提高模型训练的准确率。
详细地，所述基于所述字符框集合构建亲和力框集合，包括：
连接每个字符框的对角顶点，从而在每个字符框中划分出四个三角形；
将上、下三角形的中心作为标准对角顶点，依次利用相邻字符框中的标准对角顶点构建亲和力框，汇总所有亲和力框得到亲和力框集合。
本发明一可选实施例中，利用下述损失函数计算第一损失值：
Figure 248063DEST_PATH_IMAGE013
其中，
Figure 114388DEST_PATH_IMAGE014
表示第一损失值，n表示亲和力框集合的大小，
Figure 249834DEST_PATH_IMAGE015
表示第i个亲和力框对应的亲和力预测概率，
Figure 859807DEST_PATH_IMAGE016
表示第i个亲和力框对应的相邻两个字符框的字符预测概率的加权平均值。
本发明实施例中，通过标准票据文本检测模型可以准确输出字符框集合作为字符区域，并通过连通域算法（例如Open CV 的连通域函数）得到训练文本区域作为原始票据文本识别模型的训练数据。所述原始票据文本识别模型以VGG-16 作为主干网络，在主干网络后添加了一层Bidrectional-LSTM作为识别网络，用于捕获上下文的特征，最后在Bidrectional-LSTM 的后面添加了全连接层，主干网络自动从每个输入图像中提取出特征序列，特征序列的每一列作为一个时间片输入到Bidrectional-LSTM中，最后通过全连接层输出识别的字符及每个字符对应的识别概率，相较于传统文本提取模型，原始票据文本识别模型更容易训练以及速度更快。
详细的，所述利用所述训练文本区域集合对预构建的原始票据文本识别模型进行训练，得到标准票据文本识别模型，包括：
利用所述原始票据文本识别模型中的主干网络提取所述训练文本区域集合中每个文本区域的特征序列；
利用所述原始票据文本识别模型中的识别网络识别出所述特征序列中的文本字符集合，并利用所述原始票据文本识别模型中的全连接层计算所述文本字符集合中每个文本字符的字符识别概率，输出所有字符识别概率满足预设概率阈值的文本字符作为原始字符集合；
利用预设的路径算法对所述原始字符集合进行路径转化，得到标准字符集合，利用所述原始字符集合及所述标准字符集合计算第二损失值，在所述第二损失值不满足预构建的第二损失阈值时，调整所述原始票据文本识别模型总的模型参数，返回所述利用所述原始票据文本识别模型中的主干网络提取所述训练文本区域集合中每个文本区域的特征序列的步骤，直至所述第二损失值满足预构建的第二损失阈值时，停止训练，得到所述标准票据文本识别模型。
本发明一可选实施例中，通过下述公式计算第二损失值：
Figure 279156DEST_PATH_IMAGE018
其中，
Figure 722907DEST_PATH_IMAGE019
表示第二损失值，
Figure 939125DEST_PATH_IMAGE020
表示训练文本区域集合中第i个训练文本区域，
Figure 352788DEST_PATH_IMAGE021
表示
Figure 363994DEST_PATH_IMAGE020
对应的原始字符，
Figure 837701DEST_PATH_IMAGE022
表示
Figure 416581DEST_PATH_IMAGE020
对应的标准字符，
Figure 368356DEST_PATH_IMAGE023
表示路径，
Figure 496718DEST_PATH_IMAGE024
表示所有
Figure 875747DEST_PATH_IMAGE021
经过
Figure 332136DEST_PATH_IMAGE025
变换后是
Figure 962969DEST_PATH_IMAGE022
的路径
Figure 290045DEST_PATH_IMAGE023
，T表示路径总数，
Figure 230188DEST_PATH_IMAGE026
表示第t条路径
Figure 173873DEST_PATH_IMAGE027
的概率。
本发明一可选实施例中，所述预设的路径算法可以为HMM中的“向前--向后”(Forward--Backward)算法，通过引入
Figure 608397DEST_PATH_IMAGE025
变换来进行字符识别，例如，
Figure 321138DEST_PATH_IMAGE029
world;...。
进一步地，所述利用预构建的双层票据文本提取模型从所述票据数据中提取票据文本，包括：
利用所述双层票据文本提取模型中的标准票据文本检测模型识别出所述票据数据中的票据字符区域，对所述票据字符区域进行区域连通，得到票据文本区域；
利用所述双层票据文本提取模型中的标准票据文本识别模型识别出所述票据文本区域中的文本字符作为票据文本。
本发明实施例中，双层票据文本提取模型从所述票据数据中提取票据文本的步骤同训练过程类似，在此不再赘述。
S4、利用预构建的摘要提取算法从所述文本数据提取摘要文本。
本发明实施例中，所述预构建的摘要提取算法包括K-means 聚类算法及改进的TextRank算法。通过将K值设定为要提取的摘要句数目，从而将文本数据中的句子划分成 K个类簇，利用改进的TextRank算法对每个类簇中的句子进行权重排序，挑选出最能代表每个类簇的句子作为摘要句，最后按原文顺序输出摘要句，得到摘要文本。
详细地，所述利用预构建的摘要提取算法从所述文本数据提取摘要文本，包括：
对所述文本数据进行分句及去除停用词处理，得到原始分句集合；
计算所述原始分句集合中各分句的长度系数，利用所述长度系数对所述原始分句集合中的分句进行句子过滤处理，得到标准分句集合；
对所述标准分句集合中的句子进行段落标记，得到标记分句集合；
利用K-means 聚类算法将所述标记分句集合聚类成预设个数的聚类簇；
基于TextRank算法计算每个聚类簇中句子的权重，利用句子的段落标记进行权重调整，选取每个聚类簇中权重最大的句子作为摘要句；
按照预设顺序将所有聚类簇中的摘要句进行组合，得到所述摘要文本。
本发明一可选实施例中，将文本数据分割为句子（按照标点符号分割）形成句子集合，对这些句子进行分词、去除停用词，得到由词项构成的原始分句集合，同时过长或过短的句子都不应作为摘要候选句，因此去除长度系数不满足预设范围的句子，例如，去除长度系数 C＞0.8及C＜0.2的句子，其中，C=L/LM，L表示原始分句集合中的分句，LM表示原始分句集合中的最长的分句。
进一步地，由于摘要句更可能出现在段首，因此将标准分句集合中的句子进行段落标记可以提高摘要选取的准确率，具体包括三种段落标记，“L1”表示段首，“L2”表示段中，“L1”表示段尾，通过K-means 聚类算法将所述标记分句集合聚类成预设个数的聚类簇后，利用TextRank算法计算每个聚类簇中句子的权重，再根据句子的段落标记乘相应的权重系数，例如，e1表示段首的权重系数，e2表示段中的权重系数，e3表示段尾的权重系数。
S5、对所述票据文本、所述摘要文本、所述图像数据及视频数据分别进行哈希融合处理，得到溯源哈希值，将所有食品周期节点数据集合的溯源哈希值存储至所述食品溯源联盟链。
详细地，所述对所述票据文本、所述摘要文本、所述图像数据及视频数据分别进行哈希融合处理，得到溯源哈希值，将所有食品周期节点数据集合的溯源哈希值存储至所述食品溯源联盟链，包括：
对同一食品编号的所述票据文本、所述摘要文本、所述图像数据及视频数据分别进行哈希融合处理，得到第一哈希值、第二哈希值及第三哈希值；
对所述第一哈希值、第二哈希值及第三哈希值进行累加融合，得到所述溯源哈希值；
根据所述溯源哈希值及所述食品编号构建键值对，并将所述键值对上链直至所述食品溯源联盟链的区块链节点中。
本发明一可选实施例中，所述溯源哈希值可表示为chainDate=H1+H2+H3，其中，H1表示第一哈希值，通过将票据文本进行哈希处理得到，H2表示第二哈希值，通过将摘要文本进行哈希处理得到，H3表示第三哈希值，通过将图像数据及视频数据进行哈希处理得到。通过在区块链中仅存储哈希值，大大降低了溯源成本，提高了效率。
例如，果蔬生产节点对应溯源联盟链中果蔬生产区块链节点，对于果蔬生产节点中食品编号111的食品，将对应的文本数据、票据数据、图像数据及视频数据进行哈希值融合后，再对应存储在果蔬生产区块链节点，保证了食品溯源的准确性，也提高了食品溯源的速度。
S6、根据所述食品加工全周期数据集合及所述食品加工全周期数据集合中数据的食品编号构建溯源数据库，以及根据所述食品加工全周期数据集合中数据的食品编号及所述食品溯源联盟链中区块链节点的区块编号构建查询数据库。
本发明实施例中，所述溯源数据库及查询数据库为关系型数据库（如MySQL 数据库），将食品加工全周期数据集合按照不同周期节点进行分库分表存储在溯源数据库中。所述查询数据库中包含食品编号及该食品编号下在食品溯源联盟链中上链数据的区块编号。
S7、获取待查询食品编号，基于所述待查询食品编号从所述溯源数据库中查询溯源数据原件，基于所述待查询食品编号从所述查询数据库中查询目标区块编号。
本发明实施例中，基于关系型数据库的快速查询特性，可以快速根据食品编号查询相应的溯源数据原件（包括文本数据、票据数据、图像数据及视频数据），以及通过食品编号快速查询相应的溯源哈希值。
S8、基于所述目标区块编号从所述食品溯源联盟链中提取目标溯源哈希值，计算所述溯源数据原件的验证哈希值，根据所述验证哈希值及所述目标溯源哈希值得到食品溯源结果。
本发明实施例中，基于目标区块编号从食品溯源联盟链中提取目标溯源哈希值，基于区块链不可篡改、可回溯的特性，保证了食品安全追溯的准确性。对于溯源数据库中的溯源数据原件，由于依然包括文本数据、票据数据、图像数据及视频数据，再次利用上述同样的方法提取票据文本，以及对文本数据进行摘要提取，最后再分别对票据文本、摘要、图像数据及视频数据进行哈希计算及融合，得到验证哈希值，若验证哈希值及目标溯源哈希值一致，则确定数据未被篡改，食品溯源结果为食品溯源安全，若验证哈希值及目标溯源哈希值不一致，则确定数据被篡改，即溯源数据库或查询数据库中至少有一方数据被篡改，食品溯源结果为食品溯源不安全。
本实施例通过食品加工全周期数据集合的不同周期节点构建食品溯源联盟链，基于区块链的不可篡改性及可追溯性，提高了数据溯源的准确性及安全性。同时，对于不同类型的数据，利用不同的智能模型自动处理数据，再通过哈希融合的方式得到溯源哈希值存储至所述食品溯源联盟链，降低了数据存储量，提高了数据存储效率。并且，通过构建溯源数据库及查询数据库来与联盟链配合进行食品溯源，基于食品编号便可对食品安全进行准确快速溯源，大大提高了食品安全溯源的效率。因此本发明提出的基于区块链的食品安全溯源方法，可以准确快速的对食品进行食品安全溯源。
如图2所示，是本发明一实施例提供的基于区块链的食品安全溯源装置的功能模块图。
本发明所述基于区块链的食品安全溯源装置100可以安装于电子设备中。根据实现的功能，所述基于区块链的食品安全溯源装置100可以包括溯源联盟链构建模块101、数据提取模块102、数据上链模块103、相关数据库构建模块104及食品安全溯源模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述溯源联盟链构建模块101，用于溯源联盟链构建模块，用于获取食品加工全周期数据集合，基于所述食品加工全周期数据集合的不同周期节点构建食品溯源联盟链；
所述数据提取模块102，用于从所述食品加工全周期数据集合中选取不同周期节点的食品周期节点数据集合，其中所述食品周期节点数据集合中包括文本数据、票据数据、图像数据及视频数据，利用预构建的双层票据文本提取模型从所述票据数据中提取票据文本，利用预构建的摘要提取算法从所述文本数据提取摘要文本；
所述数据上链模块103，用于对所述票据文本、所述摘要文本、所述图像数据及视频数据分别进行哈希融合处理，得到溯源哈希值，将所有食品周期节点数据集合的溯源哈希值存储至所述食品溯源联盟链；
所述相关数据库构建模块104，用于根据所述食品加工全周期数据集合及所述食品加工全周期数据集合中数据的食品编号构建溯源数据库，以及根据所述食品加工全周期数据集合中数据的食品编号及所述食品溯源联盟链中区块链节点的区块编号构建查询数据库；
所述食品安全溯源模块105，获取待查询食品编号，基于所述待查询食品编号从所述溯源数据库中查询溯源数据原件，基于所述待查询食品编号从所述查询数据库中查询目标区块编号，基于所述目标区块编号从所述食品溯源联盟链中提取目标溯源哈希值，计算所述溯源数据原件的验证哈希值，根据所述验证哈希值及所述目标溯源哈希值得到食品溯源结果。
详细地，所述基于区块链的食品安全溯源装置100各模块的具体实施方式如下：
步骤一、获取食品加工全周期数据集合，基于所述食品加工全周期数据集合的不同周期节点构建食品溯源联盟链。
本发明实施例中，所述食品加工全周期数据集合是指食品从农场、养殖场或者果园到消费者餐桌的过程中，不同食品周期节点的数据，主要包括到生产节点、流通节点、加工节点、消费节点等众多环节的节点数据，其中，各个节点均包括文本数据、票据数据、图像数据及视频数据等，例如，果蔬生产节点的数据包括果蔬生长介绍文本、果蔬生长图像、果蔬生长视频、出货清单、销售票据等数据。
本发明一可选实施例中，由于联盟链的节点只有在得到许可注册之后才能进入联盟链系统，而食品溯源中各个环节较为固定，相对于公有链，联盟链虽然没有相对灵活的扩展性但其具有更快的交易速度和较低的成本，并且比私有链具有更高的安全性，故食品溯源系统比较适合选用联盟链作为网络骨架。
详细地，所述基于所述食品加工全周期数据集合的不同周期节点构建食品溯源联盟链，包括：
根据所述食品加工全周期数据集合对应的周期节点构建区块链节点，使得周期节点和区块链节点一一对应；
利用预设的区块链平台对不同周期节点的参与方进行智能合约协商及验证，将验证成功的参与方作为参与方节点，汇总所有的区块链节点及参与方节点得到所述食品溯源联盟链。
本发明一可选实施例中，所述食品溯源联盟链可以通过Hyper ledger Fabric区块链平台进行构建，根据整个食品加工的周期节点数量构建相应数量的区块链节点，根据Hyper ledger Fabric区块链平台对不同周期节点的参与方进行智能合约（包括身份认证、准入许可等）的验证，验证成功后并在参与方节点和区块链节点间构建通道用于数据传输及数据溯源，汇总所有的区块链节点及参与方节点得到食品溯源联盟链。
例如，对于果蔬加工全周期数据集合，由于包含了生产节点、流通节点、加工节点、消费节点等周期节点的数据，对应构建果蔬生产区块链节点、果蔬流通区块链节点、果蔬加工区块链节点、果蔬消费区块链节点等，将每个周期节点验证通过的参与方作为参与方节点，如生产节点包括三个验证通过的果蔬生产方，则构建三个参与方节点并与果蔬生产区块链节点进行连接，其他区块链节点以此类推得到整个果蔬溯源联盟链。
步骤二、从所述食品加工全周期数据集合中选取不同周期节点的食品周期节点数据集合，其中所述食品周期节点数据集合中包括文本数据、票据数据、图像数据及视频数据。
本发明实施例中，纵向来看，每个周期节点的食品数据都可分为文本数据、票据数据、图像数据及视频数据四类，横向来看，每个周期节点的食品数据组成了食品总的加工周期，且同一食品的食品编号不变。因此可以横向根据食品编号，提取不同周期节点的食品周期节点数据，再纵向将数据分为上述四类，方便整个食品安全的溯源。
步骤三、利用预构建的双层票据文本提取模型从所述票据数据中提取票据文本。
本发明实施例中，所述预构建的双层票据文本提取模型包括标准票据文本检测模型及标准票据文本识别模型，其中，标准票据文本检测模型用于从票据图像（票据数据）中检测出文本区域，标准票据文本识别模型用于将文本区域中的票据文本进行提取。所述标准票据文本检测模型由主干网络及解码器组成，其中，主干网络可以为带有批量归一化（Batch Normalization，BN）的VGG16-BN 模型，用于提取票据图像的特征图，解码器会对主干网络中各段产生的特征图进行特征融合，输出字符区域预测分数rs及字符间隔预测分数as。
详细地，所述利用预构建的双层票据文本提取模型从所述票据数据中提取票据文本之前，所述方法还包括：
获取预构建的票据训练图像集合，对所述票据训练图像集合中的票据图像进行图像腐蚀及灰度转化，得到灰度图像训练集合；
利用预构建的原始票据文本检测模型对所述灰度图像训练集合中的灰度图像进行字符检测，得到字符框集合及字符框对应的字符预测概率；
基于所述字符框集合构建亲和力框集合，利用所述原始票据文本检测模型输出亲和力框对应的亲和力预测概率；
基于所述字符预测概率及所述亲和力预测概率计算第一损失值，在所述第一损失值大于预构建的第一损失阈值时，调整原始票据文本检测模型中的模型参数，并返回所述利用预构建的原始票据文本检测模型对所述灰度图像训练集合中的灰度图像进行字符检测的步骤，直至所述第一损失值小于或等于所述第一损失阈值时，停止训练，得到标准票据文本检测模型；
利用所述标准票据文本检测模型输出所述票据训练图像集合中票据图像的字符区域及亲和力区域，基于所述字符区域及亲和力区域计算出所述票据训练图像集合中票据图像的训练文本区域集合；
利用所述训练文本区域集合对预构建的原始票据文本识别模型进行训练，得到标准票据文本识别模型，汇总所述标准票据文本检测模型及所述标准票据文本识别模型得到所述双层票据文本提取模型。
本发明实施例中，对于图像A使用卷积模板B来进行图像腐蚀处理，卷积模板B通常是一个n×n 的矩阵，并通过灰度转换公式对每个像素点的R、G、B值进行转换：L= R * 299/1000 + G * 587/1000+ B * 114/1000，其中，L表示像素转换后的灰度值。原始票据文本检测模型会输出票据图像中每个字符的字符框，及输出字符框对应的字符预测概率，其中，字符预测概率包括字符框预测分数rs及字符间隔预测分数 as。同时，由于字符框可能会难以准确包含每个字符（字符框可能过大或过小），通过构建亲和力框来提高模型训练的准确率。
详细地，所述基于所述字符框集合构建亲和力框集合，包括：
连接每个字符框的对角顶点，从而在每个字符框中划分出四个三角形；
将上、下三角形的中心作为标准对角顶点，依次利用相邻字符框中的标准对角顶点构建亲和力框，汇总所有亲和力框得到亲和力框集合。
本发明一可选实施例中，利用下述损失函数计算第一损失值：
Figure 432182DEST_PATH_IMAGE030
其中，
Figure 597584DEST_PATH_IMAGE031
表示第一损失值，n表示亲和力框集合的大小，
Figure 835799DEST_PATH_IMAGE032
表示第i个亲和力框对应的亲和力预测概率，
Figure 403046DEST_PATH_IMAGE033
表示第i个亲和力框对应的相邻两个字符框的字符预测概率的加权平均值。
本发明实施例中，通过标准票据文本检测模型可以准确输出字符框集合作为字符区域，并通过连通域算法（例如Open CV 的连通域函数）得到训练文本区域作为原始票据文本识别模型的训练数据。所述原始票据文本识别模型以VGG-16 作为主干网络，在主干网络后添加了一层Bidrectional-LSTM作为识别网络，用于捕获上下文的特征，最后在Bidrectional-LSTM 的后面添加了全连接层，主干网络自动从每个输入图像中提取出特征序列，特征序列的每一列作为一个时间片输入到Bidrectional-LSTM中，最后通过全连接层输出识别的字符及每个字符对应的识别概率，相较于传统文本提取模型，原始票据文本识别模型更容易训练以及速度更快。
详细的，所述利用所述训练文本区域集合对预构建的原始票据文本识别模型进行训练，得到标准票据文本识别模型，包括：
利用所述原始票据文本识别模型中的主干网络提取所述训练文本区域集合中每个文本区域的特征序列；
利用所述原始票据文本识别模型中的识别网络识别出所述特征序列中的文本字符集合，并利用所述原始票据文本识别模型中的全连接层计算所述文本字符集合中每个文本字符的字符识别概率，输出所有字符识别概率满足预设概率阈值的文本字符作为原始字符集合；
利用预设的路径算法对所述原始字符集合进行路径转化，得到标准字符集合，利用所述原始字符集合及所述标准字符集合计算第二损失值，在所述第二损失值不满足预构建的第二损失阈值时，调整所述原始票据文本识别模型总的模型参数，返回所述利用所述原始票据文本识别模型中的主干网络提取所述训练文本区域集合中每个文本区域的特征序列的步骤，直至所述第二损失值满足预构建的第二损失阈值时，停止训练，得到所述标准票据文本识别模型。
本发明一可选实施例中，通过下述公式计算第二损失值：
Figure 422342DEST_PATH_IMAGE035
其中，
Figure 606199DEST_PATH_IMAGE036
表示第二损失值，
Figure 382525DEST_PATH_IMAGE037
表示训练文本区域集合中第i个训练文本区域，
Figure 804279DEST_PATH_IMAGE038
表示
Figure 991547DEST_PATH_IMAGE037
对应的原始字符，
Figure 131541DEST_PATH_IMAGE039
表示
Figure 711558DEST_PATH_IMAGE037
对应的标准字符，
Figure 253398DEST_PATH_IMAGE040
表示路径，
Figure 877146DEST_PATH_IMAGE041
表示所有
Figure 504437DEST_PATH_IMAGE038
经过
Figure 481620DEST_PATH_IMAGE042
变换后是
Figure 753333DEST_PATH_IMAGE043
的路径
Figure 423348DEST_PATH_IMAGE040
，T表示路径总数，
Figure 662569DEST_PATH_IMAGE044
表示第t条路径
Figure 443443DEST_PATH_IMAGE045
的概率。
本发明一可选实施例中，所述预设的路径算法可以为HMM中的“向前--向后”(Forward--Backward)算法，通过引入
Figure 835241DEST_PATH_IMAGE046
变换来进行字符识别，例如，
Figure 676158DEST_PATH_IMAGE048
world;...。
进一步地，所述利用预构建的双层票据文本提取模型从所述票据数据中提取票据文本，包括：
利用所述双层票据文本提取模型中的标准票据文本检测模型识别出所述票据数据中的票据字符区域，对所述票据字符区域进行区域连通，得到票据文本区域；
利用所述双层票据文本提取模型中的标准票据文本识别模型识别出所述票据文本区域中的文本字符作为票据文本。
本发明实施例中，双层票据文本提取模型从所述票据数据中提取票据文本的步骤同训练过程类似，在此不再赘述。
步骤四、利用预构建的摘要提取算法从所述文本数据提取摘要文本。
本发明实施例中，所述预构建的摘要提取算法包括K-means 聚类算法及改进的TextRank算法。通过将K值设定为要提取的摘要句数目，从而将文本数据中的句子划分成 K个类簇，利用改进的TextRank算法对每个类簇中的句子进行权重排序，挑选出最能代表每个类簇的句子作为摘要句，最后按原文顺序输出摘要句，得到摘要文本。
详细地，所述利用预构建的摘要提取算法从所述文本数据提取摘要文本，包括：
对所述文本数据进行分句及去除停用词处理，得到原始分句集合；
计算所述原始分句集合中各分句的长度系数，利用所述长度系数对所述原始分句集合中的分句进行句子过滤处理，得到标准分句集合；
对所述标准分句集合中的句子进行段落标记，得到标记分句集合；
利用K-means 聚类算法将所述标记分句集合聚类成预设个数的聚类簇；
基于TextRank算法计算每个聚类簇中句子的权重，利用句子的段落标记进行权重调整，选取每个聚类簇中权重最大的句子作为摘要句；
按照预设顺序将所有聚类簇中的摘要句进行组合，得到所述摘要文本。
本发明一可选实施例中，将文本数据分割为句子（按照标点符号分割）形成句子集合，对这些句子进行分词、去除停用词，得到由词项构成的原始分句集合，同时过长或过短的句子都不应作为摘要候选句，因此去除长度系数不满足预设范围的句子，例如，去除长度系数 C＞0.8及C＜0.2的句子，其中，C=L/LM，L表示原始分句集合中的分句，LM表示原始分句集合中的最长的分句。
进一步地，由于摘要句更可能出现在段首，因此将标准分句集合中的句子进行段落标记可以提高摘要选取的准确率，具体包括三种段落标记，“L1”表示段首，“L2”表示段中，“L1”表示段尾，通过K-means 聚类算法将所述标记分句集合聚类成预设个数的聚类簇后，利用TextRank算法计算每个聚类簇中句子的权重，再根据句子的段落标记乘相应的权重系数，例如，e1表示段首的权重系数，e2表示段中的权重系数，e3表示段尾的权重系数。
步骤五、对所述票据文本、所述摘要文本、所述图像数据及视频数据分别进行哈希融合处理，得到溯源哈希值，将所有食品周期节点数据集合的溯源哈希值存储至所述食品溯源联盟链。
详细地，所述对所述票据文本、所述摘要文本、所述图像数据及视频数据分别进行哈希融合处理，得到溯源哈希值，将所有食品周期节点数据集合的溯源哈希值存储至所述食品溯源联盟链，包括：
对同一食品编号的所述票据文本、所述摘要文本、所述图像数据及视频数据分别进行哈希融合处理，得到第一哈希值、第二哈希值及第三哈希值；
对所述第一哈希值、第二哈希值及第三哈希值进行累加融合，得到所述溯源哈希值；
根据所述溯源哈希值及所述食品编号构建键值对，并将所述键值对上链直至所述食品溯源联盟链的区块链节点中。
本发明一可选实施例中，所述溯源哈希值可表示为chainDate=H1+H2+H3，其中，H1表示第一哈希值，通过将票据文本进行哈希处理得到，H2表示第二哈希值，通过将摘要文本进行哈希处理得到，H3表示第三哈希值，通过将图像数据及视频数据进行哈希处理得到。通过在区块链中仅存储哈希值，大大降低了溯源成本，提高了效率。
例如，果蔬生产节点对应溯源联盟链中果蔬生产区块链节点，对于果蔬生产节点中食品编号111的食品，将对应的文本数据、票据数据、图像数据及视频数据进行哈希值融合后，再对应存储在果蔬生产区块链节点，保证了食品溯源的准确性，也提高了食品溯源的速度。
步骤六、根据所述食品加工全周期数据集合及所述食品加工全周期数据集合中数据的食品编号构建溯源数据库，以及根据所述食品加工全周期数据集合中数据的食品编号及所述食品溯源联盟链中区块链节点的区块编号构建查询数据库。
本发明实施例中，所述溯源数据库及查询数据库为关系型数据库（如MySQL 数据库），将食品加工全周期数据集合按照不同周期节点进行分库分表存储在溯源数据库中。所述查询数据库中包含食品编号及该食品编号下在食品溯源联盟链中上链数据的区块编号。
步骤七、获取待查询食品编号，基于所述待查询食品编号从所述溯源数据库中查询溯源数据原件，基于所述待查询食品编号从所述查询数据库中查询目标区块编号。
本发明实施例中，基于关系型数据库的快速查询特性，可以快速根据食品编号查询相应的溯源数据原件（包括文本数据、票据数据、图像数据及视频数据），以及通过食品编号快速查询相应的溯源哈希值。
步骤八、基于所述目标区块编号从所述食品溯源联盟链中提取目标溯源哈希值，计算所述溯源数据原件的验证哈希值，根据所述验证哈希值及所述目标溯源哈希值得到食品溯源结果。
本发明实施例中，基于目标区块编号从食品溯源联盟链中提取目标溯源哈希值，基于区块链不可篡改、可回溯的特性，保证了食品安全追溯的准确性。对于溯源数据库中的溯源数据原件，由于依然包括文本数据、票据数据、图像数据及视频数据，再次利用上述同样的方法提取票据文本，以及对文本数据进行摘要提取，最后再分别对票据文本、摘要、图像数据及视频数据进行哈希计算及融合，得到验证哈希值，若验证哈希值及目标溯源哈希值一致，则确定数据未被篡改，食品溯源结果为食品溯源安全，若验证哈希值及目标溯源哈希值不一致，则确定数据被篡改，即溯源数据库或查询数据库中至少有一方数据被篡改，食品溯源结果为食品溯源不安全。
本实施例通过食品加工全周期数据集合的不同周期节点构建食品溯源联盟链，基于区块链的不可篡改性及可追溯性，提高了数据溯源的准确性及安全性。同时，对于不同类型的数据，利用不同的智能模型自动处理数据，再通过哈希融合的方式得到溯源哈希值存储至所述食品溯源联盟链，降低了数据存储量，提高了数据存储效率。并且，通过构建溯源数据库及查询数据库来与联盟链配合进行食品溯源，基于食品编号便可对食品安全进行准确快速溯源，大大提高了食品安全溯源的效率。因此本发明提出的基于区块链的食品安全溯源方法，可以准确快速的对食品进行食品安全溯源。
如图3所示，是本发明一实施例提供的实现所述基于区块链的食品安全溯源方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信接口12和总线13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于区块链的食品安全溯源程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于区块链的食品安全溯源程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如基于区块链的食品安全溯源程序等），以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述通信接口12用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
所述总线13可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地，该电子设备还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的基于区块链的食品安全溯源程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取食品加工全周期数据集合，基于所述食品加工全周期数据集合的不同周期节点构建食品溯源联盟链；
从所述食品加工全周期数据集合中选取不同周期节点的食品周期节点数据集合，其中所述食品周期节点数据集合中包括文本数据、票据数据、图像数据及视频数据；
利用预构建的双层票据文本提取模型从所述票据数据中提取票据文本；
利用预构建的摘要提取算法从所述文本数据提取摘要文本；
对所述票据文本、所述摘要文本、所述图像数据及视频数据分别进行哈希融合处理，得到溯源哈希值，将所有食品周期节点数据集合的溯源哈希值存储至所述食品溯源联盟链；
根据所述食品加工全周期数据集合及所述食品加工全周期数据集合中数据的食品编号构建溯源数据库，以及根据所述食品加工全周期数据集合中数据的食品编号及所述食品溯源联盟链中区块链节点的区块编号构建查询数据库；
获取待查询食品编号，基于所述待查询食品编号从所述溯源数据库中查询溯源数据原件，基于所述待查询食品编号从所述查询数据库中查询目标区块编号；
基于所述目标区块编号从所述食品溯源联盟链中提取目标溯源哈希值，计算所述溯源数据原件的验证哈希值，根据所述验证哈希值及所述目标溯源哈希值得到食品溯源结果。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/单元如果以软件功能单元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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取食品加工全周期数据集合，基于所述食品加工全周期数据集合的不同周期节点构建食品溯源联盟链；
从所述食品加工全周期数据集合中选取不同周期节点的食品周期节点数据集合，其中所述食品周期节点数据集合中包括文本数据、票据数据、图像数据及视频数据；
利用预构建的双层票据文本提取模型从所述票据数据中提取票据文本；
利用预构建的摘要提取算法从所述文本数据提取摘要文本；
对所述票据文本、所述摘要文本、所述图像数据及视频数据分别进行哈希融合处理，得到溯源哈希值，将所有食品周期节点数据集合的溯源哈希值存储至所述食品溯源联盟链；
根据所述食品加工全周期数据集合及所述食品加工全周期数据集合中数据的食品编号构建溯源数据库，以及根据所述食品加工全周期数据集合中数据的食品编号及所述食品溯源联盟链中区块链节点的区块编号构建查询数据库；
获取待查询食品编号，基于所述待查询食品编号从所述溯源数据库中查询溯源数据原件，基于所述待查询食品编号从所述查询数据库中查询目标区块编号；
基于所述目标区块编号从所述食品溯源联盟链中提取目标溯源哈希值，计算所述溯源数据原件的验证哈希值，根据所述验证哈希值及所述目标溯源哈希值得到食品溯源结果。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于区块链的食品安全溯源方法，其特征在于，所述方法包括：
获取食品加工全周期数据集合，基于所述食品加工全周期数据集合的不同周期节点构建食品溯源联盟链；
从所述食品加工全周期数据集合中选取不同周期节点的食品周期节点数据集合，其中所述食品周期节点数据集合中包括文本数据、票据数据、图像数据及视频数据；
利用预构建的双层票据文本提取模型从所述票据数据中提取票据文本；
利用预构建的摘要提取算法从所述文本数据提取摘要文本；
对所述票据文本、所述摘要文本、所述图像数据及视频数据分别进行哈希融合处理，得到溯源哈希值，将所有食品周期节点数据集合的溯源哈希值存储至所述食品溯源联盟链；
根据所述食品加工全周期数据集合及所述食品加工全周期数据集合中数据的食品编号构建溯源数据库，以及根据所述食品加工全周期数据集合中数据的食品编号及所述食品溯源联盟链中区块链节点的区块编号构建查询数据库；
获取待查询食品编号，基于所述待查询食品编号从所述溯源数据库中查询溯源数据原件，基于所述待查询食品编号从所述查询数据库中查询目标区块编号；
基于所述目标区块编号从所述食品溯源联盟链中提取目标溯源哈希值，计算所述溯源数据原件的验证哈希值，根据所述验证哈希值及所述目标溯源哈希值得到食品溯源结果。
2.如权利要求1中所述的基于区块链的食品安全溯源方法，其特征在于，所述基于所述食品加工全周期数据集合的不同周期节点构建食品溯源联盟链，包括：
根据所述食品加工全周期数据集合对应的周期节点构建区块链节点，使得周期节点和区块链节点一一对应；
利用预设的区块链平台对不同周期节点的参与方进行智能合约协商及验证，将验证成功的参与方作为参与方节点，汇总所有的区块链节点及参与方节点得到所述食品溯源联盟链。
3.如权利要求1所述的基于区块链的食品安全溯源方法，其特征在于，所述利用预构建的双层票据文本提取模型从所述票据数据中提取票据文本之前，所述方法还包括：
获取预构建的票据训练图像集合，对所述票据训练图像集合中的票据图像进行图像腐蚀及灰度转化，得到灰度图像训练集合；
利用预构建的原始票据文本检测模型对所述灰度图像训练集合中的灰度图像进行字符检测，得到字符框集合及字符框对应的字符预测概率；
基于所述字符框集合构建亲和力框集合，利用所述原始票据文本检测模型输出亲和力框对应的亲和力预测概率；
基于所述字符预测概率及所述亲和力预测概率计算第一损失值，在所述第一损失值大于预构建的第一损失阈值时，调整原始票据文本检测模型中的模型参数，并返回所述利用预构建的原始票据文本检测模型对所述灰度图像训练集合中的灰度图像进行字符检测的步骤，直至所述第一损失值小于或等于所述第一损失阈值时，停止训练，得到标准票据文本检测模型；
利用所述标准票据文本检测模型输出所述票据训练图像集合中票据图像的字符区域及亲和力区域，基于所述字符区域及亲和力区域计算出所述票据训练图像集合中票据图像的训练文本区域集合；
利用所述训练文本区域集合对预构建的原始票据文本识别模型进行训练，得到标准票据文本识别模型，汇总所述标准票据文本检测模型及所述标准票据文本识别模型得到所述双层票据文本提取模型。
4.如权利要求3所述的基于区块链的食品安全溯源方法，其特征在于，所述基于所述字符框集合构建亲和力框集合，包括：
连接每个字符框的对角顶点，从而在每个字符框中划分出四个三角形；
将上、下三角形的中心作为标准对角顶点，依次利用相邻字符框中的标准对角顶点构建亲和力框，汇总所有亲和力框得到亲和力框集合。
5.如权利要求3所述的基于区块链的食品安全溯源方法，其特征在于，所述利用所述训练文本区域集合对预构建的原始票据文本识别模型进行训练，得到标准票据文本识别模型，包括：
利用所述原始票据文本识别模型中的主干网络提取所述训练文本区域集合中每个文本区域的特征序列；
利用所述原始票据文本识别模型中的识别网络识别出所述特征序列中的文本字符集合，并利用所述原始票据文本识别模型中的全连接层计算所述文本字符集合中每个文本字符的字符识别概率，输出所有字符识别概率满足预设概率阈值的文本字符作为原始字符集合；
利用预设的路径算法对所述原始字符集合进行路径转化，得到标准字符集合，利用所述原始字符集合及所述标准字符集合计算第二损失值，在所述第二损失值不满足预构建的第二损失阈值时，调整所述原始票据文本识别模型总的模型参数，返回所述利用所述原始票据文本识别模型中的主干网络提取所述训练文本区域集合中每个文本区域的特征序列的步骤，直至所述第二损失值满足预构建的第二损失阈值时，停止训练，得到所述标准票据文本识别模型。
6.如权利要求5所述的基于区块链的食品安全溯源方法，其特征在于，通过下述公式计算第二损失值：
Figure 43848DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE001
表示第二损失值，
Figure 562872DEST_PATH_IMAGE003
表示训练文本区域集合中第i个训练文本区域，
Figure 140483DEST_PATH_IMAGE004
表示
Figure 719232DEST_PATH_IMAGE003
对应的原始字符，
Figure 497832DEST_PATH_IMAGE005
表示
Figure 887664DEST_PATH_IMAGE003
对应的标准字符，
Figure 675491DEST_PATH_IMAGE006
表示路径，
Figure 108746DEST_PATH_IMAGE007
表示所有
Figure 58248DEST_PATH_IMAGE004
经过
Figure 85110DEST_PATH_IMAGE008
变换后是
Figure 535683DEST_PATH_IMAGE005
的路径
Figure 964390DEST_PATH_IMAGE006
，T表示路径总数，
Figure 943847DEST_PATH_IMAGE009
表示第
Figure 723584DEST_PATH_IMAGE010
条路径
Figure 712269DEST_PATH_IMAGE011
的概率。
7.如权利要求3所述的基于区块链的食品安全溯源方法，其特征在于，所述利用预构建的双层票据文本提取模型从所述票据数据中提取票据文本，包括：
利用所述双层票据文本提取模型中的标准票据文本检测模型识别出所述票据数据中的票据字符区域，对所述票据字符区域进行区域连通，得到票据文本区域；
利用所述双层票据文本提取模型中的标准票据文本识别模型识别出所述票据文本区域中的文本字符作为票据文本。
8.如权利要求1所述的基于区块链的食品安全溯源方法，其特征在于，所述利用预构建的摘要提取算法从所述文本数据提取摘要文本，包括：
对所述文本数据进行分句及去除停用词处理，得到原始分句集合；
计算所述原始分句集合中各分句的长度系数，利用所述长度系数对所述原始分句集合中的分句进行句子过滤处理，得到标准分句集合；
对所述标准分句集合中的句子进行段落标记，得到标记分句集合；
利用K-means 聚类算法将所述标记分句集合聚类成预设个数的聚类簇；
基于TextRank算法计算每个聚类簇中句子的权重，利用句子的段落标记进行权重调整，选取每个聚类簇中权重最大的句子作为摘要句；
按照预设顺序将所有聚类簇中的摘要句进行组合，得到所述摘要文本。
9.一种基于区块链的食品安全溯源装置，其特征在于，所述装置包括：
溯源联盟链构建模块，用于获取食品加工全周期数据集合，基于所述食品加工全周期数据集合的不同周期节点构建食品溯源联盟链；
数据提取模块，用于从所述食品加工全周期数据集合中选取不同周期节点的食品周期节点数据集合，其中所述食品周期节点数据集合中包括文本数据、票据数据、图像数据及视频数据，利用预构建的双层票据文本提取模型从所述票据数据中提取票据文本，利用预构建的摘要提取算法从所述文本数据提取摘要文本；
数据上链模块，用于对所述票据文本、所述摘要文本、所述图像数据及视频数据分别进行哈希融合处理，得到溯源哈希值，将所有食品周期节点数据集合的溯源哈希值存储至所述食品溯源联盟链；
相关数据库构建模块，用于根据所述食品加工全周期数据集合及所述食品加工全周期数据集合中数据的食品编号构建溯源数据库，以及根据所述食品加工全周期数据集合中数据的食品编号及所述食品溯源联盟链中区块链节点的区块编号构建查询数据库；
食品安全溯源模块，获取待查询食品编号，基于所述待查询食品编号从所述溯源数据库中查询溯源数据原件，基于所述待查询食品编号从所述查询数据库中查询目标区块编号，基于所述目标区块编号从所述食品溯源联盟链中提取目标溯源哈希值，计算所述溯源数据原件的验证哈希值，根据所述验证哈希值及所述目标溯源哈希值得到食品溯源结果。
10.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至8中任意一项所述的基于区块链的食品安全溯源方法。
CN202211306347.XA 2022-10-25 2022-10-25 基于区块链的食品安全溯源方法、装置及设备 Active CN115374189B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211306347.XA CN115374189B (zh) 2022-10-25 2022-10-25 基于区块链的食品安全溯源方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211306347.XA CN115374189B (zh) 2022-10-25 2022-10-25 基于区块链的食品安全溯源方法、装置及设备

Publications (2)

Publication Number Publication Date
CN115374189A true CN115374189A (zh) 2022-11-22
CN115374189B CN115374189B (zh) 2023-01-17

Family

ID=84074202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211306347.XA Active CN115374189B (zh) 2022-10-25 2022-10-25 基于区块链的食品安全溯源方法、装置及设备

Country Status (1)

Country Link
CN (1) CN115374189B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116303376A (zh) * 2023-05-24 2023-06-23 川投信息产业集团有限公司 一种基于资产大数据平台的资产管理优化方法及系统
CN117709986A (zh) * 2024-02-05 2024-03-15 福建农业职业技术学院 一种基于深度学习的农产品生产日期可信溯源方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111667279A (zh) * 2020-05-10 2020-09-15 武汉理工大学 基于双区块链的产品溯源方法及系统
CN111709816A (zh) * 2020-06-23 2020-09-25 中国平安财产保险股份有限公司 基于图像识别的服务推荐方法、装置、设备及存储介质
US20210191827A1 (en) * 2018-08-30 2021-06-24 Teiefonaktiebolaget LM Ericsson (pub!) System and method for collaborative task offloading automation in smart containers
CN114676195A (zh) * 2022-03-18 2022-06-28 江门职业技术学院 一种区块链数据溯源方法
CN115204909A (zh) * 2022-06-16 2022-10-18 拢味(深圳)科技有限公司 一种基于区块链的多维度食品冷链溯源系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210191827A1 (en) * 2018-08-30 2021-06-24 Teiefonaktiebolaget LM Ericsson (pub!) System and method for collaborative task offloading automation in smart containers
CN111667279A (zh) * 2020-05-10 2020-09-15 武汉理工大学 基于双区块链的产品溯源方法及系统
CN111709816A (zh) * 2020-06-23 2020-09-25 中国平安财产保险股份有限公司 基于图像识别的服务推荐方法、装置、设备及存储介质
CN114676195A (zh) * 2022-03-18 2022-06-28 江门职业技术学院 一种区块链数据溯源方法
CN115204909A (zh) * 2022-06-16 2022-10-18 拢味(深圳)科技有限公司 一种基于区块链的多维度食品冷链溯源系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱西方: "基于区块链技术的农产品供应链信源追溯体系研究", 《江苏通信》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116303376A (zh) * 2023-05-24 2023-06-23 川投信息产业集团有限公司 一种基于资产大数据平台的资产管理优化方法及系统
CN116303376B (zh) * 2023-05-24 2023-09-08 川投信息产业集团有限公司 一种基于资产大数据平台的资产管理优化方法及系统
CN117709986A (zh) * 2024-02-05 2024-03-15 福建农业职业技术学院 一种基于深度学习的农产品生产日期可信溯源方法和系统
CN117709986B (zh) * 2024-02-05 2024-05-28 福建农业职业技术学院 一种基于深度学习的农产品生产日期可信溯源方法和系统

Also Published As

Publication number Publication date
CN115374189B (zh) 2023-01-17

Similar Documents

Publication Publication Date Title
CN112199375B (zh) 跨模态的数据处理方法、装置、存储介质以及电子装置
CN115374189B (zh) 基于区块链的食品安全溯源方法、装置及设备
CN110222140A (zh) 一种基于对抗学习和非对称哈希的跨模态检索方法
CN111681681A (zh) 语音情绪识别方法、装置、电子设备及存储介质
CN113626607B (zh) 异常工单识别方法、装置、电子设备及可读存储介质
CN113283446A (zh) 图像中目标物识别方法、装置、电子设备及存储介质
CN104142995A (zh) 基于视觉属性的社会事件识别方法
CN112767320A (zh) 图像检测方法、装置、电子设备及存储介质
CN108319888A (zh) 视频类型的识别方法及装置、计算机终端
CN114241499A (zh) 表格图片识别方法、装置、设备和可读存储介质
CN113378970A (zh) 语句相似性检测方法、装置、电子设备及存储介质
CN114840684A (zh) 基于医疗实体的图谱构建方法、装置、设备及存储介质
CN113157739B (zh) 跨模态检索方法、装置、电子设备及存储介质
CN114416939A (zh) 智能问答方法、装置、设备及存储介质
CN113935880A (zh) 政策推荐方法、装置、设备及存储介质
CN113344125A (zh) 长文本匹配识别方法、装置、电子设备及存储介质
CN113254814A (zh) 网络课程视频打标签方法、装置、电子设备及介质
CN116662488A (zh) 业务文档检索方法、装置、设备及存储介质
CN116450829A (zh) 医疗文本分类方法、装置、设备及介质
CN115205758A (zh) 基于视频与文本的智能转换方法、装置、电子设备及介质
CN114219367A (zh) 用户评分方法、装置、设备及存储介质
CN114595321A (zh) 问题标注方法、装置、电子设备及存储介质
CN113888265A (zh) 产品推荐方法、装置、设备及计算机可读存储介质
CN114610854A (zh) 智能问答方法、装置、设备及存储介质
CN114385815A (zh) 基于业务需求的新闻筛选方法、装置、设备及存储介质

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