CN116385025A - 一种基于区块链的大数据溯源系统及方法 - Google Patents

Abstract

本发明公开了一种基于区块链的大数据溯源系统及方法，包括以下步骤：随机抽调多个农产品单独检测变质度，建立检测结果的预估最大值，通过检测结果的预估最大值和第一阈值对比，分析判断此批次的农产品是否合格，对比传统的随机取样取平均值，可以帮助了解此批次农产品潜在变质的范围和程度，提供更好的决策支持，提高检测精准度；采集运输车辆的参数，建立运输车辆的评估系数，将运输车辆的评估系数和检测结果的预估最大值整合建立阈值影响系数，将阈值影响系数和第一阈值结合建立对比值，对比值是在筛除运输车的影响因素下得到的，将对比值和检测结果的预估最大值进行对比，判断农产品变质的责任方。

Description

一种基于区块链的大数据溯源系统及方法

技术领域

本发明涉及大数据技术领域，更具体地说，本发明涉及一种基于区块链的大数据溯源系统及方法。

背景技术

区块链(Blockchain)是一种分布式数据库技术，通过去中心化、不可篡改和高度透明的特性，实现了信息的安全共享和价值的传递。区块链技术在农业领域的应用可以提高食品溯源和农业物流的透明度和可信度，进一步保障农产品质量和安全。

在分析判断农产品好坏时，传统的方式主要通过随机取样，但是随机取样依然存在着一定的弊端，可能由于取样误差以及随机不确定性，造成检测结果失真，导致检测到的往往小于真实的结果，此外在农产品加工运输环节，在农产品出厂过程中，商家为了利益可能对检测结果进行篡改，将不符合的产品修改为合格品，以次充好，或者在运输环节中，可能由于运输环节故障导致农产品变质，都有可能造成农产品变质损坏，传统判断环节出现问题方式主要通过主观臆测，人为干扰因素比较大，导致判断的结果并不准确。

为了解决上述问题，现提供一种技术方案。

发明内容

本发明的目的是提供一种基于区块链的大数据溯源系统及方法，以解决背景技术中不足。

为了实现上述目的，本发明提供如下技术方案：一种基于区块链的大数据溯源方法包括以下步骤：

S1：农产品到站后，对农产品的变质度进行检测，对同一批次的农产品随机抽调多个进行单独检测，获得检测结果Wi，根据检测结果Wi建立检测结果的预估最大值Max，将检测结果的预估最大值Max和第一阈值H1进行对比，若检测结果的预估最大值Max小于第一阈值H1，生成此批次农产品质量合格信号，则不再执行后续步骤；

S2：采集运输车辆的机械参数、时间参数、环境参数和农产品参数，整合机械参数、时间参数、环境参数和农产品参数建立运输车辆的评估系数Pg，将运输车辆的评估系数Pg和第二阈值H2进行对比，若运输车辆的评估系数Pg大于第二阈值H2，生成运输状态不合格信号，发出预警信号；

S3：将检测结果的预估最大值Max和运输车辆的评估系数Pg结合建立阈值影响系数X，将阈值影响系数X和第一阈值H1整合获得对比值H3，将对比值H3和检测结果的预估最大值Max进行比较，若检测结果的预估最大值Max小于对比值H3，生成运输过程导致农产品变质信号；若检测结果的预估最大值Max大于对比值H3，生成产地导致农产品变质信号。

在一个优选的实施方式中，步骤S1，具体步骤如下：

对农产品的变质度进行检测，农产品的变质度为农产品腐烂体积占整体体积的比重，对同一批次的农产品随机抽调多个进行单独变质度采集，获得检测结果，并将每次的检测结果标记为Wi，i为每次检测的序号，i＝{1、2、3、...、n}，n为总的检测次数，且n为正整数；

根据检测结果Wi建立检测结果的预估最大值M_ax，表达式为：

式中，Max为检测结果的预估最大值，

为检测结果的平均值，Wi为检测结果，K为常数，且K＞0；

根据获取的一组检测结果数据的平均值和标准差，检测结果的预估最大值的可能范围，由于大部分数据通常集中在平均值的附近，因此最大值预估公式假设最大值距离平均值的距离不会超过标准差的K倍，从而得到最大值的预估值。

在一个优选的实施方式中，获取检测结果的预估最大值Max后，将检测结果的预估最大值Max和设定的第一阈值H1进行比对；

若检测结果的预估最大值Max大于第一阈值H1，生成预警提示信号，继续执行后续步骤，开始采集运输车辆的机械参数、时间参数、环境参数和农产品参数建立运输车辆的评估系数Pg；

若检测结果的预估最大值Max小于第一阈值H1，生成此批次农产品质量合格信号，则不再执行后续步骤。

在一个优选的实施方式中，步骤S2中，采集运输车辆的机械参数、时间参数、环境参数和农产品参数整合建立运输车辆的评估系数Pg，表达式为：

式中，Pg为运输车辆的评估系数，机械参数包括运输车辆振动的最大浮动跨度值，时间参数包括运输车辆的延误期值，环境参数包括运输路途的运输温度偏差，农产品参数包括运输车辆载运的农产品保鲜期，a1、a2、a3、a4分别是运输车辆振动的最大浮动跨度值、运输车辆的延误期值、运输路途的运输温度偏差、运输车辆载运的农产品保鲜期的预设比例系数，且a2＞a1＞a3＞a4＞0；

公式中，ZCD为运输车辆振动的最大浮动跨度值，YWQ为运输车辆的延误期值，HLS为运输路途的运输温度偏差，NZW为运输车辆载运的农产品保鲜期。

在一个优选的实施方式中，步骤S2还包括以下内容：

获取运输车辆的评估系数Pg后，将运输车辆的评估系数Pg和所设的第二阈值H2进行对比，若运输车辆的评估系数Pg大于第二阈值H2，生成运输状态不合格信号，发出预警信号。

在一个优选的实施方式中，步骤S3中，将检测结果的预估最大值Max和运输车辆的评估系数Pg结合建立阈值影响系数X，表达式为：

式中，X为阈值影响系数，Max、H1分别为步骤S1中提到的检测结果的预估最大值和第一阈值，Pg、H2分别为步骤S2中提到的运输车辆的评估系数Pg和第二阈值H2，

为检测结果的预估最大值的影响参数，/>

为运输车辆的评估系数的影响参数，a5、a6分别为检测结果的预估最大值的影响参数/>

运输车辆的评估系数的影响参数/>

的预设比例系数，且0＜a5＜a6；

建立对比值H3，表达式为：H3＝H1*X；

式中，H3为对比值H3。

在一个优选的实施方式中，将检测结果的预估最大值Max和对比值H3对比，包括如下内容：

若检测结果的预估最大值Max小于对比值H3，生成运输过程导致农产品变质信号；

若检测结果的预估最大值Max大于对比值H3，生成产地导致农产品变质信号。

本发明还提供一种基于区块链的大数据溯源系统，包括采集模块、处理模块、对比模块、预警模块；模块之间的连接方式为信号连接；

采集模块采集农产品的参数和运输车辆的参数，采集模块将采集到的信息发送至处理模块；

处理模块根据农产品参数建立检测结果的预估最大值Max、根据运输车辆的参数建立运输车辆的评估系数Pg，整合检测结果的预估最大值和运输车辆的评估系数建立对比值H3，处理后的数据发送至对比模块；

对比模块将检测结果的预估最大值Max和第一阈值H1对比：若检测结果的预估最大值Max大于第一阈值H1，生成预警提示信号，继续执行后续步骤，开始采集运输车辆的机械参数、时间参数、环境参数和农产品参数建立运输车辆的评估系数Pg；若检测结果的预估最大值Max小于第一阈值H1，生成此批次农产品质量合格信号，且不再执行后续步骤；将运输车辆的评估系数Pg和第二阈值H2对比，若运输车辆的评估系数Pg大于第二阈值H2，生成运输状态不合格信号；将检测结果的最大值Max和对比值H3对比，若检测结果的预估最大值Max小于对比值H3，生成运输过程导致农产品变质信号；若检测结果的预估最大值Max大于对比值H3，生成产地导致农产品变质信号；并将对比结果发送至预警模块；

预警模块根据对比结果对农产品质量进行警示。

在上述技术方案中，本发明提供的技术效果和优点：

1.本发明通过采集随机多次抽取的检测结果，通过公式建立检测结果的预估最大值Max，通过检测结果的预估最大值Max和第一阈值H1对比，分析判断此批次的农产品好坏，对比传统的随机取样取平均值，可以帮助了解此批次农产品潜在变质的范围和程度，提供更好的决策支持，提高检测精准度，保障食品安全卫生，同时对前道工序可能存在的质量篡改也起到有效的遏制作用。

2.采集运输车辆的参数，建立运输车辆的评估系数Pg，将运输车辆的评估系数Pg和检测结果的预估最大值Max整合建立阈值影响系数X，将阈值影响系数X和第一阈值H1结合建立对比值H3，对比值H3是在筛除运输车的影响因素下得到的，将对比值H3和检测结果的预估最大值Max进行对比，根据判断结果可分析出农产品变质的责任方，进行针对性的改善。

附图说明

图1为本发明一种基于区块链的大数据溯源方法的步骤流程图；

图2为本发明一种基于区块链的大数据溯源系统的结构示意图。

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、完整的描述，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。

运输农产品的物流信息和农产品的质量信息均存储在对应的区块链内，用于保障数据安全。

实施例1

请参阅图1所示，本实施例一种基于区块链的大数据溯源系统及方法，包括以下步骤：

农产品运输到站后，对农产品的变质度进行检测，对同一批次的农产品随机抽调多个进行单独检测，根据检测结果Wi建立检测结果的预估最大值Max，将检测结果的预估最大值Max和第一阈值H1进行对比，若检测结果的预估最大值Max小于第一阈值H1，生成合格信号，则不再执行后续步骤；采集运输车辆的机械参数、时间参数、环境参数和农产品参数，建立运输车辆的评估系数Pg，将运输车辆的评估系数Pg和第二阈值H2进行对比，判断运输车辆状态；将检测结果的预估最大值Max和运输车辆的评估系数Pg结合建立阈值影响系数X，将阈值影响系数X和第一阈值H1整合获得对比值H3，通过对比值H3和检测结果的预估最大值Max进行比较，判断农产品变质的责任方。

本申请通过随机抽取农产品，对农产品的变质度进行检测，根据检测得到的平均值和标准差建立检测结果的预估最大值Max，将检测结果的预估最大值Max和第一阈值H1进行对比，判断此批次农产品是否合格，有效提高检测准确度，对源头的篡改行为得到有效遏制，避免不达标的食品流入到市场；采集运输此批次农产品的运输车辆的机械参数、时间参数、环境参数和农产品参数，建立运输车辆的评估系数Pg，运输车辆的评估系数Pg和检测结果的预估最大值Max整合建立阈值影响系数X，通过阈值影响系数X得到对比值H3，对比值H3是剥离掉运输环节干扰的值，通过对比值H3和检测结果的预估最大值Max对比，方便分析判断出是运输环节还是产地环节导致的，更明确地划分责任，找出问题进行改善。

实施例2

上述实施例1中，建立检测结果的预估最大值Max，将检测结果的预估最大值Max和第一阈值H1进行对比，若检测结果的预估最大值Max小于第一阈值H1，判定合格，则不再执行后续步骤；采集运输车辆的机械参数、时间参数、环境参数和农产品参数，建立运输车辆的评估系数Pg，将运输车辆的评估系数Pg和第二阈值H2进行对比，判断运输车辆状态；将检测结果的预估最大值Max和运输车辆的评估系数Pg结合建立阈值影响系数X，将阈值影响系数X和第一阈值H1整合获得对比值H3，通过对比值H3和检测结果的预估最大值Max进行比较，判断农产品变质的责任方包括如下步骤：

步骤S1，具体步骤如下：

对农产品的变质度进行检测，农产品的变质度为农产品腐烂体积占整体体积的比重，对同一批次的农产品随机抽调多个进行单独变质度采集，获得检测结果，并将每次的检测结果标记为Wi，i为每次检测的序号，i＝{1、2、3、...、n}，n为总的检测次数，且n为正整数；

其中，变质度是指农产品的腐烂和变质程度，可以通过获取农产品腐烂体积占整体体积的比重来计算变质度，比重越大说明变质腐败越大，例如没有按照标准生产加工，运输抖动严重导致的变形损坏，都能加剧农产品变质速率；

根据检测结果Wi建立检测结果的预估最大值M_ax，表达式为：

式中，Max为检测结果的预估最大值，

为检测结果的平均值，Wi为检测结果，K为常数，且K＞0；

其中，K用于根据样本数据的大小和数量来调整最大值的估计值，K值也可以根据置信水平进行确定，置信水平是一种统计学概念，表示最大值的估计值与真实值相差在一定范围内的概率，通常情况下，置信水平取值为90％、95％、99％等，根据置信水平的不同，可以通过查表或计算得到相应的K值，从而得到最大值的估计值；

根据获取的一组检测结果数据的平均值和标准差，检测结果的预估最大值的可能范围，由于大部分数据通常集中在平均值的附近，因此最大值预估公式假设最大值距离平均值的距离不会超过标准差的K倍，从而得到最大值的预估值；

步骤S1中，根据检测结果的预估最大值Max和第一阈值H1进行对比，具体包括以下步骤：

获取检测结果的预估最大值Max后，将检测结果的预估最大值Max和设定的第一阈值H1进行比对；

若检测结果的预估最大值Max大于第一阈值H1，系统发出预警提示，继续执行下面步骤，开始采集运输车辆的参数建立运输车辆的评估系数；

若检测结果的预估最大值Max小于第一阈值H1，生成此批次农产品质量合格信号，则不再执行后续步骤；

本申请通过随机抽取农产品，对农产品的变质度进行检测，根据检测得到的平均值和标准差建立检测结果的预估最大值Max，将检测结果的预估最大值Max和第一阈值H1进行对比，判断此批次农产品是否合格，有效提高检测准确度，对源头的篡改行为得到有效遏制，避免不达标的食品流入到市场。

步骤S2中，采集运输车辆的机械参数、时间参数、环境参数和农产品参数整合建立运输车辆的评估系数Pg，表达式为：

式中，Pg为运输车辆的评估系数，机械参数包括运输车辆振动的最大浮动跨度值，时间参数包括运输车辆的延误期值，环境参数包括运输路途的运输温度偏差，农产品参数包括运输车辆载运的农产品保鲜期，a1、a2、a3、a4分别是运输车辆振动的最大浮动跨度值、运输车辆的延误期值、运输路途的运输温度偏差、运输车辆载运的农产品保鲜期的预设比例系数，且a2＞a1＞a3＞a4＞0；

公式中，ZCD为运输车辆振动的最大浮动跨度值，机械参数越大，运输车辆的使用状态越差，运输农产品变质度增加；

公式中，YWQ为运输车辆的延误期值，在实际到达时间大于预期时间时产生延误期值，当实际到达时间小于预期时间时不产生延误期值，延误期望值越大，说明设备的使用状态越不稳定，农产品变质度高于预期；

公式中，HLS为运输路途的运输温度偏差，保存农产品的最佳温度和实际运输温度的偏差绝对值，温度差越大，保存效果越差，所运输的农产品变质度高于预期；

公式中，NZW为运输车辆载运的农产品保鲜期，不同的农产品有对应的保鲜期，例如土豆在10—15摄氏度条件下可以保存60天左右，而香蕉在10—15摄氏度条件下只能保存到5天左右，保鲜期越长对运输条件要求的较为宽松，保鲜时间越短对运输条件要求苛刻；

步骤S2还包括以下内容：

获取运输车辆的评估系数Pg后，将运输车辆的评估系数Pg和所设的第二阈值H2进行对比，若运输车辆的评估系数Pg大于第二阈值H2，生成运输状态不合格信号，发出预警信号。

本申请通过采集运输车辆的机械参数、时间参数、环境参数和农产品参数整合建立运输车辆的评估系数Pg，运输车辆的评估系数Pg和第二阈值H2比对，分析运输车辆的状态，从而可以及时发现车辆是否存在异常情况，及时进行维修保养，避免因为车辆问题而导致农产品质量下降，可以提前发现潜在的问题，及时进行维修保养，减少因车辆问题而导致的农产品损失。

步骤S3中，将检测结果的预估最大值Max和运输车辆的评估系数Pg结合建立阈值影响系数X，表达式为：

式中，X为阈值影响系数，Max、H1分别为步骤S1中提到的检测结果的预估最大值和第一阈值，Pg、H2分别为步骤S2中提到的运输车辆的评估系数Pg和第二阈值H2，

为检测结果的预估最大值的影响参数，/>

为运输车辆的评估系数的影响参数，a5、a6分别为检测结果的预估最大值的影响参数/>

运输车辆的评估系数的影响参数/>

的预设比例系数，且0＜a5＜a6；

建立对比值H3，表达式为：H3＝H1*X；

式中，H3为对比值，对比值H3剥离了由运输车辆所导致农产品变质的因素，方便用于直接判断责任出处；

将检测结果的预估最大值Max和对比值H3对比，包括如下步骤：

若检测结果的预估最大值Max小于对比值H3，生成运输过程导致变质信号；

若检测结果的预估最大值Max大于对比值H3，生成产地导致农产品变质信号。

本申请通过建立检测结果的预估最大值Max，通过建立运输车辆的评估系数Pg，整合检测结果的最大值Max和运输车辆的评估系数Pg建立阈值影响系数X，阈值影响系数X是剥离掉影响农产品运输环节因素得到的，将阈值影响系数X和第一阈值H1整合得到对比值H3，将检测结果的预估最大值Max和对比值H3对比，根据判断结果从而确定引起农产品变质的最大责任方，对生产和运输环节中的质量篡改等手段具有很好的遏制作用。

实施例3

本实施例所述一种基于区块链的大数据溯源系统，如图2所示，包括采集模块、处理模块、对比模块、预警模块；模块之间的连接方式为信号连接；

采集模块采集农产品的参数和运输车辆的参数，采集模块将采集到的信息发送至处理模块；

处理模块根据农产品参数建立检测结果的预估最大值Max、根据运输车辆的参数建立运输车辆的评估系数Pg，整合检测结果的预估最大值和运输车辆的评估系数建立对比值H3，处理后的数据发送至对比模块；

对比模块将检测结果的预估最大值Max和第一阈值H1对比：若检测结果的预估最大值Max大于第一阈值H1，生成预警提示信号，继续执行后续步骤，开始采集运输车辆的机械参数、时间参数、环境参数和农产品参数建立运输车辆的评估系数Pg；若检测结果的预估最大值Max小于第一阈值H1，生成此批次农产品质量合格信号，且不再执行后续步骤；将运输车辆的评估系数Pg和第二阈值H2对比，若运输车辆的评估系数Pg大于第二阈值H2，生成运输状态不合格信号；将检测结果的最大值Max和对比值H3对比，若检测结果的预估最大值Max小于对比值H3，生成运输过程导致农产品变质信号；若检测结果的预估最大值Max大于对比值H3，生成产地导致农产品变质信号；并将对比结果发送至预警模块；

预警模块根据对比结果对农产品质量进行警示。

上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数以及阈值选取由本领域的技术人员根据实际情况进行设置。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络，或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)，或者半导体介质。半导体介质可以是固态硬盘。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，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单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元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。

所述功能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取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-onlymemory，ROM)、随机存取存储器(randomaccessmemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

最后：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，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于区块链的大数据溯源方法，其特征在于，包括如下步骤：

S1：对农产品的变质度进行检测，对同一批次的农产品随机抽调多个进行单独检测，获得检测结果Wi，根据检测结果Wi建立检测结果的预估最大值Max，将检测结果的预估最大值Max和第一阈值H1进行对比，若检测结果的预估最大值Max小于第一阈值H1，生成此批次农产品质量合格信号，则不再执行后续步骤；

S2：采集运输车辆的机械参数、时间参数、环境参数和农产品参数，整合机械参数、时间参数、环境参数和农产品参数建立运输车辆的评估系数Pg，将运输车辆的评估系数Pg和第二阈值H2进行对比，若运输车辆的评估系数Pg大于第二阈值H2，生成运输状态不合格信号，发出预警信号；

S3：将检测结果的预估最大值Max和运输车辆的评估系数Pg结合建立阈值影响系数X，将阈值影响系数X和第一阈值H1整合获得对比值H3，将对比值H3和检测结果的预估最大值Max进行比较，若检测结果的预估最大值Max小于对比值H3，生成运输过程导致农产品变质信号；若检测结果的预估最大值Max大于对比值H3，生成产地导致农产品变质信号。

2.根据权利要求1所述的一种基于区块链的大数据溯源方法，其特征在于：

步骤S1，具体步骤如下：

对农产品的变质度进行检测，农产品的变质度为农产品腐烂体积占整体体积的比重，对同一批次的农产品随机抽调多个进行单独变质度检测，获得检测结果，并将每次的检测结果标记为Wi，i为每次检测的序号，i＝{1、2、3、...、n}，n为总的检测次数，且n为正整数；

根据检测结果Wi建立检测结果的预估最大值Max，表达式为：

式中，Max为检测结果的预估最大值，

为检测结果的平均值，Wi为检测结果，K为常数，且K＞0。

3.根据权利要求2所述的一种基于区块链的大数据溯源方法，其特征在于：步骤S1中，根据检测结果的预估最大值Max和第一阈值H1进行对比，具体包括以下步骤：

获取检测结果的预估最大值Max后，将检测结果的预估最大值Max和设定的第一阈值H1进行比对；

若检测结果的预估最大值Max大于第一阈值H1，生成预警提示信号，继续执行后续步骤，开始采集运输车辆的机械参数、时间参数、环境参数和农产品参数建立运输车辆的评估系数Pg；

若检测结果的预估最大值Max小于第一阈值H1，生成此批次农产品质量合格信号，且不再执行后续步骤。

4.根据权利要求3所述的一种基于区块链的大数据溯源方法，其特征在于：步骤S2中，采集运输车辆的机械参数、时间参数、环境参数和农产品参数整合建立运输车辆的评估系数Pg，表达式为：

式中，Pg为运输车辆的评估系数，机械参数包括运输车辆振动的最大浮动跨度值，时间参数包括运输车辆的延误期值，环境参数包括运输路途的运输温度偏差，农产品参数包括运输车辆载运的农产品保鲜期，a1、a2、a3、a4分别是运输车辆振动的最大浮动跨度值、运输车辆的延误期值、运输路途的运输温度偏差、运输车辆载运的农产品保鲜期的预设比例系数，且a2＞a1＞a3＞a4＞0；

公式中，ZCD为运输车辆振动的最大浮动跨度值，YWQ为运输车辆的延误期值，HLS为运输路途的运输温度偏差，NZW为运输车辆载运的农产品保鲜期。

5.根据权利要求4所述的一种基于区块链的大数据溯源方法，其特征在于：步骤S2还包括以下内容：

获取运输车辆的评估系数Pg后，将运输车辆的评估系数Pg和所设的第二阈值H2进行对比，若运输车辆的评估系数Pg大于第二阈值H2，生成运输状态不合格信号，发出预警信号。

6.根据权利要求5所述的一种基于区块链的大数据溯源方法，其特征在于：步骤S3中，将检测结果的预估最大值Max和运输车辆的评估系数Pg结合建立阈值影响系数X，表达式为：

式中，X为阈值影响系数，Max、H1分别为步骤S1中提到的检测结果的预估最大值和第一阈值，Pg、H2分别为步骤S2中提到的运输车辆的评估系数Pg和第二阈值H2，

为检测结果的预估最大值的影响参数，/>

为运输车辆的评估系数的影响参数，a5、a6分别为检测结果的预估最大值的影响参数/>

运输车辆的评估系数的影响参数/>

的预设比例系数，且0＜a5＜a6；

建立对比值H3，表达式为：H3＝H1*X；

式中，H3为对比值。

7.根据权利要求6所述的一种基于区块链的大数据溯源方法，其特征在于：

将检测结果的预估最大值Max和对比值H3对比，包括如下内容：

若检测结果的预估最大值Max小于对比值H3，生成运输过程导致农产品变质信号；

若检测结果的预估最大值Max大于对比值H3，生成产地导致农产品变质信号。

8.一种基于区块链的大数据溯源系统，用于实现权利要求1-7任一项所述的方法，其特征在于：包括采集模块、处理模块、对比模块、预警模块；模块之间的连接方式为信号连接；

采集模块采集农产品的参数和运输车辆的参数，采集模块将采集到的信息发送至处理模块；

处理模块根据农产品参数建立检测结果的预估最大值Max、根据运输车辆的参数建立运输车辆的评估系数Pg，整合检测结果的预估最大值和运输车辆的评估系数建立对比值H3，处理后的数据发送至对比模块；

对比模块将检测结果的预估最大值Max和第一阈值H1对比：若检测结果的预估最大值Max大于第一阈值H1，生成预警提示信号，继续执行后续步骤，开始采集运输车辆的机械参数、时间参数、环境参数和农产品参数建立运输车辆的评估系数Pg；若检测结果的预估最大值Max小于第一阈值H1，生成此批次农产品质量合格信号，且不再执行后续步骤；将运输车辆的评估系数Pg和第二阈值H2对比，若运输车辆的评估系数Pg大于第二阈值H2，生成运输状态不合格信号；将检测结果的最大值Max和对比值H3对比，若检测结果的预估最大值Max小于对比值H3，生成运输过程导致农产品变质信号；若检测结果的预估最大值Max大于对比值H3，生成产地导致农产品变质信号；并将对比结果发送至预警模块；

预警模块根据对比结果对农产品质量进行警示。

Images