CN116797248B - 基于区块链的数据溯源管理方法及其系统 - Google Patents
基于区块链的数据溯源管理方法及其系统 Download PDFInfo
- Publication number
- CN116797248B CN116797248B CN202311060021.8A CN202311060021A CN116797248B CN 116797248 B CN116797248 B CN 116797248B CN 202311060021 A CN202311060021 A CN 202311060021A CN 116797248 B CN116797248 B CN 116797248B
- Authority
- CN
- China
- Prior art keywords
- feature
- classification
- matrix
- vector
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000007726 management method Methods 0.000 title claims abstract description 84
- 238000001514 detection method Methods 0.000 claims abstract description 120
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000000465 moulding Methods 0.000 claims abstract description 33
- 239000013598 vector Substances 0.000 claims description 194
- 239000011159 matrix material Substances 0.000 claims description 117
- 230000002457 bidirectional effect Effects 0.000 claims description 39
- 238000013527 convolutional neural network Methods 0.000 claims description 36
- 238000011176 pooling Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 21
- 230000007246 mechanism Effects 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000000903 blocking effect Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 5
- 239000013604 expression vector Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 27
- 238000009826 distribution Methods 0.000 abstract description 19
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 6
- 238000007792 addition Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000013523 data management Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Finance (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种基于区块链的数据溯源管理方法及其系统，其从区块链结构下载产品检测图像和产品检测结果；采用基于深度学习的人工智能技术，进行所述产品检测图像中关于产品的成型质量隐含特征分布信息的充分表达，以此来与产品检测结果数据进行比对，以在溯源过程中进一步判断产品检测过程是否存在偏差，优化产品溯源管理的效率和准确性。
Description
技术领域
本申请涉及智能化管理技术领域，并且更具体地，涉及一种基于区块链的数据溯源管理方法及其系统。
背景技术
在现代物流和供应链管理中，产品质量的溯源问题已经变得越来越重要。为满足市场调节需求，遏制假冒伪劣等违法行为，以保证产品的质量和安全，需要对于生产过程中所涉及到的各种数据进行溯源管理。然而，传统数据管理方式的信息透明度和可靠性存在诸多问题，例如数据易被篡改、难以追溯等。
因此，期望一种优化的基于区块链的数据溯源管理方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于区块链的数据溯源管理方法及其系统，其从区块链结构下载产品检测图像和产品检测结果；采用基于深度学习的人工智能技术，进行所述产品检测图像中关于产品的成型质量隐含特征分布信息的充分表达，以此来与产品检测结果数据进行比对，以在溯源过程中进一步判断产品检测过程是否存在偏差，优化产品溯源管理的效率和准确性。
第一方面，提供了一种基于区块链的数据溯源管理方法，其包括：
从区块链结构下载产品检测图像和产品检测结果；
对所述产品检测图像进行图像预处理以得到预处理后产品检测图像；
对所述预处理后产品检测图像进行图像分块处理以得到检测局部图像块的序列；
将所述检测局部图像块的序列中的各个检测局部图像块通过作为过滤器的卷积神经网络模型以得到多个检测局部特征向量；
将所述多个检测局部特征向量排列为二维特征矩阵后通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵；
基于多个检测局部特征向量，对所述分类特征矩阵进行希尔伯特空间启发式序列跟踪均衡化以得到优化分类特征矩阵；
将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待检测产品的成型质量是否符合预定标准；以及
将所述分类结果与所述产品检测结果进行对比，以生成产品溯源管理结果。
在上述基于区块链的数据溯源管理方法中，将所述检测局部图像块的序列中的各个检测局部图像块通过作为过滤器的卷积神经网络模型以得到多个检测局部特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述多个检测局部特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述检测局部图像块的序列中的各个检测局部图像块。
在上述基于区块链的数据溯源管理方法中，将所述多个检测局部特征向量排列为二维特征矩阵后通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵，包括：
将所述二维特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；以及，计算所述双向关联权重矩阵和所述二维特征矩阵之间的按位置点乘以得到所述分类特征矩阵。
在上述基于区块链的数据溯源管理方法中，基于多个检测局部特征向量，对所述分类特征矩阵进行希尔伯特空间启发式序列跟踪均衡化以得到优化分类特征矩阵，包括：对所述多个检测局部特征向量和所述分类特征矩阵的各个行特征向量分别进行级联以得到第一级联特征向量和第二级联特征向量；基于所述第一级联特征向量，对所述第二级联特征向量进行希尔伯特空间启发式序列跟踪均衡化以得到优化第二级联特征向量；以及，对所述优化第二级联特征向量进行还原以得到所述优化分类特征矩阵。
在上述基于区块链的数据溯源管理方法中，基于所述第一级联特征向量，对所述第二级联特征向量进行希尔伯特空间启发式序列跟踪均衡化以得到优化第二级联特征向量，包括：
基于所述第一级联特征向量，以如下优化公式对所述第二级联特征向量进行希尔伯特空间启发式序列跟踪均衡化以得到优化第二级联特征向量；
其中，所述优化公式为： 其中，表示所述第一级联特征向量，表示所述第
二级联特征向量，且特征向量和均为行向量，表示特征向量和的级联向量的二范数，表示特征向量的所有特征值，表示特征向量的所有特征值，表示特征向量和的所有特征值构成的并集集合的各个特
征值，表示特征向量和的所有特征值构成的并集集合的元素总数，表
示特征向量和的所有特征值构成的并集集合的均值，表示向量的转置，表
示向量的按位置点乘，表示向量加法，表示所述优化第二级联特征向量。
在上述基于区块链的数据溯源管理方法中，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待检测产品的成型质量是否符合预定标准，包括：将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
第二方面，提供了一种基于区块链的数据溯源管理系统，其包括：
图像获取模块，用于从区块链结构下载产品检测图像和产品检测结果；
图像预处理模块，用于对所述产品检测图像进行图像预处理以得到预处理后产品检测图像；
图像分块处理模块，用于对所述预处理后产品检测图像进行图像分块处理以得到检测局部图像块的序列；
特征提取模块，用于将所述检测局部图像块的序列中的各个检测局部图像块通过作为过滤器的卷积神经网络模型以得到多个检测局部特征向量；
双向注意力模块，用于将所述多个检测局部特征向量排列为二维特征矩阵后通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵；
优化模块，用于基于多个检测局部特征向量，对所述分类特征矩阵进行希尔伯特空间启发式序列跟踪均衡化以得到优化分类特征矩阵；
成型质量结果生成模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待检测产品的成型质量是否符合预定标准；以及
管理结果生成模块，用于将所述分类结果与所述产品检测结果进行对比，以生成产品溯源管理结果。
在上述基于区块链的数据溯源管理系统中，所述特征提取模块，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述多个检测局部特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述检测局部图像块的序列中的各个检测局部图像块。
在上述基于区块链的数据溯源管理系统中，所述双向注意力模块，包括：池化单元，用于将所述二维特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；关联编码单元，用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；激活单元，用于将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；以及，特征矩阵计算单元，用于计算所述双向关联权重矩阵和所述二维特征矩阵之间的按位置点乘以得到所述分类特征矩阵。
在上述基于区块链的数据溯源管理系统中，所述优化模块，包括：级联单元，用于对所述多个检测局部特征向量和所述分类特征矩阵的各个行特征向量分别进行级联以得到第一级联特征向量和第二级联特征向量；均衡化单元，用于基于所述第一级联特征向量，对所述第二级联特征向量进行希尔伯特空间启发式序列跟踪均衡化以得到优化第二级联特征向量；以及，还原单元，用于对所述优化第二级联特征向量进行还原以得到所述优化分类特征矩阵。
与现有技术相比，本申请提供的基于区块链的数据溯源管理方法及其系统，其从区块链结构下载产品检测图像和产品检测结果；采用基于深度学习的人工智能技术，进行所述产品检测图像中关于产品的成型质量隐含特征分布信息的充分表达，以此来与产品检测结果数据进行比对，以在溯源过程中进一步判断产品检测过程是否存在偏差，优化产品溯源管理的效率和准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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的附图。
图1为根据本申请实施例的基于区块链的数据溯源管理方法的场景示意图。
图2为根据本申请实施例的基于区块链的数据溯源管理方法的流程图。
图3为根据本申请实施例的基于区块链的数据溯源管理方法的架构示意图。
图4为根据本申请实施例的基于区块链的数据溯源管理方法中步骤150的子步骤的流程图。
图5为根据本申请实施例的基于区块链的数据溯源管理方法中步骤160的子步骤的流程图。
图6为根据本申请实施例的基于区块链的数据溯源管理方法中步骤170的子步骤的流程图。
图7为根据本申请实施例的基于区块链的数据溯源管理系统的框图。
实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
图1为根据本申请实施例的基于区块链的数据溯源管理方法的场景示意图。如图1所示，在该应用场景中，首先，从区块链结构下载产品检测图像（例如，如图1中所示意的C1）和产品检测结果（例如，如图1中所示意的C2）；然后，将获取的产品检测图像和产品检测结果输入至部署有基于区块链的数据溯源管理算法的服务器（例如，如图1中所示意的S）中，其中所述服务器能够基于区块链的数据溯源管理算法对所述产品检测图像和所述产品检测结果进行处理，以生成用于表示待检测产品的成型质量是否符合预定标准的分类结果，并将所述分类结果与所述产品检测结果进行对比，以生成产品溯源管理结果。
在本申请的一个实施例中，图2为根据本申请实施例的基于区块链的数据溯源管理方法的流程图。图3为根据本申请实施例的基于区块链的数据溯源管理方法的架构示意图。如图2和图3所示，根据本申请实施例的基于区块链的数据溯源管理方法，包括：110，从区块链结构下载产品检测图像和产品检测结果；120，对所述产品检测图像进行图像预处理以得到预处理后产品检测图像；130，对所述预处理后产品检测图像进行图像分块处理以得到检测局部图像块的序列；140，将所述检测局部图像块的序列中的各个检测局部图像块通过作为过滤器的卷积神经网络模型以得到多个检测局部特征向量；
150，将所述多个检测局部特征向量排列为二维特征矩阵后通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵；160，基于多个检测局部特征向量，对所述分类特征矩阵进行希尔伯特空间启发式序列跟踪均衡化以得到优化分类特征矩阵；170，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待检测产品的成型质量是否符合预定标准；以及,180，将所述分类结果与所述产品检测结果进行对比，以生成产品溯源管理结果。
具体地，在步骤110中，从区块链结构下载产品检测图像和产品检测结果。如上所述，为了保证产品的质量和安全，需要对于生产过程中所涉及到的各种数据进行溯源管理。然而，传统数据管理方式的信息透明度和可靠性存在诸多问题，例如数据易被篡改、难以追溯等。因此，期望一种优化的基于区块链的数据溯源管理方案。
应可以理解，区块链是一种分布式的、去中心化的、不可篡改的账本系统，它可以记录数据的产生、传输、存储、使用等各个环节的信息，形成一个完整的数据生命周期链。基于区块链的数据溯源管理系统是一种利用区块链技术实现数据的安全、可信、可追溯的管理方式。因此，数据溯源管理系统可以利用区块链的特性，为数据提供有效的保护和监督，防止数据被篡改、泄露、滥用等风险，提高数据的价值和信任度。数据溯源管理系统可以应用于多个领域，如医疗、金融、物流、教育等，为各类数据提供可靠的溯源服务。
具体地，在本申请的技术方案中，在对生产管理数据进行溯源时，期望从区块链网络下载产品检测过程数据和产品检测结果数据，进而再通过基于人工智能的数据处理算法对所述产品检测过程数据进行分析以得到分类结果，并将该所述分类结果与所述产品检测结果数据进行比对，以在溯源过程中进一步判断产品检测过程是否存在偏差。特别地，这里，所述产品包括但不局限于汽车散热器芯体等。基于此，在本申请的技术方案中，期望通过对区块链结构下载的产品检测图像和产品检测结果进行分析来实现产品的溯源管理。但是，由于所述产品检测图像中存在有大量的无用干扰信息，这会对于产品的成型质量检测和溯源管理带来影响，并且所述产品的检测过程数据，例如汽车散热器芯体的成型质量特征在图像中为隐性的小尺度特征信息，难以进行充分地捕捉。因此，在此过程中，难点在于如何进行所述产品检测图像中关于产品的成型质量隐含特征分布信息的充分表达，以此来与产品检测结果数据进行比对，以在溯源过程中进一步判断产品检测过程是否存在偏差，优化产品溯源管理的效率和准确性。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述产品检测图像中关于产品的成型质量隐含特征分布信息提供了新的解决思路和方案。
更具体地，在本申请的技术方案中，首先，从区块链结构下载产品检测图像和产品检测结果。
具体地，在步骤120中，对所述产品检测图像进行图像预处理以得到预处理后产品检测图像。应可以理解，在实际进行所述产品检测图像的采集或下载传输过程中，可能存在一些噪声、亮度、对比度等问题，这些因素会影响到后续算法的有效性和效率。因此，在本申请的技术方案中，进一步对所述产品检测图像进行图像预处理以得到预处理后产品检测图像。这样，能够对采集到的原始图像进行降噪、平滑、锐化、调整亮度对比度等操作，从而得到更清晰、更有区分度的图像，以通过优化图像数据、提高图像质量，有利于后续的图像特征分析和分类。
具体地，在步骤130中，对所述预处理后产品检测图像进行图像分块处理以得到检测局部图像块的序列。接着，考虑到由于所述预处理后产品检测图像中关于产品质量的隐含特征为小尺度的细微特征，为了能够提高所述预处理后产品检测图像中关于产品质量特征的表达能力，以此来优化产品的溯源管理效率和准确性，在本申请的技术方案中，对所述预处理后产品检测图像进行图像分块处理以得到检测局部图像块的序列。
应可以理解，所述检测局部图像块的序列中的各个检测局部图像块的尺度相较于原图像被缩减，因此，所述预处理后产品检测图像中关于小尺寸的目标对象隐含特征在所述各个检测局部图像块中不再是小尺寸对象，以便于后续进行图像的特征匹配和差异性对比。
具体地，在步骤140中，将所述检测局部图像块的序列中的各个检测局部图像块通过作为过滤器的卷积神经网络模型以得到多个检测局部特征向。然后，使用在图像的隐含特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来分别进行所述检测局部图像块的序列中的各个检测局部图像块的特征挖掘，以分别提取出所述各个检测局部图像块中关于产品质量，例如汽车散热器芯体的成型质量隐含特征分布信息，从而得到多个检测局部特征向量。
其中，将所述检测局部图像块的序列中的各个检测局部图像块通过作为过滤器的卷积神经网络模型以得到多个检测局部特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述多个检测局部特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述检测局部图像块的序列中的各个检测局部图像块。
卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现，且相较于传统的基于统计或者基于特征工程的图像特征提取算法，所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。
具体地，在步骤150中，将所述多个检测局部特征向量排列为二维特征矩阵后通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵。进一步地，考虑到由于所述汽车散热器芯体的成型质量特征的复杂性,保留和传递浅层细节特征对提高算法分割准确率非常重要。在U-Net网络中,通过跳跃连接将编码器的特征信息直接传递到解码器,实现浅层特征与深层特征融合,补充解码器细节特征信息,但这种在同尺度之间特征直接传递的方式过于简单，没有对所述汽车散热器芯体的成型质量进行筛选,进而无法有效对产品成型质量进行准确检测。
因此，在本申请的技术方案中，进一步将所述多个检测局部特征向量排列为二维特征矩阵后通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵。这样，能够充分利用上下文信息来增强所述汽车散热器芯体的成型质量特征响应和抑制背景特征响应。具体地，所述双向注意力模块分别从水平方向和垂直方向对整个二维特征矩阵的注意力权重校准并获取复杂特征关系,从而能够从空间的全局特征中获取局部特征信息。
图4为根据本申请实施例的基于区块链的数据溯源管理方法中步骤150的子步骤的流程图，如图4所示，将所述多个检测局部特征向量排列为二维特征矩阵后通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵，包括：151，将所述二维特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；152，对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；153，将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；以及，154，计算所述双向关联权重矩阵和所述二维特征矩阵之间的按位置点乘以得到所述分类特征矩阵。
双向注意力机制是机器学习中的一种数据处理方法，广泛应用在自然语言处理、图像识别及语音识别等各种不同类型的机器学习任务中。一方面，注意力机制就是希望网络能够自动学出来图片或者文字序列中的需要注意的地方；另一方面，双向注意力机制通过神经网络的操作生成一个掩码mask，mask上的值作为权重用于调整输入的重要性或关注度。一般来说，空间注意力机制对于同一像素点不同通道求均值,再经过一些卷积和上采样的运算得到空间特征,空间特征每层的像素点就被赋予不同的权重。
具体地，在步骤160中，基于多个检测局部特征向量，对所述分类特征矩阵进行希尔伯特空间启发式序列跟踪均衡化以得到优化分类特征矩阵。图5为根据本申请实施例的基于区块链的数据溯源管理方法中步骤160的子步骤的流程图，如图5所示，基于多个检测局部特征向量，对所述分类特征矩阵进行希尔伯特空间启发式序列跟踪均衡化以得到优化分类特征矩阵，包括：161，对所述多个检测局部特征向量和所述分类特征矩阵的各个行特征向量分别进行级联以得到第一级联特征向量和第二级联特征向量；162，基于所述第一级联特征向量，对所述第二级联特征向量进行希尔伯特空间启发式序列跟踪均衡化以得到优化第二级联特征向量；以及，163，对所述优化第二级联特征向量进行还原以得到所述优化分类特征矩阵。
特别地，在本申请的技术方案中，将所述多个检测局部特征向量排列为二维特征矩阵后通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵时，本申请的申请人考虑到在包含双向注意力机制的卷积神经网络模型基于行方向和列方向下的注意力权重机制进行特征提取时，所述二维特征矩阵的各个检测局部特征向量拼接后在特征提取时，会由于各个检测局部特征向量的内部图像特征语义分布与特征向量排列和双向注意力机制导致的特征分布空间强化分布发生冲突，使得所述分类特征矩阵的整体特征分布存在不均衡效果。
基于此，本申请基于所述多个检测局部特征向量的源特征表达，将所述多个检测
局部特征向量级联得到的第一级联特征向量，例如记为，并将所述分类特征矩阵的各
个行特征向量级联以得到第二级联特征向量，例如记为，并对所述第一级联特征向量和所述第二级联特征向量进行希尔伯特空间启发式序列跟踪均衡化。
在一个具体示例中，基于所述第一级联特征向量，对所述第二级联特征向量进行希尔伯特空间启发式序列跟踪均衡化以得到优化第二级联特征向量，包括：基于所述第一级联特征向量，以如下优化公式对所述第二级联特征向量进行希尔伯特空间启发式序列跟踪均衡化以得到优化第二级联特征向量；
其中，所述优化公式为： 其中，表示所述第一级联特征向量，表示所述第
二级联特征向量，且特征向量和均为行向量，表示特征向量和的级联向量的二范数，表示特征向量的所有特征值，表示特征向量的所有特征值，表示特征向量和的所有特征值构成的并集集合的各个特
征值，表示特征向量和的所有特征值构成的并集集合的元素总数，表
示特征向量和的所有特征值构成的并集集合的均值，表示向量的转置，表
示向量的按位置点乘，表示向量加法，表示所述优化第二级联特征向量。
这里，利用具有内积的希尔伯特空间的完备内积空间特性，来通过所述第一级联
特征向量和所述第二级联特征向量的序列聚合的集合性均值（collective
average），探索所述第一级联特征向量和所述第二级联特征向量经由双向注意力
的行和列方向的强化特征空间内的基于序列的空间分布启发式（heuristics），从而将所述
第二级联特征向量的各个局部特征分布转化为融合空间内的序列跟踪实例（tracked
instance），以实现序列的特征空间分布的基于跟踪小片段认知的（tracklet-aware）分布
均衡化。然后，再将所述第二级联特征向量还原为所述分类特征矩阵，就实现了所述分类特
征矩阵在整体特征分布上的均衡化，以改进其通过分类器得到的分类结果的准确性。这样，
能够准确地进行产品的成型质量检测，并将检测结果与实际的产品检测结果数据进行比
对，从而在溯源过程中进一步判断产品检测过程是否存在偏差，优化产品溯源管理的效率
和准确性。
具体地，在步骤170和步骤180中，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待检测产品的成型质量是否符合预定标准；以及，将所述分类结果与所述产品检测结果进行对比，以生成产品溯源管理结果。接着，进一步再将所述分类特征矩阵通过分类器中进行分类处理，以得到用于表示待检测产品的成型质量是否符合预定标准的分类结果，以此来对于汽车散热器芯体的成型质量进行检测评估。也就是，在本申请的技术方案中，所述分类器的标签包括待检测产品的成型质量符合预定标准(第一标签)，以及，待检测产品的成型质量不符合预定标准(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。
值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“待检测产品的成型质量是否符合预定标准”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，待检测产品的成型质量是否符合预定标准的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“待检测产品的成型质量是否符合预定标准”的语言文本意义。
应可以理解，在本申请的技术方案中，所述分类器的分类标签为待检测产品的成型质量是否符合预定标准的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来进行产品成型质量的检测，并将所述分类结果与所述产品检测结果进行对比，以生成产品溯源管理结果。这样，能够以在溯源过程中进一步判断产品检测过程是否存在偏差，优化产品溯源管理的效率和准确性。
图6为根据本申请实施例的基于区块链的数据溯源管理方法中步骤170的子步骤的流程图，如图6所示，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待检测产品的成型质量是否符合预定标准，包括：171，将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；172，使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，173，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的基于区块链的数据溯源管理方法被阐明，其从区块链结构下载产品检测图像和产品检测结果；采用基于深度学习的人工智能技术，进行所述产品检测图像中关于产品的成型质量隐含特征分布信息的充分表达，以此来与产品检测结果数据进行比对，以在溯源过程中进一步判断产品检测过程是否存在偏差，优化产品溯源管理的效率和准确性。
在本申请的一个实施例中，图7为根据本申请实施例的基于区块链的数据溯源管理系统的框图。如图7所示，根据本申请实施例的基于区块链的数据溯源管理系统200，包括：图像获取模块210，用于从区块链结构下载产品检测图像和产品检测结果；图像预处理模块220，用于对所述产品检测图像进行图像预处理以得到预处理后产品检测图像；图像分块处理模块230，用于对所述预处理后产品检测图像进行图像分块处理以得到检测局部图像块的序列；特征提取模块240，用于将所述检测局部图像块的序列中的各个检测局部图像块通过作为过滤器的卷积神经网络模型以得到多个检测局部特征向量；双向注意力模块250，用于将所述多个检测局部特征向量排列为二维特征矩阵后通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵；优化模块260，用于基于多个检测局部特征向量，对所述分类特征矩阵进行希尔伯特空间启发式序列跟踪均衡化以得到优化分类特征矩阵；成型质量结果生成模块270，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待检测产品的成型质量是否符合预定标准；以及，管理结果生成模块280，用于将所述分类结果与所述产品检测结果进行对比，以生成产品溯源管理结果。
这里，本领域技术人员可以理解，上述基于区块链的数据溯源管理系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图6的基于区块链的数据溯源管理方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的基于区块链的数据溯源管理系统200可以实现在各种终端设备中，例如用于基于区块链的数据溯源管理的服务器等。在一个示例中，根据本申请实施例的基于区块链的数据溯源管理系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于区块链的数据溯源管理系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于区块链的数据溯源管理系统200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于区块链的数据溯源管理系统200与该终端设备也可以是分立的设备，并且基于区块链的数据溯源管理系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
本申请还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
应可以理解，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等) 上实施的计算机程序产品的形式。
本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (8)
1.一种基于区块链的数据溯源管理方法，其特征在于，包括：
从区块链结构下载产品检测图像和产品检测结果；
对所述产品检测图像进行图像预处理以得到预处理后产品检测图像；
对所述预处理后产品检测图像进行图像分块处理以得到检测局部图像块的序列；
将所述检测局部图像块的序列中的各个检测局部图像块通过作为过滤器的卷积神经网络模型以得到多个检测局部特征向量；
将所述多个检测局部特征向量排列为二维特征矩阵后通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵；
基于多个检测局部特征向量，对所述分类特征矩阵进行希尔伯特空间启发式序列跟踪均衡化以得到优化分类特征矩阵；
将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待检测产品的成型质量是否符合预定标准；以及
将所述分类结果与所述产品检测结果进行对比，以生成产品溯源管理结果；
其中，将所述多个检测局部特征向量排列为二维特征矩阵后通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵，包括：
将所述二维特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；
对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；
将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；以及
计算所述双向关联权重矩阵和所述二维特征矩阵之间的按位置点乘以得到所述分类特征矩阵。
2.根据权利要求1所述的基于区块链的数据溯源管理方法，其特征在于，将所述检测局部图像块的序列中的各个检测局部图像块通过作为过滤器的卷积神经网络模型以得到多个检测局部特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：
对所述输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述多个检测局部特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述检测局部图像块的序列中的各个检测局部图像块。
3.根据权利要求2所述的基于区块链的数据溯源管理方法，其特征在于，基于多个检测局部特征向量，对所述分类特征矩阵进行希尔伯特空间启发式序列跟踪均衡化以得到优化分类特征矩阵，包括：
对所述多个检测局部特征向量和所述分类特征矩阵的各个行特征向量分别进行级联以得到第一级联特征向量和第二级联特征向量；
基于所述第一级联特征向量，对所述第二级联特征向量进行希尔伯特空间启发式序列跟踪均衡化以得到优化第二级联特征向量；以及
对所述优化第二级联特征向量进行还原以得到所述优化分类特征矩阵。
4.根据权利要求3所述的基于区块链的数据溯源管理方法，其特征在于，基于所述第一级联特征向量，对所述第二级联特征向量进行希尔伯特空间启发式序列跟踪均衡化以得到优化第二级联特征向量，包括：
基于所述第一级联特征向量，以如下优化公式对所述第二级联特征向量进行希尔伯特空间启发式序列跟踪均衡化以得到优化第二级联特征向量；
其中，所述优化公式为： 其中，表示所述第一级联特征向量，表示所述第二级
联特征向量，且特征向量和均为行向量，表示特征向量和的
级联向量的二范数，表示特征向量的所有特征值，表示特征向量的所有特
征值，表示特征向量和的所有特征值构成的并集集合的各个特征值，表示
特征向量和的所有特征值构成的并集集合的元素总数，表示特征向量
和的所有特征值构成的并集集合的均值，表示向量的转置，表示向量的按位置点
乘，表示向量加法，表示所述优化第二级联特征向量。
5.根据权利要求4所述的基于区块链的数据溯源管理方法，其特征在于，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待检测产品的成型质量是否符合预定标准，包括：
将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；
使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
6.一种基于区块链的数据溯源管理系统，其特征在于，包括：
图像获取模块，用于从区块链结构下载产品检测图像和产品检测结果；
图像预处理模块，用于对所述产品检测图像进行图像预处理以得到预处理后产品检测图像；
图像分块处理模块，用于对所述预处理后产品检测图像进行图像分块处理以得到检测局部图像块的序列；
特征提取模块，用于将所述检测局部图像块的序列中的各个检测局部图像块通过作为过滤器的卷积神经网络模型以得到多个检测局部特征向量；
双向注意力模块，用于将所述多个检测局部特征向量排列为二维特征矩阵后通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵；
优化模块，用于基于多个检测局部特征向量，对所述分类特征矩阵进行希尔伯特空间启发式序列跟踪均衡化以得到优化分类特征矩阵；
成型质量结果生成模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待检测产品的成型质量是否符合预定标准；以及
管理结果生成模块，用于将所述分类结果与所述产品检测结果进行对比，以生成产品溯源管理结果；
其中，所述双向注意力模块，包括：
池化单元，用于将所述二维特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；
关联编码单元，用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；
激活单元，用于将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；以及
特征矩阵计算单元，用于计算所述双向关联权重矩阵和所述二维特征矩阵之间的按位置点乘以得到所述分类特征矩阵。
7.根据权利要求6所述的基于区块链的数据溯源管理系统，其特征在于，所述特征提取模块，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：
对所述输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述多个检测局部特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述检测局部图像块的序列中的各个检测局部图像块。
8.根据权利要求7所述的基于区块链的数据溯源管理系统，其特征在于，所述优化模块，包括：
级联单元，用于对所述多个检测局部特征向量和所述分类特征矩阵的各个行特征向量分别进行级联以得到第一级联特征向量和第二级联特征向量；
均衡化单元，用于基于所述第一级联特征向量，对所述第二级联特征向量进行希尔伯特空间启发式序列跟踪均衡化以得到优化第二级联特征向量；以及
还原单元，用于对所述优化第二级联特征向量进行还原以得到所述优化分类特征矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311060021.8A CN116797248B (zh) | 2023-08-22 | 2023-08-22 | 基于区块链的数据溯源管理方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311060021.8A CN116797248B (zh) | 2023-08-22 | 2023-08-22 | 基于区块链的数据溯源管理方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116797248A CN116797248A (zh) | 2023-09-22 |
| CN116797248B true CN116797248B (zh) | 2024-01-30 |
Family
ID=88039924
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311060021.8A Active CN116797248B (zh) | 2023-08-22 | 2023-08-22 | 基于区块链的数据溯源管理方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116797248B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117210403B (zh) * | 2023-08-23 | 2024-05-28 | 翔鹏(北京)生物科技有限公司 | 一种用于抗衰老的干细胞和免疫细胞组合物的制备方法及应用 |
| CN117314163B (zh) * | 2023-09-27 | 2024-04-12 | 吉贝克信息技术（北京）有限公司 | 基于大数据的社保数据处理方法及系统 |
| CN117808393B (zh) * | 2023-12-22 | 2024-10-25 | 上海源庐加佳信息科技有限公司 | 使用三维数据的大宗商品仓储溯源系统及其方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110188787A (zh) * | 2019-04-11 | 2019-08-30 | 淮阴工学院 | 一种基于区块链互证和卷积神经网络的凭证式记账方法 |
| CN112132686A (zh) * | 2020-11-19 | 2020-12-25 | 国网区块链科技(北京)有限公司 | 一种基于区块链的储能电站的电费结算方法及系统 |
| CN112883994A (zh) * | 2020-12-28 | 2021-06-01 | 重庆邮电大学 | 一种均衡分布适配的旋转机械变工况故障诊断方法 |
| CN113409278A (zh) * | 2021-06-22 | 2021-09-17 | 平安健康保险股份有限公司 | 图像质量检测方法、装置、设备及介质 |
| CN113516631A (zh) * | 2021-05-17 | 2021-10-19 | 济南迈拓网络科技有限公司 | 基于区块链技术的材料质量数据溯源管理方法 |
| CN114841714A (zh) * | 2022-04-23 | 2022-08-02 | 广州中南网络技术有限公司 | 一种基于区块链的产品溯源系统 |
| CN115965217A (zh) * | 2023-01-10 | 2023-04-14 | 吉安吉之模型有限公司 | 用于塑料模型的智能化生产监控方法及其系统 |
| CN115983874A (zh) * | 2023-02-17 | 2023-04-18 | 江苏秀圆果信息科技有限公司 | 酒类防伪溯源方法及其系统 |
-
2023
- 2023-08-22 CN CN202311060021.8A patent/CN116797248B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110188787A (zh) * | 2019-04-11 | 2019-08-30 | 淮阴工学院 | 一种基于区块链互证和卷积神经网络的凭证式记账方法 |
| CN112132686A (zh) * | 2020-11-19 | 2020-12-25 | 国网区块链科技(北京)有限公司 | 一种基于区块链的储能电站的电费结算方法及系统 |
| CN112883994A (zh) * | 2020-12-28 | 2021-06-01 | 重庆邮电大学 | 一种均衡分布适配的旋转机械变工况故障诊断方法 |
| CN113516631A (zh) * | 2021-05-17 | 2021-10-19 | 济南迈拓网络科技有限公司 | 基于区块链技术的材料质量数据溯源管理方法 |
| CN113409278A (zh) * | 2021-06-22 | 2021-09-17 | 平安健康保险股份有限公司 | 图像质量检测方法、装置、设备及介质 |
| CN114841714A (zh) * | 2022-04-23 | 2022-08-02 | 广州中南网络技术有限公司 | 一种基于区块链的产品溯源系统 |
| CN115965217A (zh) * | 2023-01-10 | 2023-04-14 | 吉安吉之模型有限公司 | 用于塑料模型的智能化生产监控方法及其系统 |
| CN115983874A (zh) * | 2023-02-17 | 2023-04-18 | 江苏秀圆果信息科技有限公司 | 酒类防伪溯源方法及其系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于异质图神经网络的多文档机器阅读理解方法研究;高峰;《中国优秀硕士论文全文数据库》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116797248A (zh) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116797248B (zh) | 基于区块链的数据溯源管理方法及其系统 | |
| CN112016543B (zh) | 一种文本识别网络、神经网络训练的方法以及相关设备 | |
| Qian et al. | Deep learning for steganalysis via convolutional neural networks | |
| CN111275107A (zh) | 一种基于迁移学习的多标签场景图像分类方法及装置 | |
| CN111461174B (zh) | 多层次注意力机制的多模态标签推荐模型构建方法及装置 | |
| Gupta et al. | ALMNet: Adjacent layer driven multiscale features for salient object detection | |
| CN110175248B (zh) | 一种基于深度学习和哈希编码的人脸图像检索方法和装置 | |
| Sreekala et al. | Capsule Network‐Based Deep Transfer Learning Model for Face Recognition | |
| CN112597984B (zh) | 图像数据处理方法、装置、计算机设备和存储介质 | |
| CN115050064A (zh) | 人脸活体检测方法、装置、设备及介质 | |
| CN112308081A (zh) | 一种基于注意力机制的图像目标预测方法 | |
| CN116245513A (zh) | 基于规则库的自动化运维系统及其方法 | |
| CN111291695B (zh) | 人员违章行为识别模型训练方法、识别方法及计算机设备 | |
| CN113283414A (zh) | 行人属性识别方法、相关设备及计算机可读存储介质 | |
| CN116311005A (zh) | 一种用于运动图像处理装置、方法及存储介质 | |
| Yin et al. | Novel view synthesis on unpaired data by conditional deformable variational auto-encoder | |
| Zaman et al. | A novel driver emotion recognition system based on deep ensemble classification | |
| Yang et al. | Cn: Channel normalization for point cloud recognition | |
| Yuan et al. | CTIF-Net: A CNN-transformer iterative fusion network for salient object detection | |
| Gan et al. | Learning-aware feature denoising discriminator | |
| CN114998583A (zh) | 图像处理方法、图像处理装置、设备及存储介质 | |
| CN113537416A (zh) | 基于生成式对抗网络的文本转换图像的方法及相关设备 | |
| CN114677611A (zh) | 数据识别方法、存储介质及设备 | |
| CN116563795A (zh) | 一种玩偶的生产管理方法及其系统 | |
| CN116595537A (zh) | 一种基于多模态特征的生成式智能合约的漏洞检测方法 |
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 |