CN116911883A - 基于ai鉴真技术和溯源量化的农产防伪溯源方法及云平台 - Google Patents
基于ai鉴真技术和溯源量化的农产防伪溯源方法及云平台 Download PDFInfo
- Publication number
- CN116911883A CN116911883A CN202311186437.4A CN202311186437A CN116911883A CN 116911883 A CN116911883 A CN 116911883A CN 202311186437 A CN202311186437 A CN 202311186437A CN 116911883 A CN116911883 A CN 116911883A
- Authority
- CN
- China
- Prior art keywords
- tracing
- agricultural product
- product
- authenticated
- authentication
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000005516 engineering process Methods 0.000 title claims abstract description 41
- 238000011002 quantification Methods 0.000 title claims abstract description 16
- 238000013139 quantization Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 23
- 238000003062 neural network model Methods 0.000 claims description 21
- 238000004806 packaging method and process Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 241000238557 Decapoda Species 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 2
- 238000003287 bathing Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 210000000078 claw Anatomy 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q30/0185—Product, service or business identity fraud
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/95—Pattern authentication; Markers therefor; Forgery detection
-
- 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)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及农产品溯源技术领域,本发明公开了基于AI鉴真技术和溯源量化的农产防伪溯源方法及云平台,包括获取N幅待鉴真农产品的图像,通过第二AR识别模型对待鉴真农产品的图像进行识别,以获取第一鉴真数据;基于防伪溯源卡获取标准溯源标识图,以及提取防伪溯源卡内第三防伪区域的产品溯源标识图,基于标准溯源标识图和产品溯源标识图进行解析,以获取第二鉴真数据;基于第一鉴真数据和第二鉴真数据进行分析,以确定待鉴真农产品的鉴真结果;提取防伪溯源卡的第二溯源区域,基于待鉴真农产品的鉴真结果和第二溯源区域对待鉴真农产品进行溯源,以溯源待鉴真农产品的量化数据或溯源待鉴真农产品的造假供应链环节。
Description
技术领域
本发明涉及农产品溯源技术领域,更具体地说,本发明涉及基于AI鉴真技术和溯源量化的农产防伪溯源方法及云平台。
背景技术
随着人们生活水平的不断提高以及全球农产品贸易的不断增长,多样化农产品的需求也在增加,为满足消费者多样化的消费需求,各国或各地区之间进行农产品贸易也越加频繁;然而消费者作为被提供方,受制于信息限制以及消费者对外来农产品的知识经验较少,使得不良商家“以次充好、以假当真”的事件层出不穷,例如“泡澡鱼”和“洗澡蟹”等农产品造假事件,严重侵害了消费者的合法权益;对于此类假冒伪劣事件,现大多采用二维码、条形码等扫描防伪手段进行应对;然而,防伪码不具备唯一性和独占性,且容易复制,难以真正起到防伪作用,此外,由于农产品存在生产、加工、运输和销售等多个过程,因此,即使防伪码为真,一旦某个供应链环节出现“新瓶装旧酒”的掉包方式,也无法确保产品质量的可靠性和真伪性;因此,如何对农产品进行鉴真和溯源就成为了当下研究重点;
目前,缺乏对农产品自身和渠道进行鉴真的防伪溯源方法,现有防伪溯源方法大多针对产品包装进行设计实现,例如授权公告号为CN109034837B的中国专利公开了一种多码溯源防伪的方法及系统,再例如申请公开号为CN111553717A的中国专利公开了物件的防伪溯源方法,上述方法虽能进行产品防伪溯源,但经发明人对上述方法以及现有技术进行研究和实际应用发现,上述方法以及现有技术至少存在以下部分缺陷:
(1)缺乏对农产品自身鉴真的有效手段,无法辅助消费者对农产品自身的真实性进行可靠鉴别;且无法在保证农产品自身真实性的同时,保证其的合法合规性和渠道来源的安全性;
(2)无法追踪农产品的生产、加工、运输和销售过程,确保产品质量的可靠性和可信度;且存在信息孤岛,无法形成农产品产业链上下游全面的信息追溯,难以了解到农产品的全生命周期信息,进而无法使整个供应链做到完全透明。
发明内容
为了克服现有技术的上述缺陷,本发明的实施例提供基于AI鉴真技术和溯源量化的农产防伪溯源方法及云平台。
为实现上述目的,本发明提供如下技术方案:
基于AI鉴真技术和溯源量化的农产防伪溯源方法,所述方法基于农产防伪溯源云平台实现,所述方法包括:
获取N幅待鉴真农产品的图像,通过农产防伪溯源云平台中的第二AR识别模型对待鉴真农产品的图像进行识别,以获取第一鉴真数据,N为大于零的正整数集;
基于防伪溯源卡获取标准溯源标识图,以及提取防伪溯源卡内第三防伪区域的产品溯源标识图,基于标准溯源标识图和产品溯源标识图进行解析,以获取第二鉴真数据;
基于第一鉴真数据和第二鉴真数据进行分析,以确定待鉴真农产品的鉴真结果;所述鉴真结果包括非正品和正品,所述非正品包括非正品且非正规渠道和正品非正规渠道;
提取防伪溯源卡的第二溯源区域,基于待鉴真农产品的鉴真结果和第二溯源区域对待鉴真农产品进行溯源,以溯源待鉴真农产品的量化数据或溯源待鉴真农产品的造假供应链环节。
进一步地,所述农产防伪溯源云平台包括AR识别模块、信息自动化上传模块、溯源量化模块和区块链存储模块;其中:
AR识别模块,用于通过第一AR识别模型对待鉴真农产品的包装图像进行识别,确定待鉴真农产品类型;以及通过第二AR识别模型对待鉴真农产品的图像进行识别,获取第一鉴真数据;
信息自动化上传模块,用于通过设置于每个提供方的监控设备采集处于不同供应链环节的农产品图像,并将每个供应链环节的农产品图像作为认证图像;
溯源量化模块,用于通过设置于每个提供方的传感器和智能终端获取同供应链环节的农产品量化信息;
区块链存储模块,用于基于区块链技术存储农产品相关信息,所述农产品相关信息包括但不限于不同供应链环节的农产品图像、农产品量化信息、农产品类型、图像条件数据和每个农产品编号。
进一步地,在对待鉴真农产品的图像进行识别之前,包括:
获取待鉴真农产品的包装图像;
调取第一AR识别模型对待鉴真农产品的包装图像进行识别,以确定待鉴真农产品类型。
进一步地,第一AR识别模型的生成过程为:获取大量农产品包装图像,对大量农产品包装图像进行人为标记,将标记后的大量农产品包装图像作为种类样本集,将种类样本集划分为种类训练集和种类测试集,构建神经网络模型,将种类训练集中的包装图像作为输入,将种类训练集中的产品标注名称作为输出,对神经网络模型进行训练,得到训练后的神经网络模型,利用种类测试集对训练后的神经网络模型进行种类准确度测试,输出满足预设种类准确度的训练后的神经网络模型作为第一AR识别模型。
进一步地,N幅待鉴真农产品的图像的获取逻辑为:获取待鉴真农产品类型,按照待鉴真农产品类型与图像条件数据的预设关系,确定待鉴真农产品类型对应的图像条件数据,所述图像条件数据包括图像采集区域和图像采集幅数。
进一步地,识别待鉴真农产品的第一鉴真数据,包括:
基于图像条件数据对每幅待鉴真农产品的图像进行分割,以获取K幅分割图像,K为大于零的正整数集;
基于待鉴真农产品类型与第二AR识别模型的预设关系,确定与待鉴真农产品类型对应的第二AR识别模型;
将K幅分割图像进行特征融合,将融合特征输入对应的第二AR识别模型进行识别,以获取待鉴真农产品的第一鉴真数据,所述第一鉴真数据包括“真”字样和“假”字样。
进一步地,每个所述第二AR识别模型的生成逻辑为:
a.获取预存的G个产品图像集,所述每个产品图像集中包括S个产品图像,G、S为大于零的正整数集;
b.按照图像条件数据对产品图像进行分割,以提取特征区域,得到K幅分割图像;
c.重复循环步骤b,直至每个产品图像集中的每个产品图像被分割完,将分割后每个产品图像集中的每个产品图像进行融合,并进行标注,得到分割处理后的产品图像集;
d.对分割处理后的产品图像集中的产品图像进行“真”或“假”字样标注,得到鉴真样本集,将鉴真样本集划分为鉴真训练集和鉴真测试集,构建神经网络模型,将鉴真训练集中的产品图像作为输入数据,将鉴真训练集中的标注作为输出数据,对神经网络模型进行训练,得到初始识别模型,利用鉴真测试集对初始识别模型进行测试,输出满足预设产品识别准确度的初始识别模型作为第二AR识别模型。
进一步地,获取标准溯源标识图的逻辑为:扫描防伪溯源卡中的第一编号区域,获取待鉴真农产品的农产品编号;基于农产品编号与对应标准溯源标识图的预设关系,确定农产品编号对应的标准溯源标识图;
所述产品溯源标识图和标准溯源标识图均包括H个标识区域,每个标识区域均仅包括一个提供方的防伪数据,所述防伪数据具体为防伪二维码,H个所述标识区域包括W种排列方式,W为大于零的正整数。
进一步地,基于标准溯源标识图和产品溯源标识图进行解析,包括:
将标准溯源标识图与产品溯源标识图中相同区域的像素点进行逐一像素差值计算,以获取区域像素区别系数,其计算公式为:;式中:表示区域像素区别系数,/>表示产品溯源标识图中第/>个标识区域的第/>个像素点的像素值,/>表示标准溯源标识图中第/>个标识区域的第/>个像素点的像素值,/>表示像素点总数,/>表示标识区域总数;
将区域像素区别系数与预设像素区别系数阈值进行比较,若区域像素区别系数小于预设像素区别系数阈值,则判定标准溯源标识图和产品溯源标识图一致,并生成字样为“真”的第二鉴真数据;若区域像素区别系数大于等于预设像素区别系数阈值,则判定标准溯源标识图和产品溯源标识图不一致,并生成字样为“假”的第二鉴真数据。
进一步地,基于第一鉴真数据和第二鉴真数据进行分析,包括:
提取第一鉴真数据和第二鉴真数据中的显示字样;
若第一鉴真数据显示为“假”字样,且第二鉴真数据显示为“假”字样,则判定待鉴真农产品为非正品;
若第一鉴真数据显示为“假”字样,且第二鉴真数据显示为“真”字样,则判断待鉴真农产品为非正品;
若第一鉴真数据显示为“真”字样,且第二鉴真数据显示为“假”字样,则判断待鉴真农产品为非正品;
若第一鉴真数据显示为“真”字样,且第二鉴真数据显示为“真”字样,则判断待鉴真农产品为正品。
进一步地,基于待鉴真农产品的鉴真结果和第二溯源区域对待鉴真农产品进行溯源,包括:
扫描解析第三防伪区域,以获取第三防伪区域中的溯源链接;
基于溯源链接跳转至溯源界面,所述溯源界面包括每个提供方采集的认证图像;每个提供方采集的认证图像至少为一幅,每个提供方采集的认证图像与农产品编号相绑定;
将N幅待鉴真农产品的图像与每个提供方采集的认证图像进行相似度计算,得到每个供应链环节的认证相似度;
将每个供应链环节的认证相似度与预设认证相似度阈值进行比较;
若认证相似度小于预设认证相似度阈值,则判定对应供应链环节为造假供应链环节。
进一步地,基于待鉴真农产品的鉴真结果和第二溯源区域对待鉴真农产品进行溯源,还包括:
获取防伪溯源卡内第二溯源区域的溯源码,以及获取第二溯源区域内的溯源图像;
对溯源码进行扫描获取拼接规则;
基于所述拼接规则对溯源图像和产品溯源标识图进行拼接,得到拼接溯源图;
对拼接溯源图进行扫描,获取待鉴真农产品的量化数据。
一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述基于AI鉴真技术和溯源量化的农产防伪溯源方法。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述基于AI鉴真技术和溯源量化的农产防伪溯源方法。
相比于现有技术,本发明的有益效果在于:
1.本申请公开了基于AI鉴真技术和溯源量化的农产防伪溯源方法及云平台,首先获取N幅待鉴真农产品的图像,通过第二AR识别模型对待鉴真农产品的图像进行识别,以获取第一鉴真数据;然后基于防伪溯源卡获取标准溯源标识图,以及提取防伪溯源卡内第三防伪区域的产品溯源标识图,基于标准溯源标识图和产品溯源标识图进行解析,以获取第二鉴真数据;基于第一鉴真数据和第二鉴真数据进行分析,以确定待鉴真农产品的鉴真结果;提取防伪溯源卡的第二溯源区域,基于待鉴真农产品的鉴真结果和第二溯源区域对待鉴真农产品进行溯源,以溯源待鉴真农产品的量化数据或溯源待鉴真农产品的造假供应链环节;基于上述步骤本发明能够辅助消费者对农产品自身的真实性进行可靠鉴别;且有利于在保证农产品自身真实性的同时,保证其的合法合规性和渠道来源的安全性。
2.本申请公开了基于AI鉴真技术和溯源量化的农产防伪溯源方法及云平台,通过基于供应链环节的认证图像进行分析,以及基于溯源码和防伪码的结合,本发明能够追踪农产品的生产、加工、运输和销售过程,确保产品质量的可靠性和可信度;且通过云平台融合各方信息,解决了信息孤岛问题,能够形成农产品产业链上下游全面的信息追溯,有利于辅助消费者了解到农产品的全生命周期信息。
附图说明
图1为本发明实施例1提供的基于AI鉴真技术和溯源量化的农产防伪溯源方法的示意图;
图2为本发明实施例1提供的一种农产防伪溯源云平台的示意图;
图3为本发明实施例2提供的一种电子设备的结构示意图。
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
请参阅图1和2所示,本实施例公开提供了基于AI鉴真技术和溯源量化的农产防伪溯源方法,所述方法基于农产防伪溯源云平台实现,所述方法包括:
S110:获取N幅待鉴真农产品的图像,通过农产防伪溯源云平台中的第二AR识别模型对待鉴真农产品的图像进行识别,以获取第一鉴真数据,N为大于零的正整数集;
需要事先说明的是:所述农产防伪溯源云平台包括AR识别模块210、信息自动化上传模块220、溯源量化模块230和区块链存储模块240;其中:
AR识别模块210,用于通过第一AR识别模型对待鉴真农产品的包装图像进行识别,确定待鉴真农产品类型;以及通过第二AR识别模型对待鉴真农产品的图像进行识别,获取第一鉴真数据;
信息自动化上传模块220,用于通过设置于每个提供方的监控设备采集处于不同供应链环节的农产品图像,并将每个供应链环节的农产品图像作为认证图像;
需要说明的是:所述提供方,即供应方,包括但不限于农产品种植户、农产品加工方、农产品运输方和农产品销售方等等;所述农产防伪溯源云平台依托于云服务器,所述云服务器与每个提供方的监控设备通过无线方式远程通信连接;
溯源量化模块230,用于通过设置于每个提供方的传感器和智能终端获取同供应链环节的农产品量化信息;所述农产品量化信息包括但不限于产品产地、产品种植量化数据(包括但不限于土壤温湿度、空气温湿度等等)、产品运输量化参数(包括但不限于运输时长等等)、产品加工量化参数(包括但不限于加工方式等等)和产品销售量化数据(包括但不限于销售环境温湿度等等)等等;
还需要说明的是:所述传感器包括但不限于温度传感器、湿度传感器、光照传感器和降雨量传感器等等,所述智能终端包括但不限于智能手机、电脑和手持PDA等等;所述传感器和智能终端通过无线方式与云服务器远程通信连接;
区块链存储模块240,用于基于区块链技术存储农产品相关信息,所述农产品相关信息包括但不限于不同供应链环节的农产品图像、农产品量化信息、农产品类型、图像条件数据和每个农产品编号等等;
具体的,在对待鉴真农产品的图像进行识别之前,包括:
获取待鉴真农产品的包装图像;
调取第一AR识别模型对待鉴真农产品的包装图像进行识别,以确定待鉴真农产品类型;
需要说明的是:第一AR识别模型为农产品通用识别模型,用于识别待鉴真农产品具体种类;
具体的,第一AR识别模型的生成过程为:获取大量农产品包装图像,对大量农产品包装图像进行人为标记,将标记后的大量农产品包装图像作为种类样本集,将种类样本集划分为种类训练集和种类测试集,构建神经网络模型,将种类训练集中的包装图像作为输入,将种类训练集中的产品标注名称作为输出,对神经网络模型进行训练,得到训练后的神经网络模型,利用种类测试集对训练后的神经网络模型进行种类准确度测试,输出满足预设种类准确度的训练后的神经网络模型作为第一AR识别模型;
应当了解的是:不同农产品的种类不一,若直接通过采集农产品的图像进行鉴真,则对鉴真模型的要求较高,且容易降低鉴真模型对农产品的鉴真速度;并且在不确定农产品具体种类的前提下,则无法确定待鉴真农产品的图像的所需数量,进而无法获取对应待鉴真农产品的确定特征,进而难以提高后续待鉴真模型的识别精度;
具体的,N幅待鉴真农产品的图像的获取逻辑为:获取待鉴真农产品类型,按照待鉴真农产品类型与图像条件数据的预设关系,确定待鉴真农产品类型对应的图像条件数据,所述图像条件数据包括图像采集区域和图像采集幅数;
需要说明的是:在实施中,农产防伪溯源云平台预存有所有农产品类型,以及每个农产品类型对应的图像条件数据,每个农产品类型与对应的图像条件数据一一绑定,所述图像条件数据为人为经过实验分析后具体确定;
针对上述实施方式举例说明就是:假设待鉴真农产品类型为蟹类,而蟹类的区别特征主要为背部、爪部和腹部,因此,对于蟹类产品而言,需要获取它的背部图像(即螃蟹正面)和腹部图像(即螃蟹反面),所以需要获取至少两幅待鉴真农产品的图像,因此,此时N=2;同理,对于其他农产品的图像获取逻辑也是如此,在此不再过多赘述;
具体的,识别待鉴真农产品的第一鉴真数据,包括:
基于图像条件数据对每幅待鉴真农产品的图像进行分割,以获取K幅分割图像,K为大于零的正整数集;
基于待鉴真农产品类型与第二AR识别模型的预设关系,确定与待鉴真农产品类型对应的第二AR识别模型;
将K幅分割图像进行特征融合,将融合特征输入对应的第二AR识别模型进行识别,以获取待鉴真农产品的第一鉴真数据,所述第一鉴真数据包括“真”字样和“假”字样;
需要说明的是:融合特征通过将K幅分割图像进行融合得到,具体的说就是,利用卷积神经网络提取每幅分割图像的特征向量,得到若干个特征向量,针对若干个特征向量特征加权融合,对融合特征向量特征进行标注,得到融合特征;进一步需要说明的是:所述每个特征向量的权重可以人为经验设定,也可通过交叉验证实现,即进行不同的权重组合,通过交叉验证选择表现最好的权重;
还需要说明的是:第二AR识别模型为鉴真模型存在若干个,其用于识别待鉴真农产品的真伪,即“真”字样和“假”字样;
具体的,每个所述第二AR识别模型的生成逻辑为:
a.获取预存的G个产品图像集,所述每个产品图像集中包括S个产品图像,G、S为大于零的正整数集;
b.按照图像条件数据对产品图像进行分割,以提取特征区域,得到K幅分割图像;
c.重复循环步骤b,直至每个产品图像集中的每个产品图像被分割完,将分割后每个产品图像集中的每个产品图像进行融合,并进行标注,得到分割处理后的产品图像集;
需要说明的是:每个产品图像集中的每个产品图像通过卷积神经网络进行特征向量提取后,再利用特征加权方式进行融合,且需要注意的是:融合对象需为同一个产品图像集;
d.对分割处理后的产品图像集中的产品图像进行“真”或“假”字样标注,得到鉴真样本集,将鉴真样本集划分为鉴真训练集和鉴真测试集,构建神经网络模型,将鉴真训练集中的产品图像作为输入数据,将鉴真训练集中的标注作为输出数据,对神经网络模型进行训练,得到初始识别模型,利用鉴真测试集对初始识别模型进行测试,输出满足预设产品识别准确度的初始识别模型作为第二AR识别模型;
S120:基于防伪溯源卡获取标准溯源标识图,以及提取防伪溯源卡内第三防伪区域的产品溯源标识图,基于标准溯源标识图和产品溯源标识图进行解析,以获取第二鉴真数据;
需要说明的是:在生产加工供应链环节打包时,需在待鉴真农产品的包装内放入防伪溯源卡,所述防伪溯源卡包括第一编号区域、第二溯源区域和第三防伪区域;
具体的,获取标准溯源标识图的逻辑为:扫描防伪溯源卡中的第一编号区域,获取待鉴真农产品的农产品编号;基于农产品编号与对应标准溯源标识图的预设关系,确定农产品编号对应的标准溯源标识图;
需要明白的是:在生产加工供应链环节打包时,会在防伪溯源卡的第一编号区域喷涂上农产品编号,每个农产品编号具有唯一性,且每个农产品编号预设关联有唯一的标准溯源标识图;应当了解的是:任何一种通过扫描获取编号的方式都可作为本发明获取待鉴真农产品的农产品编号的方式,例如通过条形码、QR码等方式;
还需要明白的是:所述产品溯源标识图和标准溯源标识图均包括H个标识区域,每个标识区域均仅包括一个提供方的防伪数据,所述防伪数据具体为防伪二维码,H个所述标识区域包括W种排列方式,W为大于零的正整数,标识区域的数量具体根据所接入的提供方数量确定,W为大于零的正整数集;此外,所述产品溯源标识图中还隐写有溯源链接,所述溯源链接采用LSB隐写算法、DCT隐写算法或Fourier隐写算法中的一种算法将其自身隐写入防伪数据中;
具体的,基于标准溯源标识图和产品溯源标识图进行解析,包括:
将标准溯源标识图与产品溯源标识图中相同区域的像素点进行逐一像素差值计算,以获取区域像素区别系数,其计算公式为:;式中:表示区域像素区别系数,/>表示产品溯源标识图中第/>个标识区域的第/>个像素点的像素值,/>表示标准溯源标识图中第/>个标识区域的第/>个像素点的像素值,/>表示像素点总数,/>表示标识区域总数;
将区域像素区别系数与预设像素区别系数阈值进行比较,若区域像素区别系数小于预设像素区别系数阈值,则判定标准溯源标识图和产品溯源标识图一致,并生成字样为“真”的第二鉴真数据;若区域像素区别系数大于等于预设像素区别系数阈值,则判定标准溯源标识图和产品溯源标识图不一致,并生成字样为“假”的第二鉴真数据;
S130:基于第一鉴真数据和第二鉴真数据进行分析,以确定待鉴真农产品的鉴真结果;所述鉴真结果包括非正品和正品,所述非正品包括非正品且非正规渠道和正品非正规渠道;
具体的,基于第一鉴真数据和第二鉴真数据进行分析,包括:
提取第一鉴真数据和第二鉴真数据中的显示字样;
若第一鉴真数据显示为“假”字样,且第二鉴真数据显示为“假”字样,则判定待鉴真农产品为非正品;
若第一鉴真数据显示为“假”字样,且第二鉴真数据显示为“真”字样,则判断待鉴真农产品为非正品;
若第一鉴真数据显示为“真”字样,且第二鉴真数据显示为“假”字样,则判断待鉴真农产品为非正品;
若第一鉴真数据显示为“真”字样,且第二鉴真数据显示为“真”字样,则判断待鉴真农产品为正品;
应当明白的是:第一鉴真数据显示为“假”字样,且第二鉴真数据显示为“假”字样;以及第一鉴真数据显示为“假”字样,且第二鉴真数据显示为“真”字样;即第一种情况和第二种情况,其均反映待鉴真农产品为非正品非正规渠道;其中,第三种情况,即第一鉴真数据显示为“真”,且第二鉴真数据显示为“假”,则说明其为正品非正规渠道,即说明其来源渠道非官方授权,虽然产品为正品,但不能保证其的安全性,因此,即也认定其为非正品;通过上述手段,本实施例有利于辅助消费者对农产品自身的真实性进行可靠鉴别;此外,本发明还能鉴别农产品的合法合规性和渠道来源的正规性,从而有利于在保证农产品自身真实性的同时,保证农产品的合法合规性和渠道来源的安全性;
S140:提取防伪溯源卡的第二溯源区域,基于待鉴真农产品的鉴真结果和第二溯源区域对待鉴真农产品进行溯源,以溯源待鉴真农产品的量化数据或溯源待鉴真农产品的造假供应链环节;
在一个实施例中,基于待鉴真农产品的鉴真结果和第二溯源区域对待鉴真农产品进行溯源,包括:
扫描解析第三防伪区域,以获取第三防伪区域中的溯源链接;
基于溯源链接跳转至溯源界面,所述溯源界面包括每个提供方采集的认证图像;每个提供方采集的认证图像至少为一幅,每个提供方采集的认证图像与农产品编号相绑定;
需要说明的是:溯源链接通过对应的隐写算法解析得到,认证图像具体为待鉴真农产品在每个供应链环节时采集到的图像;
将N幅待鉴真农产品的图像与每个提供方采集的认证图像进行相似度计算,得到每个供应链环节的认证相似度;
需要说明的是:N幅待鉴真农产品的图像与每个提供方采集的认证图像进行相似度计算时,所采用的相似度算法具体为余弦相似度算法、欧氏距离算法或汉明距离算法中的一种;
将每个供应链环节的认证相似度与预设认证相似度阈值进行比较;
若认证相似度小于预设认证相似度阈值,则判定对应供应链环节为造假供应链环节;
需要说明的是:若认证相似度大于等于预设认证相似度阈值,则判定系统故障;进一步解释就是:当待鉴真农产品的鉴真结果为非正品时,才会启用该实施方式,而当启动该实施方式时,则说明待鉴真农产品为非正品;
还需要说明的是:本实施步骤用于当鉴别待鉴真农产品为非正品时,用于溯源待鉴真农产品造假供应链环节,从而有利于进行责任认定和追责,进而能够追踪农产品的生产、加工、运输和销售过程,确保产品质量的可靠性和可信度;
在另一个实施例中,基于待鉴真农产品的鉴真结果和第二溯源区域对待鉴真农产品进行溯源,还包括:
获取防伪溯源卡内第二溯源区域的溯源码,以及获取第二溯源区域内的溯源图像;
对溯源码进行扫描获取拼接规则;
需要说明的是:所述拼接规则人为设定,所述拼接规则反映了拼接主体与拼接客体的连接,即反馈了溯源图像和产品溯源标识图的拼接方式,所述拼接规则包括但不限于拼接主体与拼接客体堆叠拼接、拼接客体位于拼接主体上方进行拼接、拼接客体位于拼接主体下方进行拼接等等;
基于所述拼接规则对溯源图像和产品溯源标识图进行拼接,得到拼接溯源图;
对拼接溯源图进行扫描,获取待鉴真农产品的量化数据;
需要说明的是:所述溯源图像为溯源二维码,通过将溯源图像和防伪二维码(即包含若个溯源码的产品溯源标识图)进行拼接,即得到完整的溯源二维码(拼接溯源图),对完整的溯源二维码进行扫描,即可获得待鉴真农产品的量化数据;
应当了解的是:通过拼接溯源图(即完整的溯源二维码)获取待鉴真农产品的量化数据,即可反映第二鉴真数据,因此,在一个实施例中,若第一鉴真数据显示为“真”,且获取到待鉴真农产品的量化数据,则反映待鉴真农产品为正品;
需要说明的是:与上述实施方式相反,当待鉴真农产品的鉴真结果为正品时,才会启用该实施方式,而当启动该实施方式时,则说明待鉴真农产品为正品,基于每个提供方的防伪数据的所处标识区域,本发明能够获取对应提供方量化数据,通过将量化数据展示给消费者,有利于将整个供应链做到完全透明化,并且帮助消费者准确了解到农产品的全生命周期信息。
实施例2
请参阅图3所示,本实施例公开提供了一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述各方法所提供的任一项所述基于AI鉴真技术和溯源量化的农产防伪溯源方法。
由于本实施例所介绍的电子设备为实施本申请实施例中基于AI鉴真技术和溯源量化的农产防伪溯源方法所采用的电子设备,故而基于本申请实施例中所介绍的基于AI鉴真技术和溯源量化的农产防伪溯源方法,本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式,所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中基于AI鉴真技术和溯源量化的农产防伪溯源方法所采用的电子设备,都属于本申请所欲保护的范围。
实施例3
本实施例公开提供了一种计算机可读存储介质,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述各方法所提供的任一项所述基于AI鉴真技术和溯源量化的农产防伪溯源方法。
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、权重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发明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网络或无线网络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意识到,结合本发明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发明的范围。
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。
在本发明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,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,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单元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。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明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 (14)
1.基于AI鉴真技术和溯源量化的农产防伪溯源方法,其特征在于,所述方法基于农产防伪溯源云平台实现,所述方法包括:
获取N幅待鉴真农产品的图像,通过农产防伪溯源云平台中的第二AR识别模型对待鉴真农产品的图像进行识别,以获取第一鉴真数据,N为大于零的正整数集;
基于防伪溯源卡获取标准溯源标识图,以及提取防伪溯源卡内第三防伪区域的产品溯源标识图,基于标准溯源标识图和产品溯源标识图进行解析,以获取第二鉴真数据;
基于第一鉴真数据和第二鉴真数据进行分析,以确定待鉴真农产品的鉴真结果;所述鉴真结果包括非正品和正品,所述非正品包括非正品且非正规渠道和正品非正规渠道;
提取防伪溯源卡的第二溯源区域,基于待鉴真农产品的鉴真结果和第二溯源区域对待鉴真农产品进行溯源,以溯源待鉴真农产品的量化数据或溯源待鉴真农产品的造假供应链环节。
2.根据权利要求1所述的基于AI鉴真技术和溯源量化的农产防伪溯源方法,其特征在于,所述农产防伪溯源云平台包括AR识别模块、信息自动化上传模块、溯源量化模块和区块链存储模块;其中:
AR识别模块,用于通过第一AR识别模型对待鉴真农产品的包装图像进行识别,确定待鉴真农产品类型;以及通过第二AR识别模型对待鉴真农产品的图像进行识别,获取第一鉴真数据;
信息自动化上传模块,用于通过设置于每个提供方的监控设备采集处于不同供应链环节的农产品图像,并将每个供应链环节的农产品图像作为认证图像;
溯源量化模块,用于通过设置于每个提供方的传感器和智能终端获取同供应链环节的农产品量化信息;
区块链存储模块,用于基于区块链技术存储农产品相关信息,所述农产品相关信息包括但不限于不同供应链环节的农产品图像、农产品量化信息、农产品类型、图像条件数据和每个农产品编号。
3.根据权利要求2所述的基于AI鉴真技术和溯源量化的农产防伪溯源方法,其特征在于,在对待鉴真农产品的图像进行识别之前,包括:
获取待鉴真农产品的包装图像;
调取第一AR识别模型对待鉴真农产品的包装图像进行识别,以确定待鉴真农产品类型。
4.根据权利要求3所述的基于AI鉴真技术和溯源量化的农产防伪溯源方法,其特征在于,第一AR识别模型的生成过程为:获取大量农产品包装图像,对大量农产品包装图像进行人为标记,将标记后的大量农产品包装图像作为种类样本集,将种类样本集划分为种类训练集和种类测试集,构建神经网络模型,将种类训练集中的包装图像作为输入,将种类训练集中的产品标注名称作为输出,对神经网络模型进行训练,得到训练后的神经网络模型,利用种类测试集对训练后的神经网络模型进行种类准确度测试,输出满足预设种类准确度的训练后的神经网络模型作为第一AR识别模型。
5.根据权利要求4所述的基于AI鉴真技术和溯源量化的农产防伪溯源方法,其特征在于,N幅待鉴真农产品的图像的获取逻辑为:获取待鉴真农产品类型,按照待鉴真农产品类型与图像条件数据的预设关系,确定待鉴真农产品类型对应的图像条件数据,所述图像条件数据包括图像采集区域和图像采集幅数。
6.根据权利要求5所述的基于AI鉴真技术和溯源量化的农产防伪溯源方法,其特征在于,识别待鉴真农产品的第一鉴真数据,包括:
基于图像条件数据对每幅待鉴真农产品的图像进行分割,以获取K幅分割图像,K为大于零的正整数集;
基于待鉴真农产品类型与第二AR识别模型的预设关系,确定与待鉴真农产品类型对应的第二AR识别模型;
将K幅分割图像进行特征融合,将融合特征输入对应的第二AR识别模型进行识别,以获取待鉴真农产品的第一鉴真数据,所述第一鉴真数据包括“真”字样和“假”字样。
7.根据权利要求6所述的基于AI鉴真技术和溯源量化的农产防伪溯源方法,其特征在于,每个所述第二AR识别模型的生成逻辑为:
a.获取预存的G个产品图像集,所述每个产品图像集中包括S个产品图像,G、S为大于零的正整数集;
b.按照图像条件数据对产品图像进行分割,以提取特征区域,得到K幅分割图像;
c.重复循环步骤b,直至每个产品图像集中的每个产品图像被分割完,将分割后每个产品图像集中的每个产品图像进行融合,并进行标注,得到分割处理后的产品图像集;
d.对分割处理后的产品图像集中的产品图像进行“真”或“假”字样标注,得到鉴真样本集,将鉴真样本集划分为鉴真训练集和鉴真测试集,构建神经网络模型,将鉴真训练集中的产品图像作为输入数据,将鉴真训练集中的标注作为输出数据,对神经网络模型进行训练,得到初始识别模型,利用鉴真测试集对初始识别模型进行测试,输出满足预设产品识别准确度的初始识别模型作为第二AR识别模型。
8.根据权利要求7所述的基于AI鉴真技术和溯源量化的农产防伪溯源方法,其特征在于,获取标准溯源标识图的逻辑为:扫描防伪溯源卡中的第一编号区域,获取待鉴真农产品的农产品编号;基于农产品编号与对应标准溯源标识图的预设关系,确定农产品编号对应的标准溯源标识图;
所述产品溯源标识图和标准溯源标识图均包括H个标识区域,每个标识区域均仅包括一个提供方的防伪数据,所述防伪数据具体为防伪二维码,H个所述标识区域包括W种排列方式,W为大于零的正整数。
9.根据权利要求8所述的基于AI鉴真技术和溯源量化的农产防伪溯源方法,其特征在于,基于标准溯源标识图和产品溯源标识图进行解析,包括:
将标准溯源标识图与产品溯源标识图中相同区域的像素点进行逐一像素差值计算,以获取区域像素区别系数,其计算公式为:;式中:/>表示区域像素区别系数,/>表示产品溯源标识图中第/>个标识区域的第/>个像素点的像素值,/>表示标准溯源标识图中第/>个标识区域的第/>个像素点的像素值,/>表示像素点总数,/>表示标识区域总数;
将区域像素区别系数与预设像素区别系数阈值进行比较,若区域像素区别系数小于预设像素区别系数阈值,则判定标准溯源标识图和产品溯源标识图一致,并生成字样为“真”的第二鉴真数据;若区域像素区别系数大于等于预设像素区别系数阈值,则判定标准溯源标识图和产品溯源标识图不一致,并生成字样为“假”的第二鉴真数据。
10.根据权利要求9所述的基于AI鉴真技术和溯源量化的农产防伪溯源方法,其特征在于,基于第一鉴真数据和第二鉴真数据进行分析,包括:
提取第一鉴真数据和第二鉴真数据中的显示字样;
若第一鉴真数据显示为“假”字样,且第二鉴真数据显示为“假”字样,则判定待鉴真农产品为非正品;
若第一鉴真数据显示为“假”字样,且第二鉴真数据显示为“真”字样,则判断待鉴真农产品为非正品;
若第一鉴真数据显示为“真”字样,且第二鉴真数据显示为“假”字样,则判断待鉴真农产品为非正品;
若第一鉴真数据显示为“真”字样,且第二鉴真数据显示为“真”字样,则判断待鉴真农产品为正品。
11.根据权利要求10所述的基于AI鉴真技术和溯源量化的农产防伪溯源方法,其特征在于,基于待鉴真农产品的鉴真结果和第二溯源区域对待鉴真农产品进行溯源,包括:
扫描解析第三防伪区域,以获取第三防伪区域中的溯源链接;
基于溯源链接跳转至溯源界面,所述溯源界面包括每个提供方采集的认证图像;每个提供方采集的认证图像至少为一幅,每个提供方采集的认证图像与农产品编号相绑定;
将N幅待鉴真农产品的图像与每个提供方采集的认证图像进行相似度计算,得到每个供应链环节的认证相似度;
将每个供应链环节的认证相似度与预设认证相似度阈值进行比较;
若认证相似度小于预设认证相似度阈值,则判定对应供应链环节为造假供应链环节。
12.根据权利要求10所述的基于AI鉴真技术和溯源量化的农产防伪溯源方法,其特征在于,基于待鉴真农产品的鉴真结果和第二溯源区域对待鉴真农产品进行溯源,还包括:
获取防伪溯源卡内第二溯源区域的溯源码,以及获取第二溯源区域内的溯源图像;
对溯源码进行扫描获取拼接规则;
基于所述拼接规则对溯源图像和产品溯源标识图进行拼接,得到拼接溯源图;
对拼接溯源图进行扫描,获取待鉴真农产品的量化数据。
13.一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至12任一项所述基于AI鉴真技术和溯源量化的农产防伪溯源方法。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至12任一项所述基于AI鉴真技术和溯源量化的农产防伪溯源方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311186437.4A CN116911883B (zh) | 2023-09-14 | 2023-09-14 | 基于ai鉴真技术和溯源量化的农产防伪溯源方法及云平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311186437.4A CN116911883B (zh) | 2023-09-14 | 2023-09-14 | 基于ai鉴真技术和溯源量化的农产防伪溯源方法及云平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116911883A true CN116911883A (zh) | 2023-10-20 |
CN116911883B CN116911883B (zh) | 2023-12-19 |
Family
ID=88367377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311186437.4A Active CN116911883B (zh) | 2023-09-14 | 2023-09-14 | 基于ai鉴真技术和溯源量化的农产防伪溯源方法及云平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116911883B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022805A (zh) * | 2016-05-25 | 2016-10-12 | 华中科技大学 | 一种基于标签识读的防伪溯源系统及方法 |
CN109034837A (zh) * | 2018-06-29 | 2018-12-18 | 山东华夏维康农牧科技有限公司 | 多码溯源防伪的方法及系统 |
CN111080319A (zh) * | 2019-12-19 | 2020-04-28 | 新立讯科技股份有限公司 | 一种基于ai图像识别的物码绑定鉴真防伪方法及系统 |
CN111159458A (zh) * | 2019-12-30 | 2020-05-15 | 南京龟兔赛跑软件研究院有限公司 | 一种农产品图像处理与区块链交互识别方法及系统 |
CN113610540A (zh) * | 2021-07-09 | 2021-11-05 | 北京农业信息技术研究中心 | 一种河蟹防伪溯源方法及系统 |
CN115035533A (zh) * | 2022-08-10 | 2022-09-09 | 新立讯科技股份有限公司 | 一种数据鉴真处理方法、装置、计算机设备及存储介质 |
-
2023
- 2023-09-14 CN CN202311186437.4A patent/CN116911883B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022805A (zh) * | 2016-05-25 | 2016-10-12 | 华中科技大学 | 一种基于标签识读的防伪溯源系统及方法 |
CN109034837A (zh) * | 2018-06-29 | 2018-12-18 | 山东华夏维康农牧科技有限公司 | 多码溯源防伪的方法及系统 |
CN111080319A (zh) * | 2019-12-19 | 2020-04-28 | 新立讯科技股份有限公司 | 一种基于ai图像识别的物码绑定鉴真防伪方法及系统 |
CN111159458A (zh) * | 2019-12-30 | 2020-05-15 | 南京龟兔赛跑软件研究院有限公司 | 一种农产品图像处理与区块链交互识别方法及系统 |
CN113610540A (zh) * | 2021-07-09 | 2021-11-05 | 北京农业信息技术研究中心 | 一种河蟹防伪溯源方法及系统 |
CN115035533A (zh) * | 2022-08-10 | 2022-09-09 | 新立讯科技股份有限公司 | 一种数据鉴真处理方法、装置、计算机设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
HONG, WANG , ET AL.: ""Design and implementation of traceable real-name bills anti-counterfeiting system"", 《MODERN ELECTRONICS TECHNIQUE》, vol. 39, no. 6, pages 127 - 131 * |
李浩: ""基于图像局部特征的中华绒螯蟹防伪算法研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 2, pages 024 - 469 * |
王宏伟 等: "定性分析与在线识别相结合的农产品溯源方法", 《现代农业科技》, no. 19, pages 230 - 234 * |
Also Published As
Publication number | Publication date |
---|---|
CN116911883B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10902543B2 (en) | Neural network based insertion of watermark into images and tampering detection thereof | |
CN111709408A (zh) | 图像真伪检测方法和装置 | |
CN108291876A (zh) | 用于检测产品的真实性的系统及方法 | |
CN112069891B (zh) | 一种基于光照特征的深度伪造人脸鉴别方法 | |
CN111444873A (zh) | 视频中人物真伪的检测方法、装置、电子设备及存储介质 | |
CN106056183B (zh) | 印刷机器可读图像的印刷介质及扫描该图像的系统和方法 | |
CN110428028A (zh) | 基于准动态镭射标签的识别验伪方法、装置、设备及介质 | |
CN110502694A (zh) | 基于大数据分析的律师推荐方法及相关设备 | |
CN111046889A (zh) | 压制茶信息处理的方法、装置及电子设备 | |
CN111415336A (zh) | 一种图像篡改识别方法、装置、服务器及存储介质 | |
CN114626024A (zh) | 一种基于区块链的互联网侵权视频低耗检测方法及系统 | |
CN115983874A (zh) | 酒类防伪溯源方法及其系统 | |
CN109214834A (zh) | 基于区块链的产品溯源方法和装置 | |
CN109784384B (zh) | 一种自动辨别商标真伪的方法及装置 | |
CN110533704A (zh) | 油墨标签的识别验伪方法、装置、设备及介质 | |
CN112560989B (zh) | 一种基于大数据的人工智能防伪图像识别方法及系统 | |
CN112632926B (zh) | 票据的数据处理方法、装置、电子设备及存储介质 | |
CN113920335A (zh) | 基于深度学习的图像和文本嵌入的药物标签识别方法 | |
CN112651333B (zh) | 静默活体检测方法、装置、终端设备和存储介质 | |
CN116822623B (zh) | 一种生成对抗网络联合训练方法、装置、设备及存储介质 | |
CN116911883B (zh) | 基于ai鉴真技术和溯源量化的农产防伪溯源方法及云平台 | |
CN111680680A (zh) | 一种目标码定位方法、装置、电子设备及存储介质 | |
CN116977249A (zh) | 缺陷检测的方法、模型训练的方法和装置 | |
CN112818150B (zh) | 一种图片内容审核方法、装置、设备和介质 | |
CN113111734B (zh) | 一种水印分类模型训练方法及装置 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 210012 room 801-810, 8 building, 7 Ande Gate Street, Yuhuatai District, Nanjing, Jiangsu, China, 57 Patentee after: Xinlixun Technology Group Co.,Ltd. Country or region after: China Address before: 210012 room 801-810, 8 building, 7 Ande Gate Street, Yuhuatai District, Nanjing, Jiangsu, China, 57 Patentee before: New Lixun Technology Co.,Ltd. Country or region before: China |