CN116957610A - 一种农产品全流程信息溯源录入管理方法、系统及介质 - Google Patents
一种农产品全流程信息溯源录入管理方法、系统及介质 Download PDFInfo
- Publication number
- CN116957610A CN116957610A CN202310990043.8A CN202310990043A CN116957610A CN 116957610 A CN116957610 A CN 116957610A CN 202310990043 A CN202310990043 A CN 202310990043A CN 116957610 A CN116957610 A CN 116957610A
- Authority
- CN
- China
- Prior art keywords
- agricultural product
- similarity
- agricultural
- representing
- agricultural products
- 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.)
- Pending
Links
- 238000007726 management method Methods 0.000 title claims description 20
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000012544 monitoring process Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 31
- 238000000605 extraction Methods 0.000 claims description 27
- 230000012010 growth Effects 0.000 claims description 24
- 241000238631 Hexapoda Species 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 241000607479 Yersinia pestis Species 0.000 claims description 7
- 230000001010 compromised effect Effects 0.000 claims description 7
- 206010016165 failure to thrive Diseases 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims 1
- 235000013305 food Nutrition 0.000 abstract description 8
- 238000011144 upstream manufacturing Methods 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 206010058314 Dysplasia Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- 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
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/05—Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Human Resources & Organizations (AREA)
- Marine Sciences & Fisheries (AREA)
- Entrepreneurship & Innovation (AREA)
- Mining & Mineral Resources (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Animal Husbandry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及农产品溯源领域，尤其涉及一种农产品全流程信息溯源录入管理方法、系统及介质，当前对农产品溯源存在信息泄露、溯源不准确的问题，本发明提出如下方案，首先获取农产品生长阶段的图像信息，对农产品生长阶段的图像信息进行预处理，再利用神经网络模型进行目标农产品的特征提取，最后根据泄露的农产品特征和类别与区块链中农产品生长阶段的图像信息进行相似度匹配，得到图片泄露的农产品的来源。本发明通过对农产品倒伏等情况的预处理，增强了溯源的精确性，同时通过监督农产品链条的上游实现责任落实，有效提升食品安全水平。
Description
技术领域
本发明涉及农产品溯源领域，尤其涉及一种农产品全流程信息溯源录入管理方法、系统及介质。
背景技术
近几年，世界各地的食品安全问题不断发生，人们不得不对食品安全问题产生担忧。食品安全问题与社会的稳定发展、人们生活健康密切相关，是国家的根本性问题。食用农产品流通过程是否安全以及是否可追溯直接影响着国内外消费者对食用农产品的信心，使得各国政府都十分重视。根据相关国家部门调查统计，90%的消费者对食品的溯源持支持态度且乐于关注或购买在溯源体系中的产品，从而保证食品安全健康。农产品质量追溯链条的源头是农户，而现有的农产品生产较为分散，集中化管理存在一定的难度。所以农产品溯源方法成为了社会关注的焦点。农产品溯源方法要在发生农产品质量安全问题时，依靠农产品质量追溯体系快速定位到相关责任人和相关链条，避免生产方、销售方、中间商等之间的责任不明、相互推诿，切实保障消费者的应有权益，减少农产品质量安全事故带来的负面影响。现有溯源技术中大多使用二维码或条形码溯源，溯源信息为文字记录，缺少对农产品真实生长情况的监督，溯源过程缺少对农产品异常生长情况的特征提取处理，没有基于特征的细化的相似性比对步骤。
如授权公告号为CN109784956B的中国专利公开了一种基于区块链技术的农产品溯源方法，将农产品溯源进行细分，为农产品溯源设计了专门的共识算法，对数据数据格式，存储架构进行合理设计，并专门为农产品数据的特征设计了合理的双链结构，解决了传统结构农产品溯源解决方法中数据不安全，中心化程度高等问题。该专利缺少对农产品生长阶段的监督，只关注了系统中已有的数据，没有关注数据的来源。
如授权公告号为CN115526551B的中国专利公开了一种基于人工智能的农产品溯源数据处理方法及云平台，结合了服务器身份码、数据库身份码与溯源唯一凭据，利用神经网络模型进行识别，为用户提供准确的农产品溯源数据，保证了农产品溯源数据的安全问题。该专利没有对农产品生长阶段的特征提取，只利用神经网络进行识别和比对，没有相似度匹配的新方法。
发明内容
本发明的目的是提供一种农产品全流程信息溯源录入管理方法，首先获取农产品生长阶段的图像信息，对农产品生长阶段的图像信息进行预处理，然后利用神经网络模型进行目标农产品的特征提取，将生长阶段农产品的时间信息、特征信息、生长阶段的图像信息作为目标农产品的溯源信息，存储在区块链中，最后在农产品图片发生泄露时，根据泄露的农产品图片确定农产品的类别，提取泄露的农产品图片特征，根据泄露的农产品特征和类别与区块链中农产品生长阶段的图像信息进行相似度匹配，得到图片泄露的农产品的来源，完成农产品溯源。通过对农产品倒伏、虫害、生长不良的预处理，增强了溯源的精确性，并利用神经网络进一步提取农产品的特征，然后对农产品不同特征的相似度进行计算、整合，求出溯源农产品与同类型的农产品的相似度集合，从而求出相似度的最大值，完成溯源，以此加强了农产品的上游监督，提升了食品来源信息的可追溯性。
为实现上述目的，本发明提供如下技术方案：
一种农产品全流程信息溯源录入管理方法，其包括：
步骤一：获取农产品生长阶段的图像信息，对农产品生长阶段的图像信息进行预处理；
步骤二：利用神经网络模型进行目标农产品的特征提取，将时间信息、特征信息、图像信息作为目标农产品的溯源信息，存储在区块链中；
步骤三：农产品图片发生泄露后，根据泄露的农产品图片确定农产品的类别，提取泄露的农产品图片特征，根据泄露的农产品图片特征和农产品的类别与区块链中农产品生长阶段的图像信息进行相似度匹配，得到泄露的农产品图片中的农产品的来源，完成农产品溯源。
具体的，所述步骤三中将完成溯源的农产品做泄露标记，存储在区块链中。
具体的，所述步骤一中的农产品生长阶段存在侧歪倒伏、虫害、生长不良的情况。
具体的，所述步骤一中所述预处理的具体步骤为：
对农产品生长阶段的监控图片进行分类计算，分类计算公式如下：
，
其中表示农产品图片信息，/>表示农产品的属性，其中/>、/>、/>分别表示农产品的颜色、大小、形状，/>表示通过分类得到的分类属性图，/>表示分类函数；
对农产品的侧歪倒伏、虫害、生长不良的情况进行过滤，计算公式如下：
，
其中表示过滤完侧歪倒伏、虫害、生长不良情况的分类图，/>表示侧歪倒伏程度，/>表示虫害程度，/>表示生长不良程度，/>表示上一步计算完得到的分类属性图。
具体的，所述步骤二中利用神经网络模型进行目标农产品的特征提取，所述特征提取公式为：
，
其中表示输出的农产品特征，/>表示输入的分类属性图，/>表示用于计算的卷积核权值，/>表示激活函数，农产品特征由卷积层传给池化层降维，公式为：
，
其中表示池化层的上一层经过卷积计算输入的农产品特征，/>表示下采样层的权值，/>表示下采样函数，/>表示本层输出的农产品特征，将本层输出的农产品特征输入到输出层，计算特征提取的最终结果，计算公式为：
，
其中表示特征提取的最终结果，X和Y分别表示输入的农产品特征的长度和宽度，/>表示输出层的上一层池化完的农产品特征，/>表示分类输出函数，将计算结果/>存储在区块链中。
具体的，所述步骤二中所述农产品的特征包括农产品经过预处理、特征提取的农产品特征以及农产品侧歪倒伏、虫害、生长不良情况的标记。
具体的，所述步骤三的具体步骤为：
A1：根据泄露的农产品图片进行特征提取，利用神经网络模型完成特征提取和分类；
A2：在同一类别的农产品特征中进行相似度对比，农产品的特征包括亮度特征向量、对比度特征向量和纹理特征向量，比较相似度的大小，即为分别比较每个特征向量相似度的大小，然后计算亮度相似度、对比度相似度、纹理相似度的加权平均值；
A2.1：亮度相似性计算公式如下：
，
其中a表示泄露图片的农产品亮度特征，表示泄露的农产品图片的像素均值，b表示区块链内与a对比的农产品亮度特征，/>表示区块链内当前与a对比的农产品图片的像素均值，/>表示亮度相似度，/>为非零常数；
A2.2：对比度相似度计算公式如下：
，
其中表示泄露的农产品图片的对比度特征的像素标准差，/>表示区块链内与a对比的农产品图片的对比度特征的像素标准差，c表示对比度相似度，/>为非零常数；
A2.3：纹理相似度计算公式如下：
，
其中表示泄露的农产品图片的纹理度特征和区块链内与a对比的农产品图片的纹理特征的像素值协方差，t表示纹理相似度，/>为非零常数。
A3：计算亮度相似度、对比度相似度、纹理相似度的加权平均值，公式如下：
，
其中、/>、/>分别表示亮度相似度、对比度相似度、纹理相似度的权重，ave表示亮度相似度、对比度相似度、纹理相似度的加权平均值；
A4：计算泄露的农产品图片的特征a和区块链内当前与a对比的农产品特征b的误差，计算公式如下：
，
其中m和n表示图片的长和宽，表示图片中第i行第j列像素的坐标，I表示泄露的农产品的图片，K表示当前与I对比的农产品图片，MES表示K与I的误差，利用误差计算最终的相似度，计算公式为：
，
其中表示图片的最大像素值，MES表示所述K与I的误差，ave表示亮度相似度、对比度相似度、纹理相似度的加权平均值，/>表示农产品特征的相似度；
A5：根据同一种类中农产品特征的所有相似度结果，求农产品特征相似度的最大值，公式为：
，
其中res表示相似度的最大值，表示当前种类的农产品的相似度集合，为求最大值的函数；
A6：根据确定在区块链中对应的农产品，得到泄露图片的农产品来源，完成农产品的溯源。
具体的，所述步骤三中完成农产品溯源后，若有倒伏、虫害、生长不良情况的预处理记录，则在当前被关联货源上做问题标记。
一种农产品全流程信息溯源录入管理系统，包括农产品图像预处理模块，农产品特征提取模块，农产品图像相似度匹配模块，农产品溯源结果模块：
农产品图像预处理模块：获取农产品生长阶段的图像信息并进行类别划分，识别并过滤掉侧歪倒伏、虫害、生长不良情况，做好情况标记得到分类图，存储在区块链中；
农产品特征提取模块：根据神经网络的卷积层、池化层提取特征并降维处理，将特征输入到输出层完成特征提取，得到农产品特征；
农产品图像相似度匹配模块：根据泄露图片的分类结果，在同一类别中进行全部的相似度匹配计算，根据相似度最大值对应的链内农产品特征，关联到货源信息、被泄露图片的农产品的标准图像、时间信息、生长阶段的图像信息；
农产品溯源结果模块：显示最终溯源结果。
具体的，所述农产品溯源结果模块返回溯源结果后，在泄露图片的货源上做标记。
一种农产品全流程信息溯源录入管理设备，包括：处理器；以及被配置成存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器实现上述任一项所述方法的步骤。
一种计算机存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被执行时实现上述任一项所述方法的步骤。
与现有技术相比，本发明的有益效果是：
1.本发明在农产品的生成长阶段设置监控，获取农产品生长阶段的图像并提取特征，同时将监控到的侧歪倒伏、虫害、生长不良情况记录，同时做分类处理，做到了从源头采集信息，利用图像溯源更加直观，预处理提升了溯源的整体效率。
2.本发明在溯源的相似度对比中利用神经网络输出的多维特征向量，针对每一维特征进行初步的相似度计算，然后综合每个维度的特征利用噪声误差计算最终的相似度，提升了溯源准确度，同时在接受溯源的农产品上做标记，再一次加强对农产品上游源头的监督。
附图说明
图1为本发明一种农产品全流程信息溯源录入管理方法的流程示意图；
图2为本发明一种农产品全流程信息溯源录入管理系统的系统架构图；
图3为本发明实施例3提供的计算机管理设备的结构示意图。
具体实施方式
下面通过附图以及具体实施例对本发明技术方案做详细地说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。
实施例1
本实施例提供一种农产品全流程信息溯源录入管理方法，通过获取农产品生长阶段的图像，进行预处理，农产品图片泄露后通过神经网络提取其包装图片的特征信息，然后与区块链内的图片进行相似度比对，选出相似度最大的产品完成溯源，提升了溯源的整体效率和溯源的准确度，同时提升了食品的安全性，如图1所示，技术方案如下：
步骤一：获取农产品生长阶段的图像信息，对农产品生长阶段的图像信息进行预处理；
步骤二：利用神经网络模型进行目标农产品的特征提取，将生长阶段农产品的时间信息、特征信息、生长阶段的图像信息作为目标农产品的溯源信息，存储在区块链中；
步骤三：农产品图片发生泄露后，根据泄露的农产品图片确定农产品的类别，提取泄露的农产品图片特征，根据泄露的农产品特征和类别与区块链中农产品生长阶段的图像信息进行相似度匹配，得到图片泄露的农产品的来源，完成农产品溯源。
具体的，农产品幼苗在所述生长阶段存在侧歪倒伏、虫害、生长不良的情况：
1）侧歪倒伏：
根系不稳固，或是自然天气原因致使幼苗侧歪；
2）虫害：
类似十字花科类，幼苗空隙多容易招致虫害；
3）生长不良：
由于幼苗个体的营养吸收差异，总有部分生长不良，达不到标准大小。
所述步骤一中预处理具体步骤为：
S1.1：对农产品生长阶段的监控图片进行分类计算，分类计算公式如下：
，
其中表示农产品图片信息，/>表示农产品的属性，其中/>、/>、/>分别表示农产品的颜色、大小、形状，/>表示通过分类得到的分类属性图，/>表示分类函数；
S1.2：对农产品的侧歪倒伏、虫害、生长不良的情况进行过滤，计算公式如下：
，
其中表示过滤完侧歪倒伏、虫害、生长不良情况的分类图，/>表示侧歪倒伏程度，/>表示虫害程度，/>表示生长不良程度，没有/>表示上一步计算完得到的分类属性图。
具体的，所述步骤二利用神经网络模型进行目标农产品的特征提取，利用到的结构有：
（1）卷积层
卷积神经网络的核心组成部分是卷积层，它是卷积神经网络与传统人工神经网络的最主要区别，且大部分的计算都是在卷积层中完成。给定一个卷积核尺寸为F× F，卷积核数量为 k,除此之外，还有两个重要的参数补零 padding 和步长 stride。卷积层的主要功能是对输入层的矩阵进行卷积，具体操作为卷积核基于滑动窗口机制遍历整个输入矩阵进行相乘相加。
池化层
池化层也称为下采样层，通过对输入的特征进行压缩操作，可以获得新的特征。池化层具有特征降维和局部平移不变性，其中特征降维是指将输入数据在空间上进行降维，减少计算量和参数量，提高网络模型的存储效率；局部平移不变性是指当输入数据中发生较小偏移时，经过池化层输出的特征能保持近似不变。
池化层的操作具体有两种方式，最大池化层从特征的局部相关区域中选择最大的值进行返回，最大池化可以保留更多的图像纹理信息；平均池化层从特征的局部相关区域中计算平均值并返回，其特点是在特征提取时可以保留更多的图像背景信息。
全连接层
在卷积神经网络最后一部分的结构一般是全连接层，具体操作为采用全连接的方式与前一层的每个节点相连接，其作用是将最后一层卷积层输出的特征转化为向量的形式，将特征维度降低为一维向量映射到样本标记空间，然后输入到 softmax 分类器中进行图像分类。全连接层参数众多且冗余，占据了大量的计算资源和存储资源，且容易造成过拟合问题，对网络模型效率的提升有较大的影响。
具体的，特征提取公式为：
，
其中表示输出的农产品特征，/>表示输入的分类属性图，/>表示用于计算的卷积核权值，/>表示激活函数，农产品特征由卷积层传给池化层降维，公式为：
，
其中表示池化层的上一层经过卷积计算输入的农产品特征，/>表示下采样层的权值，/>表示下采样函数，/>表示本层输出的农产品特征，将本层输出的农产品特征输入到输出层，计算特征提取的最终结果，计算公式为：
，
其中表示特征提取的最终结果，X和Y分别表示输入的农产品特征的长度和宽度，/>表示输出层的上一层池化完的农产品特征，/>表示分类输出函数，将计算结果/>存储在区块链中。
经过上述处理，图像的特征提取操作执行完毕。
具体的，所述步骤三的具体步骤为：
S2.1：根据泄露的农产品图片进行特征提取，利用神经网络模型完成特征提取和分类；
S2.2：在同一类别的农产品特征中进行相似度对比，农产品的特征包括亮度特征向量、对比度特征向量和纹理特征向量，比较相似度的大小，即为分别比较每个方面的相似度的大小，然后计算亮度相似度、对比度相似度、纹理相似度的加权平均值；
S2.2.1：亮度相似性计算公式如下：
，
其中a表示泄露图片的农产品亮度特征，表示泄露的农产品图片的像素均值，b表示区块链内与a对比的农产品亮度特征，/>表示区块链内当前与a对比的农产品图片的像素均值，/>表示亮度相似度，/>为非零常数；
S2.2.2：对比度相似度计算公式如下：
，
其中表示泄露的农产品图片的对比度特征的像素标准差，/>表示区块链内与a对比的农产品图片的对比度特征的像素标准差，c表示对比度相似度，/>为非零常数；
S2.2.3：纹理相似度计算公式如下：
，
其中表示泄露的农产品图片的纹理度特征和区块链内与a对比的农产品图片的纹理特征的像素值协方差，t表示纹理相似度，/>为非零常数。
S2.3：计算亮度相似度、对比度相似度、纹理相似度的加权平均值，公式如下：
，
其中、/>、/>分别表示亮度相似度、对比度相似度、纹理相似度的权重，ave表示亮度相似度、对比度相似度、纹理相似度的加权平均值；
S2.4：计算泄露的农产品图片的特征a和区块链内当前与a对比的农产品特征b的误差，计算公式如下：
，
其中m和n表示图片的长和宽，表示图片中第i行第j列像素的坐标，I表示泄露的农产品的图片，K表示当前与I对比的农产品图片，MES表示K与I的误差，利用误差计算最终的相似度，计算公式为：
，
其中表示图片的最大像素值，MES表示所述K与I的误差，ave表示亮度相似度、对比度相似度、纹理相似度的加权平均值，/>表示农产品特征的相似度；
对于像素最大值，如果每个像素都由 8 位二进制来表示，那么就为 255。通常，如果像素值由B位二进制来表示，那么/>。
S2.5：根据同一种类中农产品特征的所有相似度结果，求农产品特征相似度的最大值，公式为：
，
其中res表示相似度的最大值，表示当前种类的农产品的相似度集合，为求最大值的函数；
S2.6：根据确定在区块链中对应的农产品，得到泄露图片的农产品来源，完成农产品的溯源。
所述步骤三中完成农产品溯源后，若有倒伏、虫害、生长不良情况的预处理记录，则在当前被关联货源上做问题标记。
实施例2
本实施例介绍一种农产品全流程信息溯源录入管理系统，如图2所示，包括农产品图像预处理模块，农产品特征提取模块，农产品图像相似度匹配模块，农产品溯源结果模块：
农产品图像预处理模块：获取农产品生长阶段的图像信息并进行类别划分，识别并过滤掉侧歪倒伏、虫害、生长不良情况，做好情况标记得到分类图，存储在区块链中；
农产品特征提取模块：根据神经网络的卷积层、池化层提取特征并降维处理，将特征输入到输出层完成特征提取，得到农产品特征；
农产品图像相似度匹配模块：根据泄露图片的分类结果，在同一类别中进行全部的相似度匹配计算，根据相似度最大值对应的链内农产品特征，关联到货源信息、被泄露图片的农产品的标准图像、时间信息、生长阶段的图像信息；
农产品溯源结果模块：显示最终溯源结果。
进一步的，所述农产品溯源结果模块返回溯源结果后，在泄露图片的货源上做标记。
实施例3
如图3所示，本实施例提供一种农产品全流程信息溯源录入管理设备，包括：处理器；以及被配置成存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器实现上述任一项所述方法的步骤。
实施例4
本实施例提供一种计算机存储介质，用于存储计算机可执行指令，其特征在于，所述计算机可执行指令在被执行时实现上述任一项所述方法的步骤。
以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (13)
1.一种农产品全流程信息溯源录入管理方法，其特征在于，包括以下步骤：
步骤一：获取农产品生长阶段的图像信息，对农产品生长阶段的图像信息进行预处理；
步骤二：利用神经网络模型进行目标农产品的特征提取，将时间信息、特征信息、图像信息作为目标农产品的溯源信息，存储在区块链中；
步骤三：农产品图片发生泄露后，根据泄露的农产品图片确定农产品的类别，提取泄露的农产品图片特征，根据泄露的农产品图片特征和农产品的类别与区块链中农产品生长阶段的图像信息进行相似度匹配，得到泄露的农产品图片中的农产品的来源，完成农产品溯源。
2.根据权利要求1所述的一种农产品全流程信息溯源录入管理方法，其特征在于，所述步骤三中将完成溯源的农产品做泄露标记，存储在区块链中。
3.根据权利要求1所述的一种农产品全流程信息溯源录入管理方法，其特征在于，所述步骤一中的所述农产品生长阶段存在侧歪倒伏、虫害、生长不良的情况。
4.根据权利要求3所述的一种农产品全流程信息溯源录入管理方法，其特征在于，所述步骤一中所述预处理的具体步骤为：
S101：对农产品生长阶段的监控图片进行分类计算，分类计算公式如下：
，
其中表示农产品图片信息，/>表示农产品的属性，其中/>、/>、/>分别表示农产品的颜色、大小、形状，/>表示通过分类得到的分类属性图，/>表示分类函数；
S102：对农产品的侧歪倒伏、虫害、生长不良的情况进行过滤，计算公式如下：
，
其中表示过滤完侧歪倒伏、虫害、生长不良情况的分类图，/>表示侧歪倒伏程度，/>表示虫害程度，/>表示生长不良程度。
5.根据权利要求1所述的一种农产品全流程信息溯源录入管理方法，其特征在于，所述步骤二中利用神经网络模型进行目标农产品的特征提取，所述特征提取公式为：
，
其中表示输出的农产品特征，/>表示输入的分类属性图，/>表示用于计算的卷积核权值，/>表示激活函数，农产品特征由卷积层传给池化层降维，公式为：
，
其中表示池化层的上一层经过卷积计算输入的农产品特征，/>表示下采样层的权值，/>表示下采样函数，/>表示本层输出的农产品特征，将本层输出的农产品特征输入到输出层，计算特征提取的最终结果，计算公式为：
，
其中表示特征提取的最终结果，X和Y分别表示输入的农产品特征的长度和宽度，表示输出层的上一层池化完的农产品特征，/>表示分类输出函数，将计算结果/>存储在区块链中。
6.根据权利要求1所述的一种农产品全流程信息溯源录入管理方法，其特征在于，所述步骤二中所述农产品的特征包括农产品经过预处理、特征提取的农产品特征以及农产品侧歪倒伏、虫害、生长不良情况的标记。
7.根据权利要求1所述的一种农产品全流程信息溯源录入管理方法，其特征在于，所述步骤三的具体步骤为：
S201：根据泄露的农产品图片进行特征提取，利用神经网络模型完成特征提取和分类；
S202：在同一类别的农产品特征中进行相似度对比，农产品特征包括亮度特征向量、对比度特征向量和纹理特征向量，比较相似度的大小，即为分别比较每个特征向量相似度的大小，然后计算亮度相似度、对比度相似度、纹理相似度的加权平均值；
S2021：亮度相似度计算公式如下：
，
其中a表示泄露图片的农产品亮度特征，表示泄露的农产品图片的像素均值，b表示区块链内与a对比的农产品亮度特征，/>表示区块链内当前与a对比的农产品图片的像素均值，/>表示亮度相似度，/>为非零常数；
S2022：对比度相似度计算公式如下：
，
其中表示泄露的农产品图片的对比度特征的像素标准差，/>表示区块链内与a对比的农产品图片的对比度特征的像素标准差，c表示对比度相似度，/>为非零常数；
S2023：纹理相似度计算公式如下：
，
其中表示泄露的农产品图片的纹理度特征和区块链内与a对比的农产品图片的纹理特征的像素值协方差，t表示纹理相似度，/>为非零常数。
8.S203：计算亮度相似度、对比度相似度、纹理相似度的加权平均值，公式如下：
，
其中、/>、/>分别表示亮度相似度、对比度相似度、纹理相似度的权重，ave表示亮度相似度、对比度相似度、纹理相似度的加权平均值；
S204：计算泄露的农产品图片的特征a和区块链内当前与a对比的农产品特征b的误差，计算公式如下：
，
其中m和n表示图片的长和宽，表示图片中第i行第j列像素的坐标，I表示泄露的农产品的图片，K表示当前与I对比的农产品图片，MES表示K与I的误差，利用误差计算最终的相似度，计算公式为：
，
其中表示图片的最大像素值，MES表示所述K与I的误差，ave表示亮度相似度、对比度相似度、纹理相似度的加权平均值，/>表示农产品特征的相似度；
S205：根据同一种类中农产品特征的所有相似度结果，求农产品特征相似度的最大值，公式为：
，
其中res表示相似度的最大值，表示当前种类的农产品的相似度集合，为求最大值的函数；
S206：根据确定在区块链中对应的农产品，得到泄露图片的农产品来源，完成农产品的溯源。
9.根据权利要求7所述的一种农产品全流程信息溯源录入管理方法，其特征在于，所述步骤三中完成农产品溯源后，若有倒伏、虫害、生长不良情况的预处理记录，则在当前被关联货源上做问题标记。
10.一种农产品全流程信息溯源录入管理系统，其基于权利要求1-8中任一项所述的一种农产品全流程信息溯源录入管理方法实现，其特征在于，包括农产品图像预处理模块，农产品特征提取模块，农产品图像相似度匹配模块，农产品溯源结果模块：
农产品图像预处理模块：获取农产品生长阶段的图像信息并进行类别划分，识别并过滤掉侧歪倒伏、虫害、生长不良情况，做好情况标记得到分类图，存储在区块链中；
农产品特征提取模块：根据神经网络的卷积层、池化层提取特征并降维处理，将特征输入到输出层完成特征提取，得到农产品特征；
农产品图像相似度匹配模块：根据泄露图片的分类结果，在同一类别中进行全部的相似度匹配计算，根据相似度最大值对应的链内农产品特征，关联到货源信息、泄露图片的农产品的标准图像、时间信息、农产品生长阶段的图像信息；
农产品溯源结果模块：显示最终溯源结果。
11.根据权利要求9所述的一种农产品全流程信息溯源录入管理系统，其特征在于，所述农产品溯源结果模块返回溯源结果后，在泄露图片的农产品货源上做标记。
12.一种农产品全流程信息溯源录入管理设备，其特征在于，包括：处理器；以及被配置成存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器实现上述权利要求1-8中任一项所述的一种农产品全流程信息溯源录入管理方法的步骤。
13.一种计算机存储介质，用于存储计算机可执行指令，其特征在于，所述计算机可执行指令在被执行时实现上述权利要求1-8中任一项所述的一种农产品全流程信息溯源录入管理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310990043.8A CN116957610A (zh) | 2023-08-08 | 2023-08-08 | 一种农产品全流程信息溯源录入管理方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310990043.8A CN116957610A (zh) | 2023-08-08 | 2023-08-08 | 一种农产品全流程信息溯源录入管理方法、系统及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116957610A true CN116957610A (zh) | 2023-10-27 |
Family
ID=88444469
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310990043.8A Pending CN116957610A (zh) | 2023-08-08 | 2023-08-08 | 一种农产品全流程信息溯源录入管理方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116957610A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118014599A (zh) * | 2024-04-09 | 2024-05-10 | 深圳市海域达赫科技有限公司 | 基于区块链的数据溯源及追踪方法、系统、设备及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108304882A (zh) * | 2018-02-07 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 一种图像分类方法、装置及服务器、用户终端、存储介质 |
| CN110163629A (zh) * | 2019-04-09 | 2019-08-23 | 南京新立讯科技股份有限公司 | 一种商品溯源码生成及查询方法和装置 |
| 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 |
| JP2020144440A (ja) * | 2019-03-04 | 2020-09-10 | 公立大学法人大阪 | 類似画像検索装置、類似画像検索方法および類似画像検索プログラム |
| CN112100430A (zh) * | 2020-11-06 | 2020-12-18 | 北京沃东天骏信息技术有限公司 | 一种物品溯源方法和装置 |
| US11341698B1 (en) * | 2020-12-18 | 2022-05-24 | Tiliter Pty Ltd. | Methods and apparatus for simulating images of produce with markings from images of produce and images of markings |
| CN116051125A (zh) * | 2022-12-21 | 2023-05-02 | 浙江由由科技有限公司 | 基于图像识别的农产品溯源方法及系统 |
-
2023
- 2023-08-08 CN CN202310990043.8A patent/CN116957610A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108304882A (zh) * | 2018-02-07 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 一种图像分类方法、装置及服务器、用户终端、存储介质 |
| JP2020144440A (ja) * | 2019-03-04 | 2020-09-10 | 公立大学法人大阪 | 類似画像検索装置、類似画像検索方法および類似画像検索プログラム |
| CN110163629A (zh) * | 2019-04-09 | 2019-08-23 | 南京新立讯科技股份有限公司 | 一种商品溯源码生成及查询方法和装置 |
| 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 |
| CN112100430A (zh) * | 2020-11-06 | 2020-12-18 | 北京沃东天骏信息技术有限公司 | 一种物品溯源方法和装置 |
| US11341698B1 (en) * | 2020-12-18 | 2022-05-24 | Tiliter Pty Ltd. | Methods and apparatus for simulating images of produce with markings from images of produce and images of markings |
| CN116051125A (zh) * | 2022-12-21 | 2023-05-02 | 浙江由由科技有限公司 | 基于图像识别的农产品溯源方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118014599A (zh) * | 2024-04-09 | 2024-05-10 | 深圳市海域达赫科技有限公司 | 基于区块链的数据溯源及追踪方法、系统、设备及介质 |
| CN118014599B (zh) * | 2024-04-09 | 2024-07-05 | 深圳市海域达赫科技有限公司 | 基于区块链的数据溯源及追踪方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Identification of tomato disease types and detection of infected areas based on deep convolutional neural networks and object detection techniques | |
| US20210224609A1 (en) | Method, system and device for multi-label object detection based on an object detection network | |
| CN107704878B (zh) | 一种基于深度学习的高光谱数据库半自动化建立方法 | |
| CN112434662B (zh) | 一种基于多尺度卷积神经网络的茶叶病斑自动识别算法 | |
| CN111652039B (zh) | 基于残差网络和特征融合模块的高光谱遥感地物分类方法 | |
| CN116957610A (zh) | 一种农产品全流程信息溯源录入管理方法、系统及介质 | |
| CN114445664A (zh) | 基于自适应动态卷积网络的图像分类识别方法、装置和计算机设备 | |
| CN110008912B (zh) | 一种基于植物识别的社交平台匹配方法和系统 | |
| CN114758132B (zh) | 一种基于卷积神经网络的果树病虫害识别方法及系统 | |
| CN115631419B (zh) | 一种基于变化检测的水稻种植面积和空间分布提取方法和装置 | |
| CN115115830A (zh) | 一种基于改进Transformer的家畜图像实例分割方法 | |
| CN112785441A (zh) | 数据处理方法、装置、终端设备及存储介质 | |
| CN115861629A (zh) | 一种高分耕地影像提取方法 | |
| Shahrin et al. | Agricultural analysis and crop yield prediction of habiganj using multispectral bands of satellite imagery with machine learning | |
| Farooque et al. | Red-green-blue to normalized difference vegetation index translation: a robust and inexpensive approach for vegetation monitoring using machine vision and generative adversarial networks | |
| CN116863341B (zh) | 基于时间序列卫星遥感影像的作物分类和识别方法和系统 | |
| CN116071653A (zh) | 基于自然图像的树木多级枝干结构自动提取方法 | |
| CN115861788A (zh) | 一种基于高分辨率卫星遥感影像的耕地地块提取方法 | |
| CN114964628A (zh) | 一种氨气泄漏混洗自注意力轻量化红外检测方法及系统 | |
| CN114580568A (zh) | 一种基于深度学习的鱼种类识别方法 | |
| Peng et al. | Prediction of the chlorophyll content in pomegranate leaves based on digital image processing technology and stacked sparse autoencoder | |
| Deng et al. | A paddy field segmentation method combining attention mechanism and adaptive feature fusion | |
| Hu et al. | Application of Extreme Learning Machine to Visual Diagnosis of Rapeseed Nutrient Deficiency | |
| Farooq et al. | Detection of Late Blight Disease in Tomato Leaf Using Image Processing Techniques | |
| Ramasamy et al. | Classification of Nutrient Deficiencies in Plants Using Recurrent Neural Network |
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 |