CN116976675B - 一种基于物联网数据监控的冷链运输风险预警方法及系统 - Google Patents

一种基于物联网数据监控的冷链运输风险预警方法及系统 Download PDF

Info

Publication number
CN116976675B
CN116976675B CN202310997705.4A CN202310997705A CN116976675B CN 116976675 B CN116976675 B CN 116976675B CN 202310997705 A CN202310997705 A CN 202310997705A CN 116976675 B CN116976675 B CN 116976675B
Authority
CN
China
Prior art keywords
crop
transported
freshness
storage
early warning
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
Application number
CN202310997705.4A
Other languages
English (en)
Other versions
CN116976675A (zh
Inventor
毛霖
张帆
陈海军
齐佰剑
杨庆庆
黄德民
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qinghai Shunong Technology Co ltd
Nanjing Turtle Rabbit Race Software Research Institute Co ltd
Original Assignee
Qinghai Shunong Technology Co ltd
Nanjing Turtle Rabbit Race Software Research Institute Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qinghai Shunong Technology Co ltd, Nanjing Turtle Rabbit Race Software Research Institute Co ltd filed Critical Qinghai Shunong Technology Co ltd
Priority to CN202310997705.4A priority Critical patent/CN116976675B/zh
Publication of CN116976675A publication Critical patent/CN116976675A/zh
Application granted granted Critical
Publication of CN116976675B publication Critical patent/CN116976675B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于物联网数据监控的冷链运输风险预警方法及系统，涉及冷链运输防腐技术领域，通过收集农作物信息表以及农作物存储训练数据，训练出评估每种农作物的新鲜度的神经网络模型，收集待运输农作物数据，使用神经网络模型获得新鲜度统计数据，基于待运输农作物数据和评估的新鲜度统计数据，计算冷链运输车的适宜存储温度，并将冷链运输车运输待运输农作物时的存储温度设置为适宜存储温度，基于待运输农作物数据、适宜存储温度和农作物信息表，为每种待运输农作物生成预警时间，并发起农作物腐烂预警；降低了运输过程中农作物的腐烂风险，提高每次冷链运输过程的经济效益。

Description

一种基于物联网数据监控的冷链运输风险预警方法及系统
技术领域
本发明属于涉及冷链运输防腐技术领域，具体是一种基于物联网数据监控的冷链运输风险预警方法及系统。
背景技术
冷链物流是一项关键的物流技术，用于确保农产品在供应链中保持新鲜度和质量。随着全球农产品贸易的增长和消费者对优质农产品的需求不断提高，冷链物流在现代农业中的重要性逐渐凸显。
传统的物流运输方式往往无法满足农产品保鲜的要求，因为农产品在长途运输中容易受到温度变化、湿度波动和腐败等因素的影响。这些不利因素会导致农产品的质量下降、腐烂和损失，从而影响供应链的效益和消费者的满意度。
冷链物流通过运用先进的技术和设备，为农产品提供恒定的温度、湿度和环境条件，以确保其在整个运输过程中保持新鲜和高品质。它涉及到冷藏车辆、冷藏仓储设施、温度记录器、湿度控制装置以及监测和控制系统等各种技术和设备。
目前的冷链运输方式往往是根据经验为待运输的农作物设置存储温度；但是在农产品种类较多时，难以从一开始量化分析出适宜的存储温度，以保障每次冷链运输过程的经济效益，从而导致在运输途中出现贵重农作物或大批量农作物腐烂的风险；
申请公开号为CN113587514A的中国专利一种用于冷链物流运输的温度实时监控预警装置，箱体的左右两侧均设置有温度检测机构，所述温度检测机构包括热敏电阻器，所述热敏电阻器靠近箱体的一侧设置有蜂鸣器，所述箱体的左右两端外侧均焊接有滑轨，所述滑轨的下端设置有电磁铁。该用于冷链物流运输的温度实时监控预警装置，通过当箱体由于意外情况其内部温度升高较为剧烈时，热敏电阻器感知温度阻值急剧减小，电磁铁吸引铁滑块滑动并挤压第一压块与第二压块使两个开关组件均闭合，则下料机构对箱体中的干冰进行补充，避免运输品因温度过高而变质；但该装置仅仅起到温度监测功能，未能预先提供适宜的存储温度；
为此，本发明提出一种基于物联网数据监控的冷链运输风险预警方法及系统。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于物联网数据监控的冷链运输风险预警方法及系统，降低了运输过程中农作物的腐烂风险，提高每次冷链运输过程的经济效益。
为实现上述目的，本发明提出一种基于物联网数据监控的冷链运输风险预警方法，包括以下步骤：
收集农作物信息表以及农作物存储训练数据；
基于农作物存储训练数据训练出评估每种农作物的新鲜度的神经网络模型；
收集待运输农作物数据，并使用神经网络模型获得每种待运输农作物的新鲜度统计数据；
基于待运输农作物数据和评估的每种农作物的新鲜度统计数据，计算冷链运输车的适宜存储温度，并将冷链运输车运输待运输农作物时的存储温度设置为适宜存储温度；
基于待运输农作物数据、适宜存储温度和农作物信息表，为每种待运输农作物生成预警时间，在运输过程中，基于预警时间，发起农作物腐烂预警。
进一步地，所述农作物信息表为以农作物类型为主键，以各个存储温度为属性，以在每个存储温度下的平均存储天数为属性值的数据库表；其中，平均存储天数通过预先将各种农作物类型的农作物存储在各个存储温度中，人工统计每种农作物存储的平均天数的方式获得；所述平均天数为在各个存储温度中，每种农作物的若干个体从存储至腐烂的天数的平均值。
进一步地，所述农作物存储训练数据包括每种农作物类型的不同采摘时间的农作物个体的图片以及每张照片对应的新鲜度。
进一步地，所述新鲜度的计算方式为：
将农作物类型的编号标记为i；将农作物存储训练数据中，第i种农作物的图片对应的农作物个体的编号标记为pi；
将农作物信息表中存储温度的编号标记为t；将第t个存储温度下，第i种农作物的平均存储天数标记为Hti；
将第pi个农作物个体从被采摘至图片拍摄的时间范围内，所在存储环境的存储温度标记为tpi；将从被采摘至图片拍摄之间的时长标记为Hpi；
获取第i种农作物在存储温度tpi的环境中的平均存储天数Htpi；
预设标准存储温度t0，获取第i种农作物在标准存储温度t0的环境中的平均存储天数Ht0i；
将第pi个农作物个体的新鲜度标记为Xpi，则新鲜度Xpi的计算公式为需要说明的是，[]是取整符号。
进一步地，基于农作物存储训练数据训练出评估每种农作物的新鲜度的神经网络模型的方式为：
对于第i种农作物类型，将农作物存储训练数据中，每张该农作物类型的农作物个体的图片作为神经网络模型的输入，所述神经网络模型以对每张图片的评估的新鲜度为输出，以农作物存储训练数据中，每张图片对应的新鲜度为评估目标，以最小化所有图片的评估误差之和作为训练目标；对神经网络模型进行训练，直至评估误差之和达到收敛时停止训练，训练出根据农作物个体图片，输出评估新鲜度的神经网络模型；所述神经网络模型是CNN神经网络模型；
评估误差的计算公式为：wpi＝(Dpi-Xpi)2，其中，wpi为评估误差，Dpi为第pi个农作物个体的图片对应的评估的新鲜度。
进一步地，所述待运输农作物数据包括每种待运输农作物的重量、标准价格序列以及在将待运输农作物装上冷链运输车前，为每种待运输农作物拍摄的农作物图片；
所述标准价格序列为每种待运输农作物在标准存储温度t0的环境中保存时，每个存储天数的单价。
进一步地，使用神经网络模型获得每种待运输农作物的新鲜度统计数据的方式为：
从待运输农作物的图片中识别并分割出待运输农作物个体的图片；
基于每张待运输农作物个体的图片以及神经网络模型，获得每种待运输农作物的新鲜度统计数据；
识别并分割出农作物个体的图片的方式为：
使用目标识别算法识别每种待运输农作物的图片中的对应类型的农作物个体，并将每个农作物个体的图片区域进行分割，获得每个待运输农作物个体的图片；
获得每种待运输农作物的新鲜度统计数据的方式为：
对于第i种农作物类型，将对应的待运输农作物个体的图片数量标记为Ni；
将每张待运输农作物个体的图片输入至神经网络模型，获得神经网络模型输出的对每个待运输农作物个体的评估的新鲜度；
将每个新鲜度的编号标记为x，第x个新鲜度表示新鲜度的值为x，x＝1，2，3…；
将第i种农作物类型，Ni张待运输农作物个体的图片中，评估为第x个新鲜度的图片数量标记为Mix；
新鲜度统计数据包括每种农作物类型的各个新鲜度的待运输农作物个体的数量。
进一步地，计算冷链运输车的存储温度的方式为：
将第i种待运输农作物的重量标记为Wi，第i种农作物类型的第x个新鲜度的待运输农作物重量标记为Wix，其中Wix的计算公式为
获取冷链运输车的运输天数K；
对于第t个存储温度，计算冷链运输车运输所有待运输农作物的最大收益值St；
从所有存储温度中，选择最大收益值St最大的存储温度作为冷链运输车的适宜存储温度。
进一步地，最大收益值St的计算方式为：
从农作物信息表中查询，对于第i种待运输农作物在第t个存储温度下的平均存储天数Hti；
计算第x个新鲜度的第i种待运输农作物，在第t个存储温度下的标准存储天数Ritx；
标准存储天数Ritx的计算公式为：
将第i种待运输农作物的在标准存储天数Ritx天的单价标记为JRitx；第i种农作物类型在标准存储天数Ritx天的总价格为JRitx×Wix；
对于第x个新鲜度的第i种待运输农作物，若对应的标准存储天数Ritx大于或等于平均存储天数Hti，则将其单价JRitx设置为0；
若标准存储天数Ritx小于平均存储天数Hti，则从标准价格序列中获得对应的单价JRitx；
最大收益值St的计算公式为St＝∑i∑xJRitx×Wix。
进一步地，为每种待运输农作物生成预警时间的方式为：
将冷链运输车的适宜存储温度标记为t1；
从农作物信息表中获得第i种待运输农作物对应的平均存储天数Ht1i；
对于第x个新鲜度的第i种待运输农作物，计算其预警时间Fix；所述预警时间Fix的计算公式为:
进一步地，发起农作物腐烂预警的方式为：
冷链物流运输车控制后台在运输过程中，每隔一天，对于第x个新鲜度的第i种待运输农作物，判断运输的总天数是否大于或等于对应的预警时间Fix，若大于预警时间Fix，则向运输人员发起预警。
一种基于物联网数据监控的冷链运输风险预警系统，包括数据收集模块、模型训练模块、新鲜度统计模块、适宜存储温度计算模块以及腐烂预警模块；其中，各个模块之间通过电气方式连接；
其中，所述数据收集模块主要用于收集农作物信息表以及农作物存储训练数据，并将农作物信息表发送至适宜存储温度计算模块，将农作物存储训练数据发送至模型训练模块；
其中，所述模型训练模块主要用于基于农作物存储训练数据训练出评估每种农作物的新鲜度的神经网络模型，并将神经网络模型发送至新鲜度统计模块；
其中，所述新鲜度统计模块主要用于收集待运输农作物数据，并使用神经网络模型获得每种待运输农作物的新鲜度统计数据，并将新鲜度统计数据发送至适宜存储温度计算模块；
其中，所述适宜存储温度计算模块主要用于基于待运输农作物数据和评估的每种农作物的新鲜度统计数据，计算冷链运输车的适宜存储温度，并将冷链运输车运输待运输农作物时的存储温度设置为适宜存储温度，并将适宜存储温度发送至腐烂预警模块；
其中，所述腐烂预警模块主要用于基于待运输农作物数据、存储温度和农作物信息表，为每种待运输农作物生成预警时间，在运输过程中，基于预警时间，发起农作物腐烂预警。
一种计算机服务器，包括：处理器和存储器，其中，
所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行上述的基于物联网数据监控的冷链运输风险预警方法。
一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行上述的基于物联网数据监控的冷链运输风险预警方法。
与现有技术相比，本发明的有益效果是：
本发明通过收集农作物信息表以及农作物存储训练数据，基于农作物存储训练数据训练出评估每种农作物的新鲜度的神经网络模型，收集待运输农作物数据，并使用神经网络模型获得每种待运输农作物的新鲜度统计数据，基于待运输农作物数据和评估的每种农作物的新鲜度统计数据，计算冷链运输车的适宜存储温度，并将冷链运输车运输待运输农作物时的存储温度设置为适宜存储温度，基于待运输农作物数据、存储温度和农作物信息表，为每种待运输农作物生成预警时间，在运输过程中，基于预警时间，发起农作物腐烂预警；通过将不同的农作物的新鲜度进行标准化以统一评估标准，从而实现对冷链运输过程中能尽量降低农作物腐烂损失的存储温度的计算，降低了运输过程中农作物的腐烂风险，提高每次冷链运输过程的经济效益。
附图说明
图1为本发明的实施例1中的基于物联网数据监控的冷链运输风险预警方法流程图；
图2为本发明的实施例2中的基于物联网数据监控的冷链运输风险预警系统的模块连接关系图；
图3为本发明实施例3中的电子设备结构示意图；
图4为本发明实施4中的计算机可读存储介质结构示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，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它实施例，都属于本发明保护的范围。
实施例1
如图1所示，一种基于物联网数据监控的冷链运输风险预警方法，包括以下步骤：
步骤一：收集农作物信息表以及农作物存储训练数据；
步骤二：基于农作物存储训练数据训练出评估每种农作物的新鲜度的神经网络模型；
步骤三：收集待运输农作物数据，并使用神经网络模型获得每种待运输农作物的新鲜度统计数据；
步骤四：基于待运输农作物数据和评估的每种农作物的新鲜度统计数据，计算冷链运输车的适宜存储温度，并将冷链运输车运输待运输农作物时的存储温度设置为适宜存储温度；
步骤五：基于待运输农作物数据、适宜存储温度和农作物信息表，为每种待运输农作物生成预警时间，在运输过程中，基于预警时间，发起农作物腐烂预警；
其中，所述农作物信息表为以农作物类型为主键，以各个存储温度为属性，以在每个存储温度下的平均存储天数为属性值的数据库表；其中，平均存储天数通过预先将各种农作物类型的农作物存储在各个存储温度中，人工统计每种农作物存储的平均天数的方式获得；所述平均天数为在各个存储温度中，每种农作物的若干个体从存储至腐烂的天数的平均值；例如：农作物类型为西兰花，存储温度为4摄氏度，对应的存储天数为10天；
其中，所述农作物存储训练数据包括每种农作物类型的若干不同采摘时间的农作物个体的图片以及每张照片对应的新鲜度；
所述采摘时间为农作物被采摘后在不同温度环境下存放的时间；可以理解的是，农作物在采摘后可能被放置的存放温度不同，因此即使经过相同的存放时间，新鲜度也有所不同，因此，需要一个统一的标准来评估新鲜度；
所述新鲜度的计算方式为：
将农作物类型的编号标记为i；将农作物存储训练数据中，第i种农作物的图片对应的农作物个体的编号标记为pi；
将农作物信息表中存储温度的编号标记为t；将第t个存储温度下，第i种农作物的平均存储天数标记为Hti；
将第pi个农作物个体从被采摘至图片拍摄的时间范围内，所在存储环境的存储温度标记为tpi；将从被采摘至图片拍摄之间的时长标记为Hpi；
获取第i种农作物在存储温度tpi的环境中的平均存储天数Htpi；
预设标准存储温度t0，获取第i种农作物在标准存储温度t0的环境中的平均存储天数Ht0i；例如将标准存储温度t0设置为冰箱保鲜温度4摄氏度；
将第pi个农作物个体的新鲜度标记为Xpi，则新鲜度Xpi的计算公式为需要说明的是，[]是取整符号；需要说明的是，Xpi可以理解为换算成农作物被存储在标准存储温度对应环境中的平均存储天数，从而为新鲜度提供了统一的换算标准；
基于农作物存储训练数据训练出评估每种农作物的新鲜度的神经网络模型的方式为：
对于第i种农作物类型，将农作物存储训练数据中，每张该农作物类型的农作物个体的图片作为神经网络模型的输入，所述神经网络模型以对每张图片的评估的新鲜度为输出，以农作物存储训练数据中，每张图片对应的新鲜度为评估目标，以最小化所有图片的评估误差之和作为训练目标；对神经网络模型进行训练，直至评估误差之和达到收敛时停止训练，训练出根据农作物个体图片，输出评估新鲜度的神经网络模型；所述神经网络模型是CNN神经网络模型；
评估误差的计算公式为：wpi＝(Dpi-Xpi)2，其中，wpi为评估误差，Dpi为第pi个农作物个体的图片对应的评估的新鲜度；
所述待运输农作物数据包括每种待运输农作物的重量、标准价格序列以及在将待运输农作物装上冷链运输车前，为每种待运输农作物拍摄的农作物图片；可以理解的是，待运输农作物的数量一般较多，因此拍摄的农作物照片中可能存在多个农作物个体；
所述标准价格序列为每种待运输农作物在标准存储温度t0的环境中保存时，每个存储天数的单价；可以理解的是，因农作物存储时间越长，其新鲜程度越会打折扣，因此，单价也会随着存储时间的延长而降低；所述标准价格序列可以根据历史售卖经验和市场当前价格波动情况人工确定；
使用神经网络模型获得每种待运输农作物的新鲜度统计数据的方式为：
从待运输农作物的图片中识别并分割出待运输农作物个体的图片；
基于每张待运输农作物个体的图片以及神经网络模型，获得每种待运输农作物的新鲜度统计数据；
识别并分割出农作物个体的图片的方式为：
使用目标识别算法识别每种待运输农作物的图片中的对应类型的农作物个体，并将每个农作物个体的图片区域进行分割，获得每个待运输农作物个体的图片；
需要说明的是，目标识别算法包括但不限于RCNN、Yolo等神经网络模型，使用上述目标识别算法从图片中识别并标记每个待识别物体，属于本领域的常规技术手段，本发明在此不再赘述；且进一步的，上述目标识别算法均具有在图片中使用边界框框定每个识别出的目标的功能，因此通过提取每个边界框内的图片，即可获得每个待运输农作物个体的图片；
获得每种待运输农作物的新鲜度统计数据的方式为：
对于第i种农作物类型，将对应的待运输农作物个体的图片数量标记为Ni；
将每张待运输农作物个体的图片输入至神经网络模型，获得神经网络模型输出的对每个待运输农作物个体的评估的新鲜度；
可以理解的是，天数的统计方式是离散化的，例如1天，2天等；而新鲜度也代表的是存储天数，因此，新鲜度也是离散的；
将每个新鲜度的编号标记为x，第x个新鲜度表示新鲜度的值为x，x＝1，2，3…；
将第i种农作物类型，Ni张待运输农作物个体的图片中，评估为第x个新鲜度的图片数量标记为Mix；
新鲜度统计数据包括每种农作物类型的各个新鲜度的待运输农作物个体的数量；
计算冷链运输车的存储温度的方式为：
将第i种待运输农作物的重量标记为Wi，第i种农作物类型的第x个新鲜度的待运输农作物重量标记为Wix，其中Wix的计算公式为
获取冷链运输车的运输天数K；
对于第t个存储温度，计算冷链运输车运输所有待运输农作物的最大收益值St；
从所有存储温度中，选择最大收益值St最大的存储温度作为冷链运输车的适宜存储温度；
最大收益值St的计算方式为：
从农作物信息表中查询，对于第i种待运输农作物在第t个存储温度下的平均存储天数Hti；
计算第x个新鲜度的第i种待运输农作物，在第t个存储温度下的标准存储天数Ritx；
标准存储天数Ritx的计算公式为：可以理解的是，表示的是在冷链运输车运输的天数所换算的在标准存储温度t0下的存储时长，而Ritx即为冷链运输车运输完成时，第x个新鲜度的第i种待运输农作物在标准存储温度下的存储天数；
将第i种待运输农作物的在标准存储天数Ritx天的单价标记为JRitx；第i种农作物类型在标准存储天数Ritx天的总价格为JRitx×Wix；
对于第x个新鲜度的第i种待运输农作物，若对应的标准存储天数Ritx大于或等于平均存储天数Hti，则将其单价JRitx设置为0；
若标准存储天数Ritx小于平均存储天数Hti，则从标准价格序列中获得对应的单价JRitx；
最大收益值St的计算公式为St＝∑i∑xJRitx×Wix；
为每种待运输农作物生成预警时间的方式为：
将冷链运输车的适宜存储温度标记为t1；
从农作物信息表中获得第i种待运输农作物对应的平均存储天数Ht1i；
对于第x个新鲜度的第i种待运输农作物，计算其预警时间Fix；所述预警时间Fix的计算公式为：可以理解的是，/>为将新鲜度换算为在适宜存储温度Ht1i下的存储时长，则Fix即为剩余可存储的天数，超出Fix的天数，可能存在腐烂的风险；
发起农作物腐烂预警的方式为：
冷链物流运输车控制后台在运输过程中，每隔一天，对于第x个新鲜度的第i种待运输农作物，判断运输的总天数是否大于或等于对应的预警时间Fix，若大于预警时间Fix，则向运输人员发起语音预警或智能终端弹窗预警。
实施例2
如图2所示，一种基于物联网数据监控的冷链运输风险预警系统，包括数据收集模块、模型训练模块、新鲜度统计模块、适宜存储温度计算模块以及腐烂预警模块；其中，各个模块之间通过电气方式连接；
其中，所述数据收集模块主要用于收集农作物信息表以及农作物存储训练数据，并将农作物信息表发送至适宜存储温度计算模块，将农作物存储训练数据发送至模型训练模块；
其中，所述模型训练模块主要用于基于农作物存储训练数据训练出评估每种农作物的新鲜度的神经网络模型，并将神经网络模型发送至新鲜度统计模块；
其中，所述新鲜度统计模块主要用于收集待运输农作物数据，并使用神经网络模型获得每种待运输农作物的新鲜度统计数据，并将新鲜度统计数据发送至适宜存储温度计算模块；
其中，所述适宜存储温度计算模块主要用于基于待运输农作物数据和评估的每种农作物的新鲜度统计数据，计算冷链运输车的适宜存储温度，并将冷链运输车运输待运输农作物时的存储温度设置为适宜存储温度，并将适宜存储温度发送至腐烂预警模块；
其中，所述腐烂预警模块主要用于基于待运输农作物数据、存储温度和农作物信息表，为每种待运输农作物生成预警时间，在运输过程中，基于预警时间，发起农作物腐烂预警。
实施例3
图3是本申请一个实施例提供的电子设备结构示意图。如图3所示，根据本申请的又一方面还提供了一种电子设备100。该电子设备100可包括一个或多个处理器以及一个或多个存储器。其中，存储器中存储有计算机可读代码，计算机可读代码当由一个或多个处理器运行时，可以执行如上所述的一种基于物联网数据监控的冷链运输风险预警方法。
根据本申请实施方式的方法或系统也可以借助于图3所示的电子设备的架构来实现。如图3所示，电子设备100可包括总线101、一个或多个CPU102、只读存储器(ROM)103、随机存取存储器(RAM)104、连接到网络的通信端口105、输入/输出组件106、硬盘107等。电子设备100中的存储设备，例如ROM103或硬盘107可存储本申请提供的一种基于物联网数据监控的冷链运输风险预警方法。一种基于物联网数据监控的冷链运输风险预警方法可例如包括以下步骤：步骤一：收集农作物信息表以及农作物存储训练数据；步骤二：基于农作物存储训练数据训练出评估每种农作物的新鲜度的神经网络模型；步骤三：收集待运输农作物数据，并使用神经网络模型获得每种待运输农作物的新鲜度统计数据；步骤四：基于待运输农作物数据和评估的每种农作物的新鲜度统计数据，计算冷链运输车的适宜存储温度，并将冷链运输车运输待运输农作物时的存储温度设置为适宜存储温度；步骤五：基于待运输农作物数据、适宜存储温度和农作物信息表，为每种待运输农作物生成预警时间，在运输过程中，基于预警时间，发起农作物腐烂预警。
进一步地，电子设备100还可包括用户界面108。当然，图3所示的架构只是示例性的，在实现不同的设备时，根据实际需要，可以省略图3示出的电子设备中的一个或多个组件。
实施例4
图4是本申请一个实施例提供的计算机可读存储介质结构示意图。如图4所示，是根据本申请一个实施方式的计算机可读存储介质200。计算机可读存储介质200上存储有计算机可读指令。当计算机可读指令由处理器运行时，可执行参照以上附图描述的根据本申请实施方式的一种基于物联网数据监控的冷链运输风险预警方法。计算机可读存储介质200包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。
另外，根据本申请的实施方式，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质存储有机器可读指令，所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令，在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。
可能以许多方式来实现本申请的方法和装置、设备。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明，本申请的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本申请实施为记录在记录介质中的程序，这些程序包括用于实现根据本申请的方法的机器可读指令。因而，本申请还覆盖存储用于执行根据本申请的方法的程序的记录介质。
另外，本申请的实施方式中提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
如上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明。应理解的是，以上所述仅为本发明的具体实施方式，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。
以上的预设的参数或预设的阈值均由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (11)

1.一种基于物联网数据监控的冷链运输风险预警方法，其特征在于，包括以下步骤：
收集农作物信息表以及农作物存储训练数据；
基于农作物存储训练数据训练出评估每种农作物的新鲜度的神经网络模型；
收集待运输农作物数据，并使用神经网络模型获得每种待运输农作物的新鲜度统计数据；
基于待运输农作物数据和评估的每种农作物的新鲜度统计数据，计算冷链运输车的适宜存储温度，并将冷链运输车运输待运输农作物时的存储温度设置为适宜存储温度；
基于待运输农作物数据、适宜存储温度和农作物信息表，为每种待运输农作物生成预警时间，在运输过程中，基于预警时间，发起农作物腐烂预警；
所述农作物信息表为以农作物类型为主键，以各个存储温度为属性，以在每个存储温度下的平均存储天数为属性值的数据库表；其中，平均存储天数通过预先将各种农作物类型的农作物存储在各个存储温度中，人工统计每种农作物存储的平均天数的方式获得；所述平均天数为在各个存储温度中，每种农作物的个体从存储至腐烂的天数的平均值；
所述农作物存储训练数据包括每种农作物类型的不同采摘时间的农作物个体的图片以及每张照片对应的新鲜度；
所述新鲜度的计算方式为：
将农作物类型的编号标记为i；将农作物存储训练数据中，第i种农作物的图片对应的农作物个体的编号标记为pi；
将农作物信息表中存储温度的编号标记为t；将第t个存储温度下，第i种农作物的平均存储天数标记为Hti；
将第pi个农作物个体从被采摘至图片拍摄的时间范围内，所在存储环境的存储温度标记为tpi；将从被采摘至图片拍摄之间的时长标记为Hpi；
获取第i种农作物在存储温度tpi的环境中的平均存储天数Htpi；
预设标准存储温度t0，获取第i种农作物在标准存储温度t0的环境中的平均存储天数Ht0i；
将第pi个农作物个体的新鲜度标记为Xpi，则新鲜度Xpi的计算公式为[]是取整符号。
2.根据权利要求1所述的一种基于物联网数据监控的冷链运输风险预警方法，其特征在于，基于农作物存储训练数据训练出评估每种农作物的新鲜度的神经网络模型的方式为：
对于第i种农作物类型，将农作物存储训练数据中，每张该农作物类型的农作物个体的图片作为神经网络模型的输入，所述神经网络模型以对每张图片的评估的新鲜度为输出，以农作物存储训练数据中，每张图片对应的新鲜度为评估目标，以最小化所有图片的评估误差之和作为训练目标；对神经网络模型进行训练，直至评估误差之和达到收敛时停止训练，训练出根据农作物个体图片，输出评估新鲜度的神经网络模型；所述神经网络模型是CNN神经网络模型；
评估误差的计算公式为：wpi＝(Dpi-Xpi)2，其中，wpi为评估误差，Dpi为第pi个农作物个体的图片对应的评估的新鲜度。
3.根据权利要求2所述的一种基于物联网数据监控的冷链运输风险预警方法，其特征在于，所述待运输农作物数据包括每种待运输农作物的重量、标准价格序列以及在将待运输农作物装上冷链运输车前，为每种待运输农作物拍摄的农作物图片；
所述标准价格序列为每种待运输农作物在标准存储温度t0的环境中保存时，每个存储天数的单价。
4.根据权利要求3所述的一种基于物联网数据监控的冷链运输风险预警方法，其特征在于，使用神经网络模型获得每种待运输农作物的新鲜度统计数据的方式为：
从待运输农作物的图片中识别并分割出待运输农作物个体的图片；
基于每张待运输农作物个体的图片以及神经网络模型，获得每种待运输农作物的新鲜度统计数据；
获得每种待运输农作物的新鲜度统计数据的方式为：
对于第i种农作物类型，将对应的待运输农作物个体的图片数量标记为Ni；
将每张待运输农作物个体的图片输入至神经网络模型，获得神经网络模型输出的对每个待运输农作物个体的评估的新鲜度；
将每个新鲜度的编号标记为x，第x个新鲜度表示新鲜度的值为x，x＝1，2，3，…；
将第i种农作物类型，Ni张待运输农作物个体的图片中，评估为第x个新鲜度的图片数量标记为Mix；
新鲜度统计数据包括每种农作物类型的各个新鲜度的待运输农作物个体的数量。
5.根据权利要求4所述的一种基于物联网数据监控的冷链运输风险预警方法，其特征在于，计算冷链运输车的存储温度的方式为：
将第i种待运输农作物的重量标记为Wi，第i种农作物类型的第x个新鲜度的待运输农作物重量标记为Wix，其中Wix的计算公式为
获取冷链运输车的运输天数K；
对于第t个存储温度，计算冷链运输车运输所有待运输农作物的最大收益值St；
从所有存储温度中，选择最大收益值St最大的存储温度作为冷链运输车的适宜存储温度。
6.根据权利要求5所述的一种基于物联网数据监控的冷链运输风险预警方法，其特征在于，最大收益值St的计算方式为：
从农作物信息表中查询，对于第i种待运输农作物在第t个存储温度下的平均存储天数Hti；
计算第x个新鲜度的第i种待运输农作物，在第t个存储温度下的标准存储天数Ritx；
标准存储天数Ritx的计算公式为：
将第i种待运输农作物的在标准存储天数Ritx天的单价标记为JRitx；第i种农作物类型在标准存储天数Ritx天的总价格为JRitx×Wix；
对于第x个新鲜度的第i种待运输农作物，若对应的标准存储天数Ritx大于或等于平均存储天数Hti，则将其单价JRitx设置为0；
若标准存储天数Ritx小于平均存储天数Hti，则从标准价格序列中获得对应的单价JRitx；
最大收益值St的计算公式为St＝∑i∑xJRitx×Wix。
7.根据权利要求6所述的一种基于物联网数据监控的冷链运输风险预警方法，其特征在于，为每种待运输农作物生成预警时间的方式为：
将冷链运输车的适宜存储温度标记为t1；
从农作物信息表中获得第i种待运输农作物对应的平均存储天数Ht1i；
对于第x个新鲜度的第i种待运输农作物，计算其预警时间Fix；所述预警时间Fix的计算公式为：
8.根据权利要求7所述的一种基于物联网数据监控的冷链运输风险预警方法，其特征在于，发起农作物腐烂预警的方式为：
冷链物流运输车控制后台在运输过程中，每隔一天，对于第x个新鲜度的第i种待运输农作物，判断运输的总天数是否大于或等于对应的预警时间Fix，若大于预警时间Fix，则向运输人员发起预警。
9.一种基于物联网数据监控的冷链运输风险预警系统，其基于权利要求1-8任意一项所述的基于物联网数据监控的冷链运输风险预警方法实现，其特征在于，包括数据收集模块、模型训练模块、新鲜度统计模块、适宜存储温度计算模块以及腐烂预警模块；其中，各个模块之间通过电气方式连接；
其中，所述数据收集模块主要用于收集农作物信息表以及农作物存储训练数据，并将农作物信息表发送至适宜存储温度计算模块，将农作物存储训练数据发送至模型训练模块；
其中，所述模型训练模块主要用于基于农作物存储训练数据训练出评估每种农作物的新鲜度的神经网络模型，并将神经网络模型发送至新鲜度统计模块；
其中，所述新鲜度统计模块主要用于收集待运输农作物数据，并使用神经网络模型获得每种待运输农作物的新鲜度统计数据，并将新鲜度统计数据发送至适宜存储温度计算模块；
其中，所述适宜存储温度计算模块主要用于基于待运输农作物数据和评估的每种农作物的新鲜度统计数据，计算冷链运输车的适宜存储温度，并将冷链运输车运输待运输农作物时的存储温度设置为适宜存储温度，并将适宜存储温度发送至腐烂预警模块；
其中，所述腐烂预警模块主要用于基于待运输农作物数据、存储温度和农作物信息表，为每种待运输农作物生成预警时间，在运输过程中，基于预警时间，发起农作物腐烂预警。
10.一种计算机服务器，其特征在于，包括：处理器和存储器；
其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行权利要求1-8任意一项所述的基于物联网数据监控的冷链运输风险预警方法。
11.一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行权利要求1-8任意一项所述的基于物联网数据监控的冷链运输风险预警方法。
CN202310997705.4A 2023-08-09 2023-08-09 一种基于物联网数据监控的冷链运输风险预警方法及系统 Active CN116976675B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310997705.4A CN116976675B (zh) 2023-08-09 2023-08-09 一种基于物联网数据监控的冷链运输风险预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310997705.4A CN116976675B (zh) 2023-08-09 2023-08-09 一种基于物联网数据监控的冷链运输风险预警方法及系统

Publications (2)

Publication Number Publication Date
CN116976675A CN116976675A (zh) 2023-10-31
CN116976675B true CN116976675B (zh) 2024-04-05

Family

ID=88481323

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310997705.4A Active CN116976675B (zh) 2023-08-09 2023-08-09 一种基于物联网数据监控的冷链运输风险预警方法及系统

Country Status (1)

Country Link
CN (1) CN116976675B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117236825B (zh) * 2023-11-15 2024-04-05 南京龟兔赛跑软件研究院有限公司 农产品供应链运输管理系统及方法
CN117273869B (zh) * 2023-11-21 2024-02-13 安徽农业大学 一种基于用户数据的农产品智能推送方法、系统、装置以及介质

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106991427A (zh) * 2017-02-10 2017-07-28 海尔优家智能科技（北京）有限公司 果蔬新鲜度的识别方法及装置
CN109478271A (zh) * 2016-06-20 2019-03-15 开利公司 追踪和建议冷链管理器
CN109490306A (zh) * 2018-12-27 2019-03-19 龙口盛福达食品有限公司 一种基于色泽和气味数据融合的猪肉新鲜度检测方法
CN110503314A (zh) * 2019-08-02 2019-11-26 Oppo广东移动通信有限公司 一种新鲜度评估方法及装置、存储介质
CN209911240U (zh) * 2019-04-10 2020-01-07 北京农业信息技术研究中心 一种生鲜产品剩余货架期预测设备及系统
CN110674736A (zh) * 2019-09-23 2020-01-10 珠海格力电器股份有限公司 一种识别食材新鲜度的方法、装置、服务器及存储介质
CN111126156A (zh) * 2019-11-27 2020-05-08 四川大学 一种基于机器学习的菜品新鲜度识别方法
CN112200443A (zh) * 2020-09-30 2021-01-08 山东财经大学 基于农产品冷链物流需求的物流节点布局优化方法及系统
CN113052530A (zh) * 2021-03-20 2021-06-29 李波 基于大数据和人工智能的冷链智慧物流运输在线实时监测云平台
CN113269500A (zh) * 2021-06-16 2021-08-17 江苏佳利达国际物流股份有限公司 一种基于神经网络的冷链物流监控方法及系统
JP2022098763A (ja) * 2020-12-22 2022-07-04 株式会社Giant 鮮度管理システム、鮮度管理方法および、鮮度管理プログラム
CN114707612A (zh) * 2022-04-22 2022-07-05 珠海格力电器股份有限公司 食物管理方法、食物管理系统及食物贮藏设备
CN114757522A (zh) * 2022-04-07 2022-07-15 南京邮电大学 一种基于大数据的粮仓管理系统及方法
KR20220156152A (ko) * 2021-05-18 2022-11-25 문성철 인공지능(ai)을 적용한 신선도 예측 기반의 식재료 및 음식의 온라인 판매중계 시스템 및 방법
WO2023087508A1 (zh) * 2021-11-18 2023-05-25 广州工商学院 一种冷链物流监控方法、系统和计算机设备
CN116452358A (zh) * 2023-03-07 2023-07-18 陕西天霖瑞腾网络科技有限公司 基于物联网的智慧农业管理系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11448632B2 (en) * 2018-03-19 2022-09-20 Walmart Apollo, Llc System and method for the determination of produce shelf life
US20230112842A1 (en) * 2021-10-12 2023-04-13 International Business Machines Corporation Method and System for Synergy with Transportation Route and Selective Harvesting Supply Chain Logistics
CN116012208A (zh) * 2022-09-29 2023-04-25 成都秦川物联网科技股份有限公司 用于智慧城市的风险区域预警信息生成方法和物联网系统

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109478271A (zh) * 2016-06-20 2019-03-15 开利公司 追踪和建议冷链管理器
CN106991427A (zh) * 2017-02-10 2017-07-28 海尔优家智能科技（北京）有限公司 果蔬新鲜度的识别方法及装置
CN109490306A (zh) * 2018-12-27 2019-03-19 龙口盛福达食品有限公司 一种基于色泽和气味数据融合的猪肉新鲜度检测方法
CN209911240U (zh) * 2019-04-10 2020-01-07 北京农业信息技术研究中心 一种生鲜产品剩余货架期预测设备及系统
CN110503314A (zh) * 2019-08-02 2019-11-26 Oppo广东移动通信有限公司 一种新鲜度评估方法及装置、存储介质
CN110674736A (zh) * 2019-09-23 2020-01-10 珠海格力电器股份有限公司 一种识别食材新鲜度的方法、装置、服务器及存储介质
CN111126156A (zh) * 2019-11-27 2020-05-08 四川大学 一种基于机器学习的菜品新鲜度识别方法
CN112200443A (zh) * 2020-09-30 2021-01-08 山东财经大学 基于农产品冷链物流需求的物流节点布局优化方法及系统
JP2022098763A (ja) * 2020-12-22 2022-07-04 株式会社Giant 鮮度管理システム、鮮度管理方法および、鮮度管理プログラム
CN113052530A (zh) * 2021-03-20 2021-06-29 李波 基于大数据和人工智能的冷链智慧物流运输在线实时监测云平台
KR20220156152A (ko) * 2021-05-18 2022-11-25 문성철 인공지능(ai)을 적용한 신선도 예측 기반의 식재료 및 음식의 온라인 판매중계 시스템 및 방법
CN113269500A (zh) * 2021-06-16 2021-08-17 江苏佳利达国际物流股份有限公司 一种基于神经网络的冷链物流监控方法及系统
WO2023087508A1 (zh) * 2021-11-18 2023-05-25 广州工商学院 一种冷链物流监控方法、系统和计算机设备
CN114757522A (zh) * 2022-04-07 2022-07-15 南京邮电大学 一种基于大数据的粮仓管理系统及方法
CN114707612A (zh) * 2022-04-22 2022-07-05 珠海格力电器股份有限公司 食物管理方法、食物管理系统及食物贮藏设备
CN116452358A (zh) * 2023-03-07 2023-07-18 陕西天霖瑞腾网络科技有限公司 基于物联网的智慧农业管理系统

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
Smartphone platform based on gelatin methacryloyl(GelMA)combined with deep learning models for real-time monitoring of food freshness;Wei Gong等;Talanta;第253卷;1-8 *
Wei Gong等.Smartphone platform based on gelatin methacryloyl(GelMA)combined with deep learning models for real-time monitoring of food freshness.Talanta.2023,第253卷1-8. *
一种大米的保鲜品质变化及评价模型的建立;杨海晴等;中国粮油学报;20230517;第38卷(第11期);28-35 *
冷却牛肉新鲜度评价及图像分析方法研究;孙永海等;食品科学;20030430(第04期);31-34 *
基于图像处理的鸡蛋新鲜度预测模型研究;刘莹莹等;食品与机械;第33卷(第12期);103-109 *
大数据背景下山区生鲜农产品配送问题研究;刘立国等;饮食科学;20180523(第10期);83-84 *
物联网技术在生鲜农产品冷链物流中的应用研究;陈祢等;价值工程;第39卷(第20期);129-132 *
艺科融合赋能猪肉新鲜度智能监测设计研究;徐丹萌等;现代畜牧科技(第04期);92-96 *

Also Published As

Publication number Publication date
CN116976675A (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
CN116976675B (zh) 一种基于物联网数据监控的冷链运输风险预警方法及系统
Sarwar et al. Detecting and counting sheep with a convolutional neural network
Liu et al. Dynamics of a stochastic regime-switching predator–prey model with harvesting and distributed delays
CN110796043B (zh) 容器检测、饲喂检测方法、装置及饲喂系统
CN108805137A (zh) 牲畜特征向量的提取方法、装置、计算机设备和存储介质
KR20190128589A (ko) 기계학습 예측 모델에 기초한 최적의 소 출하 시점 결정 방법
CN110991222B (zh) 一种物体状态监测、母猪发情监测方法、装置及系统
CN109636826A (zh) 生猪重量量测方法、服务器及计算机可读存储介质
Dohmen et al. Image-based body mass prediction of heifers using deep neural networks
AU2017283867A1 (en) Information processing device, method, and program
O’Connell et al. Combining cattle activity and progesterone measurements using hidden semi-Markov models
CN113420709A (zh) 牛脸特征提取模型训练方法、系统及牛的保险方法、系统
CN111325181A (zh) 一种状态监测方法、装置、电子设备及存储介质
CN117236825B (zh) 农产品供应链运输管理系统及方法
Chen et al. DID: Disentangling-imprinting-distilling for continuous low-shot detection
CN116994244A (zh) 一种基于Yolov8的柑橘树体果实产量评估方法
CN116308038A (zh) 基于物联网的仓库货物采购管理方法和系统
CN116205748A (zh) 一种基于智能物联网的养殖保险精准定损方法及装置
CN112734730B (zh) 一种牲畜数量识别方法、装置、设备和存储介质
CN115757372A (zh) 一种基于gru模型的数据缺失值填充方法及系统
CN115359050A (zh) 家畜采食量异常检测方法及装置
Moosa et al. SMT: Self-supervised Approach for Multiple Animal Detection and Tracking
CN117676187B (zh) 一种视频数据的处理方法、装置、电子设备以及存储介质
CN116993297B (zh) 基于电子会议记录的任务数据生成方法及系统
CN117114581B (zh) 基于人工智能的粮库存储与物流优化方法

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