CN116976917B - 基于区块链技术的农业品牌存证体系建设方法 - Google Patents
基于区块链技术的农业品牌存证体系建设方法 Download PDFInfo
- Publication number
- CN116976917B CN116976917B CN202310957523.4A CN202310957523A CN116976917B CN 116976917 B CN116976917 B CN 116976917B CN 202310957523 A CN202310957523 A CN 202310957523A CN 116976917 B CN116976917 B CN 116976917B
- Authority
- CN
- China
- Prior art keywords
- quality
- index
- value
- production
- quality index
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 26
- 238000005516 engineering process Methods 0.000 title claims abstract description 16
- 238000004519 manufacturing process Methods 0.000 claims abstract description 211
- 238000000034 method Methods 0.000 claims description 66
- 238000005070 sampling Methods 0.000 claims description 10
- 238000012847 principal component analysis method Methods 0.000 claims description 7
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 abstract description 12
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Accounting & Taxation (AREA)
- Agronomy & Crop Science (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Animal Husbandry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Finance (AREA)
- Databases & Information Systems (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及区块链溯源技术领域,具体涉及一种基于区块链技术的农业品牌存证体系建设方法。本发明对区块链上农产品进行抽样并获取品质指标和生产指标;对每个品质指标进行分析获得品质参数;然后根据品质参数获得每个品质指标的特征权重值进而获得每个样本的总品质特征值;根据生产指标与总品质特征值获得生产指标的实际质量相关系数并更新待处理农产品的生产指标,获得多维生产指标数据,对多维生产指标数据进行降维获得最终降维数据,然后获得聚类结果;最后对每个聚类簇中的待处理农产品批量上链。本发明不仅保证了溯源精度,增加了冗余性,进而降低了区块链的存储、运维压力,增强了农业品牌存证体系建设的可靠性。
Description
技术领域
本发明涉及区块链溯源技术领域,具体涉及一种基于区块链技术的农业品牌存证体系建设方法。
背景技术
农产品的品牌建设能够有效提升农产品的附加价值,优秀的品牌建设能够保证农产品得到有效推广。但是在传统供应链信息不对称的情况下,数据孤岛、供应链数据断裂等痛点仍存在于我国农产品市场中。区块链技术由于拥有不可篡改、可追溯的特性,故可以用来解决传统供应链中信息不对称的情况,极大的提高整个产业链的信息透明度。
在将区块链技术应用至农产品品牌建设的过程中,现有技术通常会将每个农产品单独上链,故上链过程具有较小冗余会导致区块链的存储、运维压力大,进而影响农业品牌存证体系建设的可靠性。
发明内容
为了解决上链过程具有较小冗余会导致区块链的存储、运维压力大,进而影响农业品牌存证体系建设的可靠性的技术问题,本发明的目的在于提供一种基于区块链技术的农业品牌存证体系建设方法,所采用的技术方案具体如下:
本发明提出了一种基于区块链技术的农业品牌存证体系建设方法,包括区块链,所述区块链上包括至少两种农产品的品质指标和生产指标,所述方法包括:
对区块链上与待处理农产品同产地、同类型的农产品数据进行抽样,获得样本的品质指标和生产指标;
根据每个品质指标在所有样本中的品质指标值和所有样本中每个品质指标值出现的次数,获得每个品质指标的品质参数;根据所有所述品质参数获得每个品质指标的特征权重值;根据每个样本所有的品质指标值与特征权重值获得每个样本的总品质特征值;
将任意一个生产指标作为目标生产指标;根据所有样本的目标生产指标值与总品质特征值获得目标生产指标的初始质量相关系数;根据所有其他的生产指标对所述初始质量相关系数进行调节,获得目标生产指标的实际质量相关系数;
获取待处理农产品的生产指标,根据所述实际质量相关系数更新所述待处理农产品的生产指标,获得多维生产指标数据;对所述多维生产指标数据进行降维获得最终降维数据;对所述最终降维数据进行聚类获得聚类结果;
根据所述聚类结果对待处理农产品进行批量上链操作,完成农业品牌的存证体系建设。
进一步地,所述根据每个品质指标在所有样本中的品质指标值和所有样本中每个品质指标值出现的次数,获得每个品质指标的品质参数,包括:
将每个品质指标在所有样本中的品质指标值出现次数的和值作为样本总数,将每个品质指标值出现的次数比上样本总数作为每个品质指标值的品质概率;
对每个品质指标对应的所有品质概率进行高斯拟合获得拟合曲线,根据所述拟合曲线获得峰值处对应的品质指标值;
获得每个品质指标在所有样本中的最大品质指标值;基于峰度公式根据每个品质指标对应的品质概率获得峰度值;
将所述峰值处对应的品质指标值和所述最大品质指标值的比值与所述峰度值相乘,作为每个品质指标的品质参数。
进一步地,所述特征权重值的获取方法包括:
将每个品质参数归一化后进行负相关映射作为每个品质指标的所述特征权重值。
进一步地,所述总品质特征值的获取方法包括:
将每个样本的每个品质指标值与对应的特征权重值相乘并求平方作为每个品质指标的品质特征值;
将每个样本的所有所述品质特征值进行累加后开平方作为每个样本的所述总品质特征值。
进一步地,所述初始质量相关系数的获取方法包括:
获取所有样本的目标生产指标值与总品质特征值的协方差;
根据所有样本的目标生产指标值获取所述目标生产指标的均方差,根据所有样本的总品质特征值获得所述总品质特征值的均方差;
将所述目标生产指标的均方差与所述总品质特征值的均方差相乘作为均方差乘积;
将所述协方差与均方差乘积的比值作为目标生产指标的所述初始质量相关系数。
进一步地,所述实际质量相关系数的获取方法包括:
获取所有其他每个生产指标在所有样本中的数值均方差,将所有所述数值均方差的平均值的倒数作为调节因子;
将所述调节因子与所述初始质量相关系数相乘作为目标生产指标的所述实际质量相关系数。
进一步地,所述多维生产指标数据的获取方法包括:
将所有待处理农产品的每个生产指标进行去均值标准化后获得处理后的生产指标;
将每个所述处理后的生产指标的方差与对应的实际质量相关系数相乘作为更新方差;将每个待处理农产品的所有所述更新方差进行降序排列获得所述多维生产指标数据。
进一步地,所述最终降维数据的获取方法包括:
基于主成分分析方法对所有所述多维生产指标数据进行降维,获得所述最终降维数据。
进一步地,所述聚类结果的获取方法包括:
基于手肘法获取所有所述最终降维数据的最优K值;使用K-means聚类算法根据所述最优K值对所述最终降维数据进行聚类,获得所述聚类结果。
进一步地,所述批量上链操作包括:
将每个聚类簇中待处理农产品的每个生产指标的均值作为批量上链的记录;完成所述批量上链操作。
本发明具有如下有益效果:
本发明的目的在于降低农产品上链过程中造成的区块链的存储以及运维压力,进而提高农业品牌存证体系建设的可靠性,所以可以对待处理的农产品进行分类后再上链存储;首先通过区块链上与待处理农产品同产地、同类型的历史农产品进行抽样并获得样本的品质指标以及生产指标,抽样的原因在于历史数据众多,抽样即表示具有代表性,同时可提高处理效率;进而可以对每个品质指标值出现的次数以及品质指标值进行分析从而对每个品质指标的有效特征程度进行评估,即获得品质参数;然后对多个品质参数进行分析可以获得每个品质参数对样本总品质特征的影响程度,即获得每个品质指标的特征权重值;进而可以将样本的品质指标值与特征权重值进行结合获得每个样本的总品质特征值;然后进一步对生产指标进行分析,目的在于获取每个生产指标与样本总品质特征的联系程度便于后续对待处理农产品进行聚类操作;计算样本的每个生产指标的实际质量相关系数,实际质量相关系数综合了样本的生产指标与总品质特征值的信息,并且消除了其他生产指标的影响,所以实际质量相关系数可以表征每个生产指标与总品质特征的独立的相关程度,因此可以通过每个生产指标对应的实际质量相关系数对待处理的农产品的生产指标进行更新;进而对更新后的生产指标进行降维并聚类即可获得更加精确的聚类结果,根据此聚类结果对待处理农产品进行批量上链操作即可提升冗余度,降低区块链存储、运维压力,在保证农产品溯源精度的同时,增强了农业品牌存证体系建设的可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,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的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1为本发明一个实施例所提供的一种基于区块链技术的农业品牌存证体系建设方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于区块链技术的农业品牌存证体系建设方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
基于区块链技术的农业品牌存证体系建设方法实施例:
下面结合附图具体的说明本发明所提供的一种基于区块链技术的农业品牌存证体系建设方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于区块链技术的农业品牌存证体系建设方法流程图,该方法包括以下步骤:
步骤S1:对区块链上与待处理农产品同产地、同类型的农产品数据进行抽样,获得样本的品质指标和生产指标。
在区块链中,上链是指将数据或交易记录添加到区块链的过程。当数据被上链后,将成为区块链中的一个不可篡改的、公开可验证的记录;所以为了建立农业品牌存证体系,提高农产品溯源精度以及实现农产品后续更好的跟踪、管理,可将区块链应用于农业品牌存证体系的建设过程中。而溯源精度最高的方式就是对每个农产品单独上链,但这会存在数据冗余性较小的问题,耗费极大量的人力、时间、运维成本,因此可进行聚类之后采用分类批量上链的处理方式。
聚类的依据可从区块链上历史农产品的数据中获得,但是由于历史农产品的数据众多,故本发明实施例中采用对历史农产品的数据进行抽样,以对样本数据分析处理的结果代替整体;因此在将待处理农产品上链之前,可以首先从区块链中对与待处理农产品同产地、同类型的农产品数据进行抽样,并获取对应样本在历史三年内的所有品质指标,如农产品的色泽、大小、成熟度等农产品自身的品质数据;还有生产指标,如种植周期、施肥频率、施肥量、浇灌频率、水量等人工干预的作业数据,至于气候、土质、虫害等非人工干预的不确定因素,可以以同产地具有相同影响因素进行概括,在本发明实施例中不作为具体的参考数据。需要说明的是,抽样可以具体例如为随机抽样,具体取多少年的历史数据实施者可根据具体情况进行调整,在此不做限定。
至此,获得了样本农产品的品质指标以及生产指标,可对其进行后续的分析与处理。
步骤S2:根据每个品质指标在所有样本中的品质指标值和所有样本中每个品质指标值出现的次数,获得每个品质指标的品质参数;根据所有品质参数获得每个品质指标的特征权重值;根据每个样本所有的品质指标值与特征权重值获得每个样本的总品质特征值。
在溯源农产品的生产指标时,由于农产品的生产指标与农产品的品质指标具有关联性,所以需要先定义农产品的品质特征,然后再分析品质特征与生产指标的关联性。
传统的特征提取方法通常是计算多个农产品的品质指标数值的欧式范数,但是由于农产品的同一品质指标,以大小为例,多个农产品的大小可能相近,但是色泽却差异明显,因此传统的特征提取方法获得的结果容易造成最终的聚类结果模糊的问题,故本发明实施例中对农产品的品质特征进行了更加精确的提取。
为了更精确的提取农产品的品质特征,所以可以首先对农产品的单个品质指标进行分析,根据每个品质指标在所有样本中的品质指标值与每个品质指标值在所有样本中出现的次数进行结合,获得每个品质指标的品质参数。
优选地,本发明一个实施例中品质参数的获取方法包括:
将每个品质指标在所有样本中的品质指标值出现的次数的和值作为所抽样的样本的总数,然后将每个品质指标值出现的次数比上样本的总数即可获得每个品质指标值的分布概率,将该分布概率作为每个品质指标值的品质概率。品质概率的公式模型为:
其中,ρz表示第z个品质指标值的品质概率,N表示样本总数,Qz表示第z个品质指标值,G()表示任意一个品质指标值出现的次数。
在品质概率的公式模型中,当某个品质指标值出现的次数越多,则该品质指标值的品质概率就越大。
获得每个品质指标值的品质概率之后,可将每个品质指标在所有样本中的品质指标值以及对应的多个品质概率进行结合分析获得每个品质指标的品质参数;品质参数可以更加综合的表征出每个品质指标的特征。
由于已经获得了每个品质指标对应的所有品质指标值的品质概率,故可计算每个品质指标对应的多个品质概率的均值以及均方差,然后可以拟合高斯分布,基于峰度公式根据品质概率获得峰度值;峰度公式可以反映出每个品质指标对应的多个品质指标值的分布情况;然后可根据拟合的高斯分布获得峰值处的品质指标值,将峰值处的品质指标值比上品质指标对应的最大的品质指标值后再与峰度值相乘,即可作为每个品质指标的品质参数。品质参数的公式模型为:
其中,Ku表示第u个品质指标的品质参数,表示第u个品质指标高斯拟合后的峰值处的品质指标值,/>表示样本中第u个品质指标的最大品质指标值,/>表示第u个品质指标的第z个品质指标值的品质概率,Ru表示第u个品质指标对应的品质概率的类数,μu表示第u个品质指标的所有品质概率的均值,σu表示第u个品质指标的所有品质概率的均方差,∑表示求和符号。
在品质参数的公式模型中,由于峰度是可以来衡量概率分布曲线形状陡峭或平缓程度的统计量,所以峰度值越大,也就是越大,其表示分布的峰部就越陡峭,尖峰也更尖锐,说明数据也就越集中;然后用高斯拟合后峰值处的品质指标值比上所有样本中品质指标对应的最大的品质指标值即/>当该比值越接近于1则代表高斯拟合后峰值处的品质指标值越大;将该比值与峰度值相乘,当所得的乘积越大,则说明样本的品质指标值均比较高。需要说明的是,峰度公式为公知技术,在此不做赘述。
因为农产品的生产指标对于品质指标通常都是正向的促进作用,因此品质优质且品质指标值较为集中的品质指标更容易造成分类模糊的问题,而品质差并且品质指标值较为分散的品质指标更能体现出生产指标的重要性;所以在后续分析不同的生产指标与品质指标的关联性时,品质参数越大的品质指标,其权重应该越低,故需要对品质参数进行处理以获取每个品质指标对应的特征权重值。
优选地,本发明一个实施例中特征权重值的获取方法包括:
首先对品质参数进行归一化,具体方法为将所有品质指标对应的品质参数进行累加求和;然后将每个品质参数比上所有品质参数累加求和的值;然后对归一化后的值进行负相关映射后作为每个品质指标的特征权重值。特征权重值的公式模型可以具体例如为:
其中,εu表示第u个品质指标的特征权重值,Ku表示第u个品质指标的品质参数,J表示品质指标的个数,∑表示求和符号。
在特征权重值的公式模型中,当品质指标对应的品质参数的值越大时,则品质指标的特征权重值就越小,符合上述品质参数越大的品质指标,其权重应该越低的要求。需要说明的是,实施者也可使用其他归一化方法,在此不做限定及赘述。
基于上述操作可以获得所有样本的所有品质指标的特征权重值,故可将每个样本的所有品质指标的特征权重值与对应的品质指标值进行结合来获取每个样本的总品质特征值。
优选地,本发明一个实施例中总品质特征值的获取方法包括:
首先要将每个样本的每个品质指标值与对应的特征权重值相乘并求平方获得品质特征值,品质特征值可以综合反映出每个品质指标对于样本整体品质的贡献程度,然后将每个样本的所有品质特征值进行累加并开平方获得每个样本的总品质特征值。总品质特征值的公式模型为:
其中,Ai表示第i个样本的总品质特征值,εu表示第u个品质指标的特征权重值,表示第i个样本的第u个品质指标的具体数值,即品质指标值,J表示品质指标的个数,∑表示求和符号。
在总品质特征值的公式模型中,将每个样本的每个品质指标值与对应的特征权重值相乘并求平方获得品质特征值,对所得的品质特征值累加并开平方获得每个样本的总品质特征值,可以使样本农产品的总品质特征之间的差异更加明显,更加有利于后续对生产指标与品质指标关联性的分析以及聚类分析。
至此,获得了每个样本的总品质特征值,可以进行后续的分析处理。
步骤S3:将任意一个生产指标作为目标生产指标;根据所有样本的目标生产指标值与总品质特征值获得目标生产指标的初始质量相关系数;根据所有其他的生产指标对初始质量相关系数进行调节,获得目标生产指标的实际质量相关系数。
农产品多维数据的聚类问题一般利用主成分分析方法进行降维处理,获得多个主成分;但是由于主成分分析方法基于方差最大化的本质,对于不同生产指标而言方差大或小并不能代表其真实的数据特征。因此可以通过农产品的生产指标与品质指标的相关性,即生产指标的质量相关系数矫正主成分分析过程中不同生产指标的特征方差,即生产指标差异较大,但实际对农产品的影响较小,那么此类生产指标在聚类过程中尺度可以较大;反之生产指标差异较小,但实际对农产品的影响较大,那么此类生产指标在聚类过程中尺度必须小。举例说明:例如不同农田的浇水量差异较大,但是农产品品质的差异较小,说明该生产指标对农产品的品质特征影响程度不大,那么在进行聚类分析时,该生产指标的方差所表征的数据特征应该被缩小;种植周期差异较小,但是农产品品质的差异较大,说明该生产指标对农产品的品质特征影响程度大,那么在进行聚类分析时,该生产指标的方差表征的数据特征应该被放大。基于此,故需要获取每个生产指标的质量相关系数,首先为了便于分析与说明,将生产指标中任意一个作为目标生产指标,然后根据所有样本的目标生产指标的值与步骤S2中获得的样本的总品质特征值获得初始质量相关系数。
优选地,本发明一个实施例中初始质量相关系数的获取方法包括:
首先获取所有样本的目标生产指标值的均值以及所有样本的总品质特征值的均值,然后可以获取所有样本的目标生产指标值与总品质特征值的协方差,使用协方差的原因在于协方差可以衡量两个变量之间的关联强度;然后获取所有样本的目标生产指标值的均方差以及总品质特征值的均方差;然后将目标生产指标值的均方差与总品质特征值的均方差相乘作为均方差乘积,再将协方差与该均方差乘积的比值作为目标生产指标的初始质量相关系数。初始质量相关系数的公式模型为:
其中,αv表示目标生产指标的初始质量相关系数,N表示样本总数,表示第i个样本的目标生产指标的数值,/>表示所有样本的目标生产指标数值的均值,Ai表示第i个样本的总品质特征值,/>表示所有样本的总品质特征值的均值,Pv表示目标生产指标的数值,A表示总品质特征值,σ()表示均方差函数,∑表示求和符号。
在初始质量相关系数的公式模型中,样本的目标生产指标与总品质特征值的协方差可以反映出二者的相关性,然后将协方差除以二者均方差的乘积即可消除数据量纲,获得目标生产指标与总品质特征值的初始质量相关系数,当分子越大时,则初始质量相关系数就越大,故样本的目标生产指标与总品质特征值的相关性也就越大。
然而由于农产品各项生产指标与农产品的品质无法直接计算独立的相关关系,因此在评价每个生产指标与农产品总品质特征值的相关性时,需要消除其他生产指标产生的影响,获得每个生产指标的实际质量相关系数,依然以生产指标中任意一个生产指标作为目标生产指标进行分析。
优选地,本发明一个实施例中实际质量相关系数的获取方法包括:
在获取实际质量相关系数之前,首先需要消除除了目标生产指标以外其他生产指标的影响;获取所有其他每个生产指标的数值均方差,然后将所有数值均方差的平均值的倒数作为调节因子。调节因子的公式模型为:
其中,T表示调节因子,W表示除了目标生产指标以外其他生产指标的总数,i表示任意一个样本,Pm表示第m个其他生产指标,σ()表示均方差函数,∑表示求和符号。
在调节因子的公式模型中,分子的1可视为其他生产指标与总品质特征值的协方差,表征其他生产指标与总品质特征值为正相关关系,然后除以其他所有生产指标的数值均方差的平均值来消除量纲;因此可作为其他生产指标对目标生产指标与总品质特征值相关性的调节因子,当调节因子的分母越大时,说明其他生产指标的影响越大,那么目标生产指标与总品质特征值的相关性就越小,所以调节因子的值就越小。
在根据其他生产指标获得了调节因子之后,可将所得的调节因子与初始质量相关系数相乘作为目标生产指标的实际质量相关系数。实际质量相关系数的公式模型为:
γv=αv×T
其中,γv表示目标生产指标的实际质量相关系数,αv表示目标生产指标的初始质量相关系数,T表示调节因子。
在实际质量相关系数的公式模型中,当根据除了目标生产指标以外的其他生产指标获得的调节因子的值越小时,说明其他生产指标的影响大,故所得的目标生产指标的实际质量相关系数就越小,虽然目标生产指标的实际质量相关系数的值变小,但却可以消除其他生产指标的影响,也获得了更加准确的质量相关性。
至此,可以基于上述操作获得样本的每个生产指标与总品质特征值的准确的相关性,即实际质量相关系数,故可以进行后续的聚类操作。
步骤S4:获取待处理农产品的生产指标,根据实际质量相关系数更新待处理农产品的生产指标,获得多维生产指标数据;对多维生产指标数据进行降维获得最终降维数据;对最终降维数据进行聚类获得聚类结果。
由于需要对待处理的农产品进行上链操作,所以首先需要获取待处理农产品的生产指标,然后基于步骤S3中已经获得了样本数据的每个生产指标的实际质量相关系数,且由于样本具有代表性,因此可以根据样本的分析结果对待处理的农产品进行分析;当生产指标实际质量相关系数越大时,说明该生产指标与农产品的品质的相关性也就越大,而相关性越大的生产指标的主成分含量应该更高,所以可以利用生产指标的实际相关系数更新待处理农产品的生产指标获得需要降维的多维生产指标数据。
优选地,本发明一个实施例中多维生产指标数据的获取方法包括:
首先对所有待处理农产品的每个生产指标进行去均值标准化处理获得处理后的生产指标,去均值标准化处理可以消灭由于量纲不同、自身变异或者数值相差过大引起的误差,使得后续的操作获得的准确度更高;然后计算每个处理后的生产指标的方差值,将该方差值与对应的实际质量相关系数相乘作为更新方差值,因为实际质量相关系数越大的生产指标应该放大其方差;最后将所有生产指标的更新方差值进行降序排列得到多维生产指标数据。
获得多维生产指标数据之后,即可对其进行降维操作获得最终降维数据。
优选地,本发明实施例中本发明实施例中最终降维数据的获取方法包括:
由于步骤S3中获得的实际质量相关系数可以用来矫正主成分分析过程中不同生产指标的特征方差,所以可以使用主成分分析方法对多维生产指标数据进行降维,获得最终降维数据,该最终降维数据即为主成分数据。需要说明的是,主成分分析方法为本领域技术人员熟知的技术手段,在此不做赘述,最终降维数据的维数实施者可根据具体实施场景进行设置,在此不做限定。
降维后获得的最终降维数据综合了原始的多维生产指标数据的重要信息,因此根据该最终降维数据进行聚类即可获得更加精确的聚类结果。
优选地,本发明一个实施例中聚类结果的获取方法包括:
首先基于手肘法获取所有最终降维数据的最优K值,然后使用K-means聚类算法根据最优K值对最终降维数据进行聚类,数据之间的距离度量为主成分数据之间的欧式范数,然后获得聚类结果。此时每个聚类簇中的最终降维数据对应的待处理农产品为生产指标相似、相近的农产品,可以共用一条区块链。需要说明的是,最优K值的获取方法具体还可以为轮廓系数法、层次聚类法等,可根据实际情况进行选择,在此不做具体限定及赘述,K-means聚类算法和欧式范数的计算方法为本领域技术人员熟知的技术手段,在此不做赘述。
至此,完成了最终降维数据的聚类,也即完成了最终降维数据对应的待处理农产品的聚类。
步骤S5:根据聚类结果对待处理农产品进行批量上链操作,完成农业品牌的存证体系建设。
在步骤S4中完成了待处理农产品的聚类,此时每个聚类簇中的待处理农产品都具有相似、相近的特征,因此将每个聚类簇中的待处理农产品批量上链到一条区块链中即可实现提高冗余性,降低区块链存储、运维压力的要求,同时由于聚类过程依据的数据分析了生产指标与品质指标的关联性,因此也可保证农产品的溯源精度的同时增强了农业品牌存证体系建设的可靠性。
优选地,本发明一个实施例中批量上链操作包括:
将每个聚类簇中待处理农产品的生产指标的均值作为批量上链的记录;完成批量上链操作。
综上所述,本发明实施例首先对区块链上与待处理农产品同产地、同类型的农产品进行抽样,并获取样本的品质指标和生产指标,目的在于可以依据历史数据分析品质指标与生产指标之间的关系,进而实现对待处理农产品的聚类;然后是提取样本农产品的总品质特征,由于样本农产品可能会出现大小相近,但是色泽度相差较大的情况,此时传统方法提取特征容易造成分类模糊的问题,因此本发明实施例在获取农产品的总品质特征时采取单个获取的方式,根据每个品质指标值出现的次数获得每个品质指标值的品质概率,然后根据每个品质指标的品质指标值与品质概率进行结合,具体方式为对品质概率进行高斯拟合,可以更加清楚直观的反映出所有样本农产品每个品质指标的具体数值的分布情况,进而获得了每个品质指标的品质参数;然后根据所有品质指标的品质参数对其进行权重调整,即获得每个品质指标的特征权重值,进而可以将每个样本的品质指标值与特征权重值进行结合并累加之后获得每个样本的总品质特征值;进行加权后的总品质特征值有利于后续对生产指标与总品质特征值之间的关联性进行分析,获取每个生产指标在所有样本中与总品质特征值的协方差以及生产指标与总品质特征值各自的均方差,根据二者的比值以及结合其他生产指标的值可以获得每个生产指标与总品质特征值的关联性,即实际质量相关系数;在获得由样本农产品的数据计算出的实际质量相关系数之后,可根据其更新待处理农产品的生产指标,进而获得待降维的多维生产指标数据,利用主成分分析方法对该多维生产指标数据进行降维即可获得最终降维数据,此时的最终降维数据即为主成分数据,然后根据该主成分数据进行聚类获得聚类结果;这时的每个聚类簇中的待处理农产品的生产指标具有相似、相近的特点,因此可将每个聚类簇中的待处理农产品批量存储到同一条区块链中,本发明实施例在保证溯源精度的同时,提升了数据的冗余性,并且大幅降低了农产品区块链的存储、运维压力,进而增强了农业品牌存证体系建设的可靠性。
一种区块链溯源中农产品的聚类方法实施例:
溯源的本质是信息传递,而区块链的本质也是信息传递,同时区块链技术特有的去中心化存储,以及自身具有不可篡改、可追溯的特性,因此常常用于农产品的溯源建设中。但是在区块链溯源建设的过程中,现有技术中对农产品进行聚类时通常仅以农产品的品质指标作为聚类依据,指标较为单一,容易造成分类模糊的问题,导致聚类结果不准确。为了解决区块链溯源中,对农产品进行聚类的聚类依据较为单一容易造成分类模糊,导致聚类结果不准确的技术问题,本实施例提供了一种区块链溯源中农产品的聚类方法,包括:
步骤S1:对区块链上与待处理农产品同产地、同类型的农产品数据进行抽样,获得样本的品质指标和生产指标;
步骤S2:根据每个品质指标在所有样本中的品质指标值和所有样本中每个品质指标值出现的次数,获得每个品质指标的品质参数;根据所有品质参数获得每个品质指标的特征权重值;根据每个样本所有的品质指标值与特征权重值获得每个样本的总品质特征值;
步骤S3:将任意一个生产指标作为目标生产指标;根据所有样本的目标生产指标值与总品质特征值获得目标生产指标的初始质量相关系数;根据所有其他的生产指标对初始质量相关系数进行调节,获得目标生产指标的实际质量相关系数;
步骤S4:获取待处理农产品的生产指标,根据实际质量相关系数更新待处理农产品的生产指标,获得多维生产指标数据;对多维生产指标数据进行降维获得最终降维数据;对最终降维数据进行聚类获得聚类结果。
其中,步骤S1~S4在上述基于区块链技术的农业品牌存证体系建设方法实施例中已给出了详细说明,在此不再赘述。
本实施例带来的有益效果包括:针对区块链溯源建设过程中对农产品聚类的聚类指标较为单一导致的聚类模糊、聚类结果不准确的问题,本实施例提出了一种聚类方法用于解决该问题;由于需要对待处理的农产品进行聚类,因此可以对已经在区块链上的农产品的数据进行分析便于获得聚类依据,由于数据众多,同时抽样具有代表性并且能够提高效率,故对区块链上与待处理农产品同产地、同类型的历史农产品进行抽样并获得样本的品质指标以及生产指标;由于样本农产品可能会出现大小相近,但是色泽度相差较大的情况,此时传统方法提取特征容易造成分类模糊的问题,因此本发明实施例在获取农产品的总品质特征时采取单个获取的方式,即对每个品质指标进行分析,可以对每个品质指标值出现的次数以及品质指标的具体数值进行分析从而对每个品质指标的有效特征程度进行评估,获得品质参数;由于品质参数可以初步表征出与生产指标的关联性,所以可以对其进行权重调整,即获得每个品质指标的特征权重值,进而可以将每个样本的品质指标值与特征权重值进行结合并累加之后获得每个样本的总品质特征值;进行加权后的总品质特征值有利于后续对生产指标与总品质特征值之间的关联性进行分析,进一步地,可以计算每个生产指标的实际质量相关系数,实际质量相关系数可以表征每个生产指标与总品质特征的独立的相关程度,然后更新待处理农产品的生产指标,获得待降维的多维生产指标数据,最后进行降维获得最终降维数据并进行聚类,由于本发明分析了农产品的品质指标与生产指标之间的关联性,因此可以有效消除使用单一指标聚类时容易出现分类模糊的问题,同时也使最终的聚类结果更加的准确。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (4)
1.一种基于区块链技术的农业品牌存证体系建设方法,其特征在于,包括区块链,所述区块链上包括至少两种农产品的品质指标和生产指标,所述方法包括:
对区块链上与待处理农产品同产地、同类型的农产品数据进行抽样,获得样本的品质指标和生产指标;
根据每个品质指标在所有样本中的品质指标值和所有样本中每个品质指标值出现的次数,获得每个品质指标的品质参数;根据所有所述品质参数获得每个品质指标的特征权重值;根据每个样本所有的品质指标值与特征权重值获得每个样本的总品质特征值;
将任意一个生产指标作为目标生产指标;根据所有样本的目标生产指标值与总品质特征值获得目标生产指标的初始质量相关系数;根据所有其他的生产指标对所述初始质量相关系数进行调节,获得目标生产指标的实际质量相关系数;
获取待处理农产品的生产指标,根据所述实际质量相关系数更新所述待处理农产品的生产指标,获得多维生产指标数据;对所述多维生产指标数据进行降维获得最终降维数据;对所述最终降维数据进行聚类获得聚类结果;
根据所述聚类结果对待处理农产品进行批量上链操作,完成农业品牌的存证体系建设;
所述根据每个品质指标在所有样本中的品质指标值和所有样本中每个品质指标值出现的次数,获得每个品质指标的品质参数,包括:
将每个品质指标在所有样本中的品质指标值出现次数的和值作为样本总数,将每个品质指标值出现的次数比上样本总数作为每个品质指标值的品质概率;
品质概率的公式模型为:
其中,ρz表示第z个品质指标值的品质概率,N表示样本总数,Qz表示第z个品质指标值,G()表示任意一个品质指标值出现的次数;
对每个品质指标对应的所有品质概率进行高斯拟合获得拟合曲线,根据所述拟合曲线获得峰值处对应的品质指标值;
获得每个品质指标在所有样本中的最大品质指标值;基于峰度公式根据每个品质指标对应的品质概率获得峰度值;
将所述峰值处对应的品质指标值和所述最大品质指标值的比值与所述峰度值相乘,作为每个品质指标的品质参数;
品质参数的公式模型为:
其中,Ku表示第u个品质指标的品质参数,表示第u个品质指标高斯拟合后的峰值处的品质指标值,/>表示样本中第u个品质指标的最大品质指标值,/>表示第u个品质指标的第z个品质指标值的品质概率,Ru表示第u个品质指标对应的品质概率的类数,μu表示第u个品质指标的所有品质概率的均值,σu表示第u个品质指标的所有品质概率的均方差,∑表示求和符号;
所述特征权重值的获取方法包括:
将每个品质参数归一化后进行负相关映射作为每个品质指标的所述特征权重值;
特征权重值的公式模型为:
其中,εu表示第u个品质指标的特征权重值,J表示品质指标的个数;
所述总品质特征值的获取方法包括:
将每个样本的每个品质指标值与对应的特征权重值相乘并求平方作为每个品质指标的品质特征值;
将每个样本的所有所述品质特征值进行累加后开平方作为每个样本的所述总品质特征值;
总品质特征值的公式模型为:
其中,Ai表示第i个样本的总品质特征值,表示第i个样本的第u个品质指标的具体数值,即品质指标值;
所述初始质量相关系数的获取方法包括:
获取所有样本的目标生产指标值与总品质特征值的协方差;
根据所有样本的目标生产指标值获取所述目标生产指标的均方差,根据所有样本的总品质特征值获得所述总品质特征值的均方差;
将所述目标生产指标的均方差与所述总品质特征值的均方差相乘作为均方差乘积;
将所述协方差与均方差乘积的比值作为目标生产指标的所述初始质量相关系数;
初始质量相关系数的公式模型为:
其中,αv表示目标生产指标的初始质量相关系数,表示第i个样本的目标生产指标的数值,/>表示所有样本的目标生产指标数值的均值,/>表示所有样本的总品质特征值的均值,Pv表示目标生产指标的数值,A表示总品质特征值,σ()表示均方差函数;
所述实际质量相关系数的获取方法包括:
获取所有其他每个生产指标在所有样本中的数值均方差,将所有所述数值均方差的平均值的倒数作为调节因子;
调节因子的公式模型为:
其中,T表示调节因子,W表示除了目标生产指标以外其他生产指标的总数,Pm表示第m个其他生产指标,σ()表示均方差函数;
将所述调节因子与所述初始质量相关系数相乘作为目标生产指标的所述实际质量相关系数;
实际质量相关系数的公式模型为:
γv=αv×T
其中,γv表示目标生产指标的实际质量相关系数;
所述多维生产指标数据的获取方法包括:
将所有待处理农产品的每个生产指标进行去均值标准化后获得处理后的生产指标;
将每个所述处理后的生产指标的方差与对应的实际质量相关系数相乘作为更新方差;将每个待处理农产品的所有所述更新方差进行降序排列获得所述多维生产指标数据。
2.根据权利要求1所述的一种基于区块链技术的农业品牌存证体系建设方法,其特征在于,所述最终降维数据的获取方法包括:
基于主成分分析方法对所有所述多维生产指标数据进行降维,获得所述最终降维数据。
3.根据权利要求1所述的一种基于区块链技术的农业品牌存证体系建设方法,其特征在于,所述聚类结果的获取方法包括:
基于手肘法获取所有所述最终降维数据的最优K值;使用K-means聚类算法根据所述最优K值对所述最终降维数据进行聚类,获得所述聚类结果。
4.根据权利要求1所述的一种基于区块链技术的农业品牌存证体系建设方法,其特征在于,所述批量上链操作包括:
将每个聚类簇中待处理农产品的每个生产指标的均值作为批量上链的记录;完成所述批量上链操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310957523.4A CN116976917B (zh) | 2023-07-31 | 2023-07-31 | 基于区块链技术的农业品牌存证体系建设方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310957523.4A CN116976917B (zh) | 2023-07-31 | 2023-07-31 | 基于区块链技术的农业品牌存证体系建设方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116976917A CN116976917A (zh) | 2023-10-31 |
CN116976917B true CN116976917B (zh) | 2024-05-24 |
Family
ID=88472785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310957523.4A Active CN116976917B (zh) | 2023-07-31 | 2023-07-31 | 基于区块链技术的农业品牌存证体系建设方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116976917B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422480B (zh) * | 2023-12-18 | 2024-03-08 | 山东康源堂药业股份有限公司 | 一种中药材提取过程溯源方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517160A (zh) * | 2019-08-02 | 2019-11-29 | 重庆邮电大学 | 一种农产品的质量分级方法及质量分级系统 |
KR102175904B1 (ko) * | 2019-08-22 | 2020-11-06 | 한상빈 | 농산물 수급 예측 서버 및 농산물 수확 최적지 분석 방법 |
CN113127571A (zh) * | 2021-06-21 | 2021-07-16 | 华智生物技术有限公司 | 一种溯源信息上链、查询方法以及溯源设备 |
CN113240435A (zh) * | 2021-04-21 | 2021-08-10 | 中国电子科技集团公司电子科学研究院 | 一种基于区块链的农产品安全可信溯源系统 |
KR20220075667A (ko) * | 2020-11-30 | 2022-06-08 | 농업회사법인 주식회사 오지다 | 블록체인 기반 농산물 이력추적 관리 시스템 |
CN115292753A (zh) * | 2022-07-01 | 2022-11-04 | 电子科技大学中山学院 | 一种基于区块链的农业大棚数据溯源与管理方法 |
CN115630118A (zh) * | 2022-08-18 | 2023-01-20 | 葛传猛 | 一种区块链溯源应用中降低节点存储量占用的方法 |
CN115860510A (zh) * | 2022-10-31 | 2023-03-28 | 浙江淏瀚信息科技有限公司 | 一种基于大数据的生产效率分析评估方法 |
CN116088453A (zh) * | 2023-02-17 | 2023-05-09 | 华中科技大学 | 生产质量预测模型训练方法及装置、生产质量监控方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021130341A1 (en) * | 2019-12-23 | 2021-07-01 | Farmer Connect Sa | Computer implemented blockchain-based system for agricultural products |
US11709819B2 (en) * | 2020-09-30 | 2023-07-25 | International Business Machines Corporation | Validating test results using a blockchain network |
CN112488233B (zh) * | 2020-12-09 | 2021-12-17 | 中国农业科学院农业资源与农业区划研究所 | 一种基于果纹图谱信息的编码和识别方法及装置 |
-
2023
- 2023-07-31 CN CN202310957523.4A patent/CN116976917B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517160A (zh) * | 2019-08-02 | 2019-11-29 | 重庆邮电大学 | 一种农产品的质量分级方法及质量分级系统 |
KR102175904B1 (ko) * | 2019-08-22 | 2020-11-06 | 한상빈 | 농산물 수급 예측 서버 및 농산물 수확 최적지 분석 방법 |
KR20220075667A (ko) * | 2020-11-30 | 2022-06-08 | 농업회사법인 주식회사 오지다 | 블록체인 기반 농산물 이력추적 관리 시스템 |
CN113240435A (zh) * | 2021-04-21 | 2021-08-10 | 中国电子科技集团公司电子科学研究院 | 一种基于区块链的农产品安全可信溯源系统 |
CN113127571A (zh) * | 2021-06-21 | 2021-07-16 | 华智生物技术有限公司 | 一种溯源信息上链、查询方法以及溯源设备 |
CN115292753A (zh) * | 2022-07-01 | 2022-11-04 | 电子科技大学中山学院 | 一种基于区块链的农业大棚数据溯源与管理方法 |
CN115630118A (zh) * | 2022-08-18 | 2023-01-20 | 葛传猛 | 一种区块链溯源应用中降低节点存储量占用的方法 |
CN115860510A (zh) * | 2022-10-31 | 2023-03-28 | 浙江淏瀚信息科技有限公司 | 一种基于大数据的生产效率分析评估方法 |
CN116088453A (zh) * | 2023-02-17 | 2023-05-09 | 华中科技大学 | 生产质量预测模型训练方法及装置、生产质量监控方法 |
Non-Patent Citations (3)
Title |
---|
Kun Wang.Intelligent Agricultural Information Remote Data Storage Method Based on Block Chain.《Multimedia Technology and Enhanced Learning(ICMTEL 2020)》.2020,第257-267页. * |
基于区块链的农产品安全可信溯源应用研究;高阳阳;吕相文;袁柳;李勐;;计算机应用与软件;20200712(第07期);全文 * |
基于物联网的农产品质量监管与溯源系统设计;陈光晓等;《计算机技术与发展》;20230131;第33卷(第1期);第27-33页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116976917A (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116976917B (zh) | 基于区块链技术的农业品牌存证体系建设方法 | |
CN109308697B (zh) | 一种基于机器学习算法的树叶病害识别方法 | |
CN115994137A (zh) | 一种基于物联网应用服务系统的数据管理方法 | |
CN115131683B (zh) | 基于高分辨率遥感影像的林业信息识别方法 | |
CN108628973B (zh) | 一种基于区块链的农业数据共享系统 | |
CN111048190A (zh) | 一种基于人工智能的drg分组方法 | |
CN116523320A (zh) | 基于互联网大数据的知识产权风险智能分析方法 | |
CN116700630B (zh) | 基于物联网的有机无机复混肥料生产数据优化存储方法 | |
CN116071600B (zh) | 一种基于多分类概率的农作物遥感识别方法及装置 | |
CN117332283A (zh) | 一种中药材生长信息采集分析方法及系统 | |
CN117787510B (zh) | 基于时序预测分析的农药残留监测过程的优化方法 | |
US20230243744A1 (en) | Method and system for automatically detecting and reconstructing spectrum peaks in near infrared spectrum analysis of tea | |
CN108280410B (zh) | 一种基于二进制编码的农作物识别方法及系统 | |
CN117195139A (zh) | 基于机器学习的慢性病健康数据动态监测方法 | |
CN115576981A (zh) | 一种基于有监督算法与无监督算法相结合的异常检测方法 | |
CN110544237B (zh) | 基于图像分析的油茶病虫害模型训练方法和识别方法 | |
CN117196659B (zh) | 基于区块链技术的产品追溯方法及系统 | |
CN117574307B (zh) | 一种物联网数据的安全管理系统及方法 | |
CN117789023A (zh) | 一种农作物种植结构的遥感识别系统 | |
CN117576823B (zh) | 一种排队叫号系统终端 | |
CN116503025B (zh) | 一种基于工作流引擎的业务工单流程处理方法 | |
Renuka et al. | Analyzing the image augmentation to find the defect in apple leaf | |
CN116975535A (zh) | 一种基于土壤环境监测数据的多参数数据分析方法 | |
CN116994126A (zh) | 基于冠层反射率光谱的作物叶面积指数获取方法及装置 | |
CN116524225A (zh) | 一种基于多源遥感数据的作物分类方法及系统 |
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 |