CN117196659B - 基于区块链技术的产品追溯方法及系统 - Google Patents
基于区块链技术的产品追溯方法及系统 Download PDFInfo
- Publication number
- CN117196659B CN117196659B CN202311464414.5A CN202311464414A CN117196659B CN 117196659 B CN117196659 B CN 117196659B CN 202311464414 A CN202311464414 A CN 202311464414A CN 117196659 B CN117196659 B CN 117196659B
- Authority
- CN
- China
- Prior art keywords
- products
- batch
- processing
- factor
- extreme point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 116
- 238000005516 engineering process Methods 0.000 title claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 177
- 238000007689 inspection Methods 0.000 claims abstract description 60
- 239000013598 vector Substances 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000003908 quality control method Methods 0.000 claims description 3
- 241000607479 Yersinia pestis Species 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000005520 cutting process Methods 0.000 claims description 2
- 230000004720 fertilization Effects 0.000 claims description 2
- 238000003973 irrigation Methods 0.000 claims description 2
- 230000002262 irrigation Effects 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 230000005070 ripening Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 238000009333 weeding Methods 0.000 claims description 2
- 230000003203 everyday effect Effects 0.000 claims 4
- 230000002354 daily effect Effects 0.000 claims 1
- 238000012795 verification Methods 0.000 abstract description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000003754 machining Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 5
- 235000013339 cereals Nutrition 0.000 description 3
- 238000003306 harvesting Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 235000011868 grain product Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 235000013599 spices Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Classifications
-
- 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
Abstract
本发明涉及用于产品数据质量监督的数据分析技术领域，具体涉及基于区块链技术的产品追溯方法及系统，包括：采集区块链中每个批次产品的人为因素序列、自然因素序列、加工工艺序列以及质检因子；根据每个批次产品的人为因素序列和自然因素序列得到每个批次产品的加工补偿系数；根据加工补偿系数与加工工艺序列得到产品的预测权重，根据产品的预测权重和加工工艺序列得到每个批次产品的预测质量数据，根据预测质量数据对质检因子进行真伪性判定，从而通过较准确的预测来实现数据的真伪验证。
Description
技术领域
本发明涉及产品数据质量监督的数据分析技术领域，具体涉及基于区块链技术的产品追溯方法及系统。
背景技术
区块链的本质是分布式数据库，具有分散化、防篡改、可追溯性的特性。因而区块链技术可以确保了产品数据的透明性。有助于防止假冒伪劣产品的出现，提高产品质量，促进食品安全和溯源。因而传统的产品追溯系统以区块链技术作为基础，透明化的展示产品的上下游数据；但是产品追溯系统无法保障区块链中展示产品数据的真伪情况。
发明内容
本发明提供基于区块链技术的产品追溯方法及系统，以解决现有的问题：如何辩证区块链中产品数据的真伪。
本发明的基于区块链技术的产品追溯方法及系统采用如下技术方案：
本发明一个实施例提供了基于区块链技术的产品追溯方法，该方法包括以下步骤：
采集区块链中每个批次产品的人为因素序列、自然因素序列、加工工艺序列以及质检因子；
根据每个批次产品的人为因素序列与自然因素序列的匹配情况得到每个批次产品的最佳极值点对集合，根据每个批次产品的最佳极值点对集合中极值点对中两极值点的关联性得到每个批次产品的加工补偿系数；
根据每个批次产品的加工补偿系数与每个批次产品的加工工艺序列的相关关系得到产品的预测权重，根据每个批次产品的加工工艺序列与质检因子的关联规律以及产品的预测权重得到每个批次产品的预测质量数据，根据每个批次产品的预测质量数据与质检因子的差异性得到每个批次产品的真实性指标；
根据每个批次产品的真实性指标对每个批产品的质检因子进行真伪性判定。
优选的，所述根据每个批次产品的人为因素序列与自然因素序列的匹配情况得到每个批次产品的最佳极值点对集合，包括的具体方法为：
将每个批次产品的人为因素序列拟合曲线，记为每个批次产品的人为因素曲线，将每个批次产品的自然因素序列拟合曲线，记为每个批次产品的自然因素曲线，获取人为因素曲线中的极值点和自然因素曲线的极值点，将每个批次产品的两曲线中极值点少的曲线称为基准曲线，将极值点多的曲线称为分析曲线，获取基准曲线的极值点数量R，以任意一种选取方式在分析曲线中选取R个极值点构成极值点集合，若干选取方式得到若干极值点集合；
根据每个批次产品的分析曲线的任意一种选取方式下的极值点集合以及基准曲线的所有极值点得到一种选取方式下的待选极值点对集合；
在所有选取方式中获取每个批次产品的待选极值点对集合的综合匹配值最小值对应的选取方式，记为最佳选取方式，将最佳选取方式对应的待选极值点对集合称为每个批次产品的最佳极值点对集合。
优选的，所述根据每个批次产品的分析曲线的任意一种选取方式下的极值点集合以及基准曲线的所有极值点得到一种选取方式下的待选极值点对集合，包括的具体方法为：
对于每个批次产品的分析曲线的任意一种选取方式下的极值点集合，以任意一种组合方式将集合中每个极值点与基准曲线的每个极值点组合得到若干极值点对，将一种组合方式下的若干极值点对构成极值点对集合，若干组合方式得到若干极值点对集合，获取极值点对中两极值点的欧氏距离，记为极值点对的匹配值，获取一种组合方式下极值点对集合中所有极值点的匹配值的均值，记为一种组合方式下的综合匹配值，在所有组合方式下的极值点对集合中获取综合匹配值的最小值对应的极值点对集合，记为一种选取方式下的待选极值点对集合。
优选的，所述根据每个批次产品的最佳极值点对集合中极值点对中两极值点的关联性得到每个批次产品的加工补偿系数，包括的具体方法为：
获取每个批次产品的最佳极值点对集合的每个极值点对中两极值点的欧氏距离，记为每个批次产品的最佳极值点对集合的每个极值点对的欧氏距离，将每个批次产品的最佳极值点对集合的极值点对中的极值点称为匹配极值点，将每个批次产品的人为因素曲线和自然因素曲线中不是匹配极值点的极值点称为每个批次产品的未匹配极值点；
每个批次产品的加工补偿系数的计算方法为：
；
其中，表示第j个批次产品的最佳极值点对集合的第i个极值点对的欧氏距离，表示第j个批次产品的最佳极值点对集合的所有极值点对的欧氏距离的均值，/>表示第j个批次产品的最佳极值点对集合中极值点对的数量，/>表示第j个批次产品的未匹配极值点的数量，exp()表示以自然常数为底的指数函数，/>表示反比例正切函数，/>表示第j个批次产品的加工补偿系数。
优选的，所述根据每个批次产品的加工补偿系数与每个批次产品的加工工艺序列的相关关系得到产品的预测权重，包括的具体方法为：
获取每个批次产品的加工工艺序列的二次波动程度和加工补偿系数的二次波动程度；
产品的预测权重的计算方法为：
；
其中，表示第k个批次产品的加工工艺序列的二次波动程度，/>表示所有批次产品的加工工艺序列的二次波动程度的均值，/>表示第k个批次产品的加工补偿系数的二次波动程度，/>表示所有批次产品的加工补偿系数的二次波动程度的均值，/>表示产品的总的批次数量，/>表示产品的预测权重。
优选的，所述获取每个批次产品的加工工艺序列的二次波动程度和加工补偿系数的二次波动程度，包括的具体方法为：
计算每个批次产品的加工工艺序列与下一批次产品的加工工艺序列的欧氏距离，记为每个批次产品的加工工艺序列的一次波动程度，将每个批次产品的加工工艺序列的一次波动程度与下一批次产品的加工工艺序列的一次波动程度的差值绝对值，记为每个批次产品的加工工艺序列的二次波动程度；
计算每个批次产品的加工补偿系数与下一批次产品的加工补偿系数的差值绝对值，记为每个批次产品的加工补偿系数的一次波动程度，将每个批次产品的加工补偿系数的一次波动程度与下一批次产品的加工补偿系数的波动程度的差值绝对值，记为每个批次产品的加工补偿系数的二次波动程度。
优选的，所述根据每个批次产品的加工工艺序列与质检因子的关联规律以及产品的预测权重得到每个批次产品的预测质量数据，包括的具体方法为：
获取每个批次产品的加工工艺序列中所有加工工艺数据的极差值，所述极差值是指最大值与最小值的差值，将每个批次产品的加工工艺序列中的极差值作为横坐标，将每个批次的质检因子作为纵坐标，构建坐标系，在坐标系中获取每个批次产品的坐标点，利用所有批次产品的坐标点拟合曲线，记为产品质量曲线，根据产品质量曲线获取每个批次产品的斜率；
每个批次产品的预测质量数据的计算方法为：
；
其中，表示第k个批次产品的斜率，/>表示产品的总的批次数量，/>表示第v个批次产品的加工工艺序列的极差值，/>表示产品的预测权重，/>表示第v个批次产品的预测质量数据。
优选的，所述根据每个批次产品的预测质量数据与质检因子的差异性得到每个批次产品的真实性指标，包括的具体方法为：
；
其中，表示第v个批次产品的预测质量数据，/>表示第v个批次产品的质检因子，exp()表示以自然常数为底的指数函数，/>表示第v个批次产品的真实性指标。
优选的，所述根据每个批次产品的真实性指标对每个批产品的质检因子进行真伪性判定，包括的具体方法为：
将每个批次产品的真实性指标与预设真实性阈值比较，当真实性指标大于预设真实性阈值时，则认为所述批次产品的质检因子为真实的，当真实性指标小于等于预设真实性阈值时，则认为所述批次产品的质检因子为伪造的。
基于区块链技术的产品追溯系统，该系统包括以下模块：
数据采集模块，用于采集区块链中每个批次产品的人为因素序列、自然因素序列、加工工艺序列以及质检因子；
加工补偿系数获取模块，用于根据每个批次产品的人为因素序列与自然因素序列的匹配情况得到每个批次产品的最佳极值点对集合，根据每个批次产品的最佳极值点对集合中极值点对中两极值点的关联性得到每个批次产品的加工补偿系数；
真实性指标获取模块，用于根据每个批次产品的加工补偿系数与每个批次产品的加工工艺序列的相关关系得到产品的预测权重，根据每个批次产品的加工工艺序列与质检因子的关联规律以及产品的预测权重得到每个批次产品的预测质量数据，根据每个批次产品的预测质量数据与质检因子的差异性得到每个批次产品的真实性指标；
真伪判定模块，用于根据每个批次产品的真实性指标对每个批产品的质检因子进行真伪性判定。
本发明的技术方案的有益效果是：产品追溯系统的区块链中展示的每个批次产品的质检因子可能存在伪造现象，为了实现对质检因子的真伪验证，需通过对产品相关数据进行分析来预测出每个批次产品的预测质量数据，通过分析每个批次产品的预测质量数据与质检因子的差异性来实现真伪验证。
在预测每个批次产品的预测质量数据时，需考虑影响预测质量的因素，其中包括种植阶段的质量因素以及后续加工阶段的质量因素，其中农产品在种植阶段的质量会受自然条件和人为因素影响，有些自然条件造成的质量影响可以通过人的行为进行弥补，有些自然条件造成的质量影响不能通过人的行为进行弥补，此时就需要通过后续加工来弥补自然条件造成的质量影响，因而通过分析每个批次农产品的人为因素序列和自然因素序列的关联性情况来获取加工补偿系数，通过加工补偿系数来反映需要加工处理的质量补偿情况。而在加工处理阶段，有些质量问题可以通过调整加工工艺来进行加工补偿，而有些质量问题不能通过调整加工工艺来进行加工补偿，即需分析加工工艺与需补偿质量的关联关系，因而分析每个批次产品的加工工艺序列与加工补偿系数的变动相似性来得到产品的预测权重，通过预测权重能够反映加工工艺与质量的关联关系。而加工工艺与质量的关联关系可以反映利用加工工艺预测出的质量数据的准确性，因而利用预测权重对加工工艺预测出的质量数据进行修正得到预测质量数据。
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，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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他的附图。
图1为本发明的基于区块链技术的产品追溯方法的步骤流程图；
图2为本发明的基于区块链技术的产品追溯系统的结构框图。
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基于区块链技术的产品追溯方法及系统，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。
下面结合附图具体的说明本发明所提供的基于区块链技术的产品追溯方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于区块链技术的产品追溯方法的步骤流程图，该方法包括以下步骤：
步骤S001：获取每个批次的产品的自然因素序列、人为因素序列、加工工艺序列以及质检因子。
需要说明的是，产品追溯系统中区块链技术可以确保产品来源的历史记录数据的透明性，但是产品追溯系统无法保障区块链中展示的产品数据的真伪情况，为了实现区块链中展示产品数据的真伪判定，需先采集产品相关数据。
具体的，为了实现本实施例提出的基于区块链技术的产品追溯方法，本实施例首先需要采集每个批次产品的相关数据。采集每个批次产品的相关数据的具体操作为：
本实施例主要对产品追溯系统的区块链中农产品的生产数据进行真伪分析，农产品的产品类型包括但不限于如下方面：蔬菜和水果、谷物和谷物制品、香料植物。农产品生产加工主要包括两个阶段，一个是农产品种植阶段，另一个是农产品在工厂的加工阶段。因而本实施例需要采集产品在种植阶段以及加工阶段的数据。在加工阶段一般是对产品进行分批次加工，因而将产品按加工批次进行分类。
对于种植阶段，影响产品质量的主要制约因素可以分为两种，一种是可以控制的人为因素，另一种是不可控制的天气因素。
采集每个批次产品在种植阶段中每天的每种人为因素数据，人为因素数据的种类包括但不限于以下方面：灌溉频率、施肥频率、除虫害频率以及除草频率。将每个批次产品在种植阶段中每天的所有种类的人为因素数据的均值作为每个批次产品在种植阶段中每天的综合人为因素数据。将每个批次产品在种植阶段中所有天的综合人为因素数据按时序顺序排列得到每个批次产品的人为因素序列。
采集每个批次产品在种植阶段中每天的每种天气因素数据，天气因素数据的种类包括但不限于以下几个方面：温度、湿度、降雨量。将每个批次产品在种植阶段中每天的所有种类的天气因素数据构成天气因素向量。通过人为对每个批次产品在种植阶段中每天的天气因素向量进行分析得到每个批次产品在种植阶段中每天的天气因素向量的天气评分值，将天气评分值作为每个批次产品在种植阶段中每天的天气因素向量的标签，完成N个批次产品在种植阶段中所有天的天气因素向量的标注标签处理，将N个批次产品在种植阶段中所有天的带标签的天气因素向量构成数据集。构建一个yoloV3网络，利用数据集中的数据完成网络训练，利用训练完成的网络获取其余批次产品在种植阶段中每天的天气因素向量的评分值。将每个批次产品在种植阶段中所有天的天气因素向量的评分值构成每个批次产品的自然因素序列。
对于加工阶段，影响产品质量的主要制约因素为产品的加工工艺。采集每个批次产品在加工阶段的每种加工工艺数据，加工工艺数据的种类包括但不限于以下方面：清洗工艺中各加工参数，分选工艺中各加工参数，催熟工艺中各加工参数、加工切割工艺中各加工参数以及提色工艺中各加工参数。将每个批次产品在加工阶段的所有种加工工艺数据构成每个批次产品的加工工艺序列。
获取每个批次产品的质检因子，该质检因子为区块链中展示的反映每批次产品质量的数据。
需要说明的是，正常情况下，每个批次产品的加工工艺、人为因素数据以及自然因素数据一般不会存在伪造行为。为了提高每个批次产品的销售量，一般会对每个批次产品的质检因子进行伪造，因而本实施例主要是评估每个批次产品的质检因子的真伪。
步骤S002：根据每个批次产品的自然因素序列和人为因素序列得到每个批次产品的加工补偿系数。
需要说明的是，每个批次产品的质量会受种植阶段自然因素和人为因素的影响，其中有些自然因素对质量造成的影响可以通过人为因素弥补。而有些自然因素对质量造成的影响无法通过人为因素弥补，当自然因素无法通过人为因素弥补时，就需要在后续加工时进一步加工弥补，例如在收割阶段时，持续的阴雨天气导致收割到谷物颜色较暗，此时就需在加工阶段增加提色的强度，即谷物发暗是天气因素造成的质量问题，而这种质量问题在种植阶段无法通过人为因素弥补，因而在后续加工阶段需要对该质量问题进行加工弥补。因而基于此来分析每个批次产品的加工补偿系数。
具体的，将每个批次产品的人为因素序列拟合曲线，记为每个批次产品的人为因素曲线，将每个批次产品的自然因素序列拟合曲线，记为每个批次产品的自然因素曲线，获取人为因素曲线中的极值点和自然因素曲线的极值点。将每个批次产品的两曲线中极值点少的曲线称为基准曲线，将极值点多的曲线称为分析曲线，获取基准曲线的极值点数量R，以任意一种选取方式在分析曲线中选取R个极值点构成极值点集合，若干选取方式得到若干极值点集合。
对于每个批次产品的分析曲线的任意一种选取方式的极值点集合，以任意一种组合方式将极值点集合中每个极值点与基准曲线的每个极值点组合得到若干极值点对，将一种组合方式下的若干极值点对构成极值点对集合，若干组合方式得到若干极值点对集合。获取极值点对中两极值点的欧氏距离，记为极值点对的匹配值。获取一种组合方式下极值点对集合中所有极值点的匹配值的均值，记为一种组合方式下的综合匹配值，在所有组合方式下的极值点对集合中获取综合匹配值的最小值对应的极值点对集合，记为一种选取方式下的待选极值点对集合。
在所有选取方式中获取每个批次产品的待选极值点对集合的综合匹配值最小值对应的选取方式，记为最佳选取方式，将最佳选取方式对应的待选极值点对集合称为每个批次产品的最佳极值点对集合。其中最佳极值点对集合反映了每个批次产品的人为因素曲线与自然因素曲线的匹配结果，最佳极值点对集合的每个极值点对中两极值点即为人为因素曲线与自然因素曲线的匹配极值点。
进一步的，获取每个批次产品的最佳极值点对集合的每个极值点对中两极值点的欧氏距离，记为每个批次产品的最佳极值点对集合的每个极值点对的欧氏距离。将每个批次产品的最佳极值点对集合的极值点对中的极值点称为匹配极值点，将每个批次产品的人为因素曲线和自然因素曲线中不是匹配极值点的极值点称为每个批次产品的未匹配极值点。
每个批次产品的加工补偿系数的计算方法为：
；
其中，表示第j个批次产品的最佳极值点对集合的第i个极值点对的欧氏距离，表示第j个批次产品的最佳极值点对集合的所有极值点对的欧氏距离的均值，/>表示第j个批次产品的最佳极值点对集合中极值点对的数量，也表示第j个批次产品的基准曲线的极值点的数量。/>表示第j个批次产品的未匹配极值点的数量，该值越大说明该批次产品的人为因素曲线与自然因素曲线未匹配的极值点数量越多，进而说明该批次产品的人为因素曲线与自然因素曲线的匹配效果较差，该批次产品的人为因素序列与自然因素序列的关联性较小，进而说明人的行为对自然因素造成质量问题的弥补效果较差，因而需要更多的加工补偿。/>反映了第j批次产品的人为因素曲线与自然因素曲线的匹配效果，该值越大，该批次产品的人为因素曲线与自然因素曲线的匹配效果越好，该批次产品的人为因素序列与自然因素序列的关联性较大，进而说明人的行为对自然因素造成质量问题的弥补效果较好，因而需要更少的加工补偿。exp()表示以自然常数为底的指数函数，/>表示反比例正切函数，/>表示第j个批次产品的加工补偿系数，该值反映了第j批次产品需要的加工补偿情况。
步骤S003：根据每个批次产品的加工补偿系数和每个批次产品的加工工艺序列得到产品的预测权重，根据产品的预测权重、每个批次产品的加工工艺序列和质检因子得到每个批次产品的质检因子的真实性指标。
需要说明的是，上述过程中得到了每个批次产品的加工补偿系数，通过该值能够反映每个批次产品所需要的加工补偿情况，但是产品的有些方面可以通过加工处理可以实现较好的质量补偿，但是有些方面通过加工处理不能实现较好的质量补偿，因而需要分析加工工艺与需要的加工补偿的关联性，即需要分析加工工艺与加工补偿系数的关联性。
具体的，计算每个批次产品的加工工艺序列与下一批次产品的加工工艺序列的欧氏距离，记为每个批次产品的加工工艺序列的一次波动程度，将每个批次产品的加工工艺序列的一次波动程度与下一批次产品的加工工艺序列的一次波动程度的差值绝对值，记为每个批次产品的加工工艺序列的二次波动程度，通过该值反映每个批次产品的加工工艺序列的波动变化情况。
计算每个批次产品的加工补偿系数与下一批次产品的加工补偿系数的差值绝对值，记为每个批次产品的加工补偿系数的一次波动程度，将每个批次产品的加工补偿系数的一次波动程度与下一批次产品的加工补偿系数的波动程度的差值绝对值，记为每个批次产品的加工补偿系数的二次波动程度。
产品的预测权重的计算方法为：
；
其中，表示第k个批次产品的加工工艺序列的二次波动程度，/>表示所有批次产品的加工工艺序列的二次波动程度的均值，/>表示第k个批次产品的加工补偿系数的二次波动程度，/>表示所有批次产品的加工补偿系数的二次波动程度的均值。/>表示产品的总的批次数量，/>表示产品的预测权重。/>反映了加工工艺与加工补偿系数的关联性，也反映了加工工艺与需要加工补偿的关联性，该值越大说明加工处理可以较好的补偿产品质量。需要说明的是该计算方法借鉴了皮尔逊相关系数的计算方法，皮尔逊相关系数计算方法为现有技术，此处不再赘述。
至此，得到了产品的预测权重，通过该值能够反映加工工艺与产品质量的关联性情况，下面需基于产品预测权重对每个批量产品进行质检因子真伪性评估。
需要说明的是，为了反映区块链中展示的质量数据的真实性，即每个批次产品的质检因子的真实性，需对每个批次产品的质检因子进行评估。而为了评估每个批次产品的质检因子的真实性，需根据现有数据预测出一个质量数据，通过比较预测的质量数据与质检因子的差异来评估质检因子的真实性。
进一步的，获取每个批次产品的加工工艺序列中所有加工工艺数据的极差值，所述极差值是指最大值与最小值的差值，将每个批次产品的加工工艺序列中的极差值作为横坐标，将每个批次的质检因子作为纵坐标，构建坐标系。在坐标系中获取每个批次产品的坐标点，利用所有批次产品的坐标点拟合曲线，记为产品质量曲线，根据产品质量曲线获取每个批次产品的斜率。
每个批次产品的预测质量数据的计算方法为：
；
其中，表示第k个批次产品的斜率，/>表示产品的总的批次数量，/>反映了加工工艺数据与质检因子的关联规律，/>表示第v个批次产品的加工工艺序列的极差值，反映了基于加工工艺与质检因子的关联规律的预测结果，该预测结果的准确性依靠加工工艺与质量数据的关联关系，当加工工艺与质量数据的关联性较差时，其预测的准确性较差，当加工工艺与质检数据的关联性较好时，其预测的准确性较好，/>表示产品的预测权重，该值反映了加工工艺与质量数据的关联情况，因而通过该值对/>进行修正。/>表示第v个批次产品的预测质量数据。
进一步的，每个批次产品的质检因子的真实性指标的计算方法为：
；
其中，表示第v个批次产品的预测质量数据，/>表示第v个批次产品的质检因子，exp()表示以自然常数为底的指数函数，/>表示第v个批次产品的真实性指标。
步骤S004：根据每个批次产品的质检因子的真实性指标对每个批次产品的质检因子进行真伪判定。
具体的，将每个批次产品的真实性指标与预设真实性阈值Y1比较，当真实性指标大于预设真实性阈值时，则判定该批次产品的质检因子为真实，当真实性指标小于等于预设真实性阈值Y1时，则判定该批次产品的质检因子为伪造。
本实施例以Y1取0.8为例进行叙述，其他实施例可以取其他值，本实施例不进行具体限制。
请参阅图2，其示出了本发明实施例提供的基于区块链技术的产品追溯系统，该系统包括以下模块：
数据采集模块，用于采集区块链中每个批次产品的人为因素序列、自然因素序列、加工工艺序列以及质检因子；
加工补偿系数获取模块，用于根据每个批次产品的人为因素序列与自然因素序列的匹配情况得到每个批次产品的最佳极值点对集合，根据每个批次产品的最佳极值点对集合中极值点对中两极值点的关联性得到每个批次产品的加工补偿系数；
真实性指标获取模块，用于根据每个批次产品的加工补偿系数与每个批次产品的加工工艺序列的相关关系得到产品的预测权重，根据每个批次产品的加工工艺序列与质检因子的关联规律以及产品的预测权重得到每个批次产品的预测质量数据，根据每个批次产品的预测质量数据与质检因子的差异性得到每个批次产品的真实性指标；
真伪判定模块，用于根据每个批次产品的真实性指标对每个批产品的质检因子进行真伪性判定。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.基于区块链技术的产品追溯方法，其特征在于，该方法包括以下步骤：
采集区块链中每个批次产品的人为因素序列、自然因素序列、加工工艺序列以及质检因子；
根据每个批次产品的人为因素序列与自然因素序列的匹配情况得到每个批次产品的最佳极值点对集合，根据每个批次产品的最佳极值点对集合中极值点对中两极值点的关联性得到每个批次产品的加工补偿系数；
根据每个批次产品的加工补偿系数与每个批次产品的加工工艺序列的相关关系得到产品的预测权重，根据每个批次产品的加工工艺序列与质检因子的关联规律以及产品的预测权重得到每个批次产品的预测质量数据，根据每个批次产品的预测质量数据与质检因子的差异性得到每个批次产品的真实性指标；
根据每个批次产品的真实性指标对每个批产品的质检因子进行真伪性判定；
采集每个批次产品在种植阶段中每天的每种人为因素数据，人为因素数据的种类包括以下方面：灌溉频率、施肥频率、除虫害频率以及除草频率；将每个批次产品在种植阶段中每天的所有种类的人为因素数据的均值作为每个批次产品在种植阶段中每天的综合人为因素数据；将每个批次产品在种植阶段中所有天的综合人为因素数据按时序顺序排列得到每个批次产品的人为因素序列；
采集每个批次产品在种植阶段中每天的每种天气因素数据，天气因素数据的种类包括以下几个方面：温度、湿度、降雨量；将每个批次产品在种植阶段中每天的所有种类的天气因素数据构成天气因素向量；通过人为对每个批次产品在种植阶段中每天的天气因素向量进行分析得到每个批次产品在种植阶段中每天的天气因素向量的天气评分值，将天气评分值作为每个批次产品在种植阶段中每天的天气因素向量的标签，完成N个批次产品在种植阶段中所有天的天气因素向量的标注标签处理，将N个批次产品在种植阶段中所有天的带标签的天气因素向量构成数据集；构建一个yoloV3网络，利用数据集中的数据完成网络训练，利用训练完成的网络获取其余批次产品在种植阶段中每天的天气因素向量的评分值；将每个批次产品在种植阶段中所有天的天气因素向量的评分值构成每个批次产品的自然因素序列；
采集每个批次产品在加工阶段的每种加工工艺数据，加工工艺数据的种类包括以下方面：清洗工艺中各加工参数，分选工艺中各加工参数，催熟工艺中各加工参数、加工切割工艺中各加工参数以及提色工艺中各加工参数；将每个批次产品在加工阶段的所有种加工工艺数据构成每个批次产品的加工工艺序列；
所述根据每个批次产品的人为因素序列与自然因素序列的匹配情况得到每个批次产品的最佳极值点对集合，包括的具体方法为：
将每个批次产品的人为因素序列拟合曲线，记为每个批次产品的人为因素曲线，将每个批次产品的自然因素序列拟合曲线，记为每个批次产品的自然因素曲线，获取人为因素曲线中的极值点和自然因素曲线的极值点，将每个批次产品的两曲线中极值点少的曲线称为基准曲线，将极值点多的曲线称为分析曲线，获取基准曲线的极值点数量R，以任意一种选取方式在分析曲线中选取R个极值点构成极值点集合，若干选取方式得到若干极值点集合；
根据每个批次产品的分析曲线的任意一种选取方式下的极值点集合以及基准曲线的所有极值点得到一种选取方式下的待选极值点对集合；
在所有选取方式中获取每个批次产品的待选极值点对集合的综合匹配值最小值对应的选取方式，记为最佳选取方式，将最佳选取方式对应的待选极值点对集合称为每个批次产品的最佳极值点对集合；
所述根据每个批次产品的分析曲线的任意一种选取方式下的极值点集合以及基准曲线的所有极值点得到一种选取方式下的待选极值点对集合，包括的具体方法为：
对于每个批次产品的分析曲线的任意一种选取方式下的极值点集合，以任意一种组合方式将极值点集合中每个极值点与基准曲线的每个极值点组合得到若干极值点对，将一种组合方式下的若干极值点对构成极值点对集合，若干组合方式得到若干极值点对集合，获取极值点对中两极值点的欧氏距离，记为极值点对的匹配值，获取一种组合方式下极值点对集合中所有极值点的匹配值的均值，记为一种组合方式下的综合匹配值，在所有组合方式下的极值点对集合中获取综合匹配值的最小值对应的极值点对集合，记为一种选取方式下的待选极值点对集合；
所述根据每个批次产品的最佳极值点对集合中极值点对中两极值点的关联性得到每个批次产品的加工补偿系数，包括的具体方法为：
获取每个批次产品的最佳极值点对集合的每个极值点对中两极值点的欧氏距离，记为每个批次产品的最佳极值点对集合的每个极值点对的欧氏距离，将每个批次产品的最佳极值点对集合的极值点对中的极值点称为匹配极值点，将每个批次产品的人为因素曲线和自然因素曲线中不是匹配极值点的极值点称为每个批次产品的未匹配极值点；
每个批次产品的加工补偿系数的计算方法为：
；
其中，表示第j个批次产品的最佳极值点对集合的第i个极值点对的欧氏距离，/>表示第j个批次产品的最佳极值点对集合的所有极值点对的欧氏距离的均值，/>表示第j个批次产品的最佳极值点对集合中极值点对的数量，/>表示第j个批次产品的未匹配极值点的数量，exp()表示以自然常数为底的指数函数，/>表示反比例正切函数，/>表示第j个批次产品的加工补偿系数；
所述根据每个批次产品的加工补偿系数与每个批次产品的加工工艺序列的相关关系得到产品的预测权重，包括的具体方法为：
获取每个批次产品的加工工艺序列的二次波动程度和加工补偿系数的二次波动程度；
产品的预测权重的计算方法为：
；
其中，表示第k个批次产品的加工工艺序列的二次波动程度，/>表示所有批次产品的加工工艺序列的二次波动程度的均值，/>表示第k个批次产品的加工补偿系数的二次波动程度，/>表示所有批次产品的加工补偿系数的二次波动程度的均值，/>表示产品的总的批次数量，/>表示产品的预测权重；
所述获取每个批次产品的加工工艺序列的二次波动程度和加工补偿系数的二次波动程度，包括的具体方法为：
计算每个批次产品的加工工艺序列与下一批次产品的加工工艺序列的欧氏距离，记为每个批次产品的加工工艺序列的一次波动程度，将每个批次产品的加工工艺序列的一次波动程度与下一批次产品的加工工艺序列的一次波动程度的差值绝对值，记为每个批次产品的加工工艺序列的二次波动程度；
计算每个批次产品的加工补偿系数与下一批次产品的加工补偿系数的差值绝对值，记为每个批次产品的加工补偿系数的一次波动程度，将每个批次产品的加工补偿系数的一次波动程度与下一批次产品的加工补偿系数的波动程度的差值绝对值，记为每个批次产品的加工补偿系数的二次波动程度；
所述根据每个批次产品的加工工艺序列与质检因子的关联规律以及产品的预测权重得到每个批次产品的预测质量数据，包括的具体方法为：
获取每个批次产品的加工工艺序列中所有加工工艺数据的极差值，所述极差值是指最大值与最小值的差值，将每个批次产品的加工工艺序列中的极差值作为横坐标，将每个批次的质检因子作为纵坐标，构建坐标系，在坐标系中获取每个批次产品的坐标点，利用所有批次产品的坐标点拟合曲线，记为产品质量曲线，根据产品质量曲线获取每个批次产品的斜率；
每个批次产品的预测质量数据的计算方法为：
；
其中，表示第k个批次产品的斜率，/>表示产品的总的批次数量，/>表示第v个批次产品的加工工艺序列的极差值，/>表示产品的预测权重，/>表示第v个批次产品的预测质量数据。
2.根据权利要求1所述基于区块链技术的产品追溯方法，其特征在于，所述根据每个批次产品的预测质量数据与质检因子的差异性得到每个批次产品的真实性指标，包括的具体方法为：
；
其中，表示第v个批次产品的预测质量数据，/>表示第v个批次产品的质检因子，exp()表示以自然常数为底的指数函数，/>表示第v个批次产品的真实性指标。
3.根据权利要求1所述基于区块链技术的产品追溯方法，其特征在于，所述根据每个批次产品的真实性指标对每个批产品的质检因子进行真伪性判定，包括的具体方法为：
将每个批次产品的真实性指标与预设真实性阈值比较，当真实性指标大于预设真实性阈值时，则判定所述批次产品的质检因子为真实，当真实性指标小于等于预设真实性阈值时，则判定所述批次产品的质检因子为伪造。
4.基于区块链技术的产品追溯系统，其特征在于，该系统包括以下模块：
数据采集模块，用于采集区块链中每个批次产品的人为因素序列、自然因素序列、加工工艺序列以及质检因子；
加工补偿系数获取模块，用于根据每个批次产品的人为因素序列与自然因素序列的匹配情况得到每个批次产品的最佳极值点对集合，根据每个批次产品的最佳极值点对集合中极值点对中两极值点的关联性得到每个批次产品的加工补偿系数；
真实性指标获取模块，用于根据每个批次产品的加工补偿系数与每个批次产品的加工工艺序列的相关关系得到产品的预测权重，根据每个批次产品的加工工艺序列与质检因子的关联规律以及产品的预测权重得到每个批次产品的预测质量数据，根据每个批次产品的预测质量数据与质检因子的差异性得到每个批次产品的真实性指标；
真伪判定模块，用于根据每个批次产品的真实性指标对每个批产品的质检因子进行真伪性判定；
所述系统实现的是如权利要求1~3任意一项所述基于区块链技术的产品追溯方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311464414.5A CN117196659B (zh) | 2023-11-07 | 2023-11-07 | 基于区块链技术的产品追溯方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311464414.5A CN117196659B (zh) | 2023-11-07 | 2023-11-07 | 基于区块链技术的产品追溯方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117196659A CN117196659A (zh) | 2023-12-08 |
| CN117196659B true CN117196659B (zh) | 2024-02-09 |
Family
ID=88992784
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311464414.5A Active CN117196659B (zh) | 2023-11-07 | 2023-11-07 | 基于区块链技术的产品追溯方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117196659B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007323623A (ja) * | 2006-06-01 | 2007-12-13 | Masao Tsuruoka | ランダムトレーサビリティ層別平均対照原因分析プログラム |
| CN111080323A (zh) * | 2019-12-25 | 2020-04-28 | 中国联合网络通信集团有限公司 | 产品质量追溯评估方法及设备 |
| CN111680865A (zh) * | 2020-04-26 | 2020-09-18 | 中化现代农业有限公司 | 基于区块链的农产品品控溯源平台 |
| CN113887977A (zh) * | 2021-10-12 | 2022-01-04 | 杭州畅鸿信息技术有限公司 | 一种基于区块链技术的食品药品质量安全追溯方法及系统 |
| CN114493335A (zh) * | 2022-02-15 | 2022-05-13 | 山东胜宁电器有限公司 | 用于产品质量追溯的系统 |
| CN116342152A (zh) * | 2023-05-30 | 2023-06-27 | 深圳市红禾谷生物科技有限公司 | 一种农产品的源产销信息追溯方法和系统 |
| CN116739383A (zh) * | 2023-06-30 | 2023-09-12 | 浙江东鸿电子股份有限公司 | 基于大数据的充电桩电力负荷预测评估方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI267012B (en) * | 2004-06-03 | 2006-11-21 | Univ Nat Cheng Kung | Quality prognostics system and method for manufacturing processes |
| US7613330B2 (en) * | 2006-04-03 | 2009-11-03 | Jbs Swift & Company | Methods and systems for tracking and managing livestock through the production process |
| US11263707B2 (en) * | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
| CA3176247A1 (en) * | 2021-09-29 | 2023-03-29 | Cargill, Incorporated | Systems and methods for optimizing grain supply network |
-
2023
- 2023-11-07 CN CN202311464414.5A patent/CN117196659B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007323623A (ja) * | 2006-06-01 | 2007-12-13 | Masao Tsuruoka | ランダムトレーサビリティ層別平均対照原因分析プログラム |
| CN111080323A (zh) * | 2019-12-25 | 2020-04-28 | 中国联合网络通信集团有限公司 | 产品质量追溯评估方法及设备 |
| CN111680865A (zh) * | 2020-04-26 | 2020-09-18 | 中化现代农业有限公司 | 基于区块链的农产品品控溯源平台 |
| CN113887977A (zh) * | 2021-10-12 | 2022-01-04 | 杭州畅鸿信息技术有限公司 | 一种基于区块链技术的食品药品质量安全追溯方法及系统 |
| CN114493335A (zh) * | 2022-02-15 | 2022-05-13 | 山东胜宁电器有限公司 | 用于产品质量追溯的系统 |
| CN116342152A (zh) * | 2023-05-30 | 2023-06-27 | 深圳市红禾谷生物科技有限公司 | 一种农产品的源产销信息追溯方法和系统 |
| CN116739383A (zh) * | 2023-06-30 | 2023-09-12 | 浙江东鸿电子股份有限公司 | 基于大数据的充电桩电力负荷预测评估方法 |
Non-Patent Citations (7)
| Title |
|---|
| A Dynamic Source Tracing Method for Food Supply Chain Quality and Safety Based on Big Data;Jun Song等;Discrete Dynamics in Nature and Society;第2022卷;1-11 * |
| Fruit Traceability and Quality Inspection System Based on Blockchain and Computer Vision;Chengxin Liu等;2023 3rd International Symposium on Computer Technology and Information Science (ISCTIS);211-218 * |
| 信息价值感知、追溯行为与农产品质量安全追溯——基于试点追溯农产品苹果消费者研究;梁飞;中国博士学位论文全文数据库 经济与管理科学辑(第4期);J149-17 * |
| 基于产品生产信息的质检误判风险评估;沈林捷;施奕;;当代化工研究(05);全文 * |
| 基于供应链管理的食品安全风险预警系统研究;胡春林;;经济师(07);全文 * |
| 基于实时数据的纺纱质量异常因素预测方法的研究;王志刚;马创涛;;纺织器材(05);全文 * |
| 欧式距离系数在多点生产卷烟产品的均质化评价中的应用;石凤学;王浩雅;张涛;张强;王晓辉;孙力;邹泉;陈冉;李红武;申晓锋;卢伟;;安徽农业科学(20);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117196659A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109308697B (zh) | 一种基于机器学习算法的树叶病害识别方法 | |
| CN106845497B (zh) | 基于多特征融合的玉米前期图像旱情识别方法 | |
| CN102495005A (zh) | 高光谱图像技术诊断作物水分亏缺的方法 | |
| CN110414738A (zh) | 一种农作物产量预测方法及系统 | |
| CN116485418B (zh) | 一种茶叶精制生产溯源方法及系统 | |
| Herdiyeni et al. | Chilli quality classification using deep learning | |
| CN115860581B (zh) | 农作物品种适宜性评价方法、装置、设备及存储介质 | |
| Kumar et al. | Apple Sweetness Measurement and Fruit Disease Prediction Using Image Processing Techniques Based on Human-Computer Interaction for Industry 4.0 | |
| CN114677606A (zh) | 基于注意力机制和双分支网络的柑橘细粒度病害识别方法 | |
| CN117196659B (zh) | 基于区块链技术的产品追溯方法及系统 | |
| Chawal et al. | Rice plant disease detection using twin support vector machine (TSVM) | |
| CN114266979A (zh) | 茶树病虫害智能识别方法、装置、设备及存储介质 | |
| CN111832480B (zh) | 一种基于光谱特征的油菜种植区遥感识别方法 | |
| CN113221913A (zh) | 一种基于高斯概率决策级融合的农林病虫害细粒度识别方法及装置 | |
| CN104990891A (zh) | 一种种子近红外光谱和光谱图像定性分析模型建立方法 | |
| CN112232387A (zh) | 基于lselm-rfe的粮食作物病害症状的有效特征识别方法 | |
| Ji et al. | Apple color automatic grading method based on machine vision | |
| Karyemsetty et al. | A Machine Learning Approach to Classification of Okra | |
| CN114241221B (zh) | 一种基于神经网络预测算法的控制系统 | |
| Sari et al. | Detection of Corn Leaves Nutrient Deficiency Using Support Vector Machine (SVM) | |
| Lestari et al. | Identifying the Quality System of Cocoa Beans to Increase Productivity Using Backpropagation Neural Network Algorithm: A Case Study at Sumber Rejeki Farmers Group, Patuk Gunung Kidul | |
| Akter et al. | Development of a computer vision based eggplant grading system | |
| CN114511848B (zh) | 一种基于改进标签平滑算法的葡萄物候期识别方法及系统 | |
| CN117788200B (zh) | 一种基于多源遥感数据的农产品成熟度预测系统 | |
| Chodey et al. | Crop pest detection and classification by K-means and EM clustering |
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 |