CN117236825B - 农产品供应链运输管理系统及方法 - Google Patents
农产品供应链运输管理系统及方法 Download PDFInfo
- Publication number
- CN117236825B CN117236825B CN202311517970.4A CN202311517970A CN117236825B CN 117236825 B CN117236825 B CN 117236825B CN 202311517970 A CN202311517970 A CN 202311517970A CN 117236825 B CN117236825 B CN 117236825B
- Authority
- CN
- China
- Prior art keywords
- maturity
- agricultural product
- transportation
- time
- real
- 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 73
- 230000008859 change Effects 0.000 claims abstract description 79
- 238000004458 analytical method Methods 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000005265 energy consumption Methods 0.000 claims description 52
- 238000007726 management method Methods 0.000 claims description 35
- 238000013178 mathematical model Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000002474 experimental method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 19
- 238000005057 refrigeration Methods 0.000 description 17
- 230000008014 freezing Effects 0.000 description 16
- 238000007710 freezing Methods 0.000 description 16
- 230000005070 ripening Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000003203 everyday effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000002028 premature Effects 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了农产品供应链运输管理系统及方法，涉及农产品领域，通过获取每个农产品的成熟度标签，基于成熟度标签，采集n张农产品图像，n为大于零的正整数，得到农产品图像集，利用农产品图像集，训练生成成熟度分析模型，基于不同的温度条件，获取第一成熟度变化模型，获取实时农产品图像集，利用成熟度分析模型，得到实时农产品的初始成熟度，收集商户所需成熟度和运输时限，结合实时农产品的初始成熟度、第一成熟度变化模型，生成第一运输策略和第二运输策略，解决了农产品在运输过程中因不适宜的温度条件过早腐烂或过快成熟的问题，实现了对农产品质量的精细化控制，对运输过程进行科学性和针对性管理。
Description
技术领域
本申请涉及农产品领域，特别涉及一种农产品供应链运输管理系统及方法。
背景技术
某农产品交易中心建立的大型农产数据在线交易云平台，其中包括有农产品供应链运输系统。农产品运输过程是指将采摘后的农产品从产地运送到销售地或消费者手中的整个流程。这个过程需要考虑农产品的保鲜性、品质维护以及成本效益等因素，以确保农产品在运输过程中能够保持新鲜、不腐坏，并且在运输期间不受损失。针对一些名贵的农产品，需要选择精细化的运输储存方式来保证农产品的品质。名贵农产品在运输过程中可能会因为不适宜的温度条件而导致过早腐烂或过快成熟，影响名贵农产品的品质和商业价值。
申请公开号为CN115965256A的中国专利，公开了一种基于大数据的农产品供应链质量管理方法，包括：生成关于农产品的销售订单；从全部的物流转运中心中确定出能够满足销售订单中的农产品对于运输和储存的环境要求的若干物流转运中心，并且结合销售订单的发货地和收货地，计算销售订单的最优运输路线；在物流转运中心，根据不同的销售订单的各个最优运输路线，对于各个最优运输路线上的下一个物流转运中心相同的不同的销售订单进行合并运输，最后将与销售订单相对应的农产品运输到距离收货地最近的物流转运中心。该技术方案通过制定最优运输路线避免消费者收到腐败的农产品，虽然在一定程度上解决了农产品变质腐坏的问题，但难以实时监测农产品在运输过程中的成熟度变化过程，缺乏科学性和针对性管理，导致送达目的地时往往农产品的质量不够精细化，部分农产品过于成熟，无法满足商户的需求，也对农户造成一定的损失。
发明内容
本申请提供了农产品供应链运输管理系统及方法，用于提供一个农产品供应链的运输方法及系统，解决传统的农产品运输过程中，难以实时监测农产品在运输过程中的成熟度变化过程，缺乏科学性和针对性管理，导致送达目的地时往往农产品的质量不够精细化，无法满足商户的需求，也造成农产品损失的问题，本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
鉴于上述问题，本申请的一个目的在于提出一种农产品供应链运输管理系统及方法。
本申请的一个方面提供了一种农产品供应链运输管理方法，步骤包括：
步骤S100：获取每个农产品的成熟度标签；
所述获取每个农产品的成熟度标签的方法为：由m个标注者为每个农产品按照成熟度1~10进行打分，计算m个成熟度的平均值，该平均值/>作为该农产品的成熟度标签；
步骤S200：基于成熟度标签，采集n张农产品图像，n为大于零的正整数，得到农产品图像集；
具体而言，所述基于成熟度标签，采集n张农产品图像的方法为：
步骤S210：获取多个角度的农产品图像，所述多个角度至少包括但不限于：上方、下方、前方、后方、左侧、右侧；
步骤S220：获取不同成熟度的农产品图像，所述成熟度的大小由1~10的数值表示；
步骤S230：按照所述多个角度、所述不同成熟度，采集农产品的n张农产品图像；
所述得到农产品图像集的方法为：将n张农产品图像调整为大小相同的图像尺寸p×p，并将农产品图像的像素标准化到[0，1]区间，得到农产品图像集；
所述将农产品图像的像素标准化到[0，1]区间的方法为：假设农产品图像上某一像素点的原始像素值为X0，则标准化后的像素值X为；
步骤S300：利用农产品图像集，训练生成成熟度分析模型；优选地，神经网络模型选用卷积神经网络模型；
所述训练生成成熟度分析模型的训练方法如下：
将带有成熟度标签的农产品图像集作为神经网络模型的输入数据，对于每张农产品图像，判断其成熟度作为神经网络模型的输出；将每个输入的农产品图像的编号记为x，共有n个输入的农产品图像，表示第x个输入的农产品图像真正的成熟度，/>表示神经网络模型输出的第x个农产品图像的成熟度，将准确判断农产品图像的成熟度作为神经网络模型的训练目标，将收敛预测成熟度和真实成熟度标签之间的损失函数/>作为预测目标进行训练；其中，损失函数的计算公式为；
步骤S400：基于不同的温度条件，获取第一成熟度变化模型；
所述获取第一成熟度变化模型的步骤为：
步骤S410：选择三个温度条件，在每个温度条件下设置一组相同的农产品样本；
其中，所述三个温度条件指：常温21℃~25℃、冷藏4℃~8℃、冷冻-2℃~-6℃；
所述相同的农产品样本是指农产品的品种相同、初始成熟度相似、健康状态相同、存放状态相同；所述初始成熟度相似指农产品样本的成熟度在4~5范围内；所述存放状态相同是指农产品样本在实验开始前以相同的实验环境进行存放，以排除实验前的存放环境对实验结果的影响；
所述在每个温度条件下设置一组相同的农产品样本分别为：常温21℃~25℃放置第一组农产品样本，冷藏4℃~8℃放置第二组农产品样本，冷冻-2℃~-6℃放置第三组农产品样本；
步骤S420：将相同温度条件下的农产品样本放置在相同的环境中，记录每个农产品样本的初始成熟度；
其中，所述将相同温度条件下的农产品样本放置在相同的环境中具体指在三种温度条件下分别放置一组农产品样本，三组农产品样本所处的环境的光照、氧气含量、湿度相同；
所述记录每个农产品样本的初始成熟度具体指通过将农产品样本的农产品图像输入成熟度分析模型，得到每个农产品样本的初始成熟度。
步骤S430：收集实验过程中记录的每组农产品样本的时间和成熟度序列；
其中，所述收集实验过程中记录的每组农产品样本的时间和成熟度序列具体指：每天同一时间点记录下当天某组中某农产品样本的成熟度，i表示时间，j表示组数，k表示每组中的第k个农产品样本，/>表示第i天、第j组的第k个农产品样本的成熟度，/>表示第j组第k个农产品样本的初始成熟度，记录i天后得到三组农产品样本的成熟度序列，第一组农产品样本的成熟度序列为/>，第二组农产品样本的成熟度序列为/>，第三组农产品样本的成熟度序列为；
所述每天同一时间点记录下当天某组中某农产品样本的成熟度是指通过在每天同一时间点利用成熟度分析模型，输入该农产品样本图像对该农产品样本的成熟度进行预测和输出，记录下该农产品样本的成熟度和对应的时间。
步骤S440：使用数学模型拟合成熟度序列，得到第一成熟度变化模型。
其中，所述使用数学模型拟合成熟度序列的一个输入数据为一个农产品样本的成熟度随时间变化的成熟度序列，使用数学模型拟合成熟度序列为本领域常用技术手段，在此不作赘述。
所述第一成熟度变化模型用于计算初始成熟度的农产品样本经过i天后的成熟度，包括：在21℃~25℃常温条件下、在4℃~8℃冷藏条件下、在-2℃~-6℃冷冻条件下，随时间变化下农产品样本经过i天后的成熟度/>，所述第一成熟度变化模型具体为：
步骤S441：根据三组农产品样本的成熟度序列，对成熟度序列中的农产品样本的成熟度使用数学模型进行拟合，得到农产品样本经过i天后的成熟度的公式，该公式分别表示在21℃~25℃常温条件下、在4℃~8℃冷藏条件下、在-2℃~-6℃冷冻条件下农产品样本的成熟度随时间变化的结果；其中/>、/>、/>、/>、/>、/>、/>为拟合参数，自变量i表示时间，因变量/>表示农产品样本经过i天后的成熟度，/>表示农产品样本的初始成熟度；
步骤S500：获取实时农产品图像集，利用成熟度分析模型，得到实时农产品的初始成熟度；
所述利用成熟度分析模型，得到实时农产品的初始成熟度的步骤为：
采集多角度的实时农产品图像，将实时农产品图像的大小调整到相同的尺寸p×p，并将实时农产品图像进行像素标准化到[0，1]区间，得到实时农产品图像集；
利用成熟度分析模型，将实时农产品图像集作为模型的输入数据，预测实时农产品的初始成熟度并进行输出；
步骤S600：收集商户所需成熟度和运输时限，结合实时农产品的初始成熟度、第一成熟度变化模型，生成第一运输策略和第二运输策略；
所述商户所需成熟度是指农产品从农户所在地运输到商户所在地后的成熟度，所述运输时限是指从农户所在地运输到商户所在地所需的时间，所述时间的单位为天数；
所述第一成熟度变化模型中，21℃~25℃常温条件下能耗系数为，4℃~8℃冷藏条件下能耗系数为/>，-2℃~-6℃冷冻条件下能耗系数为/>；
所述结合实时农产品的初始成熟度、第一成熟度变化模型，生成第一运输策略和第二运输策略是指结合实时农产品的初始成熟度、商户所需成熟度和运输时限，控制运输过程中的温度条件以确保商户收到农产品时达到他们所需的成熟度，具体方法为：
当运输时限为固定值时，所述第一运输策略为：
步骤S610：获取所述实时农产品的初始成熟度为，所述商户所需成熟度的范围为[/>，/>]，所述运输时限为t；
步骤S620：根据第一成熟度变化模型，输入实时农产品的初始成熟度、运输时限t，计算得到三种温度条件下运输t天后的成熟度/>、/>、/>，其中，/>表示21℃~25℃常温条件下运输t天从初始成熟度/>变化得到的成熟度，/>表示4℃~8℃冷藏条件下运输t天从初始成熟度/>变化得到的成熟度，/>表示-2℃~-6℃冷冻条件下运输t天从初始成熟度/>变化得到的成熟度；
步骤S630：比较商户所需成熟度的范围和三种温度条件下运输t天后的成熟度、/>、/>，筛选范围在[/>，/>]内的/>、/>、/>，将该成熟度所对应的温度条件作为第一运输策略的参考温度条件；
步骤S640：计算该成熟度所对应的温度条件运输t天的能耗，选择能耗最小的参考温度条件生成第一运输策略；其中，所述能耗的计算公式分别为：
21℃~25℃常温条件下的能耗：；
4℃~8℃冷藏条件下的能耗：；
-2℃~-6℃冷冻条件下的能耗：。
当商户所需成熟度为固定值时，所述第二运输策略为：
步骤S650：获取所述实时农产品的初始成熟度为，所述运输时限的范围为[，/>]，所述商户所需成熟度为/>；
步骤S660：根据第一成熟度变化模型，输入实时农产品的初始成熟度、商户所需成熟度/>，计算得到三种温度条件下由初始成熟度/>变化到商户所需成熟度/>所需的运输时间，在21℃~25℃常温条件下由初始成熟度/>变化到商户所需成熟度/>所需的运输时间为/>，在4℃~8℃冷藏条件下由初始成熟度/>变化到商户所需成熟度/>所需的运输时间为/>，在-2℃~-6℃冷冻条件下由初始成熟度/>变化到商户所需成熟度所需的运输时间为/>；
步骤S670：比较运输时限和三种温度条件下由初始成熟度变化到商户所需成熟度/>所需的运输时间/>、/>、/>，筛选范围在[/>，/>]内的/>、/>、/>，将该运输时间所对应的温度条件作为第二运输策略的参考温度条件；
步骤S680：计算以符合范围的运输时间运输需要的能耗，选择能耗最小的参考温度条件生成第二运输策略；其中，所述能耗的计算公式分别为：
21℃~25℃常温条件下的能耗：；
4℃~8℃冷藏条件下的能耗：；
-2℃~-6℃冷冻条件下的能耗：。
本申请的一个方面提供了一种农产品供应链运输管理系统，包括以下模块：
标签生成模块，用于获取每个农产品的成熟度标签；
图像获取模块，用于基于成熟度标签，采集n张农产品图像，n为大于零的正整数，得到农产品图像集；
模型训练模块，用于利用农产品图像集，训练生成成熟度分析模型；
温度条件分析模块，用于基于不同的温度条件，获取第一成熟度变化模型；
成熟度分析模块，用于获取实时农产品图像集，利用成熟度分析模型，得到实时农产品的初始成熟度；
运输策略模块，用于收集商户所需成熟度和运输时限，结合实时农产品的初始成熟度、第一成熟度变化模型，生成第一运输策略和第二运输策略。
本申请的一个方面提供了一种电子设备，该电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，以实现农产品供应链运输管理方法中的步骤。
本申请的一个方面提供了一种计算机可读存储介质，可读存储介质存储有计算机程序，计算机程序适于处理器进行加载，执行农产品供应链运输管理方法中的步骤。
本申请中提供的一个或多个技术方案，至少具有如下的技术效果：通过获取每个农产品的成熟度标签，基于成熟度标签，采集n张农产品图像，n为大于零的正整数，得到农产品图像集，利用农产品图像集，训练生成成熟度分析模型，基于不同的温度条件，获取第一成熟度变化模型，获取实时农产品图像集，利用成熟度分析模型，得到实时农产品的初始成熟度，收集商户所需成熟度和运输时限，结合实时农产品的初始成熟度、第一成熟度变化模型，生成第一运输策略和第二运输策略，解决了农产品在运输过程中可能会因为不适宜的温度条件而导致过早腐烂或过快成熟的问题，通过使用第一成熟度变化模型和成熟度分析模型对成熟度的变化过程进行预测，使得农产品到达商户所在地时的成熟度符合商户的需求，减少了农产品的腐坏损失，实现了对农产品质量的精细化控制，达到了科学性和针对性运输农产品的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1是本申请一个实施例提供的农产品供应链运输管理方法的示意图；
图2是本申请一个实施例提供的第一成熟度变化模型的曲线示意图；
图3是本申请一个实施例提供的农产品供应链运输管理系统的功能模块图；
图4是本申请一个实施例提供的电子设备结构示意图；
图5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。
具体实施方式
为了更好地理解本申请，将参考附图对本申请的各个方面做出更详细的说明。应理解，这些详细说明只是对本申请的示例性实施方式的描述，而非以任何方式限制本申请的范围。表述“和/或”包括相关联的所列项目中的一个或多个的任何和全部组合。
在附图中，为了便于说明，已稍微调整了元素的大小、尺寸和形状。附图仅为示例而并非严格按比例绘制。如在本文中使用的，用语“大致”、“大约”以及类似的用语用作表近似的用语，而不用作表程度的用语，并且旨在说明将由本领域普通技术人员认识到的、测量值或计算值中的固有偏差。另外，在本申请中，各步骤处理描述的先后顺序并不必然表示这些处理在实际操作中出现的顺序，除非有明确其它限定或者能够从上下文推导出的除外。
还应理解的是，诸如“包括”、“包括有”、“具有”、“包含”和/或“包含有”等表述在本说明书中是开放性而非封闭性的表述，其表示存在所陈述的特征、元件和/或部件，但不排除一个或多个其它特征、元件、部件和/或它们的组合的存在。此外，当诸如“...中的至少一个”的表述出现在所列特征的列表之后时，其修饰整列特征，而非仅仅修饰列表中的单独元件。此外，当描述本申请的实施方式时，使用“可”表示“本申请的一个或多个实施方式”。并且，用语“示例性的”旨在指代示例或举例说明。
除非另外限定，否则本文中使用的所有措辞（包括工程术语和科技术语）均具有与本申请所属领域普通技术人员的通常理解相同的含义。还应理解的是，除非本申请中有明确的说明，否则在常用词典中定义的词语应被解释为具有与它们在相关技术的上下文中的含义一致的含义，而不应以理想化或过于形式化的意义解释。
需要说明的是，在不冲突的情况下，本申请中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本申请。
实施例1
如图一所示，本申请实施例提供了农产品供应链运输管理方法，所述方法应用于农产品供应链运输管理系统，所述农产品供应链运输管理方法包括：
步骤S100：获取每个农产品的成熟度标签；
所述获取每个农产品的成熟度标签的方法为：由m个标注者为每个农产品按照成熟度1~10进行打分，计算m个成熟度的平均值，该平均值/>作为该农产品的成熟度标签；
通过为每个农产品生成成熟度标签，由多个标注者对农产品的成熟度进行打分，计算m个成熟度的平均值作为成熟度标签，减少由个体打分带来的主观性影响，达到了为后续训练生成成熟度分析模型提供了可靠的数据支持的技术效果。
步骤S200：基于成熟度标签，采集n张农产品图像，n为大于零的正整数，得到农产品图像集；
所述基于成熟度标签，采集n张农产品图像的方法为：
步骤S210：获取多个角度的农产品图像，所述多个角度至少包括但不限于：上方、下方、前方、后方、左侧、右侧；
步骤S220：获取不同成熟度的农产品图像，所述成熟度的大小由1~10的数值表示；
步骤S230：按照所述多个角度、所述不同成熟度，采集农产品的n张农产品图像；
所述得到农产品图像集包括：将n张农产品图像调整为大小相同的图像尺寸p×p，并将农产品图像的像素标准化到[0，1]区间，得到农产品图像集；
所述将农产品图像的像素标准化到[0，1]区间的方法为：假设农产品图像上某一像素点的原始像素值为X0，则标准化后的像素值X为；
通过基于成熟度标签，得到农产品图像集这一步骤，实现根据多个角度、不同成熟度采集农产品图像，增加图像样本的多样性和全面性，为后续训练生成成熟度分析模型提供了数据多样化的有益效果。
步骤S300：利用农产品图像集，训练生成成熟度分析模型；优选地，神经网络模型选用卷积神经网络模型；
所述训练生成成熟度分析模型的训练方法如下：
将带有成熟度标签的农产品图像集作为神经网络模型的输入数据，对于每张农产品图像，判断其成熟度作为神经网络模型的输出；将每个输入的农产品图像的编号记为x，共有n个输入的农产品图像，表示第x个输入的农产品图像真正的成熟度，/>表示神经网络模型输出的第x个农产品图像的成熟度，将准确判断农产品图像的成熟度作为神经网络模型的训练目标，将收敛预测成熟度和真实成熟度标签之间的损失函数/>作为预测目标进行训练；其中，损失函数的计算公式为；
通过利用农产品图像集，训练并生成成熟度分析模型这一步骤，训练生成成熟度分析模型用于分析农产品的初始成熟度和运输过程中变化的成熟度，达到了为后续对农产品的成熟度建立第一成熟度变化模型提供了可靠的数据支持的有益效果。
步骤S400：基于不同的温度条件，获取第一成熟度变化模型；
所述获取第一成熟度变化模型的步骤为：
步骤S410：选择三个温度条件，在每个温度条件下设置一组相同的农产品样本；
其中，所述三个温度条件指：常温21℃~25℃、冷藏4℃~8℃、冷冻-2℃~-6℃；
所述相同的农产品样本是指农产品的品种相同、初始成熟度相似、健康状态相同、存放状态相同；所述初始成熟度相似指农产品样本的成熟度在4~5范围内；所述存放状态相同是指农产品样本在实验开始前以相同的实验环境进行存放，以排除实验前的存放环境对实验结果的影响；
所述在每个温度条件下设置一组相同的农产品样本分别为：常温21℃~25℃放置第一组农产品样本，冷藏4℃~8℃放置第二组农产品样本，冷冻-2℃~-6℃放置第三组农产品样本；
步骤S420：将相同温度条件下的农产品样本放置在相同的环境中，记录每个农产品样本的初始成熟度；
其中，所述将相同温度条件下的农产品样本放置在相同的环境中具体指在三种温度条件下分别放置一组农产品样本，三组农产品样本所处的环境的光照、氧气含量、湿度相同；
所述记录每个农产品样本的初始成熟度具体指通过将农产品样本的农产品图像输入成熟度分析模型，得到每个农产品样本的初始成熟度。
步骤S430：收集实验过程中记录的每组农产品样本的时间和成熟度序列；
其中，所述收集实验过程中记录的每组农产品样本的时间和成熟度序列具体指：每天同一时间点记录下当天某组中某农产品样本的成熟度，i表示时间，j表示组数，k表示每组中的第k个农产品样本，/>表示第i天、第j组的第k个农产品样本的成熟度，/>表示第j组第k个农产品样本的初始成熟度，记录i天后得到三组农产品样本的成熟度序列，第一组农产品样本的成熟度序列为/>，第二组农产品样本的成熟度序列为/>，第三组农产品样本的成熟度序列为；
所述每天同一时间点记录下当天某组中某农产品样本的成熟度是指通过在每天同一时间点利用成熟度分析模型，输入该农产品样本图像对该农产品样本的成熟度进行预测和输出，记录下该农产品样本的成熟度和对应的时间。
步骤S440：使用数学模型拟合成熟度序列，得到第一成熟度变化模型。
其中，所述使用数学模型拟合成熟度序列的一个输入数据为一个农产品样本的成熟度随时间变化的成熟度序列，使用数学模型拟合成熟度序列为本领域常用技术手段，在此不作赘述。
所述第一成熟度变化模型用于计算初始成熟度的农产品样本经过i天后的成熟度，包括：在21℃~25℃常温条件下、在4℃~8℃冷藏条件下、在-2℃~-6℃冷冻条件下，随时间变化下农产品样本经过i天后的成熟度/>，所述第一成熟度变化模型具体为：
步骤S441：根据三组农产品样本的成熟度序列，对成熟度序列中的农产品样本的成熟度使用数学模型进行拟合，得到农产品样本经过i天后的成熟度的公式，该公式分别表示在21℃~25℃常温条件下、在4℃~8℃冷藏条件下、在-2℃~-6℃冷冻条件下农产品样本的成熟度随时间变化的结果；其中/>、/>、/>、/>、/>、/>、/>为拟合参数，自变量i表示时间，因变量/>表示农产品样本经过i天后的成熟度，/>表示农产品样本的初始成熟度；
通过基于不同的温度条件，获取第一成熟度变化模型这一步骤，根据第一成熟度变化模型计算农产品样本在不同温度条件下的随时间变化的成熟度和根据商户所需成熟度计算运输时间，为生成第一运输策略和第二运输策略提供了在温度方面延缓农产品样本成熟速度的策略支持，达到了为后续生成第一运输策略和第二运输策略提供了模型基础的有益效果。
步骤S500：获取实时农产品图像集，利用成熟度分析模型，得到实时农产品的初始成熟度；
所述利用成熟度分析模型，得到实时农产品的初始成熟度的步骤为：
采集多角度的实时农产品图像，将实时农产品图像的大小调整到相同的尺寸p×p，并将实时农产品图像进行像素标准化到[0，1]区间，得到实时农产品图像集；
利用成熟度分析模型，将实时农产品图像集作为模型的输入数据，预测实时农产品的初始成熟度并进行输出；
通过获取实时农产品图像集，利用成熟度分析模型，得到实时农产品的初始成熟度这一步骤，达到了使用成熟度分析模型对实时农产品进行初始成熟度预测，为后续生成第一运输策略提供了数据基础的有益效果。
步骤S600：收集商户所需成熟度和运输时限，结合实时农产品的初始成熟度、第一成熟度变化模型，生成第一运输策略和第二运输策略；
所述商户所需成熟度是指农产品从农户所在地运输到商户所在地后的成熟度，所述运输时限是指从农户所在地运输到商户所在地所需的时间，所述时间的单位为天数；
所述第一成熟度变化模型中，21℃~25℃常温条件下能耗系数为，4℃~8℃冷藏条件下能耗系数为/>，-2℃~-6℃冷冻条件下能耗系数为/>；
所述结合实时农产品的初始成熟度、第一成熟度变化模型，生成第一运输策略和第二运输策略是指结合实时农产品的初始成熟度、商户所需成熟度和运输时限，控制运输过程中的温度条件以确保商户收到农产品时达到他们所需的成熟度，具体方法为：
当运输时限为固定值时，所述第一运输策略为：
步骤S610：获取所述实时农产品的初始成熟度为，所述商户所需成熟度的范围为[/>，/>]，所述运输时限为t；/>
步骤S620：根据第一成熟度变化模型，输入实时农产品的初始成熟度、运输时限t，计算得到三种温度条件下运输t天后的成熟度/>、/>、/>，其中，/>表示21℃~25℃常温条件下运输t天从初始成熟度/>变化得到的成熟度，/>表示4℃~8℃冷藏条件下运输t天从初始成熟度/>变化得到的成熟度，/>表示-2℃~-6℃冷冻条件下运输t天从初始成熟度/>变化得到的成熟度；
步骤S630：比较商户所需成熟度的范围和三种温度条件下运输t天后的成熟度、/>、/>，筛选范围在[/>，/>]内的/>、/>、/>，将该成熟度所对应的温度条件作为第一运输策略的参考温度条件；
步骤S640：计算该成熟度所对应的温度条件运输t天的能耗，选择能耗最小的参考温度条件生成第一运输策略；其中，所述能耗的计算公式分别为：
21℃~25℃常温条件下的能耗：；
4℃~8℃冷藏条件下的能耗：；
-2℃~-6℃冷冻条件下的能耗：。
例如，利用实时农产品的初始成熟度，运输时限t，结合第一成熟度变化模型得到21℃~25℃常温条件下运输t天从初始成熟度/>变化的成熟度/>、4℃~8℃冷藏条件下运输t天从初始成熟度/>变化的成熟度/>、-2℃~-6℃冷冻条件下运输t天从初始成熟度/>变化的成熟度/>，筛选范围在[/>，/>]内的/>、/>、/>，得到/>、/>符合商户所需成熟度的范围，对应的温度条件4℃~8℃冷藏条件和-2℃~-6℃冷冻条件作为第一运输策略的参考温度条件，计算两种温度条件运输t天所对应的能耗，分别得到4℃~8℃冷藏条件下的能耗为/>，-2℃~-6℃冷冻条件下的能耗为，比较/>和/>得到/></>，则能耗最小的/>所对应的4℃~8℃冷藏条件作为第一运输策略。
当商户所需成熟度为固定值时，所述第二运输策略为：
步骤S650：获取所述实时农产品的初始成熟度为，所述运输时限的范围为[，/>]，所述商户所需成熟度为/>；
步骤S660：根据第一成熟度变化模型，输入实时农产品的初始成熟度、商户所需成熟度/>，计算得到三种温度条件下由初始成熟度/>变化到商户所需成熟度/>所需的运输时间，在21℃~25℃常温条件下由初始成熟度/>变化到商户所需成熟度/>所需的运输时间为/>，在4℃~8℃冷藏条件下由初始成熟度/>变化到商户所需成熟度/>所需的运输时间为/>，在-2℃~-6℃冷冻条件下由初始成熟度/>变化到商户所需成熟度所需的运输时间为/>；
步骤S670：比较运输时限和三种温度条件下由初始成熟度变化到商户所需成熟度/>所需的运输时间/>、/>、/>，筛选范围在[/>，/>]内的/>、/>、/>，将该运输时间所对应的温度条件作为第二运输策略的参考温度条件；
步骤S680：计算以符合范围的运输时间运输需要的能耗，选择能耗最小的参考温度条件生成第二运输策略；其中，所述能耗的计算公式分别为：
21℃~25℃常温条件下的能耗：；
4℃~8℃冷藏条件下的能耗：；
-2℃~-6℃冷冻条件下的能耗：。
例如，利用实时农产品的初始成熟度、商户所需成熟度/>，计算得到三种温度条件下由初始成熟度/>变化到商户所需成熟度/>所需的运输时间，在21℃~25℃常温条件下由初始成熟度/>变化到商户所需成熟度/>所需的运输时间为/>，在4℃~8℃冷藏条件下由初始成熟度/>变化到商户所需成熟度/>所需的运输时间为/>，在-2℃~-6℃冷冻条件下由初始成熟度/>变化到商户所需成熟度/>所需的运输时间为/>，筛选范围在[/>，/>]内的/>、/>、/>，得到/>、/>符合运输时限的范围[/>，/>]，对应的温度条件21℃~25℃常温条件和4℃~8℃冷藏条件作为第二运输策略的参考温度条件，计算两个温度条件下由初始成熟度/>变化到商户所需成熟度/>所需的能耗，分别得到21℃~25℃常温条件下得到的能耗为/>，4℃~8℃冷藏条件下得到的能耗为/>，比较/>和/>的大小得到/></>，则能耗最小的/>所对应的21℃~25℃常温条件作为第二运输策略。
通过收集商户所需成熟度和运输时限，结合实时农产品的初始成熟度、第一成熟度变化模型，生成第一运输策略和第二运输策略这一步骤，收集商户的所需成熟度和运输时限，了解商户的成熟度期望，通过结合第一成熟度变化模型，计算得到符合商户需求的温度运输条件，通过计算符合的温度条件下的能耗，得出能耗最小的温度条件作为第一运输策略和第二运输策略的运输条件，达到了满足商户的成熟度需求，精细化管理农产品成熟度从而减少农产品损失的技术效果。
实施例2
本申请一个实施例提供的第一成熟度变化模型的曲线示意图，如图2所示，包括三条曲线，分别是当温度条件为常温21℃~25℃、冷藏4℃~8℃、冷冻-2℃~-6℃条件下农产品成熟度随时间变化的趋势；
在常温21℃~25℃条件下，农产品成熟速度相较于其他两个温度条件为最快，上升趋势最为明显，随着成熟度增长，成熟速度随着时间不断加快，成熟度变化曲线的公式为：，其中/>、/>为拟合参数，W为成熟度，/>为初始成熟度，i为时间；
在冷藏4℃~8℃条件下，农产品成熟速度相较于其他两个温度条件为适中，曲线呈现出一种逐渐减缓的趋势，在开始阶段，成熟度增长迅速，但随着时间的推移，逐渐趋近于最大成熟度，成熟度变化曲线的公式为：，其中，/>、/>、/>为拟合参数，W为成熟度，/>为初始成熟度，i为时间；
在冷冻-2℃~-6℃条件下，农产品成熟速度相较于其他两个温度条件为最慢，曲线呈现出一个开始较快但逐渐缓慢的趋势，成熟度的增长速率在开始时较快，但随着时间的增加，增长速率逐渐缓慢，成熟度变化曲线的公式为：，其中/>、/>为拟合参数，W为成熟度，/>为初始成熟度，i为时间。
实施例3
基于与前述实施例中农产品供应链运输管理方法相同的发明构思，如图3所示，本申请提供了农产品供应链运输管理系统，系统包括以下模块：
标签生成模块，用于获取每个农产品的成熟度标签；
图像获取模块，用于基于成熟度标签，采集n张农产品图像，n为大于零的正整数，得到农产品图像集；
模型训练模块，用于利用农产品图像集，训练生成成熟度分析模型；
温度条件分析模块，用于基于不同的温度条件，获取第一成熟度变化模型；
成熟度分析模块，用于获取实时农产品图像集，利用成熟度分析模型，得到实时农产品的初始成熟度；
运输策略模块，用于收集商户所需成熟度和运输时限，结合实时农产品的初始成熟度、第一成熟度变化模型，生成第一运输策略和第二运输策略。
进一步而言，农产品供应链运输管理系统的所述标签生成模块还包括：
标签计算模块，用于由m个标注者为每张农产品图像按照成熟度1~10进行打分，计算m个成熟度的平均值，该平均值作为该农产品图像的成熟度标签；
进一步而言，农产品供应链运输管理系统的所述图像获取模块还包括：
图像采集模块，用于按照多个角度、不同成熟度，采集农产品的n张农产品图像；
图像标准化模块，用于将n张农产品图像调整为大小相同的图像尺寸p×p，并将农产品图像的像素标准化到[0，1]区间，得到农产品图像集；
进一步而言，农产品供应链运输管理系统的所述温度条件分析模块还包括：
初始成熟度记录模块，用于将农产品样本的农产品图像输入成熟度分析模型，得到每个农产品样本的初始成熟度；
数据收集模块，用于在每天同一时间点利用成熟度分析模型，输入该农产品样本图像对该农产品样本的成熟度进行预测和输出，记录下该农产品样本的成熟度和对应的时间，得到农产品样本的成熟度序列；
数据拟合模块，用于根据三组农产品样本的成熟度序列，对序列中的农产品样本的成熟度使用数学模型进行拟合，一个农产品样本随时间变化的成熟度序列作为一个输入数据，得到农产品样本经过i天后的成熟度的公式，得到第一成熟度变化模型；
进一步而言，农产品供应链运输管理系统的所述成熟度分析模块还包括：
实时图像获取模块，用于采集多角度的实时农产品图像，将实时农产品图像的大小调整到相同的尺寸p×p，并将实时农产品图像进行像素标准化到[0，1]区间，得到实时农产品图像集；
初始成熟度获取模块，用于利用实时农产品图像集输入成熟度分析模型，输出实时农产品的初始成熟度；
进一步而言，农产品供应链运输管理系统的所述运输策略模块还包括：
商户信息收集模块，用于收集商户所需成熟度和运输时限，所述商户所需成熟度为商户期望农产品到达时的成熟度或成熟度范围，所述运输时限为农产品从农户所在地到达商户所需要的时间或时间范围；
成熟度计算模块，用于根据第一成熟度变化模型，输入实时农产品的初始成熟度、运输时限或商户所需成熟度，计算得到三种温度条件下运输t天后的成熟度/>、/>、/>或由初始成熟度/>变化到商户所需成熟度所需的运输时间/>、/>、/>；
参考温度筛选模块，用于比较商户所需成熟度和三种温度条件下运输t天后的成熟度、/>、/>，筛选范围在[/>，/>]内的/>、/>、/>，将该成熟度所对应的温度条件作为第一运输策略的参考温度条件；或用于比较运输时限和三种温度情况下由初始成熟度/>变化到商户所需成熟度所需的运输时间/>、/>、/>，筛选范围在[/>，]内的/>、/>、/>，将该运输时间所对应的温度条件作为第二运输策略的参考温度条件；
能耗计算模块，用于计算该符合范围的成熟度所对应的温度条件运输t天所需的能耗，或符合范围的运输时间所对应的温度条件由初始成熟度变化到商户所需成熟度所需的能耗，选择能耗最小的参考温度条件生成第一运输策略或第二运输策略。
实施例4
图4是本申请一个实施例提供的电子设备结构示意图。如图4所示，根据本申请的又一方面还提供了一种电子设备。该电子设备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农产品供应链运输管理方法。
根据本申请实施方式的方法或系统也可以借助于图4所示的电子设备的架构来实现。如图4所示，电子设备可包括总线、一个或多个CPU、只读存储器(ROM)、随机存取存储器(RAM)、连接到网络的通信端口、输入/输出组件、硬盘等。电子设备中的存储设备，例如ROM或硬盘可存储本申请提供的农产品供应链运输管理方法。农产品供应链运输管理方法可例如包括：获取每个农产品的成熟度标签；基于成熟度标签，采集n张农产品图像，n为大于零的正整数，得到农产品图像集；利用农产品图像集，训练生成成熟度分析模型；基于不同的温度条件，获取第一成熟度变化模型；获取实时农产品图像集，利用成熟度分析模型，得到实时农产品的初始成熟度；收集商户所需成熟度和运输时限，结合实时农产品的初始成熟度、第一成熟度变化模型，生成第一运输策略和第二运输策略。进一步地，电子设备还可包括用户界面。当然，图4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4示出的电子设备中的一个或多个组件。
实施例5
图5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5所示，是根据本申请一个实施方式的计算机可读存储介质。计算机可读存储介质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农产品供应链运输管理方法。存储介质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，例如：获取每个农产品的成熟度标签；基于成熟度标签，采集n张农产品图像，n为大于零的正整数，得到农产品图像集；利用农产品图像集，训练生成成熟度分析模型；基于不同的温度条件，获取第一成熟度变化模型；获取实时农产品图像集，利用成熟度分析模型，得到实时农产品的初始成熟度；收集商户所需成熟度和运输时限，结合实时农产品的初始成熟度、第一成熟度变化模型，生成第一运输策略和第二运输策略。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。
Claims (8)
1.农产品供应链运输管理方法，其特征在于，包括以下步骤：
获取每个农产品的成熟度标签；
基于成熟度标签，采集n张农产品图像，n为大于零的正整数，得到农产品图像集；
利用农产品图像集，训练生成成熟度分析模型；
基于不同的温度条件，获取第一成熟度变化模型；
获取实时农产品图像集，利用成熟度分析模型，得到实时农产品的初始成熟度；
收集商户所需成熟度和运输时限，结合实时农产品的初始成熟度、第一成熟度变化模型，生成第一运输策略和第二运输策略；
所述获取每个农产品的成熟度标签的方法为：由m个标注者为每个农产品按照成熟度1~10进行打分，计算m个成熟度的平均值，该平均值/>作为该农产品的成熟度标签；
所述基于不同的温度条件，获取第一成熟度变化模型包括：
选择三个温度条件，在每个温度条件下设置一组相同的农产品样本；
将相同温度条件下的农产品样本放置在相同的环境中，记录每个农产品样本的初始成熟度；
收集实验过程中记录的每组农产品样本的时间和成熟度序列；
使用数学模型拟合成熟度序列，得到第一成熟度变化模型；
所述使用数学模型拟合成熟度序列，得到第一成熟度变化模型的方法为：
根据三组农产品样本的成熟度序列，对成熟度序列中的农产品样本的成熟度使用数学模型进行拟合，得到农产品样本经过i天后的成熟度的公式，/>、/>、/>、/>、/>、/>、/>为拟合参数，自变量i表示时间，因变量/>表示农产品样本经过i天后的成熟度，/>表示农产品样本的初始成熟度；
生成所述第一运输策略的具体方法为：
当运输时限为固定值时，所述第一运输策略为：
获取所述实时农产品的初始成熟度为，所述商户所需成熟度的范围为[/>，/>]，所述运输时限为t；
根据第一成熟度变化模型，输入实时农产品的初始成熟度、运输时限t，计算得到三种温度条件下运输t天后的成熟度/>、/>、/>；
比较商户所需成熟度的范围和三种温度条件下运输t天后的成熟度、/>、/>，筛选范围在[/>，/>]内的/>、/>、/>，将该成熟度所对应的温度条件作为第一运输策略的参考温度条件；
计算该成熟度所对应的温度条件运输t天的能耗，选择能耗最小的参考温度条件生成第一运输策略；
生成所述第二运输策略的具体方法为：
当商户所需成熟度为固定值时，所述第二运输策略为：
获取所述实时农产品的初始成熟度为，所述运输时限的范围为[/>，/>]，所述商户所需成熟度为/>；
根据第一成熟度变化模型，输入实时农产品的初始成熟度、商户所需成熟度/>，计算得到三种温度条件下由初始成熟度/>变化到商户所需成熟度/>所需的运输时间；
比较运输时限和三种温度条件下由初始成熟度变化到商户所需成熟度/>所需的运输时间/>、/>、/>，筛选范围在[/>，/>]内的/>、/>、/>，将该运输时间所对应的温度条件作为第二运输策略的参考温度条件；
计算以符合范围的运输时间运输需要的能耗，选择能耗最小的参考温度条件生成第二运输策略。
2.如权利要求1所述的农产品供应链运输管理方法，其特征在于，所述基于成熟度标签，采集n张农产品图像的方法为：
获取多个角度的农产品图像，所述多个角度至少包括但不限于：上方、下方、前方、后方、左侧、右侧；
获取不同成熟度的农产品图像，所述成熟度的范围由1~10的数值表示；
按照所述多个角度、所述不同成熟度，采集农产品的n张农产品图像。
3.如权利要求1所述的农产品供应链运输管理方法，其特征在于，所述得到农产品图像集的方法为：
将n张农产品图像调整为大小相同的图像尺寸p×p，并将农产品图像的像素标准化到[0，1]区间，得到农产品图像集。
4.如权利要求1所述的农产品供应链运输管理方法，其特征在于，所述利用农产品图像集，训练生成成熟度分析模型的训练方法如下：
将带有成熟度标签的农产品图像集作为神经网络模型的输入数据，对于每张农产品图像，判断其成熟度作为神经网络模型的输出；将每个输入的农产品图像的编号记为x，共有n个输入的农产品图像，表示第x个输入的农产品图像真正的成熟度，/>表示神经网络模型输出的第x个农产品图像的成熟度，将准确判断农产品图像的成熟度作为神经网络模型的训练目标，将收敛预测成熟度和真实成熟度标签之间的损失函数/>作为预测目标进行训练；其中，损失函数的计算公式为。
5.如权利要求1所述的农产品供应链运输管理方法，其特征在于，所述获取实时农产品图像集，利用成熟度分析模型，得到实时农产品的初始成熟度的方法为：
采集多角度的实时农产品图像，将实时农产品图像的大小调整到相同的尺寸p×p，并将实时农产品图像进行像素标准化到[0，1]区间，得到实时农产品图像集；
利用成熟度分析模型，将实时农产品图像集作为模型的输入数据，预测实时农产品的初始成熟度并进行输出。
6.农产品供应链运输管理系统，其特征在于，包括以下模块：
标签生成模块，用于获取每个农产品的成熟度标签；
图像获取模块，用于基于成熟度标签，采集n张农产品图像，n为大于零的正整数，得到农产品图像集；
模型训练模块，用于利用农产品图像集，训练生成成熟度分析模型；
温度条件分析模块，用于基于不同的温度条件，获取第一成熟度变化模型；
成熟度分析模块，用于获取实时农产品图像集，利用成熟度分析模型，得到实时农产品的初始成熟度；
运输策略模块，用于收集商户所需成熟度和运输时限，结合实时农产品的初始成熟度、第一成熟度变化模型，生成第一运输策略和第二运输策略；
所述获取每个农产品的成熟度标签的方法为：由m个标注者为每个农产品按照成熟度1~10进行打分，计算m个成熟度的平均值，该平均值/>作为该农产品的成熟度标签；
所述基于不同的温度条件，获取第一成熟度变化模型包括：
选择三个温度条件，在每个温度条件下设置一组相同的农产品样本；
将相同温度条件下的农产品样本放置在相同的环境中，记录每个农产品样本的初始成熟度；
收集实验过程中记录的每组农产品样本的时间和成熟度序列；
使用数学模型拟合成熟度序列，得到第一成熟度变化模型；
所述使用数学模型拟合成熟度序列，得到第一成熟度变化模型的方法为：
根据三组农产品样本的成熟度序列，对成熟度序列中的农产品样本的成熟度使用数学模型进行拟合，得到农产品样本经过i天后的成熟度的公式，/>、/>、/>、/>、/>、/>、/>为拟合参数，自变量i表示时间，因变量/>表示农产品样本经过i天后的成熟度，/>表示农产品样本的初始成熟度；
生成所述第一运输策略的具体方法为：
当运输时限为固定值时，所述第一运输策略为：
获取所述实时农产品的初始成熟度为，所述商户所需成熟度的范围为[/>，/>]，所述运输时限为t；
根据第一成熟度变化模型，输入实时农产品的初始成熟度、运输时限t，计算得到三种温度条件下运输t天后的成熟度/>、/>、/>；
比较商户所需成熟度的范围和三种温度条件下运输t天后的成熟度、/>、/>，筛选范围在[/>，/>]内的/>、/>、/>，将该成熟度所对应的温度条件作为第一运输策略的参考温度条件；
计算该成熟度所对应的温度条件运输t天的能耗，选择能耗最小的参考温度条件生成第一运输策略；
生成所述第二运输策略的具体方法为：
当商户所需成熟度为固定值时，所述第二运输策略为：
获取所述实时农产品的初始成熟度为，所述运输时限的范围为[/>，/>]，所述商户所需成熟度为/>；
根据第一成熟度变化模型，输入实时农产品的初始成熟度、商户所需成熟度/>，计算得到三种温度条件下由初始成熟度/>变化到商户所需成熟度/>所需的运输时间；
比较运输时限和三种温度条件下由初始成熟度变化到商户所需成熟度/>所需的运输时间/>、/>、/>，筛选范围在[/>，/>]内的/>、/>、/>，将该运输时间所对应的温度条件作为第二运输策略的参考温度条件；
计算以符合范围的运输时间运输需要的能耗，选择能耗最小的参考温度条件生成第二运输策略。
7.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述程序时，以实现如权利要求1-5任一项所述的农产品供应链运输管理方法中的步骤。
8.一种计算机可读存储介质，其特征在于，可读存储介质存储有计算机程序，计算机程序适于处理器进行加载，以执行如权利要求1-5任一项所述的农产品供应链运输管理方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311517970.4A CN117236825B (zh) | 2023-11-15 | 2023-11-15 | 农产品供应链运输管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311517970.4A CN117236825B (zh) | 2023-11-15 | 2023-11-15 | 农产品供应链运输管理系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117236825A CN117236825A (zh) | 2023-12-15 |
| CN117236825B true CN117236825B (zh) | 2024-04-05 |
Family
ID=89083024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311517970.4A Active CN117236825B (zh) | 2023-11-15 | 2023-11-15 | 农产品供应链运输管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117236825B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117709830B (zh) * | 2024-02-05 | 2024-04-16 | 南京迅集科技有限公司 | 人工智能+物联网技术实现的智能供应链管理系统及方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2018102065A4 (en) * | 2018-12-13 | 2019-01-24 | Aussie Food To You Pty Ltd | Farm Gate Preparation of Milk for Long Range Transport Through Ship |
| CN111487247A (zh) * | 2020-04-28 | 2020-08-04 | 前海国兴(深圳)高科技有限公司 | 水果成熟度ai识别系统 |
| CN113011817A (zh) * | 2021-03-18 | 2021-06-22 | 广州市华溢饮食服务有限公司 | 农产品运输监控方法、装置、计算机设备以及存储介质 |
| CN113469746A (zh) * | 2021-07-09 | 2021-10-01 | 布瑞克农业大数据科技集团有限公司 | 一种农产品预测方法和系统 |
| CN114187257A (zh) * | 2021-12-09 | 2022-03-15 | 江苏业派生物科技有限公司 | 基于数据可视化的农产品展示系统及方法 |
| CN115254655A (zh) * | 2022-06-14 | 2022-11-01 | 仲恺农业工程学院 | 一种基于机器视觉的多指标百香果品质分级方法 |
| CN115965256A (zh) * | 2022-10-11 | 2023-04-14 | 河南牧业经济学院 | 一种基于大数据的农产品供应链质量管理方法 |
| CN116227758A (zh) * | 2023-05-10 | 2023-06-06 | 江西师范大学 | 基于遥感技术和深度学习的农产品成熟度预测方法及系统 |
| CN116263909A (zh) * | 2023-02-08 | 2023-06-16 | 爱仕达股份有限公司 | 一种配菜盒智能仓储系统及方法 |
| CN116821630A (zh) * | 2023-07-20 | 2023-09-29 | 荆州谷德农业科技发展有限公司 | 一种基于融合数据分析的农产品成熟度预测方法 |
| CN116911723A (zh) * | 2023-09-14 | 2023-10-20 | 新立讯科技股份有限公司 | 基于5g物联网和数据监测的农产品监测方法及系统 |
| CN116976675A (zh) * | 2023-08-09 | 2023-10-31 | 南京龟兔赛跑软件研究院有限公司 | 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 |
-
2023
- 2023-11-15 CN CN202311517970.4A patent/CN117236825B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2018102065A4 (en) * | 2018-12-13 | 2019-01-24 | Aussie Food To You Pty Ltd | Farm Gate Preparation of Milk for Long Range Transport Through Ship |
| CN111487247A (zh) * | 2020-04-28 | 2020-08-04 | 前海国兴(深圳)高科技有限公司 | 水果成熟度ai识别系统 |
| CN113011817A (zh) * | 2021-03-18 | 2021-06-22 | 广州市华溢饮食服务有限公司 | 农产品运输监控方法、装置、计算机设备以及存储介质 |
| CN113469746A (zh) * | 2021-07-09 | 2021-10-01 | 布瑞克农业大数据科技集团有限公司 | 一种农产品预测方法和系统 |
| CN114187257A (zh) * | 2021-12-09 | 2022-03-15 | 江苏业派生物科技有限公司 | 基于数据可视化的农产品展示系统及方法 |
| CN115254655A (zh) * | 2022-06-14 | 2022-11-01 | 仲恺农业工程学院 | 一种基于机器视觉的多指标百香果品质分级方法 |
| CN115965256A (zh) * | 2022-10-11 | 2023-04-14 | 河南牧业经济学院 | 一种基于大数据的农产品供应链质量管理方法 |
| CN116263909A (zh) * | 2023-02-08 | 2023-06-16 | 爱仕达股份有限公司 | 一种配菜盒智能仓储系统及方法 |
| CN116227758A (zh) * | 2023-05-10 | 2023-06-06 | 江西师范大学 | 基于遥感技术和深度学习的农产品成熟度预测方法及系统 |
| CN116821630A (zh) * | 2023-07-20 | 2023-09-29 | 荆州谷德农业科技发展有限公司 | 一种基于融合数据分析的农产品成熟度预测方法 |
| CN116976675A (zh) * | 2023-08-09 | 2023-10-31 | 南京龟兔赛跑软件研究院有限公司 | 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 |
| CN116911723A (zh) * | 2023-09-14 | 2023-10-20 | 新立讯科技股份有限公司 | 基于5g物联网和数据监测的农产品监测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 基于神经网络的油菜成熟度等级视觉检测方法;梁帆;杨莉莉;崔世钢;吴兴利;田立国;;江苏农业科学(第08期);403-405 * |
| 生鲜农产品物流过程中的温度管理方法研究;潘澜澜;李闯;王洋;;陕西农业科学(第02期);51-52+57 * |
| 预冷与冷链运输和货架期间桃果热传导性能及品质差异;周慧娟;叶正文;苏明申;杜纪红;;经济林研究(第03期);116-120 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117236825A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117236825B (zh) | 农产品供应链运输管理系统及方法 | |
| TW200842741A (en) | System for distributing perishable goods | |
| TWI684145B (zh) | 倉儲儲位配置系統 | |
| CN111126662A (zh) | 基于大数据的灌溉决策制定方法、装置、服务器和介质 | |
| 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 | |
| CN113537850A (zh) | 仓储优化方法、装置、计算机设备和存储介质 | |
| CN110503456B (zh) | 一种生鲜产品生产指导方法及生产指导系统 | |
| CN113743971A (zh) | 一种数据处理方法和装置 | |
| CN112418952A (zh) | 一种基于大数据分析的农产品市场价格预警管理云计算平台 | |
| WO2016086803A1 (zh) | 获取商品到货时间的方法和装置 | |
| CN104835067B (zh) | 网络广告实时竞价系统 | |
| CN116720633B (zh) | 一种食用菌育种生长参数寻优的方法 | |
| Fan et al. | Non-destructive detection of single-seed viability in maize using hyperspectral imaging technology and multi-scale 3D convolutional neural network | |
| US20230222822A1 (en) | Systems and methods for assessment of food item dryness | |
| CN106537442A (zh) | 收集量调节辅助装置，收集量调节辅助方法和计算机可读记录介质 | |
| CN113592379B (zh) | 散粮集装箱物流运输环境异常检测的关键特征识别方法 | |
| CN113962638B (zh) | 一种智能果蔬质量检测方法及系统 | |
| CN115239378A (zh) | 植物估价方法、系统和存储介质 | |
| CN116911747B (zh) | 农产品交易销售的综合管理平台 | |
| CN114119052B (zh) | 一种基于大数据的假冒农产品监控方法及系统 | |
| Premachandra et al. | Ensemble Methods based Machine Learning Approach for Weather Prediction for Precision Agriculture | |
| CN115009744B (zh) | 一种前置仓货物出仓时长预估方法及装置 | |
| Li et al. | Consumer‐oriented intelligent ripening control system for post‐ripening fruit | |
| CN117952499B (zh) | 一种择果分运方法 | |
| Zheng | Time Series Models for Capacity Management in the Hospitality Industry |
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 |