CN117649249B - 基于区块链的食品生产溯源管理方法及系统 - Google Patents

基于区块链的食品生产溯源管理方法及系统 Download PDF

Info

Publication number
CN117649249B
CN117649249B CN202410123674.4A CN202410123674A CN117649249B CN 117649249 B CN117649249 B CN 117649249B CN 202410123674 A CN202410123674 A CN 202410123674A CN 117649249 B CN117649249 B CN 117649249B
Authority
CN
China
Prior art keywords
data
item
food
production
batch
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
CN202410123674.4A
Other languages
English (en)
Other versions
CN117649249A (zh
Inventor
郭晓凡
侯中山
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.)
Hunan Guoji Agricultural Technology Co ltd
Original Assignee
Hunan Guoji Agricultural Technology 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 Hunan Guoji Agricultural Technology Co ltd filed Critical Hunan Guoji Agricultural Technology Co ltd
Priority to CN202410123674.4A priority Critical patent/CN117649249B/zh
Publication of CN117649249A publication Critical patent/CN117649249A/zh
Application granted granted Critical
Publication of CN117649249B publication Critical patent/CN117649249B/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
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Human Resources & Organizations (AREA)
  • Bioethics (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Preparation And Processing Of Foods (AREA)
  • General Factory Administration (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及基于区块链的食品生产溯源管理方法及系统，包括：采集若干批次食品的生产销售数据序列，将同一序数值对应的所有数据组成一项数据，获取任意两项数据的关联程度，从而得到每项数据对应的每种相同的目标组合的信息素浓度，结合每批次食品对应的时刻，得到每项数据对应的每种相同的目标组合的加权信息素浓度，由此从所有批次食品的生产销售数据序列中筛选出正常数据，将正常数据存储至数据库中。本发明通过自适应每批次食品从生产到销售过程中数据的信息素浓度，提高了正常数据检测的准确性，从而提高了食品生产溯源管理的效率。

Description

基于区块链的食品生产溯源管理方法及系统
技术领域
本发明涉及数据处理技术领域，具体涉及基于区块链的食品生产溯源管理方法及系统。
背景技术
食品安全问题是食品生产到销售过程中的重中之重，使用区块链技术来记录和追踪食品生产销售的全过程，可以提供食品从生产到销售全过程的透明度和可追溯性，有助于确保食品的安全和质量，减少食品安全事件的发生，增强消费者对食品的信任度，对整个食品产业链的发展起到积极作用。在基于区块链的食品生产溯源管理过程中，由于数据无法随意修改，故在进行数据录入时应保证录入的食品生产溯源数据完整准确。
现有的问题：在食品生产到销售的过程中，一些信息可能发生更改，当前常通过蚁群算法对食品生产溯源数据进行异常检测，该算法没有考虑食品生产销售过程中信息可能发生调整的情况，当一些信息发生调整时，该算法可能会将调整数据视为异常数据，造成错误检测，由此在将食品生产溯源数据利用区块链技术进行存储的过程中，容易因为异常数据的误判而造成一些不必要计算量的增加，从而减小了基于区块链的食品生产溯源管理的效率。
发明内容
本发明提供基于区块链的食品生产溯源管理方法及系统，以解决现有的问题。
本发明的基于区块链的食品生产溯源管理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的食品生产溯源管理方法，该方法包括以下步骤：
采集若干批次食品的生产溯源数据，得到每批次食品的生产销售数据序列；所述每批次食品对应一个时刻；在所有批次食品的生产销售数据序列中，将同一序数值对应的所有数据组成一项数据；
根据任意两项数据在所有批次食品的生产销售数据序列之间的差异，得到两项数据的关联程度；根据两项数据的关联程度，得到每项数据对应的每种相同的目标组合的信息素浓度；
根据每项数据对应的每种相同的目标组合的信息素浓度以及每批次食品对应的时刻，得到每项数据对应的每种相同的目标组合的加权信息素浓度；
根据每项数据对应的每种相同的目标组合的加权信息素浓度，得到每个批次食品的生产销售数据序列中每项数据对应的目标组合的加权信息素浓度；
根据每个批次食品的生产销售数据序列中每项数据对应的目标组合的加权信息素浓度，从所有批次食品的生产销售数据序列中筛选出正常数据；将正常数据存储至数据库中。
进一步地，所述根据任意两项数据在所有批次食品的生产销售数据序列之间的差异，得到两项数据的关联程度，包括的具体步骤如下：
在所有批次食品的生产销售数据序列中，将任意选取两项数据，分别记为第项数据和第/>项数据；
将每批次食品的生产销售数据序列中的第项数据和第/>项数据组成的一个组合，记为参考组合；
根据所有批次食品的生产销售数据序列中不相同的参考组合的种类数量、第项数据中不相同的数据的种类数量以及第/>项数据中不相同的数据的种类数量，得到第/>项数据和第/>项数据的关联程度。
进一步地，所述根据所有批次食品的生产销售数据序列中不相同的参考组合的种类数量、第项数据中不相同的数据的种类数量以及第/>项数据中不相同的数据的种类数量，得到第/>项数据和第/>项数据的关联程度对应的具体计算公式为：
其中，表示第/>项数据和第/>项数据的关联程度，/>表示所有批次食品的生产销售数据序列中不相同的参考组合的种类数量，/>表示第/>项数据中不相同的数据的种类数量，/>表示第/>项数据中不相同的数据的种类数量。
进一步地，所述根据两项数据的关联程度，得到每项数据对应的每种相同的目标组合的信息素浓度，包括的具体步骤如下：
选取每项数据分别与所有的其它项数据的关联程度中的最大值，将所述最大值对应的其它项数据，记为每项数据的关联项数据；
在每批次食品的生产销售数据序列中，将每项数据和每项数据的关联项数据组成的一个组合，记为每项数据对应的目标组合；
在所有批次食品的生产销售数据序列中，将每项数据对应的每种相同的目标组合中的目标组合数量，记为每项数据对应的每种相同的目标组合的信息素浓度。
进一步地，所述根据每项数据对应的每种相同的目标组合的信息素浓度以及每批次食品对应的时刻，得到每项数据对应的每种相同的目标组合的加权信息素浓度，包括的具体步骤如下：
将任意一项数据对应的任意一种相同的目标组合，记为第项数据对应的第/>种相同的目标组合；
在第项数据对应的第/>种相同的目标组合中，将每个目标组合对应的每批次食品，记为目标批次食品；
根据第项数据对应的第/>种相同的目标组合的信息素浓度以及每个目标批次食品对应的时刻，得到每个目标批次食品的权重；
根据第项数据对应的第/>种相同的目标组合的信息素浓度、每个目标批次食品的权重以及所有批次食品的批次数量，得到第/>项数据对应的第/>种相同的目标组合的加权信息素浓度。
进一步地，所述根据第项数据对应的第/>种相同的目标组合的信息素浓度以及每个目标批次食品对应的时刻，得到每个目标批次食品的权重，包括的具体步骤如下：
其中为第/>个目标批次食品的权重，/>为第/>项数据对应的第/>种相同的目标组合的信息素浓度，/>为第/>个目标批次食品对应的时刻。
进一步地，所述根据第项数据对应的第/>种相同的目标组合的信息素浓度、每个目标批次食品的权重以及所有批次食品的批次数量，得到第/>项数据对应的第/>种相同的目标组合的加权信息素浓度对应的具体计算公式为：
其中为第/>项数据对应的第/>种相同的目标组合的加权信息素浓度，/>为所有批次食品的批次数量，/>为第/>个目标批次食品的权重，/>为第/>项数据对应的第/>种相同的目标组合的信息素浓度，/>也为所有目标批次食品的批次数量，/>为线性归一化函数。
进一步地，所述根据每项数据对应的每种相同的目标组合的加权信息素浓度，得到每个批次食品的生产销售数据序列中每项数据对应的目标组合的加权信息素浓度，包括的具体步骤如下：
在第项数据对应的第/>种相同的目标组合中，将每个目标组合的加权信息素浓度设置为/>。
进一步地，所述根据每个批次食品的生产销售数据序列中每项数据对应的目标组合的加权信息素浓度，从所有批次食品的生产销售数据序列中筛选出正常数据，包括的具体步骤如下：
在任意一个批次食品的生产销售数据序列中，计算所有项数据对应的目标组合的加权信息素浓度的均值，当所述均值大于预设的信息素浓度阈值时，将所述批次食品的生产销售数据序列，记为正常数据。
本发明还提出了基于区块链的食品生产溯源管理系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述存储器存储的计算机程序，以实现前述所述的基于区块链的食品生产溯源管理方法的步骤。
本发明的技术方案的有益效果是：
本发明实施例中，采集若干批次食品的生产销售数据序列，将同一序数值对应的所有数据组成一项数据，获取任意两项数据的关联程度，从而得到每项数据对应的每种相同的目标组合的信息素浓度，由此选取与每项数据关联程度最大的另一项数据，使得后续各项数据之间的信息素浓度计算更为准确。再结合每批次食品对应的时刻，得到每项数据对应的每种相同的目标组合的加权信息素浓度，由此从所有批次食品的生产销售数据序列中筛选出正常数据，将正常数据存储至数据库中，由此结合每批次食品对应的时刻，进一步提高了各项数据之间的信息素浓度计算的准确性，保障了正常数据检测的准确性。至此本发明通过自适应每批次食品从生产到销售过程中数据的信息素浓度，提高了正常数据检测的准确性，从而提高了食品生产溯源管理的效率。
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为本发明基于区块链的食品生产溯源管理方法的步骤流程图。
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基于区块链的食品生产溯源管理方法及系统，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的食品生产溯源管理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的食品生产溯源管理方法的步骤流程图，该方法包括以下步骤：
步骤S001：采集若干批次食品的生产溯源数据，得到每批次食品的生产销售数据序列；所述每批次食品对应一个时刻；在所有批次食品的生产销售数据序列中，将同一序数值对应的所有数据组成一项数据。
本实施例根据历史数据中每条生产销售链的对应关系进行信息素累积，使历史数据中出现越多的生产销售链对应关系的信息素浓度越高，并根据距今时长以及食品产品生产和销售量对每个对应关系的信息素浓度进行加权，获取加权信息素浓度，在进行食品溯源数据录入时根据加权信息素浓度进行异常程度计算。其中，信息素浓度为蚁群算法的主要参数，信息素浓度越高，表示选取的路径越优秀。
采集基于区块链的食品生产溯源数据，需要采集的数据依次包括原材料来源、食品加工信息、质量检测信息、生产批次号、该批次产品数量、运输工具信息、运输路径、存储时间、存储条件、销售时间、销售地点、销售渠道、销售人员以及消费者对食品的评价。其中，区块链技术就是用来追溯食品的生产、加工、运输和销售等全过程，确保食品的安全、可追溯和可信赖。即将食品生产、加工、运输、销售等环节的数据记录在区块链上，形成不可篡改的数据记录。
通过对若干批次食品的从生产到销售全流程信息的记录，可以更加详细地将食品从原材料选取到最后销售给消费者的全部过程，并且根据食品生产销售的每条线路全流程进行食品生产溯源。
由此对每一环节全部可能的选择进行统计，例如某一食品加工厂原材料供应商固定有三家，则这三家原材料供应商就是原材料来源的全部选择。
统计每批次食品除销售时间和生产批次号以外的全部项数据的全部可能选择，得到每批次食品的生产销售数据序列。其中/>为生产销售数据序列/>中的数据数量，/>为每批次食品的原材料来源数据，如原材料供应商甲、原材料供应商乙。/>为质量检测信息，如高质量、中质量、低质量。/>为消费者对食品的评价，如良好、合格、不合格。并得到每批次食品对应的时刻，该时刻为每批次食品的生产销售数据序列中所有数据采集完成的时刻。
故所有批次食品的生产销售数据序列中，同一序数值对应的所有数据为同一项数据，即同一序数值对应的所有数据组成一项数据。
需要说明的是，对于每一批次食品，根据其在生产销售线路中每一环节的选择统计，获取全部批次食品的生产销售具体线路，并根据每条线路组合进行后续分析。
由此，获取全部批次食品在生产销售过程中每一环节的选择信息。
步骤S002：根据任意两项数据在所有批次食品的生产销售数据序列之间的差异，得到两项数据的关联程度；根据两项数据的关联程度，得到每项数据对应的每种相同的目标组合的信息素浓度。
根据每批次食品在生产销售每一环节中的选择进行数据对应，根据每种数据对应关系的出现频率以及距今时间进行分析，将出现频率更高的数据组合赋予更高的信息素浓度，当食品生产销售过程中出现信息素浓度较低线路时，说明其可能是异常数据，据此进行数据异常检测。
食品溯源数据在生产销售过程中每一环节的选择除原材料供应商选择以外均与其他环节的选择有关，根据相关性关系获取相关数据对，并根据食品生产销售线路中每对相关数据对中两数据项的选择，获取相关数据对的出现频次。
故根据生产销售全过程中全部批次食品每项选择的出现频率，在所有批次食品的生产销售数据序列中，任意选取两项数据为例，任意选取两项数据分别为第项数据和第/>项数据。
将每批次食品的生产销售数据序列中的第项数据和第/>项数据组成的一个组合，记为参考组合。
所需说明的是：在每批次食品的生产销售数据序列中，每项数据只对应一个数据。
由此可知第项数据和第/>项数据的关联程度/>的计算公式为：
其中，表示第/>项数据和第/>项数据的关联程度，/>表示所有批次食品的生产销售数据序列中不相同的参考组合的种类数量，即相同的参考组合为一类，/>表示第/>项数据中不相同的数据的种类数量，即相同的数据为一类，/>表示第/>项数据中不相同的数据的种类数量。
需要说明的是，对于任意两项数据，如果其在全部批次食品生产销售过程中的全部选择总是保持较强关联，则可说明两数据项具有较强的关联性。例如，在全部批次食品的生产销售过程中，第项数据和第/>项数据的全部选择中，第/>项数据中一个数据全部对应第项数据中的同一数据，即其组合大多相同，则说明两项数据具有较强的相关性。故当越大，说明第/>项数据和第/>项数据中的组合类型越多，因此用/>表示第/>项数据和第/>项数据的关联程度，/>越大，说明两项关联性越强。
按照上述方式，在所有批次食品的生产销售数据序列中，得到任意两项数据的关联程度。
以第项数据为例，在所有批次食品的生产销售数据序列中，选取第/>项数据分别与所有的其它项数据的关联程度中的最大值，将最大值对应的其它项数据，记为第/>项数据的关联项数据。
按照上述方式，得到每项数据的关联数据项。
需要说明的是，数据项之间的关联性反映了食品生产销售过程中每一环节选择之间的关联程度，可根据全部批次食品生产销售过程中，每项数据的选择与其关联数据项的选择之间的组合方式的出现频率，获取初始的信息素浓度。
仍以第项数据为例，将每批次食品的生产销售数据序列中的第/>项数据和第/>项数据的关联项数据组成的一个组合，记为目标组合。
在所有批次食品的生产销售数据序列中，将第项数据对应的每种相同的目标组合中的目标组合数量，记为第/>项数据对应的每种相同的目标组合的信息素浓度。
按照上述方式，得到每项数据对应的每种相同的目标组合的信息素浓度。
步骤S003：根据每项数据对应的每种相同的目标组合的信息素浓度以及每批次食品对应的时刻，得到每项数据对应的每种相同的目标组合的加权信息素浓度。
直接根据选择组合出现的频率作为信息素浓度，会导致历史出现频率较高而后被调整的正常数据被误识别为异常数据，忽略了每种选择组合出现的时序。故在原有选择组合出现频率的基础上，根据每次组合出现的时序进行加权，获取最终加权信息素浓度进行异常程度判断。
需要说明的是，对于信息素浓度较高的选择组合，说明其是更加常用且重要的关联环节，故在对这样的选择组合进行加权信息素计算的过程中，应为其赋予较高的权值。并且对于每项关联数据之间的每种选择组合之间的信息素浓度，根据其出现的时序距今的时差进行加权，出现时间距今越长，其权值越小，反之权值越大。
以第项数据对应的第/>种相同的目标组合为例，在第/>项数据对应的第/>种相同的目标组合中，将每个目标组合对应的每一批次食品，记为目标批次食品。
所需说明的是：目标批次食品的数量，应为第项数据对应的第/>种相同的目标组合的信息素浓度。
以第个目标批次食品为例，则第/>个目标批次食品的权重/>的计算公式为：
其中为第/>个目标批次食品的权重，/>为第/>项数据对应的第/>种相同的目标组合的信息素浓度，/>为第/>个目标批次食品对应的时刻。
所需说明的是：越大，说明第/>个目标批次食品越接近当前时刻，即越可信，则权重越大，这是因为根据每个数据与当前数据的时序距离进行加权，需要考虑每条生产销售过程中是否存在某个环节的变化，例如，某处的销售地点位置改变，对应以销售地点为关联数据项的其他数据项的选择也会发生调整，故在计算每组选择对应关系信息素浓度时应更多的考虑最近时间的食品溯源数据，以免当生产-销售流程中出现正常调整时被误判为异常数据。因此用/>表示第/>个目标批次食品的权重。
按照上述方式，得到每个目标批次食品的权重。
由此可知第项数据对应的第/>种相同的目标组合的加权信息素浓度/>的计算公式为：
其中为第/>项数据对应的第/>种相同的目标组合的加权信息素浓度，/>为所有批次食品的批次数量，/>为第/>个目标批次食品的权重，/>为第/>项数据对应的第/>种相同的目标组合的信息素浓度，/>也为所有目标批次食品的批次数量。/>为线性归一化函数，将数据值归一化至/>区间内。
所需说明的是：当越大时，说明第/>项数据对应的第/>种相同的目标组合在所有批次食品的生产销售数据序列中出现的次数越多，且越重要，其与/>相乘，是为了分析在总数中的比例，因此用/>表示第/>项数据对应的第/>种相同的目标组合的加权信息素浓度。
步骤S004：根据每项数据对应的每种相同的目标组合的加权信息素浓度，得到每个批次食品的生产销售数据序列中每项数据对应的目标组合的加权信息素浓度。
在第项数据对应的第/>种相同的目标组合中，将每个目标组合的加权信息素浓度设置为/>。
按照上述方式，得到每个批次食品的生产销售数据序列中每项数据对应的目标组合的加权信息素浓度。
所需说明的是：在每个批次食品的生产销售数据序列中，每项数据对应的目标组合只有一个。
步骤S005：根据每个批次食品的生产销售数据序列中每项数据对应的目标组合的加权信息素浓度，从所有批次食品的生产销售数据序列中筛选出正常数据；将正常数据存储至数据库中。
加权信息素浓度综合时间因素反映了每种选择组合出现的可能性，在通过区块链进行食品溯源数据管理的过程中，如果任意一条食品溯源数据上原有的信息素浓度过低，说明该数据中关联数据项中的选择组合出现可能性较低，可认为该数据是异常数据。
本实施例预设的信息素浓度阈值为0.7，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。
在任意一个批次食品的生产销售数据序列中，计算所有项数据对应的目标组合的加权信息素浓度的均值，当所述均值小于等于预设的信息素浓度阈值时，将该批次食品的生产销售数据序列，记为异常数据。当所述均值大于预设的信息素浓度阈值时，将该批次食品的生产销售数据序列，记为正常数据。
按照上述方式，判断每个批次食品的生产销售数据序列为异常数据，还是正常数据。
将所有正常数据存储至数据库中。
对异常数据改正的一种可能的实现方式：
食品从生产到销售的各环节中一般会保留纸质的填写数据，对异常数据进行逐个环节的排查，即依次判断其原材料来源、食品加工信息、质量检测信息等环节的数据信息与其对应的纸质文件中的填写信息是否一致，对不一致的信息进行改正，从而将改正后的异常数据存储至数据库中。
由此完成了基于区块链的食品生产溯源管理。
至此，本发明完成。
综上所述，在本发明实施例中，采集若干批次食品的生产溯源数据，得到每批次食品的生产销售数据序列，在所有批次食品的生产销售数据序列中，将同一序数值对应的所有数据组成一项数据。获取任意两项数据的关联程度，从而得到每项数据对应的每种相同的目标组合的信息素浓度，结合每批次食品对应的时刻，得到每项数据对应的每种相同的目标组合的加权信息素浓度，从而得到每个批次食品的生产销售数据序列中每项数据对应的目标组合的加权信息素浓度，由此从所有批次食品的生产销售数据序列中筛选出正常数据，将正常数据存储至数据库中。本发明通过自适应每批次食品从生产到销售过程中数据的信息素浓度，提高了正常数据检测的准确性，从而提高了食品生产溯源管理的效率。
本发明还提供了基于区块链的食品生产溯源管理系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述存储器存储的计算机程序，以实现前述所述的基于区块链的食品生产溯源管理方法的步骤。
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 (6)

1.基于区块链的食品生产溯源管理方法，其特征在于，该方法包括以下步骤：
采集若干批次食品的生产溯源数据，得到每批次食品的生产销售数据序列；所述每批次食品对应一个时刻；在所有批次食品的生产销售数据序列中，将同一序数值对应的所有数据组成一项数据；采集基于区块链的食品生产溯源数据，采集的数据依次包括原材料来源、食品加工信息、质量检测信息、生产批次号、该批次产品数量、运输工具信息、运输路径、存储时间、存储条件、销售时间、销售地点、销售渠道、销售人员以及消费者对食品的评价；统计每批次食品除销售时间和生产批次号以外的全部项数据的全部可能选择，得到每批次食品的生产销售数据序列；
根据任意两项数据在所有批次食品的生产销售数据序列之间的差异，得到两项数据的关联程度；根据两项数据的关联程度，得到每项数据对应的每种相同的目标组合的信息素浓度；
根据每项数据对应的每种相同的目标组合的信息素浓度以及每批次食品对应的时刻，得到每项数据对应的每种相同的目标组合的加权信息素浓度；
根据每项数据对应的每种相同的目标组合的加权信息素浓度，得到每个批次食品的生产销售数据序列中每项数据对应的目标组合的加权信息素浓度；
根据每个批次食品的生产销售数据序列中每项数据对应的目标组合的加权信息素浓度，从所有批次食品的生产销售数据序列中筛选出正常数据；将正常数据存储至数据库中；
所述根据任意两项数据在所有批次食品的生产销售数据序列之间的差异，得到两项数据的关联程度，包括的具体步骤如下：
在所有批次食品的生产销售数据序列中，将任意选取两项数据，分别记为第项数据和第/>项数据；
将每批次食品的生产销售数据序列中的第项数据和第/>项数据组成的一个组合，记为参考组合；
根据所有批次食品的生产销售数据序列中不相同的参考组合的种类数量、第项数据中不相同的数据的种类数量以及第/>项数据中不相同的数据的种类数量，得到第/>项数据和第项数据的关联程度；
所述根据所有批次食品的生产销售数据序列中不相同的参考组合的种类数量、第项数据中不相同的数据的种类数量以及第/>项数据中不相同的数据的种类数量，得到第/>项数据和第/>项数据的关联程度对应的具体计算公式为：
其中，表示第/>项数据和第/>项数据的关联程度，/>表示所有批次食品的生产销售数据序列中不相同的参考组合的种类数量，/>表示第/>项数据中不相同的数据的种类数量，表示第/>项数据中不相同的数据的种类数量；
所述根据两项数据的关联程度，得到每项数据对应的每种相同的目标组合的信息素浓度，包括的具体步骤如下：
选取每项数据分别与所有的其它项数据的关联程度中的最大值，将所述最大值对应的其它项数据，记为每项数据的关联项数据；
在每批次食品的生产销售数据序列中，将每项数据和每项数据的关联项数据组成的一个组合，记为每项数据对应的目标组合；
在所有批次食品的生产销售数据序列中，将每项数据对应的每种相同的目标组合中的目标组合数量，记为每项数据对应的每种相同的目标组合的信息素浓度；
所述根据每个批次食品的生产销售数据序列中每项数据对应的目标组合的加权信息素浓度，从所有批次食品的生产销售数据序列中筛选出正常数据，包括的具体步骤如下：
在任意一个批次食品的生产销售数据序列中，计算所有项数据对应的目标组合的加权信息素浓度的均值，当所述均值大于预设的信息素浓度阈值时，将所述批次食品的生产销售数据序列，记为正常数据。
2.根据权利要求1所述基于区块链的食品生产溯源管理方法，其特征在于，所述根据每项数据对应的每种相同的目标组合的信息素浓度以及每批次食品对应的时刻，得到每项数据对应的每种相同的目标组合的加权信息素浓度，包括的具体步骤如下：
将任意一项数据对应的任意一种相同的目标组合，记为第项数据对应的第/>种相同的目标组合；
在第项数据对应的第/>种相同的目标组合中，将每个目标组合对应的每批次食品，记为目标批次食品；
根据第项数据对应的第/>种相同的目标组合的信息素浓度以及每个目标批次食品对应的时刻，得到每个目标批次食品的权重；
根据第项数据对应的第/>种相同的目标组合的信息素浓度、每个目标批次食品的权重以及所有批次食品的批次数量，得到第/>项数据对应的第/>种相同的目标组合的加权信息素浓度。
3.根据权利要求2所述基于区块链的食品生产溯源管理方法，其特征在于，所述根据第项数据对应的第/>种相同的目标组合的信息素浓度以及每个目标批次食品对应的时刻，得到每个目标批次食品的权重，包括的具体步骤如下：
其中为第/>个目标批次食品的权重，/>为第/>项数据对应的第/>种相同的目标组合的信息素浓度，/>为第/>个目标批次食品对应的时刻。
4.根据权利要求2所述基于区块链的食品生产溯源管理方法，其特征在于，所述根据第项数据对应的第/>种相同的目标组合的信息素浓度、每个目标批次食品的权重以及所有批次食品的批次数量，得到第/>项数据对应的第/>种相同的目标组合的加权信息素浓度对应的具体计算公式为：
其中为第/>项数据对应的第/>种相同的目标组合的加权信息素浓度，/>为所有批次食品的批次数量，/>为第/>个目标批次食品的权重，/>为第/>项数据对应的第/>种相同的目标组合的信息素浓度，/>也为所有目标批次食品的批次数量，/>为线性归一化函数。
5.根据权利要求4所述基于区块链的食品生产溯源管理方法，其特征在于，所述根据每项数据对应的每种相同的目标组合的加权信息素浓度，得到每个批次食品的生产销售数据序列中每项数据对应的目标组合的加权信息素浓度，包括的具体步骤如下：
在第项数据对应的第/>种相同的目标组合中，将每个目标组合的加权信息素浓度设置为/>。
6.基于区块链的食品生产溯源管理系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5任一项所述的基于区块链的食品生产溯源管理方法的步骤。
CN202410123674.4A 2024-01-30 2024-01-30 基于区块链的食品生产溯源管理方法及系统 Active CN117649249B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410123674.4A CN117649249B (zh) 2024-01-30 2024-01-30 基于区块链的食品生产溯源管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410123674.4A CN117649249B (zh) 2024-01-30 2024-01-30 基于区块链的食品生产溯源管理方法及系统

Publications (2)

Publication Number Publication Date
CN117649249A CN117649249A (zh) 2024-03-05
CN117649249B true CN117649249B (zh) 2024-04-26

Family

ID=90045537

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410123674.4A Active CN117649249B (zh) 2024-01-30 2024-01-30 基于区块链的食品生产溯源管理方法及系统

Country Status (1)

Country Link
CN (1) CN117649249B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118171900A (zh) * 2024-05-16 2024-06-11 济宁职业技术学院 基于区块链的果蔬罐头信息追溯管理系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001007324A1 (en) * 1999-07-27 2001-02-01 Marel Hf. Batching of objects
CN108492113A (zh) * 2018-03-03 2018-09-04 青岛优悠乐联信息有限公司 使用生产时间分包装统计进行产品追溯的一种方法
CN108986004A (zh) * 2018-08-20 2018-12-11 北京诺亚威仪器仪表有限公司 一种食品安全监督管理系统及方法
CN112579640A (zh) * 2019-09-29 2021-03-30 京东方科技集团股份有限公司 用于生产异常检测的方法和设备
CN117010778A (zh) * 2023-10-07 2023-11-07 北京索云科技股份有限公司 一种基于多式联运的数据管理方法
CN117114716A (zh) * 2023-08-30 2023-11-24 深圳市嘉之宏电子有限公司 一种信息追溯方法、系统、终端设备及存储介质
CN117271618A (zh) * 2023-10-07 2023-12-22 北京诚公管理咨询有限公司 一种基于物联网的工程信息数字化咨询管理系统及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10453009B2 (en) * 2015-06-19 2019-10-22 Walmart, Apollo, LLC Method and apparatus for detecting and/or utilizing sales anomalies to improve store management

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001007324A1 (en) * 1999-07-27 2001-02-01 Marel Hf. Batching of objects
CN108492113A (zh) * 2018-03-03 2018-09-04 青岛优悠乐联信息有限公司 使用生产时间分包装统计进行产品追溯的一种方法
CN108986004A (zh) * 2018-08-20 2018-12-11 北京诺亚威仪器仪表有限公司 一种食品安全监督管理系统及方法
CN112579640A (zh) * 2019-09-29 2021-03-30 京东方科技集团股份有限公司 用于生产异常检测的方法和设备
CN117114716A (zh) * 2023-08-30 2023-11-24 深圳市嘉之宏电子有限公司 一种信息追溯方法、系统、终端设备及存储介质
CN117010778A (zh) * 2023-10-07 2023-11-07 北京索云科技股份有限公司 一种基于多式联运的数据管理方法
CN117271618A (zh) * 2023-10-07 2023-12-22 北京诚公管理咨询有限公司 一种基于物联网的工程信息数字化咨询管理系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种基于信息素的蚁群聚类算法;王慧;甘泉;;太赫兹科学与电子信息学报;20160625(第03期);全文 *

Also Published As

Publication number Publication date
CN117649249A (zh) 2024-03-05

Similar Documents

Publication Publication Date Title
CN117649249B (zh) 基于区块链的食品生产溯源管理方法及系统
CN113098723B (zh) 一种故障根因定位方法、装置、存储介质及设备
Rao et al. Crop prediction using machine learning
CN111722952A (zh) 业务系统的故障分析方法、系统、设备和存储介质
EP3816879A1 (en) A method of yield estimation for arable crops and grasslands and a system for performing the method
US8073652B2 (en) Method and system for pre-processing data using the mahalanobis distance (MD)
CN116304898A (zh) 基于机器学习的传感器数据智能存储系统
CN114897109B (zh) 一种割草机异常监测预警方法
CN115514619B (zh) 告警收敛方法及系统
CN116108371B (zh) 基于级联异常生成网络的云服务异常诊断方法与系统
CN115271003A (zh) 用于自动化环境监测设备的异常数据分析方法及系统
CN115311829B (zh) 一种基于海量数据的精准告警方法及系统
CN115222303B (zh) 基于大数据的行业风险数据分析方法、系统及存储介质
CN116739645A (zh) 基于企业管理的订单异常监督系统
CN117241306A (zh) 一种4g网络异常流量数据实时监测方法
CN117170915A (zh) 数据中心设备故障预测方法、装置和计算机设备
CN117273573B (zh) 一种跨境贸易物流数据追溯方法及系统
CN114997313A (zh) 一种海洋在线监测数据的异常检测方法
CN117592656A (zh) 基于碳数据核算的碳足迹监控方法及系统
CN118094417A (zh) 一种ctd数据质量监测方法、装置、电子设备和介质
CN117196659A (zh) 基于区块链技术的产品追溯方法及系统
CN112181792A (zh) 一种时序数据异常标注的方法、系统及相关组件
CN117827568A (zh) 测试设备稳定性的监控方法、装置、电子设备和存储介质
Gurbuz et al. Grain Production in Turkey and Its Environmental Drivers Using ARDL in the Age of Climate Change
CN118226791B (zh) 一种工控机自检控制系统及方法

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