CN117709986B - 一种基于深度学习的农产品生产日期可信溯源方法和系统 - Google Patents

Abstract

本发明公开了一种基于深度学习的农产品生产日期可信溯源方法和系统，所述方法包括：获取农产品图像，通过预先训练的农产品识别模型对所述农产品图像进行识别，得到农产品的类型和重量；通过农产品溯源区块链获得农产品对应基本信息和交易信息，所述基本信息包括：产地、第一生产日期、批次编号、生产数量、生产商、同批次均重；根据所述农产品的类型和重量、基本信息预测所述农产品的第二生产日期；比对所述第一生产日期和第二生产日期，得到生产日期差值，若生产日期差值未超过判断阈值，则确定所述农产品的基本信息可信。所述系统包括：图像模块、信息模块、预测模块、比对模块。实现农产品的可信溯源。

Description

一种基于深度学习的农产品生产日期可信溯源方法和系统

技术领域

本发明农产品溯源技术领域，尤其涉及一种基于深度学习的农产品生产日期可信溯源方法和系统。

背景技术

各地自然环境差异较大，作物类型多种多样，农产品地域性特点突出，产生了许多具有地理标志的产品。在实际种植生产过程中，不同地区的农产品具有不同的商品价值或工业价值。然而，消费者能买到的“具有地理标志的农产品”远远超过实际产量，且产品定价混乱，使得消费者难以分辨产品真假，严重影响品牌价值增长和信誉形象，因此农产品的产地溯源已成为食品工业领域的重要问题之一。

目前，农产品产地溯源主要利用农产品产业链各环节关键细节数据记录形成溯源系统，消费者通过农产品包装上的二维码信息进行验证，可以快速确定农产品的产地的真伪。在传统溯源系统验证模式下，各个环节的数据存储在各自不同平台上，由于中间环节的数据大部分不是由生产商进行把控，中间环节的数据较容易被篡改，且许多溯源方法需要通过中间环节数据进行溯源，例如通过中间环节才能回溯到原始数据，容易破坏了溯源的可信度。

现有技术通过将各个环节的溯源信息通过区块链技术进行存储，确保农产品数据无法被篡改，保证了溯源系统数据的真实性。然而，农产品的种植和生产流通通常以批次为单位，同个批次的农产品个体来自同个大棚或种植园区。现有基于区块链技术的溯源方法使用固定区块存储个体农产品信息，这就导致同一批次农产品流向不同的中间环节的多级经销商分支时，无法有效标记各分支中农产品的流动，仍然导致中间环节可以通过将农产品防伪标志复制到同类产品上以次充好，破坏了溯源的可信度。

针对上述的现有技术存在的问题设计一种基于深度学习的农产品生产日期可信溯源方法和系统是本发明研究的目的。

发明内容

有鉴于此，本发明的目的在于提出一种基于深度学习的农产品生产日期可信溯源方法和系统，能够解决上述的问题。

本发明提供一种基于深度学习的农产品生产日期可信溯源方法，包括：

获取农产品图像，通过预先训练的农产品识别模型对所述农产品图像进行识别，得到农产品的类型和重量；

通过农产品溯源区块链获得农产品对应基本信息和交易信息，所述基本信息包括：产地、第一生产日期、批次编号、生产数量、生产商、同批次均重；

根据所述农产品的类型和重量、基本信息预测所述农产品的第二生产日期，具体包括：

获取所述农产品的所述同批次均重，计算所述农产品的重量和所述同批次均重的差值，得到损失差值；

获取同类农产品的在相同温度和湿度下的日均重量损失值，通过损失差值和日均重量损失值计算变质时间；

获取当前日期，根据当前日期和变质时间计算得到第二生产日期；

比对所述第一生产日期和第二生产日期，得到生产日期差值，若生产日期差值未超过判断阈值，则确定所述农产品的基本信息可信。

进一步，所述农产品识别模型通过以下预训练步骤得到：

采集农产品RGB图像及其对应类型和重量数据样本，通过农产品RGB图像构建图像样本训练集和验证集；

通过RGB图像特征提取模型和农产品预测模型构建所述农产品识别模型；

通过图像样本训练集和验证集、类型和重量数据样本训练所述农产品识别模型，得到所述农产品识别模型的参数。

进一步，所述通过图像样本训练集和验证集、类型和重量数据样本训练所述农产品识别模型，得到所述农产品识别模型的参数包括：

通过图像样本训练集和验证集训练所述RGB图像特征提取模型，得到所述RGB图像特征提取模型的参数；

通过所述RGB图像特征提取模型对所述农产品RGB图像进行特征提取，得到RGB图像特征；

将所述RGB图像特征作为输入，所述类型和重量数据样本作为输出，训练所述农产品预测模型，得到所述农产品预测模型的参数。

进一步，所述农产品溯源区块链通过以下步骤得到：

获取同一批次农产品的所述基本信息，申请农产品原始区块，将同一批次农产品的所述基本信息存储至所述农产品原始区块中；

获取同一批次农产品的不同所述交易信息，所述交易信息包括：收货人名称、发货人名称、交易数量、批次编号，申请若干农产品交易区块，将不同经销商的所述交易信息分别存储至所述农产品交易区块中；

根据所述农产品原始区块和农产品交易区块的编号顺序，将所述农产品原始区块和农产品交易区块连接成所述农产品溯源区块链。

进一步，所述农产品原始区块的编号和农产品交易区块的编号通过以下步骤得到：

将存储在所述农产品原始区块中的批次编号作为所述农产品原始区块的编号前段，计算所述基本信息的哈希值，作为对应存储的所述农产品原始区块的编号后端；

将存储在所述农产品交易区块中的批次编号作为所述农产品交易区块的编号前段，计算所述交易信息的哈希值，作为对应存储的所述农产品交易区块的编号后段。

进一步，所述将不同经销商的所述交易信息分别存储至所述农产品交易区块中，之前执行：

通过所述交易信息进行交易验证。

进一步，所述通过所述交易信息进行交易验证包括：

计算同个批次的所述交易信息中的交易数量总和；

比较所述交易信息中的交易数量总和与所述基本信息中的生产数量，若不一致则交易信息有误，无法进行存储。

本发明提供一种基于深度学习的农产品生产日期可信溯源系统，包括：

图像模块，用于获取农产品图像，通过预先训练的农产品识别模型对所述农产品图像进行识别，得到农产品的类型和重量；

信息模块，用于通过农产品溯源区块链获得农产品对应基本信息和交易信息，所述基本信息包括：产地、第一生产日期、批次编号、生产数量、生产商、同批次均重；

预测模块，用于根据所述农产品的类型和重量、基本信息预测所述农产品的第二生产日期；

比对模块，用于比对所述第一生产日期和第二生产日期，得到生产日期差值，若生产日期差值未超过判断阈值，则确定所述农产品的基本信息可信。

本发明的有益效果：

一是通过农产品识别模型对农产品图像进行识别，可以直接获取当前农产品的重量，该步骤得到重量无法被经销商篡改，使用预先训练好的农产品识别模型可以精准识别农产品的重量，用于后续农产品的第二生产日期的计算。

二是使用农产品溯源区块链存储农产品的基本信息和交易信息，由于再存入信息前已经进行交易信息验证，若出现验证问题即可发现中间经销商的交易数量作假问题，出现问题的交易验证会同步到出厂商或者种植商，实现源头监管。保证了农产品溯源区块链上信息存储的准确性，因此保证了从农产品溯源区块中获取的第一生产日期的准确性。

三是根据农产品的重量的变化预估农产的经销运输时间，进而推理出第二生产时间，进而将消费者消费的农产品的直接分析出的生产日期和农产品区块链中存储的生产日期对比，若两者差别较大，则可能是中间经销商回收的包装进行替换的，有效杜绝了中间经销商造假可能。

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是本发明的实施例的方法流程图。

图2是本发明的实施例的系统模块图。

具体实施方式

为了便于本领域技术人员理解，现将实施例结合附图对本发明的结构作进一步详细描述，应了解到，在本实施例中所提及的步骤，除特别说明其顺序的，均可依实际需要调整其前后顺序，甚至可同时或部分同时执行。

如图1所示，本发明实施例提供一种基于深度学习的农产品生产日期可信溯源方法，包括：

S1，获取农产品图像，通过预先训练的农产品识别模型对所述农产品图像进行识别，得到农产品的类型和重量；

在本步骤中，消费者可以通过手机程序调用摄像头拍摄农产品图像，手机程序将自动上传农产品图像至服务器内储存的农产品识别模型，进行农产品图像识别，获得对应的类型和重量，用于下一步的验证。

具体的，所述农产品识别模型通过以下预训练步骤得到包括：

S101，采集农产品RGB图像及其对应类型和重量数据样本，通过农产品RGB图像构建图像样本训练集和验证集；

在本步骤中，采集不同类型的农产品侧面的RGB图像，对农产品RGB图像进行提前进行裁剪和去除背景等预处理，确保后续训练的准确性。

S102，通过RGB图像特征提取模型和农产品预测模型构建所述农产品识别模型；

S103，通过图像样本训练集和验证集、类型和重量数据样本训练所述农产品识别模型，得到所述农产品识别模型的参数。

S1031，通过图像样本训练集和验证集训练所述RGB图像特征提取模型，得到所述RGB图像特征提取模型的参数；

S1032，通过所述RGB图像特征提取模型对所述农产品RGB图像进行特征提取，得到RGB图像特征；

S1033，将所述RGB图像特征作为输入，所述类型和重量数据样本作为输出，训练所述农产品预测模型，得到所述农产品预测模型的参数。

在本步骤中，可以使用ResNet50网络模型等残差网络模型作为RGB图像特征提取模型，使用神经网络模型作为农产品预测模型。ResNet50网络模型为在ImageNet上训练过的残差网络模型，所述ImageNet是一个大规模的视觉数据库，本发明中需要根据农产品的特征调整ResNet50网络模型的参数，获取的RGB图像特征为提取ResNet50网络模型的avg_pool层的值，通过ResNet50网络提取的RGB图像特征，可以减少了图像特征提取过程中图像关键信息的损失，提高了后续农产品类型和重量预测的准确度。

ResNet50网络模型结构为现有技术，本实施例不进行赘述。

S2，通过农产品溯源区块链获得农产品对应基本信息和交易信息，所述基本信息包括：产地、第一生产日期、批次编号、生产数量、生产商、同批次均重；

在本步骤中，农产品的包装上印制有二维码，用于消费者可以扫描农产品包装上的二维码获得存储在农产品区块链的基本信息和交易信息。该步骤用于获取农产品存储在农产品区块链的第一生产日期，用于下一步的验证。

具体的，所述农产品溯源区块链通过以下步骤得到：

S201，获取同一批次农产品的所述基本信息，申请农产品原始区块，将同一批次农产品的所述基本信息存储至所述农产品原始区块中；

在本步骤中，农产品原始区块仅能是生产商或者种植商申请，用于存储农产品基本信息，除了产地、第一生产日期、批次编号、生产数量、生产商等基本信息外，还可以在种植的关键节点部署农业物联网传感器，主要包括：土壤墒情、空气、雨量、风力、光照、气压、温湿度等传感器，可以将获得到的数据直接同步上传至农产品原始区块存储，具体可根据实际需求进行配置相应的采集设备。

S202，获取同一批次农产品的不同所述交易信息，所述交易信息包括：收货人名称、发货人名称、交易数量、批次编号，申请若干农产品交易区块，将不同经销商的所述交易信息分别存储至所述农产品交易区块中；

进一步，所述将不同经销商的所述交易信息分别存储至所述农产品交易区块中，之前执行：通过所述交易信息进行交易验证。

S2021，计算同个批次的所述交易信息中的交易数量总和；

S2022，所述交易信息中的交易数量总和与所述基本信息中的生产数量，若不一致则交易信息有误，无法进行存储。

在本步骤中，农产品出厂后一般要通过多级经销商后才能售卖到消费者手中，由于生产商或者种植商无法对经销商进行全面监管，经销商可以通过复制农产品包装，将相似农产品放入，伪造为地理标志产品进行售卖，谋取利润，导致下一级经销商和消费者利益受损。现有的区块链存储方案，在同一批次农产品流向不同的中间环节的多级经销商分支时，无法有效标记各分支中农产品的流动，导致中间环节可以通过将农产品防伪标志复制到同类产品上以次充好，破坏了溯源的可信度。

因此，在本方案中，每个经销商和上一级经销商进行交易后，需要申请农产品交易区块进行交易信息存储，在进行交易信息存储需要进行交易信息验证，具体根据交易信息的交易数量，由于每批次的农产品数量是固定的，出厂商或者种植商下一级的各个经销商拿到的数量总和等于该批次出厂数量总和，若中间经销商将其他农产品补充，伪造数量更多的农产品，下级经销商在交易信息存储之前，通过进行交易数量验证，即可发现中间经销商的交易数量作假问题，出现问题的交易验证会同步到出厂商或者种植商，实现源头监管。

S203，根据所述农产品原始区块和农产品交易区块的编号顺序，将所述农产品原始区块和农产品交易区块连接成所述农产品溯源区块链。

具体的，所述农产品原始区块的编号和农产品交易区块的编号通过以下步骤得到：

S2031，将存储在所述农产品原始区块中的批次编号作为所述农产品原始区块的编号前段，计算所述基本信息的哈希值，作为对应存储的所述农产品原始区块的编号后端；

S2032，将存储在所述农产品交易区块中的批次编号作为所述农产品交易区块的编号前段，计算所述交易信息的哈希值，作为对应存储的所述农产品交易区块的编号后段。

在本步骤中，每个农产品原始区块和农产品交易区块存入数据之后，需要将相关的农产品原始区块和农产品交易区快进行关联，通过每个区块的编号，可以实现顺序关联，实现交易信息的快速回溯；同时将编号的前段设置为批次编号，编号的后段是通过交易信息计算的哈希值，且编号生成后，不可修改，若发生交易信息被外部篡改，则交易信息的哈希值和原有的编号后段不匹配，即可发现被篡改的信息，确保农产品原始区块和农产品交易区块的信息不会被不法分子篡改，保证信息存储的真实性。

S3，根据所述农产品的类型和重量、基本信息预测所述农产品的第二生产日期；

S301获取所述农产品的所述同批次均重，计算所述农产品的重量和所述同批次均重的差值，得到损失差值；

S302获取同类农产品的在相同温度和湿度下的日均重量损失值，通过损失差值和日均重量损失值计算变质时间；

S303获取当前日期，根据当前日期和变质时间计算得到第二生产日期。

在本步骤中，通过农产品识别模型获取当前农产品的类型和重量，由于农产品（水果、蔬菜等类型农产品）在经销运输过程中，都会产生水分流失，农产品的重量相较于出厂时候的重量较轻，同类农产品重量和农产品的运输时间在相同温度和湿度下存在线性相关，因此可以根据农产品的重量的变化预估农产的经销运输时间，进而计算出出第二生产时间，同类农产品的在相同温度和湿度下的日均重量损失值可以通过统计产品实验信息获取，并将该类数据存储至数据库中，需要计算时候根据温度和湿度进行匹配调取相应的日均重量损失值。由于大部分农产品运输处于冷链或者保温运输方式，因此运输的温度和湿度相对固定，因此可以通过该方式对农产品变质时间进行预估。

S4，比对所述第一生产日期和第二生产日期，得到生产日期差值，若生产日期差值未超过判断阈值，则确定所述农产品的基本信息可信。

在本步骤中，现有溯源二维码都是设置在农产品包装上，个别不法经销商，会将回收品牌农产品包装，将非该产地农产品装入以谋取利润，现有的这种二维码扫码溯源无法辨别农产品真伪，本发明将消费者消费的农产品的直接分析出的生产日期和农产品区块链中存储的生产日期对比，若两者差别较大，则可能是经销商回收的包装进行替换的，有效杜绝了经销商造假可能。若生产日期未超过判断阈值，则确定所述农产品为包装对应的农产品，即农产品信息无误，根据该农产品的基本信息进行信息溯源。本发明判断阈值可以设置为7天，判断阈值可以实际需求调整。

如图2所示，本发明实施例提供一种基于深度学习的农产品生产日期可信溯源系统，包括：

图像模块，用于获取农产品图像，通过预先训练的农产品识别模型对所述农产品图像进行识别，得到农产品的类型和重量；

信息模块，用于通过农产品溯源区块链获得农产品对应基本信息和交易信息，所述基本信息包括：产地、第一生产日期、批次编号、生产数量、生产商、同批次均重；

预测模块，用于根据所述农产品的类型和重量、基本信息预测所述农产品的第二生产日期；

比对模块，用于比对所述第一生产日期和第二生产日期，得到生产日期差值，若生产日期差值未超过判断阈值，则确定所述农产品的基本信息可信。

一种基于深度学习的农产品生产日期可信溯源系统与上述的一种基于深度学习的农产品生产日期可信溯源方法的工作原理相同。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变形而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变形属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变形在内。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

Claims (4)

1.一种基于深度学习的农产品生产日期可信溯源方法，其特征在于，包括：

获取农产品图像，通过预先训练的农产品识别模型对所述农产品图像进行识别，得到农产品的类型和重量；所述农产品识别模型通过以下预训练步骤得到：

采集农产品RGB图像及其对应类型和重量数据样本，通过农产品RGB图像构建图像样本训练集和验证集；

通过RGB图像特征提取模型和农产品预测模型构建所述农产品识别模型；

通过图像样本训练集和验证集、类型和重量数据样本训练所述农产品识别模型，得到所述农产品识别模型的参数，具体包括：

通过图像样本训练集和验证集训练所述RGB图像特征提取模型，得到所述RGB图像特征提取模型的参数；

通过所述RGB图像特征提取模型对所述农产品RGB图像进行特征提取，得到RGB图像特征；

将所述RGB图像特征作为输入，所述类型和重量数据样本作为输出，训练所述农产品预测模型，得到所述农产品预测模型的参数；

通过农产品溯源区块链获得农产品对应基本信息和交易信息，所述基本信息包括：产地、第一生产日期、批次编号、生产数量、生产商、同批次均重；所述农产品溯源区块链通过以下步骤得到：

获取同一批次农产品的所述基本信息，申请农产品原始区块，将同一批次农产品的所述基本信息存储至所述农产品原始区块中；

获取同一批次农产品的不同所述交易信息，所述交易信息包括：收货人名称、发货人名称、交易数量、批次编号，申请若干农产品交易区块，将不同经销商的所述交易信息分别存储至所述农产品交易区块中；

根据所述农产品原始区块和农产品交易区块的编号顺序，将所述农产品原始区块和农产品交易区块连接成所述农产品溯源区块链；

所述农产品原始区块的编号和农产品交易区块的编号通过以下步骤得到：

将存储在所述农产品原始区块中的批次编号作为所述农产品原始区块的编号前段，计算所述基本信息的哈希值，作为对应存储的所述农产品原始区块的编号后段；

将存储在所述农产品交易区块中的批次编号作为所述农产品交易区块的编号前段，计算所述交易信息的哈希值，作为对应存储的所述农产品交易区块的编号后段；

根据所述农产品的类型和重量、基本信息预测所述农产品的第二生产日期，具体包括：

获取所述农产品的所述同批次均重，计算所述农产品的重量和所述同批次均重的差值，得到损失差值；获取同类农产品的在相同温度和湿度下的日均重量损失值，通过损失差值和日均重量损失值计算变质时间；获取当前日期，根据当前日期和变质时间计算得到第二生产日期；

比对所述第一生产日期和第二生产日期，得到生产日期差值，若生产日期差值未超过判断阈值，则确定所述农产品的基本信息可信。

2.根据权利要求1所述的一种基于深度学习的农产品生产日期可信溯源方法，其特征在于，所述将不同经销商的所述交易信息分别存储至所述农产品交易区块中，之前执行：

通过所述交易信息进行交易验证。

3.根据权利要求2所述的一种基于深度学习的农产品生产日期可信溯源方法，其特征在于，所述通过所述交易信息进行交易验证包括：

计算同个批次的所述交易信息中的交易数量总和；

比较所述交易信息中的交易数量总和与所述基本信息中的生产数量，若不一致则交易信息有误，无法进行存储。

4.一种基于深度学习的农产品生产日期可信溯源系统，其特征在于，基于权利要求1-3任意一项所述的基于深度学习的农产品生产日期可信溯源方法，包括：

图像模块，用于获取农产品图像，通过预先训练的农产品识别模型对所述农产品图像进行识别，得到农产品的类型和重量；

信息模块，用于通过农产品溯源区块链获得农产品对应基本信息和交易信息，所述基本信息包括：产地、第一生产日期、批次编号、生产数量、生产商、同批次均重；

预测模块，用于根据所述农产品的类型和重量、基本信息预测所述农产品的第二生产日期；

比对模块，用于比对所述第一生产日期和第二生产日期，得到生产日期差值，若生产日期差值未超过判断阈值，则确定所述农产品的基本信息可信。