一种基于区块链和联邦学习的茶叶种类鉴别平台制造技术

本发明专利技术属于区块链、人工智能技术领域，尤其为一种基于区块链和联邦学习的茶叶种类鉴别平台，包括以下步骤：S1、基于深度学习算法进行茶叶类别数据集训练，每一个茶叶类别作为联盟链网络的协作方；S2、将每一次茶叶种类鉴别动作视为发起方，发起方和协作方共同构建联盟链网络，每个节点都是作为联邦建模前多方茶叶种类鉴别业务流程记录交易记账人的预选节点，共同参与交易的区块生成以及共同维护共识机制；通过深度学习算法来对待检测茶叶类别进行训练和鉴别，每一个茶叶类别作为联盟链网络的协作方,将每一次茶叶种类鉴别动作视为发起方，发起方和协作方共同构建联盟链网络。发起方和协作方共同构建联盟链网络。发起方和协作方共同构建联盟链网络。

【技术实现步骤摘要】
一种基于区块链和联邦学习的茶叶种类鉴别平台


[0001]本专利技术属于区块链、人工智能
，具体涉及一种基于区块链和联邦学习的茶叶种类鉴别平台。

技术介绍

[0002]茶叶是世界三大饮料之一，它含有茶多酚、蛋白质和氨基酸等有机物质，也含有钾、钙和镁等无机物质，具有安神，明目和清热等功效，常饮茶有益于人的身体健康。但是在茶叶市场上存在以次充好现象，而普通消费者无法辨认优质名茶和劣质茶叶，往往会受骗上当。另外，以次充好的劣质茶叶损害了名优茶的品牌信誉，侵害了消费者权益，给名优茶的市场推广带来困扰。所以研究一种方法简单、易于操作、检测速度快的茶叶品种的鉴别方法是非常必要的。
[0003]为解决上述问题，本申请中提出一种基于区块链和联邦学习的茶叶种类鉴别平台。

技术实现思路

[0004]为解决上述
技术介绍
中提出的问题。本专利技术提供了一种基于区块链和联邦学习的茶叶种类鉴别平台，将茶叶种类鉴别动作向全网公示，即基于区块链设计出联邦学习平台来对茶叶种类鉴别进行控制，通过提升联邦学习产品在建模前对于各方数据交换使用过程的安全性、可靠性、防篡改性、可追溯性、支持贡献度计算等能力，大幅提升各个参与方在使用联邦学习过程中对于茶叶种类鉴别结果的信任度。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种基于区块链和联邦学习的茶叶种类鉴别平台，包括以下步骤：S1、基于深度学习算法进行茶叶类别数据集训练，每一个茶叶类别作为联盟链网络的协作方；S2、将每一次茶叶种类鉴别动作视为发起方，发起方和协作方共同构建联盟链网络，每个节点都是作为联邦建模前多方茶叶种类鉴别业务流程记录交易记账人的预选节点，共同参与交易的区块生成以及共同维护共识机制；S3、协作方发布茶叶类别数据集训练结果到区块链中；S4、区块链存储发布信息并将协作方发布的茶叶类别数据集训练结果转发给发布过程中指定的参与方，同时按照预设的同步周期对其他区块链节点进行本次交易的数据更新，保证区块链网络中所有副本完整性；S5、发起方进行茶叶类别鉴别动作，同时申请对鉴别出的茶叶种类所对应的协作方的茶叶类别数据集训练结果进行更新，并将申请记录发布到区块链上；S6、区块链存储申请信息并将申请信息转发给指定数据协作方，同时按照预设的同步周期对其他区块链节点进行本次交易的数据更新，保证区块链网络中所有副本完整性；
S7、数据协作方审批申请信息并将审批记录发布到区块链上；S8、区块链存储审批信息并将审批信息转发给指定任务发起方，同时按照预设的同步周期对其他区块链节点进行本次交易的数据更新，保证区块链网络中所有副本完整性；S9、审批通过后、联邦建模前多方茶叶类别鉴别业务流程准备完成，发起方发起联邦建模任务。
[0006]作为本专利技术一种基于区块链和联邦学习的茶叶种类鉴别平台优选的，S1中基于深度学习算法进行茶叶类别数据集训练的具体步骤包括：S11、茶叶图像获取，针对M种茶叶，每种茶叶拍摄N张图像，按8：1：1划分训练集、测试集和验证集，则每种茶叶的训练集、测试集和验证集数量分别为0.8*N、0.1*N和0.1*N张；具体拍摄时图像尺寸为2976*3968，以jpg格式存储；S12、茶叶图像增强，对M种茶叶的0.8*N张训练集图像采用随机水平翻转、随机角度旋转、随机垂直翻转、随机微调亮度四种方法进行数据增强，得到M*3.2*N张茶叶图像；S13、茶叶图像缩放，对M*3.2*N张茶叶图像进行填充和拉伸，保持缩放比例至224*224*3；S14、图片归一化，对224*224*3的茶叶图像进行归一化，输出224*224*3的图片I；把数值归一化到[
‑
1,1]的区间，基础网络使用ResNet；S15、残差网络卷积，对224*224*3的输入图片I进行残差网络卷积，经过50次卷积，最终得到7*7*2048的卷积输出张量X；S16、全连接层计算；S17、计算Y的损失函数。
[0007]作为本专利技术一种基于区块链和联邦学习的茶叶种类鉴别平台优选的，所述S15包括如下步骤：S151、卷积7*7*64，得到112*112*64的卷积输出I2；S152、I2依次通过批归一化、ReLU 激活、核心大小为 3
×
3 且步长为 2 的 MAXPOOL 池化处理，得到56*56*64的卷积输出I3；S153、I3经过 RESBLOCK 处理，其参数为IN：64，OUT：256，得到56*56*256的卷积输出I4；S154、I4经过 RESBLOCK 处理，其参数为IN：128，OUT：512，得到28*28*512的卷积输出I5；S155、I5经过 RESBLOCK 处理，其参数为IN：256，OUT：1024，得到14*14*1024的卷积输出I6；S156、I6经过 RESBLOCK 处理，其参数为IN：512，OUT：2048，得到7*7*2048的卷积输出I7；S157、I7经过激活函数，得到7*7*2048的卷积输出张量X。
[0008]作为本专利技术一种基于区块链和联邦学习的茶叶种类鉴别平台优选的，所述S16包括张量X输入到单层全连接层，得到输出Y；其中，W是全连接层权重，b是偏置权重，x的取值范围为负无穷到正无穷，
全连接层的计算方法为，f的计算方法为。
[0009]作为本专利技术一种基于区块链和联邦学习的茶叶种类鉴别平台优选的，所述S17包括如下步骤：S171、损失函数收敛判断，求对Y和的一阶连续偏导数，其中为真实数据，如果一阶连续偏导数取得极值，则认为收敛；S172、损失函数梯度偏置校正，通过对对Y和的一阶连续偏导数中的一阶和二阶动量进行偏置校正迭代来进行矫正。
[0010]作为本专利技术一种基于区块链和联邦学习的茶叶种类鉴别平台优选的，所述S17中，输出Y的损失函数计算方法为：，其中为真实数据，C为常数，m为茶叶的种类数。
[0011]作为本专利技术一种基于区块链和联邦学习的茶叶种类鉴别平台优选的，所述S2包括如下步骤：S21、待检测茶叶图像缩放：对待检测茶叶图像进行填充和拉伸，保持缩放比例至224*224*3；S22、图片归一化：对224*224*3的茶叶图像进行归一化，输出224*224*3的图片I；把数值归一化到[
‑
1,1]的区间，基础网络使用ResNet；S23、残差网络卷积：对224*224*3的输入图片I进行残差网络卷积，经过50次卷积，最终得到7*7*2048的卷积输出张量X；S24、全连接层计算；S25、计算Y的损失函数。
[0012]作为本专利技术一种基于区块链和联邦学习的茶叶种类鉴别平台优选的，所述S23包括如下步骤：S231、I卷积7*7*64，得到112*112*64的卷积输出I2；S232、I2依次通过归一化、激活、池化处理，得到56*56*64的卷积输出I3；S233、I3经过 RESBLOCK 处理，其参数为IN：64，OUT：256，得到56*56*256的卷积输出I4；S234、I4经过 RESBLOCK 处理，其参数为IN：128，OUT：512，得到28*28*512的卷积输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于区块链和联邦学习的茶叶种类鉴别平台，其特征在于，包括以下步骤：S1、基于深度学习算法进行茶叶类别数据集训练，每一个茶叶类别作为联盟链网络的协作方；S2、将每一次茶叶种类鉴别动作视为发起方，发起方和协作方共同构建联盟链网络，每个节点都是作为联邦建模前多方茶叶种类鉴别业务流程记录交易记账人的预选节点，共同参与交易的区块生成以及共同维护共识机制；S3、协作方发布茶叶类别数据集训练结果到区块链中；S4、区块链存储发布信息并将协作方发布的茶叶类别数据集训练结果转发给发布过程中指定的参与方，同时按照预设的同步周期对其他区块链节点进行本次交易的数据更新，保证区块链网络中所有副本完整性；S5、发起方进行茶叶类别鉴别动作，同时申请对鉴别出的茶叶种类所对应的协作方的茶叶类别数据集训练结果进行更新，并将申请记录发布到区块链上；S6、区块链存储申请信息并将申请信息转发给指定数据协作方，同时按照预设的同步周期对其他区块链节点进行本次交易的数据更新，保证区块链网络中所有副本完整性；S7、数据协作方审批申请信息并将审批记录发布到区块链上；S8、区块链存储审批信息并将审批信息转发给指定任务发起方，同时按照预设的同步周期对其他区块链节点进行本次交易的数据更新，保证区块链网络中所有副本完整性；S9、审批通过后、联邦建模前多方茶叶类别鉴别业务流程准备完成，发起方发起联邦建模任务。2.根据权利要求1所述的基于区块链和联邦学习的茶叶种类鉴别平台，其特征在于，S1中基于深度学习算法进行茶叶类别数据集训练的具体步骤包括：S11、茶叶图像获取，针对M种茶叶，每种茶叶拍摄N张图像，按8：1：1划分训练集、测试集和验证集，则每种茶叶的训练集、测试集和验证集数量分别为0.8*N、0.1*N和0.1*N张；具体拍摄时图像尺寸为2976*3968，以jpg格式存储；S12、茶叶图像增强，对M种茶叶的0.8*N张训练集图像采用随机水平翻转、随机角度旋转、随机垂直翻转、随机微调亮度四种方法进行数据增强，得到M*3.2*N张茶叶图像；S13、茶叶图像缩放，对M*3.2*N张茶叶图像进行填充和拉伸，保持缩放比例至224*224*3；S14、图片归一化，对224*224*3的茶叶图像进行归一化，输出224*224*3的图片I；把数值归一化到[
‑
1,1]的区间，基础网络使用ResNet；S15、残差网络卷积，对224*224*3的输入图片I进行残差网络卷积，经过50次卷积，最终得到7*7*2048的卷积输出张量X；S16、全连接层计算；S17、计算Y的损失函数。3.根据权利要求2所述的基于区块链和联邦学习的茶叶种类鉴别平台，其特征在于，所述S15包括如下步骤：S151、卷积7*7*64，得到112*112*64的卷积输出I2；S152、I2依次通过批归一化、ReLU 激活、核心大小为 3
×
3 且步长为 2 的 MAXPOOL 池化处理，得到56*56*64的卷积输出I3；
S153、I3经过 RESBLOCK 处理，其参数为IN：64，OUT：256，得到56*56*256的卷积输出I4；S154、I4经过 RESBLOCK 处理，其参数为IN：128，OUT：512，得到28*28*512的卷积输出I5；S155、I5经过 RESBLOCK 处理，其参数为IN：256，OUT：1024，得到14*14*1024的卷积输出...

【专利技术属性】
技术研发人员：张志勇，黄伙水，乐有东，尤志勇，
申请(专利权)人：泉州海关综合技术服务中心，
类型：发明
国别省市：