【技术实现步骤摘要】
本专利技术农产品溯源，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。
技术介绍
1、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。
2、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。
3、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。
4、针对上述的现有
技术实现思路
1、有鉴于此，本专利技术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。
2、本专利技术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：
3、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；
4、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；
5、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：
6、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；
7、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；
8、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；
9、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。
10、进一步，所述农产品识别模型通过以下预训练步骤得到：
11、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；
12、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；
13、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。
14、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：
15、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；
16、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；
17、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。
18、进一步，所述农产品溯源区块链通过以下步骤得到：
19、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；
20、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；
21、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。
22、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：
23、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；
24、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。
25、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：
26、通过所述交易信息进行交易验证。
27、进一步，所述通过所述交易信息进行交易验证包括：
28、计算同个批次的所述交易信息中的交易数量总和；
29、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。
30、本专利技术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：
31、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；
32、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；
33、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；
34、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。
35、本专利技术的有益效果：
36、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。
37、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。
38、三是根据农产品的重量的变化预估农产的经销本文档来自技高网...
【技术保护点】
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：
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，所述农产品识别模型通过以下预训练步骤得到：
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：
4.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，所述农产品溯源区块链通过以下步骤得到：
5.根据权利要求4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：
6.根据权利要求4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：
7.根据权利要求6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
8.一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1-7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：
...【技术特征摘要】
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：
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，所述农产品识别模型通过以下预训练步骤得到：
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：
4.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，所述农产品溯源区块链通过以下步骤得到：
5.根据权利要求4所述的...
【专利技术属性】
技术研发人员：叶惠仙，刘必健，
申请(专利权)人：福建农业职业技术学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。