[0001] 本发明涉及数据处理技术领域，尤其涉及一种基于智慧物联信息的食品溯源方法。

[0002] 随着用户对食品安全和质量要求的不断提高，食品溯源市场需求持续增长，食品溯源技术为用户提供了了解食品信息的渠道，能够有效管理食品安全风险，提高食品质量。而区块链技术作为一种新兴技术手段，在食品溯源领域具有广泛的应用前景，它为食品溯源提供了一种安全透明的解决方案，通过去中心化的方式，使得每个参与者都可以实时查看食品从生产到消费的全过程，增强了食品溯源的透明度和信任度。

[0003] 中国专利公开号：CN115374189A，公开了基于区块链的食品安全溯源方法,装置及设备，包括：基于食品加工全周期数据集合的周期节点构建食品溯源联盟链，选取不同周期节点的文本数据、票据数据、图像数据及视频数据，对票据数据中提取的票据文本、文本数据提取的摘要文本、图像数据及视频数据进行哈希融合，得到溯源哈希值并存储至食品溯源联盟链，构建溯源数据库及查询数据库，基于待查询食品编号从溯源数据库中查询溯源数据原件并计算验证哈希值，从查询数据库中查询目标区块编号并提取目标溯源哈希值，根据验证哈希值及目标溯源哈希值得到食品溯源结果。

[0004] 但是，现有技术中还存在以下问题，

[0005] 利用区块链技术进行食品溯源时，虽然区块链保证了上传数据的不可更改性，但无法确定上传数据的真实性，一旦上传数据出现错误，错误信息就将永久记录在区块链中，使溯源数据不真实不准确，并且，现有技术中，对于食品未考虑从种植源头进行追溯，未基于种植过程中的相关数据验证食品质量，降低了食品溯源的准确率和溯源效率。

[0053] 为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。

[0054] 下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。

[0055] 请参阅图1至图4所示，图1为发明实施例的基于智慧物联信息的食品溯源方法的方法步骤示意图，图2为发明实施例的判定所述监测主体是否符合持续验证标准的逻辑框图，图3为发明实施例的判定所述监测主体生长进程是否符合标准的逻辑框图，图4为明实施例的监测主体的可存入性的逻辑框图，本发明的基于智慧物联信息的食品溯源方法，其包括：

[0056] 步骤S1，预先存储若干监测主体对应的样本信息，包括种子信息、产地信息、生长规律特征以及不同验证时间节点的主体样本图像；

[0057] 步骤S2，获取用户端上传的监测主体的种子信息、产地信息以及初始主体实际图像，以基于上传IP以及初始主体样本图像判定所述监测主体是否符合持续验证标准；

[0058] 步骤S3，响应于针对持续验证标准的判定结果，调用生长规律特征，基于所述生长规律特征预测所需的验证时间节点，于对应验证时间节点向所述用户端发送验证需求信息；

[0059] 步骤S4，获取用户端基于所述验证需求信息的反馈信息，包括各验证时间节点对应的主体实际图像；

[0060] 基于所述反馈信息调用对应验证时间节点的主体样本图像进行对比，基于对比结果判定所述监测主体生长进程是否符合标准；

[0061] 步骤S5，响应于针对所述监测主体生长进程的判定结果，获取监测主体的成熟阶段主体实际图像与所调用的成熟阶段样本图像进行对比，判定成熟特征差异值，基于成熟特征差异值评估所述监测主体的可存入性，以将针对所述监测主体的种子信息、产地信息以及各验证时间节点的主体实际图像存储至区块链中。

[0062] 具体而言，对预先存储的样本信息的获取方式不做限定，本领域技术人员可预先采集不同监测主体对应的种子信息、产地信息、生长规律特征以及不同验证时间节点的主体样本图像，得到样本信息，此不再赘述。

[0063] 以监测主体为某产地某类玉米为例，种子信息可以包括该类玉米的种子名称以及对应审定编号，产地信息包括该类玉米的产地，生长规律特征包括该类玉米的对应植株在不同时间节点的生长高度以及生长总时长，主体样本图像包括该类玉米生长过程中不同验证时间节点的图片。

[0064] 可以理解的是，IP地址可以在用户端上传信息时同步获取，进而确定用户端实际地理位置，此不再赘述。

[0065] 具体而言，对主体实际图像的获取方式不做限定，可以是预先拍摄后由用户端上传，此不再赘述。

[0066] 具体而言，本发明针对监测主体的各上传节点进行是否符合标准的检验，用以确定各上传节点监测主体的可存入性，在现实情况中对食品信息进行上传时，用户可能会出现上传失误的情况，但由于区块链的特殊属性，此时错误的数据已经被存储到区块链中且无法更改，并且，现有的追溯过程未考虑从种植源头进行追溯，未基于种植过程中的相关数据验证食品质量，基于此，本发明考虑对待上传的食品进行各上传节点监测主体的可存入性确认后再开启后续验证步骤，保证了待上传食品的初始节点上传信息的真实性。

[0067] 具体而言，判定所述监测主体是否符合持续验证标准的过程包括，[0068] 判定所述上传IP与所述产地信息是否一致；

[0069] 判定所述初始主体实际图像对应的种子类别是否与所述种子信息一致；

[0070] 若上传IP与所述产地信息一致且所述初始主体实际图像对应的种子类别与所述种子信息一致，则判定所述监测主体符合持续验证标准；

[0071] 其中，所述初始主体实际图像为针对所述监测主体的种子图像。

[0072] 具体而言，对所述初始主体实际图像对应种子类别的确定方式不做限定，可预先训练能够识别图像中种子类别的图像处理模型，实现对应功能，对于图像处理模型的架构不做限定，例如，可以是神经网络架构的图像处理模型，此不再赘述。

[0073] 具体而言，响应于针对持续验证标准的判定结果，调用生长规律特征包括，[0074] 若监测主体符合持续验证标准，则调用对应生长规律特征；

[0075] 其中，所述生长规律特征包括，所述监测主体对应植株在不同时间节点的生长高度以及生长总时长。

[0076] 具体而言，可以理解的是，生长高度与生长总时长是一一对应关系，即不同的生长总时长对应有生长高度，此不再赘述。

[0077] 具体而言，基于所述生长规律特征预测所需的验证时间节点的过程包括，[0078] 获取不同时间段内所述监测主体对应植株的高度变化速率；

[0079] 若存在时间段的所述高度变化速率大于预定的高度变化速率阈值，则将所述时间段的结束时刻确定为验证时间节点；

[0080] 其中，所述时间段的划分长度基于所述生长总时长所确定。

[0081] 可以理解的是，对于快速生长阶段，植株变化较快，容易出现异常，因此在各验证时间节点向用户端发送验证需求信息，及时验证植株生长情况。

[0082] 具体而言，计算高度变化速率的过程包括，

[0083] 确定不同时间段监测主体的生长高度；

[0084] 确定所述生长高度与所述时间段对应时长的比值为高度变化速率。

[0085] 具体而言，高度变化速率阈值根据高度变化速率均值确定，设定高度变化速率阈值为高度变化速率均值的1.24倍。

[0086] 具体而言，时间段的长度为生长总时长的10％至20％。

[0087] 具体而言，基于所述反馈信息调用对应验证时间节点的主体样本图像进行对比的过程包括，

[0088] 确定主体实际图像中的主体实际轮廓，确定各主体样本图像中的主体样本轮廓；

[0089] 确定所述主体实际轮廓中图像与各主体样本轮廓中图像的相似度均值；

[0090] 确定主体实际轮廓与各所述主体样本轮廓的高度差均值以及宽度差均值。

[0091] 具体而言，对主体实际轮廓的获取方式不做限定，例如，可以是利用OpenCV进行轮廓检测，也可以采用其他方式，此不再赘述。

[0092] 具体而言，对相似度的计算方式不做限定，例如，可采用任意图像处理算法或模型求解图像间的相似度，只需能计算出主体实际轮廓中图像与各主体样本轮廓中图像的相似度即可，此不再赘述。

[0093] 可以理解的是，通过主体实际轮廓可确定监测主体的高度以及宽度，继而计算出高度差均值以及宽度差均值。

[0094] 具体而言，基于对比结果判定所述监测主体生长进程是否符合标准的过程包括，[0095] 将所述相似度均值与预设的相似度阈值进行对比，

[0096] 确定高度差均值是否处于预定高度差范围，确定宽度差均值是否处于宽度差范围；

[0097] 若所述相似度均值大于预设的相似度阈值且高度差均值处于预定高度差范围且宽度差均值处于预定宽度差范围，则判定监测主体生长进程符合标准。

[0098] 具体而言，相似度阈值为预先确定，其中，预先获取相同监测主体在相同验证时间节点对应的主体样本图像，确定主体样本图像中的主体样本轮廓，求解主体样本轮廓内图像之间的相似度均值，设定相似度阈值为所述相似度均值的0.85倍至0.95倍之间。

[0099] 具体而言，预定高度差范围基于主体样本轮廓的高度均值所确定，通常设定在0至高度均值的0.25倍之间。

[0100] 具体而言，预定宽度差范围基于主体样本轮廓的宽度均值所确定，通常设定在0至高度均值的0.1倍之间。

[0101] 具体而言，若所述监测主体生长进程符合标准，则获取监测主体的成熟阶段主体实际图像与所调用的成熟阶段样本图像进行对比，对比过程包括，

[0102] 确定成熟阶段主体实际图像中的成熟主体实际轮廓，确定各成熟阶段样本图像中的成熟主体样本轮廓；

[0103] 确定所述成熟主体实际轮廓中图像与各成熟主体样本轮廓中图像的相似度均值以及色度差均值；

[0104] 确定所述成熟主体实际轮廓与各所述成熟主体样本轮廓的高度差均值以及宽度差均值。

[0105] 可以理解的是，成熟阶段主体实际图像为最终验证时间节点对应的主体实际图像。

[0106] 具体而言，对色度差的计算方法不做限定，例如，可以是基于CI E色差公式确定，只需能计算色度差即可，此为现有技术，不再赘述。

[0107] 具体而言，本发明预测验证时间节点，用以限制用户端在相应时间内必须上传主体实际图像，结合主体样本图像对比结果判定监测主体的生长现状是否符合标准，为避免实际情况中可能存在使监测主体提前发育的情况出现，导致监测主体的生长状态受到破坏，产生食品安全问题，本发明考虑到蔬果类食品有明显的阶段性生长规律，对蔬果类食品进行验证时间节点预测，将主体实际图像与样本图像进行对比，判定监测主体的生长进程是否符合标准，确定验证时间节点监测主体的可存入性，保证了待上传食品的真实性，提高了食品溯源效率。

[0108] 具体而言，确定成熟特征差异值的过程包括，

[0109] 确定相似度阈值与相似度均值与之比，确定色度差均值与标准色度差阈值之比，确定高度差均值与标准高度差阈值之比，确定宽度差均值与标准宽度差阈值之比；

[0110] 将所得各比值加权求和得到所述成熟特征差异值。

[0111] 具体而言，相似度阈值与相似度均值与之比的权重系数为0.32，色度差均值与标准色度差阈值之比的权重系数为0.29，高度差均值与标准高度差阈值之比的权重系数为0.2，宽度差均值与标准宽度差阈值之比的权重系数为0.19。

[0112] 具体而言，相似度阈值、标准色度差阈值、标准高度差阈值以及标准宽度差阈值为预先设定，其中，获取若干相同监测主体的成熟阶段样本图像，确定成熟主体样本轮廓，求解各成熟主体样本轮廓内图像之间的相似度均值、色度差均值；

[0113] 求解各成熟主体样本轮廓的高度差均值以及宽度差均值，将所述相似度均值设定为所述相似度阈值，将所述色度差均值设定为所述标准色度差阈值，将所述高度差均值设定为标准高度差阈值，将所述宽度差均值设定为标准宽度差阈值。

[0114] 具体而言，基于成熟特征差异值评估所述监测主体的可存入性包括，[0115] 若所述成熟特征差异值大于预设的标准成熟特征差异值，则可存入性不符合标准；

[0116] 若所述成熟特征差异值小于或等于预设的标准成熟特征差异值，则可存入性符合标准。

[0117] 具体而言，标准成熟特征差异值在区间[1.0，1.15]内选定。。

[0118] 具体而言，本发明对于成熟阶段主体的确定基于主体实际图像与所调用的成熟阶段样本图像进行对比，判定成熟特征差异值，在实际生活中可能会由于不正当的施药使食品发生不正常增大等的情况出现，对人体造成伤害，基于此，本发明考虑计算评估所述监测主体的可存入性，优选的，只有成熟特征差异值小于或等于预设的标准成熟特征差异值的监测主体才能在成熟节点的上传，保证了待上传食品的真实性，提高了食品溯源效率。

[0119] 具体而言，验证需求信息包括所需发送时间以及所需发送内容。

[0120] 可以理解的是，发送验证需求信息的目的在于告知用户端信息上传时间以及所需发送内容，在实施中，所需发送内容包括各验证时间节点需发送针对监测主体的主体实际图像。

[0121] 至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。