CN113408334B - 一种小龙虾全链条数据采集与智能检测方法及装置 - Google Patents
一种小龙虾全链条数据采集与智能检测方法及装置 Download PDFInfo
- Publication number
- CN113408334B CN113408334B CN202110486282.0A CN202110486282A CN113408334B CN 113408334 B CN113408334 B CN 113408334B CN 202110486282 A CN202110486282 A CN 202110486282A CN 113408334 B CN113408334 B CN 113408334B
- Authority
- CN
- China
- Prior art keywords
- node
- crayfish
- parameters
- parameter
- lobster
- 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
Links
- 241000238017 Astacoidea Species 0.000 title claims abstract description 146
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 241000238565 lobster Species 0.000 claims abstract description 146
- 238000012544 monitoring process Methods 0.000 claims abstract description 104
- 238000012545 processing Methods 0.000 claims abstract description 100
- 238000004519 manufacturing process Methods 0.000 claims abstract description 84
- 238000000034 method Methods 0.000 claims abstract description 78
- 241000238557 Decapoda Species 0.000 claims abstract description 58
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 111
- 238000003860 storage Methods 0.000 claims description 51
- 238000009395 breeding Methods 0.000 claims description 39
- 230000001488 breeding effect Effects 0.000 claims description 39
- 230000005540 biological transmission Effects 0.000 claims description 30
- 238000001914 filtration Methods 0.000 claims description 16
- 230000000877 morphologic effect Effects 0.000 claims description 16
- 238000004140 cleaning Methods 0.000 claims description 13
- 244000025254 Cannabis sativa Species 0.000 claims description 12
- 239000003337 fertilizer Substances 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 11
- 238000013473 artificial intelligence Methods 0.000 claims description 9
- 230000001174 ascending effect Effects 0.000 claims description 8
- 238000004806 packaging method and process Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 6
- 210000003205 muscle Anatomy 0.000 claims description 6
- 206010024500 Limb malformation Diseases 0.000 claims description 3
- 238000009835 boiling Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000001953 sensory effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 abstract description 8
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 34
- 229910052753 mercury Inorganic materials 0.000 description 34
- 229910001385 heavy metal Inorganic materials 0.000 description 23
- 230000003749 cleanliness Effects 0.000 description 16
- 238000012806 monitoring device Methods 0.000 description 14
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 10
- 239000001301 oxygen Substances 0.000 description 10
- 229910052760 oxygen Inorganic materials 0.000 description 10
- 235000013305 food Nutrition 0.000 description 9
- 239000000126 substance Substances 0.000 description 9
- 230000007613 environmental effect Effects 0.000 description 7
- 238000005286 illumination Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 239000000447 pesticide residue Substances 0.000 description 6
- 238000012797 qualification Methods 0.000 description 6
- 238000009966 trimming Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000013468 resource allocation Methods 0.000 description 4
- 244000058871 Echinochloa crus-galli Species 0.000 description 3
- 235000015225 Panicum colonum Nutrition 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000005057 refrigeration Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 231100000279 safety data Toxicity 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000645 desinfectant Substances 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003640 drug residue Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 235000021393 food security Nutrition 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000003307 slaughter Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6402—Atomic fluorescence; Laser induced fluorescence
- G01N21/6404—Atomic fluorescence
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0001—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00 by organoleptic means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/12—Meat; Fish
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
- G01N33/1813—Specific cations in water, e.g. heavy metals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
- G06K17/0029—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement being specially adapted for wireless interrogation of grouped or bundled articles tagged with wireless record carriers
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Optics & Photonics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种小龙虾全链条数据采集与智能检测方法及装置,包括:获取龙虾图像、节点操作图像、节点数值参数;将龙虾图像进行图像处理,确定龙虾质量等级;将节点操作图像进行识别,输出对应的异常区域和操作人员编号,并生成操作异常预警信息下发至对应节点,统计下发频率,确定操作规范等级;将节点数值参数输入至对应的标准库,生成参数异常预警信息下发至对应节点,并统计下发频率,确定生产环节质量等级;根据龙虾质量等级将龙虾归为不同的等级批次,并根据操作规范等级和生产环节质量等级对各个节点的生产环境和人员操作进行预警和管理。本发明将多种监测信息通过大数据平台进行数据处理,达到快速有效的信息管理,保障龙虾生产安全性。
Description
技术领域
本发明涉及农业信息技术领域,尤其涉及一种小龙虾全链条数据采集与智能检测方法及装置。
背景技术
现有龙虾生产的产业链包括养殖、收储、加工、流通四个节点,其中,每个节点都会影响出产龙虾的产量和质量。现有技术中,往往分别对出产龙虾的某个节点或者某个生产因素进行监测,监测形式和监测内容单一,不能完全对整个产业链进行全面的监测和判断。除此之外,现有技术中采用传统的数据处理方式对监测信息进行处理,数据处理过程缺乏高效性和快速性。因而,如何对龙虾生产的产业链进行高效全面的监测是亟待解决的问题。
发明内容
有鉴于此,有必要提供一种小龙虾全链条数据采集与智能检测方法及装置,用以解决如何对龙虾生产的产业链进行高效全面的监测的问题。
本发明提供一种小龙虾全链条数据采集与智能检测方法,应用于云平台,包括:
获取龙虾图像、节点操作图像、节点数值参数,其中,所述节点操作图像为龙虾生产全链条节点的每个操作过程的监测图像,所述节点数值参数为龙虾生产全链条节点的每个生产过程的数值参数;
对所述龙虾图像进行图像处理,确定对应的形态特征和颜色特征,并根据所述形态特征和所述颜色特征,确定龙虾质量等级;
对所述节点操作图像进行识别,输出对应的异常区域和操作人员编号,并根据所述异常区域和所述操作人员编号生成操作异常预警信息下发至对应节点,同时,统计所述操作异常预警信息的下发频率,确定用于反映人员操作规范的操作规范等级;
将所述节点数值参数输入至对应的标准库进行匹配,判断所述节点数值参数是否在合格范围内,若不在,则生成参数异常预警信息下发至对应节点,同时,统计所述参数异常预警信息的下发频率,确定用于反映节点生产安全的生产环节质量等级,其中,所述节点数值参数包括各个生产节点的养殖环境参数和龙虾质量参数;
根据所述龙虾质量等级,将龙虾归为不同的等级批次,并根据所述操作规范等级和所述生产环节质量等级,对各个节点的生产环境和人员操作进行预警和管理。
进一步地,所述对所述龙虾图像进行图像处理,确定对应的形态特征和颜色特征,并根据所述形态特征和所述颜色特征,确定尺寸质量等级包括:
使用摄像机采集小龙虾的图像数据,将图像数据传输到边缘服务器上;
对小龙虾的图像数据进行预处理,使用RGB分量提取、二值化、去噪、倾斜校正,采用最大类间方差法对图像进行二值化;
使用高斯去噪法去除图像中的斑点噪声,其中,高斯滤波模板扫描图像中的每一个像素,用高斯滤波模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值;
模板系数公式如下:
上式中,(x,y)为掩膜内任一点的坐标,(ux,uy)为掩膜内中心点的坐标;
通过小龙虾的颜色特征对小龙虾的新鲜程度进行识别,通过人工智能根据小龙虾的RGB颜色特征筛选出颜色偏红的小龙虾,使用分拣装置剔除死亡小龙虾;
通过小龙虾的形态特征对小龙虾的肢体完整度进行识别,通过人工智能根据小龙虾的肢体缺损情况进行分级;
通过人工智能分析处理小龙虾的图像数据,获取小龙虾的尺寸数据,根据小龙虾的尺寸数据进行小龙虾分级;
使用电子鼻监测小龙虾的气味,是否存在异常气味如腐烂臭味等气味,确保小龙虾的新鲜程度;
使用质构仪对小龙虾进行抽检,测定小龙虾肌肉组织的弹性,如果质构仪测定方法无效,使用水煮试验对小龙虾进行抽检,通过人工感官品尝的方式,测定小龙虾肌肉组织是否紧密且富有弹性。
进一步地,所述节点数值参数包括养殖节点参数、收储节点参数、加工节点参数以及流通节点参数,其中,所述养殖节点参数依次包括整塘参数、进水参数、放苗参数、种草参数、肥水参数、投喂参数、投喂参数以及交接参数;所述收储节点参数包括接收参数、分类参数、入库参数、堆放参数、盘点参数、仓储参数、出库参数;所述加工节点参数依次包括接收参数、初筛参数、清洗参数、分级参数、修整参数、包装参数、预冷参数、输出参数;所述流通节点参数包括进货参数、储存参数、拣货参数、配货参数、运输参数、销售参数。
进一步地,还包括:
对所述养殖节点参数、所述收储节点参数、所述加工节点参数以及所述流通节点参数进行数据过滤,确定过滤后的待上传参数;
对每个所述待上传参数的处理时延进行升序排序,形成第一序列,且每个所述边缘节点新增的待上传参数放置在所述第一序列的末端;
根据每个所述边缘节点的传输时延对所述第一序列进行调节,并根据调节后的第一序列确定多个所述待上传参数的上传顺序;
依次对上传的多个所述待上传参数进行数据处理,并将数据处理结果可视化。
进一步地,所述养殖节点参数包括天气变化状况数据,对应的数据处理过程包括:
获取所述天气变化状况数据;
根据所述天气变化状况数据与云平台预存的数值标准库进行对比,若超出预设标准范围,则生成天气预警信息传输至对应的节点,以提醒相关的工作人员进行处理。
进一步地,还包括:
根据所述养殖节点参数、所述收储节点参数、所述加工节点参数以及所述流通节点参数,生成对应的第一烧录信息;
根据龙虾生产企业、龙虾生产产地、龙虾收储日期,生成对应的第二烧录信息;
根据所述第一烧录信息和所述第二烧录信息,对RFID电子标签进行烧录,对应于不同的龙虾批次,用于消费者的自主查询。
进一步地,所述节点操作图像包括不同节点的操作图像,所述操作图像通过在不同节点的操作视频流中截取,所述操作视频流的数据处理过程包括:
将所述操作视频流中划分为多个视频帧序列组,调用API算法,统计所述多个视频帧序列组对应的目标识别数;
根据边缘节点上传到云平台的时延、带宽以及所述目标识别数,确定帧过滤模型,并根据所述帧过滤模型,去除多余的视频帧序列组,确定第一帧序列组;
根据所述第一帧序列组的图像信息熵,提取出所述第一帧序列组中的关键帧,确定第二帧序列组;
根据多个所述第二帧序列组的所述目标识别数以及数据量进行分配虚拟机资源,确定所述第二帧序列组上传至所述云平台的上传顺序;
对所述第二帧序列组中的每帧图像进行人体姿态估计,确定多个关节点的位置坐标;
根据所述第二帧序列组中相邻两帧图像之间的相同关节点的位置坐标变化量,确定关节点距离变化量矩阵;
对所述第二帧序列组进行平均划分,将每一段视频中相邻两帧产生的所述关节点距离变化量进行矩阵相加,得到各段累计距离变化量矩阵作为所述第二帧序列组的特征向量;
将所述特征向量输入至训练完备的深度学习模型中进行分类,确定对应的操作规范指数;
将所述操作规范指数与对应的预存指标库进行对比,并根据对比结果,针对对应的加工节点进行预警。
进一步地,还包括:
利用合作博弈算法,确定所述龙虾质量等级、所述操作规范等级和所述生产环节质量等级对应的最优权重;
通过所述最优权重,将所述龙虾质量等级、所述操作规范等级和所述生产环节质量等级进行数据融合,确定所述质量等级。
进一步地,还包括:在每个节点重新监测所述龙虾图像,并与上一个节点的龙虾图像进行比对,若一致,则允许流入下一节点,若不一致,则发出报警。
本发明还提供一种小龙虾全链条数据采集与智能检测装置,包括处理器以及存储器,存储器上存储有计算机程序,计算机程序被处理器执行时,实现如上所述的小龙虾全链条数据采集与智能检测方法。
与现有技术相比,本发明的有益效果包括:首先,获取龙虾图像,以有效反馈龙虾本身的合格程度,获取节点操作图像,以有效反馈整个龙虾生产流程的操作规范性,获取节点数值参数,以有效反馈整个龙虾生产流程的养殖生产环境等外界因素影响以及各个节点小龙虾的质量;然后,对龙虾图像进行有效的识别,提取其相关的特征,从而高效判断其新鲜度、完整度,避免不合格的产品流向市场,避免人工判断的复杂性;进而,根据节点操作图像进行有效的识别,在图像中识别异常区域(即标定操作不规范的行为),同时,在图像中识别操作人员编号,以便进行溯源,以此及时生成操作异常预警信息下发至对应节点,对操作进行错误纠正,保证整个过程的规范操作;进而,将节点数值参数在标准库进行匹配,若超范围,说明不合格,同样生成参数异常预警信息,下发至对应的节点,对环境因素、流通因素、加工因素进行调控,同时监控每个节点的小龙虾,及时保证生产的安全性;最后,结合多个等级参数,对龙虾进行分批次处理,不同批次对应不同价格,全方面地监控管理各个生产节点,实现高效智能的龙虾生产。综上,本发明全面采集龙虾产业链上每个节点的信息,以龙虾图像高效智能地监控龙虾质量,同时,结合生产过程中的节点操作图像和节点数值参数,全面地监测龙虾全链条生产线中的操作规范、养殖环境因素、加工环境因素、流通环境因素,合理高效地生成预警信息,充分考虑到了整个生产链的各种因素,同时,依据预警信息下发的频率,确定存在的风险等级,一般而言,对某一个生产环节,预警信息下发频率越高,证明该存在风险越大,需要及时管理和预警,保证对监控过程中的各个节点参数的快速处理,进一步实现了龙虾生成监控的高效性和准确性,有助于进行及时的反馈和预警,提高了龙虾生产的安全性。
附图说明
图1为本发明提供的小龙虾全链条数据采集与智能检测方法的流程示意图;
图2为本发明提供的小龙虾全链条数据采集与智能检测***的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
实施例1
本发明实施例提供了一种小龙虾全链条数据采集与智能检测方法,结合图1来看,图1为本发明提供的小龙虾全链条数据采集与智能检测方法的流程示意图,上述小龙虾全链条数据采集与智能检测方法包括步骤S1至步骤S5,其中:
在步骤S1中,获取龙虾图像、节点操作图像、节点数值参数,其中,所述节点操作图像为龙虾生产全链条节点的每个操作过程的监测图像,所述节点数值参数为龙虾生产全链条节点的每个生产过程的数值参数;
在步骤S2中,对所述龙虾图像进行图像处理,确定对应的形态特征和颜色特征,并根据所述形态特征和所述颜色特征,确定龙虾质量等级;
在步骤S3中,对所述节点操作图像进行识别,输出对应的异常区域和操作人员编号,并根据所述异常区域和所述操作人员编号生成操作异常预警信息下发至对应节点,同时,统计所述操作异常预警信息的下发频率,确定用于反映人员操作规范的操作规范等级;
在步骤S4中,将所述节点数值参数输入至对应的标准库进行匹配,判断所述节点数值参数是否在合格范围内,若不在,则生成参数异常预警信息下发至对应节点,同时,统计所述参数异常预警信息的下发频率,确定用于反映节点生产安全的生产环节质量等级,其中,所述节点数值参数包括各个生产节点的养殖环境参数和龙虾质量参数;
在步骤S5中,根据所述龙虾质量等级,将龙虾归为不同的等级批次,并根据所述操作规范等级和所述生产环节质量等级,对各个节点的生产环境和人员操作进行预警和管理。
在本发明实施例中,首先,获取龙虾图像,以有效反馈龙虾本身的合格程度,获取节点操作图像,以有效反馈整个龙虾生产流程的操作规范性,获取节点数值参数,以有效反馈整个龙虾生产流程的养殖生产环境等外界因素影响以及各个节点小龙虾的质量;然后,对龙虾图像进行有效的识别,提取其相关的特征,从而高效判断其新鲜度、完整度,避免不合格的产品流向市场,避免人工判断的复杂性;进而,根据节点操作图像进行有效的识别,在图像中识别异常区域(即标定操作不规范的行为),同时,在图像中识别操作人员编号,以便进行溯源,以此及时生成操作异常预警信息下发至对应节点,对操作进行错误纠正,保证整个过程的规范操作;进而,将节点数值参数在标准库进行匹配,若超范围,说明不合格,同样生成参数异常预警信息,下发至对应的节点,对环境因素、流通因素、加工因素进行调控,同时监控每个节点的小龙虾,及时保证生产的安全性;最后,结合多个等级参数,对龙虾进行分批次处理,不同批次对应不同价格,全方面地监控管理各个生产节点,实现高效智能的龙虾生产。
优选地,所述对所述龙虾图像进行图像处理,确定对应的形态特征和颜色特征,并根据所述形态特征和所述颜色特征,确定尺寸质量等级包括:
使用摄像机采集小龙虾的图像数据,将图像数据传输到边缘服务器上;
对小龙虾的图像数据进行预处理,使用RGB分量提取、二值化、去噪、倾斜校正,采用最大类间方差法对图像进行二值化;
使用高斯去噪法去除图像中的斑点噪声,其中,高斯滤波模板扫描图像中的每一个像素,用高斯滤波模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值;
模板系数公式如下:
上式中,(x,y)为掩膜内任一点的坐标,(ux,uy)为掩膜内中心点的坐标;
通过小龙虾的颜色特征对小龙虾的新鲜程度进行识别,通过人工智能根据小龙虾的RGB颜色特征筛选出颜色偏红的小龙虾,使用分拣装置剔除死亡小龙虾;
通过小龙虾的形态特征对小龙虾的肢体完整度进行识别,通过人工智能根据小龙虾的肢体缺损情况进行分级;
通过人工智能分析处理小龙虾的图像数据,获取小龙虾的尺寸数据,根据小龙虾的尺寸数据进行小龙虾分级;
使用电子鼻监测小龙虾的气味,是否存在异常气味如腐烂臭味等气味,确保小龙虾的新鲜程度;
使用质构仪对小龙虾进行抽检,测定小龙虾肌肉组织的弹性,如果质构仪测定方法无效,使用水煮试验对小龙虾进行抽检,通过人工感官品尝的方式,测定小龙虾肌肉组织是否紧密且富有弹性。
优选地,所述节点数值参数包括养殖节点参数、收储节点参数、加工节点参数以及流通节点参数,其中,所述养殖节点参数依次包括整塘参数、进水参数、放苗参数、种草参数、肥水参数、投喂参数、投喂参数以及交接参数;所述收储节点参数包括接收参数、分类参数、入库参数、堆放参数、盘点参数、仓储参数、出库参数;所述加工节点参数依次包括接收参数、初筛参数、清洗参数、分级参数、修整参数、包装参数、预冷参数、输出参数;所述流通节点参数包括进货参数、储存参数、拣货参数、配货参数、运输参数、销售参数。作为具体实施例,本发明实施例合理设置多个节点,保证对整个生产链的全面监控。
优选地,上述养殖节点参数、收储节点参数、加工节点参数以及流通节点参数的上传过程包括:
对所述养殖节点参数、所述收储节点参数、所述加工节点参数以及所述流通节点参数进行数据过滤,确定过滤后的待上传参数;
对每个所述待上传参数的处理时延进行升序排序,形成第一序列,且每个所述边缘节点新增的待上传参数放置在所述第一序列的末端;
根据每个所述边缘节点的传输时延对所述第一序列进行调节,并根据调节后的第一序列确定多个所述待上传参数的上传顺序;
依次对上传的多个所述待上传参数进行数据处理,并将数据处理结果可视化。
作为具体实施例,本发明实施例利用不同节点的传输时延进行数据上传的排序,保证数据上传的及时性和网络资源分配的合理性。
在本发明一个具体的实施例中,物联网传感器并行传输,通过目标规划的方法调整带宽将任务传输到边缘服务器上。当任务由边缘服务器传输到云端服务器,对边缘服务器上的任务进行排序,任务按照处理时延的大小升序排列,新的任务加入放置在序列最后,计算每个任务的传输时延,计算每个任务的排队时延,将二者相加,按照两者之和的大小降序排列,将传输和排队时延之和最大的任务优先传输,当有新任务加入队列重新计算当前每个任务的传输和排队时延,再将任务进行降序排列,将传输和排队时延之和最大的任务优先传输,使得每个传输时延和排队时延大的任务能够优先传输,减少排队时延。
其中,具体的任务传输方法流程:
物联网传感器将任务传输到边缘服务器的方法
(1)计算传输时延
根据香农定理
C=Blog2(1+S/N)
其中,C为信道支持的最大速度或者叫信道容量,B是信道的带宽,S是平均信号功率,N是平均噪声功率;S/N即信噪比。
传输时延可以表示为
其中,Di为任务i的数据量,Bi为任务i在传输过程中所获取的通信带宽,S为平均信号功率,即第i个任务所在的移动终端将任务i发送至边缘服务器时提供的发射功率与发射所用信道的信道增益的乘积,N为信道内平均噪声功率。
(2)采用目标规划,其模型为
s.t.C1:∑Bi≤B
约束条件为:C2:Bop
其中,Bop是最优的传输信道资源分配方案,B为无线通信链路传输数据的总带宽。
任务通过此方式传输到边缘服务器上。
任务由边缘服务器传输到云端服务器的方法
(1)计算每个任务的处理时延dproc
式中,每个任务的数据量Di比上边缘服务器的计算能力fi e为每个任务的处理时延dproc。
(2)将每个任务按照处理时延从小到大的顺序进行排序,形成升序队列q
q=(D1,D2,...,Di,...,Dn)
其中,队列首端任务优先上传,新的任务添加到队列尾端。
定义集合before为排在任务i前面的所有任务的集合,M为集合中任务个数。
当任务处理完成后,不需要进行排队,就按照处理时延大小的升序队列直接传输,即理想情况,上一任务传输完,下一任务恰好处理完。当任务进行排队时,按照以下方法传输。
(3)计算每个任务的传输时延dtrans
式中,每个任务的数据量Di比上传输速率C为每个任务的传输时延dtrans。
(4)计算每一任务的排队时延dq
式中,j属于集合before,集合为排在任务i前面的所有任务的集合,排在任务i前面的所有任务的传输时延之和即为排队时延。
(6)将每个任务的传输时延和排队时延相加,进行降序排列,上传传输时延和排队时延之和最大的任务。
(7)当有新任务加入队列,重新计算每个任务的排队时延,根据新的传输时延与排队时延之和进行降序排列,优先上传传输时延和排队时延之和最大的任务。
通过计算任务的传输时延和排队时延之和,将传输时延和排队时延之和最大的优先传输,以减小任务的排队时延,使任务快速传输。
任务通过此方法传输至云端服务器。
优选地,所述收储节点参数包括龙虾图像,对所述龙虾图像的数据处理过程包括:
将所述龙虾图像输入至云平台中存储的深度学习网络模型,输出对应的形态特征和颜色特征;
根据所述形态特征和所述颜色特征,在预存的特征标准库查询,确定所属的数值范围,并根据所述数值范围,确定龙虾质量等级;
若所述龙虾质量等级低于预设标准,则生成预警信息传输至对应的节点,以提醒相关的工作人员进行处理。
作为具体实施例,本发明实施例通过将采集到的视频数据传输到边缘服务器,边缘服务器通过AI智能分析,分析小龙虾的颜色形态是否处在新鲜状态,分析小龙虾是否存在良好的活动性,从而判断小龙虾的新鲜程度,如果发现小龙虾颜色变异,小龙虾活动性较差,即存在较高的死亡率,则通知管理人员及时查看,解决问题。
优选地,所述养殖节点参数包括天气变化状况数据,对应的数据处理过程包括:
获取所述天气变化状况数据;
根据所述天气变化状况数据与云平台预存的数值标准库进行对比,若超出预设标准范围,则生成天气预警信息传输至对应的节点,以提醒相关的工作人员进行处理。
作为具体实施例,本发明实施例实时监测天气变化状况,如大气温度、湿度、气压、大气压强、风速、风向、光照的强度、日照时数、二氧化碳等,并将数据实时上传到食品安全大数据平台,用于分析天气状况对小龙虾养殖的影响,如大气温度过高或者光照强度及时长过高,需要对小龙虾养殖水体进行降温或进行遮光处理,当出现极端天气如暴雨、暴雪、曝嗮等情况时,监测***能够及时监测,发出警报,能够及时采取救援措施,对小龙虾进行保护与抢救,减少小龙虾的受损,确保小龙虾的产量与质量。
优选地,上述方法还包括:
根据所述养殖节点参数、所述收储节点参数、所述加工节点参数以及所述流通节点参数,生成对应的第一烧录信息;
根据龙虾生产企业、龙虾生产产地、龙虾收储日期,生成对应的第二烧录信息;
根据所述第一烧录信息和所述第二烧录信息,对RFID电子标签进行烧录,对应于不同的龙虾批次,用于消费者的自主查询。
作为具体实施例,本发明实施例通过RFID标签的设置便于消费者的直接的信息溯源。
优选地,本发明提供的操作视频流处理,包括步骤S001至步骤S009,其中:
在步骤S001中,将操作视频流中划分为多个视频帧序列组,调用API算法,统计多个视频帧序列组对应的目标识别数;
在步骤S002中,根据边缘节点上传到云平台的时延、带宽以及目标识别数,确定帧过滤模型,并根据帧过滤模型,去除多余的视频帧序列组,确定第一帧序列组;
在步骤S003中,根据第一帧序列组的图像信息熵,提取出第一帧序列组中的关键帧,确定第二帧序列组;
在步骤S004中,根据多个第二帧序列组的目标识别数以及数据量进行分配虚拟机资源,确定第二帧序列组上传至云平台的上传顺序;
在步骤S005中,对第二帧序列组中的每帧图像进行人体姿态估计,确定多个关节点的位置坐标;
在步骤S006中,根据第二帧序列组中相邻两帧图像之间的相同关节点的位置坐标变化量,确定关节点距离变化量矩阵;
在步骤S007中,对第二帧序列组进行平均划分,将每一段视频中相邻两帧产生的关节点距离变化量进行矩阵相加,得到各段累计距离变化量矩阵作为第二帧序列组的特征向量;
在步骤S008中,将特征向量输入至训练完备的深度学习模型中进行分类,确定对应的操作规范指数;
在步骤S009中,将操作规范指数与对应的预存指标库进行对比,并根据对比结果,针对对应的加工节点。
作为具体实施例,本发明实施例,获取加工节点监测设备中的操作视频流,利用边缘节点中的帧过滤模型、提取关键帧的操作,有效地避免了数据冗余,同时,设置边缘节点管理器根据加工节点的上传状态,进行有效的虚拟机资源分配,合理地规划出上传顺序,最后,云平台接收第二帧序列组,提取其中的特征向量,利用深度学***台数据上传、数据处理的快速性和高效性,实现了全面快速的预警和监控
实施例2
本发明实施例提供了一种小龙虾全链条数据采集与智能检测***,结合图2来看,图2为本发明提供的龙虾合格智能检测***的结构示意图,上述龙虾合格智能检测***包括多个监测设备和信息溯源设备,多个监测设备包括养殖节点监测设备1、收储节点监测设备2、加工节点监测设备3以及运输节点监测设备4,用于监测不同的节点参数,节点参数包括养殖节点参数、收储节点参数、加工节点参数、运输节点参数,述基于物联网的龙虾生产全链条信息智能检测***具体包括:
养殖节点监测设备1,用于监测养殖节点下的多个所述养殖节点参数,并传输至信息溯源设备,以反馈龙虾的养殖地的环境质量;
收储节点监测设备2,用于监测收储节点下的多个所述收储节点参数,并传输至所述信息溯源设备,以反馈龙虾收储过程是否规范;
加工节点监测设备3,用于监测加工节点下的多个所述加工节点参数,并传输至所述信息溯源设备,以反馈龙虾加工过程是否规范;
流通节点监测设备4,用于监测流通节点下的多个所述流通节点参数,并传输至所述信息溯源设备,以反馈龙虾流通过程是否规范;
信息溯源设备5,包括食品安全大数据平台和电子标签设备,其中,所述食品安全大数据平台用于对所述养殖节点参数、所述屠宰节点参数、所述加工节点参数、所述贮藏节点参数以及所述流通节点参数进行大数据处理,形成溯源信息,并将大数据处理结果可视化;所述电子标签设备用于将所述溯源信息转换为对应的RFID标签;
食品安全大数据平台包括云平台、边缘节点管理器以及分别与所述多个监测设备对应的多个边缘节点,其中:
边缘节点,用于接收对应的所述节点参数,并对所述节点参数进行数据过滤,确定过滤后的待上传参数;
边缘节点管理器,用于对每个所述待上传参数的处理时延进行升序排序,形成第一序列,且每个所述边缘节点新增的待上传参数放置在所述第一序列的末端;还用于根据每个所述边缘节点的传输时延对所述第一序列进行调节,并根据调节后的第一序列确定多个所述待上传参数的上传顺序;
云平台,用于依次对上传的多个所述待上传参数进行数据处理,并将数据处理结果可视化。
在本发明实施例中,设置养殖节点监测设备获取龙虾养殖地的多个养殖节点参数,以此对龙虾养殖节点的养殖状态进行有效监测;设置收储节点监测设备获取出产龙虾的加工过程中的多个收储节点参数,以此对龙虾收储节点的收储状态进行有效监测;设置加工节点监测设备获取龙虾加工节点的加工节点参数,以此对龙虾加工节点的加工质量状态进行有效监测;设置运输节点监测设备获取龙虾运输节点的运输节点参数,以此对龙虾运输节点的运输状态进行有效监测;基于上述各个节点的监测数据,通过信息溯源设备中的食品安全大数据平台进行集中的处理,以便全面地监控龙虾生产链上的各个节点状态,并利用大数据平台实现对多种监测数据的快速处理,将处理结果进行可视化操作,展示给相关人员,方便对龙虾生产的品控和管理;除此之外,通过信息溯源设备中的电子标签设备,将出产龙虾的生产信息烧录至对应的RFID标签,以便消费者通过扫描RFID标签的途径,快速掌握龙虾的生产信息(批号、生产商、生产地等),以此全面地保证龙虾生产信息的公开度、透明度,便于消费者的选择与监管,进一步加强了龙虾生产的安全性;除此之外,获取多个节点参数,利用数据过滤的操作,有效地避免了数据冗余,同时,根据处理时延进行升序排序,进行有效的虚拟机资源分配,合理地规划出第一序列,最后,再根据传输时延对第一序列进行调节,确定最终各个待上传参数的上传顺序,以此保证高效快速的数据处理和数据上传,合理地分配了各个节点参数的上传顺序,及时监控龙虾全生产的过程,全面地提高了食品安全大数据平台数据上传、数据处理的快速性和高效性,实现了全面快速的预警和监控进行预警。
优选地,所述养殖节点参数依次包括整塘参数、进水参数、放苗参数、种草参数、肥水参数、投喂参数、投喂参数以及交接参数,所述养殖节点监测设备包括:
整塘监测设备,用于监测所述整塘参数,以反馈整塘过程中的养殖情况,其中,所述整塘参数包括光照强度、光照时间、池塘规模中的至少一种;
进水监测设备,用于监测所述进水参数,以反馈进水过程中的池塘水质质量,其中,所述进水参数包括水质悬浮物质、水质漂浮物质、水质溶解氧、水质生化需氧量、水质PH值、水质重金属、水质农残中的至少一种;
放苗监测设备,用于监测所述放苗参数,以反馈放苗过程中的小龙虾苗种质量,其中,所述放苗参数包括苗种质量、放苗环境、水温、水质悬浮物质、水质漂浮物质、水质溶解氧、水质生化需氧量、水质PH值、水质重金属、水质农残中的至少一种;
种草监测设备,用于监测所述种草参数,以反馈种草过程中的水草生长情况,其中,所述种草参数包括种草密度、大气温度、湿度、气压、大气压强、风速、风向、光照强度、日照时数、水温、水质悬浮物质、水质漂浮物质、水质溶解氧、水质生化需氧量、水质PH值、水质重金属、水质农残中的至少一种;
肥水监测设备,用于监测所述肥水参数,以反馈肥水过程中的水草生长情况,其中,所述肥水参数包括水草密度、水温、水质悬浮物质、水质漂浮物质、水质溶解氧、水质生化需氧量、水质PH值、水质重金属、水质农残中的至少一种;
投喂监测设备,用于监测所述投喂参数,以反馈投喂过程中的池塘养殖情况,其中,所述投喂参数包括水温、水质漂浮物质、水质溶解氧、水质生化需氧量、水质PH值、水质重金属、水质农残中的至少一种;
捕捞监测设备,用于监测所述投喂参数,以反馈捕捞过程中的池塘养殖环境,其中,所述投喂参数包括大气温度、湿度、气压、大气压强、风速、风向、光照强度、日照时数中的至少一种;
交接监测设备,用于监测所述交接参数,以反馈交接过程中的龙虾质量,其中,所述交接参数包括龙虾合格标准、龙虾死亡率、龙虾规格、龙虾交接记录、龙虾运输车牌号中的至少一种。
作为具体实施例,本发明实施例在养殖节点上,依次对养殖龙虾的环境进行全方位的检测,从源头上保证龙虾的质量。
优选地,所述收储节点参数包括接收参数、分类参数、入库参数、堆放参数、盘点参数、仓储参数、出库参数,所述收储节点监测设备包括:
接收监测设备,用于监测所述接收参数,以反馈接收过程中的龙虾质量,其中,所述接收参数包括龙虾合格标准、龙虾死亡率、龙虾规格、龙虾交接记录中的至少一种;
分类监测设备,用于监测所述分类参数,以反馈分类过程中的环境
情况,其中,所述分类参数包括龙虾分类级别、龙虾清洁度中的至少一种;
入库监测设备,用于监测所述入库参数,以反馈入库过程中的操作规范,其中,所述入库参数包括入库环境温湿度、入库环境清洁度、龙虾清洁度中的至少一种;
堆放监测设备,用于监测所述堆放参数,以反馈堆放过程中的操作规范,其中,所述堆放参数包括堆放环境温湿度、堆放环境清洁度、龙虾清洁度中的至少一种;
盘点监测设备,用于监测所述盘点参数,以反馈盘点过程中的操作规范,其中,所述盘点参数包括盘点环境温湿度、盘点环境清洁度、龙虾清洁度中的至少一种;
仓储监测设备,用于监测所述仓储参数,以反馈仓储过程中的操作规范,其中,所述仓储参数包括仓储环境温湿度、仓储环境清洁度、龙虾清洁度中的至少一种;
出库监测设备,用于监测所述出库参数,以反馈出库过程中的的操作规范,其中,所述出库参数包括龙虾合格标准、龙虾死亡率、龙虾规格、龙虾交接记录中的至少一种。
作为具体实施例,本发明实施例在收储节点上,依次对龙虾的收储过程进行全方位的检测,保证龙虾的质量。
优选地,所述加工节点参数依次包括接收参数、初筛参数、清洗参数、分级参数、修整参数、包装参数、预冷参数、输出参数,所述加工节点监测设备包括:
接收监测设备,用于监测所述接收参数,以反馈加工过程中接收时的龙虾的质量和接收时的操作规范,其中,所述接收参数包括龙虾重金属残留、龙虾鱼药残留、龙虾农药残留、龙虾重量的至少一种;
初筛监测设备,用于监测所述初筛参数,以反馈筛选过程中龙虾质量和筛选时的操作规范,其中,所述初筛参数包括龙虾图像、环境温度、环境湿度、环境光照中的至少一种;
清洗监测设备,用于监测所述清洗参数,以反馈清洗过程的操作规范,其中,所述清洗参数包括水质消毒剂含量、水质pH值、水质水温、水质盐度中的至少一种;
分级监测设备,用于监测所述分级参数,以反馈分级过程中的操作规范,其中,所述分级参数包括车间空气状况、车间卫生级别、车间温湿度中的至少一种;
修整监测设备,用于监测所述修整参数,以反馈修整过程中的操作规范,其中,所述修整参数包括车间空气状况、车间卫生级别、车间温湿度中的至少一种;
包装监测设备,用于监测所述包装参数,以反馈包装过程中的操作规范,其中,所述包装参数包括车间空气状况、车间卫生级别、车间温湿度中的至少一种;
预冷监测设备,用于监测所述预冷参数,以反馈预冷过程中的操作规范,其中,所述预冷参数包括预冷温湿度、预冷时间中的至少一种;
输出监测设备,用于监测所述输出参数,以反馈输出过程中的龙虾质量,其中,所述输出参数包括龙虾清洁度、龙虾新鲜度、龙虾等级、龙虾价格、输出记录、输出时间、输出地点、冷藏温湿度中的至少一种。
作为具体实施例,本发明实施例在加工节点上,依次对龙虾的加工过程进行全方位的检测,保证龙虾的质量。
优选地,所述流通节点参数包括进货参数、储存参数、拣货参数、配货参数、运输参数、销售参数,所述流通节点监测设备包括:
进货监测设备,用于监测所述进货参数,以反馈进货交接的操作规范,其中,所述进货参数包括龙虾清洁度、龙虾新鲜度、龙虾等级、龙虾价格、输出记录、输出时间、输出地点、冷藏温湿度的至少一种;
储存监测设备,用于监测所述储存参数,以反馈储存过程的操作规范,其中,所述储存参数包括龙虾清洁度、龙虾新鲜度、龙虾等级、龙虾储存记录、龙虾储存时间、存储温湿度中的至少一种;
拣货监测设备,用于监测所述拣货参数,以反馈拣货过程中的操作规范,其中,所述拣货参数包括龙虾清洁度、龙虾新鲜度、龙虾破损率、拣货记录、拣货时间、拣货地点、冷藏温湿度中的至少一种;
配货监测设备,用于监测所述配货参数,以反馈配货的操作规范,其中,所述配货参数包括龙虾清洁度、龙虾新鲜度、龙虾破损率、配货记录、配货时间、配货地点、冷藏温湿度中的至少一种;
运输监测设备,用于监测所述运输参数,以反馈运输的操作规范,其中,所述运输参数包括龙虾清洁度、龙虾新鲜度、龙虾破损率、送货记录、运输时间、运输地点、运输环境温湿度中的至少一种;
销售监测设备,用于监测所述销售参数,以反馈销售过程的操作规范,其中,所述销售参数包括龙虾清洁度、龙虾新鲜度、龙虾破损率、送货记录、销售时间、销售地点、销售环境温湿度中的至少一种。
作为具体实施例,本发明实施例在流通节点上,依次对龙虾的流通过程进行全方位的检测,保证龙虾的质量。
在本发明一个具体的实施例中,以小龙虾的重金属含量监测为例,需要从源头监测重金属含量,确保最后的小龙虾重金属含量少于对人体造成伤害的限值。小龙虾的重金属主要来源于虾苗、养殖的水质、储存的水质、加工清洗的水质、加工过程中的污染以及人为故意(添加或调包),所以需要对这几个环节进行监测,确保最终小龙虾的重金属含量小于标准值。
以小龙虾中重金属汞含量的监测为例:
在养殖节点进水子节点使用水质重金属检测仪器检测池塘进水水体的总汞含量,此处检测汞在水体中的含量,将检测到的汞含量数据传输到边缘服务器上,边缘服务器对数据进行分析,将数据与国标渔业水质标准(GB 11607-1989)比对,小龙虾养殖水质汞含量要小于0.0005mg/L,若判断此时进水汞含量大于0.0005mg/L,说明此时水质重金属污染严重,不适宜养殖,则生成警报,通知管理人员对水源进行处理,若小于0.0005mg/L,则说明水质符合标准,可以进行小龙虾的养殖。
在放苗子节点,使用原子荧光光谱仪监测小龙虾虾苗的总汞含量,将检测到的汞含量数据传输到边缘服务器上,边缘服务器对数据进行分析,将数据与标准NY 5185-2005比对,汞含量需要小于0.5mg/kg,若判断此时虾苗的汞含量大于0.5mg/kg,则说明虾苗污染严重,不能用于养殖,则生成警报,通知管理人员对虾苗的来源以及培育情况进行检查,及时处理,若小于0.5mg/kg,则说明虾苗符合标准,适宜养殖。
在种草、肥水、投喂子节点,使用水质重金属检测仪器监测池塘水体的总汞含量,判断养殖水草、投入肥料、投入饲料后对水质的影响,此处检测汞在水体中的含量,将检测到的汞含量数据传输到边缘服务器上,边缘服务器对数据进行分析,将数据与国标渔业水质标准(GB11607-1989)比对,小龙虾养殖水质汞含量要小于0.0005mg/L,若判断经过种草、肥水、投喂后汞含量大于0.0005mg/L,说明此时水质重金属污染严重,不适宜养殖,则生成警报,通知管理人员对水草、肥料、饲料检查,进行处理,若小于0.0005mg/L,则说明水质符合标准,水草、肥料、饲料对水质无较大影响且重金属含量符合标准,可以进行小龙虾的养殖。
在养殖节点交接子节点、收储节点接收子节点和出库子节点、加工节点接收子节点、流通节点接收子节点,使用北京海光AFS9350型原子荧光光谱仪监测小龙虾的总汞含量,将检测到的汞含量数据传输到边缘服务器上,边缘服务器对数据进行分析,将数据与标准NY 5185-2005比对,汞含量需要小于0.5mg/kg,若判断此时小龙虾的汞含量大于0.5mg/kg,则说明小龙虾污染严重,不能继续流通与食用,则生成警报,通知管理人员对小龙虾溯源以及养殖情况进行检查,及时处理,若小于0.5mg/kg,则说明小龙虾符合标准,可进行流通与食用。
在收储节点仓储子节点、加工节点存储子节点,使用水质重金属检测仪器检测存储小龙虾的水体的总汞含量,此处检测汞在水体中的含量,将检测到的汞含量数据传输到边缘服务器上,边缘服务器对数据进行分析,将数据与鲜虾暂养用水水质标准NY5051-2001比对,小龙虾存储水质汞含量要小于0.005mg/L,若判断此时水体汞含量大于0.005mg/L,说明此时水质重金属污染严重,不适宜存储小龙虾,则生成警报,通知管理人员对水源进行处理,若小于0.005mg/L,则说明水质符合标准,可以进行小龙虾的暂养。
在加工节点清洗子节点,使用水质重金属检测仪器检测清洗小龙虾的水体的总汞含量,此处检测汞在水体中的含量,将检测到的汞含量数据传输到边缘服务器上,边缘服务器对数据进行分析,将数据与饮用水水质常规指标及限值GB5749-2006比对,小龙虾清洗水质汞含量要小于0.001mg/L,若判断此时水体汞含量大于0.001mg/L,说明此时水质重金属污染严重,不适宜用于清洗小龙虾,则生成警报,通知管理人员对水源进行处理,若小于0.001mg/L,则说明水质符合标准,可以进行小龙虾的清洗。
通过对养殖的水质、储存的水质、加工清洗的水质,以及小龙虾重金属含量不断检测,最终保证流入市场,被食用的小龙虾重金属含量符合国家标准,确保小龙虾食品安全性。
优选地,食品安全大数据平台包括大数据采集模块、大数据汇集模块、大数据整理模块、大数据分析模块、大数据展示模块、大数据应用模块、大数据服务模块。
作为具体实施例,本发明实施例设置食品安全大数据平台,采取多种大数据处理的方式,对各个节点的监测数据进行处理,分析每个环节的状态,以便对各个环节进行有效的预警。
实施例3
本发明实施例提供了一种小龙虾全链条数据采集与智能检测装置,包括处理器以及存储器,存储器上存储有计算机程序,计算机程序被处理器执行时,实现如上所述的小龙虾全链条数据采集与智能检测方法。
本发明公开了一种小龙虾全链条数据采集与智能检测方法及装置,首先,获取龙虾图像,以有效反馈龙虾本身的合格程度,获取节点操作图像,以有效反馈整个龙虾生产流程的操作规范性,获取节点数值参数,以有效反馈整个龙虾生产流程的养殖生产环境等外界因素影响以及各个节点小龙虾的质量;然后,对龙虾图像进行有效的识别,提取其相关的特征,从而高效判断其新鲜度、完整度,避免不合格的产品流向市场,避免人工判断的复杂性;进而,根据节点操作图像进行有效的识别,在图像中识别异常区域(即标定操作不规范的行为),同时,在图像中识别操作人员编号,以便进行溯源,以此及时生成操作异常预警信息下发至对应节点,对操作进行错误纠正,保证整个过程的规范操作;进而,将节点数值参数在标准库进行匹配,若超范围,说明不合格,同样生成参数异常预警信息,下发至对应的节点,对环境因素、流通因素、加工因素进行调控,同时监控每个节点的小龙虾,及时保证生产的安全性;最后,结合多个等级参数,对龙虾进行分批次处理,不同批次对应不同价格,全方面地监控管理各个生产节点,实现高效智能的龙虾生产。
本发明技术方案,全面采集龙虾产业链上每个节点的信息,以龙虾图像高效智能地监控龙虾质量,同时,结合生产过程中的节点操作图像和节点数值参数,全面地监测龙虾全链条生产线中的操作规范、养殖环境因素、加工环境因素、流通环境因素,合理高效地生成预警信息,充分考虑到了整个生产链的各种因素,同时,依据预警信息下发的频率,确定存在的风险等级,一般而言,对某一个生产环节,预警信息下发频率越高,证明该存在风险越大,需要及时管理和预警,保证对监控过程中的各个节点参数的快速处理,进一步实现了龙虾生成监控的高效性和准确性,有助于进行及时的反馈和预警,提高了龙虾生产的安全性。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种小龙虾全链条数据采集与智能检测方法,其特征在于,应用于云平台,包括:
获取龙虾图像、节点操作图像、节点数值参数,其中,所述节点操作图像为龙虾生产全链条节点的每个操作过程的监测图像,所述节点数值参数为龙虾生产全链条节点的每个生产过程的数值参数;
对所述龙虾图像进行图像处理,确定对应的形态特征和颜色特征,并根据所述形态特征和所述颜色特征,确定龙虾质量等级;
对所述节点操作图像进行识别,输出对应的异常区域和操作人员编号,并根据所述异常区域和所述操作人员编号生成操作异常预警信息下发至对应节点,同时,统计所述操作异常预警信息的下发频率,确定用于反映人员操作规范的操作规范等级;
将所述节点数值参数输入至对应的标准库进行匹配,判断所述节点数值参数是否在合格范围内,若不在,则生成参数异常预警信息下发至对应节点,同时,统计所述参数异常预警信息的下发频率,确定用于反映节点生产安全的生产环节质量等级,其中,所述节点数值参数包括各个生产节点的养殖环境参数和龙虾质量参数;
根据所述龙虾质量等级,将龙虾归为不同的等级批次,并根据所述操作规范等级和所述生产环节质量等级,对各个节点的生产环境和人员操作进行预警和管理。
2.根据权利要求1所述的小龙虾全链条数据采集与智能检测方法,其特征在于,所述并根据所述形态特征和所述颜色特征,确定龙虾质量等级包括:
使用摄像机采集小龙虾的图像数据,将图像数据传输到边缘服务器上;
对小龙虾的图像数据进行预处理,使用RGB分量提取、二值化、去噪、倾斜校正,采用最大类间方差法对图像进行二值化;
使用高斯去噪法去除图像中的斑点噪声,其中,高斯滤波模板扫描图像中的每一个像素,用高斯滤波模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值;
模板系数公式如下:
上式中,(x,y)为掩膜内任一点的坐标,(ux,uy)为掩膜内中心点的坐标;
通过小龙虾的颜色特征对小龙虾的新鲜程度进行识别,通过人工智能根据小龙虾的RGB颜色特征筛选出颜色偏红的小龙虾,使用分拣装置剔除死亡小龙虾;
通过小龙虾的形态特征对小龙虾的肢体完整度进行识别,通过人工智能根据小龙虾的肢体缺损情况进行分级;
通过人工智能分析处理小龙虾的图像数据,获取小龙虾的尺寸数据,根据小龙虾的尺寸数据进行小龙虾分级;
使用电子鼻监测小龙虾的气味,是否存在异常气味如腐烂臭味等气味,确保小龙虾的新鲜程度;
使用质构仪对小龙虾进行抽检,测定小龙虾肌肉组织的弹性,如果质构仪测定方法无效,使用水煮试验对小龙虾进行抽检,通过人工感官品尝的方式,测定小龙虾肌肉组织是否紧密且富有弹性。
3.根据权利要求1所述的小龙虾全链条数据采集与智能检测方法,其特征在于,所述节点数值参数包括养殖节点参数、收储节点参数、加工节点参数以及流通节点参数,其中,所述养殖节点参数依次包括整塘参数、进水参数、放苗参数、种草参数、肥水参数、投喂参数以及交接参数;所述收储节点参数包括接收参数、分类参数、入库参数、堆放参数、盘点参数、仓储参数、出库参数;所述加工节点参数依次包括接收参数、初筛参数、清洗参数、分级参数、修整参数、包装参数、预冷参数、输出参数;所述流通节点参数包括进货参数、储存参数、拣货参数、配货参数、运输参数、销售参数。
4.根据权利要求3所述的小龙虾全链条数据采集与智能检测方法,其特征在于,还包括:
对所述养殖节点参数、所述收储节点参数、所述加工节点参数以及所述流通节点参数进行数据过滤,确定过滤后的待上传参数;
对每个所述待上传参数的处理时延进行升序排序,形成第一序列,且每个边缘节点新增的待上传参数放置在所述第一序列的末端;
根据每个边缘节点的传输时延对所述第一序列进行调节,并根据调节后的第一序列确定多个所述待上传参数的上传顺序;
依次对上传的多个所述待上传参数进行数据处理,并将数据处理结果可视化。
5.根据权利要求3所述的小龙虾全链条数据采集与智能检测方法,其特征在于,所述养殖节点参数包括天气变化状况数据,对应的数据处理过程包括:
获取所述天气变化状况数据;
根据所述天气变化状况数据与云平台预存的数值标准库进行对比,若超出预设标准范围,则生成天气预警信息传输至对应的节点,以提醒相关的工作人员进行处理。
6.根据权利要求4所述的小龙虾全链条数据采集与智能检测方法,其特征在于,还包括:
根据所述养殖节点参数、所述收储节点参数、所述加工节点参数以及所述流通节点参数,生成对应的第一烧录信息;
根据龙虾生产企业、龙虾生产产地、龙虾收储日期,生成对应的第二烧录信息;
根据所述第一烧录信息和所述第二烧录信息,对RFID电子标签进行烧录,对应于不同的龙虾批次,用于消费者的自主查询。
7.根据权利要求1所述的小龙虾全链条数据采集与智能检测方法,其特征在于,还包括:
利用合作博弈算法,确定所述龙虾质量等级、所述操作规范等级和所述生产环节质量等级对应的最优权重;
通过所述最优权重,将所述龙虾质量等级、所述操作规范等级和所述生产环节质量等级进行数据融合,确定小龙虾对应的批次质量等级。
8.根据权利要求7所述的小龙虾全链条数据采集与智能检测方法,其特征在于,还包括:在每个节点重新监测所述龙虾图像,并与上一个节点的龙虾图像进行比对,若一致,则允许流入下一节点,若不一致,则发出报警。
9.根据权利要求7所述的小龙虾全链条数据采集与智能检测方法,其特征在于,还包括:采集龙虾的活动视频,根据活动视频的分帧对比,判断每一批次龙虾的活动频率,若所述活动频率低于预设频率值,则发出通知信息,以通知管理人员及时查看。
10.一种小龙虾全链条数据采集与智能检测装置,包括处理器以及存储器,存储器上存储有计算机程序,计算机程序被处理器执行时,实现根据权利要求1-9任一项所述的小龙虾全链条数据采集与智能检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110486282.0A CN113408334B (zh) | 2021-04-30 | 2021-04-30 | 一种小龙虾全链条数据采集与智能检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110486282.0A CN113408334B (zh) | 2021-04-30 | 2021-04-30 | 一种小龙虾全链条数据采集与智能检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113408334A CN113408334A (zh) | 2021-09-17 |
CN113408334B true CN113408334B (zh) | 2022-09-09 |
Family
ID=77677845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110486282.0A Active CN113408334B (zh) | 2021-04-30 | 2021-04-30 | 一种小龙虾全链条数据采集与智能检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113408334B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116957612B (zh) * | 2023-09-21 | 2023-12-22 | 江苏州际数码印花有限公司 | 一种纺织品出货的检验*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AT506827A1 (de) * | 2008-05-16 | 2009-12-15 | Johannes Niedermayer | Verfahren und vorrichtung zum nachweis von problemstoffen mit bioindikatoren in gewässern |
CN104090541B (zh) * | 2014-06-20 | 2017-02-15 | 广西小草信息产业有限责任公司 | 一种水产品养殖管理云平台 |
CN104568824B (zh) * | 2015-01-15 | 2018-03-02 | 浙江大学宁波理工学院 | 基于可见/近红外光谱的虾类新鲜度等级检测方法及装置 |
CN111666986A (zh) * | 2020-05-22 | 2020-09-15 | 南京邮电大学 | 基于机器学习的小龙虾分级方法 |
CN112116277A (zh) * | 2020-10-10 | 2020-12-22 | 华中农业大学 | 一种全链条食品安全大数据采集方法 |
-
2021
- 2021-04-30 CN CN202110486282.0A patent/CN113408334B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113408334A (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107667903B (zh) | 基于物联网的畜牧养殖活体体重监测方法 | |
US20200113158A1 (en) | Data collection system and method for feeding aquatic animals | |
CA2322037C (en) | Meat color imaging system for palatability and yield prediction | |
CN111460990B (zh) | 一种基于大数据的高寒牧区草原虫害监测预警***及方法 | |
CN113297925A (zh) | 一种果蔬全链条质量智能预警方法及*** | |
CN113298537A (zh) | 基于物联网的稻米全链条质量信息智能检测***及方法 | |
CN104007733B (zh) | 一种对农业集约化生产进行监控的***及方法 | |
CN109344738A (zh) | 农作物病虫草害识别方法及装置 | |
WO2021154624A1 (en) | System and method for performing machine vision recognition of dynamic objects | |
CN113408334B (zh) | 一种小龙虾全链条数据采集与智能检测方法及装置 | |
Zannou et al. | Sorghum yield prediction using machine learning | |
CN108829762A (zh) | 基于视觉的小目标识别方法和装置 | |
CN112150498A (zh) | 体态信息的确定方法、装置、存储介质及电子装置 | |
CN110057764B (zh) | 一种农药施药安全管理警示装置及方法 | |
JP2021108586A (ja) | 収穫予測装置、収穫予測方法 | |
CN114898405A (zh) | 基于边缘计算的便携式肉鸡异常监测*** | |
Ariza-Sentís et al. | Object detection and tracking in Precision Farming: a systematic review | |
Gupta et al. | Artificial intelligence in agriculture | |
CN116310806A (zh) | 一种基于图像识别的智慧农业一体化管理***及方法 | |
CN114663652A (zh) | 图像处理方法、装置、管理***、电子设备和存储介质 | |
CN113507490A (zh) | 一种多源信息融合的生猪全链条智能监测方法及装置 | |
Johansyah et al. | Improving the value of lobster selling with grading method using machine vision technology | |
CN113507491B (zh) | 一种洁蛋生产全链条信息实时上传方法及*** | |
Yeşil et al. | Recognition of Hereford and Simmental cattle breeds via computer vision. | |
Zang et al. | RETRACTED ARTICLE: The design and experiment of peanut high-throughput automatic seed testing system based on machine learning |
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 |