基于Fisco-Bcos联盟链技术的农产品溯源系统设计与实现研究

随着消费者对农产品质量要求的不断提升,有效的质量安全监管成为现代农业亟需解决的问题。农产品溯源系统作为一种有效的解决方案,能够提升信息的透明度和操作的可靠性。本研究利用Fisco-Bcos联盟链技术,构建了一个新型的农产品溯源系统。通过即时将农产品质量相关的图片信息上传到区块链上,本系统提升了数据的可信性,强化了消费者的监管能力及知情权。结果表明该系统显著提高了溯源信息的真实性和整体的信任度。此外,本研究系统通过仅上传关键的质量认证图片,而非全部溯源节点信息,不仅加强了消费者的知情权和监管能力,同时也进一步有效减轻了区块链节点的存储压力。

基于迁移学习的植物病虫害细粒度分类

植物病虫害识别是农业生产中的一个重要问题。通过人工识别与传统计算视觉的方式在实际应用中有着一定的局限性,所以有必要研究基于卷积神经网络的植物病虫害分类算法。为了探讨卷积神经网络对于植物病虫害细粒度分类的应用,基于现有的部分植物病虫害数据图像数据,融合区分性区域注意力机制与通道间的注意力机制模型来评测此数据集,结果表明,融合注意力机制后相比于原始模型其分类性能有所提升,Top-1准确率提升了1.9%。为了进一步探究注意力机制对于卷积神经网络的影响,可视化了卷积神经网络关注的区域,注意力机制使得网络在细粒度分类任务中更关注于目标的区分性特征区域。