(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211177825.1 (22)申请日 2022.09.27 (65)同一申请的已公布的文献号 申请公布号 CN 115272804 A (43)申请公布日 2022.11.01 (73)专利权人 泉州海关综合 技术服务中心 地址 362018 福建省泉州市刺桐东路南段 检验检疫大楼 (72)发明人 张志勇　黄伙水　乐有东　尤志勇　 (74)专利代理 机构 上海汇知丞 企知识产权代理 有限公司 31468 专利代理师 杨戬 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 114529765 A,2022.05.24 CN 113538144 A,2021.10.2 2 CN 114418596 A,202 2.04.29 CN 111833077 A,2020.10.27 CN 114332876 A,202 2.04.12 CN 113129038 A,2021.07.16 KR 20200013140 A,2020.02.0 6 审查员 卢健强 (54)发明名称 一种基于区块链和联邦学习的茶叶种类鉴 别平台 (57)摘要 本发明属于区块链、 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 。 权利要求书3页 说明书8页 附图5页 CN 115272804 B 2022.11.25 CN 115272804 B 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1 12*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；权　利　要　求　书 1/3 页 2 CN 115272804 B 2S153、 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。 4.根据权利要求3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 。 5.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。 6.根据权利要求5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。 7.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， 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。权　利　要　求　书 2/3 页 3 CN 115272804 B 3