1.基于边缘节点的农产品加工质量溯源监控方法，其特征在于，所述方法包括：获取多源异构传感器数据，针对所述多源异构传感器数据在格式、采样频率和数量上的差异，预先建立统一的数据模型，将所述多源异构传感器数据映射到所述统一的数据模型中，采用数据插值、降采样方法，对所述多源异构传感器数据进行时间轴对齐，消除采样频率差异，得到时间同步的多源数据集；

基于所述时间同步的多源数据集，构建时空数据立方体模型，将包括图像、温湿度的多维度数据映射到统一的时空坐标系中，在所述时空数据立方体模型的基础上，通过数据插值、聚合方法，对粗粒度数据进行细化，对细粒度数据进行概括，使不同来源数据的时空粒度趋于一致；

利用时空对齐的多源数据，构建层次分析法模型，将农产品加工质量评估指标分解为若干子指标，形成指标层次结构，采用模糊综合评判方法，综合考虑各子指标的重要性权重和满意度，计算各方案的综合评分，对农产品加工质量进行评估；

根据农产品加工质量评估结果，对农产品加工质量评估数据进行特征分析，筛选出关键特征，降低数据维度，采用决策树、支持向量机机器学习算法，在保证分析精度的同时，降低计算资源消耗，实现资源受限环境下的数据挖掘和模式识别；

基于机器学习算法的分析结果，采用规则引擎，将质量评估指标与预设阈值进行比对，自动判断农产品加工过程是否存在质量缺陷，若农产品加工过程存在质量缺陷，则触发预警机制，通过数据可视化，展示问题环节及原因，辅助质量问题的快速定位和处置；

在质量问题处置完成后，通过数据挖掘，分析农产品加工过程中的关键控制点和影响因素，采用增量学习算法，动态更新质量评估模型和规则库，通过不断接收新的数据样本，更新模型参数，实现模型的持续优化，不断提高农产品加工质量评估的准确性；

将质量评估结果、优化方案和处理过程记录到区块链中，形成不可篡改的质量追溯链，采用密码学方法，对敏感数据进行加密保护，确保数据的安全性和隐私性，通过智能合约机制，对农产品质量责任进行自动判定和溯源。

2.根据权利要求1所述的方法，其特征在于，获取多源异构传感器数据，针对所述多源异构传感器数据在格式、采样频率和数量上的差异，预先建立统一的数据模型；将所述多源异构传感器数据映射到所述统一的数据模型中，采用数据插值、降采样方法，对所述多源异构传感器数据进行时间轴对齐，消除采样频率差异，得到时间同步的多源数据集，包括:获取多源异构传感器的原始数据，根据预先建立的统一数据模型，将原始数据映射到该模型中，得到标准化的多源异构传感器数据；

针对标准化后的多源异构传感器数据，提取各数据源的时间戳信息，通过比较不同数据源的时间戳，确定需要进行时间轴对齐的数据段；

对于需要对齐的数据段，采用线性插值方法，将时间戳少的数据源在时间轴上进行插值，使其与时间戳多的数据源对齐；

插值后，根据预设的采样频率阈值，判断是否需要进行降采样处理；

若需要，则使用平均值降采样方法对插值后的数据进行降采样，使其采样频率与采样频率阈值一致；

将经过插值和降采样处理后的多源异构传感器数据按照统一的时间轴进行排序，得到时间同步的多源数据集；

根据时间同步的多源数据集，使用小波变换方法提取各数据源的时频域特征，构建多源异构传感器数据的特征向量；

对提取的特征向量进行特征选择，去除冗余和不相关的特征，降低特征维度；

然后采用K折交叉验证的方式将数据集划分为训练集和测试集；

将处理后的特征向量输入到预先训练的支持向量机模型中，通过网格搜索优化模型超参数，实现对多源异构传感器数据的分类和预测；

使用测试集评估支持向量机模型的性能，计算准确率、精确率、召回率和F1值评价指标；

若支持向量机模型性能满足要求，则将其应用于实际的多源异构传感器数据分析和预测任务中。

3.根据权利要求1所述的方法，其特征在于，基于所述时间同步的多源数据集，构建时空数据立方体模型，将包括图像、温湿度的多维度数据映射到统一的时空坐标系中；在所述时空数据立方体模型的基础上，通过数据插值、聚合方法，对粗粒度数据进行细化，对细粒度数据进行概括，使不同来源数据的时空粒度趋于一致，包括:根据时间同步的多源异构数据，获取图像和温湿度多维数据，构建时空数据立方体模型；

针对所述时空数据立方体模型，将包括图像数据和温湿度数据的多维数据映射到统一的时空坐标系中；

获取映射后的多维时空数据，根据预设的数据粒度阈值，判断数据粒度是否满足要求。

4.根据权利要求1所述的方法，其特征在于，利用所述时空对齐的多源数据，构建层次分析法模型，将农产品加工质量评估指标分解为若干子指标，形成指标层次结构；采用模糊综合评判方法，综合考虑各子指标的重要性权重和满意度，计算各方案的综合评分，对农产品加工质量进行评估，包括:获取农产品加工过程中的各项参数数据，包括原料质量、加工温度、加工时间和设备参数，建立农产品加工数据库；

针对农产品加工质量评估指标，采用层次分析法，将质量评估指标分解为包括感官指标、理化指标和安全指标的多个子指标，构建农产品加工质量评估指标层次结构模型；

选择行业内专家，采用德尔菲法，对各子指标的重要性进行两轮打分，采用1‑9标度法，取各专家评分的均值，确定各子指标的权重向量，权重系数取值范围为0到1，权重系数之和为1；

针对各子指标，结合国家及行业标准，构建隶属度函数，将各子指标的实测值映射到[0，1]区间内，得到各子指标的隶属度值；

根据各子指标的权重向量和隶属度值，采用加权平均法，计算农产品加工质量的综合评估得分；

公式为：综合评估得分=∑(子指标权重×子指标隶属度值)；

将农产品加工质量综合评估得分与预设合格阈值进行比较，若综合评估得分大于等于预设合格阈值，则判定该批次农产品加工质量合格；

否则，判定为不合格，并将该批次标记为质量缺陷批次。

5.根据权利要求1所述的方法，其特征在于，根据农产品加工质量评估结果，对农产品加工质量评估数据进行特征分析，筛选出关键特征，降低数据维度；采用决策树、支持向量机机器学习算法，在保证分析精度的同时，降低计算资源消耗，实现资源受限环境下的数据挖掘和模式识别，包括:根据农产品加工质量评估结果获取评估数据，将数据存储到关系型数据库MySQL中；

对MySQL中的评估数据进行预处理，使用Python的Pandas库读取数据，并使用Pandas的数据清洗函数去除噪声数据和异常值，得到清洗后的数据；

采用Relief特征选择算法对预处理后的数据进行特征重要性分析，使用Python的Scikit‑learn库计算各特征的重要性权重，筛选出权重排名前10的关键特征；

根据筛选出的关键特征，使用Pandas的数据选择函数从原始数据集中选择相应的特征列，构建新的低维数据集；

若数据集样本数量大于1000，则采用决策树算法建立质量评估模型；

若数据集样本数量小于等于1000，则采用支持向量机算法建立质量评估模型；

使用Scikit‑learn库完成模型训练和测试。

6.根据权利要求1所述的方法，其特征在于，基于机器学习算法的分析结果，采用规则引擎，将质量评估指标与预设阈值进行比对，自动判断农产品加工过程是否存在质量缺陷；

若农产品加工过程存在质量缺陷，则触发预警机制，通过数据可视化，展示问题环节及原因，辅助质量问题的快速定位和处置，包括:A1、获取农产品加工过程中的质量评估指标数据，针对每个指标采用支持向量机或随机森林算法进行分析，得到质量评估结果；

A2、根据预先建立的质量评估规则，将所述质量评估结果与预设阈值进行比对，判断农产品加工过程是否存在质量缺陷；

A3、若判断结果表明存在质量缺陷，则触发预警机制，通过数据可视化技术，以图表和报表形式展示存在质量问题的加工环节以及导致质量缺陷的原因；

A4、针对展示的质量问题环节和原因，采用Apriori算法，分析历史质量问题数据，挖掘出导致所述质量缺陷的关键因素；

A5、根据挖掘出的关键因素，从预先构建的基于案例推理的质量问题处置知识库中，匹配获取相应的处置措施，并将所述处置措施通过数据可视化界面呈现；

A6、在执行质量问题处置措施后，持续获取农产品加工过程中的质量评估指标数据，若质量改善效果未达预期，则根据最新的质量数据，再次触发预警机制，重复执行步骤A3‑A5，直至农产品加工质量完全符合预设标准。

7.根据权利要求1所述的方法，其特征在于，将质量评估结果、优化方案和处理过程记录到区块链中，形成不可篡改的质量追溯链；采用密码学方法，对敏感数据进行加密保护，确保数据的安全性和隐私性；通过智能合约机制，对农产品质量责任进行自动判定和溯源，实现农产品质量的全程可追溯、可核查、可问责，提升消费者信任度，包括:获取农产品质量评估结果数据，通过区块链技术记录上链，利用区块链的不可篡改特性，构建农产品质量追溯链；

针对农产品质量数据中的敏感信息，采用RSA非对称加密算法进行加密处理，确保数据在区块链网络中传输和存储的安全性，保护数据隐私不被泄露；

基于区块链智能合约，将农产品质量责任判定规则写入合约代码。

8.一种基于权利要求1所述的基于边缘节点的农产品加工质量溯源监控方法的农产品加工质量溯源监控系统，其特征在于，所述系统包括：数据预处理模块，用于多源异构传感器数据的格式统一和时间同步；

时空数据建模模块，用于构建时空数据立方体模型和数据粒度对齐；

质量评估模块，用于构建层次分析法模型和进行模糊综合评判；

数据挖掘模块，用于特征分析、降维和机器学习算法应用；

质量监控模块，用于质量缺陷自动判断、预警和问题可视化；

持续优化模块，用于模型更新、质量追溯和责任判定。