CN111695743A - 工厂化食品安全生产监控方法、装置、设备及存储介质 - Google Patents
工厂化食品安全生产监控方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111695743A CN111695743A CN202010583975.7A CN202010583975A CN111695743A CN 111695743 A CN111695743 A CN 111695743A CN 202010583975 A CN202010583975 A CN 202010583975A CN 111695743 A CN111695743 A CN 111695743A
- Authority
- CN
- China
- Prior art keywords
- food
- preset
- raw material
- finished
- quality
- 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.)
- Granted
Links
- 235000013305 food Nutrition 0.000 title claims abstract description 435
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 169
- 238000012544 monitoring process Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 86
- 239000002994 raw material Substances 0.000 claims abstract description 261
- 238000012545 processing Methods 0.000 claims abstract description 78
- 238000004422 calculation algorithm Methods 0.000 claims description 40
- 239000000463 material Substances 0.000 claims description 32
- 238000005192 partition Methods 0.000 claims description 30
- 238000009825 accumulation Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims description 5
- 239000012770 industrial material Substances 0.000 claims 1
- 238000012797 qualification Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 16
- 241000209140 Triticum Species 0.000 description 12
- 235000021307 Triticum Nutrition 0.000 description 12
- 241000209094 Oryza Species 0.000 description 10
- 235000007164 Oryza sativa Nutrition 0.000 description 10
- 235000009566 rice Nutrition 0.000 description 10
- BGNXCDMCOKJUMV-UHFFFAOYSA-N Tert-Butylhydroquinone Chemical compound CC(C)(C)C1=CC(O)=CC=C1O BGNXCDMCOKJUMV-UHFFFAOYSA-N 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 7
- 235000013312 flour Nutrition 0.000 description 7
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 6
- CDBYLPFSWZWCQE-UHFFFAOYSA-L Sodium Carbonate Chemical compound [Na+].[Na+].[O-]C([O-])=O CDBYLPFSWZWCQE-UHFFFAOYSA-L 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 6
- 239000000843 powder Substances 0.000 description 5
- 240000002582 Oryza sativa Indica Group Species 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 239000000796 flavoring agent Substances 0.000 description 4
- 235000021552 granulated sugar Nutrition 0.000 description 4
- 150000003839 salts Chemical class 0.000 description 4
- 239000004250 tert-Butylhydroquinone Substances 0.000 description 4
- 235000019281 tert-butylhydroquinone Nutrition 0.000 description 4
- QXNVGIXVLWOKEQ-UHFFFAOYSA-N Disodium Chemical compound [Na][Na] QXNVGIXVLWOKEQ-UHFFFAOYSA-N 0.000 description 3
- 239000000940 FEMA 2235 Substances 0.000 description 3
- 229940041514 candida albicans extract Drugs 0.000 description 3
- 235000019634 flavors Nutrition 0.000 description 3
- 235000008446 instant noodles Nutrition 0.000 description 3
- LPUQAYUQRXPFSQ-DFWYDOINSA-M monosodium L-glutamate Chemical compound [Na+].[O-]C(=O)[C@@H](N)CCC(O)=O LPUQAYUQRXPFSQ-DFWYDOINSA-M 0.000 description 3
- 239000004223 monosodium glutamate Substances 0.000 description 3
- 235000013923 monosodium glutamate Nutrition 0.000 description 3
- 239000002777 nucleoside Substances 0.000 description 3
- 150000003833 nucleoside derivatives Chemical class 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- NEGYEDYHPHMHGK-UHFFFAOYSA-N para-methoxyamphetamine Chemical compound COC1=CC=C(CC(C)N)C=C1 NEGYEDYHPHMHGK-UHFFFAOYSA-N 0.000 description 3
- 238000013441 quality evaluation Methods 0.000 description 3
- 239000000377 silicon dioxide Substances 0.000 description 3
- 235000012239 silicon dioxide Nutrition 0.000 description 3
- 229910000029 sodium carbonate Inorganic materials 0.000 description 3
- 235000013599 spices Nutrition 0.000 description 3
- 235000015112 vegetable and seed oil Nutrition 0.000 description 3
- 239000008158 vegetable oil Substances 0.000 description 3
- 239000012138 yeast extract Substances 0.000 description 3
- UIIMBOGNXHQVGW-UHFFFAOYSA-M Sodium bicarbonate Chemical compound [Na+].OC([O-])=O UIIMBOGNXHQVGW-UHFFFAOYSA-M 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000855 fermentation Methods 0.000 description 2
- 230000004151 fermentation Effects 0.000 description 2
- 235000012041 food component Nutrition 0.000 description 2
- 239000005417 food ingredient Substances 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 235000017550 sodium carbonate Nutrition 0.000 description 2
- 235000002639 sodium chloride Nutrition 0.000 description 2
- 235000013555 soy sauce Nutrition 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- JLPULHDHAOZNQI-ZTIMHPMXSA-N 1-hexadecanoyl-2-(9Z,12Z-octadecadienoyl)-sn-glycero-3-phosphocholine Chemical compound CCCCCCCCCCCCCCCC(=O)OC[C@H](COP([O-])(=O)OCC[N+](C)(C)C)OC(=O)CCCCCCC\C=C/C\C=C/CCCCC JLPULHDHAOZNQI-ZTIMHPMXSA-N 0.000 description 1
- 244000163122 Curcuma domestica Species 0.000 description 1
- 235000003392 Curcuma domestica Nutrition 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 235000019482 Palm oil Nutrition 0.000 description 1
- 239000005862 Whey Substances 0.000 description 1
- 102000007544 Whey Proteins Human genes 0.000 description 1
- 108010046377 Whey Proteins Proteins 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000015895 biscuits Nutrition 0.000 description 1
- 235000013351 cheese Nutrition 0.000 description 1
- 235000003373 curcuma longa Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000013355 food flavoring agent Nutrition 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000002540 palm oil Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 229910000030 sodium bicarbonate Inorganic materials 0.000 description 1
- 235000017557 sodium bicarbonate Nutrition 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 229940083466 soybean lecithin Drugs 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 235000013976 turmeric Nutrition 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本申请实施例公开了一种工厂化食品安全生产监控方法、装置、设备及存储介质，属于生产工艺监控技术领域，该方法包括:启动中心监控模型和原料来源控制模型，对生产原料来源进行采购监控；在进行加工生产之前，对获取的待进行加工的食品原料，进行品质级别确定，并预测食品成品的品质级别；判断食品成品的预测品质级别是否满足预设的阈值，若满足，则进行加工生产；在进行加工生产的整个流程中，获取每一个分步的工艺流程步骤完成时的评分指标值；综合评判食品成品的完成质量，对食品成品进行不同等级的分类，并将分类结果发送到中心监控模型，完成食品安全生产监控。本申请能够从生产工艺整体上对食品的生产进行有效监控，提高食品质量的合格性。
Description
技术领域
本申请涉及生产工艺监控技术领域，尤其涉及一种工厂化食品安全生产监控方法、装置、设备及存储介质。
背景技术
食品加工生产是与人们生活息息相关的一项工艺技术，目前，随着食品加工生产工艺的逐渐成熟，食品的安全与健康又成为了人们的新追求。现在主要的食品安全与健康的管控主要采用的是对成品进行抽检，通过判断成品中各项添加剂的含量来对食品的安全进行测评，以抽检样品的方式来确定整体产品的合格质量，显然，这种方式容易造成测评结果不准确，且测评结果具有一定的局限性；同时，通过对食品生产中的客观因素如反应温度和发酵时间等进行控制，达到提高食品的安全与合格的目的，显然，上述控制方式，仅仅是对食品制造过程中的反应条件进行控制，并不能从生产总体上提高食品生产时的食品质量的合格性。由此可知，现有技术进行食品加工时，存在难以从生产工艺整体上对食品的质量进行监控和对食品质量合格性进行有效控制的问题。
发明内容
本申请实施例的目的在于提出一种工厂化食品安全生产监控方法、装置、设备及存储介质，以解决现有技术进行食品加工时，存在难以从生产工艺整体上对食品的质量进行监控和对食品质量合格性进行有效控制的问题。
为了解决上述技术问题，本申请实施例提供一种工厂化食品安全生产监控方法，采用了如下所述的技术方案：
一种工厂化食品安全生产监控方法，包括：
启动预设的中心监控模型和预设的原料来源控制模型，并基于预设的食品原料来源对照集和采购人员通过采购控制终端输入的实时采购信息，进行轮询，判断所述实时采购信息与所述食品原料来源对照集是否满足∈关系，若不满足，则不进行采购；
若所述实时采购信息与所述食品原料来源对照表满足∈关系，则进行采购，并基于预设的区别建档模型，进行食品原料分区储存；
在进行加工生产之前，对获取的待进行加工的食品原料，基于预设的食品原料评分算法模型和所述采购信息，获取每一种待进行加工原料的品质级别，并基于预设的食品品质预测模型，预测所述食品成品的品质级别；
基于预设的生产启动判断模型和预设的品质级别等级，获取食品成品的预测品质级别是否满足预设的阈值，若满足，则向加工生产终端发送启动生产的指令进行加工生产，否则，向加工生产终端发送原料组合不达标的指令；
在进行加工生产的整个流程中，基于预设的评分方式模型集中不同的分步评分模型，获取食品成品在每一个分步的工艺流程步骤完成时的评分指标值，生成分步评分指标集；
基于预设的标准化算法模型和所述分步评分指标集，综合评判所述食品成品的完成质量，基于预设的产品质量分类模型，对所述食品成品进行不同等级的分类，获取食品成品分类结果；
将上述步骤中的食品原料采购结果、食品原料分区储存结果、原料的品质级别判断结果、食品成品的品质级别预测结果、分步评分指标集、食品成品分类结果都实时发送到预设中心监控模型，完成工厂化食品安全生产监控。
进一步的，所述工厂化食品安全生产监控方法，所述预设的食品原料来源对照集包括：
若干预先设定的包含不同预设分类等级，不同产地的食品原料信息，且所述食品原料信息满足预设的生产要求。
进一步的，所述工厂化食品安全生产监控方法，所述采购控制终端包括：
可随身携带的能够将采购信息输入的装置，如手机，电脑等，且能将所述采购信息实时发送到远端预设的原料来源控制模型。
进一步的，所述工厂化食品安全生产监控方法，所述判断所述实时采购信息与所述食品原料来源对照集是否满足∈关系包括：
所述实时采购信息中包含食品原料的产地信息和预设的分类等级信息；
若所述食品原料来源对照集中存在信息与所述实时采购信息相同，则满足∈关系，即被包含关系。
进一步的，所述工厂化食品安全生产监控方法，所述基于预设的区别建档模型，进行食品原料分区储存包括步骤如下：
获取实时采购信息并进行解析，解析出食品原料的产地信息和预设的分类等级信息；
基于预设的分区储存表，将所述食品原料放入不同的分区进行储存。
其中，所述预设的分区储存表对应工厂中预设的食品原料的不同储存区域。
进一步的，所述工厂化食品安全生产监控方法，所述基于预设的食品原料评分算法模型和所述采购信息，获取每一种待进行加工原料的品质级别包括：
基于预先根据不同的产地设定的食品原料第一指标表，获取每一种待进行加工原料的第一指标φ1，生成待加工原料第一指标集合
基于预先根据不同的预设的分类等级信息设定的食品原料第二指标表，获取每一种待进行加工原料的第二指标φ2，生成待加工原料第二指标集合
其中，所述第一指标集合
和所述第二指标集合
分别有序，且第一指标集合
和第二指标集合
中的相同下标的元素对应同一种待进行加工原料；
基于预设的食品原料评分算法模型，分别依次获取第一指标集合
和第二指标集合
中相同下标的元素，进行加权计算，获取计算结果，生成待加工原料的加权指标集合Listφ；
基于预设的食品原料品质级别阈值和预设的食品原料品质级别阈值对应的食品原料品质级别，判断所述加权指标集合Listφ中元素对应的食品原料品质级别。
进一步的，所述工厂化食品安全生产监控方法，所述基于预设的食品品质预测模型，预测所述食品成品的品质级别包括：
获取所述加权指标集合Listφ中元素对应的品质级别，进行累加运算，获取累加结果，将所述累加结果作为食品成品的预测指标值θ；
基于预设的食品成品预测指标阈值和预设的所述食品成品预测指标阈值对应的食品成品品质级别，判断所述食品成品的预测指标值对应的食品成品品质级别。
进一步的，所述工厂化食品安全生产监控方法，所述基于预设的标准化算法模型和所述分步评分指标集，综合评判所述食品成品的完成质量具体包括：
基于Z-Score标准化算法，将所述分步评分指标集元素作为待进行标准化的分量，通过计算获取统一的量值，将所述统一的量值作为食品成品的完成质量。
进一步的，所述工厂化食品安全生产监控方法，所述基于预设的产品质量分类模型，对所述产品进行不同等级的分类包括：
获取食品成品的完成质量，并基于预设产品质量分类表，判断所述食品成品的等级分类。
进一步的，所述工厂化食品安全生产监控方法，所述将上述步骤中的食品原料采购结果、食品原料分区储存结果、原料的品质级别判断结果、食品成品的品质级别预测结果、分步评分指标集、食品成品分类结果都实时发送到中心监控模型，完成工厂化食品安全生产监控包括：所述预设的中心监控模型分别与上述步骤中的其他处理模型分别建立长连接，使用定时查询的方式，分别获取上述不同步骤的处理结果。
为了解决上述技术问题，本申请实施例还提供了一种工厂化食品安全生产监控装置，采用了如下所述的技术方案：
一种工厂化食品安全生产监控装置，包括：
原料采购控制模块，用于启动预设的中心监控模型和预设的原料来源控制模型，并基于预设的食品原料来源对照集和采购人员通过采购控制终端输入的实时采购信息，进行轮询，判断所述实时采购信息与所述食品原料来源对照集是否满足∈关系，若不满足，则不进行采购；
原料区别储存模块，用于若所述实时采购信息与所述食品原料来源对照表满足∈关系，则进行采购，并基于预设的区别建档模型，进行食品原料分区储存；
食品品质预测模块，用于在进行加工生产之前，对获取的待进行加工的食品原料，基于预设的食品原料评分算法模型和所述采购信息，获取每一种待进行加工原料的品质级别，并基于预设的食品品质预测模型，预测所述食品成品的品质级别；
食品加工启动模块，用于基于预设的生产启动判断模型和预设的品质级别等级，获取食品成品的预测品质级别是否满足预设的阈值，若满足，则向加工生产终端发送启动生产的指令进行加工生产，否则，向加工生产终端发送原料组合不达标的指令；
生产工艺分步评分模块，用于在进行加工生产的整个流程中，基于预设的评分方式模型集中不同的分步评分模型，获取食品成品在每一个分步的工艺流程步骤完成时的评分指标值，生成分步评分指标集；
食品品质评判模块，用于基于预设的标准化算法模型和所述分步评分指标集，综合评判所述食品成品的完成质量，基于预设的产品质量分类模型，对所述食品成品进行不同等级的分类，获取食品成品分类结果；
中心监控模块，用于将上述步骤中的食品原料采购结果、食品原料分区储存结果、原料的品质级别判断结果、食品成品的品质级别预测结果、分步评分指标集、食品成品分类结果都实时发送到中心监控模型，完成工厂化食品安全生产监控。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现本申请实施例中提出的一种工厂化食品安全生产监控方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种非易失性计算机可读存储介质，采用了如下所述的技术方案：
一种非易失性计算机可读存储介质，计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现本申请实施例中提出的一种工厂化食品安全生产监控方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例公开了工厂化食品安全生产监控方法、装置、设备及存储介质，通过启动中心监控模型和原料来源控制模型，对生产原料来源进行采购监控，一定程度上提高了食品生产原料的来源以及质量；在进行加工生产之前，对获取的待进行加工的食品原料，进行品质级别确定，并预测食品成品的品质级别，通过对每一种待加工的食品原料，分别进行品质级别确定，最后进行加权和累加处理，获取所有待加工食品原料对应的食品成品的预测指标值θ，通过食品成品的预测指标值θ，在一定程度上有效规避了食品成品品质的不合格情况；判断食品成品的预测品质级别是否满足预设的阈值，若满足，则进行加工生产，选择食品成品的预测品质级别足预设的阈值的进行加工，有效剔除了不同来源的食品原料在生产组合上，盲目匹配，导致食品质量较低的问题；在进行加工生产的整个流程中，获取每一个分步的工艺流程步骤完成时的评分指标值；综合评判食品成品的完成质量，对食品成品进行不同等级的分类，并将分类结果发送到中心监控模型，完成食品安全生产监控，对每一个分步的工艺流程，分别在分步完成时，进行评分，最后综合获取食品成品的完成质量，并进行不同等级的品质分类，进一步提高了食品成品的质量安全。本申请能够从生产工艺整体上对食品的生产进行有效监控，提高食品质量的合格性。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例可以应用于其中的示例性系统架构图；
图2为本申请实施例中所述工厂化食品安全生产监控方法的一个实施例的流程图；
图3为本申请实施例中预设的食品原料评分算法模型的处理流程图；
图4为本申请实施例中所述工厂化食品安全生产监控方法的一个实施例的处理逻辑图；
图5为本申请实施例中所述工厂化食品安全生产监控方法获取每一步骤处理结果的一个实施例的示意图；
图6为本申请实施例中所述工厂化食品安全生产监控装置的一个实施例的结构示意图；
图7为本申请实施例中原料采购控制模块的结构示意图；
图8为本申请实施例中食品品质预测模块的结构示意图；
图9为本申请实施例中食品品质评判模块的结构示意图；
图10为本申请实施例中计算机设备的一个实施例的结构示意图；
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的工厂化食品安全生产监控方法一般由服务器/终端设备执行，相应地，工厂化食品安全生产监控装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，图中示出了本申请的工厂化食品安全生产监控方法的一个实施例的流程图，所述的工厂化食品安全生产监控方法包括以下步骤：
步骤201，启动预设的中心监控模型和预设的原料来源控制模型，并基于预设的食品原料来源对照集和采购人员通过采购控制终端输入的实时采购信息，进行轮询，判断所述实时采购信息与所述食品原料来源对照集是否满足∈关系，若不满足，则不进行采购。
在本申请的实施例中，所述预设的原料来源控制模型，其处理步骤包括：接收采购控制终端输入的实时采购信息；对所述采购信息基于预设的解析方式进行解析；在获取到解析结果之后，将所述解析结果与预设的食品原料来源对照集中元素进行对比；判断所述解析结果是否属于预设的食品原料来源对照集。
例如：在本申请实施例中，所述采购信息包括食品原料的产地信息和预设的分类等级信息。第一步，接收采购控制终端输入的实时采购信息，假设对原料大米进行采购，采购信息中食品原料的产地为原阳，分类为籼米，等级为二级，其中，所述大米的分类等级具体参考国家标准《大米GB1354-2009》；第二步，解析出所述采购信息中的“原阳”、“籼米”和“二级”等字段，假设采购信息的信息表达方式为“产地原阳县，分类为籼米，等级为二级”，一种可能的解析方式为通过查找关键词“产地”、“分类”、“等级”和关键字“为”，获取相关字段，完成解析，最后解析出“原阳”、“籼米”和“二级”等字段；第三步，将解析出的字段“原阳”、“籼米”和“二级”与预设的食品原料来源对照集中元素进行对比；第四步，若预设的食品原料来源对照集中元素中大米原料的信息中包括“原阳”、“沈阳”、“籼米”、“糯米”、“二级”和“一级”，则解析结果对应的采购信息被包含于预设的食品原料来源对照集，符合采购要求，若预设的食品原料来源对照集中元素中大米原料的信息中包括“沈阳”、“籼米”、“糯米”、“二级”和“一级”，则解析结果对应的采购信息非被包含于预设的食品原料来源对照集，不符合采购要求。
在本申请的一些实施例中，所述步骤201中的所述预设的食品原料来源对照集包括：若干预先设定的包含不同预设分类等级，不同产地的食品原料信息，且所述食品原料信息满足预设的生产要求。
在本申请的一些实施例中，所述步骤201中的所述采购控制终端包括：可随身携带的能够将采购信息输入的装置，如手机，电脑等，且能将所述采购信息实时发送到远端预设的原料来源控制模型。
在本申请的一些实施例中，所述步骤201中的所述判断所述实时采购信息与所述食品原料来源对照集是否满足∈关系包括：所述实时采购信息中包含食品原料的产地信息和预设的分类等级信息；若所述食品原料来源对照集中存在信息与所述实时采购信息相同，则满足∈关系，即被包含关系。
步骤202，若所述实时采购信息与所述食品原料来源对照表满足∈关系，则进行采购，并基于预设的区别建档模型，进行食品原料分区储存。
在本申请的一些实施例中，所述步骤202中的所述基于预设的区别建档模型，进行食品原料分区储存包括步骤如下：获取实时采购信息并进行解析，解析出食品原料的产地信息和预设的分类等级信息；基于预设的分区储存表，将所述食品原料放入不同的分区进行储存。其中，所述预设的分区储存表对应工厂中预设的食品原料的不同储存区域。
例如：目前，工厂生产过程中，为了区别原料的来源信息和方便区别存储，往往需要在工厂的进料区建立原料仓库，本申请实施例中，一种可能的分区储存表包括：基于不同的分区来进行建表，例如，一级分区、二级分区、三级分区和四级分区分别对应原料的种类、产地、分类和等级信息，假设对原料仓库进行一级分区，所述一级分区分别对应食品产品生产完成需要的不同原料种类，例如：某威化饼干包含多种原料，具体的包括：“白砂糖”、“棕榈油”、“乳清粉”、“粉状干酪”、“乳粉”、“大豆磷脂”、“日落黄”、“姜黄”、“小麦粉”、“食用盐”和“碳酸氢钠”等11种原料，则将所述原料仓库分为11个一级分区，分区名称分别对应原料的名称；依上述一级分区中的“小麦粉分区”为例，假设“小麦粉”的原料产地分别“南阳”、“合肥”、“郑州”、“武汉”和“周口”等5个地区，则将所述原料产地作为5个二级分区，分区名称分别对应地区的名称；然后，依次确定二级分区下的三级分区及四级分区。最后，基于上述分区原则，对储存原料的仓库进行位置范围划分，便于对采购的原料进行生产加工进料前的保存工作。
步骤203，在进行加工生产之前，对获取的待进行加工的食品原料，基于预设的食品原料评分算法模型和所述采购信息，获取每一种待进行加工原料的品质级别，并基于预设的食品品质预测模型，预测所述食品成品的品质级别。
在本申请的一些实施例中，所述步骤203中的所述基于预设的食品原料评分算法模型和所述采购信息，获取每一种待进行加工原料的品质级别包括步骤如下：基于预先根据不同的产地设定的食品原料第一指标表，获取每一种待进行加工原料的第一指标φ1，生成待加工原料第一指标集合
基于预先根据不同的预设的分类等级信息设定的食品原料第二指标表，获取每一种待进行加工原料的第二指标φ2，生成待加工原料第二指标集合
其中，所述第一指标集合
和所述第二指标集合
分别有序，且第一指标集合
和第二指标集合
中的相同下标的元素对应同一种待进行加工原料；基于预设的食品原料评分算法模型，分别依次获取第一指标集合
和第二指标集合
中相同下标的元素，进行加权计算，获取计算结果，生成待加工原料的加权指标集合Listφ；基于预设的食品原料品质级别阈值和预设的食品原料品质级别阈值对应的食品原料品质级别，判断所述加权指标集合Listφ中元素对应的食品原料品质级别。
其中，所述食品原料第一指标表，具体为，分别对不同产地的原料，基于预设数值进行指标表示，假设原料为“小麦”，产地分别包括A、B、C、D和E，此时，对不同产地的使用不同的预设数值进行表示，对产地为A的设定数值为1.30，对产地为B的设定数值为1.10，对产地为C的设定数值为1.00，对产地为D的设定数值为0.100，对产地为E的设定数值为0.85，所述预设的数值为预先设定的表示不同地区小麦指标的数值，例如：原料“小麦”的产地为A，则其第一指标值为1.30。
其中，所述食品原料第二指标表，具体为，分别对不同分类等级的相同原料，基于预设数值进行指标表示，假设原料为“小麦”，分类类别包括I、II、III三个类别，每一个类别又分为j1、j2、j3、j4、j5五个等级，此时，对I、II、III三个类别分别使用6、3、1进行表示，对j1、j2、j3、j4、j5五个等级分别使用2、3、4、5、6进行表示，对不同分类等级的表示，使用字符串拼接的方法，例如：原料“小麦”的分类为I类别，等级为j3等级，则其第二指标值为“6”拼接“4”为64。
在对每一种原料的第一指标和第二指标进行获取并加入到集合时，使用有序集合list,保证了在两个不同的集合中，第一指标和第二指标在集合中的顺序相同。
在本申请实施例中，具体请参阅图3，图3为本申请实施例中预设的食品原料评分算法模型的处理流程图，所述预设的食品原料评分算法模型具体处理步骤如下：
301、获取所述第一指标集合
中的述第一个元素，同时获取第二指标集合
中的述第一个元素；
302、基于预设的算法，对第一指标集合
和第二指标集合
中获取的相同下标的元素进行运算，获取一个加权指标；
303、依照上述两步分别获取第一指标集合和第二指标集合中的其他相同下标的元素，并基于所述预设的算法，进行运算，获取所有待加工原料的加权指标，生成加权指标集合Listφ；
304、基于预设的食品原料品质级别阈值和预设的食品原料品质级别阈值对应的食品原料品质级别，判断所述加权指标集合Listφ中元素对应的食品原料品质级别。
所述301步骤，具体如下，例如：依食品产品北京方便面为例，其方便面和调味剂的原料包括：小麦粉、植物油、食用盐、碳酸钠、TBHQ(特丁基对苯二酚)、味精、鸡肉粉、香辛料、白砂糖、酵母抽取物、焦糖色、呈味核苷二钠、酱油粉、二氧化硅等共14种原料种类。
则生成的第一指标集合中
和第二指标集合
中分别包括14个元素，同时，第一指标集合
中的元素从集合下标“0”开始一直到下标为“13”对应的元素，分别为“小麦粉”、“植物油”、“食用盐”、“碳酸钠”、“TBHQ”、“味精”、“鸡肉粉”、“香辛料”、“白砂糖”、“酵母抽取物”、“焦糖色”、“呈味核苷二钠”、“酱油粉”、“二氧化硅”的第一指标值，第二指标集合
中的元素从集合下标“0”开始一直到下标为“13”对应的元素，分别为“小麦粉”、“植物油”、“食用盐”、“碳酸钠”、“TBHQ”、“味精”、“鸡肉粉”、“香辛料”、“白砂糖”、“酵母抽取物”、“焦糖色”、“呈味核苷二钠”、“酱油粉”、“二氧化硅”的第二指标值。
所述302步骤，具体如下，例如：依照“小麦粉”为例，假设其第一指标值为1.30，用a1表示；第二指标值为64，用b1表示；分别对应预设的不同的权重值，第一权重值为1000，用x表示；第二权重值为10，用y表示，通过预设的算法ξ进行运算，ξ表示加权指标值，例如：
则所述加权指标值为
所述303步骤，具体如下，对每一种待加工原料都进行ξ运算，获取到ξ1、ξ2、ξ3、ξ4、ξ5、…、ξn-1、ξn，生成加权指标集合Listφ ；
所述304步骤，具体如下，基于预设的食品原料品质级别阈值，判断加权指标集合Listφ中的每一种待加工原料的加权指标值ξ是否达到设定阈值，若达到，则基于预设的食品原料品质级别阈值对应的食品原料品质级别，获取每一种待加工原料对应的品质级别。
在本申请的一些实施例中，所述步骤203中的所述基于预设的食品品质预测模型，预测所述食品成品的品质级别包括：获取所述加权指标集合Listφ中元素对应的品质级别，进行累加运算，获取累加结果，将所述累加结果作为食品成品的预测指标值θ；基于预设的食品成品预测指标阈值和预设的所述食品成品预测指标阈值对应的食品成品品质级别，判断所述食品成品的预测指标值对应的食品成品品质级别。
例如：假设上述待加工原料对应的品质级别，有5个等级，分别为j1、j2、j3、j4、j5，所述5个等级分别依次对应“极品”、“优品”、“精品”、“上品”、“良品”；获取每一种待加工原料对应的品质级别，将获取一个个数与待加工原料种类相同，元素值为“极品”、“优品”、“精品”、“上品”、“良品”进行组合的集合；使用概率累加算法，进行累加，判断不同等级品质级别原料的占比，依上述方便面为例，有14种原料，假设3种为“极品”，3种为“优品”，5种为“精品”，2种为“上品”，1种为“良品”，则不同品质级别对应的概率值分别为3/14、3/14、5/14、2/14、1/14；基于相邻等级概率增值法，即将“极品”的概率值和“优品”的概率值进行相加，则结果为6/14，将“优品”的概率值和“精品”的概率值进行相加，则结果为8/14，将“精品”的概率值和“上品”的概率值进行相加，则结果为7/14，将“上品”的概率值和“良品”的概率值进行相加，则结果为3/14，获取最大值8/14，作为食品成品的预测指标值θ；基于所述食品成品的预测指标值θ和预设的食品成品品质级别，判断食品成品对应的品质级别。
步骤204，基于预设的生产启动判断模型和预设的品质级别等级，获取食品成品的预测品质级别是否满足预设的阈值，若满足，则向加工生产终端发送启动生产的指令进行加工生产，否则，向加工生产终端发送原料组合不达标的指令。
步骤205，在进行加工生产的整个流程中，基于预设的评分方式模型集中不同的分步评分模型，获取食品成品在每一个分步的工艺流程步骤完成时的评分指标值，生成分步评分指标集。
在本申请的一些实施例中，所述步骤205中的在进行加工生产的整个流程中，基于预设的评分方式模型集中不同的分步评分模型，具体的为，预设设定的若干在工艺反应流程步骤中的评分模型，例如：食品生产中，经常对应的化学反应有加热、烘焙、发酵等，物理反应有压片、切片、包装等，每一种不同的反应都提前按照操作和要求规范对应一种评分模型，在生产中，对发生所述反应的步骤，分别进行评分，获取分步评分指标集。
步骤206，基于预设的标准化算法模型和所述分步评分指标集，综合评判所述食品成品的完成质量，基于预设的产品质量分类模型，对所述食品成品进行不同等级的分类，获取食品成品分类结果。
在本申请的一些实施例中，所述步骤206中的所述基于预设的标准化算法模型和所述分步评分指标集，综合评判所述食品成品的完成质量具体包括：基于Z-Score标准化算法，将所述分步评分指标集元素作为待进行标准化的分量，通过计算获取统一的量值，将所述统一的量值作为食品成品的完成质量。
其中，所述Z-Score标准化算法为，获取分步评分指标集中元素的平均值和标准差，具体的公式为
其中，δ为分步评分指标集元素对应的待进行标准化的分量，z为分步评分指标集中不同元素，
为分步评分指标集中元素的平均值，σ为分步评分指标集中元素的标准差。
基于预设的算法公式
对所有分量δ，求平均值获取到统一的量值ω。
例如：分步评分指标集中元素分别为0.9、0.3、0.7、0.8、0.6、0.7、0.8、0.8、0.7、0.9；则所述平均值
为0.62，存在10个元素，分别为z1、z2、z3、z4、z5、z6、z7、z8、z9、z10，假设i的取值范围为[1-10]，统一的量值为ω，则
在本申请的一些实施例中，所述步骤206中的所述基于预设的产品质量分类模型，对所述产品进行不同等级的分类包括：获取食品成品的完成质量，并基于预设产品质量分类表，判断所述食品成品的等级分类。
步骤207，将上述步骤中的食品原料采购结果、食品原料分区储存结果、原料的品质级别判断结果、食品成品的品质级别预测结果、分步评分指标集、食品成品分类结果都实时发送到中心监控模型，完成工厂化食品安全生产监控。
在本申请的一些实施例中，所述步骤207中的所述将上述步骤中的食品原料采购结果、食品原料分区储存结果、原料的品质级别判断结果、食品成品的品质级别预测结果、分步评分指标集、食品成品分类结果都实时发送到中心监控模型，完成工厂化食品安全生产监控，具体的所述预设的中心监控模型分别与上述步骤中的其他处理模型分别建立长连接，使用定时查询的方式，分别获取上述不同步骤的处理结果。
此外，在本申请的一些实施例中，所述预设的中心监控模型与上述步骤分别建立长连接，使用定时查询的方式，分别获取上述步骤中不同步骤的处理结果时，若上述步骤中，食品原料的采购、食品原料的品质、食品成品品质预测结果不符合要求阈值，则中央监控模型进行警示提示。
在本申请实施例中，具体请参阅图4，图4为本申请实施例中所述工厂化食品安全生产监控方法的一个实施例的处理逻辑图，所述工厂化食品安全生产监控方法的一个实施例的处理逻辑图，具体如下：基于预设的食品原料来源对照集和采购人员通过采购控制终端输入的实时采购信息，进行轮询，判断所述实时采购信息与所述食品原料来源对照集是否满足∈关系，若不满足，则不进行采购；若所述实时采购信息与所述食品原料来源对照表满足∈关系，则进行采购，获取实际采购信息，并基于预设的区别建档模型，进行食品原料分区储存；在进行加工生产之前，对获取的待进行加工的食品原料，基于预设的食品原料评分算法模型和所述采购信息，获取每一种待进行加工原料的品质级别，并基于预设的食品品质预测模型，预测所述食品成品的品质级别；基于预设的生产启动判断模型和预设的品质级别等级，获取食品成品的预测品质级别是否满足预设的阈值，若满足，则向加工生产终端发送启动生产的指令进行加工生产，并同时从所述分区储存中获取原料，否则，向加工生产终端发送原料组合不达标的指令；在进行加工生产的整个流程中，基于预设的评分方式模型集中不同的分步评分模型，获取食品成品在每一个分步的工艺流程步骤完成时的评分指标值，生成分步评分指标集；基于预设的标准化算法模型和所述分步评分指标集，综合评判所述食品成品的完成质量，基于预设的产品质量分类模型，对所述食品成品进行不同等级的分类，获取食品成品分类结果。
在本申请实施例中，具体请参阅图5，图5为本申请实施例中所述工厂化食品安全生产监控方法获取每一步骤处理结果的一个实施例的示意图，所述工厂化食品安全生产监控方法获取每一步骤处理结果的一个实施例的示意图，具体如下：将上述步骤中的食品原料采购判断结果、食品原料分区储存结果、原料的品质级别判断结果、食品成品的品质级别预测结果、分步评分指标集、食品成品分类结果都实时发送到中心监控模型，完成工厂化食品安全生产监控。
本申请实施例中所述的工厂化食品安全生产监控方法，可以通过启动中心监控模型和原料来源控制模型，对生产原料来源进行采购监控，一定程度上提高了食品生产原料的来源以及质量；在进行加工生产之前，对获取的待进行加工的食品原料，进行品质级别确定，并预测食品成品的品质级别，通过对每一种待加工的食品原料，分别进行品质级别确定，最后进行加权和累加处理，获取所有待加工食品原料对应的食品成品的预测指标值θ，通过食品成品的预测指标值θ，在一定程度上有效规避了食品成品品质的不合格情况；判断食品成品的预测品质级别是否满足预设的阈值，若满足，则进行加工生产，选择食品成品的预测品质级别足预设的阈值的进行加工，有效剔除了不同来源的食品原料在生产组合上，盲目匹配，导致食品质量较低的问题；在进行加工生产的整个流程中，获取每一个分步的工艺流程步骤完成时的评分指标值；综合评判食品成品的完成质量，对食品成品进行不同等级的分类，并将分类结果发送到中心监控模型，完成食品安全生产监控，对每一个分步的工艺流程，分别在分步完成时，进行评分，最后综合获取食品成品的完成质量，并进行不同等级的品质分类，进一步提高了食品成品的质量安全。本申请能够从生产工艺整体上对食品的生产进行有效监控，提高食品质量的合格性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图6，作为对上述图2所示方法的实现，本申请提供了一种工厂化食品安全生产监控装置的一个实施例，该装置实施例与图6所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例所述的工厂化食品安全生产监控装置6包括：原料采购控制模块601、原料区别储存模块602、食品品质预测模块603、食品加工启动模块604、生产工艺分步评分模块605、食品品质评判模块606和中心监控模块607。其中：
原料采购控制模块601，用于启动预设的中心监控模型和预设的原料来源控制模型，并基于预设的食品原料来源对照集和采购人员通过采购控制终端输入的实时采购信息，进行轮询，判断所述实时采购信息与所述食品原料来源对照集是否满足∈关系，若不满足，则不进行采购；
原料区别储存模块602，用于若所述实时采购信息与所述食品原料来源对照表满足∈关系，则进行采购，并基于预设的区别建档模型，进行食品原料分区储存；
食品品质预测模块603，用于在进行加工生产之前，对获取的待进行加工的食品原料，基于预设的食品原料评分算法模型和所述采购信息，获取每一种待进行加工原料的品质级别，并基于预设的食品品质预测模型，预测所述食品成品的品质级别；
食品加工启动模块604，用于基于预设的生产启动判断模型和预设的品质级别等级，获取食品成品的预测品质级别是否满足预设的阈值，若满足，则向加工生产终端发送启动生产的指令进行加工生产，否则，向加工生产终端发送原料组合不达标的指令；
生产工艺分步评分模块605，用于在进行加工生产的整个流程中，基于预设的评分方式模型集中不同的分步评分模型，获取食品成品在每一个分步的工艺流程步骤完成时的评分指标值，生成分步评分指标集；
食品品质评判模块606，用于基于预设的标准化算法模型和所述分步评分指标集，综合评判所述食品成品的完成质量，基于预设的产品质量分类模型，对所述食品成品进行不同等级的分类，并将所述分类结果发送到预设的中心监控模型，完成食品安全生产监控；
中心监控模块607，用于将上述步骤中的食品原料采购结果、食品原料分区储存结果、原料的品质级别判断结果、食品成品的品质级别预测结果、分步评分指标集、食品成品分类结果都实时发送到预设中心监控模型，完成工厂化食品安全生产监控。
在本申请的一些实施例中，如图7，图7为本申请实施例中原料采购控制模块的结构示意图，所述原料采购控制模块601包括原料采购单元601a、原料来源判断单元601b。
在本申请的一些实施例中，所述原料采购单元601a用于基于预设的食品原料来源对照集和采购人员通过采购控制终端输入的实时采购信息，其中，所述预设的食品原料来源对照集为若干预先设定的包含不同预设分类等级，不同产地的食品原料集合，所述采购控制终端为可随身携带的能够将采购信息输入的装置，如手机，电脑等，且能将所述采购信息实时发送到远端预设的原料来源控制模型。
在本申请的一些实施例中，所述原料来源判断单元601b用于判断所述实时采购信息与所述食品原料来源对照集是否满足∈关系，若不满足，则不进行采购，具体的，实时采购信息中包含食品原料的产地信息和预设的分类等级信息；若所述食品原料来源对照集中存在信息与所述实时采购信息相同，则满足∈关系，即被包含关系。
在本申请的一些实施例中，所述原料区别储存模块602在进行原料储存时先获取实时采购信息并进行解析，解析出食品原料的产地信息和预设的分类等级信息；再基于预设的分区储存表，将所述食品原料放入不同的分区进行储存。其中，所述预设的分区储存表对应工厂中预设的食品原料的不同储存区域。
在本申请的一些实施例中，如图8，图8为本申请实施例中食品品质预测模块的结构示意图，所述食品品质预测模块603包括原料的品质级别判断单元603a、食品成品品质预测单元603b。
在本申请的一些实施例中，所述原料的品质级别判断单元603a用于在进行加工生产之前，对获取的待进行加工的食品原料，基于预设的食品原料评分算法模型和所述采购信息，获取每一种待进行加工原料的品质级别，具体的，基于预先根据不同的产地设定的食品原料第一指标表，获取每一种待进行加工原料的第一指标φ1，生成待加工原料第一指标集合
基于预先根据不同的预设的分类等级信息设定的食品原料第二指标表，获取每一种待进行加工原料的第二指标φ2，生成待加工原料第二指标集合
其中，所述第一指标集合
和所述第二指标集合
分别有序，且第一指标集合
和第二指标集合
中的相同下标的元素对应同一种待进行加工原料；基于预设的食品原料评分算法模型，分别依次获取第一指标集合
和第二指标集合
中相同下标的元素，进行加权计算，获取计算结果，生成待加工原料的加权指标集合Listφ；基于预设的食品原料品质级别阈值和预设的食品原料品质级别阈值对应的食品原料品质级别，判断所述加权指标集合Listφ中元素对应的食品原料品质级别。
在本申请的一些实施例中，所述食品成品品质预测单元603b用于基于预设的食品品质预测模型，预测所述食品成品的品质级别，具体为获取所述加权指标集合Listφ中元素对应的品质级别，进行累加运算，获取累加结果，将所述累加结果作为食品成品的预测指标值θ；基于预设的食品成品预测指标阈值和预设的所述食品成品预测指标阈值对应的食品成品品质级别，判断所述食品成品的预测指标值对应的食品成品品质级别。
在本申请的一些实施例中，如图9，图9为本申请实施例中食品品质评判模块的结构示意图，所述食品品质评判模块606包括Z-Score标准化算法单元606a、食品成品品质分类单元606b。
在本申请的一些实施例中，所述Z-Score标准化算法单元606a用于获取分步评分指标集中元素的平均值和标准差，具体的公式为
其中，δ为分步评分指标集元素对应的待进行标准化的分量，z为分步评分指标集中不同元素，
为分步评分指标集中元素的平均值，σ为分步评分指标集中元素的标准差。
基于预设的算法公式
对所有分量δ，求平均值获取到统一的量值ω。
在本申请的一些实施例中，所述食品成品品质分类单元606b用于基于预设产品质量分类表和所述统一的量值，判断所述食品成品的等级分类。
本申请实施例所述的工厂化食品安全生产监控装置，通过启动中心监控模型和原料来源控制模型，对生产原料来源进行采购监控，一定程度上提高了食品生产原料的来源以及质量；在进行加工生产之前，对获取的待进行加工的食品原料，进行品质级别确定，并预测食品成品的品质级别，通过对每一种待加工的食品原料，分别进行品质级别确定，最后进行加权和累加处理，获取所有待加工食品原料对应的食品成品的预测指标值θ，通过食品成品的预测指标值θ，在一定程度上有效规避了食品成品品质的不合格情况；判断食品成品的预测品质级别是否满足预设的阈值，若满足，则进行加工生产，选择食品成品的预测品质级别足预设的阈值的进行加工，有效剔除了不同来源的食品原料在生产组合上，盲目匹配，导致食品质量较低的问题；在进行加工生产的整个流程中，获取每一个分步的工艺流程步骤完成时的评分指标值；综合评判食品成品的完成质量，对食品成品进行不同等级的分类，并将分类结果发送到中心监控模型，完成食品安全生产监控，对每一个分步的工艺流程，分别在分步完成时，进行评分，最后综合获取食品成品的完成质量，并进行不同等级的品质分类，进一步提高了食品成品的质量安全。本申请能够从生产工艺整体上对食品的生产进行有效监控，提高食品质量的合格性。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图10，图10为本实施例计算机设备基本结构框图。
所述计算机设备10包括通过系统总线相互通信连接存储器10a、处理器10b、网络接口10c。需要指出的是，图中仅示出了具有组件10a-10c的计算机设备10，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field-Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器10a至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器10a可以是所述计算机设备10的内部存储单元，例如该计算机设备10的硬盘或内存。在另一些实施例中，所述存储器10a也可以是所述计算机设备10的外部存储设备，例如该计算机设备10上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。当然，所述存储器10a还可以既包括所述计算机设备10的内部存储单元也包括其外部存储设备。本实施例中，所述存储器10a通常用于存储安装于所述计算机设备10的操作系统和各类应用软件，例如工厂化食品安全生产监控方法的程序代码等。此外，所述存储器10a还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器10b在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器10b通常用于控制所述计算机设备10的总体操作。本实施例中，所述处理器10b用于运行所述存储器10a中存储的程序代码或者处理数据，例如运行所述工厂化食品安全生产监控方法的程序代码。
所述网络接口10c可包括无线网络接口或有线网络接口，该网络接口10c通常用于在所述计算机设备10与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储有工厂化食品安全生产监控程序，所述工厂化食品安全生产监控程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的工厂化食品安全生产监控方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (10)
1.一种工厂化食品安全生产监控方法，其特征在于，包括下述步骤：
启动预设的中心监控模型和预设的原料来源控制模型，并基于预设的食品原料来源对照集和采购人员通过采购控制终端输入的实时采购信息，进行轮询，判断所述实时采购信息与所述食品原料来源对照集是否满足∈关系，若不满足，则不进行采购；
若所述实时采购信息与所述食品原料来源对照表满足∈关系，则进行采购，并基于预设的区别建档模型，进行食品原料分区储存；
在进行加工生产之前，对获取的待进行加工的食品原料，基于预设的食品原料评分算法模型和所述采购信息，获取每一种待进行加工原料的品质级别，并基于预设的食品品质预测模型，预测所述食品成品的品质级别；
基于预设的生产启动判断模型和预设的品质级别等级，获取食品成品的预测品质级别是否满足预设的阈值，若满足，则向加工生产终端发送启动生产的指令进行加工生产，否则，向加工生产终端发送原料组合不达标的指令；
在进行加工生产的整个流程中，基于预设的评分方式模型集中不同的分步评分模型，获取食品成品在每一个分步的工艺流程步骤完成时的评分指标值，生成分步评分指标集；
基于预设的标准化算法模型和所述分步评分指标集，综合评判所述食品成品的完成质量，基于预设的产品质量分类模型，对所述食品成品进行不同等级的分类，获取食品成品分类结果；
将上述步骤中的食品原料采购结果、食品原料分区储存结果、原料的品质级别判断结果、食品成品的品质级别预测结果、分步评分指标集、食品成品分类结果都实时发送到中心监控模型，完成工厂化食品安全生产监控。
2.根据权利要求1所述的工厂化食品安全生产监控方法，其特征在于，所述采购控制终端包括：可随身携带的能够将采购信息输入的装置，如手机，电脑等，且能将所述采购信息实时发送到远端预设的原料来源控制模型。
3.根据权利要求2所述的工厂化食品安全生产监控方法，其特征在于，所述判断所述实时采购信息与所述食品原料来源对照集是否满足∈关系包括：
所述实时采购信息中包含食品原料的产地信息和预设的分类等级信息；
若所述食品原料来源对照集中存在信息与所述实时采购信息相同，则满足∈关系，即被包含关系。
4.根据权利要求3所述的工厂化食品安全生产监控方法，其特征在于，所述基于预设的区别建档模型，进行食品原料分区储存包括步骤如下：
获取实时采购信息并进行解析，解析出食品原料的产地信息和预设的分类等级信息；
基于预设的分区储存表，将所述食品原料放入不同的分区进行储存。
其中，所述预设的分区储存表对应工厂中预设的食品原料的不同储存区域。
5.根据权利要求4所述的工厂化食品安全生产监控方法，其特征在于，所述基于预设的食品原料评分算法模型和所述采购信息，获取每一种待进行加工原料的品质级别包括：
基于预先根据不同的产地设定的食品原料第一指标表，获取每一种待进行加工原料的第一指标φ1 ，生成待加工原料第一指标集合
基于预先根据不同的预设的分类等级信息设定的食品原料第二指标表，获取每一种待进行加工原料的第二指标φ2 ，生成待加工原料第二指标集合
其中，所述第一指标集合
和所述第二指标集合
分别有序，且第一指标集合
和第二指标集合
中的相同下标的元素对应同一种待进行加工原料；
基于预设的食品原料评分算法模型，分别依次获取第一指标集合
和第二指标集合
中相同下标的元素，进行加权计算，获取计算结果，生成待加工原料的加权指标集合Listφ ；
基于预设的食品原料品质级别阈值和预设的食品原料品质级别阈值对应的食品原料品质级别，判断所述加权指标集合Listφ 中元素对应的食品原料品质级别。
6.根据权利要求5所述的工厂化食品安全生产监控方法，其特征在于，所述基于预设的食品品质预测模型，预测所述食品成品的品质级别包括：
获取所述加权指标集合Listφ 中元素对应的品质级别，进行累加运算，获取累加结果，将所述累加结果作为食品成品的预测指标值θ；
基于预设的食品成品预测指标阈值和预设的所述食品成品预测指标阈值对应的食品成品品质级别，判断所述食品成品的预测指标值对应的食品成品品质级别。
7.根据权利要求6所述的工厂化食品安全生产监控方法，其特征在于，所述基于预设的标准化算法模型和所述分步评分指标集，综合评判所述食品成品的完成质量具体包括：
基于Z-Score标准化算法，将所述分步评分指标集元素作为待进行标准化的分量，通过计算获取统一的量值，将所述统一的量值作为食品成品的完成质量。
8.一种工厂化食品安全生产监控装置，其特征在于，包括：
原料采购控制模块，用于启动预设的中心监控模型和预设的原料来源控制模型，并基于预设的食品原料来源对照集和采购人员通过采购控制终端输入的实时采购信息，进行轮询，判断所述实时采购信息与所述食品原料来源对照集是否满足∈关系，若不满足，则不进行采购；
原料区别储存模块，用于若所述实时采购信息与所述食品原料来源对照表满足∈关系，则进行采购，并基于预设的区别建档模型，进行食品原料分区储存；
食品品质预测模块，用于在进行加工生产之前，对获取的待进行加工的食品原料，基于预设的食品原料评分算法模型和所述采购信息，获取每一种待进行加工原料的品质级别，并基于预设的食品品质预测模型，预测所述食品成品的品质级别；
食品加工启动模块，用于基于预设的生产启动判断模型和预设的品质级别等级，获取食品成品的预测品质级别是否满足预设的阈值，若满足，则向加工生产终端发送启动生产的指令进行加工生产，否则，向加工生产终端发送原料组合不达标的指令；
生产工艺分步评分模块，用于在进行加工生产的整个流程中，基于预设的评分方式模型集中不同的分步评分模型，获取食品成品在每一个分步的工艺流程步骤完成时的评分指标值，生成分步评分指标集；
食品品质评判模块，用于基于预设的标准化算法模型和所述分步评分指标集，综合评判所述食品成品的完成质量，基于预设的产品质量分类模型，对所述食品成品进行不同等级的分类，获取食品成品分类结果；
中心监控模块，用于将上述步骤中的食品原料采购结果、食品原料分区储存结果、原料的品质级别判断结果、食品成品的品质级别预测结果、分步评分指标集、食品成品分类结果都实时发送到预设中心监控模型，完成工厂化食品安全生产监控。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的工厂化食品安全生产监控方法的步骤。
10.一种非易失性计算机可读存储介质，其特征在于，所述非易失性计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的工厂化食品安全生产监控方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010583975.7A CN111695743B (zh) | 2020-06-23 | 2020-06-23 | 工厂化食品安全生产监控方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010583975.7A CN111695743B (zh) | 2020-06-23 | 2020-06-23 | 工厂化食品安全生产监控方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111695743A true CN111695743A (zh) | 2020-09-22 |
| CN111695743B CN111695743B (zh) | 2024-04-05 |
Family
ID=72482930
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010583975.7A Active CN111695743B (zh) | 2020-06-23 | 2020-06-23 | 工厂化食品安全生产监控方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111695743B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113554524A (zh) * | 2021-07-29 | 2021-10-26 | 重庆允成互联网科技有限公司 | 基于工业互联网的生产智能监控方法、系统及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9230225B2 (en) * | 2011-11-30 | 2016-01-05 | International Business Machines Corporation | Product quality tracing to locate unsafe product material |
| CN105320106A (zh) * | 2014-09-11 | 2016-02-10 | 赵扬喆 | 一种药品生产监控系统和方法 |
| CN107219827A (zh) * | 2017-05-02 | 2017-09-29 | 华中农业大学 | 稻米食品全产业链信息系统、建立方法及应用 |
| CN109242341A (zh) * | 2018-09-29 | 2019-01-18 | 中国农业科学院农产品加工研究所 | 基于苹果原料指标预测果汁综合品质的方法 |
| CN109325626A (zh) * | 2018-09-29 | 2019-02-12 | 中国农业科学院农产品加工研究所 | 基于苹果原料指标预测干制品综合品质的方法 |
| CN109409579A (zh) * | 2018-09-29 | 2019-03-01 | 中国农业科学院农产品加工研究所 | Bp人工神经网络预测原料加工适宜性的方法 |
| CN111103420A (zh) * | 2019-11-20 | 2020-05-05 | 华东理工大学 | 一种原料不确定下的酚醛树脂产品质量预测方法 |
-
2020
- 2020-06-23 CN CN202010583975.7A patent/CN111695743B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9230225B2 (en) * | 2011-11-30 | 2016-01-05 | International Business Machines Corporation | Product quality tracing to locate unsafe product material |
| CN105320106A (zh) * | 2014-09-11 | 2016-02-10 | 赵扬喆 | 一种药品生产监控系统和方法 |
| CN107219827A (zh) * | 2017-05-02 | 2017-09-29 | 华中农业大学 | 稻米食品全产业链信息系统、建立方法及应用 |
| CN109242341A (zh) * | 2018-09-29 | 2019-01-18 | 中国农业科学院农产品加工研究所 | 基于苹果原料指标预测果汁综合品质的方法 |
| CN109325626A (zh) * | 2018-09-29 | 2019-02-12 | 中国农业科学院农产品加工研究所 | 基于苹果原料指标预测干制品综合品质的方法 |
| CN109409579A (zh) * | 2018-09-29 | 2019-03-01 | 中国农业科学院农产品加工研究所 | Bp人工神经网络预测原料加工适宜性的方法 |
| CN111103420A (zh) * | 2019-11-20 | 2020-05-05 | 华东理工大学 | 一种原料不确定下的酚醛树脂产品质量预测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113554524A (zh) * | 2021-07-29 | 2021-10-26 | 重庆允成互联网科技有限公司 | 基于工业互联网的生产智能监控方法、系统及存储介质 |
| CN113554524B (zh) * | 2021-07-29 | 2022-09-23 | 重庆允成互联网科技有限公司 | 基于工业互联网的生产智能监控方法、系统及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111695743B (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110825957B (zh) | 基于深度学习的信息推荐方法、装置、设备及存储介质 | |
| US11327989B2 (en) | Multi-dimensional industrial knowledge graph | |
| CN106779867B (zh) | 基于上下文感知的支持向量回归推荐方法及系统 | |
| WO2020113673A1 (zh) | 一种基于多组学集成的癌症亚型分类方法 | |
| CN108108743B (zh) | 异常用户识别方法和用于识别异常用户的装置 | |
| WO2018130201A1 (zh) | 确定关联账号的方法、服务器及存储介质 | |
| CN110580278B (zh) | 根据用户画像的个性化搜索方法、系统、设备及存储介质 | |
| CN103744917B (zh) | 混合推荐方法及系统 | |
| CN114329201B (zh) | 深度学习模型的训练方法、内容推荐方法和装置 | |
| WO2021147559A1 (zh) | 业务数据质量检测方法、装置、计算机设备及存储介质 | |
| CN110717806B (zh) | 产品信息推送方法、装置、设备及存储介质 | |
| WO2024067387A1 (zh) | 基于特征变量评分的用户画像生成方法，设备、汽车及存储介质 | |
| CN109241442B (zh) | 基于预测值填充的项目推荐方法、可读存储介质和终端 | |
| CN113033090A (zh) | 推送模型训练方法、数据推送方法、装置及存储介质 | |
| CN111695024A (zh) | 对象评估值的预测方法及系统、推荐方法及系统 | |
| CN111105297A (zh) | 一种信息推送方法与相关装置 | |
| CN112463773A (zh) | 数据质量确定方法及装置 | |
| CN112861895B (zh) | 一种异常物品的检测方法和装置 | |
| CN111695743B (zh) | 工厂化食品安全生产监控方法、装置、设备及存储介质 | |
| CN112395351A (zh) | 可视化的识别群诉风险方法、装置、计算机设备及介质 | |
| CN110895781A (zh) | 菜品类别推荐方法、装置、电子设备及存储介质 | |
| CN110879821A (zh) | 评分卡模型衍生标签生成方法、装置、设备及存储介质 | |
| CN115972639A (zh) | 光扩散板制备系统控制方法、装置、设备及存储介质 | |
| CN115392361A (zh) | 一种智能排序方法、装置、计算机设备及存储介质 | |
| CN104636489B (zh) | 描述属性数据的处理方法和装置 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wei Zongfeng Inventor after: Shao Ying Inventor after: Xia Nan Inventor after: Zhang Konghai Inventor after: Chen Yalan Inventor after: Wang Ziwei Inventor after: Li Fei Inventor after: Cheng Wei Inventor before: Shao Ying Inventor before: Xia Nan Inventor before: Zhang Konghai Inventor before: Chen Yalan Inventor before: Wang Ziwei Inventor before: Li Fei Inventor before: Wei Zongfeng Inventor before: Cheng Wei |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |