CN112785461A - 食品安全数据监管集成方法 - Google Patents
食品安全数据监管集成方法 Download PDFInfo
- Publication number
- CN112785461A CN112785461A CN202110157622.5A CN202110157622A CN112785461A CN 112785461 A CN112785461 A CN 112785461A CN 202110157622 A CN202110157622 A CN 202110157622A CN 112785461 A CN112785461 A CN 112785461A
- Authority
- CN
- China
- Prior art keywords
- supervision
- inspection
- food
- data
- results
- 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.)
- Pending
Links
- 235000013305 food Nutrition 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000010354 integration Effects 0.000 title claims abstract description 21
- 231100000279 safety data Toxicity 0.000 title claims abstract description 21
- 238000007689 inspection Methods 0.000 claims abstract description 65
- 238000005516 engineering process Methods 0.000 claims abstract description 28
- 238000007418 data mining Methods 0.000 claims abstract description 22
- 238000012937 correction Methods 0.000 claims abstract description 5
- 238000007726 management method Methods 0.000 claims description 20
- 238000007637 random forest analysis Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012552 review Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 235000021393 food security Nutrition 0.000 abstract 1
- 238000003066 decision tree Methods 0.000 description 13
- 238000002474 experimental method Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000004744 fabric Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000012631 food intake Nutrition 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 101100517651 Caenorhabditis elegans num-1 gene Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000013410 fast food Nutrition 0.000 description 1
- 235000015219 food category Nutrition 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种食品安全数据监管集成方法，包括：依据区块链技术和数据挖掘技术实现动态监督，通过数据挖掘分析日常检查内容，为检查结果提供参考，并最终将检查结果、任务结果和整改信息存储到超级账本中。本申请实施例提供的食品安全数据监管集成方法，利用区块链内的上链信息结合数据挖掘技术，通过分析区块链中已有的监管信息，能够帮助监管人员提供预判，缩小应检必检的餐饮单位范围，便于制定详尽合理的监管策略，降低监管人员的工作量，从而达到利用机器替代人工的目的。
Description
技术领域
本申请涉及区块链技术领域，具体涉及一种食品安全数据监管集成方法。
背景技术
随着世界各国食品产业的发展，食品安全问题越来越受到人们的关注。食品安全供应链需要在供应链各个环节加强安全管理，保证食品安全信息能够集成、共享。近年来，网络订餐平台开始兴起。网络订餐平台的食品安全监管也存在部分问题，如商户证照上传不全、虚假填报经营地址、经营不在许可范围内的产品、许可证过期、食品生产环境条件差、贮存能力不足及物流运输方式不达标等。线上交易的监管不到位，会诱发恶意投诉，导致成本增加。区块链公开透明、无法篡改、方便追溯等技术优势为食品供应链的安全提供了保障。然而，食品交易中的上链供给侧种类多、业务杂，监督管理人员难以制定一个统一的模板对上链节点进行安全评估。
发明内容
本申请的目的是提供一种食品安全数据监管集成方法。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
根据本申请实施例的一个方面，提供一种食品安全数据监管集成方法，包括数据挖掘。
进一步地，所述方法包括：依据区块链技术和数据挖掘技术实现动态监督，通过数据挖掘分析日常检查内容，为检查结果提供参考，并最终将检查结果、任务结果和整改信息存储到超级账本中。
进一步地，所述方法包括：通过收集区块链上的智能合约的检查项结果，利用随机森林机器学习模型直接分析监督管理人员采集到的检查项结果，最后反馈分析结果。
根据本申请实施例的另一个方面，提供一种食品安全数据监管集成方法，其特征在于，包括：分析区块链中已有的监管信息；接收上传的决策和检查结果。
进一步地，所述监管信息包括食品流通企业经营食品品类、食品来源、运输物流信息、索证索票、食品检验检疫、食品流向、企业名称、经营范围、生产经营许可证、法人代表、营业执照、企业详细地址、联系人和联系方式。
进一步地，所述方法还包括：根据整改复查的结果，自动汇集检查模板表中不通过的检查项，并汇集整改意见和法律法规文件。
进一步地，所述方法还包括：接收整改后的图片、视频材料。
根据本申请实施例的另一个方面，提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现上述的食品安全数据监管集成方法。
根据本申请实施例的另一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以实现上述的食品安全数据监管集成方法。
本申请实施例的其中一个方面提供的技术方案可以包括以下有益效果：
本申请实施例提供的食品安全数据监管集成方法，利用区块链内的上链信息结合数据挖掘技术，通过分析区块链中已有的监管信息，能够帮助监管人员提供预判，缩小应检必检的餐饮单位范围，便于制定详尽合理的监管策略，降低监管人员的工作量，从而达到利用机器替代人工的目的。
本申请的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者，部分特征和优点可以从说明书中推知或毫无疑义地确定，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，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为食品溯源网络架构图；
图2为基于区块链的食品安全数据监管集成模型示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本申请做进一步说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
本申请的一个实施例提供了一种食品安全数据监管集成方法。
供给侧背景下食品安全监管的关键在于从根本上杜绝食品安全事件的发生。区块链技术是近年来在计算机技术基础上发展，可以在不同应用场景下广泛使用的一种典型分布式账本技术，通过共识机制、智能合约等手段支持数据验证、共享、计算、存储等功能，受到了工业界人士的推崇。基于区块链的食品溯源系统充分利用区块链和数据挖掘技术，形成一个覆盖面广的信息监管系统。本申请实施例在食品溯源系统的场景下，提出一种基于区块链的食品安全数据监管集成模型(EgoSF)，目的是利用区块链获得可溯源的、不可篡改的安全监管数据，结合数据挖掘技术充分挖掘安全监管数据的隐含信息，以此来提升监管质量和效率。
EgoSF是一个基于区块链的食品安全数据监管模型，结合机器学习方法对不可篡改的上链信息进行分析，从而监督管理人员的工作量得以降低、工作效率获得提升、工作质量有所保障。主要体现在工作人员能在节省人力、物力的情况下更高质量的完成工作，EgoSF为食品安全监管提供了有力保障。伴随着人们对食品安全的关注度提升，基于区块链的食品溯源体系逐步完善，在食品流通中产生的数据收集到区块链中存储，经过数据挖掘技术再对数据进行加工使用，并保证食品安全监管数据的不可篡改。EgoSF借助人工智能技术和区块链技术提出的一种监管新模式，保证食品安全。监管人员能够综合被检查单位的实际场地情况与历史数据、溯源情况、供货商资质证照信息等对被检查单位进行全面了解，并参考人工智能算法分析的结果更好的开展执法行动。
数据分析与决策是大数据处理技术的重要内容，它和数据感知与采集、数据存储与建模、数据应用共同组成了大数据体系。选择合适的计算框架和数据挖掘方法构建领域数据分析模型，通过分析存储系统中的数据能更好地理解用户需求。
区块链是一种分布式数据存储账本，用于数据溯源并确保数据不可篡改。而数据的可溯源和不可篡改可以提升知识的有效性，通过数据挖掘技术处理这种高质量的数据，能够挖掘出更多具有现实指导意义的隐式规律。为了更好地结合区块链和数据挖掘技术，区块链技术需要克服吞吐量低和泛化能力差的缺点。目前的公有链交易效率低，而联盟链可以很好地解决效率问题。
本申请实施例提出了一个基于超级账本技术和数据挖掘技术的食品安全监管集成模型，应用于食品溯源系统中以加强食品安全监管的有效性和高效性。具体地，通过收集区块链上的智能合约监督管理人员的检查项结果，利用随机森林(RF，Random Forest)机器学习模型直接分析监督管理人员采集到的检查项结果，最后将分析结果反馈给监督管理人员参考。通过应用本模型，监督管理人员可以对模板内的企业进行一轮初筛，选择潜在的具有隐患的企业进行实地检查，监督管理人员需要对自己在检查和打分过程中的行为负责，筛查和检查结果均记录到区块链当中，保证数据的安全不可篡改，为食品安全的监管提供保障。同时应用机器学习的方法可以通过学习以往的检查结果为当前检查任务提供参考。与传统方法相比，本模型通过对监督过程的记录提高了监督管理人员责任意识，同时大大降低了监督管理人员的工作量，实现了食品安全监管效率和监管质量的提升。
食品溯源系统
采用大数据、区块链技术提供食用农产品流通溯源解决方案。食品溯源系统通过“互联网+”食品安全的模式创新，利用区块链技术将食品供应链涉及到的市场监管局运营方、批发市场、农场、屠宰场、企业餐厅、学校餐厅、餐饮企业、消费者等食品消费的参与主体连接起来，形成职能部门监管、餐饮企业自我约束、食品检测技术支持、消费者参与的新型综合治理模式。在形成食品安全社会共同治理的基础上，每一类参与者节点各司其责、互为补充，促进食品安全信息在食品消费流通活动的主体中合理流动，及时的进行风险等级预警，预防食品安全问题发生，保证食品安全过程可追溯。食品溯源系统例如可以是阳光易购食品溯源系统。
如图1所示，该系统依托于Hyperledger Fabric 2.0，Fabric 2.0为联盟链各个组织提供BAAS服务。根据参与者在供应链中的角色与职能，将节点分为用户参与方节点和管理员参与方节点。用户参与方节点上链需要上传包括企业经营范围、经营地点等信息，获得公钥和私钥后可进入区块链网络进行营业活动。食品交易信息保存在区块链中，根据节点属性的不同，节点拥有不同的信息访问权限。此外，食品供应链的服务规则由智能合约定义并存储在区块链中，任何单一节点组织都没有权限修改服务规则和交易信息的数据，以保证数据的可靠性和有效性。若要改变食品供应链的服务规则，需要向参与食品供应链的全部节点进行广播并且由政府职能机构核实确认。
基于区块链的食品安全数据监管集成模型
本申请实施例设计了一种结合基于去中心化的Hyperledger Fabric 2.0和基于集成学习随机森林的食品安全数据监管模型，如图2所示，本模型主要依据区块链技术和数据挖掘技术实现动态监督，通过数据挖掘技术分析日常检查内容，为检查结果提供参考，并最终将检查结果、任务结果和整改信息存储到超级账本中。本模型应用在食品溯源系统中的食品安全监测管理模块，通过应用本模型能够在确保食品安全监管质量的基础上节省人力成本。
食品安全监管数据挖掘
数据集是监督管理人员对企业进行检查后保存在区块链中的数据。以对食品流通经营主体现场检查记录模板过往的巡检数据为例，如表1所示，原始的数据集主要有3646条ID唯一的数据，检查结果为0、1、2的整数，0代表优秀，1代表合格，2代表不合格；每个任务有35个属性，分别代表35个检查项，属性值1代表合格，0代表不合格，空值代表此任务没有进行该项检查。
表1 部分检查数据
本实验将预测结果的准确率(precision)、召回率(recall)和F1(F-measure)作为评价模型性能的指标，已检验模型为监督管理人员提供的决策的有效性。其中，准确率p是指任务结果预测正确的样本数与模型预测为正例的总样本数的比例，如公式(1)所示：
p＝TP/(FP+FP) (1)
召回率r是指任务结果预测正确的样本数与任务结果为真实正例的总样本数的比例，如公式(2)所示：
r＝TP/(TP+FN) (2)
F1指标是依据准确率和召回率综合得出的一种评价指标，如公式(3)所示：
F1＝(2×p×r)/(p+r) (3)
其中，TP是正类预测正确的样本数，FN是正类未能被正确预测的样本数，FP是错误的预测为正类的样本数。
随机森林
随机森林是一种在决策树(DT，Decision Tree)算法的基础上改进而得到算法，可以进行分类实验并给出预测结果，随机森林的特点是简单高效。
决策树是一种基于归纳学习的树状分类器，通过在训练数据中归纳规则来推导任务的结论用于决策。决策树是由节点和分支组成的，节点代表属性，每个决策树可以根据不同的分裂策略进行分支，分支的过程也可以理解为利用部分属性进行简单的分类。为了确保在一个决策树中根节点到叶子节点的路径唯一，每一个特征属性在一个决策树中最多出现在一个决策树节点。一般情况下决策树的准确率高，而且决策过程相比于神经网络更容易理解，但是当数据维度较高时，决策树性能会出现瓶颈。
决策树算法易受噪声和异常值的影响，而随机森林可以有效的解决这一问题。随机森林在处理复杂数据时便于模型扩展，还可以提高并行性。此外，随机森林和决策树相同，都是可以根据样本信息直接设计分类器，不需要消耗大量时间进行迭代学习先验知识来训练模型参数。
实验与结果分析
考虑到在食品溯源的真实场景中，不同的任务有不同的检查项没有参与日常巡检测评，但对检查任务结果有一定影响。本节实验均在食品流通经营主体现场检查记录模板的数据上进行，最后随机选取了三个模板进行验证，以确保模型具有较好的泛化能力。
表2 数据挖掘实验
实验对缺失值分别进行0、1、均值补全的操作后，划分训练集和测试集，采用随机森林的方法进行预测。结果如表2所示，在不添加实验控制条件时通过应用随机森林算法能有效的预测检查任务结果，精确度能够达到97.27％，但召回率和F1值较低，仅为51.6％和55.92％。分析1号模板数据，发现可供学习的数据的检查结果94.84％为0(检查结果优秀)，说明模板内的数据不平衡。通过在随机森林模型中引入平衡权重，召回率提升了37.26％，F1值提升了23.42％。进一步挖掘模板数据信息，发现检查项的属性值0和1的数量，与检查结果相关，增加num_0和num_1两列属性。实验结果表明，加入num_0属性准确率提升0.33％，召回率提升1.96％，F1值提升0.89％。
在食品安全场景下，不同的检查项对检查任务结果的影响程度不同。本申请实施例对所有特征进行特征重要性排序，num_0属性重要性排名第一，部分特征重要性排名如表3所示。
表3 特征重要性TOP5
其中，1943代表是否在显著位置悬挂或摆放食品流通或食品经营许可证；1945代表是否配备专职或兼职的食品安全管理人员并在显著位置公示其姓名、联系方式等信息，是否履行相关职责；1942代表是否不存在未经许可改变许可事项、擅自出租、转让转借许可证的现象；1971代表是否无销售假冒伪劣、五无食品、过期变质等食品违法的行为；是否无销售未经检验或者检验不合格的食品。
表4 特征选择实验
在进行特征重要性度量之后，通过取前10个特征、前20个特征和取全部特征进行对比实验，如表4所示，取全部特征时实验结果最好。
此外，本申请实施例的对比实验还包括在空值填充为均值，增加平衡权重和sum_0属性的全部特征条件下的决策树、SVM、线性回归模型(LR，Linear Regression)的实验。如表5所示，全部数据属性应用随机森林方法的实验结果最佳，这与随机森林的集成属性有关。
表5 模型对比实验
4.2基于区块链的食品安全数据监管集成模型
4.2.1监管信息
系统中的食品安全数据，即监管的基本信息包括食品流通企业经营食品品类、食品来源、运输物流信息、索证索票、食品检验检疫、食品流向、企业名称、经营范围、生产经营许可证、法人代表、营业执照、企业详细地址、联系人、联系方式等信息，基本信息在流通环节中的追溯是联通食品生产与消费的关键步骤，对食品安全监管的完整性与实用性起着重要作用。
4.2.2日常巡检管理
日常巡检管理包含动态监督和量化评分。
(1)动态监督。工作人员进入日常监管的发布任务模块。通过输入监督单位名称，许可证号等信息，查询相关企业。系统将自动提取相关企业的名称、地址、法人代表、电话号码、经营许可证号、经营许可类别等信息。
(2)日常检查项管理。监督执法人员通过系统后台，依据相关法律法规对日常检查项及对应评判标准进行判定操作，该检查项根据实际情况判定合格或不合格。
(3)现场执法出证。监督执法人员在抽查或巡检过程中发现不合格情况，可以通过拍照、录制音频或视频进行现场取证，相关影音文本资料信息会通过系统平台保留存证。
(4)日常巡检结果出具
a.监督执法人员日常巡检过程中将依据设置好的日常检查项对具体执法对象进行检查，并填写相应电子表单；
b.系统根据设置标准与提交的实际检查表单数据，对比出具相应的检查结果。其结果为：合格、不合格、整顿；
c.监督执法人员对系统自动生成检查结果修正确认后向对应执法对象出具检查结果。同时系统自动提交检查结果至后台保存留档。
4.2.3整改复查管理
整改复查管理是日常巡检管理的延伸功能，在日常巡检管理中检查结果为整改时将自动创建整改复查任务，自动与日常巡检任务进行关联。
(1)发送整改通知。工作人员在日常检查结果中判断为整改复查，系统自动汇集检查模板表中不通过的检查项，并汇集整改意见和法律法规文件。工作人员可以调整这些信息，以及整改日期，通过微信消息发给相关餐饮企业，并且将该条整改复查任务重新指派给相关工作人员。
(2)上传整改结果。餐饮企业收到微信消息后，根据检查意见，在规定时间内在系统中上传整改后的图片、视频材料。工作人员不用再去现场复查，通过系统接收到整改的结果，根据相应法律法规，判断此次整改任务为合格或重新整改。当为合格时整改任务结束；当为重新整改时，将流转至步骤(1)，重新发送整改通知。
4.2.4模型评估
以随机森林的最优参数方法，基于食品溯源系统的不同监管模板进行测试，如表6所示，在各模板的数据上均取得了较好效果，证明EgoSF有较强的泛化实用性，能应用于不同的监管模版。
表6 模板实验
说明：(1.食品日常销售检查要点模板；2.小型餐馆、快餐店、饮品店、小吃店日常监督检查模板；3.食品流通经营主体现场检查记录模板；4.餐饮服务日常监督检查要点模板)
本申请实施例的方法针对基于区块链的食品溯源系统存在监管效率低的问题，利用区块链内的上链信息结合数据挖掘技术分析了监管模板，提出了基于区块链的食品安全数据监管集成模型。通过分析区块链中已有的监管信息，能够帮助监管人员提供预判，缩小应检必检的餐饮单位范围，便于制定详尽合理的监管策略，降低监管人员的工作量，从而达到利用机器替代人工的目的。同时接收监管人员上传的决策和检查结果，以规范工作人员的检查质量，迭代式提升技术分析的准确性。本模型继承了随机森林算法的特点，具有高鲁棒性，响应速度快，能泛化应用于不同的监管场景，能够为监督管理人员的工作提供决策和支持。
需要说明的是：
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。
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。除非本实施例中有明确的说明，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。
以上所述实施例仅表达了本申请的实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (9)
1.一种食品安全数据监管集成方法，其特征在于，包括数据挖掘。
2.根据权利要求1所述的方法，其特征在于，所述方法包括：依据区块链技术和数据挖掘技术实现动态监督，通过数据挖掘分析日常检查内容，为检查结果提供参考，并最终将检查结果、任务结果和整改信息存储到超级账本中。
3.根据权利要求1所述的方法，其特征在于，所述方法包括：通过收集区块链上的智能合约的检查项结果，利用随机森林机器学习模型直接分析监督管理人员采集到的检查项结果，最后反馈分析结果。
4.一种食品安全数据监管集成方法，其特征在于，包括：分析区块链中已有的监管信息；接收上传的决策和检查结果。
5.根据权利要求4所述的方法，其特征在于，所述监管信息包括食品流通企业经营食品品类、食品来源、运输物流信息、索证索票、食品检验检疫、食品流向、企业名称、经营范围、生产经营许可证、法人代表、营业执照、企业详细地址、联系人和联系方式。
6.根据权利要求4所述的方法，其特征在于，所述方法还包括：根据整改复查的结果，自动汇集检查模板表中不通过的检查项，并汇集整改意见和法律法规文件。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：接收整改后的图片、视频材料。
8.一种电子设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-7中任一所述的方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110157622.5A CN112785461A (zh) | 2021-02-05 | 2021-02-05 | 食品安全数据监管集成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110157622.5A CN112785461A (zh) | 2021-02-05 | 2021-02-05 | 食品安全数据监管集成方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112785461A true CN112785461A (zh) | 2021-05-11 |
Family
ID=75760909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110157622.5A Pending CN112785461A (zh) | 2021-02-05 | 2021-02-05 | 食品安全数据监管集成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112785461A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113505823A (zh) * | 2021-07-02 | 2021-10-15 | 中国联合网络通信集团有限公司 | 供应链安全分析方法及计算机可读存储介质 |
| CN113689070A (zh) * | 2021-07-15 | 2021-11-23 | 阳光易购(湖南)科技有限公司 | 食品安全在线监管方法及装置、存储介质、计算机设备 |
| CN113887977A (zh) * | 2021-10-12 | 2022-01-04 | 杭州畅鸿信息技术有限公司 | 一种基于区块链技术的食品药品质量安全追溯方法及系统 |
-
2021
- 2021-02-05 CN CN202110157622.5A patent/CN112785461A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113505823A (zh) * | 2021-07-02 | 2021-10-15 | 中国联合网络通信集团有限公司 | 供应链安全分析方法及计算机可读存储介质 |
| CN113505823B (zh) * | 2021-07-02 | 2023-06-23 | 中国联合网络通信集团有限公司 | 供应链安全分析方法及计算机可读存储介质 |
| CN113689070A (zh) * | 2021-07-15 | 2021-11-23 | 阳光易购(湖南)科技有限公司 | 食品安全在线监管方法及装置、存储介质、计算机设备 |
| CN113689070B (zh) * | 2021-07-15 | 2023-10-24 | 阳光易购(湖南)科技有限公司 | 食品安全在线监管方法及装置、存储介质、计算机设备 |
| CN113887977A (zh) * | 2021-10-12 | 2022-01-04 | 杭州畅鸿信息技术有限公司 | 一种基于区块链技术的食品药品质量安全追溯方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112785461A (zh) | 食品安全数据监管集成方法 | |
| Carmona-Moreno et al. | Environmental strategies in Spanish hotels: contextual factors and performance | |
| Elzarka | Supply chain risk management: the lessons learned from the Egyptian revolution 2011 | |
| Hashim et al. | Modeling supply chain sustainability-related risks and vulnerability: Insights from the textile sector of Pakistan | |
| Zhang et al. | A traceability public service cloud platform incorporating IDcode system and colorful QR code technology for important product | |
| Blair et al. | The roles of standardization, certification, and assurance services in global commerce | |
| Wang et al. | Research on cooperation strategy of enterprises’ quality and safety in food supply chain | |
| Zhou et al. | The study on credit risk warning of regional listed companies in China based on logistic model | |
| Tokkozhina et al. | Multi-tier supply chain behavior with Blockchain technology: Evidence from a frozen fish supply chain | |
| Luo et al. | Evolutionary dynamics of health food safety regulatory information disclosure from the perspective of consumer participation | |
| Teniwut | Decision support system for increasing sustainable productivity on fishery agroindustry supply chain | |
| Geng et al. | Intelligent Prediction Mathematical Model of Industrial Financial Fraud Based on Data Mining | |
| Chung et al. | Impact of the livestock mandatory reporting act on the vertical price transmission within the beef supply chain | |
| Smith et al. | Illegal rural enterprise–developing a framework to help identify and investigate shadow infrastructures and illicit criminal networks | |
| Nikooy et al. | Assessment of the log smuggling causes in Caspian forests, north of Iran | |
| Caswell | Challenges in choosing the mix of public and private standards for food quality assurance | |
| Vikram et al. | Data mining tools and techniques: a review | |
| Jadi | Enhancing the monotoring system of sfda in Saudi markets | |
| Kamgang et al. | Responsible sourcing in the food industry: a scoping review | |
| Falck et al. | Resource" Data": Economic Benefts of Data Provision | |
| Xiao et al. | Research on the Construction of a Blockchain-Based Industrial Product Full Life Cycle Information Traceability System | |
| Susilo et al. | Empowering Communities in Sustainable Fishing Port Management: An Insight from Pondok Dadap Sendang Biru, Indonesia. | |
| Bahlmann et al. | The effect of institutional innovations on food chain governance: a case study on the shifting role of the German QS system from certification to supply chain coordination | |
| TWI854847B (zh) | 企業評等指標地圖建立方法與系統 | |
| Keogh et al. | Blockchain: an enabler for safe food in global supply networks |
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 |