CN114048987B - 一种用于畜禽产品中微生物的风险评估预警方法及系统 - Google Patents
一种用于畜禽产品中微生物的风险评估预警方法及系统 Download PDFInfo
- Publication number
- CN114048987B CN114048987B CN202111299862.5A CN202111299862A CN114048987B CN 114048987 B CN114048987 B CN 114048987B CN 202111299862 A CN202111299862 A CN 202111299862A CN 114048987 B CN114048987 B CN 114048987B
- Authority
- CN
- China
- Prior art keywords
- livestock
- data
- poultry
- risk
- poultry products
- 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.)
- Active
Links
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于畜禽产品中微生物的风险评估预警方法及系统,涉及农产品微生物监测技术领域,本发明针对畜禽养殖、屠宰生产、储存和流通销售等环节,以肉蛋奶中常见微生物监测数据为基础,通过微生物风险评估模型和数学运算以及预警阈值和预警方法,结合BP神经网络等计算机软件开发技术,构建了一套涵盖基础数据库、风险评估模型和风险预警决策三大模块,面向企业、监管和技术机构三类用户的可视化风险评估预警系统,以期利用该系统对畜禽产品中致病微生物对产品安全性的影响和生产链中风险关键控制点进行分析,同时对畜禽产品中微生物风险状况进行实时预警,从而为畜禽产品质量安全有效监管和风险防控能力提升提供技术支撑。
Description
技术领域
本发明涉及农产品微生物监测技术领域,特别是涉及一种用于畜禽产品中微生物的风险评估预警方法及系统。
背景技术
由畜禽产品中致病微生物引起的食源性疾病非常普遍,已成为世界范围内日益严重的公共卫生问题。畜禽源性致病微生物可以通过直接接触、间接接触以及相关的食物消费而在人与动物之间传播。生产过程中实施干预或控制微生物措施可以有效减少终端产品中的微生物污染,以确保畜禽产品质量与安全。畜禽产品生产过程中微生物风险管理已被国际权威组织纳入整个生产链卫生控制系统的一部分。因此,开展畜禽养殖和屠宰过程中重要食源性致病微生物风险评估和预警研究,将为畜禽产品致病微生物限量标准制定、安全控制体系建立和预警机制形成提供重要的科技支撑,具有十分重要的现实意义。
从农场到餐桌的微生物风险监测是实时掌握微生物污染状况的重要手段,它也可以阐明可能导致食源性疾病的风险因素,从而为公共卫生政策和干预措施制定提供依据。以微生物监测数据为基础的风险评估和预警可以及时有效地预防、减少和应对源自这些产品的食品安全事件,这也是改善公共卫生系统的当务之急。鉴于微生物风险监测、评估和预警的重要性,国内外相关机构陆续构建了一系列评估预警软件或在线工具,例如用于定量和定性风险评估的sQMRA和iRisk,以及用于风险预警RASFF等,并将它们应用于实际生产和消费中。在国内,一些实验室初步开展了畜禽产品中的微生物风险监测和评估,但目前尚没有相关软件或工具来对全生产链畜禽产品中微生物进行风险评估预警。
发明内容
针对现有问题,本发明的目的是以畜禽养殖和屠宰过程为切入点,以肉蛋奶中主要食源菌为对象,以监测数据为基础,通过风险评估和相关性分析等数学方法,构建了一套对畜禽养殖、屠宰过程微生物监测数据进行实时或系统风险评估和预警的体系,最终创建形成可视化软件操作平台,以期提升我国畜禽全生产链中微生物的风险管理,完善畜禽源性致病微生物的风险预警能力建设,保障畜禽产品质量安全。
为了实现上述目的,本发明提供了一种用于畜禽产品中微生物的风险评估预警方法,包括以下步骤:
数据收集阶段:采集畜禽产品的第一数据信息,以及畜禽产品的生产流程的第二数据信息和供应流程的第三数据信息,构建基础数据集,其中,第一数据信息用于表示畜禽产品含有的人兽共患食源性致病微生物信息以及畜禽产品的环境信息;
风险评估阶段:根据第一数据信息、第三数据信息,构建畜禽产品的微生物暴露评估模型,用于评估畜禽产品的生产后微生物污染情况;
根据第一数据信息、第二数据信息,构建关键控制点评估模型,用于评估畜禽产品在生产关键节点被微生物污染的概率;
根据微生物暴露评估模型,构建产品安全性评估模型,用于评估畜禽产品中致病微生物对消费者的致病概率;
风险预警阶段:基于第一数据信息、第二数据信息、第三数据信息,通过获取权威专家意见,采用德尔菲法,获取畜禽产品与致病微生物组合的危害可能性的定性和定量数据,并分别赋予致病微生物危害可能性不同级别分值;
根据畜禽产品与致病微生物组合的危害可能性的定性和定量数据对应的不同级别分值,结合致病微生物危害严重度分值,基于BP神经网络算法和风险矩阵,构建风险预警模型,用于提供畜禽产品中微生物不同的预警级别;
根据构建的产品安全性评估模型,获得产品在消费时所含致病微生物的致病概率,并根据致病概率评估风险预警等级。
优选地,在数据收集阶段,第三数据信息包括,
地区数据,用于表示畜禽养殖场、屠宰场和畜禽产品销售场所的地理位置数据;
供应链数据,用于表示畜禽养殖、屠宰加工、流通存贮以及销售消费的关系数据;
产品数据,用于表示畜禽食品数据、畜禽产品数据。
优选地,在数据收集阶段,第二数据信息包括生产规模数据、生产环境数据、生产存贮方式数据、产品接触环境中微生物污染状况数据。
优选地,在风险评估阶段,采集畜禽产品的微生物污染率,以及畜禽产品的单位质量或单位面积的污染量,与畜禽产品的产量,构建微生物暴露评估模型。
优选地,在无法获得定量数据时,则利用定性数据换算,污染量的定性数据换算模型为:
M=-(2.303/V)×lg(Nneg/Ntotal)
其中,V为样品的稀释倍数,Nneg为阴性样品数,Ntotal为样品总数。
优选地,致病微生物包括了沙门氏菌、致病性大肠杆菌、金黄色葡萄球菌、单核细胞增生李斯特菌、弯曲杆菌、产气荚膜梭菌、小肠结肠炎耶尔森菌。
优选地,在风险预警阶段,致病微生物危害严重度分值为国际食品微生物标准规定的致病微生物危害严重度分值。
优选地,预警级别包括极低风险、低风险、中风险、高风险、极高风险;通过将不同的颜色赋予不同的预警级别,用于提示畜禽产品的风险。
一种用于畜禽产品中微生物的风险评估预警系统,包括:
数据采集模块,用于采集畜禽产品的第一数据信息,以及畜禽产品的生产流程的第二数据信息和供应流程的第三数据信息,其中,第一数据信息用于表示畜禽产品含有的人兽共患食源性致病微生物信息以及畜禽产品的环境信息,
数据库模块,用于根据第一数据信息、第二数据信息、第三数据信息,构建基础数据集;
风险评估模块,用于评估畜禽产品的安全性和生产过程微生物污染风险关键控制点;
风险预警模块,用于根据风险评估模块的评估结果以及评估结果对应的风险矩阵,提供畜禽产品中微生物不同的预警级别;
显示模块,用于显示畜禽产品以及畜禽产品对应的安全性和预警级别。
优选地,风险评估模块包括,
生产后产品微生物污染评估模块,用于根据第一数据信息、第三数据信息,构建畜禽产品的微生物暴露评估模型,用于评估畜禽产品的生产后微生物污染情况;
生产关键节点微生物污染评估模块,用于根据第一数据信息、第二数据信息,构建关键控制点评估模型,用于评估畜禽产品在生产关键节点被微生物污染的概率;
产品安全性评估模块,用于根据微生物暴露评估模型、构建产品安全性评估模型,用于评估畜禽产品中致病微生物对消费者的致病概率。
本发明公开了以下技术效果:
本发明对畜禽产品中致病微生物对产品安全性的影响和生产链中风险关键控制点进行分析,同时对畜禽产品中微生物风险状况进行实时预警,从而为畜禽产品质量安全有效监管和风险防控能力提升提供技术支撑。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所述的畜禽养殖和屠宰环节微生物风险评估预警系统构建的技术路线;
图2为本发明实施例所述的畜禽产品微生物风险评估预警系统使用流程图;
图3为本发明实施例所述的屠宰环节猪肉中沙门氏菌相关产品安全性评估模拟结果;
图4为本发明实施例所述的某生猪屠宰场屠宰过程沙门氏菌暴露评估结果。
具体实施方式
下为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的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。
如图1-4所示,为更好地进行畜禽产品中微生物风险监管,构建一套覆盖畜禽产品全生产链的微生物风险监测评估和预警系统成为迫切需求。针对畜禽养殖、屠宰生产、储存和流通销售等环节,以肉蛋奶中常见微生物监测数据为基础,通过微生物风险评估模型和数学运算以及预警阈值和预警方法,结合BP神经网络等计算机软件开发技术,构建了一套涵盖基础数据库、风险评估模型和风险预警决策三大模块,面向企业、监管和技术机构三类用户的可视化风险评估预警系统,以期利用该系统对畜禽产品中致病微生物对产品安全性的影响和生产链中风险关键控制点进行分析,同时对畜禽产品中微生物风险状况进行实时预警,从而为畜禽产品质量安全有效监管和风险防控能力提升提供技术支撑。
本发明提供了一种用于畜禽产品中微生物的风险评估预警方法,包括以下步骤:
数据收集阶段:采集畜禽产品的第一数据信息,以及畜禽产品的生产流程的第二数据信息和供应流程的第三数据信息,构建基础数据集,其中,第一数据信息用于表示畜禽产品含有的人兽共患食源性致病微生物信息以及畜禽产品的环境信息;
风险评估阶段:根据第一数据信息、第三数据信息,构建畜禽产品的微生物暴露评估模型,用于评估畜禽产品的生产后微生物污染情况;
根据第一数据信息、第二数据信息,构建关键控制点评估模型,用于评估畜禽产品在生产关键节点被微生物污染的概率;
根据微生物暴露评估模型,构建产品安全性评估模型,用于评估所述畜禽产品中致病微生物对消费者的致病概率;
风险预警阶段:基于第一数据信息、第二数据信息、第三数据信息,通过获取权威专家意见,采用德尔菲法,构建风险评估模型,用于获取畜禽产品与致病微生物组合的危害可能性的定性和定量数据,并分别赋予致病微生物危害可能性不同级别分值;
根据所述畜禽产品与致病微生物组合的危害可能性的定性和定量数据对应的不同级别分值,结合致病微生物危害严重度分值,基于BP神经网络算法和风险矩阵,构建风险预警模型,用于提供所述畜禽产品中微生物不同的预警级别。
根据所述构建的产品安全性评估模型,获得产品在消费时所含致病微生物的致病概率,并根据致病概率评估风险预警等级。
进一步优选地,在数据收集阶段,第三数据信息包括,
地区数据,用于表示畜禽养殖场、屠宰场和畜禽产品销售场所的地理位置数据;
供应链数据,用于表示畜禽养殖、屠宰加工、流通存贮以及销售消费的关系数据;
产品数据,用于表示畜禽食品数据、畜禽产品数据。
进一步优选地,在数据收集阶段,第二数据信息包括生产规模数据、生产环境数据、生产存贮方式数据、产品接触环境中微生物污染状况数据。
进一步优选地,在风险评估阶段,采集畜禽产品的微生物污染率,以及畜禽产品的单位质量或单位面积的污染量,与畜禽产品的产量,构建微生物暴露评估模型。
进一步优选地,在污染量无法直接获取时,可根据污染率进行污染量的计算,模型为:
M=-(2.303/V)×lg(Nneg/Ntotal)
其中,V为样品的稀释倍数,Nneg为阴性样品数,Ntotal为样品总数。
进一步优选地,致病微生物包括了沙门氏菌、致病性大肠杆菌、金黄色葡萄球菌、单核细胞增生李斯特菌、弯曲杆菌、产气荚膜梭菌、小肠结肠炎耶尔森菌。
进一步优选地,在风险预警阶段,致病微生物危害严重度分值为国际食品微生物标准规定的致病微生物危害严重度分值。
进一步优选地,预警级别包括极低风险、低风险、中风险、高风险、极高风险;通过将不同的颜色赋予不同的预警级别,用于提示畜禽产品的风险。
一种用于畜禽产品中微生物的风险评估预警系统,包括:
数据采集模块,用于采集畜禽产品的第一数据信息,以及畜禽产品的生产流程的第二数据信息和供应流程的第三数据信息,其中,第一数据信息用于表示畜禽产品含有的人兽共患食源性致病微生物信息以及畜禽产品的环境信息,
数据库模块,用于根据第一数据信息、第二数据信息、第三数据信息,构建基础数据集;
风险评估模块,用于评估畜禽产品的安全性和生产过程致病微生物污染的关键控制点;
风险预警模块,用于根据风险评估模块的评估结果以及评估结果对应的风险矩阵,提供畜禽产品中微生物不同的预警级别;
显示模块,用于显示畜禽产品以及畜禽产品对应的安全性和预警级别。
进一步优选地,风险评估模块包括,
生产后微生物污染评估模块,用于根据第一数据信息、第三数据信息,构建畜禽产品的微生物暴露评估模型,用于评估畜禽产品的生产后微生物污染情况;
生产关键节点微生物污染评估模块,用于根据第一数据信息、第二数据信息,构建关键控制点评估模型,用于评估畜禽产品在生产关键节点被微生物污染的概率;
产品安全性评估模块,用于根据微生物暴露评估模型,构建产品安全性评估模型,用于评估所述畜禽产品中致病微生物对消费者的致病概率;,其中,所述产品安全性评估模块嵌入了集成的畜禽产品-致病微生物预测微生物学二级模型和剂量-反应关系模型。
实施例1:本发明以畜禽养殖和屠宰过程为切入点,以肉蛋奶中主要食源菌为对象,以监测数据为基础,通过风险评估和相关性分析等数学方法,构建了一套对畜禽养殖、屠宰过程微生物监测数据进行实时或系统风险评估和预警的体系,最终创建形成可视化软件操作平台,以期提升我国畜禽全生产链中微生物的风险管理,完善畜禽源性致病微生物的风险预警能力建设,保障畜禽产品质量安全。
1、数据
1.1监测数据采集
1.1.1监测地区
包括畜禽养殖场、屠宰场和畜禽产品销售场所。
1.1.2监测环节
涉及从农场到餐桌全过程,覆盖畜禽养殖、屠宰加工、流通存贮以及销售消费全链条4个环节。
1.1.3监测对象
包括猪、禽(鸡、鸭、鹌鹑等)、牛(肉牛、奶牛等)、羊等主流食品生产畜禽及其产品,如鸡蛋、牛奶等。
1.1.4监测参数
包括常见的重要人兽共患食源性致病微生物,如沙门氏菌、致病性大肠杆菌、弯曲杆菌、金黄色葡萄球菌、产气荚膜梭菌等的污染率和污染量数据,以及卫生指标菌—大肠杆菌和菌落总数的定量数据。
1.1.5监测其他数据资料
除了畜禽及其产品中微生物污染数据,还需要对畜禽及其产品生产规模、生产环境(如温湿度)、生产存贮方式(如是否冷链)、产品接触环境中微生物污染状况等数据和资料进行采集。
1.2当前数据
资料来源采用2019年以来通过文献或现场调研收集的,或者历年来实际监测的畜禽产品中常见致病微生物污染数据,作为微生物污染统计分析或风险评估和预警演示的基础数据。
2评估预警方法
2.1整体技术路线
畜禽养殖和屠宰环节主要食源性致病微生物风险评估预警系统设计构建的整体技术路线见图1。
2.2风险评估方法
2.2.1畜禽产品中微生物暴露评估模型构建
2.2.1.1生产后畜禽产品中微生物暴露评估
选择某地区或者具体到某生产场所,将特定时间系统中录入的某种畜禽产品中某种微生物的污染率(p,Pert分布函数拟合)与单位质量或单位面积的污染量(M,poisson分布函数拟合)相乘,同时乘以这种畜禽产品这段时间的产量(n)获得该批畜禽产品中微生物的污染量。如果考虑畜禽产品生产后存放的温度(T)和持续的时间(t),则加入预测微生物生长动力学模型中预测增长的微生物量。系统中嵌入了从Combase数据库和cb-premium数据库中查询获得的20种不同畜禽产品中常见致病微生物组合的一级预测生长动力学模型,并根据相关参数整理获得了二级模型,可以直接对不同温度和时间下产品中微生物的生长进行预测。多数情况下,畜禽产品中某些致病微生物含量很少,因此难以直接获得污染量数据。此时,可采用公式将定性数据转化为定量数据,进行模型构建。转换公式:M=-(2.303/V)×lg(Nneg/Ntotal)。其中V为样品的稀释倍数,Nneg为阴性样品数,Ntotal为样品总数。
2.2.1.2生产过程畜禽产品微生物污染风险关键
关键控制点评估将畜禽产品生产过程的不同环节分解,以生猪屠宰为例,按屠宰工艺流程可分解为烫煺毛、净膛、去头蹄修整、冲淋预冷等4个环节。以烫煺毛后胴体直接暴露于空气中为评估起点,取后续各环节猪胴体或相关风险贡献因素(如设备、器具或工人接触部位等)的微生物监测数据和信息资料,经过数据拟合和数学逻辑运算,构建关键控制点评估模型。通过模拟抽样获得终端产品中微生物污染量分布,同时通过相关系数对不同环节各参数进行敏感性分析,获得微生物污染的关键控制点。
2.2.2产品安全性评估模型
通过上述可以获得某批次畜禽产品中微生物总的污染量,结合致病微生物的剂量-反应关系,以及烹饪过程不完全加热的可能占比,构建产品中致病微生物的风险评估模型。通过随机抽样模拟,计算获得本批次畜禽产品中某致病微生物的致病概率分布,从而评估产品的安全性。本系统嵌入了沙门氏菌、致病性大肠杆菌、金黄色葡萄球菌、单核细胞增生李斯特菌、弯曲杆菌和产气荚膜梭菌等6种致病微生物的剂量-反应关系模型。
2.3风险预警方法
2.3.1微生物危害可能性定性和定量预警阈值的初步设定
通过对畜禽产品中致病微生物的污染率/量以及相应的风险进行广泛的国内外文献调研,拟定了5种主要畜禽产品(猪肉、鸡肉、鸡蛋、牛奶、牛羊肉等)中7种致病微生物(沙门氏菌、致病性大肠杆菌、弯曲杆菌、金黄色葡萄球菌、单核细胞增生李斯特菌、产气荚膜梭菌和小肠结肠炎耶尔森菌)的污染率和污染量不同级别数值,然后通过征求16位相关领域权威专家意见,采用德尔菲法(DelphiMethod),初步设定了188个畜禽产品-致病微生物组合不同级别(共5级)危害可能性的定性和定量数据作为预警阈值。
2.3.2风险预警级别和相应决策措施的确定
根据风险监测和暴露评估的数据获得某地区(场所)某时间内某种畜禽产品中某种致病微生物危害可能性分值,与国际食品微生物标准中规定的此致病微生物危害严重度分值相乘,获得风险系数。将风险系数带入风险矩阵,可以得出当前的风险级别。根据风险等级设定预警,预警也分为5个级别,分别是“极低(可忽略)风险”(用绿色表示)、“低风险”(用蓝色显示)、“中风险”(用黄色表示)、“高风险”(用橙色表示)、“极高风险”(用红色表示)。根据前期评估的畜禽产品中微生物不同的预警级别,系统还列出了不同环节精准控制微生物风险的技术手段和措施等。
2.4BP神经网络算法
整个风险评估预警系统的构建采用BP神经网络算法,即畜禽产品中微生物污染监测数据或资料性数据是在输入层直接输入或者从数据库中调取输入。然后数据进入隐含层,按照风险评估预警原理流程并结合嵌入到系统的模型资料,如预测微生物学模型和剂量-反应关系模型等,进行逐级数学运算和训练,最后在输出层显示风险级别或是预警决策。
实施例2:如图1-2所示,畜禽或其产品中微生物携带污染数据在基础数据库模块输入后,可以在此模块直接查询特定时间、地区或养殖(屠宰、收储)场、环节、畜禽/产品种类中某微生物的污染携带数据列表,也可以利用此模块的统计分析功能直接分析相应污染状况。风险评估研究者可以在风险评估模型模块选择拟开展的评估类型,按照评估需要逐条输入相应参数,并可直接调用基础数据库中的相应监测数据,提交后,后台调用系统嵌入的预测微生物模型和剂量-反应模型等,同时按模型参数间数学逻辑关系运算,在输出界面获得微生物的污染率/量分布、致病概率分布、风险等级、关键控制点等信息,评估结果会自动保存。最后在风险预警决策模块可以输入拟评估预警的时间、地区或场、环节等信息。
屠宰猪肉产品安全性评估利用系统中风险评估模型的产品安全性评估功能评估A省6月份和B省7月份屠宰猪肉中沙门氏菌污染对产品安全性的影响。按照提示选择评估对象和时间、温度等参数信息,然后通过检索历史数据锁定这段时间此省屠宰猪肉中沙门氏菌的污染率等众数值,通过后台的定量转换公式获得定量数据。提交后,后台先结合预测微生物学模型获得消费时的暴露量,然后考虑烹饪时可能由于不完全加热导致微生物的残留率(假定0.1%),并结合剂量-反应关系模型,最终获得产品中沙门氏菌的致病概率。A省众数值为1.5×10 -9 ,风险分级为“极低风险”(如图3中的A表示);B省众数值为3.8×10 -4,风险分级为“极高风险”(如图3中的B表示)。
某生猪屠宰场沙门氏菌污染关键控制点评估利用系统风险评估模型模块中关键控制点功能,选择生猪屠宰模块化模型。在输入界面录入评估所需的生猪屠宰过程各个环节相关因素中沙门氏菌的污染率和污染量数据,包括猪本底携带的以及屠宰过程可能接触的器具、工人手部等环境中沙门氏菌的污染数据和交叉污染的传递率,以及屠宰过程的冲淋时间和消除率等数据。提交后,获得屠宰过程每个环节沙门氏菌消长变化(如图4中的A表示)。可见净膛和劈半两个环节沙门氏菌增加量最多。通过雷达图明确关键控制环节是劈半环节,其次是净膛环节(如图4中的B表示)。
动物源性食品病原微生物引发的人类食物中毒和人兽共患疾病,危害范围广,经济损失大。本发明针对现有的技术需求,以动物养殖和屠宰过程为切入点,以肉蛋奶中重要人畜共患食源性致病微生物为对象,以监测的污染数据为基础,通过微生物风险评估技术、相关数学运算法以及计算机软件开发技术等,结合预测微生物学模型和剂量-反应关系,整合了一系列畜禽养殖屠宰过程重要致病微生物的风险评估模型,并结合BP神经网络法,构建了一套对畜禽养殖屠宰过程致病微生物风险进行实时预警的体系,最终创建形成了可视化软件操作平台。系统应用时,只需输入实时监测数据,后台就可以调用模型或算法进行风险评估,然后根据评估结果对本批次产品的微生物风险进行实时预警。如果风险极低可忽略时,显示不预警;如果有一定的风险,就显示相应的预警,同时会显示相应的风险防控措施。本发明提升畜禽产品全生产链致病微生物的风险管理能力,完善动物源性致病微生物的风险预警能力建设,保障畜禽产品的质量安全和民众消费安全。
Claims (1)
1.一种用于畜禽产品中微生物的风险评估预警系统,其特征在于,
所述风险评估预警系统用于实现风险评估预警方法,
所述风险评估预警方法,包括以下步骤:
数据收集阶段:采集畜禽产品的第一数据信息,以及所述畜禽产品的生产流程的第二数据信息和供应流程的第三数据信息,构建基础数据集,其中,所述第一数据信息用于表示所述畜禽产品含有的人兽共患食源性致病微生物信息以及所述畜禽产品的环境信息;
风险评估阶段:根据所述第一数据信息、所述第三数据信息,构建所述畜禽产品的微生物暴露评估模型,用于评估所述畜禽产品的生产后微生物污染情况;
根据所述第一数据信息、所述第二数据信息,构建关键控制点评估模型,用于评估畜禽产品在生产关键节点被微生物污染的概率;
根据所述微生物暴露评估模型,构建产品安全性评估模型,用于评估所述畜禽产品中致病微生物对消费者的致病概率;
风险预警阶段:基于所述第一数据信息、所述第二数据信息、所述第三数据信息,通过获取权威专家意见,获取所述畜禽产品与致病微生物组合的危害可能性的定性和定量数据,并分别赋予致病微生物危害可能性不同级别分值;
根据所述畜禽产品与致病微生物组合的危害可能性的定性和定量数据对应的不同级别分值,结合致病微生物危害严重度分值,基于BP神经网络算法和风险矩阵,构建风险预警模型,用于提供所述畜禽产品中微生物不同的预警级别;
根据所述构建的产品安全性评估模型,获得产品在消费时所含致病微生物的致病概率,并根据致病概率评估预警级别;
在所述数据收集阶段,所述第三数据信息包括,
地区数据,用于表示畜禽养殖场、屠宰场和畜禽产品销售场所的地理位置数据;
供应链数据,用于表示畜禽养殖、屠宰加工、流通存贮以及销售消费的关系数据;
产品数据,用于表示畜禽食品数据、畜禽产品数据;
在所述数据收集阶段,所述第二数据信息包括生产规模数据、生产环境数据、生产存贮方式数据、产品接触环境中微生物污染状况数据;
在所述风险评估阶段,采集所述畜禽产品的微生物污染率,以及所述畜禽产品的单位质量或单位面积的污染量,与所述畜禽产品的产量,构建所述微生物暴露评估模型;
关键控制点评估将畜禽产品生产过程的不同环节分解,按屠宰工艺流程分解为烫煺毛、净膛、去头蹄修整和冲淋预冷4个环节,以烫煺毛后胴体直接暴露于空气中为评估起点,取后续各环节胴体或相关风险贡献因素的微生物监测数据和信息资料,经过数据拟合和数学逻辑运算,构建关键控制点评估模型;通过模拟抽样获得终端产品中微生物污染量分布,同时通过相关系数对不同环节各参数进行敏感性分析,获得微生物污染的关键控制点;
将系统中录入的畜禽产品中微生物的污染率与单位质量或单位面积的污染量相乘,同时乘以畜禽产品这段时间的产量获得畜禽产品中微生物的污染量,如果考虑畜禽产品生产后存放的温度和持续的时间,则加入预测微生物生长动力学模型中预测增长的微生物量,系统中嵌入了从Combase数据库和cb-premium数据库中查询获得的20种不同畜禽产品中常见致病微生物组合的一级预测生长动力学模型,并整理获得了二级模型,能够直接对不同温度和时间下产品中微生物的生长进行预测;
在无法获得定量数据时,则利用定性数据换算,所述污染量的定性数据换算模型为:
M=-(2.303/V)×lg(Nneg/Ntotal)
其中,V为样品的稀释倍数,Nneg为阴性样品数,Ntotal为样品总数;
所述致病微生物包括了沙门氏菌、致病性大肠杆菌、金黄色葡萄球菌、单核细胞增生李斯特菌、弯曲杆菌、产气荚膜梭菌、小肠结肠炎耶尔森菌;
在所述风险预警阶段,所述致病微生物危害严重度分值为国际食品微生物标准规定的致病微生物危害严重度分值;
所述预警级别包括极低风险、低风险、中风险、高风险、极高风险;通过将不同的颜色赋予不同的所述预警级别,用于提示所述畜禽产品的风险;
所述风险评估预警系统包括:
数据采集模块,用于采集畜禽产品的第一数据信息,以及所述畜禽产品的生产流程的第二数据信息和供应流程的第三数据信息,其中,所述第一数据信息用于表示所述畜禽产品含有的人兽共患食源性致病微生物信息以及所述畜禽产品的环境信息,
数据库模块,用于根据所述第一数据信息、所述第二数据信息、所述第三数据信息,构建基础数据集;
风险评估模块,用于评估所述畜禽产品的安全性和所述生产过程微生物污染风险关键控制点;
风险预警模块,用于根据所述风险评估模块的评估结果以及所述评估结果对应的风险矩阵,提供所述畜禽产品中微生物不同的预警级别;
显示模块,用于显示所述畜禽产品以及所述畜禽产品对应的所述安全性和所述预警级别;
所述风险评估模块包括,
生产后产品微生物污染评估模块,用于根据所述第一数据信息、所述第三数据信息,构建所述畜禽产品的微生物暴露评估模型,用于评估所述畜禽产品的生产后微生物污染情况;
生产关键节点微生物污染评估模块,用于根据所述第一数据信息、所述第二数据信息,构建关键控制点评估模型,用于评估畜禽产品在生产关键节点被微生物污染的概率;
产品安全性评估模块,用于根据所述微生物暴露评估模型,构建产品安全性评估模型,用于评估所述畜禽产品中致病微生物对消费者的致病概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111299862.5A CN114048987B (zh) | 2021-11-04 | 2021-11-04 | 一种用于畜禽产品中微生物的风险评估预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111299862.5A CN114048987B (zh) | 2021-11-04 | 2021-11-04 | 一种用于畜禽产品中微生物的风险评估预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114048987A CN114048987A (zh) | 2022-02-15 |
CN114048987B true CN114048987B (zh) | 2023-06-27 |
Family
ID=80207235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111299862.5A Active CN114048987B (zh) | 2021-11-04 | 2021-11-04 | 一种用于畜禽产品中微生物的风险评估预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114048987B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112322497A (zh) * | 2020-11-03 | 2021-02-05 | 蒙自海关综合技术中心 | 一种石榴病原菌流行趋势评估方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504161A (zh) * | 2016-10-13 | 2017-03-15 | 广州市莱曼信息技术有限公司 | 一种动物卫生风险管理方法和系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1556780A4 (en) * | 2002-10-08 | 2006-11-15 | Food Security Systems L L C | SYSTEM AND METHOD FOR IDENTIFYING A FOOD EVENT, LOCATING FOOD PRODUCT, AND EVALUATING RISKS AND COSTS ASSOCIATED WITH AN INTERVENTION |
CN107918837A (zh) * | 2017-12-30 | 2018-04-17 | 天津科技大学 | 一种果蔬类食品安全风险预测方法 |
CN110599071A (zh) * | 2019-10-08 | 2019-12-20 | 北京工商大学 | 一种基于bp神经网络的蔬菜冷链物流系统 |
CN111739579B (zh) * | 2020-05-26 | 2022-06-14 | 浙江省农业科学院 | 一种肉鸡产业链沙门氏菌的定量风险评估方法 |
CN112986503B (zh) * | 2021-04-20 | 2021-08-27 | 深圳市儒翰基因科技有限公司 | 一种量化的病原体微生物安全风险指标的监测系统及方法 |
-
2021
- 2021-11-04 CN CN202111299862.5A patent/CN114048987B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504161A (zh) * | 2016-10-13 | 2017-03-15 | 广州市莱曼信息技术有限公司 | 一种动物卫生风险管理方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114048987A (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Brown et al. | The role of microbiological testing in systems for assuring the safety of beef | |
EFSA Panel on Animal Health and Welfare (AHAW) | Statement on the use of animal‐based measures to assess the welfare of animals | |
Xavier et al. | Meta-analysis of the incidence of foodborne pathogens in Portuguese meats and their products | |
Habib et al. | Campylobacter contamination in broiler carcasses and correlation with slaughterhouses operational hygiene inspection | |
Mertens et al. | Statistical control charts as a support tool for the management of livestock production | |
Pérez‐Rodríguez et al. | Closing gaps for performing a risk assessment on Listeria monocytogenes in ready‐to‐eat (RTE) foods: activity 2, a quantitative risk characterization on L. monocytogenes in RTE foods; starting from the retail stage | |
CN114048987B (zh) | 一种用于畜禽产品中微生物的风险评估预警方法及系统 | |
Koenen et al. | Guidance on risk assessment for animal welfare | |
Salines et al. | Risk categorisation of abattoirs in Europe: Current state of play | |
Langforth et al. | Food chain information for broilers: Results of a Europe-wide survey on status quo, usability and suggestions for improvement | |
Boone et al. | NUSAP method for evaluating the data quality in a quantitative microbial risk assessment model for Salmonella in the pork production chain | |
Rose et al. | A decision-support system for Salmonella in broiler-chicken flocks | |
Hathaway | Risk analysis and meat hygiene | |
Kelly et al. | Microbiological safety of poultry meat: risk assessment as a way forward | |
Smulders | A practicable approach to assessing risks for animal welfare–methodological considerations | |
Kiermeier et al. | Use of routine beef carcase Escherichia coli monitoring data to investigate the relationship between hygiene status of incoming stock and processing efficacy | |
Mangen et al. | Controlling Campylobacter in the chicken meat chain; Estimation of intervention costs | |
Goodfellow | Implementation of the HACCP program by meat and poultry slaughterers | |
Souza et al. | Proposal of a management system to develop an animal welfare strategy for the animal food chain. | |
Govender | A review of HACCP and the South African abattoir hygiene management system towards integration | |
Betic et al. | Biological hazards in the pork chain continuum: Risk mitigation strategy | |
Cole et al. | Microbiological performance objectives and criteria | |
CN116957169B (zh) | 基于信息化的猪舍环境感知调控方法及系统 | |
Mead | HACCP in primary processing: poultry | |
Jeffer et al. | Analysis of Food Safety Management Systems in the Beef Meat Processing and Distribution Chain in Uganda. Foods 2021, 10, 2244 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |