CN114723464A - 食品接触材料质量安全风险监测模型训练方法及应用 - Google Patents
食品接触材料质量安全风险监测模型训练方法及应用 Download PDFInfo
- Publication number
- CN114723464A CN114723464A CN202210453220.4A CN202210453220A CN114723464A CN 114723464 A CN114723464 A CN 114723464A CN 202210453220 A CN202210453220 A CN 202210453220A CN 114723464 A CN114723464 A CN 114723464A
- Authority
- CN
- China
- Prior art keywords
- food
- contact material
- food contact
- quality safety
- safety risk
- 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
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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- 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
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种食品接触材料质量安全风险监测模型训练方法及应用,涉及食品安全领域。本发明包括以下步骤:分别获取环境温度、食品类型、食品接触材料与食品的接触时间、食品接触材料的类型、食品体积、食品的接触面积、食品接触材料的厚度与食品接触材料迁移量的数值映射关系,所述映射关系记为样本数据;将所述样本数据分别输入到BP神经网络中,对神经网络进行训练;经过多次迭代训练,得到神经网络模型;利用损失函数对神经网络模型进行校正,得到食品接触材料质量安全风险监测模型。本发明建立了食品接触材料质量安全风险监测模型,对于提高食品相关产品的质量安全以及保障人体健康和安全,具有重要的意义。
Description
技术领域
本发明涉及食品安全领域,更具体的说是涉及一种食品接触材料质量安全风险监测模型训练方法及应用。
背景技术
食品接触材料是指在正常使用条件下,各种已经或预期可能与食品或食品添加剂接触,或其成分可能转移到食品中的材料和制品,包括食品生产、加工、包装、运输、贮存、销售和使用过程中用于食品的包装材料、容器、工具和设备,及可能直接或间接接触食品的油墨、粘合剂、润滑油等,不包括洗涤剂、消毒剂和公共输水设备。由此可以看出,食品接触材料和食品包装材料是不同的,食品接触材料除包括食品包装材料外,还包括容器、工具和设备,及可能直接或间接接触食品的油墨、粘合剂、润滑油等。如何研究特定条件下迁移物质的迁移规律,建立迁移模型,可以减少实验工作量,对指导食品接触材料的生产及使用具有重要意义。
发明内容
有鉴于此,本发明提供了一种食品接触材料质量安全风险监测模型训练方法及应用,建立了食品接触材料质量安全风险监测模型,对于提高食品相关产品的质量安全以及保障人体健康和安全,具有重要的意义。
为了实现上述目的,本发明采用如下技术方案:
一种食品接触材料质量安全风险监测模型训练方法,包括以下步骤:
分别获取环境温度、食品类型、食品接触材料与食品的接触时间、食品接触材料的类型、食品体积、食品的接触面积、食品接触材料的厚度与食品接触材料迁移量的数值映射关系,所述映射关系记为样本数据;
将所述样本数据分别输入到BP神经网络中,对神经网络进行训练;
经过多次迭代训练,得到神经网络模型;
利用损失函数对神经网络模型进行校正,得到食品接触材料质量安全风险监测模型。
可选的,所述食品接触材料迁移量利用迁移率来计算,具体计算公式如下:
其中,Mt表示迁移率,Mft表示化合物迁移量,Mpo表示化合物初始总量。
可选的,还包括对所述样本数据进行降维,具体为:利用抽取关键帧的方式,降低样本数据的维度。
可选的,迭代次数与训练时长的映射关系如下:
f(x)=wx;
其中,f(x)表示迭代次数,w表示训练时长,x表示食品接触材料质量安全风险监测模型。
一种食品接触材料质量安全风险监测模型的应用,包括以下步骤:
将待测食品接触材料的相关数据输入到食品接触材料质量安全风险监测模型,得到食品接触材料的迁移量数值;
将所述待测食品接触材料的迁移量数值与食品安全标准的迁移量数值做比较;
根据比较结果,确定待测食品接触材料的风险等级。
还包括将待测食品接触材料的风险等级分颜色展示。例如,风险等级由高到低依次为:I级(特别重大)、II级(重大)、III级(较大)和IV级(一般),依次用红色、橙色、黄色和蓝色表示。
可选的,待测食品接触材料的相关数据包括环境温度、食品类型、食品接触材料与食品的接触时间、食品接触材料的类型、食品体积、食品的接触面积、食品接触材料的厚度。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种食品接触材料质量安全风险监测模型训练方法及应用,通过建立食品接触材料质量安全风险监测模型,在提高食品接触材料检测精度的同时,还能够减少实验工作量,有助于批量检测。更进一步的,通过对食品接触材料质量安全风险监测模型的应用,更能直观清晰的观测到食品接触材料的质量安全风险等级,对工业生产有指导意义。
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发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明的模型建立流程示意图;
图2为本发明的应用流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明实施例公开了一种食品接触材料质量安全风险监测模型训练方法,如图1所示,包括以下步骤:
分别获取环境温度、食品类型、食品接触材料与食品的接触时间、食品接触材料的类型、食品体积、食品的接触面积、食品接触材料的厚度与食品接触材料迁移量的数值映射关系,映射关系记为样本数据;
将样本数据分别输入到BP神经网络中,对神经网络进行训练;
经过多次迭代训练,得到神经网络模型;
利用损失函数对神经网络模型进行校正,得到食品接触材料质量安全风险监测模型。
具有的,测定食品接触材料迁移量的步骤包括:迁移物质在接触材料基质中的扩散;迁移物质在接触材料表面的解析过程;迁移物质在食品与接触材料交界面的吸附过程;迁移物质在食品中的扩散。
其中,食品接触材料迁移量利用迁移率来计算,具体计算公式如下:
其中,Mt表示迁移率,Mft表示化合物迁移量,Mpo表示化合物初始总量。迭代次数与训练时长的映射关系如下:
f(x)=wx;
其中,f(x)表示迭代次数,w表示训练时长,x表示食品接触材料质量安全风险监测模型。
在本实施例中,还包括对样本数据进行降维,具体为:利用抽取关键帧的方式,降低样本数据的维度。具体的,根据模型特征对训练时长的影响,制定降维规则用以提取对训练时长影响较大的关键特征,降低模型特征的维度,并利用降维后的模型特征训练深度学习模型用以预测分布式环境下的神经网络训练时长。
在本实施例中还公开了一种食品接触材料质量安全风险监测模型的应用,如图2所示,包括以下步骤:
将待测食品接触材料的相关数据输入到食品接触材料质量安全风险监测模型,得到食品接触材料的迁移量数值;
将待测食品接触材料的迁移量数值与食品安全标准的迁移量数值做比较;
根据比较结果,确定待测食品接触材料的风险等级。
其中,还包括将待测食品接触材料的风险等级分颜色展示。
进一步的,待测食品接触材料的相关数据包括环境温度、食品类型、食品接触材料与食品的接触时间、食品接触材料的类型、食品体积、食品的接触面积、食品接触材料的厚度。
另外,在本实施例中,在基础数据库构建方面,继续开展其他食品的接触面积数据库调查。在此基础上,获得我国食品接触材料的评估参数,包括不同食品接触材料表征的食品接触面积/体积比数据库,居民不同食品的消费量、不同类型食品接触材料的消费系数和食品分配系数。基于上述评估参数,建立国民食品接触材料定量评估模型。
在工作实践方面,将开展玻璃、陶瓷制品中主要重金属元素的风险评估,以及针对纸和纸板中的迁移物,包括全氟烷基化合物、3-氯-1,2-丙二醇提取物等,开展专项监测评估。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种食品接触材料质量安全风险监测模型训练方法,其特征在于,包括以下步骤:
分别获取环境温度、食品类型、食品接触材料与食品的接触时间、食品接触材料的类型、食品体积、食品的接触面积、食品接触材料的厚度与食品接触材料迁移量的数值映射关系,所述映射关系记为样本数据;
将所述样本数据分别输入到BP神经网络中,对神经网络进行训练;
经过多次迭代训练,得到神经网络模型;
利用损失函数对神经网络模型进行校正,得到食品接触材料质量安全风险监测模型。
3.根据权利要求1所述的一种食品接触材料质量安全风险监测模型训练方法,其特征在于,还包括对所述样本数据进行降维,具体为:利用抽取关键帧的方式,降低样本数据的维度。
4.根据权利要求1所述的一种食品接触材料质量安全风险监测模型训练方法,其特征在于,迭代次数与训练时长的映射关系如下:
f(x)=wx;
其中,f(x)表示迭代次数,w表示训练时长,x表示食品接触材料质量安全风险监测模型。
5.一种食品接触材料质量安全风险监测模型的应用,其特征在于,包括以下步骤:
将待测食品接触材料的相关数据输入到食品接触材料质量安全风险监测模型,得到食品接触材料的迁移量数值;
将所述待测食品接触材料的迁移量数值与食品安全标准的迁移量数值做比较;
根据比较结果,确定待测食品接触材料的风险等级。
6.根据权利要求5所述的一种食品接触材料质量安全风险监测模型的应用,其特征在于,还包括将待测食品接触材料的风险等级分颜色展示。
7.根据权利要求5所述的一种食品接触材料质量安全风险监测模型的应用,其特征在于,待测食品接触材料的相关数据包括环境温度、食品类型、食品接触材料与食品的接触时间、食品接触材料的类型、食品体积、食品的接触面积、食品接触材料的厚度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210453220.4A CN114723464A (zh) | 2022-04-24 | 2022-04-24 | 食品接触材料质量安全风险监测模型训练方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210453220.4A CN114723464A (zh) | 2022-04-24 | 2022-04-24 | 食品接触材料质量安全风险监测模型训练方法及应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114723464A true CN114723464A (zh) | 2022-07-08 |
Family
ID=82245607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210453220.4A Pending CN114723464A (zh) | 2022-04-24 | 2022-04-24 | 食品接触材料质量安全风险监测模型训练方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114723464A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867093A (zh) * | 2012-09-18 | 2013-01-09 | 中国标准化研究院 | 一种食品适度包装设计方法 |
CN103308613A (zh) * | 2013-05-24 | 2013-09-18 | 中华人民共和国台州出入境检验检疫局 | 亲水性食品用塑料品中丙烯腈迁移量的检测方法及应用 |
CN108898218A (zh) * | 2018-05-24 | 2018-11-27 | 阿里巴巴集团控股有限公司 | 一种神经网络模型的训练方法、装置、及计算机设备 |
CN111272930A (zh) * | 2020-02-14 | 2020-06-12 | 上海市质量监督检验技术研究院 | 纸材印刷uv油墨中光引发剂迁移量的液质联用检测方法 |
CN112179871A (zh) * | 2020-10-22 | 2021-01-05 | 南京农业大学 | 一种酱类食品中己内酰胺含量无损检测的方法 |
CN112308426A (zh) * | 2020-11-02 | 2021-02-02 | 北京工商大学 | 食品重金属污染风险评估模型训练方法、评估方法及装置 |
CN112935251A (zh) * | 2021-01-31 | 2021-06-11 | 华中科技大学 | 一种非晶合金梯度复合材料的制备方法 |
US20210224714A1 (en) * | 2020-01-17 | 2021-07-22 | Ecolab Usa Inc. | Food safety performance management models |
CN113837554A (zh) * | 2021-08-30 | 2021-12-24 | 中华人民共和国青岛海关 | 基于多模态关键信息匹配的食品安全风险识别方法及系统 |
-
2022
- 2022-04-24 CN CN202210453220.4A patent/CN114723464A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867093A (zh) * | 2012-09-18 | 2013-01-09 | 中国标准化研究院 | 一种食品适度包装设计方法 |
CN103308613A (zh) * | 2013-05-24 | 2013-09-18 | 中华人民共和国台州出入境检验检疫局 | 亲水性食品用塑料品中丙烯腈迁移量的检测方法及应用 |
CN108898218A (zh) * | 2018-05-24 | 2018-11-27 | 阿里巴巴集团控股有限公司 | 一种神经网络模型的训练方法、装置、及计算机设备 |
US20210224714A1 (en) * | 2020-01-17 | 2021-07-22 | Ecolab Usa Inc. | Food safety performance management models |
CN111272930A (zh) * | 2020-02-14 | 2020-06-12 | 上海市质量监督检验技术研究院 | 纸材印刷uv油墨中光引发剂迁移量的液质联用检测方法 |
CN112179871A (zh) * | 2020-10-22 | 2021-01-05 | 南京农业大学 | 一种酱类食品中己内酰胺含量无损检测的方法 |
CN112308426A (zh) * | 2020-11-02 | 2021-02-02 | 北京工商大学 | 食品重金属污染风险评估模型训练方法、评估方法及装置 |
CN112935251A (zh) * | 2021-01-31 | 2021-06-11 | 华中科技大学 | 一种非晶合金梯度复合材料的制备方法 |
CN113837554A (zh) * | 2021-08-30 | 2021-12-24 | 中华人民共和国青岛海关 | 基于多模态关键信息匹配的食品安全风险识别方法及系统 |
Non-Patent Citations (5)
Title |
---|
汪洋等: "聚乙烯食品塑料膜迁移的质量风险", 《价值工程》 * |
蔡强: "基于神经网络的食品安全评价模型构建研究", 《食品科学技术学报》 * |
谢永萍等: "食品接触材料成型品中的苯乙烯单体迁移风险分析", 《塑料科技》 * |
赵胜男等: "用于食品包装材料成分迁移数学模型的研究进展", 《包装工程》 * |
高霞: "塑料包装材料迁移数学模型研究", 《中国包装工业》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | Use of double mass curves in hydrologic benefit evaluations | |
Weron | Estimating long-range dependence: finite sample properties and confidence intervals | |
CN104316660B (zh) | 快速检测豆瓣酱风味、等级及产品溯源的方法 | |
Mandel | Heterogeneous firms and import quality: Evidence from transaction-level prices | |
CN108830492B (zh) | 一种基于大数据的确定抽检商家的方法 | |
CN106018728A (zh) | 一种方坯中心宏观偏析的定量评价方法 | |
Aldars-García et al. | Assessment of intraspecies variability in fungal growth initiation of Aspergillus flavus and aflatoxin B1 production under static and changing temperature levels using different initial conidial inoculum levels | |
CN103646165A (zh) | 定量评判黄水品质的方法 | |
CN114723464A (zh) | 食品接触材料质量安全风险监测模型训练方法及应用 | |
CN113158575A (zh) | 一种假定标样的在线近红外光谱模型的转移方法 | |
CN106952042A (zh) | 一种售电量预测方法及装置 | |
Guido et al. | Voltammetric assay for the aging of beer | |
CN106546540A (zh) | 色差法测量再造烟叶涂布率的方法 | |
Alexander et al. | Benzene exposure and non-Hodgkin lymphoma: a meta-analysis of epidemiologic studies | |
CN107515204A (zh) | 利用nir对郫县豆瓣甜瓣子发酵成熟度的检测方法 | |
Evans et al. | Use of survival analysis and Classification and Regression Trees to model the growth/no growth boundary of spoilage yeasts as affected by alcohol, pH, sucrose, sorbate and temperature | |
CN108507972B (zh) | 一种基于距离度量和半监督学习的近红外光谱跨年份苹果糖度预测方法 | |
Saputra et al. | Non-destructive measurement of rice amylose content based on image processing and Artificial Neural Networks (ANN) model. | |
Curtsinger | Late-life fecundity plateaus in Drosophila melanogaster can be explained by variation in reproductive life spans | |
CN105758897A (zh) | 一种基于电子鼻检测信息的白牡丹香气等级判别方法 | |
Talsma | Assessing sensory panel performance using generalizability theory | |
CN108627607A (zh) | 一种分析铵根离子浓度的方法 | |
Ciepiela et al. | Principal components–based techniques in Voltammetric determination of Caffeic, Syringic and Vanillic acids | |
Sharma et al. | Interpretive Structural Modeling of Functional Objectives (Criteria's) of Assembly Line Balancing Problem | |
CN106840948A (zh) | 封窖泥质量鉴别方法 |
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 |