CN115329905A - 一种食品检测方法、系统及存储介质 - Google Patents

一种食品检测方法、系统及存储介质 Download PDF

Info

Publication number
CN115329905A
CN115329905A CN202211250406.6A CN202211250406A CN115329905A CN 115329905 A CN115329905 A CN 115329905A CN 202211250406 A CN202211250406 A CN 202211250406A CN 115329905 A CN115329905 A CN 115329905A
Authority
CN
China
Prior art keywords
data
index
comparison
result
abnormal
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
Application number
CN202211250406.6A
Other languages
English (en)
Other versions
CN115329905B (zh
Inventor
邹婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Dingyu Inspection And Testing Co ltd
Original Assignee
Hunan Dingyu Inspection And Testing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Dingyu Inspection And Testing Co ltd filed Critical Hunan Dingyu Inspection And Testing Co ltd
Priority to CN202211250406.6A priority Critical patent/CN115329905B/zh
Publication of CN115329905A publication Critical patent/CN115329905A/zh
Application granted granted Critical
Publication of CN115329905B publication Critical patent/CN115329905B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/02—Food

Landscapes

  • Engineering & Computer Science (AREA)
  • Food Science & Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • Automatic Analysis And Handling Materials Therefor (AREA)

Abstract

本申请公开了一种食品检测方法、系统及存储介质，其涉及食品安全检测技术领域，该方法包括如下步骤：获取待检测食品样品的样品信息；基于所述样品信息获取对应的检验标准；根据所述检验标准检验所述待检测食品样品，得到检验结果；结合所述样品信息和大数据核验所述检验结果，并判断核验结果是否通过；若所述核验结果未通过，则将对应待测食品样品标记为待重检食品样品；若所述核验结果通过，则结合所述样品信息和所述检验结果生成检验报告。本申请具有对检验结果进行核验时不需要耗费大量人力、物力和时间的效果。

Description

一种食品检测方法、系统及存储介质
技术领域
本申请涉及食品安全检测技术领域，尤其是涉及一种食品检测方法、系统及存储介质。
背景技术
广义的食品检验是指研究和评定食品质量及其变化，它依据物理、化学、生物化学的一些基本理论和各种技术，按照预先制订的技术标准，如国际、国家食品卫生/安全标准，对食品原料、辅助材料、半成品、成品及副产品的质量进行检验，以确保产品质量合格。
食品检验的内容包括对食品的感官检测，食品中营养成分、添加剂、有害物质的检测等，随着科技的不断发展，如今的食品检验流程越来越趋于自动化，通过多个智能检测设备按照检验标准对检测样品进行自动检测，并可以在检验完成后自动生成检验报告。在实际检验过程中，会对抽取部分检测样品进行人工检测，并将人工检测的检测结果与检测设备生成的检验报告进行比对，从而减少因检测设备零件老化等原因造成的检验误差。
针对上述中的相关技术，发明人认为存在有以下缺陷：在食品检验过程中，有时会同时有很多种类型的食品样品进行不同的检测，此时若要对多种类的检验报告进行核验，需要在不同类型的检验报告中均抽取多个样品，由于同时需要进行核验的检测报告较多，因此通过人工抽检的方式需要耗费大量的人力、物力和时间。
发明内容
为了改善通过人工抽检的方式需要耗费大量的人力、物力和时间的缺陷，本申请提供一种食品检测方法、系统及存储介质。
第一方面，本申请提供一种食品检测方法，包括如下步骤：
获取待检测食品样品的样品信息；
基于所述样品信息获取对应的检验标准；
根据所述检验标准检验所述待检测食品样品，得到检验结果；
结合所述样品信息和大数据核验所述检验结果，并判断核验结果是否通过；
若所述核验结果未通过，则将对应待检测食品样品标记为待重检食品样品；
若所述核验结果通过，则结合所述样品信息和所述检验结果生成检验报告。
通过采用上述技术方案，先获取到待检测食品样品的样品信息，根据样品信息采用对应的检验标准进行检验并得到检验结果，再基于样品信息在大数据中检索到大量同类型的检验结果进行自动核验，若判断核验结果通过，则可以生成最终的检验报告，若核验结果不通过，则说明检验结果与大数据中的大量数据有明显冲突，判断检测设备可能出现异常，因此需要将对应的待测视频样品标记为待重检食品样品，等待后续检修设备后重新检测或直接通过人工检测进行重新检测。相较于直接采用人工抽检的方式进行核验，可以对所有检验报告进行核验，还不需要耗费大量的人力、物力和时间。
可选的，所述基于所述样品信息获取对应的检验标准包括如下步骤：
基于所述样品信息确定所述待检测食品样品的分类类别；
基于所述分类类别从预设的检验标准数据库中调取对应的检验标准。
通过采用上述技术方案，不同类别的待检测食品样品需要严格按照不同类型的检验标准进行检验，因此可以根据样品信息识别出待检测食品样品的分类类别，再从检验标准数据库中直接调取出对应的检验标准。
可选的，所述结合所述样品信息和大数据核验所述检验结果，并判断核验结果是否通过包括如下步骤：
根据所述分类类别并通过大数据获取多个相同所述分类类别的对照检验结果；
结合多个所述对照检验结果，分析得到所述对照检验结果中各个对照指标的异常数据分布情况和数据范围；
将所述异常数据分布情况和所述数据范围作为核验标准核验所述检验结果中的各个目标指标，并将所述目标指标划分为异常指标和正常指标；
判断所述检验结果中是否存在所述异常指标；
若所述检验结果中存在所述异常指标，则判断核验结果为不通过；
若所述检验结果中不存在所述异常指标，则判断核验结果为通过。
通过采用上述技术方案，通过大数据可以获取到与检验结果相同分类类别的其他检测样品的对照检验结果，分析对照检验结果中各个指标的异常数据分布情况和数据范围，结合异常数据分布情况和数据范围对检验结果中各个目标指标的数据进行核验，核验各项目标指标的数据是否符合大数据规律，并依此将目标指标划分为异常指标和正常指标，当核验出检验结果中存在异常指标，则核验结果不通过。
可选的，所述结合多个所述对照检验结果，分析得到所述对照检验结果中各个对照指标的异常数据分布情况和数据范围包括如下步骤：
基于多个所述对照检验结果中各个对照指标的所有对照数据，划定各个所述对照指标的数据范围；
将所述数据范围的两个极值分别作为上极限和下极限，基于所述对照指标的对照数据绘制所述对照指标的数据箱型图；
标记出所述数据箱型图中的离群数据，计算每个所述离群数据与所述上极限或所述下极限之间的数据差值；
根据所述数据差值计算所述对照指标中所有所述离群数据的平均差值；
分别统计出各个所述对照指标中所述离群数据的离群数据量和所有所述对照检验结果中所述离群数据的离群数据总量；
结合所述离群数据量和所述离群数据总量分别计算出各个所述对照指标的异常概率；
通过所述平均差值和所述异常概率标识所述对照检验结果中各个所述对照指标的异常数据分布情况。
通过采用上述技术方案，通过多个对照检验结果中同一对照指标的所有对照数据，划定出该对照指标的数据范围，并基于该对照指标的所有对照数据绘制出数据箱型图，进而可以在数据箱型图中标记出异常的离群数据，根据数据箱型图计算出所有离群数据的平均差值，并计算出各个对照指标相对于整体对照检验结果的异常概率，即可标识出对照检验结果中各个对照指标的异常数据分布情况。
可选的，所述基于多个所述对照检验结果中的所有对照数据，划定所述对照检验结果各个对照指标的数据范围包括如下步骤：
基于各个对照指标的所有对照数据计算得到所述对照数据的平均值μ、中位数M和标准差σ；
结合所述平均值μ、所述中位数M和所述标准差σ计算所述对照数据的偏态系数；
判断所述偏态系数是否处于预设的系数范围；
若所述偏态系数处于所述系数范围，则划定对应所述对照指标的数据范围为[μ-3σ，μ+3σ]；
若所述偏态系数不处于所述系数范围，则根据所有所述对照数据确定最优变换参数；
基于所述最优变换参数并通过BOX-COX变换对所有所述对照数据进行数据变换，得到修正数据；
计算所述修正数据的平均值μ’和标准差σ’，并划定对应所述对照指标的数据范围为[μ’-3σ’，μ’+3σ’]。
通过采用上述技术方案，由于通过大数据所获取的对照检验报告足够多，并且绝大部分的对照检验报告所检测的样品均为合格样品，因此在汇总所有对照检验报告的数据之后，对照检验报告中各项对照指标的所有数据基本满足正态分布，可以根据同一对照指标中的对照数据计算偏态系数，对于偏态系数处于系数范围的近似正态分布，可以基于正态分布划定对照指标的数据范围，对于偏态系数不处于系数范围的偏态分布，可以通过BOX-COX变换将偏态修正为正态，再划定出数据范围。
可选的，所述将所述异常数据分布情况和所述数据范围作为核验标准核验所述检验结果中的各个目标指标，并将所述目标指标划分为异常指标和正常指标包括如下步骤：
判断所述检验结果中目标指标的目标数据是否处于所述数据范围内；
若所述目标数据处于所述数据范围，则将对应的目标指标划分为正常指标；
若所述目标数据不处于所述数据范围，则判断所述目标指标对应的所述异常概率是否为0；
若所述目标指标对应的所述异常概率为0，则将对应的目标指标划分为异常指标；
若所述目标指标对应的所述异常概率不为0，则计算所述目标数据与预设的标准极值之间的基础差值；
判断所述基础差值是否小于等于所述平均差值；
若所述基础差值小于等于所述平均差值，则将对应的目标指标划分为所述正常指标；
若所述基础差值大于所述平均差值，则将对应的目标指标划分为所述异常指标。
通过采用上述技术方案，依次根据数据范围、异常概率和平均差值对目标指标中的目标数据进行嵌套判断，以保障对目标指标的精确划分，有利于提升检验结果核验的精确度。
可选的，所述结合所述样品信息和所述检验结果生成检验报告包括如下步骤：
基于所述样品信息对预设的检验报告数据库进行检索，并判断是否检索到所述样品信息对应的历史检索报告；
若未检索到所述样品信息对应的所述历史检索报告，则结合所述样品信息和所述检验结果生成检验报告，并将所述检验报告存储于所述检验报告数据库中；
若检索到所述样品信息对应的所述历史检索报告，则根据所述历史检索报告和所述检验结果生成比对结果；
结合所述样品信息、所述检验结果和所述比对结果生成所述检验报告，并将所述检验报告存储于所述检验报告数据库中。
通过采用上述技术方案，在生成检验报告时，除了在检验报告中体现样品信息和检验结果之外，若同类样品在检验报告数据库中存在历史检索报告，可以将历史检索报告与检验结果进行比对并生成比对结果，将比对结果也加入至检验报告中，有利于人工查验检验报告时可以通过比对结果初步了解检验情况，节省人工查验时的流程和时间。
第二方面，本申请还提供一种食品检测系统，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程序，该程序能够被处理器加载执行时实现如第一方面中所述的一种食品检测方法。
通过采用上述技术方案，通过程序的调取，可以先获取到待检测食品样品的样品信息，根据样品信息采用对应的检验标准进行检验并得到检验结果，再基于样品信息在大数据中检索到大量同类型的检验结果进行自动核验，若判断核验结果通过，则可以生成最终的检验报告，若核验结果不通过，则说明检验结果与大数据中的大量数据有明显冲突，判断检测设备可能出现异常，因此需要将对应的待测视频样品标记为待重检食品样品，等待后续检修设备后重新检测或直接通过人工检测进行重新检测。相较于直接采用人工抽检的方式进行核验，可以对所有检验报告进行核验，还不需要耗费大量的人力、物力和时间。
第三方面，本申请还提供一种计算机存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如第一方面中所述的一种食品检测方法。
通过采用上述技术方案，通过程序的调取，可以先获取到待检测食品样品的样品信息，根据样品信息采用对应的检验标准进行检验并得到检验结果，再基于样品信息在大数据中检索到大量同类型的检验结果进行自动核验，若判断核验结果通过，则可以生成最终的检验报告，若核验结果不通过，则说明检验结果与大数据中的大量数据有明显冲突，判断检测设备可能出现异常，因此需要将对应的待测视频样品标记为待重检食品样品，等待后续检修设备后重新检测或直接通过人工检测进行重新检测。相较于直接采用人工抽检的方式进行核验，可以对所有检验报告进行核验，还不需要耗费大量的人力、物力和时间。
综上所述，本申请包括以下有益技术效果：
先获取到待检测食品样品的样品信息，根据样品信息采用对应的检验标准进行检验并得到检验结果，再基于样品信息在大数据中检索到大量同类型的检验结果进行自动核验，若判断核验结果通过，则可以生成最终的检验报告，若核验结果不通过，则说明检验结果与大数据中的大量数据有明显冲突，判断检测设备可能出现异常，因此需要将对应的待测视频样品标记为待重检食品样品，等待后续检修设备后重新检测或直接通过人工检测进行重新检测。相较于直接采用人工抽检的方式进行核验，可以对所有检验报告进行核验，还不需要耗费大量的人力、物力和时间。
附图说明
图1是本申请其中一实施例的食品检测方法的流程示意图。
图2是本申请其中一实施例的基于样品信息获取对应检验标准的流程示意图。
图3是本申请其中一实施例的结合样品信息和大数据核验检验结果，并判断核验结果是否通过的流程示意图。
图4是本申请其中一实施例的结合多个对照检验结果分析对照指标的异常数据分布情况和数据范围的流程示意图。
图5是本申请其中一实施例的基于对照数据划定对照指标的数据范围的流程示意图。
图6是本申请其中一实施例的结合异常数据分布情况和数据范围将目标指标划分为异常指标和正常指标的流程示意图。
图7是本申请其中一实施例的结合样品信息和检验结果生成检验报告的流程示意图。
具体实施方式
以下结合附图1至7对本申请作进一步详细说明。
本申请实施例公开了一种食品检测方法。
参照图1，食品检测方法包括如下步骤：
S101.获取待检测食品样品的样品信息。
其中，待检测食品样品可以为各个品种的食品样品，待检测食品样品上附带有RFID标签或二维码信息，待检测食品样品的样品信息存储于RFID标签或二维码信息中。若附带有RFID标签，则可以通过RFID接收器读取RFID标签中RFID芯片的信息，从而获取到样品信息；若附带有二维码信息，则可以通过二维码撒苗器扫描二维码信息以获取到样品信息。样品信息包括待检测食品样品的样品批次、样品名称、样品重量、样品出产地、送检时间等信息。
S102.基于样品信息获取对应的检验标准。
其中，所获取的检验标准均为国际标准或国家标准。
S103.根据检验标准检验待检测食品样品，得到检验结果。
其中，通过食品检测设备对待检测食品样品进行检验，并在检验结束后自动生成检验结果，食品检测设备包括但不限于农药残留检测设备、营养素检测设备、理化指标检测设备、添加剂检测设备、毒害物质检测设备、微生物检测设备。
S104.结合样品信息和大数据核验检验结果，并判断核验结果是否通过，若核验结果未通过，则执行步骤S105；若核验结果通过，则执行步骤S106。
其中，基于待检测食品样品的样品信息获取到待检测食品样品的种类，再通过大数据获取到该种类视频的多个检验结果，再根据多个检验结果分析出检验结果的检验数据规律，通过检验数据规律对检验结果进行核验，从而最终判断核验结果是否通过。
S105.将对应待检测食品样品标记为待重检食品样品。
其中，若食品样品的检验结果核验未通过，则在该食品样品的RFID标签或二维码信息中添加待重检信息，将该食品样品标记为待重检食品样品，待重检食品样品需要等待检测设备检修完毕后进行重新检验，或直接通过人工检验的方式进行检验。
S106.结合样品信息和检验结果生成检验报告。
其中，将各个检测设备生成的检验结果和样品信息中的样品批次、样品名称、样品重量、样品出产地、送检时间等信息整合，并最终生成电子版的检验报告。
本实施例的实施原理为：
先获取到待检测食品样品的样品信息，根据样品信息采用对应的检验标准进行检验并得到检验结果，再基于样品信息在大数据中检索到大量同类型的检验结果进行自动核验，若判断核验结果通过，则可以生成最终的检验报告，若核验结果不通过，则说明检验结果与大数据中的大量数据有明显冲突，判断检测设备可能出现异常，因此需要将对应的待测视频样品标记为待重检食品样品，等待后续检修设备后重新检测或直接通过人工检测进行重新检测。相较于直接采用人工抽检的方式进行核验，可以对所有检验报告进行核验，还不需要耗费大量的人力、物力和时间。
在图1所示实施例的步骤S102中，对于不同类别的待检测食品样品，调取不同的检验标准以备检验。具体通过图2所示实施例进行详细说明。
参照图2，基于样品信息获取对应检验标准包括如下步骤：
S201.基于样品信息确定待检测食品样品的分类类别。
其中，根据样品信息中的样品名称、样品批次和样品出产地在预设的食品数据库中进行检索，食品数据库中预先存储有各个种类的食品名称及其对应的分类类别，分类类别包括加工品、调味品、油脂、肉制品、乳制品、蔬菜制品、水果制品、水产制品、坚果等。
S202.基于分类类别从预设的检验标准数据库中调取对应的检验标准。
其中，预设的检验标准数据库中预先存储有所有类别食品的检验标准。
本实施例的实施原理为：
不同类别的待检测食品样品需要严格按照不同类型的检验标准进行检验，因此可以根据样品信息识别出待检测食品样品的分类类别，再从检验标准数据库中直接调取出对应的检验标准。
在图1所示实施例的步骤S104中，可以通过大数据获取相同分类类别下的多个对照实验结果，并分析出异常数据分布情况和数据范围，再对检验结果进行核验，以划分出检验结果中的异常指标和正常指标。具体通过图3所示实施例进行详细说明。
参照图3，结合样品信息和大数据核验检验结果，并判断核验结果是否通过包括如下步骤：
S301.根据分类类别并通过大数据获取多个相同分类类别的对照检验结果。
其中，通过样品信息获取到待检测食品样品的分类类别，再通过大数据技术在互联网中搜索相同分类类别的检验结果作为对照检验结果。大数据技术包括数据库采集、网络数据采集、文件采集等。
S302.结合多个对照检验结果，分析得到对照检验结果中各个对照指标的异常数据分布情况和数据范围。
S303.将异常数据分布情况和数据范围作为核验标准核验检验结果中的各个目标指标，并将目标指标划分为异常指标和正常指标。
S304.判断检验结果中是否存在异常指标，若检验结果中存在异常指标，则执行步骤S305；若检验结果中不存在异常指标，则执行步骤S306。
其中，若检验结果中存在异常指标，则说明相应检测设备对于该异常指标的检测可能有异常。
S305.判断核验结果为不通过。
其中，核验结果不通过会将对应的食品样品标记为待重检食品样品。
S306.判断核验结果为通过。
其中，核验结果通过将会生成检验报告。
本实施例的实施原理为：
通过大数据可以获取到与检验结果相同分类类别的其他检测样品的对照检验结果，分析对照检验结果中各个指标的异常数据分布情况和数据范围，结合异常数据分布情况和数据范围对检验结果中各个目标指标的数据进行核验，核验各项目标指标的数据是否符合大数据规律，并依此将目标指标划分为异常指标和正常指标，当核验出检验结果中存在异常指标，则核验结果不通过。
在图3所示实施例的步骤S302中，根据多个对照检验结果中各个对照指标的所有对照数据，可以分析出各个对照指标的异常数据分布情况和对照范围。具体通过图4所示实施例进行详细说明。
参照图4，结合多个对照检验结果分析对照指标的异常数据分布情况和数据范围包括如下步骤：
S401.基于多个对照检验结果中各个对照指标的所有对照数据，划定各个对照指标的数据范围。
其中，对照检验结果中包含多个对照指标，由于对照检验结果均为同类型的对照检验结果，因此每个对照检验结果中所包含的对照指标数量、对照指标名称均相同，获取到了N个对照检验结果，则每个对照指标就对应有N个对照数据，且对照检验结果绝大多数均为检验合格的检验结果，因此在对照指标中的对照数据基本呈正态分布，因此可以根据正态分布的特征划定数据范围，对于偏态分布的对照数据可以进行数据变换，再划定数据范围。
S402.将数据范围的两个极值分别作为上极限和下极限，基于对照指标的对照数据绘制对照指标的数据箱型图。
其中，假设数据范围为[1,100]，则将1作为下极限，100作为上极限，数据箱型图中可以呈现对照指标中所有对照数据的中位数、上四分位数Q3、下四分位数Q1，通过Q3和Q1可以计算出四分位距IQR，IQR=Q3-Q1。
S403.标记出数据箱型图中的离群数据，计算每个离群数据与上极限或下极限之间的数据差值。
其中，离群数据为小于Q1-1.5IQR或大于Q3+1.5IQR的值，若离群数据为小于Q1-1.5IQR的值，则数据差值为该离群数据与下极限之间的差；若离群数据为大于Q3+1.5IQR的值，则数据差值为该离群数据与上极限之间的差。
S404.根据数据差值计算对照指标中所有离群数据的平均差值。
其中，所有离群数据的数据差值之和除以离群数据的数量，即可得到所有离群数据的平均差值。
S405.分别统计出各个对照指标中离群数据的离群数据量和所有对照检验结果中离群数据的离群数据总量。
其中，举例来说，假设有A、B、C三个对照检验结果，每个对照检验结果中均包含一模一样的a、b、c三个对照指标，A对照检验结果的a为离群数据，B对照检验结果中的a和b均为离群数据，C对照检验结果中没有离群数据，则a对照指标的离群数据量为2，b对照指标的离群数据量为1，c对照指标的离群数据量为0，所有对照检验结果中离群数据的离群数据总量为2+1+0=3。
S406.结合离群数据量和离群数据总量分别计算出各个对照指标的异常概率。
其中，以步骤S405详细说明中的例子来说，a对照指标的异常概率为2/3，b对照指标的异常概率为1/3，c对照指标的异常概率为0。
S407.通过平均差值和异常概率标识对照检验结果中各个对照指标的异常数据分布情况。
其中，经过步骤S401至步骤S406的分析计算之后，将所有对照检验结果的对照数据基于对照指标整合为数据列表，数据列表中包括对照指标名称、对照指标名称对应的离群数据平均差值、对照指标名称对应的异常概率。
本实施例的实施原理为：
通过多个对照检验结果中同一对照指标的所有对照数据，划定出该对照指标的数据范围，并基于该对照指标的所有对照数据绘制出数据箱型图，进而可以在数据箱型图中标记出异常的离群数据，根据数据箱型图计算出所有离群数据的平均差值，并计算出各个对照指标相对于整体对照检验结果的异常概率，即可标识出对照检验结果中各个对照指标的异常数据分布情况。
在图4所示实施例的步骤S401中，由于对照指标中的大量数据基本呈正态分布，因此可以根据正态分布的特征划定数据范围，对于偏态分布的对照数据可以进行数据变换，再划定数据范围。具体通过图5所示实施例进行详细说明。
参照图5，基于对照数据划定对照指标的数据范围包括如下步骤：
S501.基于各个对照指标的所有对照数据计算得到对照数据的平均值μ、中位数M和标准差σ。
其中，假设对照指标中的对照数据从小到大排序后为X1，...，XN，则该对照指标中对照数据的平均值μ为（X1+...+XN）/N，若N为偶数，则该对照指标中对照数据的中位数M为X(N+1)/2,若N为奇数，则该对照指标中对照数据的中位数M为（X(N/2)+X(N/2+1)）/2，该对照指标中对照数据标准差σ的计算公式为：
Figure 781362DEST_PATH_IMAGE001
。
S502.结合平均值μ、中位数M和标准差σ计算对照数据的偏态系数。
其中，根据步骤S501中的对照数据，偏态系数的计算公式为：
Figure 943003DEST_PATH_IMAGE002
。
式中，SK为偏态系数，n为偏态常数，n取1。
S503.判断偏态系数是否处于预设的系数范围，若偏态系数处于系数范围，则执行步骤S504；若偏态系数不处于系数范围，则执行步骤S505。
其中，正常情况下，只有偏态系数为0时，对照指标中所有对照数据才表示为完全正态分布，但由于对照指标中的所有对照数据难以实现完全正态分布，因此在判断正态分布时增加偏态系数的判断范围，即预设一个系数范围，系数范围可以根据实际情况进行人工设定并修改，若对照指标中所有对照数据的偏态数据处于系数范围内，则认为该组对照数据基本满足正态分布。
S504.划定对应对照指标的数据范围为[μ-3σ，μ+3σ]。
其中，由于对照指标中的所有对照数据基本满足正态分布，因此可以筛除将与平均值的偏差超过三倍标准差的值。
S505.根据所有对照数据确定最优变换参数。
其中，最优变换参数为BOX-COX变换时的关键参数，可以通过极大似然法来确定最优变换参数。
S506.基于最优变换参数并通过BOX-COX变换对所有对照数据进行数据变换，得到修正数据。
其中，BOX-COX变换的一般形式为：
Figure 897229DEST_PATH_IMAGE003
式中，y(λ)为经Box-Cox变换后得到的修正数据，y为原始的对照数据，λ为步骤S505中所确定的最优变换参数。
S507.计算修正数据的平均值μ’和标准差σ’，并划定对应对照指标的数据范围为[μ’-3σ’，μ’+3σ’]。
其中，具体参照步骤S501和步骤S504的详细说明。
本实施例的实施原理为：
由于通过大数据所获取的对照检验报告足够多，并且绝大部分的对照检验报告所检测的样品均为合格样品，因此在汇总所有对照检验报告的数据之后，对照检验报告中各项对照指标的所有数据基本满足正态分布，可以根据同一对照指标中的对照数据计算偏态系数，对于偏态系数处于系数范围的近似正态分布，可以基于正态分布划定对照指标的数据范围，对于偏态系数不处于系数范围的偏态分布，可以通过BOX-COX变换将偏态修正为正态，再划定出数据范围。
在图3所示实施例的步骤S303中，结合数据范围、对照数据中异常数据的异常概率、异常数据对于各个对照指标的异常数据分布情况，对检验结果中的目标指标进行综合判断，并根据判断结果划分出异常指标和正常指标。具体通过图6所示实施例进行详细说明。
参照图6，结合异常数据分布情况和数据范围将目标指标划分为异常指标和正常指标包括如下步骤：
S601.判断检验结果中目标指标的目标数据是否处于数据范围内，若目标数据处于数据范围内，则执行步骤S602；若目标数据不处于数据范围内，则执行步骤S603。
其中，检验结果中的目标指标与对照检验结果中的对照指标一一对应相同。
S602.将对应的目标指标划分为正常指标。
S603.判断目标指标对应的异常概率是否为0，若目标指标对应的异常概率为0，则执行步骤S604；若目标指标对应的异常概率不为0，则执行步骤S605。
其中，目标指标对应的异常概率为目标指标所对应的相同的对照指标的异常概率。
S604.将对应的目标指标划分为异常指标。
S605.计算目标数据与预设的标准极值之间的基础差值。
其中，标准极值包括标准上极值和标准下极值，标准上极值可以与权步骤S402中目标指标对应的对照指标的数据箱型图中的上限值相同，标准下极值可以与步骤S402中目标指标对应的对照指标的数据箱型图中的下限值相同，也可以根据实际情况进行人为设定。
S606.判断基础差值是否小于等于平均差值，若基础差值小于等于平均差值，则执行步骤S607；若基础差值大于平均差值，则执行步骤S608。
S607.将对应的目标指标划分为正常指标。
S608.将对应的目标指标划分为异常指标。
本实施例的实施原理为：
依次根据数据范围、异常概率和平均差值对目标指标中的目标数据进行嵌套判断，以保障对目标指标的精确划分，有利于提升检验结果核验的精确度。
在图1所示实施例的步骤S106中，通过预设的检验报告数据库检索是否存在样品信息对应的历史检索报告，若存在，则可以通过历史检索报告与检验结果对比所产生比对结果，并将比对结果增加至检索报告中。具体通过图7所示实施例进行详细说明。
参照图7，结合样品信息和检验结果生成检验报告包括如下步骤：
S701.基于样品信息对预设的检验报告数据库进行检索，并判断是否检索到样品信息对应的历史检索报告，若未检索到样品信息对应的历史检索报告，则执行步骤S702；若检索到样品信息对应的历史检索报告，则执行步骤S703。
其中，预设的检验报告数据库中预先存储有历史所有样品的检验报告，根据样品信息中的样品名称在预设的检验报告数据库中进行关键词检索。
S702.结合样品信息和检验结果生成检验报告，并将检验报告存储于检验报告数据库中。
其中，检验报告中包含所有检测设备的检测结果和食品样品的样品批次、样品名称、样品重量、样品出产地、送检时间等信息，检测结果则是以文字、图表、照片相结合的形式呈现。检验报告为电子检验报告，在生成后将会自动上传至检验报告数据库中。
S703.根据历史检索报告和检验结果生成比对结果。
其中，将历史检索报告中历史检验结果的各指标数据与检验结果中的各指标数据进行一一比对，所生成的比对结果即为数据不相同的指标和指标对应的历史数据。
S704.结合样品信息、检验结果和比对结果生成检验报告，并将检验报告存储于检验报告数据库中。
本实施例的实施原理为：
在生成检验报告时，除了在检验报告中体现样品信息和检验结果之外，若同类样品在检验报告数据库中存在历史检索报告，可以将历史检索报告与检验结果进行比对并生成比对结果，将比对结果也加入至检验报告中，有利于人工查验检验报告时可以通过比对结果初步了解检验情况，节省人工查验时的流程和时间。
本申请实施例还公开一种食品检测系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，该程序能够被处理器加载执行时实现如图1至图7中所示的一种食品检测方法。
本实施例的实施原理为：
通过程序的调取，可以先获取到待检测食品样品的样品信息，根据样品信息采用对应的检验标准进行检验并得到检验结果，再基于样品信息在大数据中检索到大量同类型的检验结果进行自动核验，若判断核验结果通过，则可以生成最终的检验报告，若核验结果不通过，则说明检验结果与大数据中的大量数据有明显冲突，判断检测设备可能出现异常，因此需要将对应的待测视频样品标记为待重检食品样品，等待后续检修设备后重新检测或直接通过人工检测进行重新检测。相较于直接采用人工抽检的方式进行核验，可以对所有检验报告进行核验，还不需要耗费大量的人力、物力和时间。
本申请实施例还公开一种计算机存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时使处理器实现如如图1至图7中所示的一种食品检测方法。
本实施例的实施原理为：
通过程序的调取，可以先获取到待检测食品样品的样品信息，根据样品信息采用对应的检验标准进行检验并得到检验结果，再基于样品信息在大数据中检索到大量同类型的检验结果进行自动核验，若判断核验结果通过，则可以生成最终的检验报告，若核验结果不通过，则说明检验结果与大数据中的大量数据有明显冲突，判断检测设备可能出现异常，因此需要将对应的待测视频样品标记为待重检食品样品，等待后续检修设备后重新检测或直接通过人工检测进行重新检测。相较于直接采用人工抽检的方式进行核验，可以对所有检验报告进行核验，还不需要耗费大量的人力、物力和时间。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。

Claims (7)

1.一种食品检测方法，其特征在于，包括如下步骤：
获取待检测食品样品的样品信息；
基于所述样品信息确定所述待检测食品样品的分类类别；
基于所述分类类别从预设的检验标准数据库中调取对应的检验标准；
根据所述检验标准检验所述待检测食品样品，得到检验结果；
结合所述样品信息和大数据核验所述检验结果，并判断核验结果是否通过；
根据所述分类类别并通过大数据获取多个相同所述分类类别的对照检验结果；
结合多个所述对照检验结果，分析得到所述对照检验结果中各个对照指标的异常数据分布情况和数据范围；
将所述异常数据分布情况和所述数据范围作为核验标准核验所述检验结果中的各个目标指标，并将所述目标指标划分为异常指标和正常指标；
判断所述检验结果中是否存在所述异常指标；
若所述检验结果中存在所述异常指标，则判断核验结果为不通过；
若所述检验结果中不存在所述异常指标，则判断核验结果为通过；
若所述核验结果未通过，则将对应待检测食品样品标记为待重检食品样品；
若所述核验结果通过，则结合所述样品信息和所述检验结果生成检验报告。
2.根据权利要求1所述的一种食品检测方法，其特征在于，所述结合多个所述对照检验结果，分析得到所述对照检验结果中各个对照指标的异常数据分布情况和数据范围包括如下步骤：
基于多个所述对照检验结果中各个对照指标的所有对照数据，划定各个所述对照指标的数据范围；
将所述数据范围的两个极值分别作为上极限和下极限，基于所述对照指标的对照数据绘制所述对照指标的数据箱型图；
标记出所述数据箱型图中的离群数据，计算每个所述离群数据与所述上极限或所述下极限之间的数据差值；
根据所述数据差值计算所述对照指标中所有所述离群数据的平均差值；
分别统计出各个所述对照指标中所述离群数据的离群数据量和所有所述对照检验结果中所述离群数据的离群数据总量；
结合所述离群数据量和所述离群数据总量分别计算出各个所述对照指标的异常概率；
通过所述平均差值和所述异常概率标识所述对照检验结果中各个所述对照指标的异常数据分布情况。
3.根据权利要求2所述的一种食品检测方法，其特征在于，所述基于多个所述对照检验结果中的所有对照数据，划定所述对照检验结果各个对照指标的数据范围包括如下步骤：
基于各个对照指标的所有对照数据计算得到所述对照数据的平均值μ、中位数M和标准差σ；
结合所述平均值μ、所述中位数M和所述标准差σ计算所述对照数据的偏态系数；
判断所述偏态系数是否处于预设的系数范围；
若所述偏态系数处于所述系数范围，则划定对应所述对照指标的数据范围为[μ-3σ，μ+3σ]；
若所述偏态系数不处于所述系数范围，则根据所有所述对照数据确定最优变换参数；
基于所述最优变换参数并通过BOX-COX变换对所有所述对照数据进行数据变换，得到修正数据；
计算所述修正数据的平均值μ’和标准差σ’，并划定对应所述对照指标的数据范围为[μ’-3σ’，μ’+3σ’]。
4.根据权利要求2所述的一种食品检测方法，其特征在于，所述将所述异常数据分布情况和所述数据范围作为核验标准核验所述检验结果中的各个目标指标，并将所述目标指标划分为异常指标和正常指标包括如下步骤：
判断所述检验结果中目标指标的目标数据是否处于所述数据范围内；
若所述目标数据处于所述数据范围，则将对应的目标指标划分为正常指标；
若所述目标数据不处于所述数据范围，则判断所述目标指标对应的所述异常概率是否为0；
若所述目标指标对应的所述异常概率为0，则将对应的目标指标划分为异常指标；
若所述目标指标对应的所述异常概率不为0，则计算所述目标数据与预设的标准极值之间的基础差值；
判断所述基础差值是否小于等于所述平均差值；
若所述基础差值小于等于所述平均差值，则将对应的目标指标划分为所述正常指标；
若所述基础差值大于所述平均差值，则将对应的目标指标划分为所述异常指标。
5.根据权利要求1所述的一种食品检测方法，其特征在于，所述结合所述样品信息和所述检验结果生成检验报告包括如下步骤：
基于所述样品信息对预设的检验报告数据库进行检索，并判断是否检索到所述样品信息对应的历史检索报告；
若未检索到所述样品信息对应的所述历史检索报告，则结合所述样品信息和所述检验结果生成检验报告，并将所述检验报告存储于所述检验报告数据库中；
若检索到所述样品信息对应的所述历史检索报告，则根据所述历史检索报告和所述检验结果生成比对结果；
结合所述样品信息、所述检验结果和所述比对结果生成所述检验报告，并将所述检验报告存储于所述检验报告数据库中。
6.一种食品检测系统，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程序，该程序能够被处理器加载执行时实现如权利要求1至5中任一项所述的一种食品检测方法。
7.一种计算机存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1至5中任一项所述的一种食品检测方法。
CN202211250406.6A 2022-10-13 2022-10-13 一种食品检测方法、系统及存储介质 Active CN115329905B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211250406.6A CN115329905B (zh) 2022-10-13 2022-10-13 一种食品检测方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211250406.6A CN115329905B (zh) 2022-10-13 2022-10-13 一种食品检测方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN115329905A true CN115329905A (zh) 2022-11-11
CN115329905B CN115329905B (zh) 2022-12-09

Family

ID=83914096

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211250406.6A Active CN115329905B (zh) 2022-10-13 2022-10-13 一种食品检测方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN115329905B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117390005A (zh) * 2023-10-23 2024-01-12 广东产品质量监督检验研究院（国家质量技术监督局广州电气安全检验所、广东省试验认证研究院、华安实验室） 基于大数据的检验预测方法、装置、计算机设备及存储介质
CN117688452A (zh) * 2024-02-01 2024-03-12 山东龙奥生物技术有限公司 一种基于神经网络的食品农药残留量检测预警方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2014103100A (ru) * 2014-01-30 2015-08-10 Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Воронежский государственный университет инженерных технологий" (ФГБОУ ВПО "ВГУИТ") Способ оценки качества мясного сырья на основе входного контроля
CN107133802A (zh) * 2017-04-14 2017-09-05 贵州省分析测试研究院 一种基于大数据的食品品质研判系统及其控制方法
CN109636623A (zh) * 2018-10-19 2019-04-16 平安医疗健康管理股份有限公司 医疗数据异常检测方法、装置、设备及存储介质
AU2020103340A4 (en) * 2020-11-10 2021-01-21 Guizhou Provincial Center For Disease Control And Prevention A Physical and Chemical Data Analysis System for Food Safety Risk Monitoring
CN115112407A (zh) * 2022-08-29 2022-09-27 中大智能科技股份有限公司 一种食品检测用样品采集方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2014103100A (ru) * 2014-01-30 2015-08-10 Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Воронежский государственный университет инженерных технологий" (ФГБОУ ВПО "ВГУИТ") Способ оценки качества мясного сырья на основе входного контроля
CN107133802A (zh) * 2017-04-14 2017-09-05 贵州省分析测试研究院 一种基于大数据的食品品质研判系统及其控制方法
CN109636623A (zh) * 2018-10-19 2019-04-16 平安医疗健康管理股份有限公司 医疗数据异常检测方法、装置、设备及存储介质
AU2020103340A4 (en) * 2020-11-10 2021-01-21 Guizhou Provincial Center For Disease Control And Prevention A Physical and Chemical Data Analysis System for Food Safety Risk Monitoring
CN115112407A (zh) * 2022-08-29 2022-09-27 中大智能科技股份有限公司 一种食品检测用样品采集方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117390005A (zh) * 2023-10-23 2024-01-12 广东产品质量监督检验研究院（国家质量技术监督局广州电气安全检验所、广东省试验认证研究院、华安实验室） 基于大数据的检验预测方法、装置、计算机设备及存储介质
CN117688452A (zh) * 2024-02-01 2024-03-12 山东龙奥生物技术有限公司 一种基于神经网络的食品农药残留量检测预警方法及系统
CN117688452B (zh) * 2024-02-01 2024-05-07 山东龙奥生物技术有限公司 一种基于神经网络的食品农药残留量检测预警方法及系统

Also Published As

Publication number Publication date
CN115329905B (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
CN115329905B (zh) 一种食品检测方法、系统及存储介质
KR102137184B1 (ko) 자동 및 수동 결함 분류의 통합
KR102110755B1 (ko) 자동 결함 분류를 위한 알려지지 않은 결함 리젝션의 최적화
Forcino et al. Reexamining sample size requirements for multivariate, abundance-based community research: when resources are limited, the research does not have to be
CN103886168A (zh) 基于层次分析法的多渠道分析方法及装置
Barley et al. Assessing the performance of DNA barcoding using posterior predictive simulations
CN110751451A (zh) 一种实验室大数据管理系统
CN108829878B (zh) 一种工业实验数据异常点检测方法及装置
CN110083542B (zh) 一种推荐系统中模型测试方法、装置及电子设备
CN107392380A (zh) 一种用于淡水水生生物水质基准预测的系统
CN113850244B (zh) 基于图像识别的输煤量监测方法、装置、设备及存储介质
CN110703215A (zh) 一种基于支持向量机的机载sar成像质量评估方法
KR20210105335A (ko) 반도체 시편에서의 결함들의 분류
CN114912702A (zh) 基于大数据的道路性能预测方法、装置、设备及存储介质
CN113723467A (zh) 用于缺陷检测的样本收集方法、装置和设备
US20160155207A1 (en) Document identification and inspection system, document identification and inspection method, and document identification and inspection program
CN111504927A (zh) 用于食品检测的高效稳定的原子吸收光谱仪及其控制方法
CN109409590A (zh) 一种用于淡水水生生物水质基准预测的系统
CN112529112B (zh) 一种矿物识别的方法和装置
CN114911085A (zh) 分析缺陷的方法
CN114987773A (zh) 飞机液压系统性能异常识别方法、装置、设备及介质
CN112328951B (zh) 一种分析样品的实验数据的处理方法
CN115048290A (zh) 软件质量的评估方法、装置、存储介质及计算机设备
CN112734289A (zh) 国防技术发展周期评估方法及系统
CN110991940A (zh) 海洋观测数据产品质量在线检验方法、装置及服务器

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