CN115375195A - 针对食品添加剂的预警方法、装置、电子设备及存储介质 - Google Patents
针对食品添加剂的预警方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115375195A CN115375195A CN202211299438.5A CN202211299438A CN115375195A CN 115375195 A CN115375195 A CN 115375195A CN 202211299438 A CN202211299438 A CN 202211299438A CN 115375195 A CN115375195 A CN 115375195A
- Authority
- CN
- China
- Prior art keywords
- food
- additive
- early warning
- information
- ingredient
- 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
- 235000013373 food additive Nutrition 0.000 title claims abstract description 93
- 239000002778 food additive Substances 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000003860 storage Methods 0.000 title claims abstract description 33
- 235000013305 food Nutrition 0.000 claims abstract description 235
- 239000000654 additive Substances 0.000 claims abstract description 159
- 230000000996 additive effect Effects 0.000 claims abstract description 152
- 238000004519 manufacturing process Methods 0.000 claims abstract description 125
- 238000001514 detection method Methods 0.000 claims abstract description 110
- 239000004615 ingredient Substances 0.000 claims description 89
- 239000000463 material Substances 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 235000012041 food component Nutrition 0.000 claims description 15
- 239000005417 food ingredient Substances 0.000 claims description 15
- 238000007689 inspection Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- WPYMKLBDIGXBTP-UHFFFAOYSA-N benzoic acid group Chemical group C(C1=CC=CC=C1)(=O)O WPYMKLBDIGXBTP-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 239000004342 Benzoyl peroxide Substances 0.000 description 3
- OMPJBNCRMGITSC-UHFFFAOYSA-N Benzoylperoxide Chemical group C=1C=CC=CC=1C(=O)OOC(=O)C1=CC=CC=C1 OMPJBNCRMGITSC-UHFFFAOYSA-N 0.000 description 3
- 235000019400 benzoyl peroxide Nutrition 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 239000005711 Benzoic acid Substances 0.000 description 2
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 2
- 244000046052 Phaseolus vulgaris Species 0.000 description 2
- 235000010233 benzoic acid Nutrition 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000013312 flour Nutrition 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000002075 main ingredient Substances 0.000 description 2
- 235000013622 meat product Nutrition 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 239000003755 preservative agent Substances 0.000 description 2
- 230000002335 preservative effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000012954 risk control Methods 0.000 description 2
- 235000010199 sorbic acid Nutrition 0.000 description 2
- 239000004334 sorbic acid Substances 0.000 description 2
- 229940075582 sorbic acid Drugs 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002255 enzymatic effect Effects 0.000 description 1
- BEFDCLMNVWHSGT-UHFFFAOYSA-N ethenylcyclopentane Chemical compound C=CC1CCCC1 BEFDCLMNVWHSGT-UHFFFAOYSA-N 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- WSWCOQWTEOXDQX-MQQKCMAXSA-N sorbic acid group Chemical group C(\C=C\C=C\C)(=O)O WSWCOQWTEOXDQX-MQQKCMAXSA-N 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000005303 weighing 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
- 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
- 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
- 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
Abstract
本申请提供了一种针对食品添加剂的预警方法、装置、电子设备及存储介质,涉及物联网技术领域。方法包括:从物联网平台获取食品检测设备采集到的检测数据;其中,食品检测设备部署在目标食品的不同生产环节;基于检测数据确定目标食品的添加剂使用信息;在目标食品的添加剂使用信息不符合食品添加剂使用标准的情况下,生成第一预警信息,第一预警信息中包括不符合食品添加剂使用标准的添加剂使用信息和对应的生产环节。本申请技术方案能够在出现食品添加剂风险情况时实时预警,并便于追溯到对应的生产环节,了解发生问题的根源。
Description
技术领域
本申请涉及物联网技术领域,尤其涉及一种针对食品添加剂的预警方法、装置、电子设备及存储介质。
背景技术
食品添加剂按其原料和生产方法可以分为化学合成添加剂和天然食品添加剂。一般说来除了化学合成的添加剂外,其余的都可以归为天然食品添加剂,主要来自植物、动物、酶法生产和微生物菌体生产。在食品行业存在食品添加剂使用不规范或不达标的现象,但由于食品企业数量众多,情况复杂,监管资源相对有限,难以对食品添加剂的使用做到全面监管和及时预警。
发明内容
本申请实施例提供一种针对食品添加剂的预警方法、装置、电子设备及存储介质,以针对食品添加剂的使用不符合食品添加剂使用标准的情况进行预警。
第一方面,本申请实施例提供了一种针对食品添加剂的预警方法,包括:
从物联网平台获取食品检测设备采集到的检测数据;其中,食品检测设备部署在目标食品的不同生产环节;
基于检测数据确定目标食品的添加剂使用信息;
在目标食品的添加剂使用信息不符合食品添加剂使用标准的情况下,生成第一预警信息,第一预警信息中包括不符合食品添加剂使用标准的添加剂使用信息和对应的生产环节;
向与第一预警信息对应的生产环节的食品检测设备发送第一预警信息,以使对应的生产环节的食品检测设备基于第一预警信息展示预警提示信号。
第二方面,本申请实施例提供了一种针对食品添加剂的预警装置,包括:
检测数据获取模块,用于从物联网平台获取食品检测设备的检测数据;其中,食品检测设备部署在目标食品的不同生产环节;
添加剂使用信息确定模块,用于基于检测数据确定目标食品的添加剂使用信息;
第一预警信息生成模块,用于在目标食品的添加剂使用信息不符合食品添加剂使用标准的情况下,生成第一预警信息,第一预警信息中包括不符合食品添加剂使用标准的添加剂使用信息和对应的生产环节;
第一预警信息发送模块,用于向与第一预警信息对应的生产环节的食品检测设备发送第一预警信息,以使所述对应的生产环节的食品检测设备基于第一预警信息展示预警提示信号。
第三方面,本申请实施例提供一种电子设备,包括存储器、处理器及存储在存储器上的计算机程序,处理器在执行计算机程序时实现本申请任一实施例提供的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,计算机可读存储介质内存储有计算机程序,计算机程序被处理器执行时实现本申请任一实施例提供的方法。
与现有技术相比,本申请具有如下优点:
本申请实施例提供的技术方案,通过物联网平台获取部署于不同生产环节的食品检测设备的检测数据,从而得到在不同生产环节对目标食品的检测数据;基于不同生产环节的检测数据确定出不同生产环节的添加剂使用信息,进而在添加剂使用信息不符合添加剂使用标准的情况下所生成的第一预警信息,不仅可以指示不符合食品添加剂使用标准的添加剂使用信息,还可以指示对应的生产环节,从而能够在出现食品添加剂风险情况时,及时追溯到对应的生产环节,并触发该生产环节的食品检测设备实时预警,以及时发现和处置风险情况。
上述概述仅仅是为了说明书的目的,并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外,通过参考附图和以下的详细描述,本申请进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中,除非另外规定,否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解,这些附图仅描绘了根据本申请公开的一些实施方式,而不应将其视为是对本申请范围的限制。
图1为本申请实施例提供的针对食品添加剂的预警方法的应用场景的示意图;
图2为本申请实施例一提供的针对食品添加剂的预警方法的流程图;
图3为本申请实施例一提供的应用示例图;
图4为本申请实施例二提供的针对食品添加剂的预警方法的流程图;
图5和图6为本申请实施例二提供的应用示例图;
图7为本申请一实施例提供的针对食品添加剂的预警装置的示意图;
图8为用来实现本申请实施例的电子设备的框图。
具体实施方式
在下文中,仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样,在不脱离本申请的精神或范围的情况下,可通过各种不同方式修改所描述的实施例。因此,附图和描述被认为本质上是示例性的而非限制性的。
为便于理解本申请实施例的技术方案,以下对本申请实施例的相关技术进行说明,以下相关技术作为可选方案与本申请实施例的技术方案可以进行任意结合,其均属于本申请实施例的保护范围。
实施例一
图1为本申请实施例提供的针对食品添加剂的预警方法的应用场景的示意图。如图1所示,食品检测设备可以是物联网设备,部署在目标食品的不同生产环节中,从而在不同生产环节采集对目标食品的检测数据。服务端可以为提供计算服务和应用服务的计算设备。其中,服务端也可以叫业务端,其可以是云服务器。服务端与食品检测设备之间通过物联网平台实现双向通信。
具体地,食品检测设备将采集到的对目标食品在不同生产环节的检测数据上传至物联网平台;服务端从物联网平台获取到该检测数据,并基于该检测数据确定目标食品的添加剂使用信息,进而在该添加剂使用信息不符合食品添加剂使用标准的情况下,生成第一预警信息。
第一预警信息可以发送至一个或多个客户端,如食品检测设备对应的客户端或目标食品的生产主体的客户端。客户端可以是硬件,如手机、个人电脑、平板电脑、可穿戴设备等电子设备,客户端也可以是安装在上述电子设备中的应用程序(Application,APP)。
图2为本申请实施例提供的针对食品添加剂的预警方法的流程图,该方法可以应用于针对食品添加剂的预警装置,该装置可以部署于服务端中。在一些可能的实现方式中,该方法还可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
本实施例中,执行主体可以是服务端。如图2所示,针对食品添加剂的预警方法包括:
步骤S201:从物联网平台获取食品检测设备采集到的检测数据;其中,食品检测设备部署在目标食品的不同生产环节。
其中,食品检测设备可以部署在目标食品的不同生产环节中,例如在创建配方环节、生产投料环节、食品储存环节、食品流转环节、食品包装环节等一个或多个生产环节,部署相同种类或不同种类的食品检测设备。食品检测设备可以在不同生产环节采集对目标食品的检测数据,如各配料名称和对应的配料含量、储存环境和/或流转环境的环境参数、食品标签图像等。食品检测设备将不同生产环节采集到对目标食品的该检测数据上传至物联网平台,服务端从物联网平台获取该检测数据。
步骤S202:基于检测数据确定目标食品的添加剂使用信息。
其中,添加剂使用信息可以包括添加剂名称、添加剂含量、添加剂储存环境参数、添加剂流转环境参数、配料标识信息等中的一种或多种。服务端基于检测数据确定对应的添加剂使用信息。
步骤S203:在目标食品的添加剂使用信息不符合食品添加剂使用标准的情况下,生成第一预警信息,第一预警信息中包括不符合食品添加剂使用标准的添加剂使用信息和对应的生产环节。
其中,食品添加剂使用标准可以包括食品添加剂的使用原则、允许使用的食品添加剂种类、食品添加剂的使用范围、食品添加剂的最大使用量或残留量、食品添加剂的标识规定等。
示例性地,食品添加剂使用标准可以基于相关政策法规确定,食品添加剂使用标准可以根据相关政策法规进行实时更新。
基于食品添加剂使用标准,可以确定出目标食品的添加剂使用信息是否符合食品添加剂使用标准。在目标食品的添加剂使用信息不符合食品添加剂使用标准的情况下,生成第一预警信息。基于第一预警信息可以至少得到不符合食品添加剂使用标准的添加剂使用信息和对应的生产环节。
步骤S204:向与第一预警信息对应的生产环节的食品检测设备发送第一预警信息,以使对应的生产环节的食品检测设备基于第一预警信息展示预警提示信号。
其中,食品检测设备展示预警提示信号的形式,可以是发出警报,如光信号警报或声音信号警报;也可以是食品检测设备的客户端界面发出的界面提示,如弹窗。第一预警信息的发送是实时的,以使目标食品的生产主体及时发现和处置风险情况。
基于本实施例的方法,通过物联网平台获取部署于不同生产环节的食品检测设备的检测数据,从而得到在不同生产环节对目标食品的检测数据;基于不同生产环节的检测数据确定出不同生产环节的添加剂使用信息,进而在添加剂使用信息不符合添加剂使用标准的情况下所生成的第一预警信息,不仅可以指示不符合食品添加剂使用标准的添加剂使用信息,还可以指示对应的生产环节,从而能够在出现食品添加剂风险情况时及时追溯到对应的生产环节,并触发该生产环节的食品检测设备实时预警,便于目标食品的生产主体及时发现和处置风险情况。
在一种实施方式中,本实施例的预警方法还可以包括:向目标食品的生产主体的客户端发送第一预警信息。
目标食品的生产主体基于其客户端所发送的第一预警信息可以及时发现该风险情况及该风险情况发生的生产环节,从而及时处置风险情况。
在一种实施方式中,食品检测设备包括食品配料含量检测设备,食品配料含量检测设备的检测数据包括目标食品的各配料名称和对应的配料含量,添加剂使用信息包括添加剂名称和对应的添加剂含量。
示例性地,食品配料含量检测设备可以是物联秤。物联秤是一种能够根据目标食品的生产配方,进行动态称重和配料控制的自动化物联网设备。
如图3所示,在创建配方生产环节,物联秤可以自动获取生产配方,并基于生产配方动态称重;在生产投料环节,物联秤对配料比例和重量自动控制,并将配料投入生产设备。物联秤中的各配料名称和对应的配料含量等数据自动上传至物联网平台。服务端从物联网平台可以获取目标食品的各配料名称和对应的配料含量,利用算法模型,基于目标食品的各配料名称和对应的配料含量,确定添加剂名称和对应的添加剂含量,并判断添加剂使用信息是否符合食品添加剂使用标准。
示例性地,食品添加剂使用标准可以包括目标食品允许使用的食品添加剂种类和食品添加剂的最大使用量。利用算法模型,将目标食品的添加剂名称与该目标食品允许使用的食品添加剂种类进行分析比较,将目标食品的添加剂含量与该目标食品允许使用的食品添加剂的最大使用量进行比较,进而确定该目标食品的添加剂使用信息是否符合食品添加剂使用标准。
例如:如果目标食品的添加剂名称属于非食用物质,但食品安全规定中规定非食用物质不可以在食品中使用,可以判定该目标食品的添加剂使用信息不符合食品添加剂使用标准。
又如:目标食品是豆制品,添加剂名称为苯甲酸,但食品安全规定中规定苯甲酸的使用范围不包括豆制品,可以判定该目标食品的添加剂使用信息不符合食品添加剂使用标准。
再如:目标食品是面粉,添加剂名称是过氧化苯甲酰,但食品安全规定中规定过氧化苯甲酰在面粉中的最大使用量为0.06/kg,当目标食品中的过氧化苯甲酰含量超过0.06/kg时,可以判定该目标食品的添加剂使用信息不符合食品添加剂使用标准。
进一步地,在判定添加剂使用信息不符合食品添加剂使用标准的情况下,生成第一预警信息,以对该风险情况进行实时预警。例如:向物联秤实时发送第一预警信息,以使物联秤实时展示预警提示信号,如客户端界面提示或物联秤发出警报等。又如:向目标食品的生产主体的客户端实时发送第一预警信息。目标食品的生产主体基于第一预警信息可以及时发现该风险情况及该风险情况发生的生产环节。
示例性地,本实施例中的算法模型可以是统计分析比对的算法模型,也可以是基于深度学习神经网络的添加剂使用预警模型。例如:算法模型是添加剂使用预警模型,将检测数据输入添加剂使用预警模型可以得到目标食品的添加剂使用风险值;在添加剂使用风险值超过第一预设风险值的情况下,确定目标食品的添加剂使用信息不符合食品添加剂使用标准。
本实施例中,深度学习神经网络可以为卷积神经网络模型(CNN)、递归神经网络(RNN)、深信度网络(DBN)、深度自动编码器(Auto Encoder)和生成对抗网络(GAN)等。对深度学习神经网络进行训练可以得到添加剂使用预警模型。
在一种实施方式中,食品检测设备包括食品环境参数传感器,食品环境参数传感器的检测数据包括目标食品的储存环境和/或流转环境的环境参数,添加剂使用信息包括添加剂储存环境参数和/或添加剂流转环境参数。
其中,食品环境参数传感器可以是温度传感器、湿度传感器、亮度传感器中的一种或多种。食品环境参数传感器设置在目标食品的储存环境中和/或流转环境中。
储存环境可以是目标食品在生产过程中的临时储存环境,也可以是目标食品生产好之后的储存环境。流转环境可以是目标食品在生产设备之间流转的环境,也可以是目标食品在不同地方之间运输的环境。
食品添加剂使用标准可以包括目标食品在使用食品添加剂时的环境参数标准。
例如:利用算法模型,将目标食品的添加剂储存环境参数与食品添加剂使用标准中的储存环境参照标准进行分析比较,在目标食品的添加剂储存环境参数不符合该储存环境参照标准的情况下,可以确定该目标食品的添加剂使用信息不符合食品添加剂使用标准。
又如:利用算法模型,将目标食品的添加剂流转环境参数与食品添加剂使用标准中的流转环境参照标准进行分析比较,在目标食品的添加剂流转环境参数不符合该流转环境参照标准的情况下,可以确定该目标食品的添加剂使用信息不符合食品添加剂使用标准。
示例性地,本实施例中的算法模型可以是统计分析比对的算法模型,也可以是基于训练深度学习神经网络得到的添加剂使用预警模型。
进一步地,在判定添加剂使用信息不符合食品添加剂使用标准的情况下,生成第一预警信息,以对该风险情况进行实时预警。例如:向食品环境传感器实时发送第一预警信息,以使食品环境传感器实时展示预警提示信号,如发出警报等。又如:向目标食品的生产主体的客户端实时发送第一预警信息。目标食品的生产主体基于第一预警信息可以及时发现该风险情况及该风险情况发生的生产环节。
环境参数会影响食品添加剂在目标食品中的残留量,基于本实施方式的预警方法,可以对目标食品在使用食品添加剂时的环境参数进行及时风险预警,降低目标食品的添加剂残留量超过相应标准的发生概率。
在一种实施方式中,食品检测设备包括图像传感器,图像传感器的检测数据包括目标食品的食品标签图像,添加剂使用信息包括标识信息。
其中,可以在目标食品的食品包装环节设置图像传感器。图像传感器用于采集目标食品的食品标签图像。示例性地,通过对食品标签图像进行文字识别(opticalcharacter recognition,OCR),可以得到目标食品的配料标识信息,即得到目标食品的添加剂使用信息。食品添加剂使用标准包括添加剂标识标准。进而基于配料标识信息是否符合添加剂标识标准,判断目标食品的添加剂使用信息是否符合食品添加剂使用标准。
例如:添加剂标识标准要求标识出添加剂名称。在配料标识信息中不存在目标食品的添加剂名称或配料标识信息中的添加剂名称与目标食品的实际添加剂名称不对应的情况下,判定配料标识信息不符合添加剂标识标准,进而判定目标食品的添加剂使用信息不符合食品添加剂使用标准。
其中,目标食品的实际添加剂名称可采用与步骤S201和步骤S203相同或相类似的方式得到,也可以采用与实施例二的步骤S401相同或相类似的方式得到,本实施例对此不作限定。
又如:添加剂标识标准要求标识出添加剂名称及对应的添加剂含量。在配料标识信息中不存在目标食品的添加剂含量或配料标识信息中的添加剂含量与添加剂名称不对应或配料标识信息的添加剂含量与目标食品的实际添加剂含量不对应的情况下,判定配料标识信息不符合添加剂标识标准,进而判定目标食品的添加剂使用信息不符合食品添加剂使用标准。
其中,目标食品的实际添加剂含量可采用与步骤S201和步骤S203相同或相类似的方式得到,也可以采用与实施例二的步骤S401相同或相类似的方式得到,本实施例对此不作限定。
进一步地,在判定添加剂使用信息不符合食品添加剂使用标准的情况下,生成第一预警信息,以对该风险情况进行实时预警。例如:向图像传感器实时发送第一预警信息,以使图像传感器实时展示预警提示信号,如发出警报等。又如:向目标食品的生产主体的客户端实时发送第一预警信息。目标食品的生产主体基于第一预警信息可以及时发现该风险情况及该风险情况发生的生产环节。
基于此,可以对目标食品的添加剂标识不明确的风险情况及时进行风险预警。
在一种实施方式中,在步骤S202中可以包括:根据检测数据的类型确定对应的添加剂使用预警模型;基于检测数据和添加剂使用预警模型,确定目标食品的添加剂使用风险值;在添加剂使用风险值超过预设风险值的情况下,确定目标食品的添加剂使用信息不符合食品添加剂使用标准。
其中,添加剂使用预警模型可以基于深度学习网络训练得到。可以根据检测数据的类型不同训练不同的添加剂使用预警模型,进而根据检测数据的类型选择相应的添加剂使用预警模型。例如:当检测数据的类型为参数信息时,如各配料名称和对应的配料含量、储存环境和/或流转环境的环境参数等参数信息,可以选择输入数据为参数信息的添加剂使用预警模型;当检测数据的类型为图像时,如食品标签图像,可以选择输入数据为图像的添加剂使用预警模型。
基于本实施例的方法,通过物联网平台获取部署于不同生产环节的食品检测设备的检测数据,从而得到目标食品在不同生产环节的添加剂使用信息,进而在出现食品添加剂不达标的风险情况时实时预警,包括但不限于对食品添加剂超范围、超限量、标识不明确等风险情况进行实时预警,便于生产主体自我监督和风险把控。
实施例二
结合图1介绍本申请实施例的针对食品添加剂的预警方法的应用场景。如图1所示,作为示例,物联网平台不仅可以获取各食品检测设备的检测数据,还可以基于服务端获取各客户端的生产管理数据,包括目标食品的生产主体的生产管理数据。其中,生产管理数据可以包括配料管理数据,还可以包括配料检验数据。服务端可以从物联网平台获取目标食品的配料管理数据和/或配料检验数据,进而得到目标食品的配料信息。在目标食品的配料信息不符合目标食品的配料使用范围的情况下,服务端生成第二预警信息。
第二预警信息可以发送至一个或多个客户端,如目标食品的生产主体的客户端或第三方监督机构的客户端。食品生产主体可以基于第二预警信息对食品配料超范围使用的风险情况进行自我监督和风险处置。第三方监督机构可以基于第二预警信息可以对食品生产主体进行监管,例如:对食品生产主体的风险情况进行公示、警告或处罚等。
图4为本申请实施例提供的针对食品添加剂的预警方法的流程图,该方法可以应用于针对食品添加剂的预警装置,该装置可以部署于服务端中。在一些可能的实现方式中,该方法还可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
本实施例中,执行主体可以是服务端。如图4所示,针对食品添加剂的预警方法包括:
步骤S401:从目标食品的生产管理数据中获取目标食品的配料信息。
其中,生产管理数据包括配料管理数据和/或配料检验数据,配料信息包括主料名称、辅料名称和添加剂名称。示例性地,基于生产主体的客户端,生产主体可以上传生产管理数据。基于物联网平台提供的数据库(如大数据平台),服务端可以调用生产管理数据。如图5所示,配料也可以叫做物料。配料管理数据可以包括配料类型、产地、商品条码、配料名称、规格单位等。
配料管理数据的生成和调用可以在一个或多个生产环节,如物料备案环节、物料采购环节、生产配方环节、生产投料环节等。配料检验数据的生成和调用主要在配料检验环节。配料检验数据可以包括目标食品的主料使用信息、辅料使用信息和添加剂使用信息,服务端基于配料检验数据可以得到包括主料名称、辅料名称和添加剂名称在内的配料信息。
步骤S402:在目标食品的配料信息不符合目标食品的配料使用范围的情况下,生成第二预警信息,第二预警信息中包括不符合配料使用范围的配料信息。
其中,目标食品的配料使用范围可以根据相关政策法规确定,并根据相关政策法规进行实时更新。
基于配料使用范围可以确定目标食品的配料信息是否符合配料使用范围。在目标食品的配料信息不符合配料使用范围的情况下,生成第二预警信息,从而对食品配料超范围使用的风险情况进行预警。
在一种实施方式中,本实施例的预警方法还可以包括:向至少一个客户端发送第二预警信息,客户端包括第三方监督机构的客户端和/或目标食品的生产主体的客户端。
示例性地,第二预警信息可以实时发送给目标食品的生产主体的客户端,实现实时预警,便于生产主体及时监控风险情况,并及时进行风险处置。
示例性地,第二预警信息可以按照预设时间间隔或在接收到用户的发送命令的情况下,发送给第三方监督机构的客户端和/或目标食品的生产主体的客户端,实现离线预警或事后预警。例如:在预设时间间隔或相关政策法规规定的配料使用范围发生更新的情况下,执行步骤S401和步骤S402的方法,进行事后预警或离线预警。其中,离线预警(事后预警)是相对于实时预警而言的非即时性的预警,即预警的发生需要基于网络条件或时间条件或事件条件等触发条件。
进一步地,第三方监督机构可以基于第二预警信息可以对食品生产主体进行监管,例如:对食品生产主体的风险情况进行公示、警告或处罚等。
在一个应用示例中,如图5所示,基于配料使用范围的相关标准建立添加剂“两超一非”品类库,该品类库可根据相关政策法规进行更新。在物料备案环节、物料采购环节、生产配方环节和生产投料环节均可以执行步骤S401的方法,进而得到主料名称、辅料名称和添加剂名称等配料信息。基于算法模型进行模型计算,可以判定目标食品的配料信息是否符合配料使用范围。例如:在添加剂名称与“两超一非”品类库中的信息不符合时,判定目标食品的配料信息不符合配料使用范围,进而生成第二预警信息,并基于第二预警信息进行上述方式中的实时预警或离线预警。
示例性地,算法模型可以是统计分析比对的算法模型,也可以是基于深度学习网络的食品配料超范围使用预警模型。例如:算法模型是食品配料超范围使用预警模型,将目标食品的生产管理数据输入食品配料超范围使用预警模型可以得到目标食品的食品配料超范围使用风险值;在食品配料超范围使用风险值超过第二预设风险值的情况下,确定目标食品的配料信息不符合该目标食品的配料使用范围。
本实施例中,基于深度学习神经网络可以为卷积神经网络模型、递归神经网络、深信度网络、深度自动编码器和生成对抗网络等。对深度学习神经网络进行训练可以得到食品配料超范围使用预警模型。
在一种实施方式中,本实施例的预警方法还可以包括:根据多个第一预警信息和/或第二预警信息所对应的食品种类,确定风险食品种类。例如:当多个第一预警信息和/或第二预警信息都指示肉制品这一食品种类时,确定风险食品种类为肉制品。
在一种实施方式中,本实施例的预警方法还可以包括:根据多个第一预警信息和/或第二预警信息所对应的添加剂名称,确定风险添加剂名称。例如:当多个第一预警信息和/或第二预警信息都指示山梨酸防腐剂这一添加剂名称时,确定风险添加剂名称为山梨酸防腐剂。
在一种实施方式中,本实施例的预警方法还可以包括:根据多个第一预警信息和/或第二预警信息所对应的生产主体,确定风险生产主体。例如:当多个第一预警信息和/或第二预警信息都指示企业A时,确定风险生产主体为企业A。
基于本实施例的方法,利用目标食品的生产管理数据可以获得配料信息,进而在出现配料使用超范围的风险情况时实时预警或离线预警,便于生产主体自我监督和风险把控,还可以方便第三方监督机构对食品生产主体的监管。
实施例三
与本申请实施例提供的方法的应用场景以及方法相对应地,本申请实施例还提供一种针对食品添加剂的预警装置。如图7所示,该针对食品添加剂的预警装置可以包括:
检测数据获取模块701,用于从物联网平台获取食品检测设备的检测数据;其中,食品检测设备部署在目标食品的不同生产环节;
添加剂使用信息确定模块702,用于基于检测数据确定目标食品的添加剂使用信息;
第一预警信息生成模块703,用于在目标食品的添加剂使用信息不符合食品添加剂使用标准的情况下,生成第一预警信息,第一预警信息中包括不符合食品添加剂使用标准的添加剂使用信息和对应的生产环节;
第一预警信息发送模块704,用于向与第一预警信息对应的生产环节的食品检测设备发送第一预警信息,以使对应的生产环节的食品检测设备基于第一预警信息展示预警提示信号。
在一种实施方式中,食品检测设备包括食品配料含量检测设备,食品配料含量检测设备的检测数据包括目标食品的各配料名称和对应的配料含量,添加剂使用信息包括添加剂名称和对应的添加剂含量。
在一种实施方式中,食品检测设备包括食品环境参数传感器,食品环境参数传感器的检测数据包括目标食品的储存环境和/或流转环境的环境参数,添加剂使用信息包括添加剂储存环境参数和/或添加剂流转环境参数。
在一种实施方式中,食品检测设备包括图像传感器,图像传感器的检测数据包括目标食品的食品标签图像,添加剂使用信息包括配料标识信息。
在一种实施方式中,第一预警信息发送模块704还用于:向目标食品的生产主体的客户端发送第一预警信息。
在一种实施方式中,添加剂使用信息确定模块702具体用于:根据检测数据的类型确定对应的添加剂使用预警模型;基于检测数据和添加剂使用预警模型,确定目标食品的添加剂使用风险值;在添加剂使用风险值超过预设风险值的情况下,确定目标食品的添加剂使用信息不符合食品添加剂使用标准。
在一种实施方式中,本实施例的预警装置还可以包括:
配料信息获取模块,用于从目标食品的生产管理数据中获取目标食品的配料信息,其中,生产管理数据包括配料管理数据和配料检验数据,配料信息包括主料名称、辅料名称和添加剂名称;
第二预警信息生成模块,用于在目标食品的配料信息不符合目标食品的配料使用范围的情况下,生成第二预警信息,第二预警信息中包括不符合配料使用范围的配料信息。
在一种实施方式中,本实施例的预警装置还可以包括第二预警信息发送模块,用于向至少一个客户端发送第二预警信息,客户端包括第三方监督机构的客户端和/或目标食品的生产主体的客户端。
在一种实施方式中,本实施例的预警装置还可以包括风险确定模块,具体用于:根据多个第一预警信息和/或第二预警信息所对应的食品种类,确定风险食品种类;和/或,根据多个第一预警信息和/或第二预警信息所对应的添加剂名称,确定风险添加剂名称;和/或,根据多个第一预警信息和/或第二预警信息所对应的生产主体,确定风险生产主体。
本申请实施例各装置中的各模块的功能可以参见上述方法中的对应描述,并具备相应的有益效果,在此不再赘述。
需要说明的是,本申请各实施例中的各种信息和数据的获取、存储和应用等,均得到了相关授权或符合相关法律法规的规定,且不违背公序良俗。
图8为用来实现本申请实施例的电子设备的框图。如图8所示,该电子设备包括:存储器801和处理器802,存储器801内存储有可在处理器802上运行的计算机程序。处理器802执行该计算机程序时实现上述实施例中的方法。存储器801和处理器802的数量可以为一个或多个。
该电子设备还包括:
通信接口803,用于与外界设备进行通信,进行数据交互传输。
如果存储器801、处理器802和通信接口803独立实现,则存储器801、处理器802和通信接口803可以通过总线相互连接并完成相互间的通信。该总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选地,在具体实现上,如果存储器801、处理器802及通信接口803集成在一块芯片上,则存储器801、处理器802及通信接口803可以通过内部接口完成相互间的通信。
本申请实施例提供了一种计算机可读存储介质,其存储有计算机程序,该程序被处理器执行时实现本申请实施例中提供的方法。
本申请实施例还提供了一种芯片,该芯片包括,包括处理器,用于从存储器中调用并运行存储器中存储的指令,使得安装有芯片的通信设备执行本申请实施例提供的方法。
本申请实施例还提供了一种芯片,包括:输入接口、输出接口、处理器和存储器,输入接口、输出接口、处理器以及存储器之间通过内部连接通路相连,处理器用于执行存储器中的代码,当代码被执行时,处理器用于执行申请实施例提供的方法。
应理解的是,上述处理器可以是中央处理器(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体 管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。值得说明的是,处理器可以是支持进阶精简指令集机器(Advanced RISC Machines,ARM)架构的处理器。
可选地,上述存储器可以包括只读存储器和随机存取存储器,还可以包括非易失性随机存取存储器。该存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以包括只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(ErasablePROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以包括随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用。例如:静态随机存取存储器(StaticRAM,SRAM)、动态随机存取存储器(Dynamic Random Access Memory,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(DoubleData Rate SDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Sync Link DRAM,SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,DRRAM)。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本申请的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分。并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如:可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。
应理解的是,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。上述实施例方法的全部或部分步骤是可以通过程序来指令相关的硬件完成,该程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读存储介质中。该存储介质可以是只读存储器,磁盘或光盘等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到其各种变化或替换,这些都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (12)
1.一种针对食品添加剂的预警方法,包括:
从物联网平台获取食品检测设备采集到的检测数据;其中,所述食品检测设备部署在目标食品的不同生产环节;
基于所述检测数据确定所述目标食品的添加剂使用信息;
在所述目标食品的添加剂使用信息不符合食品添加剂使用标准的情况下,生成第一预警信息,所述第一预警信息中包括不符合所述食品添加剂使用标准的添加剂使用信息和对应的生产环节;
向与所述第一预警信息对应的生产环节的食品检测设备发送所述第一预警信息,以使所述对应的生产环节的食品检测设备基于所述第一预警信息展示预警提示信号。
2.根据权利要求1所述的预警方法,其中,所述食品检测设备包括食品配料含量检测设备,所述食品配料含量检测设备的检测数据包括所述目标食品的各配料名称和对应的配料含量,所述添加剂使用信息包括添加剂名称和对应的添加剂含量。
3.根据权利要求1所述的预警方法,其中,所述食品检测设备包括食品环境参数传感器,所述食品环境参数传感器的检测数据包括所述目标食品的储存环境和/或流转环境的环境参数,所述添加剂使用信息包括添加剂储存环境参数和/或添加剂流转环境参数。
4.根据权利要求1所述的预警方法,其中,所述食品检测设备包括图像传感器,所述图像传感器的检测数据包括所述目标食品的食品标签图像,所述添加剂使用信息包括配料标识信息。
5.根据权利要求1所述的预警方法,还包括:
向所述目标食品的生产主体的客户端发送所述第一预警信息。
6.根据权利要求1所述的预警方法,其中,基于所述检测数据确定所述目标食品的添加剂使用信息,包括:
根据所述检测数据的类型确定对应的添加剂使用预警模型;
基于所述检测数据和所述添加剂使用预警模型,确定所述目标食品的添加剂使用风险值;
在所述添加剂使用风险值超过预设风险值的情况下,确定所述目标食品的添加剂使用信息不符合所述食品添加剂使用标准。
7.根据权利要求1至5任一项所述的预警方法,还包括:
从所述目标食品的生产管理数据中获取所述目标食品的配料信息,其中,所述生产管理数据包括配料管理数据和配料检验数据,所述配料信息包括主料名称、辅料名称和添加剂名称;
在所述目标食品的配料信息不符合所述目标食品的配料使用范围的情况下,生成第二预警信息,所述第二预警信息中包括不符合所述配料使用范围的配料信息。
8.根据权利要求7所述的预警方法,还包括:
向至少一个客户端发送所述第二预警信息,所述客户端包括第三方监督机构的客户端和/或所述目标食品的生产主体的客户端。
9.根据权利要求7所述的预警方法,还包括:
根据多个所述第一预警信息和/或所述第二预警信息所对应的食品种类,确定风险食品种类;和/或,
根据多个所述第一预警信息和/或所述第二预警信息所对应的添加剂名称,确定风险添加剂名称;和/或,
根据多个所述第一预警信息和/或所述第二预警信息所对应的生产主体,确定风险生产主体。
10.一种针对食品添加剂的预警装置,包括:
检测数据获取模块,用于从物联网平台获取食品检测设备的检测数据;其中,所述食品检测设备部署在目标食品的不同生产环节;
添加剂使用信息确定模块,用于基于所述检测数据确定所述目标食品的添加剂使用信息;
第一预警信息生成模块,用于在所述目标食品的添加剂使用信息不符合食品添加剂使用标准的情况下,生成第一预警信息,所述第一预警信息中包括不符合所述食品添加剂使用标准的添加剂使用信息和对应的生产环节;
第一预警信息发送模块,用于向与所述第一预警信息对应的生产环节的食品检测设备发送所述第一预警信息,以使所述对应的生产环节的食品检测设备基于所述第一预警信息展示预警提示信号。
11.一种电子设备,包括存储器、处理器及存储在存储器上的计算机程序,所述处理器在执行所述计算机程序时实现权利要求1-9中任一项所述的方法。
12.一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211299438.5A CN115375195A (zh) | 2022-10-24 | 2022-10-24 | 针对食品添加剂的预警方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211299438.5A CN115375195A (zh) | 2022-10-24 | 2022-10-24 | 针对食品添加剂的预警方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115375195A true CN115375195A (zh) | 2022-11-22 |
Family
ID=84073434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211299438.5A Pending CN115375195A (zh) | 2022-10-24 | 2022-10-24 | 针对食品添加剂的预警方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115375195A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1507326A (zh) * | 2001-05-08 | 2004-06-23 | 药师川靖 | 混合系统和方法 |
US20100329072A1 (en) * | 2009-06-30 | 2010-12-30 | Hagan Ed B | Methods and Systems for Integrated Material Processing |
CN212988528U (zh) * | 2020-07-20 | 2021-04-16 | 宁波双鹿新能源科技有限公司 | 一种高能材料称重控制装置 |
CN114357178A (zh) * | 2021-12-08 | 2022-04-15 | 阿里巴巴(中国)有限公司 | 商品标签信息的处理方法、装置、存储介质及系统 |
-
2022
- 2022-10-24 CN CN202211299438.5A patent/CN115375195A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1507326A (zh) * | 2001-05-08 | 2004-06-23 | 药师川靖 | 混合系统和方法 |
US20100329072A1 (en) * | 2009-06-30 | 2010-12-30 | Hagan Ed B | Methods and Systems for Integrated Material Processing |
CN212988528U (zh) * | 2020-07-20 | 2021-04-16 | 宁波双鹿新能源科技有限公司 | 一种高能材料称重控制装置 |
CN114357178A (zh) * | 2021-12-08 | 2022-04-15 | 阿里巴巴(中国)有限公司 | 商品标签信息的处理方法、装置、存储介质及系统 |
Non-Patent Citations (2)
Title |
---|
徐玛丽: "基于HACCP的乳品企业质量监控及追溯系统的开发与实现", 《CNKI优秀硕士学位论文全文库》 * |
荆泽亮等: "基于物联网技术的乳品安全与质量追溯系统的研究与应用", 《经济研究导刊》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102438527B1 (ko) | Url과 연관된 콘텐츠와 호스트 데이터를 고려한 악성 url 예측 방법 및 이를 구현하기 위한 장치 | |
CN115700636A (zh) | 基于数字孪生的设备巡检及报告生成方法、装置、设备及介质 | |
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 | |
CN110211343B (zh) | 实验室管理方法、系统、计算机设备和存储介质 | |
CN115952081A (zh) | 一种软件测试方法、装置、存储介质及设备 | |
CN114758223A (zh) | 农药使用的监测预警方法、装置、终端设备及存储介质 | |
CN115375195A (zh) | 针对食品添加剂的预警方法、装置、电子设备及存储介质 | |
CN114285612A (zh) | 一种异常数据检测的方法、系统、装置、设备及介质 | |
CN113947076A (zh) | 保单数据的检测方法、装置、计算机设备及存储介质 | |
KR20180024331A (ko) | 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템 | |
Peters et al. | Does the scientific underpinning of regulatory tools to estimate bioavailability of nickel in freshwaters matter? The European‐wide environmental quality standard for nickel | |
CN115904883A (zh) | 一种rpa流程执行可视化异常监控方法、装置及介质 | |
CN113592090B (zh) | 基于深度学习的建筑质量预测方法、装置及存储介质 | |
CN116340934A (zh) | 终端异常行为检测方法、装置、设备及存储介质 | |
CN114118731A (zh) | 一种动态风险预警分级方法及装置 | |
CN114595948A (zh) | 基于人工智能的多风险参数企业风险评估方法及系统 | |
CN115525528A (zh) | 页面质量检测方法、装置、电子设备和存储介质 | |
CN117392471B (zh) | 基于多参数协同的3d打印监测方法及系统 | |
CN113128904B (zh) | 一种出入境化学品危险性评估的方法、系统和可读存储介质 | |
CN115671616B (zh) | 一种用于储能集装箱的消防系统、方法及存储介质 | |
CN116029617B (zh) | 质量验收表单的生成方法、装置、设备及可读存储介质 | |
CN113837703B (zh) | 一种物流运单承运信息量化防重实时自动核验法 | |
CN117149552A (zh) | 自动化接口检测方法、装置、电子设备及存储介质 | |
JP7400035B1 (ja) | 害虫の検査のためのプログラム及び害虫検査装置 | |
US20220405600A1 (en) | Method for simplifying an artificial neural network |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221122 |