CN117094611B - 一种用于食品加工的质量安全溯源管理方法及系统 - Google Patents
一种用于食品加工的质量安全溯源管理方法及系统 Download PDFInfo
- Publication number
- CN117094611B CN117094611B CN202311361538.0A CN202311361538A CN117094611B CN 117094611 B CN117094611 B CN 117094611B CN 202311361538 A CN202311361538 A CN 202311361538A CN 117094611 B CN117094611 B CN 117094611B
- Authority
- CN
- China
- Prior art keywords
- batch
- deviation
- raw material
- raw materials
- value
- 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
- 235000013305 food Nutrition 0.000 title claims abstract description 34
- 238000007726 management method Methods 0.000 title claims abstract description 23
- 239000002994 raw material Substances 0.000 claims abstract description 177
- 238000004519 manufacturing process Methods 0.000 claims abstract description 73
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000009826 distribution Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 33
- 238000010606 normalization Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 abstract description 17
- 230000005856 abnormality Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000010923 batch production Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06Q50/04—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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及食品安全溯源技术领域,具体涉及一种用于食品加工的质量安全溯源管理方法及系统。该发明根据每种原材料在不同批次下投放量的差异和分布特征获得每一批次中每种原材料的偏差值;在每一批次中每种原材料的投放时间之前的其他原材料中筛选出参考原材料;根据所有参考原材料的投放时间和偏差值获得每一批次中每种原材料的偏差约束系数;进而获得每一批次的整体偏差系数;根据每一批次与其他所有批次之间的生产时序模型的平均相对距离和整体偏差系数获得每一批次的整体偏差度;根据整体偏差度获得每一批次参与LOF算法的优选K值,进行异常检测。本发明通过获取合适的K值,提高对异常批次的识别精度,增加了对食品加工安全的管理。
Description
技术领域
本发明涉及食品安全溯源技术领域,具体涉及一种用于食品加工的质量安全溯源管理方法及系统。
背景技术
食品加工的质量安全溯源管理可以确保食品产品的质量安全,并追溯食品从生产到消费的整个过程。由于实际投放时存在设备不稳定以及人工误差等原因,导致食品生产的原材料用量与标准指标存在差异,影响产品的质量安全。
在现有技术中,采用LOF算法计算每一批产品所用原材料数量的消耗情况,从而根据局部离群因子判定离群值,进而识别某些批次中是否存在掺假风险或原材料异常等情况;但在LOF算法中,固定的K值无法取得较好的效果;较小的K值会使得结果更敏感于局部异常点,容易将存在一定误差的正常批次判定为异常情况,较大的K值却又会降低算法的敏感性,使得异常情况相对较弱的异常批次无法识别出来,导致异常批次检测的准确度不高。
发明内容
为了解决采用LOF算法时,未能确定合适的K值导致异常批次检测不准确的技术问题,本发明的目的在于提供一种用于食品加工的质量安全溯源管理方法及系统,所采用的技术方案具体如下:
本发明提出了一种用于食品加工的质量安全溯源管理方法,所述方法包括:
获取同种食品产品的每一批次的生产时间和原材料记录数据,构建每一批次的生产时序模型;所述原材料记录数据包括原材料的投放时间以及投放量;
根据每种原材料在不同批次下所述投放量的差异和分布特征获得每一批次中每种原材料的偏差值;在每一批次中每种原材料的所述投放时间之前的其他原材料中筛选出参考原材料;根据所有参考原材料的所述投放时间和所述偏差值获得每一批次中每种原材料的偏差约束系数;
根据每一批次中所有原材料的所述偏差约束系数和所述偏差值的变化特征获得每一批次的整体偏差系数;获取每一批次与其他每一批次之间的所述生产时序模型的相对距离,根据每一批次与其他所有批次之间的生产时序模型的平均相对距离和每一批次的所述整体偏差系数获得每一批次的整体偏差度;
根据所述整体偏差度获得每一批次参与LOF算法的优选K值;根据所述优选K值对每一批次进行异常检测。
进一步地,所述生产时序模型的获取方法包括:
以每一批次的所述生产时间作为横坐标零点;
计算每一批次中每种原材料的所述投放时间与所述生产时间的时间差异,作为生产时序模型的横坐标;将每一批次中每种原材料的所述投放量归一化,并线性缩放至0~10的取值范围内,获得标准投放量,作为生产时序模型对应的纵坐标。
进一步地,所述偏差值的获取方法包括:
以第批次为例,根据偏差值的获取公式获得偏差值,偏差值的获取公式为:;其中,/>表示第/>批次中第/>个原材料的偏差值;/>表示第/>批次中第/>个原材料的投放量;/>表示第/>个原材料在所有/>批次中的投放量均值;/>表示第/>个原材料在所有N批次中的投放量;/>表示所有批次中第/>个原材料投放量的标准差;/>表示归一化函数。
进一步地,所述参考原材料的获取方法包括:
在每一批次中,选取在每种原材料的所述投放时间之前的其他所有原材料,作为参考原材料。
进一步地,所述偏差约束系数的获取方法包括:
以第批次为例,根据偏差约束系数的获取公式获得偏差约束系数,偏差约束系数的获取公式为:/>;其中,/>表示第/>批次中第/>个原材料的偏差约束系数;/>表示第/>批次中第/>个参考原材料的偏差值;/>表示第/>个参考原材料的投放时间与生产时间的时间差异;/>表示参考原材料的数量;/>表示归一化函数;/>表示自然常数;/>表示逻辑斯谛函数。
进一步地,所述整体偏差系数的获取方法包括:
以第批次为例,根据整体偏差系数的获取公式获得整体偏差系数,整体偏差系数的获取公式为:/>;其中,/>表示第/>批次的整体偏差系数;/>表示第/>批次中第/>个原材料的偏差值;/>表示第/>批次中所有原材料的偏差值均值;/>表示第/>批次中第/>个原材料的偏差约束系数;/>表示每一批次中所有原材料的数量。
进一步地,所述整体偏差度的获取方法包括:
基于DTW算法获得每一批次与其他每一批次之间的所述生产时序模型的相对距离;
计算所述平均相对距离与归一化所述整体偏差系数的乘积,获得每一批次的整体偏差度;
所述整体偏差系数和所述平均相对距离与所述整体偏差度均为正相关关系。
进一步地,所述优选K值的获取方法包括:
对每一批次的所述整体偏差度进行负相关映射并归一化,计算与预设常数的乘积,作为调整因子,对所述调整因子取整,与预设常数相加获得每一批次参与LOF算法的优选K值。
进一步地,所述根据所述优选K值对每一批次进行异常检测包括:
选取每一批次的优选K值个最近其他批次,作为离群批次;
将每一离群批次的所述标准投放量进行累加,作为每一离群批次的数据点;
采用LOF算法对所有离群批次的数据点进行异常检测,获得离群因子;将归一化离群因子与预设经验阈值比较;若归一化离群因子大于预设经验阈值,对应批次为异常批次。
本发明还提出了一种用于食品加工的质量安全溯源管理系统,包括存储器、处理器以及存储在所述存储器中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计算机程序时,实现任意一项所述一种用于食品加工的质量安全溯源管理方法的步骤。
本发明具有如下有益效果:
本发明获取每一批次的生产时间和原材料记录数据,进而构建每一批次的生产时序模型,反映每一批次产品的生产过程中原材料的变化情况;原材料记录数据包括原材料的投放时间以及投放量;根据每种原材料在不同批次下投放量的差异和分布特征获得每一批次中每种原材料的偏差值,表明每一批次中每种原材料与其余批次中对应原材料之间投放量的差异;在每一批次中每种原材料的投放时间之前的其他原材料中筛选出参考原材料;根据所有参考原材料的投放时间和偏差值获得每一批次中每种原材料的偏差约束系数,了解每种原材料对该批次整体偏差的影响程度,表征每种原材料实际的偏差程度;进而获得每一批次的整体偏差系数;获取每一批次与其他每一批次之间的生产时序模型的相对距离,反映两个批次之间的生产过程的相似程度;根据每一批次与其他所有批次之间的生产时序模型的平均相对距离和每一批次的整体偏差系数获得每一批次的整体偏差度,更直观的比较不同批次的生产过程偏差;根据整体偏差度获得每一批次参与LOF算法的优选K值,进行异常检测。本发明通过获取合适的K值,提高对异常批次的识别精度,增加了对食品加工安全的管理。
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和优点,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的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种用于食品加工的质量安全溯源管理方法的流程图;
图2为本发明一个实施例所提供的某一批次的生产时序模型的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种用于食品加工的质量安全溯源管理方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于食品加工的质量安全溯源管理方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于食品加工的质量安全溯源管理的方法流程图,该方法包括:
步骤S1:获取同种食品产品的每一批次的生产时间和原材料记录数据,构建每一批次的生产时序模型;原材料记录数据包括原材料的投放时间以及投放量。
在本发明的实施例中,食品加工的生产过程中对每一批次信息进行上链,保存在区块链中,确保信息的真实性和不可篡改性,便于随时查询和获取,更好地了解和控制生产过程,从而更好地管理和优化生产流程。为了检查每一批次的产品是否存在异常情况,提高食品加工的质量安全,从区块链中获取每一批次的生产时间和每一种原材料的使用情况,由于每一批次中多种原材料往往采用按序添加,因此每一批次中需要获得多种原材料的记录数据,即每一种原材料的投放时间以及投放量。
需要说明的是,在本发明的实施例中,所获取的同种食品产品下的每一批次中所用原材料种类完全一致。
在实际的生产过程中,原材料使用出现问题,不仅仅存在于投放量的变化,还会反映在具体每种原材料的投放时间和投放比例差异上;考虑到常规算法仅依据不同批次之间原材料具体数量的差异,而无法反映出实际生产过程中的变化,构建每一批次的生产时序模型。生产时序模型是指在不同批次的产品中,将分别所记录的原材料的使用数据根据投放时间以及投放量构成坐标散点分布,更清晰的表现每种原材料对生产实际效果产生的影响。
优选地,在本发明的一个实施例中,生产时序模型的获取方法包括:
为了便于后续数据的处理,去除原材料投放量之间不同单位的差异。以每一批次的生产时间作为横坐标零点;计算每一批次中每种原材料的投放时间与生产时间的时间差异,作为生产时序模型的横坐标;将每一批次中每种原材料的投放量归一化,并线性缩放至0~10的取值范围内,获得标准投放量,作为生产时序模型对应的纵坐标。如图2,给出了某一批次的生产时序模型的示意图;其中,第种原材料为例,横坐标/>表示第/>种原材料的投放时间距生产时间的时间差异;纵坐标/>表示第/>种原材料的标准投放用量。
步骤S2:根据每种原材料在不同批次下投放量的差异和分布特征获得每一批次中每种原材料的偏差值;在每一批次中每种原材料的投放时间之前的其他原材料中筛选出参考原材料;根据所有参考原材料的投放时间和偏差值获得每一批次中每种原材料的偏差约束系数。
在生产过程中,每一种产品都有具体的生产指标,不同批次的生产指标都应是相同的,但由于实际生产中设备的不稳定或者人工的误差导致某一原材料实际的投放量存在偏差,并且之后原材料的投放量都需要进行调整,对产品的质量安全产生影响,所以需要对每种原材料在不同批次下的投放量进行分析,根据每种原材料在不同批次下投放量的变化和分布特征获得每一批次中每种原材料的偏差值。
优选地,在本发明的一个实施例中,偏差值的获取方法包括:
以第批次为例,根据偏差值的获取公式获得偏差值,偏差值的获取公式为:
;
其中,表示第/>批次中第/>个原材料的偏差值;/>表示第/>批次中第/>个原材料的投放量;/>表示第/>个原材料在所有/>批次中的投放量均值;/>表示第/>个原材料在所有/>批次中的投放量;/>表示所有批次中第/>个原材料投放量的标准差;/>表示归一化函数。
在偏差值的获取公式中,表示第/>批次中第/>个原材料投放量与投放量均值的差异,差异越大,与生产指标偏差越大,产品被影响的可能性越大;表示/>个批次中第/>个原材料投放量与投放量均值的差异的最大值;当该值越接近于1,表示第/>批次与其余批次相比,第/>个原材料投放量的差异越大,对第/>批次生产过程的影响更大。/>用来对/>的取值范围进行等比例的缩放,标准差越大,不同批次之间原材料的投放量差异越大,则越需要将偏差值调小。
需要说明的是,在本发明其他实施例中也可通过其他基础数学运算构建正负相关关系与归一化方法,具体手段为本领域技术人员熟知的技术手段,在此不做赘述。
在每一批次中,每种原材料的偏差值越高,受到前面其他原材料偏差而做出调整的可能性越大,对于之后的其他原材料的影响也越大;根据产品的生产指标对后续原材料的投放量进行调整之后,越靠后的原材料相对于实际的偏差程度较高,所以需要分析之前变化的原材料的偏差程度,对该原材料的偏差值进行约束,来表示实际的偏差程度;在每一批次中每种原材料的投放时间之前的其他原材料中筛选出参考原材料;根据所有参考原材料的投放时间和偏差值获得每一批次中每种原材料的偏差约束系数。
优选地,在本发明的一个实施例中,参考原材料的获取方法包括:
在每一批次中,选取在每种原材料的投放时间之前的其他所有原材料,作为参考原材料。
优选地,在本发明的一个实施例中,偏差约束系数的获取方法包括:
以第批次为例,根据偏差约束系数的获取公式获得偏差约束系数,偏差约束系数的获取公式为:
;
其中,表示第/>批次中第/>个原材料的偏差约束系数;/>表示第/>批次中第/>个参考原材料的偏差值;/>表示第/>个参考原材料的投放时间与生产时间的时间差异;/>表示参考原材料的数量;/>表示归一化函数;/>表示自然常数;/>表示逻辑斯谛函数。
在偏差约束系数的获取公式中,参考原材料的偏差值越高,越主要是由每一批次中参考原材料的整体偏差导致第个原材料进行对应的调整,从而产生第/>个原材料的偏差值,因此需要更高的偏差约束系数从而对偏差值进行削弱,表示实际的偏差程度。通过以自然常数为底的指数函数将/>进行负相关映射,并通过/>函数对输入值进行缩放,使得最终前方/>个参考原材料在参与偏差约束系数的计算时,得到的权重和为1。表示第/>个参考原材料根据时间差异得到的权重系数,时间差异越小,投放时间越前面的原材料,对后面原材料的偏差影响越大,权重占比越高,偏差约束系数越高,在该批次中,第/>个原材料的偏差程度越需要被削弱来表征其实际的偏差程度。
需要说明的是,在本发明其他实施例中也可通过其他基础数学运算构建正负相关关系与归一化方法,具体手段为本领域技术人员熟知的技术手段,在此不做赘述。
步骤S3:根据每一批次中所有原材料的偏差约束系数和偏差值的变化特征获得每一批次的整体偏差系数;获取每一批次与其他每一批次之间的生产时序模型的相对距离,根据每一批次与其他所有批次之间的生产时序模型的平均相对距离和每一批次的整体偏差系数获得每一批次的整体偏差度。
由于参考原材料的偏差会影响后续原材料投放量的调整,当参考原材料出现因设备或者人工误差产生的投放量偏差时,后续原材料对应的也表现出相近程度的偏差;在每一批次中,每种原材料之间的偏差值差异越大,则该批次中存在异常的可能性越大,整体的偏差越高,需要更高的偏差约束系数来削弱每种原材料的偏差程度,对每一批次的实际整体偏差情况进行分析,根据每一批次中所有原材料的偏差约束系数和偏差值获得每一批次的整体偏差系数。
优选地,在本发明的一个实施例中,整体偏差系数的获取方法包括:
以第批次为例,根据整体偏差系数的获取公式获得整体偏差系数,整体偏差系数的获取公式为:
;
其中,表示第/>批次的整体偏差系数;/>表示第/>批次中第/>个原材料的偏差值;/>表示第/>批次中所有原材料的偏差值均值;/>表示第/>批次中第/>个原材料的偏差约束系数;/>表示每一批次中所有原材料的数量。
在整体偏差系数的获取公式中,第批次中每种原材料偏差值与所有原材料偏差值均值的差异越大,整体偏差系数越大,该批次存在较高异常的可能性越大;为了表现实际的偏差程度,需要越大的偏差约束系数进行削弱。
为了分析不同批次之间原材料生产过程的变化情况,帮助发现生产过程中的问题,并采取相应的纠正措施以提升产品质量和生产效率;获取每一批次与其他每一批次之间的生产时序模型的相对距离,根据每一批次与其他所有批次之间的生产时序模型的平均相对距离和每一批次的整体偏差系数获得每一批次的整体偏差度。
优选地,在本发明的一个实施例中,整体偏差度的获取方法包括:
基于DTW算法获得每一批次与其他每一批次之间的生产时序模型的相对距离;计算平均相对距离与归一化整体偏差系数的乘积,获得每一批次的整体偏差度;每一批次与其他批次之间整体差异越大,平均相对距离越大,相似度越小,且整体偏差系数越大,该批次有越大的整体偏差度,越有可能存在异常;整体偏差系数和平均相对距离与整体偏差度均为正相关关系。在本发明的一个实施例中,以第批次为例,整体偏差度的公式表示为:
;
其中,表示第/>批次的整体偏差度;/>表示第/>批次的整体偏差系数;/>表示第/>批次与第/>批次的生产时序模型的相对距离;/>表示生产过程中的所有批次数量。
在整体偏差度的公式中,批次之间的相对距离越小,相似度越高,生产过程中原材料的投放时间以及投放量整体越相似;表示第/>批次与其他所有批次之间生产时序模型的平均相对距离,平均相对距离越小,第/>批次与其他所有批次生产时序模型的相似度越高,第/>批次与其他批次之间的差异越小,整体偏差度越小,孤立程度越弱,存在异常的可能性越小;相反,平均相对距离越大,整体偏差度越大,存在异常的可能性越大,对异常检测越敏感。
需要说明的是,在本发明其他实施例中也可通过其他基础数学运算构建正负相关关系与归一化方法,具体手段为本领域技术人员熟知的技术手段,在此不做赘述。在本发明的实施例中,DTW算法为本领域技术人员熟知的技术手段,在此不做赘述。
步骤S4:根据整体偏差度获得每一批次参与LOF算法的优选K值;根据优选K值对每一批次进行异常检测。
在LOF算法中,较小的K值会使得结果更敏感于局部异常点,容易将存在一定误差的正常批次判定为异常情况;而较大的K值会降低算法的敏感性,使得异常情况相对较弱的异常批次无法识别出来;对K值进行自适应调整,可以更好的适应数据集的特性,减少异常值和噪声点对检测结果的影响,根据整体偏差度获得每一批次参与LOF算法的优选K值;根据优选K值对每一批次进行异常检测,准确的识别异常。
优选地,在本发明的一个实施例中,优选K值的获取方法包括:
通过选择适当的K值,可以更好的提高异常检测的准确性。对整体偏差度进行负相关映射并归一化,计算与预设常数的乘积,作为调整因子,对调整因子取整,与预设常数相加获得优选K值。在本发明的一个实施例中,以第批次为例,优选K值的公式表示为:
;
其中,表示第/>批次的整体偏差度。
需要说明的是,在本发明的一个实施例中,预设常数为5,使其在5~10的取值范围内对每一批次进行动态调整;在本发明的其他实施例中,预设常数的数值可根据具体情况具体设置,在此不做限定及赘述。
优选地,在本发明的一个实施例中,根据优选K值对每一批次进行异常检测包括:
优选K值可以选择适当的邻居数量,从而优化LOF算法的性能。选取每一批次的优选K值个最近其他批次,作为离群批次;将每一离群批次的标准投放量进行累加,作为每一离群批次的数据点;采用LOF算法对所有离群批次的数据点进行异常检测,获得离群因子;将归一化离群因子与预设经验阈值比较;若归一化离群因子大于预设经验阈值,对应批次为异常批次,进一步对食品加工安全进行管理。
需要说明的是,在本发明的一个实施例中,预设经验阈值为0.8;在本发明的其他实施例中,预设经验阈值的大小可根据具体情况具体设置,在此不做限定及赘述。
综上所述,本发明获取每一批次的生产时间和原材料记录数据,构建每一批次的生产时序模型;原材料记录数据包括原材料的投放时间以及投放量;根据每种原材料在不同批次下投放量的差异和分布特征获得每一批次中每种原材料的偏差值;在每一批次中每种原材料的投放时间之前的其他原材料中筛选出参考原材料;根据所有参考原材料的投放时间和偏差值获得每一批次中每种原材料的偏差约束系数;进而获得每一批次的整体偏差系数;获取每一批次与其他每一批次之间的生产时序模型的相对距离,根据每一批次与其他所有批次之间的生产时序模型的平均相对距离和整体偏差系数获得每一批次的整体偏差度;根据整体偏差度获得每一批次参与LOF算法的优选K值,进行异常检测。本发明通过获取合适的K值,提高对异常批次的识别精度,增加了对食品加工安全的管理。
本发明还提出了一种用于食品加工的质量安全溯源管理系统,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时,实现任意一项一种用于食品加工的质量安全溯源管理方法的步骤。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (3)
1.一种用于食品加工的质量安全溯源管理方法,其特征在于,所述方法包括:
获取同种食品产品的每一批次的生产时间和原材料记录数据,构建每一批次的生产时序模型;所述原材料记录数据包括原材料的投放时间以及投放量;
根据每种原材料在不同批次下所述投放量的差异和分布特征获得每一批次中每种原材料的偏差值;在每一批次中每种原材料的所述投放时间之前的其他原材料中筛选出参考原材料;根据所有参考原材料的所述投放时间和所述偏差值获得每一批次中每种原材料的偏差约束系数;
根据每一批次中所有原材料的所述偏差约束系数和所述偏差值的变化特征获得每一批次的整体偏差系数;获取每一批次与其他每一批次之间的所述生产时序模型的相对距离,根据每一批次与其他所有批次之间的所述生产时序模型的平均相对距离和每一批次的所述整体偏差系数获得每一批次的整体偏差度;
根据所述整体偏差度获得每一批次参与LOF算法的优选K值;根据所述优选K值对每一批次进行异常检测;
所述生产时序模型的获取方法包括:
以每一批次的所述生产时间作为横坐标零点;
计算每一批次中每种原材料的所述投放时间与所述生产时间的时间差异,作为生产时序模型的横坐标;将每一批次中每种原材料的所述投放量归一化,并线性缩放至0~10的取值范围内,获得标准投放量,作为生产时序模型对应的纵坐标;
所述偏差值的获取方法包括:
以第批次为例,根据偏差值的获取公式获得偏差值,偏差值的获取公式为:;其中,/>表示第/>批次中第/>个原材料的偏差值;/>表示第/>批次中第/>个原材料的投放量;/>表示第/>个原材料在所有/>批次中的投放量均值;/>表示第/>个原材料在所有N批次中的投放量;/>表示所有批次中第/>个原材料投放量的标准差;/>表示归一化函数;
所述偏差约束系数的获取方法包括:
以第批次为例,根据偏差约束系数的获取公式获得偏差约束系数,偏差约束系数的获取公式为:/>;其中,/>表示第/>批次中第/>个原材料的偏差约束系数;/>表示第/>批次中第/>个参考原材料的偏差值;/>表示第/>个参考原材料的投放时间与生产时间的时间差异;/>表示参考原材料的数量;/>表示归一化函数;/>表示自然常数;/>表示逻辑斯谛函数;
所述整体偏差系数的获取方法包括:
以第批次为例,根据整体偏差系数的获取公式获得整体偏差系数,整体偏差系数的获取公式为:/>;其中,/>表示第/>批次的整体偏差系数;/>表示第/>批次中第/>个原材料的偏差值;/>表示第/>批次中所有原材料的偏差值均值;/>表示第/>批次中第/>个原材料的偏差约束系数;/>表示每一批次中所有原材料的数量;
所述整体偏差度的获取方法包括:
基于DTW算法获得每一批次与其他每一批次之间的所述生产时序模型的相对距离;
计算所述平均相对距离与归一化所述整体偏差系数的乘积,获得每一批次的整体偏差度;
所述整体偏差系数和所述平均相对距离与所述整体偏差度均为正相关关系;
所述优选K值的获取方法包括:
对每一批次的所述整体偏差度进行负相关映射并归一化,计算与预设常数的乘积,作为调整因子,对所述调整因子取整,与预设常数相加获得每一批次参与LOF算法的优选K值;
所述根据所述优选K值对每一批次进行异常检测包括:
选取每一批次的优选K值个最近其他批次,作为离群批次;
将每一离群批次的所述标准投放量进行累加,作为每一离群批次的数据点;
采用LOF算法对所有离群批次的数据点进行异常检测,获得离群因子;将归一化离群因子与预设经验阈值比较;若归一化离群因子大于预设经验阈值,对应批次为异常批次。
2.根据权利要求1所述的一种用于食品加工的质量安全溯源管理方法,其特征在于,所述参考原材料的获取方法包括:
在每一批次中,选取在每种原材料的所述投放时间之前的其他所有原材料,作为参考原材料。
3.一种用于食品加工的质量安全溯源管理系统,所述系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~2任意一项所述一种用于食品加工的质量安全溯源管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311361538.0A CN117094611B (zh) | 2023-10-20 | 2023-10-20 | 一种用于食品加工的质量安全溯源管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311361538.0A CN117094611B (zh) | 2023-10-20 | 2023-10-20 | 一种用于食品加工的质量安全溯源管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117094611A CN117094611A (zh) | 2023-11-21 |
CN117094611B true CN117094611B (zh) | 2024-01-09 |
Family
ID=88780182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311361538.0A Active CN117094611B (zh) | 2023-10-20 | 2023-10-20 | 一种用于食品加工的质量安全溯源管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117094611B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455219B (zh) * | 2023-12-25 | 2024-04-12 | 山东鸿安食品科技有限公司 | 一种发酵生产配料优化方法及系统 |
CN117474427B (zh) * | 2023-12-27 | 2024-03-26 | 大连金马衡器有限公司 | 基于物联网技术的智能托盘冷链溯源方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004296826A (ja) * | 2003-03-27 | 2004-10-21 | Nec Kyushu Ltd | 品質管理装置及び品質管理方法 |
CN111398538A (zh) * | 2020-06-08 | 2020-07-10 | 江西汇仁药业股份有限公司 | 中药综合品质评价方法 |
CN114254944A (zh) * | 2021-12-24 | 2022-03-29 | 胜斗士(上海)科技技术发展有限公司 | 一种食品质量管理系统、方法及装置 |
CN115860579A (zh) * | 2023-02-27 | 2023-03-28 | 山东金利康面粉有限公司 | 一种用于面粉加工的生产质量监测系统 |
CN115983721A (zh) * | 2023-03-20 | 2023-04-18 | 青岛豪迈电缆集团有限公司 | 一种基于物联网大数据的电缆生产质量数据管理系统 |
CN116485418A (zh) * | 2023-06-21 | 2023-07-25 | 福建基茶生物科技有限公司 | 一种茶叶精制生产溯源方法及系统 |
CN116611620A (zh) * | 2023-07-18 | 2023-08-18 | 厚德智能技术(山东)有限公司 | 一种智慧城市安全协同管理信息系统 |
WO2023159574A1 (zh) * | 2022-02-28 | 2023-08-31 | 西门子股份公司 | 异常检测方法、装置、计算机可读介质和电子装置 |
CN116776274A (zh) * | 2023-08-25 | 2023-09-19 | 北京点聚信息技术有限公司 | 基于数据分析的电子印章数据管理系统 |
-
2023
- 2023-10-20 CN CN202311361538.0A patent/CN117094611B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004296826A (ja) * | 2003-03-27 | 2004-10-21 | Nec Kyushu Ltd | 品質管理装置及び品質管理方法 |
CN111398538A (zh) * | 2020-06-08 | 2020-07-10 | 江西汇仁药业股份有限公司 | 中药综合品质评价方法 |
CN114254944A (zh) * | 2021-12-24 | 2022-03-29 | 胜斗士(上海)科技技术发展有限公司 | 一种食品质量管理系统、方法及装置 |
WO2023159574A1 (zh) * | 2022-02-28 | 2023-08-31 | 西门子股份公司 | 异常检测方法、装置、计算机可读介质和电子装置 |
CN115860579A (zh) * | 2023-02-27 | 2023-03-28 | 山东金利康面粉有限公司 | 一种用于面粉加工的生产质量监测系统 |
CN115983721A (zh) * | 2023-03-20 | 2023-04-18 | 青岛豪迈电缆集团有限公司 | 一种基于物联网大数据的电缆生产质量数据管理系统 |
CN116485418A (zh) * | 2023-06-21 | 2023-07-25 | 福建基茶生物科技有限公司 | 一种茶叶精制生产溯源方法及系统 |
CN116611620A (zh) * | 2023-07-18 | 2023-08-18 | 厚德智能技术(山东)有限公司 | 一种智慧城市安全协同管理信息系统 |
CN116776274A (zh) * | 2023-08-25 | 2023-09-19 | 北京点聚信息技术有限公司 | 基于数据分析的电子印章数据管理系统 |
Non-Patent Citations (1)
Title |
---|
改进的基于PSO的离群点检测算法;王美晶;叶东毅;;计算机应用(第S1期);第139-143页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117094611A (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117094611B (zh) | 一种用于食品加工的质量安全溯源管理方法及系统 | |
WO2021179572A1 (zh) | 运维系统异常指标检测模型优化方法、装置及存储介质 | |
US8738652B2 (en) | Systems and methods for dynamic anomaly detection | |
US10468136B2 (en) | Method and system for data processing to predict health condition of a human subject | |
US11448570B2 (en) | Method and system for unsupervised anomaly detection and accountability with majority voting for high-dimensional sensor data | |
Hu et al. | Properties of R2 statistics for logistic regression | |
US20190087248A1 (en) | Anomaly detection and automated analysis using weighted directed graphs | |
US20210374634A1 (en) | Work efficiency evaluation method, work efficiency evaluation apparatus, and program | |
US11797514B2 (en) | System and methods for data model detection and surveillance | |
CN115359846A (zh) | 一种组学数据的批次矫正方法、装置、存储介质及电子设备 | |
US10977336B2 (en) | System and method of pre-processing discrete datasets for use in machine learning | |
CN111768287A (zh) | 周期识别方法、装置、服务器及可读存储介质 | |
CN116842330B (zh) | 一种可对比历史记录的保健信息处理方法及装置 | |
US20190205341A1 (en) | Systems and methods for measuring collected content significance | |
CN110008972B (zh) | 用于数据增强的方法和装置 | |
CN116151353A (zh) | 一种序列推荐模型的训练方法和对象推荐方法 | |
Slabchenko et al. | Development of models for imputation of data from social networks on the basis of an extended matrix of attributes | |
CN112348055A (zh) | 一种聚类评估度量方法、系统、装置和存储介质 | |
Conn et al. | Adjusting age and stage distributions for misclassification errors | |
CN111507578A (zh) | 风险评估方法及相关装置、设备 | |
Wang | Modified generalized method of moments for a robust estimation of polytomous logistic model | |
Attwood et al. | Confidence interval estimation of the Youden index and corresponding cut-point for a combination of biomarkers under normality | |
CN117290799B (zh) | 一种基于大数据的企业采购管理方法及系统 | |
Amerise et al. | A new method to detect outliers in high-frequency time series | |
Savvides et al. | Model selection with bootstrap validation |
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 |