CN117314149A - 一种食品安全监督管理系统 - Google Patents
一种食品安全监督管理系统 Download PDFInfo
- Publication number
- CN117314149A CN117314149A CN202310553769.5A CN202310553769A CN117314149A CN 117314149 A CN117314149 A CN 117314149A CN 202310553769 A CN202310553769 A CN 202310553769A CN 117314149 A CN117314149 A CN 117314149A
- Authority
- CN
- China
- Prior art keywords
- data
- food safety
- food
- management system
- module
- 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
- 235000013305 food Nutrition 0.000 title claims abstract description 102
- 238000004519 manufacturing process Methods 0.000 claims abstract description 31
- 238000007726 management method Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 238000012502 risk assessment Methods 0.000 claims abstract description 16
- 238000007405 data analysis Methods 0.000 claims abstract description 10
- 238000013500 data storage Methods 0.000 claims abstract description 8
- 238000009826 distribution Methods 0.000 claims abstract description 6
- 238000004140 cleaning Methods 0.000 claims abstract description 5
- 238000003860 storage Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004321 preservation Methods 0.000 claims description 6
- 238000012954 risk control Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 235000013409 condiments Nutrition 0.000 claims description 3
- 238000009920 food preservation Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000012797 qualification Methods 0.000 claims description 3
- 238000004659 sterilization and disinfection Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims 1
- 238000011176 pooling Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 2
- 238000010411 cooking Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000007704 transition 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种食品安全监督管理系统,涉及一种食品安全监督管理系统的技术领域,其包括:数据采集模块;用于对食品生产、流通、销售环节的数据进行采集;所采集的数据包括:生产日期、生产批次、生产厂家、流通路径及销售渠道;数据处理模块;用于对采集到的数据进行数据清洗及数据存储;数据分析模块;用于对食品生产、流通、销售环节处理完成后的数据进行分析,判断是否出现异常情况;以及,报告生成模块;用于根据数据分析结果生成食品安全监测报告及食品安全风险评估报告。
Description
技术领域
本申请涉及食品安全监控的技术领域,尤其是涉及一种食品安全监督管理系统。
背景技术
高速公路是城市之间联接的要道,高速公路服务区在为过往车辆和人员提供了极大便利的同时,也有一定几率会成为突发食品安全事件的“危险地带。
因此,如何更好地对食品安全进行监理管理是行业需要攻克的技术难点。
发明内容
为了至少部分解决上述技术问题,本申请提供了一种食品安全监督管理系统。
本申请提供的一种食品安全监督管理系统采用如下的技术方案。
一种食品安全监督管理系统,其特征在于,包括:
数据采集模块;用于对食品生产、流通、销售环节的数据进行采集;所采集的数据包括:生产日期、生产批次、生产厂家、流通路径及销售渠道;
数据处理模块;用于对采集到的数据进行数据清洗及数据存储;
数据分析模块;用于对食品生产、流通、销售环节处理完成后的数据进行分析,判断是否出现异常情况;以及,
报告生成模块;用于根据数据分析结果生成食品安全监测报告及食品安全风险评估报告。
可选的,数据处理模块对采集到的数据进行处理数据清洗,具体包括:
对采集到的原始数据进行预处理,所述预处理包括数据格式转换、缺失值填充及异常值处理;
通过卷积神经网络对预处理后的所述数据进行特征提取,得到预处理后的所述数据的高维表示;
对高维表示后数据中的噪声、异常值和重复数据进行去除;
将去除将清洗后的数据重构成原始数据的形式的高维表述数据重构为原始数据形式。
可选的,对采集到的原始数据进行缺失值填充,具体为:
对于每个缺失值,随机选择原始数据中的若干样本和特征,构建一个随机模型;在所述随机模型中,根据样本的缺失值,调整样本的权重;样本缺失值越少,样本权重越高;根据特征的信息增益值,选择匹配的特征;
使用构建好的所述随机模型,采用贝叶斯公式预测缺失值;直到所有缺失值都被填充为止;
其中,样本权重的计算公式为:
其中,Wi表示第i个样本的权重,mi表示第i个样本的缺失值数量;α为为时间参数;
信息增益的计算公式为:
IG(D,A)=H(D)-H(D|A);IG(D,A)表示信息增益,H(D)表示数据集D的熵,H(D∣A)表示在特征A给定的条件下,数据集D的条件熵。
可选的,采集到的原始数据进行异常值处理,具体为:
计算自编码器的损失函数:x表示原始数据,/>表示自编码器还原后的数据;
计算每个数据点的异常得分:Si表示第i个数据点的异常得分;
基于异常得分计算异常概率:Pi表示Si在序列中的归一化值,min(s)表示序列中的最小值,max(s)表示系列中的最大值。
可选的,对食品生产、流通、销售环节处理完成后的数据进行分析,判断是否出现异常情况,具体为:
基于不同批次或不同供应商的产品质量得到第一评分n1;第一评分与差异性成反比,差异性的计算公式为:其中,MSb是组间平方和除以组间自由度,MSw是组内平方和除以组内自由度;
基于食品生产日期、销售日期及保质期得到第二评分n2;第二评分的计算公式为:其中D2为销售日期,D1为生产日期,D为保质期;
基于食品流通及销售时的温度数据得到食品保存的第三评分n3; 其中,T是食品实际保存温度,Tref是参考保存温度,K是在温度T中腐败的系数;
基于得到评估分;
判断所述评估分是否小于预设分数,如果是,则判定出现异常情况。
可选的,所述食品安全监测报告包括:食品样品的检测结果、检测方法、检测时间及评估分;
所述食品安全风险评估包括食品安全风险的评估结果、风险等级及推荐风险控制措施。
可选的,所述系统还包括云存储模块,所述云存储模块用于接收所述报告生成模块生成的食品安全监测报告及食品安全风险评估报告,进行保存;所述云存储模块接收后,根据预设的发送对象,将接收到的食品安全监测报告及食品安全风险评估报告发送至所述对象。
可选的,所述推荐风险控制措施是基于对食品生产、流通、销售环节处理完成后的数据进行分析时异常的部分生成的。
可选的,所述系统还包括图像采集模块及显示模块,所述图像采集模块用于对餐厨环境进行图像采集;所述显示模块的显示界面中包括图像显示区域及信息提示区;所述图像显示区显示所述图像采集模块所采集的餐厨环境实时图像;所述信息提示区用于显示提示信息;所述提示信息包括:优质商户排名、食材及调味品采购公示、日常消毒方式及记录、商户及人员资质和监督电话及投诉电话公示。
附图说明
图1是本申请实施例一种食品安全监督管理系统的系统框图;
图中,101、数据采集模块;102、数据处理模块;103、数据分析模块;104、报告生成模块。
具体实施方式
下面结合附图1和具体实施例对本申请作进一步说明:
首先,这里需要说明的是:在本申请的描述中,如出现术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等方位词,其所指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制;此外,如出现术语“第一”、“第二”、“第三”等数字量词仅用于描述目的,而不能理解为指示或暗示相对重要性。另外,在本申请中,除非另有明确的规定和限定,如出现术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接、过盈配合、过渡配合等限位连接,或一体连接;可以是直接相连,也可以通过中间媒介间接相连;因此对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
本申请实施例公开一种食品安全监督管理系统。参照图1,作为一种食品安全监督管理系统的一种实施方式,一种食品安全监督管理系统包括:
数据采集模块101;用于对食品生产、流通、销售环节的数据进行采集;所采集的数据包括:生产日期、生产批次、生产厂家、流通路径及销售渠道;
数据处理模块102;用于对采集到的数据进行数据清洗及数据存储;
数据分析模块103;用于对食品生产、流通、销售环节处理完成后的数据进行分析,判断是否出现异常情况;以及,
报告生成模块104;用于根据数据分析结果生成食品安全监测报告及食品安全风险评估报告。
具体地,上述的生产包括烹饪以及工业加工过程。通过上述方案能够自动对食品安全过程中的数据进行监控、管理及生成报告,减少食品安全问题。
作为一种食品安全监督管理系统的一种具体实施方式,数据处理模块对采集到的数据进行处理数据清洗,具体包括:
对采集到的原始数据进行预处理,预处理包括数据格式转换、缺失值填充及异常值处理;
通过卷积神经网络对预处理后的数据进行特征提取,得到预处理后的数据的高维表示;
对高维表示后数据中的噪声、异常值和重复数据进行去除;
将去除将清洗后的数据重构成原始数据的形式的高维表述数据重构为原始数据形式。
具体地,处理图像、语音、文本等数据时,通常需要将其转换为计算机可以理解的数字形式。这个过程称为特征提取。卷积神经网络(Convolutional Neural Network,CNN)是一种常用的特征提取方法,它可以自动学习数据的特征表示。CNN的基本结构包括卷积层、池化层和全连接层。卷积层通过卷积操作提取数据的局部特征,池化层通过降采样操作减少数据的维度,全连接层通过连接所有神经元将数据映射到输出空间。卷积操作可以提取数据的局部特征,但是会导致特征图的维度变大。为了减少特征图的维度,需要使用池化操作。常用的池化操作包括最大池化和平均池化。最后,我们可以使用全连接层将特征图映射到输出空间。通过卷积神经网络对预处理后的数据进行特征提取,我们可以得到预处理后的数据的高维表示。这个高维表示可以用于后续的分类、回归等任务。
作为一种食品安全监督管理系统的一种具体实施方式,对采集到的原始数据进行缺失值填充,具体为:
对于每个缺失值,随机选择原始数据中的若干样本和特征,构建一个随机模型;在随机模型中,根据样本的缺失值,调整样本的权重;样本缺失值越少,样本权重越高;根据特征的信息增益值,选择匹配的特征;
使用构建好的随机模型,采用贝叶斯公式预测缺失值;直到所有缺失值都被填充为止;
其中,样本权重的计算公式为:
其中,Wi表示第i个样本的权重,mi表示第i个样本的缺失值数量;α为为时间参数;
信息增益的计算公式为:
IG(D,A)=H(D)-H(D|A);IG(D,A)表示信息增益,H(D)表示数据集D的熵,H(D∣A)表示在特征A给定的条件下,数据集D的条件熵。
具体地,缺失值填充是数据预处理中的一个重要步骤,用于提高数据的完整性和可用性。首先,需要定义一个随机模型,该模型由若干个样本和特征组成。对于每个缺失值,随机选择一些样本和特征,构建一个随机模型。在随机模型中,根据样本的缺失值,调整样本的权重。样本缺失值越少,样本权重越高。这样可以保证在填充缺失值时,更多地利用完整的样本信息。其次,需要使用信息增益来选择匹配的特征。信息增益是一种衡量特征对分类结果影响的指标。计算每个特征的信息增益,选择信息增益最大的特征作为填充缺失值的特征,从而保证填充的值更加准确。最后,系统使用构建好的随机模型,预测缺失值。系统使用随机模型中的样本和特征,对缺失值进行预测。预测的结果是一个概率分布,系统选择概率最大的值作为填充的值。这样可以保证填充的值更加准确和可靠。
作为一种食品安全监督管理系统的一种具体实施方式,对采集到的原始数据进行异常值处理,具体为:
计算自编码器的损失函数:x表示原始数据,/>表示自编码器还原后的数据;
计算每个数据点的异常得分:Si表示第i个数据点的异常得分;
基于异常得分计算异常概率:Pi表示Si在序列中的归一化值,min(s)表示序列中的最小值,max(s)表示系列中的最大值。
作为一种食品安全监督管理系统的其中一种实施方式,对食品生产、流通、销售环节处理完成后的数据进行分析,判断是否出现异常情况,具体为:
基于不同批次或不同供应商的产品质量得到第一评分n1;第一评分与差异性成反比,差异性的计算公式为:其中,MSb是组间平方和除以组间自由度,MSw是组内平方和除以组内自由度;
基于食品生产日期、销售日期及保质期得到第二评分n2;第二评分的计算公式为:其中D2为销售日期,D1为生产日期,D为保质期;
基于食品流通及销售时的温度数据得到食品保存的第三评分n3;n3=其中,T是食品实际保存温度,Tref是参考保存温度,K是在温度T中腐败的系数;
基于得到评估分;
判断评估分是否小于预设分数,如果是,则判定出现异常情况。
具体地,食品生产、流通、销售环节时,数据分析模块可以检测异常情况,以确保食品的质量和安全。第一评分用于评价不同批次或不同供应商的产品质量是否存在显著差异。食品在流通和销售过程中,温度是一个非常重要的因素,影响食品的质量和安全性。
作为一种食品安全监督管理系统的其中一种实施方式,食品安全监测报告包括:食品样品的检测结果、检测方法、检测时间及评估分;
食品安全风险评估包括食品安全风险的评估结果、风险等级及推荐风险控制措施。
作为一种食品安全监督管理系统的其中一种实施方式,系统还包括云存储模块,云存储模块用于接收报告生成模块生成的食品安全监测报告及食品安全风险评估报告,进行保存;云存储模块接收后,根据预设的发送对象,将接收到的食品安全监测报告及食品安全风险评估报告发送至对象。
作为一种食品安全监督管理系统的其中一种实施方式,推荐风险控制措施是基于对食品生产、流通、销售环节处理完成后的数据进行分析时异常的部分生成的。
作为一种食品安全监督管理系统的其中一种实施方式,系统还包括图像采集模块及显示模块,图像采集模块用于对餐厨环境进行图像采集;显示模块的显示界面中包括图像显示区域及信息提示区;图像显示区显示图像采集模块所采集的餐厨环境实时图像;信息提示区用于显示提示信息;提示信息包括:优质商户排名、食材及调味品采购公示、日常消毒方式及记录、商户及人员资质和监督电话及投诉电话公示。
需要说明的是:以上实施例仅用于说明本申请而并非限制本申请所描述的技术方案,尽管本说明书参照上述的实施例对本申请已进行了详细的说明,但是,本领域的普通技术人员应当理解,所属技术领域的技术人员仍然可以对本申请进行修改或者等同替换,而一切不脱离本申请的精神和范围的技术方案及其改进,均应涵盖在本申请的权利要求范围内。
Claims (9)
1.一种食品安全监督管理系统,其特征在于,包括:
数据采集模块;用于对食品生产、流通、销售环节的数据进行采集;所采集的数据包括:生产日期、生产批次、生产厂家、流通路径及销售渠道;
数据处理模块;用于对采集到的数据进行数据清洗及数据存储;
数据分析模块;用于对食品生产、流通、销售环节处理完成后的数据进行分析,判断是否出现异常情况;以及,
报告生成模块;用于根据数据分析结果生成食品安全监测报告及食品安全风险评估报告。
2.根据权利要求1所述的一种食品安全监督管理系统,其特征在于,数据处理模块对采集到的数据进行处理数据清洗,具体包括:
对采集到的原始数据进行预处理,所述预处理包括数据格式转换、缺失值填充及异常值处理;
通过卷积神经网络对预处理后的所述数据进行特征提取,得到预处理后的所述数据的高维表示;
对高维表示后数据中的噪声、异常值和重复数据进行去除;
将去除将清洗后的数据重构成原始数据的形式的高维表述数据重构为原始数据形式。
3.根据权利要求2所述的一种食品安全监督管理系统,其特征在于,对采集到的原始数据进行缺失值填充,具体为:
对于每个缺失值,随机选择原始数据中的若干样本和特征,构建一个随机模型;在所述随机模型中,根据样本的缺失值,调整样本的权重;样本缺失值越少,样本权重越高;根据特征的信息增益值,选择匹配的特征;
使用构建好的所述随机模型,采用贝叶斯公式预测缺失值;直到所有缺失值都被填充为止;
其中,样本权重的计算公式为:
其中,Wi表示第i个样本的权重,mi表示第i个样本的缺失值数量;α为为时间参数;
信息增益的计算公式为:
IG(D,A)=H(D)-H(D|A);IG(D,A)表示信息增益,H(D)表示数据集D的熵,H(D∣A)表示在特征A给定的条件下,数据集D的条件熵。
4.根据权利要求3所述的一种食品安全监督管理系统,其特征在于,采集到的原始数据进行异常值处理,具体为:
计算自编码器的损失函数:x表示原始数据,/>表示自编码器还原后的数据;
计算每个数据点的异常得分:Si表示第i个数据点的异常得分;
基于异常得分计算异常概率:Pi表示Si在序列中的归一化值,min(s)表示序列中的最小值,max(s)表示系列中的最大值。
5.根据权利要求4所述的一种食品安全监督管理系统,其特征在于,对食品生产、流通、销售环节处理完成后的数据进行分析,判断是否出现异常情况,具体为:
基于不同批次或不同供应商的产品质量得到第一评分n1;第一评分与差异性成反比,差异性的计算公式为:其中,MSb是组间平方和除以组间自由度,MSw是组内平方和除以组内自由度;
基于食品生产日期、销售日期及保质期得到第二评分n2;第二评分的计算公式为:其中D2为销售日期,D1为生产日期,D为保质期;
基于食品流通及销售时的温度数据得到食品保存的第三评分n3; 其中,T是食品实际保存温度,Tref是参考保存温度,K是在温度T中腐败的系数;
基于得到评估分;
判断所述评估分是否小于预设分数,如果是,则判定出现异常情况。
6.根据权利要求5所述的一种食品安全监督管理系统,其特征在于,所述食品安全监测报告包括:食品样品的检测结果、检测方法、检测时间及评估分;
所述食品安全风险评估包括食品安全风险的评估结果、风险等级及推荐风险控制措施。
7.根据权利要求6所述的一种食品安全监督管理系统,其特征在于,所述系统还包括云存储模块,所述云存储模块用于接收所述报告生成模块生成的食品安全监测报告及食品安全风险评估报告,进行保存;所述云存储模块接收后,根据预设的发送对象,将接收到的食品安全监测报告及食品安全风险评估报告发送至所述对象。
8.根据权利要求7所述的一种食品安全监督管理系统,其特征在于:所述推荐风险控制措施是基于对食品生产、流通、销售环节处理完成后的数据进行分析时异常的部分生成的。
9.根据权利要求8所述的一种食品安全监督管理系统,其特征在于:所述系统还包括图像采集模块及显示模块,所述图像采集模块用于对餐厨环境进行图像采集;所述显示模块的显示界面中包括图像显示区域及信息提示区;所述图像显示区显示所述图像采集模块所采集的餐厨环境实时图像;所述信息提示区用于显示提示信息;所述提示信息包括:优质商户排名、食材及调味品采购公示、日常消毒方式及记录、商户及人员资质和监督电话及投诉电话公示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310553769.5A CN117314149A (zh) | 2023-05-17 | 2023-05-17 | 一种食品安全监督管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310553769.5A CN117314149A (zh) | 2023-05-17 | 2023-05-17 | 一种食品安全监督管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117314149A true CN117314149A (zh) | 2023-12-29 |
Family
ID=89285457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310553769.5A Pending CN117314149A (zh) | 2023-05-17 | 2023-05-17 | 一种食品安全监督管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117314149A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117670067A (zh) * | 2024-02-01 | 2024-03-08 | 青岛博什兰物联技术有限公司 | 一种基于大数据的质量安全管理方法及平台 |
CN118093705A (zh) * | 2024-04-23 | 2024-05-28 | 中检溯源江苏技术服务有限公司 | 一种食品检测用信息追溯监管系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930367A (zh) * | 2012-09-26 | 2013-02-13 | 广州中国科学院先进技术研究所 | 一种基于云服务的食品和环境安全管理系统及建立方法 |
CN108986004A (zh) * | 2018-08-20 | 2018-12-11 | 北京诺亚威仪器仪表有限公司 | 一种食品安全监督管理系统及方法 |
CN111639953A (zh) * | 2020-06-02 | 2020-09-08 | 厦门大学 | 一种以检测为基础的食品安全全程追溯系统及追溯方法 |
CN111738549A (zh) * | 2020-05-21 | 2020-10-02 | 平安国际智慧城市科技股份有限公司 | 食品安全风险评估方法、装置、设备及存储介质 |
CN112462012A (zh) * | 2020-11-17 | 2021-03-09 | 青岛市疾病预防控制中心(青岛市预防医学研究院) | 一种用于食品安全监测的智能云系统 |
CN113239090A (zh) * | 2021-05-13 | 2021-08-10 | 谢萍青 | 一种基于大数据的食品安全检测系统 |
CN114708005A (zh) * | 2022-06-06 | 2022-07-05 | 山东泰宝信息科技集团有限公司 | 基于数据分析的酒类产品分级溯源管理系统 |
CN116051127A (zh) * | 2022-12-26 | 2023-05-02 | 深圳平安通信科技有限公司 | 食品安全风险监测方法、装置、介质及电子设备 |
-
2023
- 2023-05-17 CN CN202310553769.5A patent/CN117314149A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930367A (zh) * | 2012-09-26 | 2013-02-13 | 广州中国科学院先进技术研究所 | 一种基于云服务的食品和环境安全管理系统及建立方法 |
CN108986004A (zh) * | 2018-08-20 | 2018-12-11 | 北京诺亚威仪器仪表有限公司 | 一种食品安全监督管理系统及方法 |
CN111738549A (zh) * | 2020-05-21 | 2020-10-02 | 平安国际智慧城市科技股份有限公司 | 食品安全风险评估方法、装置、设备及存储介质 |
CN111639953A (zh) * | 2020-06-02 | 2020-09-08 | 厦门大学 | 一种以检测为基础的食品安全全程追溯系统及追溯方法 |
CN112462012A (zh) * | 2020-11-17 | 2021-03-09 | 青岛市疾病预防控制中心(青岛市预防医学研究院) | 一种用于食品安全监测的智能云系统 |
CN113239090A (zh) * | 2021-05-13 | 2021-08-10 | 谢萍青 | 一种基于大数据的食品安全检测系统 |
CN114708005A (zh) * | 2022-06-06 | 2022-07-05 | 山东泰宝信息科技集团有限公司 | 基于数据分析的酒类产品分级溯源管理系统 |
CN116051127A (zh) * | 2022-12-26 | 2023-05-02 | 深圳平安通信科技有限公司 | 食品安全风险监测方法、装置、介质及电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117670067A (zh) * | 2024-02-01 | 2024-03-08 | 青岛博什兰物联技术有限公司 | 一种基于大数据的质量安全管理方法及平台 |
CN118093705A (zh) * | 2024-04-23 | 2024-05-28 | 中检溯源江苏技术服务有限公司 | 一种食品检测用信息追溯监管系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117314149A (zh) | 一种食品安全监督管理系统 | |
AU768225B2 (en) | A process for the monitoring and diagnostics of data from a remote asset | |
US7213174B2 (en) | Provision of process related information | |
US20220300809A1 (en) | Data generation system, learning apparatus, data generation apparatus, data generation method, and computer-readable storage medium storing a data generation program | |
Paiva | Quality management: Important aspects for the food industry | |
CN102763047B (zh) | 用于诊断压缩机的方法和系统 | |
CN115358281B (zh) | 一种基于机器学习的冷热一体机监测控制方法及系统 | |
KR102618023B1 (ko) | 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법 | |
CN111402236A (zh) | 一种基于图像灰度值的热轧带钢表面缺陷分级方法 | |
JP7095988B2 (ja) | 異常監視システム、異常監視方法及びプログラム | |
CN117112336B (zh) | 智能通信设备异常检测方法、设备、存储介质及装置 | |
US20220137019A1 (en) | Hyperspectral computer vision aided time series forecasting for every day best flavor | |
CN111212434B (zh) | 一种wifi模组质量预测方法、装置、设备及存储介质 | |
CN116485020B (zh) | 一种基于大数据的供应链风险识别预警方法、系统及介质 | |
JP2001134643A (ja) | 需要予測装置及び需要予測方法 | |
KR102362582B1 (ko) | 통계 데이터 전처리 방법, 서버 및 컴퓨터 판독가능매체 | |
US20230074474A1 (en) | Parameter adjustment apparatus, inference apparatus, parameter adjustment method, and computer-readable storage medium storing a parameter adjustment program | |
Trofimov | Multi-structural instrument for identifying surface defects on rails | |
Tsiamyrtzis et al. | Image based statistical process monitoring via partial first order stochastic dominance | |
Sarveswaran et al. | MilkSafe: A Hardware-Enabled Milk Quality Prediction using Machine Learning | |
De Meyer | Validating the integrity of single source condition monitoring data | |
JPH08212191A (ja) | 商品販売予測装置 | |
CN117408575B (zh) | 一种能源产品生产智能管理方法及平台 | |
CN117740811B (zh) | 一种新能源汽车遮阳篷性能检测方法、系统及存储介质 | |
Pakdil et al. | Control Charts |
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 |