CN118134260A - 一种食品安全风险评估方法及系统 - Google Patents
一种食品安全风险评估方法及系统 Download PDFInfo
- Publication number
- CN118134260A CN118134260A CN202410533626.2A CN202410533626A CN118134260A CN 118134260 A CN118134260 A CN 118134260A CN 202410533626 A CN202410533626 A CN 202410533626A CN 118134260 A CN118134260 A CN 118134260A
- Authority
- CN
- China
- Prior art keywords
- food
- risk value
- information
- risk
- features
- 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 322
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012502 risk assessment Methods 0.000 title claims abstract description 34
- 239000013598 vector Substances 0.000 claims description 73
- 239000000306 component Substances 0.000 claims description 61
- 235000012041 food component Nutrition 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 43
- 238000012937 correction Methods 0.000 claims description 34
- 239000005417 food ingredient Substances 0.000 claims description 26
- 238000012550 audit Methods 0.000 claims description 25
- 238000001514 detection method Methods 0.000 claims description 25
- 239000005428 food component Substances 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 239000004615 ingredient Substances 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 13
- 230000037406 food intake Effects 0.000 claims description 7
- 235000012631 food intake Nutrition 0.000 claims description 7
- 238000013139 quantization Methods 0.000 claims description 7
- 239000000470 constituent Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 235000021393 food security Nutrition 0.000 description 7
- 230000036541 health Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 238000003058 natural language processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 239000013566 allergen Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 231100000357 carcinogen Toxicity 0.000 description 2
- 239000003183 carcinogenic agent Substances 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000011157 data evaluation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000011059 hazard and critical control points analysis Methods 0.000 description 2
- 231100000206 health hazard Toxicity 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- 206010028164 Multiple allergies Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 231100000481 chemical toxicant Toxicity 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013497 data interchange Methods 0.000 description 1
- 230000009982 effect on human Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008821 health effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 235000021067 refined food Nutrition 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
- 235000021404 traditional food Nutrition 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种食品安全风险评估方法及系统,涉及风险评估技术领域。在该方法中,当完成待评估食品的食品进货流程之后,获取待评估食品对应的食品信息和供应商信息;基于食品信息,提取得到多个食品特征,并基于供应商信息,提取得到多个供应商特征;基于多个食品特征,得到待评估食品对应的第一风险值;基于多个供应商特征,得到待评估食品对应的第二风险值;基于第一风险值和第二风险值,得到待评估食品对应的综合风险值;当综合风险值大于预设风险阈值时,确定待评估食品存在食品安全风险。实施本申请的技术方案,可以提高食品安全风险评估的准确性。
Description
技术领域
本申请涉及风险评估技术领域,具体涉及一种食品安全风险评估方法及系统。
背景技术
在食品行业中,确保食品的安全是至关重要的。当前,多数食品安全评估方法主要集中于单一维度的风险评估,通常是针对食品成分进行独立分析,即传统的食品安全评估通常依赖于食品检测报告,例如通过检查食品中的禁用添加剂或过敏原来评估食品风险。然而,这种安全风险评估方法往往导致风险评估结果的单一,仅依赖单一来源的数据评估,无法准确地评估食品安全风险。
因此,如何提高食品安全风险评估的准确性,成为亟需解决的技术问题。
发明内容
本申请提供了一种食品安全风险评估方法及系统,可以提高食品安全风险评估的准确性。
第一方面,本申请提供了一种食品安全风险评估方法,所述方法包括:当完成待评估食品的食品进货流程之后,获取所述待评估食品对应的食品信息和供应商信息;基于所述食品信息,提取得到多个食品特征,并基于所述供应商信息,提取得到多个供应商特征;基于多个所述食品特征,得到所述待评估食品对应的第一风险值;基于多个所述供应商特征,得到所述待评估食品对应的第二风险值;基于所述第一风险值和所述第二风险值,得到所述待评估食品对应的综合风险值;当所述综合风险值大于预设风险阈值时,确定所述待评估食品存在食品安全风险。
通过采用上述技术方案,通过在食品进货流程完成后收集待评估食品的相关信息以及供应商信息,通过引入供应商信息从而确保食品安全评估的基础数据的全面性,避免依赖单一来源的数据评估。通过基于多个食品特征得到待评估食品对应的第一风险值,并基于多个供应商特征得到待评估食品对应的第二风险值,从而实现了对食品安全风险的多角度和多层次评估;通过基于第一风险值和第二风险值得到待评估食品对应的综合风险值,从而整合了食品本身的质量和供应链的可靠性两大方面的风险因素,使风险评估结果更加全面和准确。当综合风险值大于预设风险阈值时,确定待评估食品存在食品安全风险,从而有效提高食品安全风险评估的准确性。
可选的,所述食品信息包括食品描述信息和食品成分信息;所述食品特征包括关键食品成分特征和量化的成分特征;所述基于所述食品信息,提取得到多个食品特征,具体包括:去除所述食品描述信息中所有非成分相关的文本,得到预处理后的食品描述信息;将所述食品成分信息中各成分的比例统一转换为标准单位,得到标准化后的食品成分信息;对所述预处理后的食品描述信息进行分析,识别得到多个所述关键食品成分特征;对所述标准化后的食品成分信息进行量化处理,得到多个所述量化的成分特征。
通过采用上述技术方案,通过去除食品描述信息中所有非成分相关的文本,得到预处理后的食品描述信息,从而确保后续分析专注于关键内容,提高数据处理的效率和准确性。通过将食品成分信息中各成分的比例统一转换为标准单位,得到标准化后的食品成分信息,从而使成分数据更易于分析和比较。通过对所述预处理后的食品描述信息进行分析,识别得到多个所述关键食品成分特征,通过对所述标准化后的食品成分信息进行量化处理,得到多个所述量化的成分特征,从而使得得到的特征更加准确。
可选的,所述供应商信息包括认证证书信息、食品安全审计结果信息以及食品质量检测信息;所述供应商特征包括认证状态特征和食品安全质量特征;所述基于所述供应商信息,提取得到多个供应商特征,具体包括:对所述认证证书信息、所述食品安全审计结果信息以及所述食品质量检测信息进行预处理,得到预处理后的认证证书信息、预处理后的食品安全审计结果信息以及预处理后的食品质量检测信息;从所述预处理后的认证证书信息中提取得到多个所述认证状态特征,并从所述预处理后的食品安全审计结果信息和所述预处理后的食品质量检测信息中提取得到所述食品安全质量特征。
通过采用上述技术方案,通过对认证证书信息、食品安全审计结果信息以及食品质量检测信息进行预处理,得到预处理后的认证证书信息、预处理后的食品安全审计结果信息以及预处理后的食品质量检测信息,从而确保数据清洗和标准化,提高后续数据处理的准确性和可靠性。通过从预处理后的认证证书信息中提取得到多个认证状态特征,并从预处理后的食品安全审计结果信息和预处理后的食品质量检测信息中提取得到食品安全质量特征,从而使得得到的特征更加准确。
可选的,所述基于多个所述食品特征,得到所述待评估食品对应的第一风险值,具体包括:对多个所述关键食品成分特征进行独热编码,得到多个第一独热向量;其中,每个所述第一独热向量表示一种成分,成分存在时标记为1,不存在时标记为0;对多个所述量化的成分特征进行归一化处理,得到多个归一化向量;基于多个所述第一独热向量和多个所述归一化向量,计算得到所述待评估食品对应的第一风险值。
通过采用上述技术方案,通过对多个关键食品成分特征进行独热编码,得到多个第一独热向量,从而使得成分的存在性能够被明确标记,提升了后续分析的清晰度和准确性。通过对多个量化的成分特征进行归一化处理,得到多个归一化向量,从而保证了数据在进行比较和计算时的公平性,消除了不同量度尺度带来的偏差。
可选的,所述基于多个所述供应商特征,得到所述待评估食品对应的第二风险值,具体包括:对多个所述认证状态特征进行独热编码,得到多个第二独热向量;其中,每个所述第二独热向量表示一种认证状态,供应商具备某一种认证状态时标记为1,不具备时标记为0;基于预设的质量等级评定标准,对所述食品安全质量特征进行等级划分,得到等级向量;基于所述第二独热向量和所述等级向量,计算得到所述待评估食品对应的第二风险值。
通过采用上述技术方案,通过对多个所述认证状态特征进行独热编码,得到多个第二独热向量,从而准确地表示供应商的认证状态。通过基于预设的质量等级评定标准对所述食品安全质量特征进行等级划分,得到等级向量,从而允许将食品的质量特征转换为标准化的等级表示,简化了复杂特征的处理,并使风险评估更加直观。
可选的,所述综合风险值包括第一综合风险值和第二综合风险值;所述基于所述第一风险值和所述第二风险值,得到所述待评估食品对应的综合风险值,具体包括:当所述第一风险值大于所述第二风险值时,从所有所述食品特征中筛选出至少一个与风险相关性最高的食品特征,识别为安全隐患食品特征;确定所述安全隐患食品特征对应的严重程度和所述安全隐患食品特征的第一数量;基于所述严重程度和第一数量,计算第一修正因数;基于所述第一修正因数调整所述第一风险值,并结合所述第二风险值,通过加权算法计算所述第一综合风险值;当所述第一风险值不大于所述第二风险值时,从多个所述供应商特征中筛选出至少一个与风险相关性最高的供应商特征,识别为安全隐患供应商特征;确定所述安全隐患供应商特征对应的影响程度和所述安全隐患供应商特征的第二数量;基于所述影响程度和所述第二数量,计算第二修正因数;基于所述第二修正因数调整所述第二风险值,并结合所述第一风险值,通过加权算法计算所述第二综合风险值。
通过采用上述技术方案,通过当第一风险值大于第二风险值时,从所有食品特征中筛选出至少一个与风险相关性最高的食品特征,识别为安全隐患食品特征,从而能够精准地识别和突出食品本身的主要安全问题。通过确定安全隐患食品特征对应的严重程度和安全隐患食品特征的第一数量,计算第一修正因数,从而使得风险评估更具体化和量化,通过基于第一修正因数调整第一风险值,并结合第二风险值,通过加权算法计算第一综合风险值,从而使得第一综合风险值更加精确。当第一风险值不大于第二风险值时,从多个供应商特征中筛选出至少一个与风险相关性最高的供应商特征,识别为安全隐患供应商特征,从而能够突出供应链中的关键风险点,通过确定安全隐患供应商特征对应的影响程度和安全隐患供应商特征的第二数量,计算第二修正因数,从而为风险值提供更精确的调整,通过基于第二修正因数调整第二风险值,并结合第一风险值,通过加权算法计算第二综合风险值,从而使得第二综合风险值更加精确。
可选的,在所述确定所述待评估食品存在食品安全风险之后,所述方法还包括:将所述待评估食品对应的所述食品信息和所述供应商信息进行储存并发送至管理人员终端。
在本申请的第二方面提供了一种食品安全风险评估系统,所述系统包括获取模块和处理模块;所述获取模块,用于当完成待评估食品的食品进货流程之后,获取所述待评估食品对应的食品信息和供应商信息;所述处理模块,用于基于所述食品信息,提取得到多个食品特征,并基于所述供应商信息,提取得到多个供应商特征;所述处理模块,还用于基于多个所述食品特征,得到所述待评估食品对应的第一风险值;所述处理模块,还用于基于多个所述供应商特征,得到所述待评估食品对应的第二风险值;所述处理模块,还用于基于所述第一风险值和所述第二风险值,得到所述待评估食品对应的综合风险值;所述处理模块,还用于当所述综合风险值大于预设风险阈值时,确定所述待评估食品存在食品安全风险。
在本申请的第三方面提供了一种电子设备,包括处理器、存储器、用户接口及网络接口,所述存储器用于存储指令,所述用户接口和网络接口用于给其它设备通信,所述处理器用于执行所述存储器中存储的指令,以使所述电子设备执行如本申请第一方面任意一项所述的方法。
在本申请的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有能够被处理器加载并执行如本申请第一方面任意一项所述的方法的计算机程序。
综上所述,本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过在食品进货流程完成后收集待评估食品的相关信息以及供应商信息,通过引入供应商信息从而确保食品安全评估的基础数据的全面性,避免依赖单一来源的数据评估。通过基于多个食品特征得到待评估食品对应的第一风险值,并基于多个供应商特征得到待评估食品对应的第二风险值,从而实现了对食品安全风险的多角度和多层次评估;通过基于第一风险值和第二风险值得到待评估食品对应的综合风险值,从而整合了食品本身的质量和供应链的可靠性两大方面的风险因素,使风险评估结果更加全面和准确。当综合风险值大于预设风险阈值时,确定待评估食品存在食品安全风险,从而有效提高食品安全风险评估的准确性。
附图说明
图1是本申请实施例提供的一种食品安全风险评估方法的流程示意图之一;
图2是本申请实施例提供的一种食品安全风险评估方法的流程示意图之二;
图3是本申请实施例提供的一种食品安全风险评估方法的流程示意图之三;
图4是本申请实施例提供的一种食品安全风险评估系统的结构示意图;
图5是本申请实施例公开的一种电子设备的结构示意图。
附图标记说明:1、获取模块;2、处理模块;500、电子设备;501、处理器;502、通信总线;503、用户接口;504、网络接口;505、存储器。
具体实施方式
为了使本领域的技术人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。
在本申请实施例的描述中,“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中,术语“多个”的含义是指两个或两个以上。例如,多个系统是指两个或两个以上的系统,多个屏幕终端是指两个或两个以上的屏幕终端。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。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其它方式另外特别强调。
本申请提供了一种食品安全风险评估方法,参照图1,其示出了本申请实施例提供的一种食品安全风险评估方法的流程示意图之一。该方法包括步骤S1-S6,上述步骤如下:
步骤S1:当完成待评估食品的食品进货流程之后,获取待评估食品对应的食品信息和供应商信息。
具体来说,在本技术方案中,在食品安全评估的综合风险管理方案中,步骤S1是整个流程的基础,其目的是确保获得全部必要的食品和供应商信息。在这一步骤中,需要在完成待评估食品的进货流程之后立即收集关于食品的具体信息和供应商的详细数据。通过准确和全面的初始数据以完成后续食品安全风险的准确评估。
其中,食品信息包括食品描述信息和食品成分信息;供应商信息包括认证证书信息、食品安全审计结果信息以及食品质量检测信息。
具体实施此步骤时,通过食品追溯系统,通过条形码或RFID技术跟踪每批次食品的来源、食品成分、处理和运输信息。此外,需要通过系统化的数据收集方法确保信息的完整性和准确性。例如,使用电子数据交换(EDI)系统,在供应商各方之间自动交换文档,同时,需要从供应商那里获取他们的认证证书、食品安全审计结果以及食品质量检测记录等信息。
步骤S2:基于食品信息,提取得到多个食品特征,并基于供应商信息,提取得到多个供应商特征。
具体来说,食品特征包括关键食品成分特征和量化的成分特征;供应商特征包括认证状态特征和食品安全质量特征。
在一种可能的实施方式中,步骤S2具体包括步骤S21-S26:
步骤S21:去除食品描述信息中所有非成分相关的文本,得到预处理后的食品描述信息。
由于食品描述通常包括营销语言、非技术性描述或其他不相关的信息,这些内容如果不被清除,则会干扰关键数据的提取与处理,从而影响风险评估的准确性。因此,在食品安全评估流程中,步骤S21的目的是从食品描述信息中去除所有非成分相关的文本,确保分析和后续的风险评估聚焦于与食品安全直接相关的信息。
具体来说,实施步骤S21需要使用文本处理技术,采用自然语言处理(NLP)工具来自动识别并分割成分相关与非成分相关的文本。例如,可以通过设定关键词过滤规则,自动去除如“新鲜”、“美味”等营销性质的形容词,同时保留诸如“含量”、“成分”、“来源”等与食品安全直接相关的术语。此外,还需要对文本进行语义分析,以确保只有与食品的物理、化学或生物特性相关的信息被保留下来,用于进一步分析。
步骤S22:将食品成分信息中各成分的比例统一转换为标准单位,得到标准化后的食品成分信息。
由于在食品安全评估过程中,成分的比例和浓度是判断食品潜在风险的关键因素。不同的数据来源可能会以不同的单位报告这些比例,如百分比、毫克/千克或体积比,从而导致数据间的不一致性和比较困难。因此,在食品安全评估流程中,步骤S22的目的是将食品成分信息中各成分的比例统一转换为标准单位,确保后续风险评估可以基于一致和可比较的数据进行。
具体实施步骤S22时,需要通过自动化的数据处理方法来进行单位转换。首先,需要识别出原始数据中的单位类型,如通过编程中的正则表达式匹配来实现。随后,根据预设的转换公式或转换表,将所有数据转换为统一的标准单位,例如将所有的质量单位统一转换为克(g)或毫克(mg),将体积单位统一为升(L)或毫升(mL)。需要说明的是,在进行单位转换的过程中,需要考虑成分的密度或特定物质的转换系数,以确保转换的准确性。
步骤S23:对预处理后的食品描述信息进行分析,识别得到多个关键食品成分特征。
具体实施步骤S23时,需要通过数据分析技术,如自然语言处理(NaturalLanguage Processing,NLP)和机器学习,来自动从食品描述信息中提取成分数据。首先,通过NLP技术分析文本,使用关键词识别和上下文分析来标定和提取关于成分的具体信息,例如成分名称、含量比例等。例如,可以利用模式匹配来识别文本中提到的所有化学物质名称,以及与之相关的数值表达,如“含有50mg的钠”。接着,可以通过机器学习模型进一步分析这些成分的可能健康影响,特别是那些已知对人体有害的成分,如致癌物质或高过敏性物质。
步骤S24:对标准化后的食品成分信息进行量化处理,得到多个量化的成分特征。
具体实现步骤S24时,采用统计和计算方法将成分的各种信息如含量、比例转换为可以用于后续计算的数值数据。其通常为将成分浓度或百分比等信息转换为标准的量化指标。例如,可以使用计算公式来标准化成分数据,确保所有成分数据都按照相同的单位和标准进行量化。
步骤S25:对认证证书信息、食品安全审计结果信息以及食品质量检测信息进行预处理,得到预处理后的认证证书信息、预处理后的食品安全审计结果信息以及预处理后的食品质量检测信息。
具体实施步骤S25时,需要通过数据清洗和格式标准化确保所有的认证证书信息、食品安全审计结果信息以及食品质量检测信息的一致性和准确性。首先,对从供应商处获得的认证证书信息进行归档和索引,清除任何过期或不相关的记录。对于食品安全审计结果,需要检查审计日期和审计内容的完整性,确保审计结果是最新的且覆盖所有关键的食品安全标准。同时,食品质量检测信息也需通过验证检测方法的标准性和检测结果的有效性来确保其准确性。
步骤S26:从预处理后的认证证书信息中提取得到多个认证状态特征,并从预处理后的食品安全审计结果信息和预处理后的食品质量检测信息中提取得到食品安全质量特征。
具体实施步骤S26时,首先对预处理后的认证证书信息进行深入分析,提取出关键的认证状态特征,如供应商持有的食品安全管理系统认证(例如HACCP,ISO 22000等)。接下来,从预处理后的食品安全审计结果信息中提取出关于供应商工厂的合规情况,如审计发现的不符项和改正措施等特征,并从预处理后的食品质量检测信息中如污染物水平、微生物检测结果等特征,再由该些特征共同组成食品安全质量特征。
步骤S3:基于多个食品特征,得到待评估食品对应的第一风险值。
具体来说,基于多个食品特征,得到待评估食品对应的第一风险值,即,基于关键食品成分特征和量化的成分特征,得到待评估食品对应的第一风险值。
在一种可能的实施方式中,步骤S3具体包括如下步骤:
对多个关键食品成分特征进行独热编码,得到多个第一独热向量;其中,每个第一独热向量表示一种成分,成分存在时标记为1,不存在时标记为0。
具体来说,该步骤涉及对关键食品成分特征进行独热编码,从而得到多个第一独热向量。独热编码是将分类变量转换为二进制形式的一种方法,其在处理非数值数据时尤其有用,它确保了模型能够在不引入人为的偏见和错误解释的情况下,准确地理解和评估每个成分的存在与风险贡献。通过将食品成分的存在与否转换成一种格式,使其能够被风险评估算法有效处理。
在具体实施该步骤时,首先需要从已经标准化和量化的食品成分信息中识别出关键的食品成分。接下来,对每种成分进行独热编码:为每个成分分配一个位置,在对应的位置上,如果该成分存在,则标记为1,否则标记为0。这样做的结果是每个成分都被表示为一个向量,向量中只有一个位置是1(表示该成分存在),其余都是0。
通过独热编码,可以直观地展示哪些成分在食品中存在。例如,某些成分可能与健康风险直接相关(如过敏原或有毒化学物质),通过独热编码这些成分的存在直接转化为模型可接受的输入形式,从而确保后续能够准确计算出这些成分可能带来的风险。
对多个量化的成分特征进行归一化处理,得到多个归一化向量。
具体来说,该步骤涉及对多个量化的成分特征进行归一化处理,得到多个归一化向量,从而标准化数据,使之在不同尺度和范围的成分含量之间可比较,从而确保后续风险计算的准确性和一致性。
在具体实施该步骤时,首先需要对从步骤S24中得到的标准化后的食品成分信息进行进一步的处理。即将每种成分的实际含量转换成一个介于0到1之间的比例值,通过将每个成分的实际含量减去该成分数据集中的最小值,然后除以该成分数据集的范围(即最大值减最小值)来实现。例如,如果某成分的含量范围是0mg到100mg,而特定食品中的含量是20mg,则该成分的归一化值将是0.2。
通过归一化处理,即使是在不同食品中含量差异极大的成分也可以在同一标准下进行比较和分析,从而使得后续在计算时能够忽略原始数据的量纲和尺度,集中评估每个成分的相对占比及其潜在风险。此外,归一化也提高了数据处理的稳定性和算法的收敛速度。
基于多个第一独热向量和多个归一化向量,计算得到待评估食品对应的第一风险值。
具体来说,在实施该步骤时,首先需要将独热向量和归一化向量合并或整合,这通常通过数学模型或算法完成。具体做法可以是将每个成分的存在(独热编码值)与其对应的量化值(归一化向量值)相乘,以此反映出该成分的实际影响力。例如,如果某成分存在(独热编码为1),并且其量化值是0.8,那么这个成分的风险贡献度可以认为是0.8;如果成分不存在(独热编码为0),则无论其量化值为何,风险贡献度都是0。
接下来,将所有成分的风险贡献度累加,形成一个综合的风险评分,即第一风险值。第一风险值是量化的,其是基于实际的成分数据和其量化信息进行计算,没有主观判断干扰评分,进而确保了计算的精确性和客观性。
步骤S4:基于多个供应商特征,得到待评估食品对应的第二风险值。
具体来说,基于多个供应商特征,得到待评估食品对应的第二风险值,即,基于认证状态特征和食品安全质量特征,得到待评估食品对应的第二风险值。
在一种可能的实施方式中,步骤S4具体包括如下步骤:
对多个认证状态特征进行独热编码,得到多个第二独热向量;其中,每个第二独热向量表示一种认证状态,供应商具备某一种认证状态时标记为1,不具备时标记为0。
具体来说,该步骤涉及对多个认证状态特征进行独热编码,从而得到多个第二独热向量。通过将供应商的认证状态转化为能够直接用于数学和统计分析的格式,从而使风险评估模型能够有效识别和计算与供应商认证相关的风险因素。
具体实施该步骤时,首先需要从预处理后的供应商信息中识别出各种食品安全认证,例如ISO 22000、HACCP等。接着,对这些认证状态实施独热编码处理。在独热编码过程中,每种认证状态被分配一个唯一的位置在向量中,如果供应商具备某种认证,则在该认证对应的位置标记为1,不具备则标记为0。从而能够清晰、简洁地表示出供应商的认证情况,无需复杂的文本描述,直接为后续的风险评估提供了易于处理的二进制数据。
基于预设的质量等级评定标准,对食品安全质量特征进行等级划分,得到等级向量。
具体来说,该步骤涉及基于预设的质量等级评定标准,对食品安全质量特征进行等级划分,并得到等级向量。通过将抽象或多样化的质量数据转化为统一和标准化的风险评级,从而使得风险评估更加直观和易于比较。
在具体实施该步骤时,首先需要确定质量等级的评定标准,即与行业标准、法规要求以及食品安全准则进行对齐。这些标准定义了各级质量的具体要求,例如含有特定量微生物的产品可以被划分为中等风险等级,而含量超过某一界限的则划分为高风险等级。接下来,利用这些标准对每个供应商的食品质量检测结果进行评估,按照预设标准将食品质量数据分类为低风险、中风险、高风险等级。
基于多个第二独热向量和等级向量,计算得到待评估食品对应的第二风险值。
具体来说,在实施该步骤时,首先需要结合供应商认证的独热向量和食品质量的等级向量,通过利用预先定义的算法或公式,如权重分配法或加权平均法,对认证状态和质量等级进行数学上的整合。例如,每种认证可能对应不同的风险权重,同样,不同的质量等级(如低风险、中风险、高风险)也会被赋予不同的权重。这些权重反映了不同认证和质量等级在整体风险评估中的重要性和潜在风险贡献。
接下来,计算加权和,其中每个认证状态和质量等级的存在与否(由独热向量确定)乘以其相应的风险权重,然后所有这些值加总起来形成最终的风险值,即第二风险值。同样的,第二风险值也是量化的,没有主观判断干扰评分,进而确保了计算的精确性和客观性。
步骤S5:基于第一风险值和第二风险值,得到待评估食品对应的综合风险值。
对于步骤S5,计算待评估食品对应的综合风险值可以采用以下两种方式进行考虑,第一种方法是通过加权平均的方式综合食品成分的第一风险值和供应商特征的第二风险值。这种方法的关键在于确定每个风险值的权重,这些权重反映了不同风险因素在整体食品安全评估中的相对重要性。例如,如果食品成分的安全性被认为对消费者健康的影响更直接,那么第一风险值将被赋予更高的权重。具体来说,可以设定食品成分风险值的权重为70%,供应商风险值的权重为30%。这样,综合风险值的计算公式可能是:综合风险值=0.7×第一风险值+0.3×第二风险值。
第二种方法则涉及对第一风险值和第二风险值进行进一步的调整,尤其是在第一风险值大于第二风险值以及第一风险值不大于第二风险值的情况下。在第一风险值大于第二风险值时,可以认为食品成分的潜在风险更高,因此可能需要增加第一风险值的修正因子。例如,可以通过增加与食品成分相关的严重健康风险的额外风险点来实现。相反,当第二风险值较高时,表明供应商的问题可能更严重,因此对第二风险值的调整可能涉及考虑供应商违规记录或安全管理不善带来的额外风险。在对第一风险值和第二风险值进行进一步的调整之后,结合调整后的第一风险值和第二风险值计算综合风险值。
下述实施例将对第二种方法进行详细说明。
在一种可能的实施方式中,步骤S5具体包括步骤S51-S58:
步骤S51:当第一风险值大于第二风险值时,从所有食品特征中筛选出至少一个与风险相关性最高的食品特征,识别为安全隐患食品特征。
具体实施步骤S51时,首先对每种成分的潜在危害、历史事故记录、消费者敏感度以及科学研究支持的风险等级进行分析。例如,通过统计分析确定哪些成分在食品安全事故中频繁出现,或在消费者健康投诉中被频繁提及。然后,结合这些成分的存在频率和量化数据,识别出那些对食品安全风险相关性最高的安全隐患食品特征。
步骤S52:确定安全隐患食品特征对应的严重程度和安全隐患食品特征的第一数量。
具体实施步骤S52时,首先需要对每个已标识的安全隐患食品特征进行详细分析,以评估其对健康的潜在危害程度。例如,对于已知的过敏原或致癌物,需要收集并分析其在不同浓度下对人体健康的影响研究,确定其严重程度。如果两个严重程度相当的安全隐患食品特征,则安全隐患食品特征的第一数量为2。
步骤S53:基于严重程度和第一数量,计算第一修正因数。
具体来说,首先根据严重程度,从预定义的映射表中获取相应的修正因数。这个映射表是基于先前的科学研究、健康数据分析以及行业标准建立的,每个严重程度等级都对应一个特定的修正值。如果第一数量为1,则第一修正因数可直接根据映射关系得到。如果第一数量不为1,则第一修正因数为将多个修正因数求和之后,除以第一数量得到。
步骤S54:基于第一修正因数调整第一风险值,并结合第二风险值,通过加权算法计算第一综合风险值。
具体实施步骤S54时,首先需要基于步骤S53中计算出的第一修正因数来调整第一风险值。即将第一风险值乘以相应的第一修正因数,以反映该食品成分的潜在危害对总体风险的贡献度。例如,如果某种成分的第一修正因数是1.5(表示其危害程度较高),而其原始的第一风险值是0.2,则调整后的第一风险值为0.2×1.5=0.3。接下来,调整后的第一风险值需要与第二风险值(基于供应商特征)整合。通过一个加权算法,如简单的加权平均法,将这两个风险值合并,其中可以根据食品安全评估的具体需求和历史数据来设定不同的权重。例如,如果食品成分风险被认为在这种情况下更加关键,则会赋予更高的权重。
步骤S55:当第一风险值不大于第二风险值时,从多个供应商特征中筛选出至少一个与风险相关性最高的供应商特征,识别为安全隐患供应商特征。
具体来说,步骤S55与步骤S51同理,即从多个供应商特征中识别出那些与食品安全问题频繁相关联的风险相关性最高的供应商特征,即识别得到安全隐患供应商特征。
步骤S56:确定安全隐患供应商特征对应的影响程度和安全隐患供应商特征的第二数量。
具体来说,步骤S56与步骤S52同理,即首先需要对每个已标识的安全隐患供应商特征进行详细分析,以评估其可能对健康产生危害的影响程度。如果两个严重程度相当的安全隐患供应商特征,则安全隐患供应商特征的第二数量为2。
步骤S57:基于影响程度和第二数量,计算第二修正因数。
具体来说,步骤S57与步骤S53同理,即首先根据影响程度,从预定义的映射表中获取相应的修正因数。这个映射表是基于先前的科学研究、健康数据分析以及行业标准建立的,每个影响程度等级都对应一个特定的修正值。如果第二数量为1,则第二修正因数可直接根据映射关系得到。如果第二数量不为1,则第二修正因数为将多个修正因数求和之后,除以第二数量得到。
步骤S58:基于第二修正因数调整第二风险值,并结合第一风险值,通过加权算法计算第二综合风险值。
具体来说,步骤S58与步骤S54同理,故在此不做过多赘述。
步骤S6:当综合风险值大于预设风险阈值时,确定待评估食品存在食品安全风险。
具体实施步骤S6时,首先需要设置一个预设风险阈值,这个风险阈值是基于食品安全标准、历史数据分析、专家建议以及法规要求确定的。风险阈值将作为判断食品是否安全的标准,任何超过此风险阈值的食品都将被认为存在安全风险。随后,将计算得到的综合风险值与风险阈值进行比较。如果综合风险值超过了风险阈值,则表明食品存在安全风险。
在一种可能的实施方式中,在步骤S6之后,方法还包括如下步骤:
将待评估食品对应的食品信息和供应商信息进行储存并发送至管理人员终端。
具体来说,首先需要确保所有收集的食品信息和供应商信息以及通过前述步骤计算得到的风险值通过数据库或专用的食品安全管理系统整理和归档。食品信息和供应商信息需要按照一定的格式和标准进行存储,以便于未来的查询、分析和回溯。
接下来,需要设置自动化流程,自动将评估结果、食品信息和供应商信息推送到管理人员的终端,以确保这些信息能及时且准确地传递给需要这些数据来进行决策的管理人员。
参照图4,其示出了本申请实施例提供的一种食品安全风险评估系统的结构示意图,系统包括获取模块1和处理模块2;获取模块1,用于当完成待评估食品的食品进货流程之后,获取待评估食品对应的食品信息和供应商信息;处理模块2,用于基于食品信息,提取得到多个食品特征,并基于供应商信息,提取得到多个供应商特征;处理模块2,还用于基于多个食品特征,得到待评估食品对应的第一风险值;处理模块2,还用于基于多个供应商特征,得到待评估食品对应的第二风险值;处理模块2,还用于基于第一风险值和第二风险值,得到待评估食品对应的综合风险值;处理模块2,还用于当综合风险值大于预设风险阈值时,确定待评估食品存在食品安全风险。
在一种可能的实施方式中,处理模块2,还用于去除食品描述信息中所有非成分相关的文本,得到预处理后的食品描述信息;将食品成分信息中各成分的比例统一转换为标准单位,得到标准化后的食品成分信息;对预处理后的食品描述信息进行分析,识别得到多个关键食品成分特征;对标准化后的食品成分信息进行量化处理,得到多个量化的成分特征。
在一种可能的实施方式中,处理模块2,还用于对认证证书信息、食品安全审计结果信息以及食品质量检测信息进行预处理,得到预处理后的认证证书信息、预处理后的食品安全审计结果信息以及预处理后的食品质量检测信息;从预处理后的认证证书信息中提取得到多个认证状态特征,并从预处理后的食品安全审计结果信息和预处理后的食品质量检测信息中提取得到食品安全质量特征。
在一种可能的实施方式中,处理模块2,还用于对多个关键食品成分特征进行独热编码,得到多个第一独热向量;其中,每个第一独热向量表示一种成分,成分存在时标记为1,不存在时标记为0;对多个量化的成分特征进行归一化处理,得到多个归一化向量;基于多个第一独热向量和多个归一化向量,计算得到待评估食品对应的第一风险值。
在一种可能的实施方式中,处理模块2,还用于对多个认证状态特征进行独热编码,得到多个第二独热向量;其中,每个第二独热向量表示一种认证状态,供应商具备某一种认证状态时标记为1,不具备时标记为0;基于预设的质量等级评定标准,对食品安全质量特征进行等级划分,得到等级向量;基于多个第二独热向量和等级向量,计算得到待评估食品对应的第二风险值。
在一种可能的实施方式中,处理模块2,还用于当第一风险值大于第二风险值时,从所有食品特征中筛选出至少一个与风险相关性最高的食品特征,识别为安全隐患食品特征;确定安全隐患食品特征对应的严重程度和安全隐患食品特征的第一数量;基于严重程度和第一数量,计算第一修正因数;基于第一修正因数调整第一风险值,并结合第二风险值,通过加权算法计算第一综合风险值;当第一风险值不大于第二风险值时,从多个供应商特征中筛选出至少一个与风险相关性最高的供应商特征,识别为安全隐患供应商特征;确定安全隐患供应商特征对应的影响程度和安全隐患供应商特征的第二数量;基于影响程度和第二数量,计算第二修正因数;基于第二修正因数调整第二风险值,并结合第一风险值,通过加权算法计算第二综合风险值。
在一种可能的实施方式中,处理模块2,还用于将待评估食品对应的食品信息和供应商信息进行储存并发送至管理人员终端。
需要说明的是:上述实施例提供的装置在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置和方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本申请还公开一种电子设备。参照图5,图5是本申请实施例的公开的一种电子设备的结构示意图。该电子设备500可以包括:至少一个处理器501,至少一个网络接口504,用户接口503,存储器505,至少一个通信总线502。
其中,通信总线502用于实现这些组件之间的连接通信。
其中,用户接口503可以包括显示屏(Display)、摄像头(Camera),可选用户接口503还可以包括标准的有线接口、无线接口。
其中,网络接口504可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器501可以包括一个或者多个处理核心。处理器501利用各种接口和线路连接整个服务器内的各个部分,通过运行或执行存储在存储器505内的指令、程序、代码集或指令集,以及调用存储在存储器505内的数据,执行服务器的各种功能和处理数据。可选的,处理器501可以采用数字信号处理(DigitalSignalProcessing,DSP)、现场可编程门阵列(Field-ProgrammableGateArray,FPGA)、可编程逻辑阵列(ProgrammableLogicArray,PLA)中的至少一种硬件形式来实现。处理器501可集成中央处理器(CentralProcessingUnit,CPU)、图像处理器(GraphicsProcessingUnit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器501中,单独通过一块芯片进行实现。
其中,存储器505可以包括随机存储器(RandomAccessMemory,RAM),也可以包括只读存储器(Read-OnlyMemory)。可选的,该存储器505包括非瞬时性计算机可读介质(non-transitorycomputer-readablestoragemedium)。存储器505可用于存储指令、程序、代码、代码集或指令集。存储器505可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及的数据等。存储器505可选的还可以是至少一个位于远离前述处理器501的存储装置。参照图5,作为一种计算机可读存储介质的存储器505中可以包括操作系统、网络通信模块、用户接口模块以及一种应用程序。
在图5所示的电子设备500中,用户接口503主要用于为用户提供输入的接口,获取用户输入的数据;而处理器501可以用于调用存储器505中存储一种应用程序,当由一个或多个处理器501执行时,使得电子设备500执行如上述实施例中一个或多个的方法。需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必需的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
在本申请所提供的几种实施方式中,应该理解到,所披露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,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单元中,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单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括:U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上者,仅为本公开的示例性实施例,不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰,皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践真理的公开后,将容易想到本公开的其它实施方案。
本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的范围和精神由权利要求限定。
Claims (10)
1.一种食品安全风险评估方法,其特征在于,所述方法包括:
当完成待评估食品的食品进货流程之后,获取所述待评估食品对应的食品信息和供应商信息;
基于所述食品信息,提取得到多个食品特征,并基于所述供应商信息,提取得到多个供应商特征;
基于多个所述食品特征,得到所述待评估食品对应的第一风险值;其中,基于多个所述食品特征,得到多个第一独热向量和多个归一化向量,并基于多个所述第一独热向量和多个所述归一化向量,得到所述第一风险值;
基于多个所述供应商特征,得到所述待评估食品对应的第二风险值;其中,基于多个所述供应商特征,得到多个第二独热向量和等级向量,并基于多个所述第二独热向量和所述等级向量,得到所述第二风险值;
基于所述第一风险值和所述第二风险值,得到所述待评估食品对应的综合风险值;
当所述综合风险值大于预设风险阈值时,确定所述待评估食品存在食品安全风险。
2.根据权利要求1所述的方法,其特征在于,所述食品信息包括食品描述信息和食品成分信息;所述食品特征包括关键食品成分特征和量化的成分特征;所述基于所述食品信息,提取得到多个食品特征,具体包括:
去除所述食品描述信息中所有非成分相关的文本,得到预处理后的食品描述信息;
将所述食品成分信息中各成分的比例统一转换为标准单位,得到标准化后的食品成分信息;
对所述预处理后的食品描述信息进行分析,识别得到多个所述关键食品成分特征;
对所述标准化后的食品成分信息进行量化处理,得到多个所述量化的成分特征。
3.根据权利要求1所述的方法,其特征在于,所述供应商信息包括认证证书信息、食品安全审计结果信息以及食品质量检测信息;所述供应商特征包括认证状态特征和食品安全质量特征;所述基于所述供应商信息,提取得到多个供应商特征,具体包括:
对所述认证证书信息、所述食品安全审计结果信息以及所述食品质量检测信息进行预处理,得到预处理后的认证证书信息、预处理后的食品安全审计结果信息以及预处理后的食品质量检测信息;
从所述预处理后的认证证书信息中提取得到多个所述认证状态特征,并从所述预处理后的食品安全审计结果信息和所述预处理后的食品质量检测信息中提取得到所述食品安全质量特征。
4.根据权利要求2所述的方法,其特征在于,所述基于多个所述食品特征,得到所述待评估食品对应的第一风险值,具体包括:
对多个所述关键食品成分特征进行独热编码,得到多个所述第一独热向量;其中,每个所述第一独热向量表示一种成分,成分存在时标记为1,不存在时标记为0;
对多个所述量化的成分特征进行归一化处理,得到多个所述归一化向量;
基于多个所述第一独热向量和多个所述归一化向量,计算得到所述待评估食品对应的第一风险值。
5.根据权利要求3所述的方法,其特征在于,所述基于多个所述供应商特征,得到所述待评估食品对应的第二风险值,具体包括:
对多个所述认证状态特征进行独热编码,得到多个所述第二独热向量;其中,每个所述第二独热向量表示一种认证状态,供应商具备某一种认证状态时标记为1,不具备时标记为0;
基于预设的质量等级评定标准,对所述食品安全质量特征进行等级划分,得到所述等级向量;
基于多个所述第二独热向量和所述等级向量,计算得到所述待评估食品对应的第二风险值。
6.根据权利要求1所述的方法,其特征在于,所述综合风险值包括第一综合风险值和第二综合风险值;所述基于所述第一风险值和所述第二风险值,得到所述待评估食品对应的综合风险值,具体包括:
当所述第一风险值大于所述第二风险值时,从所有所述食品特征中筛选出至少一个与风险相关性最高的食品特征,识别为安全隐患食品特征;
确定所述安全隐患食品特征对应的严重程度和所述安全隐患食品特征的第一数量;
基于所述严重程度和第一数量,计算第一修正因数;
基于所述第一修正因数调整所述第一风险值,并结合所述第二风险值,通过加权算法计算所述第一综合风险值;
当所述第一风险值不大于所述第二风险值时,从多个所述供应商特征中筛选出至少一个与风险相关性最高的供应商特征,识别为安全隐患供应商特征;
确定所述安全隐患供应商特征对应的影响程度和所述安全隐患供应商特征的第二数量;
基于所述影响程度和所述第二数量,计算第二修正因数;
基于所述第二修正因数调整所述第二风险值,并结合所述第一风险值,通过加权算法计算所述第二综合风险值。
7.根据权利要求1所述的方法,其特征在于,在所述确定所述待评估食品存在食品安全风险之后,所述方法还包括:
将所述待评估食品对应的所述食品信息和所述供应商信息进行储存并发送至管理人员终端。
8.一种食品安全风险评估系统,其特征在于,所述系统包括获取模块和处理模块;
所述获取模块,用于当完成待评估食品的食品进货流程之后,获取所述待评估食品对应的食品信息和供应商信息;
所述处理模块,用于基于所述食品信息,提取得到多个食品特征,并基于所述供应商信息,提取得到多个供应商特征;
所述处理模块,还用于基于多个所述食品特征,得到所述待评估食品对应的第一风险值;其中,基于多个所述食品特征,得到多个第一独热向量和多个归一化向量,并基于多个所述第一独热向量和多个所述归一化向量,得到所述第一风险值;
所述处理模块,还用于基于多个所述供应商特征,得到所述待评估食品对应的第二风险值;其中,基于多个所述供应商特征,得到多个第二独热向量和等级向量,并基于多个所述第二独热向量和所述等级向量,得到所述第二风险值;
所述处理模块,还用于基于所述第一风险值和所述第二风险值,得到所述待评估食品对应的综合风险值;
所述处理模块,还用于当所述综合风险值大于预设风险阈值时,确定所述待评估食品存在食品安全风险。
9.一种电子设备,其特征在于,包括处理器(501)、存储器(505)、用户接口(503)及网络接口(504),所述存储器(505)用于存储指令,所述用户接口(503)和网络接口(504)用于给其它设备通信,所述处理器(501)用于执行所述存储器(505)中存储的指令,以使所述电子设备(500)执行如权利要求1-7任意一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有指令,当所述指令被执行时,执行如权利要求1-7任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410533626.2A CN118134260A (zh) | 2024-04-30 | 2024-04-30 | 一种食品安全风险评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410533626.2A CN118134260A (zh) | 2024-04-30 | 2024-04-30 | 一种食品安全风险评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118134260A true CN118134260A (zh) | 2024-06-04 |
Family
ID=91245897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410533626.2A Pending CN118134260A (zh) | 2024-04-30 | 2024-04-30 | 一种食品安全风险评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118134260A (zh) |
-
2024
- 2024-04-30 CN CN202410533626.2A patent/CN118134260A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564286B (zh) | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 | |
KR20140077006A (ko) | 위해예측기반 수입식품검사 시스템 및 방법 | |
CN111583012B (zh) | 融合文本信息的信用债发债主体违约风险评估方法 | |
He et al. | Big data-oriented product infant failure intelligent root cause identification using associated tree and fuzzy DEA | |
CN116402399B (zh) | 基于人工智能与电子商城的业务数据处理方法及系统 | |
CN113051291A (zh) | 工单信息的处理方法、装置、设备及存储介质 | |
Jain et al. | NFT Appraisal Prediction: Utilizing Search Trends, Public Market Data, Linear Regression and Recurrent Neural Networks | |
CN114638498A (zh) | Esg评价方法、系统、电子设备及存储设备 | |
CN117132383A (zh) | 一种信贷数据处理方法、装置、设备及可读存储介质 | |
CN118134260A (zh) | 一种食品安全风险评估方法及系统 | |
CN113537759A (zh) | 一种基于权重自适应的用户体验度量模型 | |
Kumar et al. | Cryptocurrency price forecasting in a volatile landscape: Sarimax modeling and short-term strategies | |
CN111652501B (zh) | 金融产品评估装置及方法、电子设备、存储介质 | |
Wojtasiak-Terech et al. | Assessing financial condition of municipalities using taxonomic methods | |
KR102491396B1 (ko) | 빅데이터 기반 다차원 특허 분석 서비스 제공 방법 및 장치 | |
Simbürger | Filter methods for MRIO tables: an evaluation | |
TWI808424B (zh) | 貿易型態教具 | |
CN117634871A (zh) | 一种风险评估模型训练方法、装置、存储介质及电子设备 | |
CN116956135A (zh) | 一种企业评级的数据分析方法和服务器 | |
CN118071174A (zh) | 一种基于联合驱动建模的评估方法、系统、设备及介质 | |
Surorejo et al. | Prediction of Bank Central Asia stock prices after dividend distribution using ARIMA method | |
WO2022079023A1 (en) | A method for assessing quality of open source projects | |
CN118093319A (zh) | 基于客户评级模型的模型检测方法及装置 | |
CN115239351A (zh) | 基于统计学与机器学习相结合的异常商品信息识别方法 | |
CN116993480A (zh) | 风险等级模型的创建及风险等级评定方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |