基于大数据的食品安全隐患排查方法

1.本发明涉及农业信息技术领域，具体涉及一种基于大数据的食品安全风险评价方法。


背景技术：

2.民以食为天，食品安全问题是关系到国计民生的大事，近年来随着互联网科技的快速发展，大数据技术已成功应用于食品安全领域。大量的食品安全数据能为人们带来巨大的信息量，但要从海量食品安全数据中发现对监管部门、企业及检测机构有用数据信息的难度也随之增加。
3.合理利用大数据技术可靶向定位食品安全问题高发的食品行业和危害，进而有针对性地对可能存在的食品安全问题进行提前预警，帮助企业明确自身需要控制的关键节点关键指标及时遇见风险隐患，及时建立有针对性的控制措施，预防食品安全事件的发生和不安全食品的产生。
4.目前大数据技术在食品安全领域的应用主要存在数据采集模式不合理，获取的指标属性重要性和所用的时间较长，存在实时性差；风险评价准确率低，得到的结果与实际不符等问题。除此之外，潜在食品安全的风险控制是大数据技术应用于食品安全领域的重难点，是亟待解决的问题。由于食品安全风险评价过程汇总影响因素众多，若从海量的大数据中直接提取数据，势必会造成大量的数据计算，影响评估的效率和准确性，可能会错失对食品安全事件排查的最佳时机。同时，传统的食品安全评价方法中评价指标数据种类繁多、单位不一、计算困难，使得各个指标之间缺乏可比性，难以统一。


技术实现要素：

5.为解决上述技术问题，本发明旨在提供一种基于大数据的食品安全隐患排查方法，该方法能够有效根据现有的数据基础排查可能出现的食品安全隐患问题，本发明能够在海量的大数据中快速高效的进行计算和分析，为食品安全隐患排查提供支撑。
6.为实现上述目的，本发明通过以下技术方案实现：
7.基于大数据的食品安全隐患排查方法，包括指标筛分、建立应用数据表、指标分析、计算隐患指标含量、安全隐患排查；具体包括以下步骤：
8.(1)指标筛分：从已有的食品安全大数据库中的数据进行指标筛分，筛选出需要排查的食品安全隐患关联的指标数据；
9.(2)建立应用数据表：提取出步骤(1)中的筛分的指标，提取出所筛分的指标表数据，建立应用数据表；
10.(3)指标分析：利用步骤(2)中建立的应用数据表进行计算，建立隐患指标的数学模型或定量表达公式；
11.(4)计算隐患指标含量：根据步骤(3)的数学模型或定量表达公式，计算隐患指标的风险含量；
12.(5)安全隐患排查：根据步骤(4)隐患指标的风险含量，对各隐患指标进行排名，逐一排查风险。
13.作为具体技术方案，所述食品安全大数据库中的数据来源包括食品从农田到餐桌各个环节的数据终端采集的数据；所述数据产生终端包括管理信息系统终端、物理信息系统终端、网络信息系统终端、科研信息系统终端。
14.作为具体技术方案，所述指标筛分前需要先将食品大数据库中的数据根据数据来源、应用、特征进行分类，形成标准大数据集合、生产大数据集合、管理大数据集合。
15.作为具体技术方案，所述指标提取采用关键词检索提取。
16.作为具体技术方案，所述指标分析过程中采用相关性分析、回归分析、主成分分析。所述指标筛分过程中筛分的为危害分析的关键控制点、国际标准化组织标准、良好农业规范、良好操作规范要求的指标。
附图说明
[0017][0018]
图1本发明技术流程图；
[0019]
图2实施例2技术流程图；
[0020]
图3实施例4中的主成分分析碎石图；
[0021]
图4实施例3指标筛分形成的新的应用数据表；
[0022]
图5实施例4指标筛分形成的新的应用数据表。
具体实施方式
[0023]
下面结合具体实施例对本发明做进一步的解释性说明，需要指出的是，以下实施方式仅是以例举的形式对本发明提出的解释性发明，但本发明的保护范围并不仅限于此，所有以本发明的精神对本发明所做的等效的替换，均落入本发明的保护范围。
[0024]
实施例1
[0025]
基于大数据的食品安全隐患排查方法，如图1所示。包括指标筛分、建立应用数据表、指标分析、计算隐患指标含量、安全隐患指标排查；具体包括以下步骤：
[0026]
(1)指标筛分：从已有的食品安全大数据库中的数据进行指标筛分，筛选出需要排查的食品安全隐患关联的指标数据；
[0027]
(2)建立应用数据表：提取出步骤(1)中的筛分的指标，提取出所筛分的指标表数据，建立应用数据表；
[0028]
(3)指标分析：利用步骤(2)中建立的应用数据表进行计算，建立隐患指标的数学模型或定量表达公式；
[0029]
(4)计算隐患指标含量：根据步骤(3)的数学模型或定量表达公式，计算隐患指标的风险含量；
[0030]
(5)安全隐患排查：根据步骤(4)隐患指标的风险含量，对各隐患指标进行排名，逐一排查风险。
[0031]
实施例2
[0032]
基于大数据的食品安全隐患排查方法，如图1、图2所示。包括指标筛分、建立应用
数据表、指标分析、计算隐患指标含量、安全隐患指标排查；具体包括以下步骤：
[0033]
(1)原始数据的采集：通过数据产生终端采集原始数据，形成食品安全大数据库；所采集的数据包括食品从农田到餐桌各个环节的数据；所采集的数据包括管理信息系统终端、物理信息系统终端、网络信息系统终端、科研信息系统终端所采集的所有数据；
[0034]
(2)原始大数据分类：将步骤(1)采集大数据根据数据来源、应用、特征进行分类成为标准大数据集合、生产大数据集合、管理大数据集合，形成三个子数据集合；
[0035]
(3)指标筛分：从步骤(2)分类后的大数据集合中的数据进行指标筛分，采用关键词检索的方法，筛选出危害分析的关键控制点、国际标准化组织标准、良好农业规范、良好操作规范要求的指标及关联指标数据；
[0036]
(4)建立应用数据表：提取出步骤(1)中的筛分的指标，提取出所筛分的指标表数据，建立应用数据表；
[0037]
(5)指标分析：利用步骤(2)中建立的应用数据表进行计算，采用相关性分析、回归分析、主成分分析建立隐患指标的数学模型或定量表达公式；
[0038]
(6)计算隐患指标含量：根据步骤(3)的数学模型或定量表达公式，计算隐患指标的风险含量；
[0039]
(7)安全隐患排查：根据步骤(4)隐患指标的风险含量，对各隐患指标进行排名，逐一排查风险。
[0040]
实施例3
[0041]
基于农耕土壤大数据的食品重金属风险排查
[0042]
将已有的食品安全大数据根据数据来源、应用、特征进行分类成为标准大数据集合、生产大数据集合、管理大数据集合；标准大数据集合，该集合是执法的依据，包括食品法律法规、食品生产技术规范、检验检测方法、食品安全事件、食品属性、食材、产品、企业基本信息、投入物、添加物、物流、装备、健康监测的等方面的标准或规范。生产大数据集合该集合为企业管理提供的数据信息，包括不同食品品类、不同食品产业业态、生产过程不同节点的检验检测(例如企业自检数据和国家抽检数据)数据集合。生产数据具有动态和产生频率高的特点。
[0043]
①
食品品类包括粮食、油脂、水产、畜类、禽类、水果、蔬菜、蛋品和乳品等。可参考《食品生产许可分类目录》(2020修订版)设置品类，并参考相应标准(ls/t 1703、gb/t 7635.1、gb/t 26604、gb/t 34262、sb/t 10639、sb/t 10029、sb/t 11024、ny/t 1940、sc 3001 和t/hbfia 0006等)设置下级品类。
[0044]
②
食品产业业态应至少包括食品的生产、流通和餐饮。
[0045]
③
生产过程不同节点包括从农田、车间到餐桌全产业链，至少含有品种、种植养殖、收储、加工、流通、营销等主节点，以及影响主节点食品安全的因素，包括投入的农兽药、添加剂，加工方式，工艺参数和环境条件等。
[0046]
管理大数据集合该集合指企业自身管理和监督管理数据，包括风险分析、溯源和管理决策的数据，主要用于政府部门、社会、企业自身对食品质量安全的管理。
[0047]
指标筛分：各个大数据集合中的数据进行指标筛分，采用关键词检索的方法，输入关键词，如农产品(大米、小米、小麦
……
)、重金属、食品安全，从各个数据表中搜索出相关的信息或数据，形成新的应用数据表。建立的新的应用数据表，如图4所示。
[0048]
指标分析
[0049]
设y为农产品中重金属含量，x1为土壤中重金属含量，x2为土壤 ph，x3为土壤氮含量，x4为土壤有机质含量，x5为灌溉水重金属含量， x6为投入物重金属含量，进行相关性分析和回归分析。
[0050]
①
相关性分析：
[0051]
指标yx1x2x3x4x5x6y1
ꢀꢀꢀꢀꢀꢀ
x10.604
**1ꢀꢀꢀꢀꢀ
x
2-0.880
**-0.704
**1ꢀꢀꢀꢀ
x30.1070.219-0.2861
ꢀꢀꢀ
x40.607
**
0.968
**-0.700
**
0.2261
ꢀꢀ
x50.516
**
0.963
**-0.630
**
0.2520.919
**
1 x60.504
**
0.966
**-0.606
**
0.2670.923
**
0.982
**1[0052]
注：*表示显著相关(p＜0.05)，**表示极显著相关(p＜0.01)。
[0053]
由相关性分析结果可知：大米中重金属含量与土壤中重金属含量、土壤有机质含量、灌溉水重金属含量、投入物重金属含量都呈极显著正相关(p＜0.01)，与土壤ph呈极显著负相关(p＜0.01)。
[0054]
②
多元线性回归分析：
[0055] 标准化系数betat值p值常量-7.2060.000x
1-0.059-0.1030.049x
2-0.950-7.0860.000x
3-0.161-1.7550.090x40.0950.2840.779x
5-0.375-0.8210.048x60.3080.5950.556
[0056]
由多元线性回归分析结果可以看出土壤中重金属含量、土壤ph、灌溉水重金属含量对农产品中重金属含量的影响显著(p＜0.05)，回归方程表达式为：y＝0.52-0.32x
1-0.46x
2-0.18x3+0.01x
4-1.44x5+0.13x6。
[0057]
计算隐患指标含量
[0058]
根据现有数据，测量待排查农产品中的种植土壤中重金属含量，、土壤ph、土壤氮含量、土壤有机质含量、灌溉水重金属含量、投入物重金属含量，代入回归方程式，计算出y的数值，与相应标准进行对比。
[0059]
实施例4
[0060]
基于卫生指标检验检测大数据的食品病原微生物风险排查
[0061]
输入关键词：食物，病源性微生物，食源性微生物，食品安全，则(知识图谱系统)从原始数据表(相应的数据集合)中搜索出相关的信息或数据，形成新的应用数据表，如图5所示：
[0062]
设y为食品中病源微生物含量，x1为食品中碳源含量，x2为食品中氮源含量，x3为环
境含氧量，x4为环境温度，x5为环境湿度，x6为微生物生长速率常数，进行相关性分析和主成分分析，得出不同微生物的形貌、生长速率常数、生长曲线、健康效应分析；易生长病源微生物的食物排序，易生长病源微生物的环境特征等。
[0063]
①
相关性分析：
[0064][0065][0066]
注：*表示显著相关(p＜0.05)，**表示极显著相关(p＜0.01)。
[0067]
由相关性分析结果可知：食品中病原微生物含量与食品基质所含碳源、氮源以及微生物生长速率常数都呈显著正相关(p＜0.05)，表明食品中碳水化合物、蛋白质以及微生物自身生长速率常数是影响病原微生物生长繁殖的主要因素。
[0068]
②
多元线性回归分析
[0069] 标准化系数betat值p值常量
ꢀ‑
0.0740.942x10.8173.0440.006x
2-0.239-1.5640.132x
3-0.07-0.0510.960x
4-0.037-0.2480.806x50.4871.7160.100x60.3392.1700.041
[0070]
由多元线性回归分析结果可以看出食品中碳源含量和微生物生长速率常数对食品中病原微生物含量的影响显著(p＜0.05)，回归方程表达式为：y＝-46.34+5.28x
1-3.00x
2-0.85x
3-5.69x4+2.83x5+233.97x6。
[0071]
③
主成分分析：
[0072]
主成分分析结果
[0073][0074]
不同食品病原微生物主成分分析结果见上表。主成分分析碎石图见如图3所示。由上表可知：前3个成分的特征值均大于1，累计方差贡献率达71.321％，可以代表原始数据的大部分信息。
[0075]
指标与主成分的关系
[0076]
[0077][0078]
不同食品中病原微生物指标原始变量(微生物含量、碳源含量、氮源含量
……
生长速率常数分别计作x1、x2……
x7)与各主成分具有线性关系，上表为各变量与主成分之间的关系系数，3个主成分与变量的线性关系为：
[0079]
f1＝0.19x1+0.47x
2-0.062x
3-0.118x4+0.133x
5-0.435x
6-0.098x7；
[0080]
f2＝0.466x1+0.031x
2-0.373x3+0.034x4+0.038x5+0.199x6+0.415x7；
[0081]
f3＝-0.056x1+0.009x2+0.08x3+0.637x4+0.644x
5-0.01x6+0.027x7。
[0082]
为综合考虑不同指标对食品中病原微生物的影响，采用3个主成分的得分情况，以各自的方差贡献率为权重，二者相乘求和构建综合评价得分函数，计算出各食品中病原微生物的综合得分及排名，对产品进行隐患排查。
[0083]
将病原微生物各项指标标准化后，计算各主成分得分，并以各主成分方差贡献率为权重，构建食品中病原微生物综合评价得分函数： f＝0.291f1+0.25f2+0.172f3，得出不同食品中病原微生物综合得分及排名，具体如下表所示，综合得分越高表明该食品越易生长病原微生物。根据下表可知，29种食品病原微生物综合得分前五名依次为高粱、大麦、梨、面包、面条。
[0084]
不同食品病原微生物综合得分
[0085]
[0086]