[发明专利]基于深度集成学习网络的粮油农作物供应链危害物辨识方法及系统

说明书

本发明提出了一种基于深度集成学习网络的粮油农作物供应链危害物辨识方法，所述方法包括：获取粮油食品在供应链各环节中的参数特征信息生成多源异构数据集；对各属性特征进行向量编码化及标准归一化预处理；对预处理后的多源异构数据集进行多粒度滤波扫描输出扫描结果，并对所述扫描结果进行K折交叉验证获得训练数据；构架多维度特征堆叠提取的深度集成学习网络对所述训练数据进行深度学习后输出多个子模型的学习结果；通过高斯混合对所述多个子模型学习结果进行融合。本发明依托粮油农作物供应链各环节的危害物监测数据，应用深度集成学习算法，提高了危害物辨识准确率和粮油供应链风险评估可靠性。

技术领域

本申请涉及食品安全领域，尤其涉及一种基于深度集成学习网络的粮油农 作物供应链危害物辨识方法及系统。

背景技术

仓廪实、天下安，粮食是人类赖以生存的生活必需品，是关系国计民生的 重要商品。我国现代粮油供应链涵盖了原料生产、储藏、加工、物流与消费等 环节，涉及的农户之多、企业之多、加工能力之大，均属世界之最。其安全直 接关系着人民健康和国家兴旺，上牵亿万农户，与“三农问题”密切关联直接 影响着区域农业生产和农村经济发展；同时，下联亿万国民，与公众的饮食安 全和健康息息相关，直接影响着我国食品产业市场繁荣和社会稳定，无毒害、 营养符合要求的稻米供应安全已成为中国人重点关注的焦点问题。

然而，当前我国粮油食品供应链的安全形势依然严峻复杂，各类重大粮油 食品供应安全事件如“毒大米”、“地沟油”等时有发生。究其原因，粮油农作 物供应链安全是一个涉及种植、生产加工、流通仓储、销售消费等多环节的过 程，其中任何一个环节都存在不同类别和程度的危害物风险因素，且每个因素 受到食品多样性、数据多源异构、地区分布差异、时间变化性等影响，其中首 当其冲是粮油农作物种植源头的重金属和农药残留污染问题。在农作物种植和 收获期间,受病虫害或者天气等因素的影响，可能发生病变、霉变，产生黄曲霉 毒素、赭曲霉毒素等；在储存、运输、销售等环节的过程安全控制薄弱，也会 导致各类不安全过程因素存在，对真菌毒素产生重要影响。据统计，我国每年 大约有3100多万吨的粮食在加工储存、运输销售中受到真菌毒素污染，比例 高达稻米年总产量的6.2％左右。

针对稻米供应链中各类危害物风险的长远隐患，构建从生产加工、储藏运 输到流通销售的粮油农作物供应链危害物辨识方法，以监测供应链外部信息和 内部运作信息为依据，分析供应链上的危害因素种类、含量迁移分布和预警指 标变化，完成准确快速的危害物辨识及风险分级，从而避免或减轻各种可能的 损失，成为保障整个供应链安全的有效手段。然而由于稻米食品供应链中内、 外源危害物产生过程复杂多变，各供应链主体之间信息不对称，实时监测预警 手段相对缺乏，如何从生产加工、储藏运输到流通销售全链条有效保障稻米食 品安全，一直是国内外共同关注的难题。

粮油农作物供应链危害物辨识涉及方法理论、评价指标众多，且灾害程度 及对社会稳定造成的影响是多方面。目前，相关工作已经证明了使用人工神经 网络和机器学习方法在管理食品工程和食品科学各方面的适用性。在过去二十 年中，越来越多的技术运用到危害物辨识领域，如，支持向量机方法已被用于 稻米生产风险辨识评估；随机森林和二叉树理论用于预测过时的风险和产品生 命周期，同时最大限度地减少危害物辨识系统的维护；人工神经网络(ANN) 用于存在潜在危害物风险的餐饮场所进行等级划分，并综合利用多种机器学习 方法进行粮油食品风险辨识及变化等级预测。然而现有危害物辨识分析方法， 在涉及粮油食品供应链危害物辨识及风险评价时依旧存在困难，其辨识可靠性 和准确性仍存在技术不足：(1)采用单变量辨识模型直接进行辨识分析，模型 获取的关键特征有限，分类识别精度低，不能作用在由大数量各类型传感器构 成的粮油供应链监测平台及所获取的多源异构数据挖掘上；(2)缺乏从供应链 迁移及扩散角度进行危害物辨识及风险等级分析，难以同时对多种危害物混合 情况进行多维度数据挖掘和综合辨识；(3)无法获得多源异构数据变量的内在 特征以及变量之间的关系，导致海量食品安全监测数据对危害物辨识性能产生 了消极的影响。