艾亮東 艾滔

本文從在線食品安全檢測的實際需求入手，根據(jù)現(xiàn)有行業(yè)數(shù)據(jù)、標準操作流程，結(jié)合物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能等技術(shù)，探索設(shè)計食品安全在線智能化檢測系統(tǒng)，旨在有效提升食品安全檢測效率，確保食品安全。

一、智慧檢測流程介紹

1.食品采樣。食品采樣是指從食品市場中隨機抽取各類食物作為樣品進行檢測。當前有兩大難題亟待解決：一是如何在多個地區(qū)，科學合理地規(guī)劃取樣位置，全面準確地記錄樣品特性;二是如何確保在發(fā)生食品安全事故時，系統(tǒng)能夠迅速做出識別、預警、送檢的反應，及時解決問題。人工采樣存在低效、易失誤等不足，無法保證檢測工作的可靠和高效，為此，筆者探索了一套能夠?qū)崿F(xiàn)任務管理、電子化采樣、智能化檢測、不合格品處置的智慧快檢全流程，其底層技術(shù)建立在工作流、地理信息系統(tǒng)、智能移動設(shè)備、云平臺的基礎(chǔ)之上。

2.智慧快檢流程。（1）任務管理模塊。任務管理模塊旨在讓食品安全檢測任務的下達變得更為清晰、準確、細致，讓反饋更為及時。監(jiān)管者可通過智慧快檢平臺進入任務管理模塊，下達檢測任務，并明確任務類型、任務內(nèi)容、任務時間、檢測人員等信息，一鍵派發(fā)任務，實時動態(tài)更新任務執(zhí)行情況。

（2）電子化采樣模塊。傳統(tǒng)的人工采樣容易因誤操作和疏忽使得檢測結(jié)果不準確，而電子化采樣采用了自動編碼采集樣本、自動定位采樣地址、現(xiàn)場拍照，實現(xiàn)了信息同步傳輸和采樣過程可追蹤，使采樣的真實性得到保障。

（3）智能化檢測模塊與數(shù)據(jù)分析。數(shù)據(jù)分析是指對采集的樣本數(shù)據(jù)進行分析、計算、挖掘等操作，但各級食品安全檢測機構(gòu)還是以人工分析檢測為主，智能化水平低，檢測效率不高，數(shù)據(jù)分析能力不足，基于智能技術(shù)的檢測數(shù)據(jù)分析則針對性地解決了這三大痛點：通過自動采樣獲得樣本數(shù)據(jù)的特征，并將樣本檢測結(jié)果作為基礎(chǔ)輸入數(shù)據(jù)，對此進行分析、計算、挖掘，然后通過規(guī)則匹配等環(huán)節(jié)提取其中的價值，最終實現(xiàn)預警的功能。值得一提的是，在整個數(shù)據(jù)分析過程中，系統(tǒng)會通過歷史數(shù)據(jù)的積累，實現(xiàn)分析算法的自主學習，從而不斷提高數(shù)據(jù)分析的效率和準確性。具體來說，在線檢測的功能需求主要包括以下四個方面：一是臨時數(shù)據(jù)存儲。從不同的數(shù)據(jù)源和不同類型的數(shù)據(jù)樣本中收集測試數(shù)據(jù)，并將其臨時存儲在專門的數(shù)據(jù)庫中，以便進行數(shù)據(jù)過濾和清洗。二是食品安全法律法規(guī)數(shù)據(jù)庫。數(shù)據(jù)建模需要在相關(guān)法律法規(guī)框架內(nèi)進行，并與整個食品分析系統(tǒng)的驗證規(guī)則相匹配。三是數(shù)據(jù)過濾。主要基于規(guī)則庫中的規(guī)則過濾檢測數(shù)據(jù)，對樣本數(shù)據(jù)進行一致化處理。四是數(shù)據(jù)分析?；谝?guī)則庫的規(guī)則分析檢測數(shù)據(jù)，對食品安全規(guī)則數(shù)據(jù)庫中的原始數(shù)據(jù)進行數(shù)據(jù)建模、集成、過濾、緩存和多元分析，并利用計算機的強大計算能力，預測樣本特征、關(guān)鍵風險點、消費群體以及變化趨勢。

（4）不合格品處置模塊。當自動采樣、智能化檢測、數(shù)據(jù)分析等動作完成后，系統(tǒng)將會對樣品的安全性做出判定，不合格品的數(shù)據(jù)將會上傳至智慧快檢云平臺。管理者、檢測者、消費者可使用二維碼溯源樣本來源，對不合格食品啟動無害化銷毀處理，確保有害食品無法流入市場。

3.檢測報告生成與發(fā)布。檢測標準報告由各種測試數(shù)據(jù)、執(zhí)行任務計劃、輸出結(jié)果處理過程匯總之后形成，主要作用是向管理者、檢測者、消費者公布食品安全檢測結(jié)果，以便形成三向監(jiān)督。當檢測報告發(fā)布后，市場食品安全檢測信息公示區(qū)將實時更新快檢結(jié)果，消費者通過手機掃碼即可自助查詢食品安全信息。由于在線智能檢測的需求，整個檢測報告的生成與發(fā)布不僅要高度自動化，還需要融入相關(guān)數(shù)據(jù)分析模塊，以下是檢測報告模型建立、發(fā)布的解決方案：一是數(shù)據(jù)提取。根據(jù)報告內(nèi)容提取經(jīng)過分析處理后的測試結(jié)果數(shù)據(jù)，按照檢測報告標準生成檢測報告。二是報表設(shè)計?；谔囟ǖ膱蟊磔敵龈袷筋A定義、格式化報表。三是報表類型管理。主要負責檢測報表類型的添加、刪除、修改和查看。四是報告任務調(diào)度?；趯嶋H需要進行食品檢測報告生成、輸出、發(fā)布任務的調(diào)度，包括優(yōu)先級排序、發(fā)布時間設(shè)置等。五是報表輸出。按照指定的格式、類型和時間生成測試結(jié)果報表。六是報表保存。歸檔系統(tǒng)生成的食品檢測報告，方便隨時檢索查閱。七是報表擴展。不同地區(qū)和組織對食品檢測報告類型有不同的要求，因此需要為食品檢測報告提供擴展接口，方便用戶重新開發(fā)和定制檢測報告，以滿足其個性化需求。

二、系統(tǒng)技術(shù)分析

1.系統(tǒng)架構(gòu)設(shè)計。食品安全在線智能化檢測系統(tǒng)同時采用C/S、B/S模式，其基本架構(gòu)如圖1所示，整個系統(tǒng)分為三層：表示層、邏輯層、存儲層。系統(tǒng)的主要業(yè)務邏輯封裝在邏輯層，包括主要業(yè)務組件和其他公共服務，比如緩存、多語言處理、異常處理、日志記錄和檢索服務組件;數(shù)據(jù)庫服務器存儲和管理系統(tǒng)數(shù)據(jù)與地理信息數(shù)據(jù)庫配合使用;表示層則用于呈現(xiàn)系統(tǒng)檢測結(jié)果，主要包括數(shù)據(jù)源分析系統(tǒng)、檢測流程自動化系統(tǒng)、大數(shù)據(jù)智能分析系統(tǒng)、智能監(jiān)測與預警系統(tǒng)等子系統(tǒng)。

圖1：食品安全在線智能化檢測系統(tǒng)架構(gòu)

2.數(shù)據(jù)源分析系統(tǒng)。食品樣本檢測數(shù)據(jù)通過網(wǎng)絡從各地的食品檢測中心導入。在實際生活中，食品檢測數(shù)據(jù)庫中包含了大量不完整、不一致、包含噪聲的數(shù)據(jù)，為了實現(xiàn)數(shù)據(jù)分析和挖掘效率的提升，就需要采用更加高效的數(shù)據(jù)源分析方法。數(shù)據(jù)源分析的主要工作包括源頭數(shù)據(jù)的選取、清洗、離散化以及概念層次劃分，經(jīng)過源頭分析的數(shù)據(jù)可以直接作為下一步關(guān)聯(lián)規(guī)則挖掘的基礎(chǔ)數(shù)據(jù)。

（1）數(shù)據(jù)選取。日常的食品安全檢查并不會測試所有批次的食品，同批次的食品也是采取抽檢方式，而且同一食品也不會檢測所有的有毒有害成分，這就需要進行合理的數(shù)據(jù)選取。檢驗數(shù)據(jù)庫是專門為OLAP（聯(lián)機事務處理）開發(fā)的，在申請檢測階段，由申請人錄入生成貨物質(zhì)量信息表，主鍵為報檢編號，每條數(shù)據(jù)記錄都包含待檢驗貨物的信息。抽樣信息表是在采樣過程中以樣本編號為主鍵生成并輸入的，每條數(shù)據(jù)記錄都包含要測試的樣本信息，該表將檢測項目信息表、貨物信息表聯(lián)系起來。檢測項目信息表以樣品號為主鍵，每條記錄包含一個樣品的某個項目檢測信息。

挖掘樣本數(shù)據(jù)離不開貨物樣本檢測結(jié)果、貨物種類、貨物申請檢測時間、貨物產(chǎn)地以及其他項目檢測結(jié)果之間的關(guān)聯(lián)規(guī)則。但在實際數(shù)據(jù)庫中，部分信息沒有價值，有價值的信息卻零散分布，給數(shù)據(jù)分析帶來困難，因此必須將這些信息形成數(shù)據(jù)庫視圖。例如，報檢號、貨物號等信息對于數(shù)據(jù)分析來說沒有價值，可以舍棄，保留樣本號、檢測項且號、樣品名、檢測項目名、檢測結(jié)果、衛(wèi)生標準、報檢時間、貨物類別等有價值的信息。

（2）數(shù)據(jù)清洗。食品安全在線檢測項目一般分為兩類，一是病原微生物、有毒有害物，比如各種病原體、生物毒素等，這些檢測項目一旦被識別出就視為陽性，項目的檢測結(jié)果僅有“檢出”和“未檢出”兩種。二是限量類有毒有害物，比如農(nóng)藥殘留、獸藥殘留、食品添加劑等，這些項目的檢測結(jié)果通過具體數(shù)值來表示。傳統(tǒng)的食品安全檢測系統(tǒng)需手動輸入數(shù)據(jù)，容易出現(xiàn)數(shù)據(jù)不一致的情況，例如，限量類有毒有害物質(zhì)的檢測結(jié)果數(shù)據(jù)中出現(xiàn)的字符或空白。必須對不夠規(guī)范的食品安全檢測數(shù)據(jù)進行清理，刪除錯誤的檢測結(jié)果記錄，例如，將“未檢出”等替換為“0”，將“<45”“>3000”等不確定數(shù)值替換為具體數(shù)值。

（3）數(shù)據(jù)離散化。數(shù)據(jù)分析最重要的部分是食品檢測結(jié)果，而基于關(guān)聯(lián)規(guī)則的數(shù)據(jù)挖掘需要處理的數(shù)據(jù)類型是離散的，因此必須先對數(shù)值型檢測數(shù)據(jù)進行離散化處理。根據(jù)國家標準，食品檢測中的很多有害物質(zhì)有明確的限量規(guī)定，可以基于數(shù)據(jù)分布情況，將國家標準規(guī)定的限量以及限量二分之一作為截斷點，將檢測結(jié)果數(shù)據(jù)離散成低風險、中風險、高風險數(shù)據(jù)。

（4）概念屬性劃分。在基于關(guān)聯(lián)規(guī)則的數(shù)據(jù)挖掘模式下，數(shù)據(jù)的屬性層次不同。例如，在食品安全檢測層面，可以按季度、月份對食品檢測結(jié)果進行分析;在食品類型層面，可以基于某些類別（如牛奶）以及子類（如奶類中的液體奶）進行檢測結(jié)果數(shù)據(jù)分析。為了對不同層次的檢測結(jié)果進行調(diào)查和分析，就需要對檢測結(jié)果數(shù)據(jù)的多種屬性層次進行劃分，可以根據(jù)季度、月份將檢測結(jié)果數(shù)據(jù)分為兩個層次，可以基于食品類型將檢測結(jié)果數(shù)據(jù)分為多種層次，某食品大類根據(jù)不同的國家衛(wèi)生標準又分為若干小類，比如酒類可以分為五個小類，每個小類對應不同的檢測項目和衛(wèi)生標準。

（5）平面表構(gòu)建。要進行關(guān)聯(lián)挖掘的數(shù)據(jù)是分多個概念層次的，如果按照常見的多層關(guān)聯(lián)規(guī)則進行挖掘，就不得不對數(shù)據(jù)集合進行多次掃描，這會導致系統(tǒng)運行效率降低。由于數(shù)據(jù)量大，因此，數(shù)據(jù)挖掘需要采用扁平化表結(jié)構(gòu)，通過視圖和臨時表將數(shù)據(jù)的所有屬性組織到一張表中，以提高數(shù)據(jù)挖掘效率。一張典型的平面表應該包括樣品名、食品大類、食品子類、產(chǎn)地、報檢季度、報檢月份、檢測項目1結(jié)果、檢測項目2結(jié)果。

3.檢測流程自動化系統(tǒng)。在食品安全在線檢測流程自動化方面，該系統(tǒng)主要通過批處理任務實現(xiàn)，例如，1min后開始檢測等簡單任務，2021年10月31日至2021年11月30日每隔10s運行一次com.bdcc.hoffice.user.Dumpuser類，執(zhí)行完首次后再執(zhí)行9次，總計運行10次。復雜的批處理任務可以實現(xiàn)復雜重復性檢測任務的自動化執(zhí)行，例如，每個星期五下午4：30，每個月的最后一天自動下載檢測日志、月度報告，還可以給任務添加開始、結(jié)束時間。為了實現(xiàn)檢測流程的自動化，系統(tǒng)設(shè)計了JOB類以實現(xiàn)org.quartz.Job or接口類，可通過execute方法實現(xiàn)業(yè)務邏輯。

系統(tǒng)使用行業(yè)通用的表達式，如CRON_EXPRESSION，該表達式由6-7個字段組成，這些字段是由空格分隔的字符串，例如，字母“L”是“l(fā)ast”的縮寫，可用于日、周這兩個字段的表示，但這兩個字段的含義不同。該系統(tǒng)用CRON表達統(tǒng)一描述所有任務計劃的定時控制與實現(xiàn)，該表達機制靈活、高效、可靠，允許個性化修改，可以有效提高整個系統(tǒng)的靈活性和標準化，并為后續(xù)系統(tǒng)實施建立了統(tǒng)一、可重用的管理模式。

4.大數(shù)據(jù)智能分析系統(tǒng)。基于關(guān)聯(lián)規(guī)則的食品安全檢測大數(shù)據(jù)智能分析系統(tǒng)，其核心算法采用面向?qū)ο缶幊痰乃枷?。新算法的基本原理是先搜索?shù)據(jù)庫，以臨時表的形式創(chuàng)建新的數(shù)據(jù)存儲結(jié)構(gòu)，并為所有檢測項目創(chuàng)建數(shù)據(jù)表，表中的元素包括檢測項目集合的事務標識，在此基礎(chǔ)上獲得其他頻繁項集。該算法在查找頻繁項集上花費的時間更少，而且能基于歷史數(shù)據(jù)進行自主學習和優(yōu)化，從而提高系統(tǒng)關(guān)聯(lián)規(guī)則挖掘效率，將頻繁項集視為FrequencySets類的對象。

系統(tǒng)加載數(shù)據(jù)后需要對數(shù)據(jù)進行預處理，主要食品類別映射為C01-C22，子類別映射為CXY。檢查時間信息，季度映射是Q1-Q4季度，月度映射是M1-M12。原產(chǎn)地信息，根據(jù)國家標準得到映射P1-P125。對于檢測結(jié)果信息，限量類檢測項目的映射為{I1L，I1M，I1H}，對應低風險、中風險、高風險;非限量類檢測項目的映射為{I2T，I2F}，對應檢出、未檢出。基于上述映射可以得到具體食品安全檢測記錄的編碼，例如，樣品001的檢測數(shù)據(jù)編碼為C04，C075，Q3，M7，P21，I1M，I2F。

基于食品安全在線檢測常規(guī)閾值，設(shè)支持度為最小30%，置信度為最低70%。滿足上述條件的的記錄組成頻繁項集1，基于頻繁項集1連接生成候選項集2。為了減少分析數(shù)據(jù)量和計算時間，可以優(yōu)化項集，規(guī)定每個屬性不會鏈接到自己的相似屬性，比如C07、C09不可相連;分層屬性只能直接連接到直屬越層，例如C075、C07可以連接，但C07、C088不能連接，從而達到精簡初始項集數(shù)量的目的。例如，樣品001的頻繁項集1為C04，基于此達到的初始項集2為C04Q3，C075P7，C04I1M，C04I1L，C04I2F。對初始項集2中所有項進行計數(shù)，基于最小支持度條件獲得頻繁項集2;統(tǒng)計各項集，基于頻繁項集2連接生成初始項集3;再根據(jù)最小支持度條件得到頻繁項集3，依此類推，直到最后的候選項集生成。針對每一個頻繁項集2、頻繁項集3、頻繁項集4做置信度檢驗，生成強規(guī)則。例如，C04Q3→I1M，經(jīng)過編碼解釋得到的規(guī)則如下：

食品類別=奶與奶制品類∧時間=第三季度=中等風險

基于上述規(guī)則，能夠得到指定時間范圍、指定食品類別及相關(guān)檢測項目分析結(jié)果，按照檢測結(jié)果可以評估食品在指定時間范圍內(nèi)的具體檢測項目的基本安全情況，從而明確安全風險。如果發(fā)生食品安全事故，就能及時提取食品的主要危害特征，包括食品的原產(chǎn)地、食品原料、銷售區(qū)域、進出口批次、生產(chǎn)商等，從而做出及時有效的安全預警和管控。

5.智能監(jiān)測與預警系統(tǒng)。該系統(tǒng)中的異常分為兩大類：checked異常和unchecked異常。當系統(tǒng)調(diào)用可能出現(xiàn)checked異常的方法，必須通過try_catch塊定位異常，進行處理或重新拋出。系統(tǒng)中如果存在致命異?；蛘卟东@該異常無任何益處，則可以使用unchecked異常;如異?？苫謴?、可被正確處理，則使用checked異常。使用unchecked異常時，需要在方法聲明中聲明該方法也許會拋出的unchecked異常，由調(diào)用者決定是否捕獲異常。

三、系統(tǒng)運行環(huán)境分析

該系統(tǒng)部署的硬件主要包括檢測中心服務器、監(jiān)測中心服務器、數(shù)據(jù)庫服務器，軟件環(huán)境主要包括服務器操作系統(tǒng)、數(shù)據(jù)庫、開發(fā)工具及配置管理工具。

作者簡介：艾亮東（1975-），男，漢族，湖南平江人，碩士研究生，副高級工程師，研究方向為食品安全管控與組織管理。

艾滔（1999-），男，漢族，湖南平江人，本科在讀，研究方向為智能硬件融合、智能硬件云平臺架構(gòu)、RFID智能硬件。