一种食品风险追溯信息分级方法和装置制造方法及图纸

本发明专利技术实施例提供了一种食品风险追溯信息分级方法及装置，利用人工智能模型的自学习能力，建立食品风险追溯信息分级的深度学习神经网络模型，对深度学习神经网络模型的权值和偏置进行初始化处理，得到原始深度学习神经网络模型；获取食品风险追溯信息样本，按照预设基础追溯信息因子格式进行信息划分，得到食品风险追溯信息因子；将食品风险追溯信息因子按照预设向量化方式转化成食品风险追溯信息向量；将食品风险追溯信息向量输入到原始深度学习神经网络模型中，得到当前食品风险追溯信息的原始分级向量；将原始分级向量输入到损失函数中，得到原始分级向量的损失率，若损失率在预设范围内，则原始分级向量确定为目标分级结果。

【技术实现步骤摘要】
一种食品风险追溯信息分级方法和装置
本专利技术涉及食品追溯
，特别是涉及一种食品风险追溯信息分级方法和一种食品风险追溯信息分级装置。
技术介绍
食品安全问题不仅关系到消费者的身体健康和生命安全，也关系到经济健康发展和社会和谐稳定，受到国际和国内社会的广泛关注。近年来，随着食品科学技术的快速发展，消费者对食品种类有了更多的选择，对食品安全知识也有了更多的了解，更加关心自身的健康。为了从制度上解决食品安全问题，我国于2009年颁布实施了《中华人民共和国食品安全法》，规定食品不应对人体健康造成任何急性、亚急性或慢性危害。食品安全追溯是指为了确保食品质量安全，由生产者、加工者以及流通者分别将食品的生产销售过程中的可能影响食品质量安全的信息进行详细记录、保存并向消费者公开，在食品完成生产或流通后，可以再现食品供应全过程的信息，实现“源头可溯源、流向可追踪、过程可监控、产品可召回”。但追溯技术本身并不能解决食品安全问题，食品风险信息识别、监测和预警整个食品供应链过程中可能存在的危害，是食品行业企业和各国政府共同关注的目标和方向。根据食品追溯的目标不同，可以采用相应的技术来实现追溯，如采用DNA、虹膜识别、同位素检测来进行产地溯源和物种成分的鉴别，利用标签载体再现供应链信息等。其中，基于标签载体实现追溯，即采用纸质标签、塑料标签、电子标签等各种类型的信息载体来采集所需追溯的个体单元或批次信息。GS1(globalstandards1)制定的GS1globaltraceabilitystandard(全球可追溯性标准)描述了采用标签载体方法实现追溯的流程，并在技术方面制定了追溯单元的标识、信息采集和交换等的标准。目前国内外广泛推广使用的食品追溯系统，大多是基于标签载体的追溯方法。如欧洲议会和欧盟理事会根据2000/1760/EC法令建立的家畜和肉制品追溯系统、美国农业部动植物健康监测服务中心(APHIS)实施的牛及其他种类动物的身份识别系统、英国的家畜追溯系统(CTS)、澳大利亚的国家畜禽识别系统、荷兰针对猪肉生产中的《综合生产链管理系统》(IntegrateKetenBeheersing,IKB)等。我国很多省市及规模企业都开展了食品安全追溯体系建设，并实施了在果蔬、禽肉、乳制品、水产品、电商食品等领域的应用示范，出现了许多市场化的食品追溯系统。但该类系统主要侧重于以流通环节为中心的追溯信息采集、信息记录，以及信息查询服务等，普遍采用了“流通环节导向型”的追溯方式，容易出现信息孤岛、环节信息断裂等问题，且对追溯系统最基础的信息分级划分研究较少。
技术实现思路
鉴于上述问题，提出了本专利技术实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种食品风险追溯信息分级方法和相应的一种食品风险追溯信息分级装置。为了解决上述问题，本专利技术实施例公开了一种食品风险追溯信息分级方法，包括：利用人工智能模型的自学习能力，建立食品风险追溯信息分级的深度学习神经网络模型，对所述深度学习神经网络模型的权值和偏置进行初始化处理，得到原始深度学习神经网络模型；获取食品风险追溯信息样本，按照预设基础追溯信息因子格式进行信息划分，得到食品风险追溯信息因子；将所述食品风险追溯信息因子按照预设向量化方式转化成食品风险追溯信息向量；将所述食品风险追溯信息向量输入到所述原始深度学习神经网络模型中，得到当前所述食品风险追溯信息的原始分级向量；将所述原始分级向量输入到损失函数中，得到所述原始分级向量的损失率，若所述损失率在预设范围内，则所述原始分级向量确定为目标分级结果。进一步地，所述将所述原始分级向量输入到损失函数中，得到所述原始分级向量的损失率，若所述损失率在预设范围内，则所述原始分级向量确定为目标分级结果的步骤，还包括：若所述损失率不在预设范围内，则将所述原始分级向量输入到所述原始深度学习神经网络模型中进行训练，调整所述原始深度学习神经网络模型的权值和偏置，获取目标深度学习神经网络模型；将所述食品风险追溯信息向量输入到所述目标深度学习神经网络模型进行归一化处理，得到所述目标分级结果。进一步地，所述将所述原始分级向量输入到所述原始深度学习神经网络模型中进行训练，调整所述原始深度学习神经网络模型的权值和偏置，获取目标深度学习神经网络模型的步骤，包括：计算所述原始分级向量与预设标准向量的误差；利用梯度下降法计算出所述误差对应的步长；根据所述步长更新当前节点的权值和偏置，得到所述目标深度学习神经网络模型。进一步地，所述深度学习网络模型包括输入层、隐藏层和输出层，所述隐藏层包括双向门控循环神经网络层和全连接层，所述双向门控循环神经网络层包括隐藏矩阵、重置门和更新门。进一步地，所述将所述原始分级向量输入到所述原始深度学习神经网络模型中进行训练，调整所述原始深度学习神经网络模型的权值和偏置，获取目标深度学习神经网络模型的步骤，还包括：将当前节点输入的食品风险追溯信息向量输入到所述双向门控循环神经网络层中，得到当前重置门的权重和当前更新门的权重；将所述当前重置门的权重、所述当前更新门的权重、所述当前节点输入的食品风险追溯信息向量和上一节点的隐藏矩阵输入到激活函数中，得到当前重置门参数和当前更新门参数；利用所述当前重置门参数、所述当前更新门参数和所述上一节点的隐藏矩阵计算得到当前节点的隐藏矩阵；利用所述当前节点的隐藏矩阵和所述当前节点的权值构建当前节点的所述目标深度学习神经网络模型。进一步地，所述预设基础追溯信息因子包括人因子，和/或事因子，和/或时因子，和/或地因子，和/或物因子，和/或所属因子。进一步地，所述预设向量化方式具体采用Word2vec。本专利技术实施例公开了一种食品风险追溯信息分级装置，包括：初始化模块，用于利用人工智能模型的自学习能力，建立食品风险追溯信息分级的深度学习神经网络模型，对所述深度学习神经网络模型的权值和偏置进行初始化处理，得到原始深度学习神经网络模型；格式划分模块，用于获取食品风险追溯信息样本，按照预设基础追溯信息因子格式进行信息划分，得到食品风险追溯信息因子；文本向量模块，用于将所述食品风险追溯信息因子按照预设向量化方式转化成食品风险追溯信息向量；分级模块，用于将所述食品风险追溯信息向量输入到所述原始深度学习神经网络模型中，得到当前所述食品风险追溯信息的原始分级向量；确定模块，用于将所述原始分级向量输入到损失函数中，得到所述原始分级向量的损失率，若所述损失率在预设范围内，则所述原始分级向量确定为目标分级结果。本专利技术实施例公开了一种电子设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上述的食品风险追溯信息分级方法的步骤。本专利技术实施例公开了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上述的食品风险追本文档来自技高网...

【技术保护点】
1.一种食品风险追溯信息分级方法，其特征在于，包括：/n利用人工智能模型的自学习能力，建立食品风险追溯信息分级的深度学习神经网络模型，对所述深度学习神经网络模型的权值和偏置进行初始化处理，得到原始深度学习神经网络模型；/n获取食品风险追溯信息样本，按照预设基础追溯信息因子格式进行信息划分，得到食品风险追溯信息因子；/n将所述食品风险追溯信息因子按照预设向量化方式转化成食品风险追溯信息向量；/n将所述食品风险追溯信息向量输入到所述原始深度学习神经网络模型中，得到当前所述食品风险追溯信息的原始分级向量；/n将所述原始分级向量输入到损失函数中，得到所述原始分级向量的损失率，若所述损失率在预设范围内，则所述原始分级向量确定为目标分级结果。/n

【技术特征摘要】
1.一种食品风险追溯信息分级方法，其特征在于，包括：
利用人工智能模型的自学习能力，建立食品风险追溯信息分级的深度学习神经网络模型，对所述深度学习神经网络模型的权值和偏置进行初始化处理，得到原始深度学习神经网络模型；
获取食品风险追溯信息样本，按照预设基础追溯信息因子格式进行信息划分，得到食品风险追溯信息因子；
将所述食品风险追溯信息因子按照预设向量化方式转化成食品风险追溯信息向量；
将所述食品风险追溯信息向量输入到所述原始深度学习神经网络模型中，得到当前所述食品风险追溯信息的原始分级向量；
将所述原始分级向量输入到损失函数中，得到所述原始分级向量的损失率，若所述损失率在预设范围内，则所述原始分级向量确定为目标分级结果。


2.根据权利要求1所述的方法，其特征在于，所述将所述原始分级向量输入到损失函数中，得到所述原始分级向量的损失率，若所述损失率在预设范围内，则所述原始分级向量确定为目标分级结果的步骤，还包括：
若所述损失率不在预设范围内，则将所述原始分级向量输入到所述原始深度学习神经网络模型中进行训练，调整所述原始深度学习神经网络模型的权值和偏置，获取目标深度学习神经网络模型；
将所述食品风险追溯信息向量输入到所述目标深度学习神经网络模型进行归一化处理，得到所述目标分级结果。


3.根据权利要求2所述的方法，其特征在于，所述将所述原始分级向量输入到所述原始深度学习神经网络模型中进行训练，调整所述原始深度学习神经网络模型的权值和偏置，获取目标深度学习神经网络模型的步骤，包括：
计算所述原始分级向量与预设标准向量的误差；
利用梯度下降法计算出所述误差对应的步长；
根据所述步长更新当前节点的权值和偏置，得到所述目标深度学习神经网络模型。


4.根据权利要求3所述的方法，其特征在于，所述深度学习网络模型包括输入层、隐藏层和输出层，所述隐藏层包括双向门控循环神经网络层和全连接层，所述双向门控循环神经网络层包括隐藏矩阵、重置门和更新门。


5.根据权利要求4所述的方法，其特征在于，所述将所述原始分级向量输入到所述原始深度学习神经网络模型中进行训练，调整所述原始深度学习神经网络模型的权值和偏置，获取目标深度学习神经...

【专利技术属性】
技术研发人员：蔡伊娜，包先雨，阮周曦，郑文丽，李和平，卢体康，陈枝楠，
申请(专利权)人：深圳市检验检疫科学研究院，深圳海关信息中心，深圳海关动植物检验检疫技术中心，
类型：发明
国别省市：广东;44