食品安全检测方法、装置、设备及存储介质与流程

技术特征：
1.一种食品安全检测方法，其特征在于，所述食品安全检测方法包括：获取预设的食品安全数据，并基于所述食品安全数据，构建训练数据集和预测数据集，其中，所述食品安全数据包括食品抽检数据、天气数据、食品安全相关的舆情数据以及食品安全相关的国际预警数据；分别对所述训练数据集和所述预测数据集进行预处理，得到训练样本集和预测样本集，其中，所述训练样本集包括离散型训练样本集和连续型训练样本集，所述预测样本集包括离散型预测样本集和连续型预测样本集；基于所述离散型训练样本集和所述连续型训练样本集，对预置的预测模型进行包含目标训练任务的训练，得到不合格食品的预测模型，其中，目标训练任务为计算所述训练样本集中的每种食品类型为不合格食品的概率值；调用所述不合格食品的预测模型，对所述离散型预测样本集和所述连续型预测样本集进行处理，得到所述预测样本集中的每种食品类型为不合格食品的概率值，并输出所述概率值大于预置阈值的目标食品类型；获取所述目标食品类型的实际检测参数和所述目标食品类型的预置安全标准参数范围，若所述目标食品类型的实际检测参数在所述目标食品类型的预置安全标准参数范围内，则确定所述目标食品类型安全。2.根据权利要求1所述的食品安全检测方法，其特征在于，所述获取预设的食品安全数据，并基于所述食品安全数据，构建食品安全数据集包括：获取预设的食品安全数据，并根据所述食品安全数据的生成时间，将所述食品安全数据划分为当月的食品安全数据和历史的食品安全数据；根据所述历史的食品安全数据，构建训练数据集，以及根据所述当月的食品安全数据，构建预测数据集。3.根据权利要求1所述的食品安全检测方法，其特征在于，所述分别对所述训练数据集和所述预测数据集进行预处理，得到训练样本集和预测样本集包括：基于预置的数据标注工具，以及根据所述训练数据集中的食品抽检结果数据，对所述训练数据集进行数据标注，得到目标训练数据集，其中，所述目标训练数据集中包括用于表示食品抽检结果的数据标签；将所述目标训练数据集中的数据和所述预测数据集中的数据按照数据特征类型进行数据分类，其中，所述数据特征类型包括离散型和连续型；对分类后得到的每一类数据进行数值化处理，得到多个离散型训练样本、多个连续型训练样本、多个离散型预测样本以及多个连续型预测样本；根据所述离散型训练样本和所述连续型训练样本，构建训练样本集，以及根据所述离散型预测样本和所述连续型预测样本，构建预测样本集，其中，所述训练样本集包括离散型训练样本集和连续型训练样本集，所述预测样本集包括离散型预测样本集和连续型预测样本集。4.根据权利要求1
‑
3中任意一项所述的食品安全检测方法，其特征在于，所述基于所述离散型训练样本集和所述连续型训练样本集，对预置的预测模型进行包含目标训练任务的训练，得到不合格食品的预测模型包括：调用所述预测模型中的多层翻译网络，对每个离散型训练样本进行编码，得到每个离
散型训练样本对应的离散特征向量，以及对每个连续型训练样本进行编码，得到每个连续型训练样本对应的连续特征向量；调用所述预测模型中的隐藏层网络和输出层网络，对所述离散特征向量和所述连续特征向量进行处理，得到一个多分类概率分布，其中，所述隐藏层网络包括深度神经网络和因子分解网络，所述多分类概率分布用于表示所述训练样本集中的每种食品类型为不合格食品的概率值；基于预设的损失函数和所述数据标签，计算所述多分类概率分布对应的损失值；根据所述多分类概率分布对应的损失值，调整所述预测模型的网络参数，得到不合格食品的预测模型。5.根据权利要求4所述的食品安全检测方法，其特征在于，在所述调用所述预测模型中的多层翻译网络，对每个离散型训练样本进行编码，得到每个离散型训练样本对应的离散特征向量，以及对每个连续型训练样本进行编码，得到每个连续型训练样本对应的连续特征向量之后，在所述调用所述预测模型中的隐藏层网络和输出层网络，对所述离散特征向量和所述连续特征向量进行处理，得到一个多分类概率分布之前，还包括：调用所述预测模型中的嵌入层网络，对所述离散特征向量和所述连续特征向量进行降维处理，得到低维且稠密的离散特征向量和低维且稠密的连续特征向量。6.根据权利要求4所述的食品安全检测方法，其特征在于，所述调用所述预测模型中的隐藏层网络和输出层网络，对所述离散特征向量和所述连续特征向量进行处理，得到一个多分类概率分布包括：调用所述因子分解网络，对所述离散特征向量进行特征交叉，得到所述离散特征向量对应的交叉向量，其中，所述交叉向量用于表示所述离散特征向量之间的关联关系；调用所述深度神经网络，对所述连续特征向量进行非线性激活，得到所述连续型训练样本对应的目标连续特征向量；调用所述输出层网络中的多分类器，分别对所述交叉向量和所述目标连续特征向量进行平均，并对平均后的交叉向量和平均后的目标连续特征向量归一化处理，得到一个多分类概率分布。7.根据权利要求6所述的食品安全检测方法，其特征在于，所述根据所述多分类概率分布对应的损失值，调整所述预测模型的网络参数，得到不合格食品的预测模型包括：将所述多分类概率分布对应的损失值输入至所述预测模型中；根据所述多分类概率分布对应的损失值，并基于随机梯度下降算法，对所述预测模型的网络参数进行迭代更新，直至所述预测模型收敛；当所述预测模型收敛时，确定当前所述预测模型的网络参数为目标参数，得到不合格食品的预测模型。8.一种食品安全检测装置，其特征在于，所述食品安全检测装置包括：数据集构建模块，用于获取预设的食品安全数据，并基于所述食品安全数据，构建训练数据集和预测数据集，其中，所述食品安全数据包括食品抽检数据、天气数据、食品安全相关的舆情数据以及食品安全相关的国际预警数据；数据预处理模块，用于分别对所述训练数据集和所述预测数据集进行预处理，得到训练样本集和预测样本集，其中，所述训练样本集包括离散型训练样本集和连续型训练样本
集，所述预测样本集包括离散型预测样本集和连续型预测样本集；模型训练模块，用于基于所述离散型训练样本集和所述连续型训练样本集，对预置的预测模型进行包含目标训练任务的训练，得到不合格食品的预测模型，其中，目标训练任务为计算所述训练样本集中的每种食品类型为不合格食品的概率值；模型预测模块，用于调用所述不合格食品的预测模型，对所述离散型预测样本集和所述连续型预测样本集进行处理，得到所述预测样本集中的每种食品类型为不合格食品的概率值，并输出所述概率值大于预置阈值的目标食品类型；食品安全检测模块，用于获取所述目标食品类型的实际检测参数和所述目标食品类型的预置安全标准参数范围，若所述目标食品类型的实际检测参数在所述目标食品类型的预置安全标准参数范围内，则确定所述目标食品类型安全。9.一种食品安全检测设备，其特征在于，所述食品安全检测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述食品安全检测设备执行如权利要求1
‑
7中任意一项所述的食品安全检测方法。10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1
‑
7中任一项所述的食品安全检测方法。

技术总结
本发明涉及人工智能领域，公开了一种食品安全检测方法、装置、设备及存储介质。所述方法包括：获取食品安全数据，并基于该数据构建训练数据集和预测数据集；对训练数据集和预测数据集进行预处理，得到训练样本集和预测样本集；基于训练样本集，对预测模型进行不合格食品的预测训练，得到不合格食品的预测模型；调用不合格食品的预测模型，对预测样本集进行处理，得到预测样本集中的每种食品类型为不合格食品的概率值，并输出该概率值大于预设阈值的食品类型，以及对该食品类型进行安全检测。本发明通过构建强关联关系的样本，从而提高食品安全检测的准确性。安全检测的准确性。安全检测的准确性。


技术研发人员：王水桃
受保护的技术使用者：平安国际智慧城市科技股份有限公司
技术研发日：2021.08.11
技术公布日：2021/11/8