基于云服务的食品安全监理实时化研究

韩福霞，刘宏志

（北京工商大学计算机与信息工程学院，北京 100048）

基于云服务的食品安全监理实时化研究

韩福霞，刘宏志*

（北京工商大学计算机与信息工程学院，北京 100048）

为了及时发现食品安全问题，降低食品安全问题的发生率，从食品供应链角度出发，通过对影响食品安全的各要素分析，利用蝙蝠算法优化的Elman神经网络，并结合Storm云服务平台，构建了食品安全监理实时分析预测模型，对食品安全数据实时分析。通过对该模型的建模分析，形成有效的食品安全实时监理机制，期望能进一步降低食品安全隐患。

食品安全；实时监理；Storm云平台；Elman神经网络

随着经济社会不断进步，食品多样化发展，各种添加剂不断翻新、涌现，近年来国内外因非法添加引发的重大食品安全问题屡有发生，食品安全成为全球备受关注的焦点。为解决食品安全问题，各国家都有自己的食品安全监管机制。本文从整个食品供应链出发，借鉴信息工程监理机制［1］，利用云服务技术，将影响食品安全的各过程包括生产、加工、物流运输、销售等有机整合于一体，构建了食品安全实时监理架构。通过该架构，各阶段的食品安全信息将被存储到云端，进行实时处理，能充分利用数据的时效性。同时，构建了食品安全监理实时分析预测模型，对食品安全监理海量数据实时分析，及时发现食品安全问题，降低召回的成本和不良影响。

1 食品安全监理架构

食品安全监理［2］是指监理机构根据我国的食品安全法等相关法律制度，在食品的生产过程中，对食品中存在的可识别的食品安全风险因素进行督察、监控和评价，并进行风险评估和控制，以确保食品安全的行为。因食品供应体系链条较长，各个环节都有可能产生问题，为了保障食品安全监理的及时性，需要对整个供应链进行实时监理。通过对食品安全信息实时分析预测，监理人员可实时监督和管理，及时发现食品安全问题［3］。

本文利用云服务平台，构建了食品安全实时监理架构，如图1。该架构将整个供应链产生的数据信息通过云端进行实时汇总和分析，实时展示食品安全信息，保证整个供应链各阶段食品安全状态。

2 利用Storm云平台处理海量数据

监理过程中利用食品安全检测技术、物联网技术［4］等，通过REID智能终端设备来采集食品安全数据信息，采集到的海量数据将传送至云服务平台进行数据处理分析。Storm是一个分布式的、可伸缩的、容错的实时计算系统［5］，可以简单、可靠地处理大量的数据流。本文利用Storm的实时分析功能来接收和处理海量的食品安全数据。

Storm云服务平台利用Nimbus对资源进行分配和任务调度，而Supervisor负责接受Nimbus分配的任务，这两者通过Zookeeper协调［6-7］。Worker是Storm云服务平台中运行组件逻辑的进程，Worker中每个Spout/Bolt的线程称为一个Task，其中Spout会从外部数据源中读取数据，Bolt对数据进行过滤、函数操作、合并等，Storm实时处理模型，如图2。

图1 食品安全实时监理架构Fig.1 Real time surveillance architecture of food safety

图2 Storm实时处理模型Fig.2 Storm real-time processing model

利用Storm的实时处理分析功能实时对海量的食品安全数据进行处理，能够充分利用数据的时效性，保障及时发现食品安全问题。

3 食品安全监理实时分析预测模型

3.1 模型建立

食品安全监理需要对整个供应链过程中食品的质量、安全等方面进行控制，其分为全过程监理和全方位监理。全过程监理指的是监理人员以食品生产加工工序质量控制为核心，以巡视检查、旁站监督、见证取样等方法主动监理；全方位监理指的是监理人员对与食品生产、加工、运输和销售相关的影响食品安全的信息实施监理，比如化肥、农药等有害物质含量、食品添加剂、食品储藏、食品保质期等信息［8］。因此，在食品安全监理的各个阶段，监理人员通过手动录入、食品检测技术、物联网技术等将食品相关信息进行记录，实时将信息传送给Storm云服务平台中，建立监理实时分析数学模型，对影响食品安全监理目标实现的各项因素信息数据实时分析，预测食品的安全状态，从而保证对食品安全监理的预期目标。

影响食品安全的因素主要表现在以下几个方面：微生物和寄生虫等生物污染、环境污染、农药与兽药残留、食品添加剂的使用、食品加工和储藏销售过程中产生的毒素等。这些因素产生于食品整个供应链中。为了能够分析这些因素的信息数据，本文利用改进的Elman神经网络，建立数学模型，将影响食品安全的各因素实时数据信息作为该模型的输入，来实时分析预测食品安全。

Elman神经网络［9］是Elman于1990年提出的一种反馈动力学网络，不仅具有前馈神经网络的非线性映射，还具有动态反馈信息和记忆功能，能够实现动态系统的映射并直接反应系统的动态特性［10］。将该算法应用于食品安全动态监理过程中，分析各要素数据，有效地实现监理目标的实时控制。Elman神经网络主要是利用反向传播算法（BP算法）进行训练，通过学习训练，使网络的实际输出值和输出样本值之间的差值来不断地修改权值和阈值，从而使得网络输出层的误差平方和最小［11］。其运算规则由以下3个等式组成：

式（1）～式（3）中，x（k）为网络的输入，即影响食品安全各要素数据；y（k）为网络的输出，即食品安全预测值；ho（k）为隐含层的输出；w1、w2、w3分别为输入层到隐含层、承接层到隐含层、隐含层到输出层的连接权值矩阵；f（i）为隐含层神经元的传递函数，采用Tansig函数，g（i）为输出层传递函数，采用Purelin函数；b1、b2分别为输入层和隐含层的阈值。但BP算法基于梯度信息来调整连接权值，不具有全局搜索能力，极易陷入局部极值点。本文将蝙蝠算法［11-12］和Elman神经网络相结合，利用蝙蝠算法中蝙蝠个体之间的协作搜索最优解的全局搜索能力，能有效地避免局部极小值问题的优点优化Elman神经网络的初始权值和阈值。

3.2 训练样本选取

为使该模型较好地运用于食品安全监理分析中，需要选定训练样本的输入和输出，对神经网络进行有监督的训练。

在食品安全监理的每个阶段，均需要记录食品相关信息，即需要实时监督和管理影响食品安全的各因素信息。通过对各因素信息进行分析，该模型选定影响食品安全的各项因素作为训练样本，来分析食品安全的状态。

3.3 参数设定

本文选择葡萄酒作为食品安全监理对象，来监督和管理葡萄酒整个供应链中农药残留值。葡萄酒农药残留监测指标包括乙酰甲胺磷、敌敌畏、杀螟硫磷、倍硫磷、马拉硫磷、对硫磷、辛硫磷、敌百虫、百菌清、噻苯隆、甲氰菊酯、氰戊菊酯、氯菊酯、氧乐果、霜脲氰、戊唑醇、多菌灵和甲霜灵等指标，参照GB2763.2012《食品中农药最大残留限量》［13-14］。葡萄中各指标都有限量，例如：葡萄的百菌清限量为0.5 mg/kg、多菌灵限量为3 mg/kg、甲霜灵限量为1 mg/kg。将葡萄农药残留的历史统计数据进行处理后输入到改进的神经网络，使得网络具有预测能力；然后用改进的神经网络预测葡萄中农药残留各指标的值对食品安全的影响。通过对神经网络样本训练，使得改进神经网络模型能够准确地对食品安全监理过程中的安全问题进行分析和预测，当超过该农药残留物的临界值时，及时预警。

4 模型仿真试验

本文首先利用MATLAB工具对分析模型进行仿真试验，样本选择为葡萄酒中农药残留监测各项指标，参照GB2763.2012《食品中农药最大残留限量》，葡萄中各指标最大限量，如表1。

表1 葡萄中18项农药残留指标最大限量Tab.1 Maximum limit of 18 indicators of pesticide residues in grapes

样本数据选择时，需要包含各个指标在整个供应链中不同监理阶段的指标值，即分别采集葡萄原料中、葡萄酒酒精发酵过程中、葡萄酒运输过程中和葡萄酒销售过程中的农药残留变化数据，将数据分成两部分，训练样本和测试样本，采用优化的Elman神经网络对训练样本进行学习，并对测试样本进行预测，其预测结果及误差如图3、图4。

由图3、图4可知，该模型通过学习，预测速度快，且预测数据与真实数据误差小，能够运用于食品安全实时监理过程中，及时对食品安全数据进行处理。

由于食品安全监理过程中产生海量的数据，将Elman神经网络和Storm云平台结合，利用Storm实时处理数据的特点，提高处理数据的速度，保证食品安全的海量数据得到实时处理，再通过食品安全监理实时分析模型，对海量数据进行分析和预测，当超过临界值时，能及时对食品安全问题进行预警。

图3 葡萄酒中农药残留量预测Fig.3 Forecast map of pesticide residues in wine

图4 模型预测误差Fig.4 Model prediction error map

5 结束语

从整个食品供应链角度出发，结合云服务，提出了食品安全实时监理架构，利用食品安全检测、物联网等技术实时检测食品安全信息，并建立了基于云服务的食品安全监理实时分析预测模型，通过对模型的分析和仿真试验，表明该模型可以对海量的食品安全数据进行处理，并能实时对数据分析和预测，及时发现食品安全问题，保证食品安全，降低食品安全问题发生的概率。

［1］韩福霞，刘宏志.基于蝙蝠算法的信息工程监理多目标优化研究［J］.现代计算机，2013，19：3-6.

［2］刘宏志，葛迺康.信息化工程监理［M］.北京：中国电力出版社，2009：5.

［3］张云霄，刘宏志.我国食品安全监理体系研究［J］.食品科学技术学报，2014，32（1）：77-82.

［4］邓小云，刘宏志.基于云计算的食品安全监理研究［J］.北京工商大学学报：自然科学版，2012，30（4）：75-78.

［5］李梦寻，刘宏志.基于物联网的食品安全监理模型研究［J］.北京工商大学学报：自然科学版，2011，29（2）：54-58.

［6］朱炳宇，蔡莉.基于Storm和Android的出租车乘客实时云平台调度系统［J］.计算机科学，2012（8A）：1-2.

［7］黄馥浩.基于Storm的微博互动平台的设计与实现［D］.广州：中山大学，2013.

［8］蒋艺晴.浅谈食品质量与安全监管监理制［J］.江苏农业科学，2014，42（2）：260-264.

［9］Toqeer R S，Bayindir N S.Speed estimation of an induction motor using Elman neural network［J］.Neuro Computing，2003，55（3-4）：727-730.

［10］党小超，郝占军.基于改进Elman神经网络的网络流量预测［J］.计算机应用，2010，30（10）：2648-2652.

［11］Shi X H，Liang Y C，Lee H P，et al.Improved Elman networks and applications for controlling ultrasonic motors［J］.Applied Artificial Intelligence，2004（18）：603-629.

［12］Yang Xinshe.A new metaheuristic bat-inspired algorithm［J］.Nature Inspired Cooperative Strategies for Optimization，2010，284：65-74.

［13］李记明，司合芸，于英，等.葡萄农药残留及其对葡萄酒酿造的影响［J］.中国农业科学，2012，45（4）：743-751.

［14］强承魁，凤舞剑，胡长效，等.徐州市葡萄主产区表层土壤和葡萄中农药残留特征与评价［J］.浙江农业学报，2013，25（2）：293-297.

Study on Real-time Analysis in Food Safety Surveillance Based on Cloud Service

HAN Fuxia，LIU Hongzhi*
（School of Computer Science and Information Engineering，Beijing Technology and Business University，Beijing 100048，China）

In order to detect the problems of food safety in time and reduce the incidence，a food safety supervision of real-time analysis and prediction model based on the storm cloud platform and the Elman neural network optimizing by the bat algorithm was constructed from the perspective of food supply chain. Through analyzing the factors affecting food safety，the model was used to analysis the food safety data in real-time.By the analysis of the model，an effective food safety supervision mechanism in real time was formed to further reduce the food safety hazards.

food safety；real time supervision；storm cloud platform；Elman neural network

檀彩莲）

TS201.6；TP393.02

A

10.3969/j.issn.2095-6002.2015.03.014

2095-6002（2015）03-0074-05

韩福霞，刘宏志.基于云服务的食品安全监理实时化研究［J］.食品科学技术学报，2015，33（3）：74-78.

HAN Fuxia，LIU Hongzhi.Study on real-time analysis in food safety surveillance based on cloud service［J］.Journal of Food Science and Technology，2015，33（3）：74-78.

2014-12-22

北京市属高等学校科学技术与研究生教育创新工程建设项目（PXM2012_014213_000037）。

韩福霞，女，硕士研究生，研究方向为信息工程与食品安全监理；

*刘宏志，男，教授，博士，主要从事信息工程监理、电子商务与电子政务等方面的研究。

。