CN113610688B - 一种基于大数据分析的食安监管方法及存储介质 - Google Patents

Abstract

本发明涉及食品安全监管技术领域，提供一种基于大数据分析的食安监管方法及存储介质，依托现场的监控设备，实时地采集现场图像进行安全性分析，可提高对食品加工区域(例如食堂)的监管力度，为提高监管的精确度，根据分别设计了第一策略和第二策略，用以实现智能识别和人工识别，其中，通过将现场图像中的感兴趣区域制作成碎片化的监管问卷推送至多个相关终端，可有效提高对不规范行为的监管效率以及相关人员的参与度，从而实现高效、高精度的食品加工安全监管。

Description

一种基于大数据分析的食安监管方法及存储介质

技术领域

本发明涉及食品安全监管技术领域，尤其涉及一种基于大数据分析的食安监管方法及存储介质。

背景技术

食品安全管理体系英文简称“ISO22000：2005”。随着经济全球化的发展、社会文明程度的提高，人们越来越关注食品的安全问题；要求生产、操作和供应食品的组织，证明自己有能力控制食品安全危害和那些影响食品安全的因素。顾客的期望、社会的责任，使食品生产、操作和供应的组织逐渐认识到，应当有标准来指导操作、保障、评价食品安全管理，这种对标准的呼唤，促使食品安全管理体系要求标准的产生。

标准既是描述食品安全管理体系要求的使用指导标准，又是可供食品生产、操作和供应的组织认证和注册的依据。

但是现有的食品安全监管依旧存在很多问题，例如学校食堂的卫生监管，由于食品加工过程较为复杂，无法标准化操作流程，只能够靠人工检测，这就大幅度提高了卫生监管的要求。

通常情况下，将会以监控摄像头的形式监管食品加工步骤，但是由于人力的局限性，以及监控视频的超大信息量，监管效果不佳。即现有的食品安全监管存在以下问题：

一、监管人员需要到现场检查，需要有大量的人力支撑，成本较高；

二、监控视频信息量过多，无法通过高频次取样数据提供监管结论支撑；

三、相关人员仅能够在事后查看监控录像，无法及时监管到食品安全，而且缺少互动性和参与感。

发明内容

本发明提供一种基于大数据分析的食安监管方法及存储介质，解决了现有的食安监管方法成本高、耗时耗力、对不规范行为的识别效率较低、相关监管人员参与度较低，无法实现高效的食品加工安全监管的技术问题。

为解决以上技术问题，本发明提供一种基于大数据分析的食安监管方法，包括步骤：

S1、采集现场图像，根据预设规则在所述现场图像中圈出感兴趣区域；

S2、对所述感兴趣区域进行特征识别，确定对应的监管目标及行为特征；

S3、根据第一策略判断所述行为特征是否符合预设行为规范，并生成第一监控列表；

S4、根据第二策略将所述感兴趣区域制作为监管问卷，推送至相关终端，并根据反馈的所述监管问卷生成第二监控列表；

S5、根据所述第一监控列表、所述第二监控列表进行大数据统计分析，得到监管报告。

本基础方案依托现场的监控设备，实时地采集现场图像进行安全性分析，可提高对食品加工区域(例如食堂)的监管力度，为提高监管的精确度，根据分别设计了第一策略和第二策略，用以实现智能识别和人工识别，其中，通过将现场图像中的感兴趣区域制作成碎片化的监管问卷推送至多个相关终端，可有效提高对不规范行为的监管效率以及相关人员的参与度，从而实现高效、高精度的食品加工安全监管。

在进一步的实施方案中，所述步骤S1包括：

S11、实时采集食品加工现场的现场图像；

S12、对比当前的所述现场图像与前一帧所述现场图像，以对比不一致的区块为中心进行曲线拟合，获取相对完整的动态区域；

S13、采用预设选框框选出所述动态区域得到感兴趣区域。

本方案根据现实加工过程的动态特性，对比前后帧现场图像中不一致的区域，随后进行曲线拟合，即可获取相对完整的动态区域，最后采用预设选框框选出动态区域得到感兴趣区域，可将信息量庞大的现场图像处理为碎片化的完整信息，从而降低在相关终端上的识别难度、简化监管问卷，提高相关人员的参与积极性。

在进一步的实施方案中，所述步骤S2包括：

S21、根据预先存储的工作人员或出入人员识别信息，对所述感兴趣区域进行特征识别确定对应的监管目标；

S22、根据深度学习算法识别所述感兴趣区域中所述监管目标的行为特征。

本方案根据实际的操作人员的识别信息，对碎片化的感兴趣区域进行进一步的特征识别，从而可将食品加工过程中的不规范行位进行精准定位；随后根据深度学习算法识别感兴趣区域中监管目标的行为特征，为下一步的智能识别提供识别基础。

在进一步的实施方案中，所述步骤S3包括：

S31、根据大数据分析设置预设行为标准，并与所述行为特征进行比对，进而判断所述监管目标是否符合预设行为规范，得到自动识别结果；

S32、实时的将图片采集时间、所述监管目标、所述行为特征和行为自动识别结果，填入列表生成第一监控列表。

本方案依托大数据分析的综合性，可公正的对监管目标的行为特征进行比对分析，从而公正判断监管目标是否符合预设行为规范；而实时结合将图片采集时间、监管目标、行为特征和行为自动识别结果生成第一监控列表，列表清晰明了有利于后期的监控查看。

在进一步的实施方案中，所述步骤S4包括：

S41、从所述现场图像中截取对应于所述感兴趣区域的问卷图片；

S42、将所述问卷图片整合到预设问卷模板中生成监管问卷，并根据第二策略推送至相关人员的移动终端；

S43、获取相关人员的问卷反馈，将所述监管问卷上的答案作为对应所述监管目标的行为判断结果；

S44、基于所述第一监控列表，综合所有的问卷反馈统计出问卷判断结果，生成第二监控列表。

本方案考虑到智能识别的局限性，增加增设了监管问卷的人工识别，通过将每一感兴趣区域制作成问卷图片并整合到预设问卷模板中生成监管问卷，分发至多个相关人员的移动终端中，利用现场图像的碎片化，将庞大的监控视频碎片化成简单的监管问卷，充分利用数量众多的相关人员进行的碎片化问卷问答，在完美覆盖所有监控视频的同时，还进一步提高对食品加工现场的监管力度与监管效率，同时还提高了相关人员的参与度。

在进一步的实施方案中，所述步骤S44具体为：

根据问卷反馈统计出答案比例，并计算答案为符合所述预设行为规范的问卷比例值，若所述问卷比例值大于预设阈值，则判断所述监管目标的行为符合所述预设行为规范，否则为不符合所述预设行为规范。

在进一步的实施方案中，所述步骤S5具体为：

对比所述问卷判断结果和所述自动识别结果，若两者一致且均为符合所述预设行为规范，则整合全部数据输出监管安全报告，否则输出监管隐患报告并进行告警。

在进一步的实施方案中，所述否则输出监管隐患报告并进行告警具体为：根据所述监管隐患报告的预警等级，将报警信息发送至相关监管部门，并通过声光报警纠偏所述监管目标的行为。

本方案根据智能识别和人工识别分别统计得出的自动识别结果和问卷判断结果，进行合理分析，并在监测到违规行为时及时进行纠错和上报，可有效提高食品安全卫生，给予用户更为健康、安全的使用体验。

在进一步的实施方案中，所述相关人员为学校学生家长、学校老师；

所述第二策略具体为，将不同的所述监管问卷分批次、交错的发送到多个所述相关人员的移动终端；其中每一所述相关人员获取所述监管问卷的时间间隔固定。

本方案针对学校食堂的重要性以及学生家长的关注度，设计了第二策略，通过将不同的监管问卷分批次、交错的发送到多个相关人员的移动终端，在保证学校食堂充分公开透明的同时给予了学生家长积极参与的入口，同时还降低了监管人员的监控难度，提高了食品加工监管的效率。

本发明还提供一种存储介质，其上存储有计算机程序，所述计算机程序用于实现上述一种基于大数据分析的食安监管方法。其中，存储介质可以是磁碟、光盘、只读存储器(Read Only Memory，ROM)或者随机存取器(Random Access Memory，RAM)等。

附图说明

图1是本发明实施例提供的一种基于大数据分析的食安监管方法的工作流程图。

具体实施方式

下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制，因为在不脱离本发明精神和范围基础上，可以对本发明进行许多改变。

实施例1

本发明实施例提供的一种基于大数据分析的食安监管方法，如图1所示，在本实施例中，包括步骤：

S1、采集现场图像，根据预设规则在现场图像中圈出感兴趣区域，包括：

S11、通过监控摄像头实时采集食品加工现场的现场图像；

S12、对比当前的现场图像与前一帧现场图像，以对比不一致的区块为中心进行曲线拟合，获取相对完整的动态区域。

具体的，当对比得到任一工作人员的手和脚均挪动了位置，但躯干未动，此时检测到了对应的两个区块，经过曲线拟合后，可将得到一个完整的人体区域图像。

S13、采用预设选框框选出动态区域得到感兴趣区域。

在本实施例中，感兴趣区域实际上选择的是食安预监管区域，例如食品加工区域、食品储存区域等会对食品卫生产生影响需要监管的区域。

本实施例根据现实加工过程的动态特性，对比前后帧现场图像中不一致的区域，随后进行曲线拟合，即可获取相对完整的动态区域，最后采用预设选框框选出动态区域得到感兴趣区域，可将信息量庞大的现场图像处理为碎片化的完整信息，从而降低在相关终端上的识别难度、简化监管问卷，提高相关人员的参与积极性。

S2、对感兴趣区域进行特征识别，确定对应的监管目标及行为特征，包括：

S21、根据预先存储的工作人员或出入人员识别信息，对感兴趣区域进行特征识别确定对应的监管目标；

S22、根据深度学习算法识别感兴趣区域中监管目标的行为特征。

在本实施例中，根据深度学习算法识别监管目标的行为特征，仅为一种举例，用户可采用任一现有的基于模板的方法、基于概率统计的方法和基于语义的方法等算法进行识别。以上算法均采用的是现有技术手段，在本实施例中不再赘述。

本实施例根据实际的操作人员的识别信息，对碎片化的感兴趣区域进行进一步的特征识别，从而可将食品加工过程中的不规范行位进行精准定位；随后根据深度学习算法识别感兴趣区域中监管目标的行为特征，为下一步的智能识别提供识别基础。

S3、根据第一策略判断行为特征是否符合预设行为规范，并生成第一监控列表，包括：

S31、根据大数据分析设置预设行为标准，并与行为特征进行比对，进而判断监管目标是否符合预设行为规范，得到自动识别结果；

S32、实时的将图片采集时间、监管目标、行为特征和行为自动识别结果，填入列表生成第一监控列表。

本实施例依托大数据分析的综合性，可公正的对监管目标的行为特征进行比对分析，从而公正判断监管目标是否符合预设行为规范；而实时结合将图片采集时间、监管目标、行为特征和行为自动识别结果生成第一监控列表，列表清晰明了有利于后期的监控查看。

S4、根据第二策略将感兴趣区域制作为监管问卷，推送至相关终端，并根据反馈的监管问卷生成第二监控列表，包括：

S41、从现场图像中截取对应于感兴趣区域的问卷图片；

S42、将问卷图片整合到预设问卷模板中生成监管问卷，并根据第二策略推送至相关人员的移动终端；

在本实施例中，相关人员为学校学生家长、学校老师；

第二策略具体为，将不同的监管问卷分批次、交错的发送到多个相关人员的移动终端；其中每一相关人员获取监管问卷的时间间隔固定。

例如，以相关人员仅为800学生家长、摄像头录像25帧每秒、5个食堂的工作人员(监管目标)为例；

将25帧中的5个工作人员的食品加工图像分为125张问卷图片，其中可将125张问卷图片按照5个工作人员分类为25组监管问卷，或者按照每一组监管问卷均包括5个工作人员分类为25组监管问卷。

此时，可将每一秒中的25组监管问卷分发至800学生家长中的100学生家长的手机终端，如此每一家长最短也可间隔8秒进行问卷调查。

当然由于一秒之内动作变化幅度不会太大，可每秒节选出一帧现场图像，那么两次问卷调查的间隔时间可增加至200秒。还可以或者将每一份监管问卷中的问卷图片增加至10张，从而增大两次问卷调查之间的间隔时间。

以上监管问卷的数量和内容、每秒节选的现场图像数量，可根据相关人员的数量、适宜的间隔时间以及食品总加工时长(食堂工作时间)等因素进行适当的调整。

本实施例针对学校食堂的重要性以及学生家长的关注度，设计了第二策略，通过将不同的监管问卷分批次、交错的发送到多个相关人员的移动终端，在保证学校食堂充分公开透明的同时给予了学生家长积极参与的入口，同时还降低了监管人员的监控难度，提高了食品加工监管的效率。

S43、获取相关人员的问卷反馈，将监管问卷上的答案作为对应监管目标的行为判断结果；

S44、基于第一监控列表，综合所有的问卷反馈统计出问卷判断结果，生成第二监控列表，具体为：

根据问卷反馈统计出答案比例，并计算答案为符合预设行为规范的问卷比例值，若问卷比例值大于预设阈值，则判断监管目标的行为符合预设行为规范，否则为不符合预设行为规范。此预设阈值可根据相关人员的意见进行设置，例如80％、90％。

本实施例考虑到智能识别的局限性，增加增设了监管问卷的人工识别，通过将每一感兴趣区域制作成问卷图片并整合到预设问卷模板中生成监管问卷，分发至多个相关人员的移动终端中，利用现场图像的碎片化，将庞大的监控视频碎片化成简单的监管问卷，充分利用数量众多的相关人员进行的碎片化问卷问答，在完美覆盖所有监控视频的同时，还进一步提高对食品加工现场的监管力度与监管效率，同时还提高了相关人员的参与度。

S5、根据第一监控列表、第二监控列表进行大数据统计分析，得到监管报告，具体为：

对比问卷判断结果和自动识别结果，若两者一致且均为符合预设行为规范，则整合全部数据输出监管安全报告，否则输出监管隐患报告并进行告警。

在本实施例中，否则输出监管隐患报告并进行告警具体为：根据监管隐患报告的预警等级，将报警信息发送至相关监管部门，并通过声光报警纠偏监管目标的行为。

本实施例根据智能识别和人工识别分别统计得出的自动识别结果和问卷判断结果，进行合理分析，并在监测到违规行为时及时进行纠错和上报，可有效提高食品安全卫生，给予用户更为健康、安全的使用体验。

本发明实施例依托现场的监控设备，实时地采集现场图像进行安全性分析，可提高对食品加工区域(例如食堂)的监管力度，为提高监管的精确度，根据分别设计了第一策略和第二策略，用以实现智能识别和人工识别，其中，通过将现场图像中的感兴趣区域制作成碎片化的监管问卷推送至多个相关终端，可有效提高对不规范行为的监管效率以及相关人员的参与度，从而实现高效、高精度的食品加工安全监管。

实施例2

本发明实施例还提供一种存储介质，其上存储有计算机程序，计算机程序用于实现上述实施例1中的一种基于大数据分析的食安监管方法。其中，存储介质可以是磁碟、光盘、只读存储器(Read Only Memory，ROM)或者随机存取器(Random Access Memory，RAM)等。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.一种基于大数据分析的食安监管方法，其特征在于，包括步骤：

S1、采集现场图像，根据预设规则在所述现场图像中圈出感兴趣区域；

S2、对所述感兴趣区域进行特征识别，确定对应的监管目标及行为特征；

S3、根据第一策略判断所述行为特征是否符合预设行为规范，并生成第一监控列表；

S4、根据第二策略将所述感兴趣区域制作为监管问卷，推送至相关终端，并根据反馈的所述监管问卷生成第二监控列表；

S5、根据所述第一监控列表、所述第二监控列表进行大数据统计分析，得到监管报告；

所述步骤S3包括：

S31、根据大数据分析设置预设行为标准，并与所述行为特征进行比对，进而判断所述监管目标是否符合预设行为规范，得到自动识别结果；

S32、实时的将图片采集时间、所述监管目标、所述行为特征和行为自动识别结果，填入列表生成第一监控列表；

所述步骤S4包括：

S41、从所述现场图像中截取对应于所述感兴趣区域的问卷图片；

S42、将所述问卷图片整合到预设问卷模板中生成监管问卷，并根据第二策略推送至相关人员的移动终端；

S43、获取相关人员的问卷反馈，将所述监管问卷上的答案作为对应所述监管目标的行为判断结果；

S44、基于所述第一监控列表，综合所有的问卷反馈统计出问卷判断结果，生成第二监控列表；

所述步骤S5具体为：

对比所述问卷判断结果和所述自动识别结果，若两者一致且均为符合所述预设行为规范，则整合全部数据输出监管安全报告，否则输出监管隐患报告并进行告警。

2.如权利要求1所述的一种基于大数据分析的食安监管方法，其特征在于，所述步骤S1包括：

S11、实时采集食品加工现场的现场图像；

S12、对比当前的所述现场图像与前一帧所述现场图像，以对比不一致的区块为中心进行曲线拟合，获取相对完整的动态区域；

S13、采用预设选框框选出所述动态区域得到感兴趣区域。

3.如权利要求1所述的一种基于大数据分析的食安监管方法，其特征在于，所述步骤S2包括：

S21、根据预先存储的工作人员或出入人员识别信息，对所述感兴趣区域进行特征识别确定对应的监管目标；

S22、根据深度学习算法识别所述感兴趣区域中所述监管目标的行为特征。

4.如权利要求1所述的一种基于大数据分析的食安监管方法，其特征在于，所述步骤S44具体为：

根据问卷反馈统计出答案比例，并计算答案为符合所述预设行为规范的问卷比例值，若所述问卷比例值大于预设阈值，则判断所述监管目标的行为符合所述预设行为规范，否则为不符合所述预设行为规范。

5.如权利要求1所述的一种基于大数据分析的食安监管方法，其特征在于，所述否则输出监管隐患报告并进行告警具体为：根据所述监管隐患报告的预警等级，将报警信息发送至相关监管部门，并通过声光报警纠偏所述监管目标的行为。

6.如权利要求1所述的一种基于大数据分析的食安监管方法，其特征在于：

所述相关人员为学校学生家长、学校老师；

所述第二策略具体为，将不同的所述监管问卷分批次、交错的发送到多个所述相关人员的移动终端；其中每一所述相关人员获取所述监管问卷的时间间隔固定。

7.一种存储介质，其上存储有计算机程序，其特征在于：所述计算机程序用于实现权利要求1-6任一项所述的一种基于大数据分析的食安监管方法。