基于大数据的食品安全智能监管模型研究 .pdfVIP

食品科技

取以下技术手段。①监管数据集划分，将收集的送预警信息给相关监管部门。

3000条监管数据按7.0∶1.5∶1.5的比例分为训练3.4讨论

集、验证集和测试集。②五折交叉验证，将测试集3.4.1模型效果分析

五等分，每次使用其中4份作为训练，1份作为验证，实验结果证明，构建的基于深度学习的食品

循环5次。③指标计算，在交叉验证的每轮测试中，安全智能监管模型可以实现海量监管数据的有效自

分别计算准确率和召回率。④模型对比，将构建模动解析。在文本处理方面，模型平均准确率超过

型的结果与基准模型进行比较，验证其优劣。87%，关键信息提取准确；在图像处理方面，模型平

通过上述评估流程，可以全面考察模型的监管均准确率超过91%，视觉要素识别准确。案例分析

效果。准确率和召回率直观地反映了模型的精确度也显示模型能够快速分析监管通报和现场图片，并

和覆盖面，交叉验证保证了结果的稳健性，与基准结合知识图谱推断出事件风险。相较于传统人工分

对比可直观展示模型的优点。析监管信息的方式，该智能监管模型可大大提高分

析效率。

3结果与分析

然而，模型的健壮性和可拓展性还需进一步提

3.1模型构建结果高。当前模型对新颖未知类别的食品安全事件，解

根据前述方法，本研究构建了基于大数据与深析效果会略低于已知类别，需要增强模型对新知识

度学习的食品安全智能监管模型。该模型整合实际的感知能力；不同地区和部门的数据格式存在差异，

监管数据3000条，采用LSTM、BERT算法实现文直接迁移模型的适应性还可提升；若应用到实际在

本数据处理，采用CNN、YOLO算法实现图像数据线监控等场景，也需要压缩模型大小、优化推理速

处理，并构建关联知识图谱。经训练和调优，相关度等。因此，后续研究可继续丰富样本、进行集成

算法取得了良好的处理效果。学习以及探索模型的轻量化。

3.2模型评估结果3.4.2提高模型的可解释性和透明度

为评估构建模型的智能处理效果，选取已标注为确保非技术人员理解模型的决策过程，本研

结果的500条监管数据进行测试，其中包含300条究引入了模型解释工具，如局部可理解的与模型无

文本数据、200条图像数据。文本数据经算法处理后关的解释技术（LocalInterpretableModel-Agnostic

的平均准确率达87.3%，图像数据经算法处理后的平Explanations，LIME）和Shapley可加性解释（SHapley

均准确率达91.2%。考虑到监管数据涉及食品种类繁AdditiveexPlanations，SHAP）等，来解释模型的决策

多、内容表达复杂，这一准确率表明文本与图像处逻辑。通过这些工具，非技术人员可以清晰看到模

理模块可以基本满足智能解析的需求。另外，文本型在做决策时是如何权衡各种输入特征的，从而使

模块的召回率可达83.1%，图像模块的召回率可达模型的决策更加透明。

85.7%，相关结果显示构建的模型具有较强的监管数3.4.3模型的局限性分析

[14]

据处理与风险识别能力。本模型在食品安全监管上