基于人工智能的食品质量分析系统及方法

技术领域

本发明涉及食品质量分析技术领域，具体地说，涉及基于人工智能的食品质量分析系统及方法。

背景技术

在现实市场中，食品质量与人的生命和健康密切相关，所以市场监管部门需要花大量的人力资源进行检查食品质量安全问题。

随着科技的发展，有了食品质量分析系统，虽然这样可以减少不合格的食品流入市场，但还是没有提高食品质量的问题，而且市场还会潜在一些食品安全风险，这些食品中潜在危害物质、微生物和其他污染物，在现有的食品质量分析系统中既不能大大的提高了食品质量问题，也不能根据大量的食品数据智分析后，更不能智能化生产一个更具有科学性和食品质量更安全的食品方案。

发明内容

本发明的目的在于提供基于人工智能的食品质量分析系统及方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明目的之一在于，提供了基于人工智能的食品质量分析系统，包括收集处理单元、特征工程单元、分析划分单元、建模优化单元；

所述收集处理单元用于收集数据，并对收集后的数据进行预处理操作，将预处理操作后的数据传入特征工程单元中，同时将收集处理单元中收集后的数据向建模优化单元中传输；

所述特征工程单元用于接收预处理操作后的数据，并对预处理操作后的数据进行提取和结合，将提取和结合后的数据分别传入分析划分单元、建模优化单元中；

所述分析划分单元用于接收提取和结合后的数据，并对提取和结合后的数据进行分析划分，将分析划分后的数据传入建模优化单元中；

所述建模优化单元用于接收收集处理单元中的收集后的数据，接收特征工程单元中的提取和结合后的数据、接收分析划分单元中的分析划分后的数据，并对收集后的数据、提取和结合后的数据和分析划分后的数据进行改进优化；

所述建模优化单元接收到收集后的数据、提取和结合后的数据、分析划分后的数据时，并对收集后的数据、提取和结合后的数据、分析划分后的数据进行改进优化，将改进优化后的数据传入分析划分单元中，分析划分单元对改进优化后的数据进行再次分析。

作为本技术方案的进一步改进，收集处理单元包括数据收集模块和预处理模块，数据收集模块用于收集食品数据，将收集后的食品数据分别传入预处理模块和建模优化单元中，预处理模块用于接收收集后的食品数据，并对收集后的食品数据进行预处理操作，将预处理操作后的数据传入特征工程单元中。

作为本技术方案的进一步改进，特征工程单元包括特征提取模块和特征结合模块，特征提取模块用于接收预处理模块中预处理操作后的食品数据，并对预处理操作后的食品数据进行特征提取，将特征提取后的食品数据分别传入特征结合模块和分析划分单元中，特征结合模块用于接收特征提取后的食品数据，并对特征特征提取后的食品数据进行特征结合，将特征结合后的食品数据传入建模优化单元中。

作为本技术方案的进一步改进，分析划分单元包括数据分析模块，数据分析模块用于接收特征提取模块中特征提取后的食品数据，并对特征提取后的食品数据进行分析，将分析后的食品数据传入建模优化单元中。

作为本技术方案的进一步改进，分析划分单元还包括食品分类模块，建模优化单元包括建模显示模块和改进优化模块，改进优化模块用于接收数据收集模块中收集后的食品数据，接收特征结合模块中特征结合后的食品数据，接收数据分析模块中分析后的食品数据，并对收集后的食品数据、特征结合后的食品数据和分析后的食品数据进行改进优化，将改进优化后的食品数据传入数据分析模块中，食品分类模块用于接收数据分析模块中分析改进优化后的食品数据，并对分析改进优化后的食品数据进行食品分类，建模显示模块用于接收食品分类模块中分类后的改进优化食品数据，并对分类后的改进优化食品数据进行建立模板数据，将模板数据进行显示，同时还接收数据分析模块中分析后的食品数据。

作为本技术方案的进一步改进，改进优化模块接收集后的食品数据、特征结合后的食品数据和分析后的食品数据，并对收集后的食品数据、特征结合后的食品数据和分析后的食品数据进行改进优化，将改进优化后的食品数据传入数据分析模块中，数据分析模块对改进优化后的食品数据进行再次分析。

本发明目的之二在于，提供了一种用于操作包括上述任意一项所述的基于人工智能的食品质量分析系统的方法，包括如下方法步骤：

S1、收集处理单元收集食品数据,并对收集后的食品数据进行预处理操作，将预处理操作后的食品数据传入特征工程单元中。

S2、特征工程单元接收预处理操作后的食品数据，并对预处理操作后的食品数据进行特征提取，将特征提取后的食品数据进行特征结合，同时将特征提取后的食品数据传入分析划分单元中，特征结合后的食品数据传入建模优化单元中。

S3、分析划分单元接收特征提取后的食品数据，并对特征提取后的食品数据进行分析，将分析后的食品数据传入建模优化单元中，并对分析后的食品数据进行改进优化，再将改进优化后的食品数据传入分析划分单元中，对改进优化后的食品数据进行再次分析，同时对再次分析后的食品数据进行分类，将分类后的食品数据传入建模优化单元中，并对分类后的食品数据进行建模显示。

与现有技术相比，本发明的有益效果：

1、该基于人工智能的食品质量分析系统及方法中，改进优化模块接收集后的食品数据、特征结合后的食品数据和分析后的食品数据，并根据收集后的食品数据、特征结合后的食品数据和分析后的食品数据进行改进优化，生成一个更具有科学依据的食品方案，改进优化不仅可以确保食品质量和安全性符合标准和法规，还有效的保障了食品质量安全和消费者的健康，提高了食品质量，再将改进优化后的食品数据传入数据分析模块中，数据分析模块对改进优化后的食品数据进行再次分析，这有助于减少潜在食品质量中的健康风险。

附图说明

图1为本发明的整体框图；

图2为本发明的收集处理单元框图；

图3为本发明的特征工程单元框图；

图4为本发明的分析划分单元框图；

图5为本发明的建模优化单元框图。

图中各个标号意义为：

1、收集处理单元；11、数据收集模块；12、预处理模块；

2、特征工程单元；21、特征提取模块；22、特征结合模块；

3、分析划分单元；31、数据分析模块；32、食品分类模块；

4、建模优化单元；41、建模显示模块；42、改进优化模块。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

请参阅图1-图5所示，本实施例目的之一在于，提供了基于人工智能的食品质量分析系统，包括收集处理单元1、特征工程单元2、分析划分单元3、建模优化单元4；

考虑到食品质量与人的生命和健康密切相关，所以市场监管部门需要花大量的人力资源进行检查食品质量安全问题，但市场还会潜在一些食品安全风险，于是我们提供了基于人工智能的食品质量分析系统，该系统的收集处理单元1用于收集数据，并对收集后的数据进行预处理操作，将预处理操作后的数据传入特征工程单元2中，同时将收集处理单元1中收集后的数据向建模优化单元4中传输，特征工程单元2用于接收预处理操作后的数据，并对预处理操作后的数据进行提取和结合，将提取和结合后的数据分别传入分析划分单元3、建模优化单元4中，分析划分单元3用于接收提取和结合后的数据，并对提取和结合的数据进行分析划分，将分析划分后的数据传入建模优化单元4中，建模优化单元4用于接收收集处理单元1中的收集后的数据，接收特征工程单元2中的提取和结合后的数据、接收分析划分单元3中的分析划分后的数据，并对收集后的数据、提取和结合后的数据和分析划分后的数据进行改进优化；

建模优化单元4接收到收集后的数据、提取和结合后的数据、分析划分后的数据时，并对收集后的数据、提取和结合后的数据、分析划分后的数据进行改进优化，将改进优化后的数据传入分析划分单元3中，分析划分单元3对改进优化后的数据进行再次分析。

以下对上述单元进行细化，请参考图2-图5所示；

收集处理单元1包括数据收集模块11和预处理模块12；

数据收集模块11用于收集食品数据，利用各种不同的渠道收集大量的相关食品数据，不同的渠道包括数据提供商、公开数据集、网站爬虫、API接口等方式获取大量食品数据，也可以与食品生产商、检测机构、相关研究机构等建立合作关系，获取大量食品数据，大量的食品数据包括食品成分、食品生产信息、食品检测指标，食品成分包括营养成分（如蛋白质、维生素）、添加剂（如防腐剂、色素）、残留物（如农药残留、兽药残留）、过敏原（如麦麸、坚果），食品生产信息包括产地（食品的原产国家/地区）、生产工艺（如食品的加工方法、原料来源、保存方式、包装规格）、生产日期和保质期（如食品的生产日期和有效期限）、生产厂家/供应商信息（如食品生产厂家/供应商的名称、地址、联系方式）,食品检测指标包括微生物指标（如大肠菌群、沙门氏菌）、残留物指标（如农药残留、兽药残留）、食品接触材料指标（如塑化剂、重金属）、营养成分和标签指标（检测食品成分是否与标签声明一致）、功能性成分指标（如抗氧化物、抗菌成分），还可以收集食品消费者的意见、喜好、满意度、销售数量、退货率、配送时效，便于改进优化模块42根据这些消费者的反馈对食品方案进行改进优化，将收集后的食品数据分别传入预处理模块12和建模优化单元4中。

预处理模块12用于接收收集后的食品数据，并对收集后的食品数据进行预处理操作，预处理操作包括数据去重（利用SQL语言中的去重功能去除收集后的数据中的重复记录，以保证数据的唯一性）、缺失值处理（检查收集后的数据中是否存在缺失值，当存在缺失值可以根据实际情况选择合适的方法处理缺失值，如删除缺失值、插值填充或使用特定值替代）、异常值处理（异常值可能是数据采集或记录错误所致，可以通过视觉检查或使用统计方法（如3σ原则）识别和处理异常值）、数据标准化（确保数据的格式一致性，统一标准单位（将所有的重量数据转换为克，所有的能量数据转换为千卡）和命名规范（将相同食品的不同拼写统一为统一的标准名称））、计算食品的营养成分、数据整合（将多个数据源的数据整合到一个一致的数据集），3σ原则是指统计学中的一种规则，也称为“68-95-99.7”规则，它基于正态分布的性质，表明在一个符合正态分布的数据集中，约有68%的数据落在平均值（μ）加减一个标准差（σ）的范围内，约有95%的数据落在平均值加减两个标准差的范围内，约有99.7%的数据落在平均值加减三个标准差的范围内，该系统中的食品数据在经过预处理操作后，减少了食品数据中的大量误差，确保了食品数据的高质量和可靠性，便于后面的改进优化模块42根据这些预处理操作后的高质量的食品数据进行改进优化，从而提供了一个更具有科学依据的食品方案，有效的保障了食品质量安全和消费者的健康，将预处理操作后的数据传入特征工程单元2中。

特征工程单元2包括特征提取模块21和特征结合模块22；

特征提取模块21用于接收预处理模块12中预处理操作后的食品数据，并对预处理操作后的食品数据进行特征提取，选择合适的特征进行提取，如统计特征提取、频域特征提取（基于对食品领域知识和研究背景的理解，选择可能与预测目标相关的特征，了解特定食品属性、加工方法、成分等对目标变量的影响可以指导特征选择）、图像特征提取（将不同的图像特征进行组合，如颜色特征、纹理特征和形状特征可以结合在一起，以获得更准确的食品分类和识别结果）、文本特征提取（将不同的文本特征进行组合，如食品名称、食材列表、营养成分和食谱说明可以结合在一起，以得到更全面的食品描述），根据食品成分或生产信息，提取相关的特征，如食品成分、食品生产信息、食品检测指标，提取的食品数据便于后续的分析，将特征提取后的食品数据分别传入特征结合模块22和分析划分单元3中，特征结合模块22用于接收特征提取后的食品数据，并对特征特征提取后的食品数据进行特征结合，将不同特征进行组合，生成新的特征，便于后面的改进优化模块42根据新的特征数据进行改进优化，生成一个食品质量更高的食品生产方法，将特征结合后的食品数据传入建模优化单元4中。

分析划分单元3包括数据分析模块31，数据分析模块31用于接收特征提取模块21中特征提取后的食品数据，并对特征提取后的食品数据进行分析，分析包含食品安全性分析（检测食品中的潜在有害物质（如重金属、农药残留）或微生物（如细菌、寄生虫））、营养成分分析（测定食品中的各种营养成分，如蛋白质、维生素）、生化指标分析（分析食品中的生化指标，如pH值、水分含量）、官能品质分析（通过人体感官反应评估食品的外观、口感、风味）、标签和声明分析（验证食品包装上的标签和营养声明是否准确、合法和符合相关法规和规定）、食品加工过程监测（分析食品的生产加工过程，并监测相关参数（如温度、湿度、时间）的控制）、检测食品欺诈（通过对食品中的成分、指标和特殊标记的检测，防止和识别食品欺诈行为，如掺假、伪造、虚假宣传），利用逻辑回归数学算法分析出食品数据是否含有掺假、伪造、虚假宣传、不合法、潜在的有害物质、指标不达标的问题，当分析出食品数据中有掺假、伪造、虚假宣传、不合法、潜在的有害物质、指标不达标的问题，都标记为不合格，并利用建模显示模块41通知显示出该食品不合格，将市场中所有该食品进行下架追溯处理，并对生产该食品的厂家进行处罚，这样不仅保障了消费者的权益和食品质量安全，还能确保食品提供给消费者的是安全、合格、营养丰富的产品，将分析后的食品数据传入建模优化单元4中；

逻辑回归数学算法公式：

在这个公式中，p表示分析食品的标准，z表示输入特征组合的结果，e表示自然对数的底，其值约为2.71828，该公式可以预测食品是否符合某项标准，可以降低该食品中的潜在危险，提高了食品质量和消费者的健康问题。

分析划分单元3还包括食品分类模块32，建模优化单元4包括建模显示模块41和改进优化模块42；

改进优化模块42用于接收数据收集模块11中收集后的食品数据，接收特征结合模块22中特征结合后的食品数据，接收数据分析模块31中分析后的食品数据，并对收集后的食品数据、特征结合后的食品数据和分析后的食品数据进行改进优化，根据收集食品消费者的意见、喜好、满意度、销售数量、退货率、配送时效，特征结合后的食品数据和分析后的食品数据对食品的进行改进优化，可以对该食品的生产方法进行改进优化，如调节温度、改变配料，在改进和优化食品时，可以适当的保留和尊重地方文化和传统食品的特点，对生产食品方法进行不断改进和创新，从而生成一个更具有科学依据的食品方案，这样不仅可以提高食品质量和安全性，还增加了增加消费者信任和满意度，将改进优化后的食品数据传入数据分析模块31中，食品分类模块32用于接收数据分析模块31中分析改进优化后的食品数据，并对分析改进优化后的食品数据进行食品分类，建模显示模块41用于接收食品分类模块32中分类后的改进优化食品数据，并对分类后的改进优化食品数据进行建立模板数据，模板数据包括分类后的食品、食品成分、食品生产信息、食品检测指标，将模板数据进行显示，同时接收数据分析模块31中分析后的食品数据。将显示出的模板数据利用非关系型数据库进行存储，便于食品数据的管理和查询，非关系型数据库是相对于传统关系型数据库而言的一类数据库系统，与关系型数据库使用结构化的表格和SQL查询语言进行数据存储和查询不同，非关系型数据库采用的是更灵活的数据存储方式，适用于处理半结构化和非结构化数据。

改进优化模块42接收集后的食品数据、特征结合后的食品数据和分析后的食品数据，并对收集后的食品数据、特征结合后的食品数据和分析后的食品数据进行改进优化，得出一个新的生产食品方案，将改进优化后的食品数据传入数据分析模块31中，数据分析模块31对改进优化后的食品数据进行再次分析，这样可以及时发现新食品方案中的潜在危险，加大了对食品质量的把控，得出更精准的食品数据，从而得出更加准确的食品方案，大大提高了食品的高质量品质。

使用流程：

数据收集模块11收集食品数据，将收集后的食品数据传入预处理模块12和改进优化模块42中，预处理模块12接收收集后的食品数据并进行将预处理操作，特征提取模块21接收预处理操作后的食品数据，并对预处理操作后的食品数据进行特征提取和特征结合，将特征提取后的食品数传入数据分析模块31中，特征结合后的食品数据传入改进优化模块42中，数据分析模块31接收特征提取后的食品数据，并对特征提取后的食品数据进行分析，将分析后的食品数据传入改进优化模块42中。

改进优化模块42接收收集后的食品数据，接收特征结合后的食品数据，接收分析后的食品数据，并对收集后的食品数据、特征结合后的食品数据和分析后的食品数据进行改进优化，将改进优化后的食品数据传入数据分析模块31中，数据分析模块31对改进优化后的食品数据进行再次分析，将再次分析后的改进优化食品数据传入食品分类模块32中，食品分类模块32接收再次分析后的改进优化食品数据并进行食品分类，将分类后的改进优化食品数据传入建模显示模块41中，建模显示模块41接收分类后的改进优化食品数据，并对分类后的改进优化食品数据进行建立模板数据，将模板数据进行显示，同时接收数据分析模块31中分析后的食品数据。

本发明目的之二在于，提供了一种用于操作包括上述任意一项所述的基于人工智能的食品质量分析系统的方法，包括如下方法步骤：

S1、收集处理单元1收集食品数据,并对收集后的食品数据进行预处理操作，将预处理操作后的食品数据传入特征工程单元2中。

S2、特征工程单元2接收预处理操作后的食品数据，并对预处理操作后的食品数据进行特征提取，将特征提取后的食品数据进行特征结合，同时将特征提取后的食品数据传入分析划分单元3中，特征结合后的食品数据传入建模优化单元4中。

S3、分析划分单元3接收特征提取后的食品数据，并对特征提取后的食品数据进行分析，将分析后的食品数据传入建模优化单元4中，并对分析后的食品数据进行改进优化，再将改进优化后的食品数据传入分析划分单元3中，对改进优化后的食品数据进行再次分析，同时对再次分析后的食品数据进行分类，将分类后的食品数据传入建模优化单元4中，并对分类后的食品数据进行建模显示。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。