图
1摇
食品安全实时监理架构
Fig. 1摇 Real time surveillance architecture of food safety
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
2摇 Storm
实时处理模型
Fig. 2摇 Storm real鄄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摇
食品安全监理实时分析预测模型
3郾 1摇
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
57
第
33
卷 第
3
期
摇 摇 摇 摇 摇 摇 摇 摇 摇 摇
韩福霞等
:
基于云服务的食品安全监理实时化研究
