王軒 張艾蕾

摘 要：針對(duì)食品安全大數(shù)據(jù)時(shí)代的監(jiān)管需求，本研究構(gòu)建了基于深度學(xué)習(xí)的全流程智能監(jiān)管模型。該模型可實(shí)現(xiàn)監(jiān)管數(shù)據(jù)自動(dòng)采集、食品安全事件精確識(shí)別，并通過(guò)知識(shí)圖譜進(jìn)行智能風(fēng)險(xiǎn)判斷，大大提高了食品安全監(jiān)管效率。本研究首次實(shí)現(xiàn)了食品安全領(lǐng)域從采集到預(yù)警的自動(dòng)化智能監(jiān)管，為構(gòu)建智能化監(jiān)管體系提供了重要借鑒。

關(guān)鍵詞：食品安全；大數(shù)據(jù)；智能監(jiān)管；模型

Research on Intelligent Food Safety Supervision Model Based on Big Data

WANG Xuan， ZHANG Ailei*

（Tianjin Institute of Food Safety Testing Technology， Tianjin 300308， China）

Abstract： In response to the regulatory requirements in the era of big data for food safety， this study constructs an end-to-end intelligent regulatory model based on deep learning. The model achieves automatic collection of regulatory data， accurate identification of food safety incidents， and intelligent risk judgment through knowledge graphs， which greatly improves the efficiency of food safety regulation. This is the first study to realize automated intelligent regulation from collection to early warning in the field of food safety， thus providing important reference for building an intelligent regulatory system.

Keywords： food safety; big data; intelligent supervision; model

食品作為人類賴以生存的基本必需品，其安全關(guān)系到國(guó)計(jì)民生。當(dāng)前我國(guó)正處于食品工業(yè)快速發(fā)展期，食品安全形勢(shì)日趨復(fù)雜嚴(yán)峻，僅2021年我國(guó)就發(fā)生食品質(zhì)量安全事件超過(guò)30起。與此同時(shí)，食品安全監(jiān)管工作面臨海量、多源異構(gòu)數(shù)據(jù)的挑戰(zhàn)，迫切需要利用大數(shù)據(jù)技術(shù)實(shí)現(xiàn)智能化監(jiān)管，以提升監(jiān)管效率與準(zhǔn)確性。當(dāng)前人工智能技術(shù)飛速發(fā)展，其中圖像識(shí)別、自然語(yǔ)言處理等技術(shù)在文本和圖像處理上展現(xiàn)出巨大優(yōu)勢(shì)，為大數(shù)據(jù)驅(qū)動(dòng)的智能監(jiān)管應(yīng)用提供了技術(shù)支撐。因此，研究構(gòu)建面向大數(shù)據(jù)的食品安全智能監(jiān)管模型，實(shí)現(xiàn)監(jiān)管信息的智能采集、處理和預(yù)警，對(duì)推進(jìn)監(jiān)管數(shù)字化轉(zhuǎn)型具有重要意義。隨著食品安全監(jiān)管進(jìn)入大數(shù)據(jù)時(shí)代，相關(guān)智能化研究成為熱點(diǎn)[1]。但是多源異構(gòu)數(shù)據(jù)的深度融合與食品安全全流程的智能化研究還比較缺乏。因此，設(shè)計(jì)一套處理海量監(jiān)管數(shù)據(jù)的智能分析與決策支持系統(tǒng)，是當(dāng)前食品安全智能監(jiān)管面臨的核心挑戰(zhàn)與發(fā)展方向。

1 食品安全智能監(jiān)管相關(guān)研究進(jìn)展

針對(duì)食品安全大數(shù)據(jù)環(huán)境下的智能監(jiān)管問(wèn)題，國(guó)內(nèi)外學(xué)者進(jìn)行了一些有益探索。CUADROS-RODR?GUEZ等[2]設(shè)計(jì)了食品安全監(jiān)測(cè)系統(tǒng)，實(shí)現(xiàn)了對(duì)網(wǎng)絡(luò)文本信息的采集和食品安全事件的自動(dòng)提取。ESSLINGER等[3]開(kāi)發(fā)了食品安全知識(shí)圖譜，并設(shè)計(jì)相應(yīng)的問(wèn)答系統(tǒng)，以知識(shí)圖譜強(qiáng)化食品安全監(jiān)管。此外，一些學(xué)者探索了食品安全圖像的智能解析。例如，高岷舟等[4]設(shè)計(jì)了檢測(cè)食品標(biāo)簽的卷積神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了對(duì)食品添加劑的自動(dòng)識(shí)別。

綜上，已有研究分別從文本處理和圖像處理兩個(gè)方面，采用自然語(yǔ)言處理、計(jì)算機(jī)視覺(jué)等技術(shù)對(duì)食品安全信息進(jìn)行智能分析，但綜合利用多源異構(gòu)數(shù)據(jù)的食品安全智能監(jiān)管模型研究還較少。本研究試圖構(gòu)建基于大數(shù)據(jù)與深度學(xué)習(xí)的食品安全智能監(jiān)管模型，以期實(shí)現(xiàn)監(jiān)管信息的全面智能處理和風(fēng)險(xiǎn)預(yù)警。

2 研究方法

2.1 模型構(gòu)建方法

2.1.1 監(jiān)管數(shù)據(jù)集構(gòu)建

本研究構(gòu)建了一個(gè)綜合性的食品安全監(jiān)管數(shù)據(jù)集，其中包含國(guó)家或地方市場(chǎng)監(jiān)督管理局發(fā)布的食品安全公告、快速預(yù)警信息、檢查通報(bào)等文本數(shù)據(jù)，以及食品生產(chǎn)現(xiàn)場(chǎng)、產(chǎn)品照片等監(jiān)管圖像數(shù)據(jù)。在數(shù)據(jù)采集過(guò)程中，利用爬蟲(chóng)程序定向爬取官方網(wǎng)站公告信息，利用搜索引擎按關(guān)鍵詞檢索網(wǎng)絡(luò)公開(kāi)圖像，對(duì)數(shù)據(jù)進(jìn)行清洗整理，最終獲得一個(gè)規(guī)模3 000條、格式統(tǒng)一、標(biāo)簽完善的食品安全監(jiān)管數(shù)據(jù)集，見(jiàn)表1。該數(shù)據(jù)集涵蓋了典型的文本類數(shù)據(jù)和圖像類數(shù)據(jù)，可用于后續(xù)模型的訓(xùn)練與驗(yàn)證[5]。

2.1.2 智能采集模塊

考慮到監(jiān)管數(shù)據(jù)具有時(shí)效性與動(dòng)態(tài)更新的特點(diǎn)，設(shè)計(jì)了智能采集模塊實(shí)現(xiàn)監(jiān)管信息的自動(dòng)獲取。對(duì)文本類數(shù)據(jù)，采用基于關(guān)鍵詞和規(guī)則的網(wǎng)絡(luò)爬蟲(chóng)程序，定期爬取官方網(wǎng)站和輿情網(wǎng)站的相關(guān)信息，并過(guò)濾重復(fù)內(nèi)容。對(duì)圖像類數(shù)據(jù)，則利用光學(xué)字符識(shí)別（Optical Character Recognition，OCR）技術(shù)，對(duì)掃描或拍照采集的食品標(biāo)簽、工廠照片等進(jìn)行解析，提取文本特征，并根據(jù)內(nèi)容進(jìn)行分類。該模塊可持續(xù)不斷地抓取更新各類監(jiān)管數(shù)據(jù)源，確保模型訓(xùn)練的數(shù)據(jù)新鮮度。

2.1.3 智能處理模塊

（1）文本數(shù)據(jù)處理。LSTM（Long Short-Term Memory）是一種遞歸神經(jīng)網(wǎng)絡(luò)（Recursive Neural Network，RNN）的變體，特別適用于序列數(shù)據(jù)的處理，如文本和時(shí)間序列數(shù)據(jù)，其設(shè)計(jì)可以避免長(zhǎng)期依賴問(wèn)題，從而捕獲長(zhǎng)期的依賴關(guān)系。BERT（Bidirectional Encoder Representations from Transformers）可以進(jìn)行語(yǔ)義特征提取和編碼，該模型使用雙向的Transformer編碼器，可以有效表示文本的語(yǔ)義信息。因此，本研究使用LSTM和BERT模型進(jìn)行文本數(shù)據(jù)的語(yǔ)義解析[6]。

（2）圖像數(shù)據(jù)處理。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）是一種深度學(xué)習(xí)模型，特別適用于圖像處理，通過(guò)卷積層可以自動(dòng)從圖像中提取重要特征[7-8] 。YOLO（You Only Look Once）是一種實(shí)時(shí)物體檢測(cè)算法，與傳統(tǒng)的兩步方法（首先提議區(qū)域，然后對(duì)其進(jìn)行分類）不同，YOLO在單個(gè)網(wǎng)絡(luò)中將這兩個(gè)步驟結(jié)合起來(lái)，從而實(shí)現(xiàn)快速而準(zhǔn)確的物體檢測(cè)。因此，本研究使用CNN、YOLO模型對(duì)圖像的特征進(jìn)行提取[9-10]。

2.1.4 知識(shí)圖譜模塊

本研究構(gòu)建了一個(gè)規(guī)模約2 000個(gè)實(shí)體、3 000種關(guān)系的食品安全知識(shí)圖譜。實(shí)體包含食品、添加劑、病原體等；關(guān)系包含分類關(guān)系、屬性關(guān)系、功能關(guān)系等。該知識(shí)圖譜整合了國(guó)家食品安全標(biāo)準(zhǔn)、相關(guān)監(jiān)管規(guī)定以及學(xué)術(shù)文獻(xiàn)等多源領(lǐng)域知識(shí)，使用圖數(shù)據(jù)庫(kù)進(jìn)行存儲(chǔ)，并采用知識(shí)圖譜標(biāo)記語(yǔ)言（Knowledge Graph Markup Language，KGML）等形式進(jìn)行知識(shí)表示。在模型運(yùn)用時(shí)，可以根據(jù)提取到的實(shí)體信息，快速在知識(shí)圖譜中檢索到與其關(guān)聯(lián)的風(fēng)險(xiǎn)知識(shí)，從而為模型賦能。相較于零散的文本信息，知識(shí)圖譜可以提供結(jié)構(gòu)化的知識(shí)支持，以提升監(jiān)管決策的水平[11]。

2.1.5 預(yù)警模塊

在獲取監(jiān)管文本和圖像的智能解析結(jié)果后，預(yù)警模塊會(huì)首先識(shí)別食品安全事件。在這一步中，系統(tǒng)可以關(guān)聯(lián)知識(shí)圖譜，結(jié)合事件涉及的食品和生產(chǎn)環(huán)節(jié)等方面的背景知識(shí)評(píng)估事件的危害性。例如，如果識(shí)別到了“三聚氰胺”等違禁物質(zhì)，模型就可以快速定位到毒性作用等信息。接著，根據(jù)事件的危害程度、傳播范圍等因素，系統(tǒng)會(huì)根據(jù)預(yù)先設(shè)定的風(fēng)險(xiǎn)等級(jí)標(biāo)準(zhǔn)，對(duì)事件進(jìn)行自動(dòng)化分級(jí)預(yù)警。相較于依賴人工經(jīng)驗(yàn)判斷，該預(yù)警模塊實(shí)現(xiàn)了基于模型和知識(shí)圖譜的風(fēng)險(xiǎn)智能評(píng)估和預(yù)警[12-13]。

2.2 模型評(píng)估方法

采用準(zhǔn)確率、召回率等指標(biāo)可全面評(píng)估模型的監(jiān)管效果，其中準(zhǔn)確率反映模型正確預(yù)測(cè)的樣本數(shù)占總預(yù)測(cè)樣本數(shù)的比例，召回率反映模型捕捉的正樣本數(shù)占總正樣本數(shù)的比例。在具體評(píng)估中，采取以下技術(shù)手段。①監(jiān)管數(shù)據(jù)集劃分，將收集的3 000條監(jiān)管數(shù)據(jù)按7.0∶1.5∶1.5的比例分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。②五折交叉驗(yàn)證，將測(cè)試集五等分，每次使用其中4份作為訓(xùn)練，1份作為驗(yàn)證，循環(huán)5次。③指標(biāo)計(jì)算，在交叉驗(yàn)證的每輪測(cè)試中，分別計(jì)算準(zhǔn)確率和召回率。④模型對(duì)比，將構(gòu)建模型的結(jié)果與基準(zhǔn)模型進(jìn)行比較，驗(yàn)證其優(yōu)劣。

通過(guò)上述評(píng)估流程，可以全面考察模型的監(jiān)管效果。準(zhǔn)確率和召回率直觀地反映了模型的精確度和覆蓋面，交叉驗(yàn)證保證了結(jié)果的穩(wěn)健性，與基準(zhǔn)對(duì)比可直觀展示模型的優(yōu)點(diǎn)。

3 結(jié)果與分析

3.1 模型構(gòu)建結(jié)果

根據(jù)前述方法，本研究構(gòu)建了基于大數(shù)據(jù)與深度學(xué)習(xí)的食品安全智能監(jiān)管模型。該模型整合實(shí)際監(jiān)管數(shù)據(jù)3 000條，采用LSTM、BERT算法實(shí)現(xiàn)文本數(shù)據(jù)處理，采用CNN、YOLO算法實(shí)現(xiàn)圖像數(shù)據(jù)處理，并構(gòu)建關(guān)聯(lián)知識(shí)圖譜。經(jīng)訓(xùn)練和調(diào)優(yōu)，相關(guān)算法取得了良好的處理效果。

3.2 模型評(píng)估結(jié)果

為評(píng)估構(gòu)建模型的智能處理效果，選取已標(biāo)注結(jié)果的500條監(jiān)管數(shù)據(jù)進(jìn)行測(cè)試，其中包含300條文本數(shù)據(jù)、200條圖像數(shù)據(jù)。文本數(shù)據(jù)經(jīng)算法處理后的平均準(zhǔn)確率達(dá)87.3%，圖像數(shù)據(jù)經(jīng)算法處理后的平均準(zhǔn)確率達(dá)91.2%?？紤]到監(jiān)管數(shù)據(jù)涉及食品種類繁多、內(nèi)容表達(dá)復(fù)雜，這一準(zhǔn)確率表明文本與圖像處理模塊可以基本滿足智能解析的需求。另外，文本模塊的召回率可達(dá)83.1%，圖像模塊的召回率可達(dá)85.7%，相關(guān)結(jié)果顯示構(gòu)建的模型具有較強(qiáng)的監(jiān)管數(shù)據(jù)處理與風(fēng)險(xiǎn)識(shí)別能力[14]。

3.3 模型應(yīng)用案例

以某乳制品質(zhì)量下降事件為例，當(dāng)?shù)厥袌?chǎng)監(jiān)督管理局發(fā)布通報(bào)稱某品牌成人奶粉產(chǎn)品經(jīng)檢測(cè)過(guò)氧化值指標(biāo)超標(biāo)，可能導(dǎo)致產(chǎn)品風(fēng)險(xiǎn)。該模型可直接從通報(bào)文本中抽取“成人奶粉”“某品牌”“過(guò)氧化值”等關(guān)鍵詞，并在關(guān)聯(lián)知識(shí)圖譜中判斷過(guò)氧化值超標(biāo)會(huì)導(dǎo)致養(yǎng)分流失和產(chǎn)生異味，判斷為較高風(fēng)險(xiǎn)事件。同時(shí)，輸入現(xiàn)場(chǎng)照片，可識(shí)別出問(wèn)題原料為奶粉包裝。最終，模型綜合兩類信息，并關(guān)聯(lián)標(biāo)準(zhǔn)知識(shí)，自動(dòng)判斷該事件為原料問(wèn)題導(dǎo)致的較高風(fēng)險(xiǎn)事件，并推送預(yù)警信息給相關(guān)監(jiān)管部門。

3.4 討論

3.4.1 模型效果分析

實(shí)驗(yàn)結(jié)果證明，構(gòu)建的基于深度學(xué)習(xí)的食品安全智能監(jiān)管模型可以實(shí)現(xiàn)海量監(jiān)管數(shù)據(jù)的有效自動(dòng)解析。在文本處理方面，模型平均準(zhǔn)確率超過(guò)87%，關(guān)鍵信息提取準(zhǔn)確；在圖像處理方面，模型平均準(zhǔn)確率超過(guò)91%，視覺(jué)要素識(shí)別準(zhǔn)確。案例分析也顯示模型能夠快速分析監(jiān)管通報(bào)和現(xiàn)場(chǎng)圖片，并結(jié)合知識(shí)圖譜推斷出事件風(fēng)險(xiǎn)。相較于傳統(tǒng)人工分析監(jiān)管信息的方式，該智能監(jiān)管模型可大大提高分析效率。

然而，模型的健壯性和可拓展性還需進(jìn)一步提高。當(dāng)前模型對(duì)新穎未知類別的食品安全事件，解析效果會(huì)略低于已知類別，需要增強(qiáng)模型對(duì)新知識(shí)的感知能力；不同地區(qū)和部門的數(shù)據(jù)格式存在差異，直接遷移模型的適應(yīng)性還可提升；若應(yīng)用到實(shí)際在線監(jiān)控等場(chǎng)景，也需要壓縮模型大小、優(yōu)化推理速度等。因此，后續(xù)研究可繼續(xù)豐富樣本、進(jìn)行集成學(xué)習(xí)以及探索模型的輕量化。

3.4.2 提高模型的可解釋性和透明度

為確保非技術(shù)人員理解模型的決策過(guò)程，本研究引入了模型解釋工具，如局部可理解的與模型無(wú)關(guān)的解釋技術(shù)（Local Interpretable Model-Agnostic Explanations，LIME）和Shapley可加性解釋（SHapley Additive exPlanations，SHAP）等，來(lái)解釋模型的決策邏輯。通過(guò)這些工具，非技術(shù)人員可以清晰看到模型在做決策時(shí)是如何權(quán)衡各種輸入特征的，從而使模型的決策更加透明。

3.4.3 模型的局限性分析

本模型在食品安全監(jiān)管上已顯示出了強(qiáng)大的潛力，但也存在一些局限性。例如，模型的訓(xùn)練需要大量的數(shù)據(jù)，而一些稀有的食品安全事件可能數(shù)據(jù)量有限，這可能導(dǎo)致模型在這類事件上的表現(xiàn)不盡如人意。此外，盡管模型具有較高的準(zhǔn)確率，但仍可能存在誤報(bào)和漏報(bào)的情況，這需要進(jìn)一步的技術(shù)優(yōu)化。對(duì)于這些挑戰(zhàn)，未來(lái)的研究可以考慮引入遷移學(xué)習(xí)、半監(jiān)督學(xué)習(xí)等技術(shù)，以提高模型在數(shù)據(jù)稀少情況下的表現(xiàn)。

3.4.4 模型優(yōu)化

為進(jìn)一步增強(qiáng)模型的監(jiān)管效果，可以考慮從以下幾個(gè)方面進(jìn)行優(yōu)化。①擴(kuò)充訓(xùn)練數(shù)據(jù)集，新增不同地區(qū)、部門、時(shí)間段的監(jiān)管數(shù)據(jù)。豐富數(shù)據(jù)樣本有助模型提高對(duì)新穎事件和復(fù)雜語(yǔ)境的學(xué)習(xí)能力，期望準(zhǔn)確率可提高3%～5%。②嘗試集成多種算法模型，如將門控循環(huán)單元（Gated Recurrent Unit，GRU）與BERT結(jié)合，進(jìn)行雙向語(yǔ)義特征提取。不同模型可相互驗(yàn)證、相互補(bǔ)充，增強(qiáng)文本理解的全面性，期望提高文本解析召回率2%～3%。③增加更多違規(guī)食品圖像的訓(xùn)練，如虛假標(biāo)簽、變質(zhì)原料等，擴(kuò)展模型對(duì)各類違規(guī)場(chǎng)景的視覺(jué)識(shí)別能力，提高圖像風(fēng)險(xiǎn)識(shí)別的準(zhǔn)確率約2%。④豐富知識(shí)圖譜的實(shí)體、關(guān)系描述，如增加毒理學(xué)、微生物學(xué)等領(lǐng)域知識(shí)，加強(qiáng)圖譜的關(guān)聯(lián)分析支持能力，可以提升2%～4%的事件風(fēng)險(xiǎn)判斷正確率。⑤應(yīng)用在線學(xué)習(xí)等技術(shù)，使用新出現(xiàn)的監(jiān)管數(shù)據(jù)及時(shí)更新模型，促使模型快速適應(yīng)新知識(shí)、新情況，保持高水平的監(jiān)管效果。

4 結(jié)論

食品安全智能監(jiān)管可實(shí)現(xiàn)監(jiān)管效率大幅提升，推動(dòng)監(jiān)管智能化升級(jí)。繼續(xù)擴(kuò)充高質(zhì)量監(jiān)管大數(shù)據(jù)，構(gòu)建涵蓋全鏈條、多領(lǐng)域數(shù)據(jù)的體系，可以提升模型判斷能力，并探索多模態(tài)深度學(xué)習(xí)實(shí)現(xiàn)數(shù)據(jù)全面智能解析，以提高風(fēng)險(xiǎn)判斷的準(zhǔn)確性。同時(shí)，通過(guò)生成對(duì)抗網(wǎng)絡(luò)、元學(xué)習(xí)等方式增強(qiáng)模型解釋性和遷移學(xué)習(xí)能力，使之更好地適應(yīng)新環(huán)境和新事件，保證穩(wěn)定有效的監(jiān)管。此外，研究模型輕量化，將智能監(jiān)管應(yīng)用到移動(dòng)和實(shí)時(shí)場(chǎng)景，可實(shí)現(xiàn)全時(shí)空智能化監(jiān)管。

本研究構(gòu)建的食品安全智能監(jiān)管模型可實(shí)現(xiàn)監(jiān)管數(shù)據(jù)的自動(dòng)采集和食品安全事件的精確識(shí)別，并通過(guò)知識(shí)圖譜增強(qiáng)事件風(fēng)險(xiǎn)的智能判斷能力，實(shí)現(xiàn)了食品安全全流程智能化監(jiān)管，可大大提高監(jiān)管效率。本研究驗(yàn)證了基于深度學(xué)習(xí)的智能監(jiān)管方法的有效性，為構(gòu)建智能化食品安全監(jiān)管體系提供了有價(jià)值的技術(shù)路線。

參考文獻(xiàn)

[1]王曉明，欒梅，張龍昌.構(gòu)建物聯(lián)網(wǎng)和大數(shù)據(jù)的食品安全服務(wù)系統(tǒng)[J].信息技術(shù)，2017（7）：107-110.

[2]CUADROS-RODR?GUEZ L，RUIZ-SAMBL?S C，VALVERDE-SOM L，et al.Chromatographic fingerprinting： an innovative approach for food ‘identitation and food authentication-a tutorial[J].Analytica Chimica Acta，2016，909：9-23.

[3]ESSLINGER S，RIEDL J，F(xiàn)AUHL-HASSEK C.Potential and limitations of non-targeted fingerprinting for authentication of food in official control[J].Food Research International，2014，60：189-204.

[4]高岷舟，王雷.提高抽檢數(shù)據(jù)質(zhì)量 服務(wù)食品安全監(jiān)管[J].市場(chǎng)監(jiān)督管理，2022（7）：67.

[5]MARVIN H J P，JANSSEN E M，BOUZEMBRAK Y，et al.Big data in food safety： an overview[J].Critical Reviews in Food Science and Nutrition，2017，57（11）：2286-2295.

[6]趙良，張趙玥，廖子逸，等.用BERT和改進(jìn)PCNN模型抽取食品安全領(lǐng)域關(guān)系[J].農(nóng)業(yè)工程學(xué)報(bào)，2022，38（8）：263-270.

[7]葛程，孫國(guó)強(qiáng).基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類研究[J].軟件導(dǎo)刊，2018，17（10）：27-31.

[8]龐絲絲，黃呈鋮.基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類研究[J].現(xiàn)代計(jì)算機(jī)，2019（23）：40-44.

[9]艾亮東，陸建，周武云.物聯(lián)網(wǎng)和大數(shù)據(jù)技術(shù)在食品安全智能監(jiān)管中的應(yīng)用研究[J].中國(guó)食品，2021（23）：80-83.

[10]GALVEZ J F，MEJUTO J C，SIMAL-GANDARA J.Future challenges on the use of blockchain for food traceability analysis[J].TrAC Trends in Analytical Chemistry，2018，107：222-232.

[11]王宇飛.物聯(lián)網(wǎng)技術(shù)在食品安全領(lǐng)域的集成應(yīng)用研究[J].赤峰學(xué)院學(xué)報(bào)（自然科學(xué)版），2014，30（10）：10-12.

[12]許華勇，姚堯，高海燕，等.如何構(gòu)建食品安全監(jiān)控網(wǎng)絡(luò)系統(tǒng)[J].食品科學(xué)，2006（12）：818-822.

[13]劉文，王菁. 加強(qiáng)食品安全和質(zhì)量監(jiān)控體系建設(shè)[J].中國(guó)食物與營(yíng)養(yǎng)，2005（1）：19-20.

[14]余華偉，彭凱寧，曾嶸，等.基于數(shù)據(jù)交換服務(wù)總線的食品安全監(jiān)控系統(tǒng)設(shè)計(jì)[J].內(nèi)蒙古科技與經(jīng)濟(jì)，2014（2）：72-73.