面向糧食安全應用的智能分析和決策支持系統設計

李月恒 (通訊作者)，張鈺亮，李妍歐，張雯卓

（北方工業大學電氣與控制工程學院，北京，100043）

0 引言

對于糧食的分析和決策系統，國內外主要農業發達地區如歐盟、美國、澳大利亞等都相繼建立了農產品及產地追溯的系統，并且建立了自身評判糧食水平的指標。Liopa-Tsakalidi A等開發了一個包括決策支持能力的移動信息系統，該系統提供移動服務來支撐整個決策網絡的實現[1]。Swarte C等人針對食品安全目標Food Safety Objective(FSO)的設置進行了較為深入的探討，該研究引入了FSOs概念并將其作為食品風險管理的有力工具，該研究就FSOs這一理論的產生原理和過程進行闡述分析，為政策制定者提供理論依據，但不足的是作者并沒有對這一理論在食品安全政策的有效應用進行闡述[1]。余臘生和李強基于貝葉斯網絡的數據挖掘模型來挖掘不同屬性的關聯度，用Microsoft時序模型和決策樹算法，對產品質量水平進行分類[3]。本文采用了支持向量機（SVM）和決策樹（decision tree）作為糧食產地判別的模型，經過比較同等情況下準確率更高的模型，同時根據檢測得到的礦物元素含量進行風險分析。除此之外，將判別模型嵌入到Web系統中，采用B/S的3層架構、MYSQL數據庫和Java語言開發設計了整個系統。

1 系統總體功能圖

本系統根據項目的實際需要，系統實現的功能主要有：用戶注冊、用戶登錄、待測信息錄入、產地預測、數據導出、風險分析共6個模塊。系統總體功能圖如圖1所示。

圖1 系統總體功能圖

2 判別算法比較

■2.1 數據來源

從河北省、陜西省、山東省、河南省采集2018-2019年度小麥樣品。從這些地區采集的都是主產區，用ICP-MS（電感耦合等離子體質譜儀）測定4個產區大米的Be、Na、Mg、Al、K、Ca、V、Mn、Fe、Co、Ni、Cu、Zn、Se、Mo、Ag、Cr、Sb、Ba、Tl、Pb、Th 和 U共23種元素的含量。為了提高準確率，每個樣品重復測定三次，選三次的平均值作為最后的測定值。

■2.2 數據預處理

首先發現源數據800條只缺失12條，缺失條數相對總數據來說比較少，采用簡單的直接刪除缺失值來處理，其次對數據進行訓練集和測試集劃分，訓練集：測試集=7：3，將標簽變成分散的0，1，2，3便于后續的處理，故對標簽進行編碼，最后對各項屬性進行標準化處理，Z-Score標準化公式如下：

其中，yi表示各個屬性標準化之后的值，表示每項屬性的平均值，s表示該屬性的方差，新序列均值為0，方差為1。

■2.3 方差分析

用python對23種礦物元素含量進行進行方差分析，結 果 表 明，Na、Mg、Al、Ca、V、Cr、Mn、Fe、Co、Ni、Cu、Zn、Mo、Ag、Sb、Ba、Pb 和U共18 種元素的含量在不同省份之間有顯著差異.結果表明河北樣品的Ca含量最低，V含量最高；陜西樣品的 Na、Mn、Fe含量顯著高于其它地區；山東樣品的Ba和Ni含量最高；河南樣品的Cr含量最高。

■2.4 判別結果分析

2.4.1 支持向量機

在對原始數據進行數據預處理后調用支持向量機算法模型，在未調參之前，由于采用的是SVM的多分類模型，數據集呈非線性分布，故使用rbf高斯徑向基核函數。支持向量機在處理多分類問題的時候，是把多分類問題轉換成了二分類問題來解決。在一類對另一類（OVO）模式下，標簽中的所有類別會被兩兩組合，每兩個類別之間建一個SVC模型，每個模型生成一個決策邊界，分別進行二分類。這種模式下，對于四分類問題，生成C24也就是6個超平面。在一類對其他類（OVR）模式下，標簽中的所有類別會分別和其他類型進行組合，分別進行二分類，無論如何分類，一類對其他類對于四分類問題始終需要4個模型。考慮到無論是當類別更多時，二者需要的決策邊界越來越多，模型也會越來越復雜，不過OVO模式下的模型計算會更加復雜，決策邊界數量增加更多更快，好處就是準確率隨之提高了，所以如果硬件條件滿足，人們一般選擇OVO模式。

在選定了kernel核函數和OVO模式的情況下，默認松弛系數的懲罰項系數C=1.0，其他系數默認，對數據進行初步的計算，結果發現其正確率非常低，只有24.1%。為了提高正確率，將考慮調整必要的參數來達到要求。

準確率太低，調整C或者gamma的值，發現其正確率并無太大變化，一直只有24.1%左右。后考慮是否可以更換kernel核函數，更換kernel核函數為liner線性核函數發現，其正確率顯著上升，達到98.5%，如圖2所示。

圖2 準確率隨C的值變化

2.4.2 決策樹

利用決策樹模型進行判別，在不調參的情況下，對數據進行初步判別，其正確率有94.6%，正確率是否還能繼續調，因此考慮調參看是否能達到更高的正確率，圖3是未調參時得到的樹圖。

圖3 未調參時得到的樹圖

上面的決策樹只是sklearn只是調整entroy系數是gini繪制出來的，但是如果重復上述繪制樹的過程，發現每次的樹都不一樣。sklearn通過設置random_state和splitter，每次進行分枝時都只選取部分特征不選擇全部特征，這樣一來也就建立不同的樹，從中選取一顆最好的樹作為采用的樹。至今為止，我們已經找到了最好的節點和最優的分枝數，接下來要解決怎么讓樹停止增長，防止過擬合問題。采用合適的剪枝策略正好能完美的解決這個問題，一般來說有以下幾個剪枝策略：限制樹的最大深度，超過設定深度的樹枝全部剪除，這個參數對應是max_depth。圖4是max_depth調參折線圖。

圖4 max_depth調參后的折線圖

可以明顯看出當限制樹的深度為5的時候達到最高分數98.9%，準確率可以說是非常高，滿足項目的需求。

綜上，從正確率考慮，二者其實差不多，但從效率考慮，隨著后續數據的增多，SVM也更適合處理小樣本的數據，SVM的效率明顯快于決策樹模型，因此選擇SVM作為最終的判別模型。

傳統的干法回收處理LFP動力電池成本高、利潤低，學者們開發出了新的干法回收技術。本課題組在空氣中高溫處理正極片后，將 LiFePO4氧化為 Li3Fe2(PO4)3及 Fe2O3并作為再生反應原料，加入適量還原劑，650 ～ 750℃高溫碳熱還原再生LiFePO4，獲得純相的再生LiFePO4/C材料，如圖5。

3 風險指標分析

■3.1 評價標準選取

重金屬是非常常見的污染物，散布于土壤中被農作物吸收后會積累在農作物體內。人們食用被污染的肉、蔬菜、糧食等都會通過食物鏈最后沉淀在人體中，從而引發人的各種疾病，甚至造成死亡。鑒于此，世界主要國家和地區都對糧食中重金屬污染物的含量做了比較明確的規定。表1列出了世界主要國家和地區對小麥重金屬污染物的含量標準。

表1 世界主要國家和地區小麥重金屬污染物的限量標準[4] mg·kg-1

因此，本文選用中國標準作為本研究的小麥重金屬含量的標準，由于檢測時只測量了Cr、Cu、Pb、Zn作為研究元素，從1表中可以發現中國糧食衛生標準中只對Cd、Pb、Hg、As做了相關規定，中國農業行業標準對所有的元素進行相關規定，故總結得到小麥顆粒重金屬含量限量的標準

表2 小麥重金屬含量限量的標準值 mg·kg-1

■3.2 評價策略

3.2.1 單項污染指數法[5]

采用單項污染指數對小麥重金屬污染程度進行評價, 單項污染指數計算公式如下:

其中，iP為所計算出的重金屬單項污染指數，Ci重金屬含量的實測值，Si為小麥重金屬含量限量的標準值。當Pi≤ 0.7時優良，0.7 ＜ Pi≤ 1.0時安全，1.0 ＜ Pi≤ 2.0時輕污染，2.0 ＜ Pi≤ 3.0時中污染， Pi＞ 3.0時重污染。

3.2.2 綜合污染指數法[5]

單項污染指數法只能反映出每個污染物的污染程度，并不能綜合地反映出小麥的污染情況。綜合污染指數法考慮了單項污染指數的每項的最高值和平均值，從而可以標注出污染嚴重的污染物。綜合污染指數法計算公式如下：

其中，P綜是要求的綜合污染指數，P平均是單項污染指數的平均值，P最大值為單項污染指數的最大值。當P綜≤0.7時等級是安全，0.7 ＜ P綜≤1.0時等級是警戒線，1.0 ＜ P綜≤2.0時等級是輕污染，2.0 ＜ P綜≤3.0時等級是中污染，P綜＞3.0等級是重污染[5]。

4 功能效果

先啟動后臺項目，再啟動前臺項目，啟動Nginx，后臺項目運行在8001和8002端口，前臺項目運行在9100端口，Nginx端口為9010，訪問http://192.168.1.118:9100。對于新用戶來說，首先要進行的就是用戶的注冊，注冊頁面如圖5所示。

圖5 注冊頁

在注冊頁面中，用戶輸入昵稱、注冊的手機號、一條四位數字驗證碼和自定義的密碼，點擊注冊后，系統會核實驗證碼是否正確，如果正確則會向數據庫添加一條新用戶的注冊信息，同時頁面跳轉到登錄頁面。如果驗證碼不正確，系統隔60秒重新請求驗證碼。

其次是登錄頁面，如圖6所示。

圖6 用戶登錄界面

在登錄頁面中，用戶輸入手機號和密碼進行登錄。點擊登錄按鈕后，系統將輸入信息以請求體的方式傳遞到后臺，并判斷用戶名和密碼是否存在與數據庫中，驗證手機和數據庫中的手機號和密碼匹配。登錄成功后，跳轉到系統首頁面。

圖7 首頁

首頁面參照了后臺系統的模板形式，主要分為三部分：側邊欄、頂部欄和中部主要區域，在側邊欄內，設計了添加元素、元素列表、查看分析后產地的數量以及地圖的顯示；頂部欄主要對登錄后的用戶進行頭像顯示和用戶的退出；中部主要區域只是對用戶做了一個友好的歡迎。

點擊添加元素可進行文件的上傳，如圖8所示。

圖8 文件上傳界面

點擊選取文件按鈕，彈出一個對話框提示用戶從本地選取文件，對文件進行解析，顯示在元素列表頁面上，如圖9所示。

圖9 解析文件后界面

點擊待判別按鈕，系統會調用后臺的判別算法對其產地進行判別，同時根據預設定的風險評價體系，給出其最后的風險評價，隨著判別情況一同返回到前端進行頁面渲染，使得數據發生變化。當點擊批量判別時如圖10所示。

圖10 批量判別返回產地和風險評價

在得到了數據的判別產地和風險等級后，系統提供了條件查詢的功能：根據數據的產地、風險等級、上傳的開始時間和結束時間對數據進行查詢，可以找到其滿足要求的數據進行顯示，條件查詢如圖11所示。

圖11 條件查詢

系統還提供了文件下載功能，當點擊下載文件按鈕時，在本頁面中彈出一個對話框，用戶選擇想要保存文件的位置，確定后即可開始下載，下載后文件部分數據如圖12所示。

圖12 下載后部分數據圖

系統還結合了ECharts提供了更為直觀的數據顯示，點擊查看分析后的產地結果如圖13所示，通過該圖可以明顯看出每個省份小麥對應的數量。

圖13 分析后產地數量對應圖

最后，系統可以通過地圖來查看各項數據產地分布情況，如圖14所示。

圖14 地圖查看小麥分布

5 總結

文要解決的問題是糧食安全的分析和決策評價，采用B/S的三層架構，tomcat服務器，J2EE標準，數據庫采用Mysql和Redis設計開發設計了糧食安全的分析和決策系統，為了便于研究，選擇小麥作為主要研究對象，從而實現了對小麥產地的判別和小麥安全的評價。