一种农产品安全性评价方法、装置、设备及存储介质

1.本发明涉及农产品质量评价技术领域，具体而言，涉及一种农产品安全性评价方法、装置、设备及存储介质。


背景技术：

2.食品安全性评价主要是阐明某种食品是否可以安全食用，食品中有关危害形成或物质的毒性及其风险大小，利用毒理学资料确实该物质的安全剂量，以便通过风险评估进行风险控制。它是食品安全质量管理的重要内容，其目的是保证食品的安全可靠性。
3.现有技术中，在对农产品进行安全性评价时，通常仅针对单一农产品样本在某个评价指标下的表现，对该农产品样本进行安全性评价，得到每个农产品的评价结果。但是由于不同农产品的可能属于相同品种或者不同品种，以及品种与评价指标之间存在关联性，上述评价过程虽然能够实现对单一农产品的安全性评价，却无法基于每个农产品所属于的品种以及不同的品种与评价指标之间的关联性实现对多个农产品的安全性进行宏观定量评价。因此，如何基于农产品的品种以及各个评价指标实现对农产品安全性的宏观定量评价成为了一个亟待解决的问题。


技术实现要素：

4.有鉴于此，本发明的目的在于提供一种农产品安全性评价方法、装置、设备及存储介质，以基于农产品的品种以及各个评价指标实现对农产品安全性的宏观定量评价。
5.第一方面，本技术实施例提供了一种农产品安全性评价方法，所述方法包括：对于至少一类农产品品种中的每类农产品品种，根据为该类农产品品种配置的至少一个安全评价指标以及属于该类农产品品种的每个农产品样本其各自在每个安全评价指标下的样本超标度，生成该类农产品品种的样本超标度矩阵；根据该类农产品品种的样本超标度矩阵，利用风险隶属度函数生成该类农产品品种的风险隶属度矩阵，其中，该类农产品品种的风险隶属度矩阵中的元素为属于该类农产品品种的每个农产品样本每个安全评价指标的风险隶属度；根据每类所述农产品品种的风险隶属度矩阵，利用模糊风险熵算法确定出目标模糊风险熵矩阵，其中，所述目标模糊风险熵矩阵中的元素为每类所述农产品品种的每个安全评价指标的模糊风险熵值；将所述目标模糊风险熵矩阵输入至训练好的综合评价模型得到用于描述所有农产品样本安全性的安全综合评价指数，以根据所述安全综合评价指数对所有农产品样本安全性进行定量评价。
6.可选地，在对于至少一类农产品品种中的每类农产品品种，根据为该类农产品品种配置的至少一个安全评价指标以及属于该类农产品品种的每个农产品样本其各自在每个安全评价指标下的样本超标度，生成该类农产品品种的样本超标度矩阵前，所述方法还包括：
对于每类农产品品种，根据该类农产品品种的品种特性为该类农产品品种配置至少一个安全评价指标；根据属于该类农产品品种的每个农产品样本在每个安全评价指标下的实际监测结果和属于该类农产品品种的所有农产品样本在每个安全评价指标下的判定标准确定出属于该类农产品品种的每个农产品样本在每个安全评价指标下的样本超标度。
7.可选地，在对于该类农产品品种的每个农产品样本，根据该农产品样本在每个安全评价指标下的实际监测结果和该农产品样本在每个安全评价指标下的判定标准确定出该农产品样本在每个安全评价指标下的样本超标度前，所述方法还包括；对于每个安全评价指标，根据该农产品样本的样本名称和该安全评价指标的指标名称从风险监测数据库中确定出该农产品样本在该安全评价指标下的实际监测结果；根据该农产品样本的样本名称和该安全评价指标的指标名称从判定标准数据库中确定出该农产品样本在该安全评价指标下的判定标准。
8.可选地，所述根据属于该类农产品品种的每个农产品样本在每个安全评价指标下的实际监测结果和属于该类农产品品种的所有农产品样本在每个安全评价指标下的判定标准确定出属于该类农产品品种的每个农产品样本在每个安全评价指标下的样本超标度，包括：根据下列表达式确定出属于该类农产品品种的第个农产品样本在第个安全评价指标下的样本超标度：；其中，为属于该类农产品品种的第个农产品样本在第个安全评价指标下的实际监测结果，为属于该类农产品品种的所有农产品样本在第个安全评价指标下的判定标准，和均为非零的自然数。
9.可选地，所述根据该类农产品品种的样本超标度矩阵，利用风险隶属度函数生成该类农产品品种的风险隶属度矩阵，包括：根据属于该类农产品品种的第个农产品样本在第个安全评价指标下的样本超标度，利用所述风险隶属度函数确定出该类农产品品种的第个农产品样本在第个安全评价指标下的风险隶属度，其中，所述风险隶属度函数为：；其中，和均为非零的自然数；根据该类农产品品种的第个农产品样本在第个安全评价指标下的风险隶属度生成该类农产品品种的风险隶属度矩阵。
10.可选地，所述根据每类所述农产品品种的风险隶属度矩阵，利用模糊风险熵算法确定出目标模糊风险熵矩阵，包括：
根据属于该类农产品品种的第个农产品样本在第个安全评价指标下的风险隶属度，利用所述模糊风险熵算法确定出该类农产品品种在第个安全评价指标下的模糊风险熵，其中，所述模糊风险熵算法为：；其中，为大于0的常数、为属于该类农产品品种的农产品样本的数量，和均为非零的自然数；根据该类农产品品种在第个安全评价指标下的风险隶属度生成所述目标模糊风险熵矩阵。
11.可选地，在根据每类所述农产品品种的风险隶属度矩阵，利用模糊风险熵算法确定出目标模糊风险熵矩阵后，所述方法还包括：将目标模糊风险熵向量输入至所述综合评价模型得到用于描述目标农产品品种的安全性的安全品种评价指数，以根据所述安全品种评价指数对属于所述目标农产品品种的农产品样本进行安全性评价，其中，所述目标模糊风险熵向量为所述目标模糊风险熵矩阵中的用于指示所述目标农产品品种在每个安全评价指数下的目标模糊风险熵的向量。
12.第二方面，本技术实施例提供了一种农产品安全性评价装置，所述装置包括：样本超标度矩阵生成模块，用于对于至少一类农产品品种中的每类农产品品种，根据为该类农产品品种配置的至少一个安全评价指标以及属于该类农产品品种的每个农产品样本其各自在每个安全评价指标下的样本超标度，生成该类农产品品种的样本超标度矩阵；风险隶属度矩阵生成模块，用于根据该类农产品品种的样本超标度矩阵，利用风险隶属度函数生成该类农产品品种的风险隶属度矩阵，其中，该类农产品品种的风险隶属度矩阵中的元素为属于该类农产品品种的每个农产品样本每个安全评价指标的风险隶属度；目标模糊风险熵矩阵确定模块，用于根据每类所述农产品品种的风险隶属度矩阵，利用模糊风险熵算法确定出目标模糊风险熵矩阵，其中，所述目标模糊风险熵矩阵中的元素为每类所述农产品品种的每个安全评价指标的模糊风险熵值；第一安全性评价模块，用于将所述目标模糊风险熵矩阵输入至训练好的综合评价模型得到用于描述所有农产品样本的安全性的安全综合评价指数，以根据所述安全综合评价指数对所有农产品样本安全性进行定量评价。
13.可选地，所述装置还包括：安全评价指标配置模块，用于在对于至少一类农产品品种中的每类农产品品种，根据为该类农产品品种配置的至少一个安全评价指标以及属于该类农产品品种的每个农产品样本其各自在每个安全评价指标下的样本超标度，生成该类农产品品种的样本超标度矩阵前，对于每类农产品品种，根据该类农产品品种的品种特性为该类农产品品种配置至少一个安全评价指标；样本超标度确定模块，用于根据属于该类农产品品种的每个农产品样本在每个安全评价指标下的实际监测结果和属于该类农产品品种的所有农产品样本在每个安全评价
指标下的判定标准确定出属于该类农产品品种的每个农产品样本在每个安全评价指标下的样本超标度。
14.可选地，所述装置还包括：实际监测结果确定模块，用于在对于该类农产品品种的每个农产品样本，根据该农产品样本在每个安全评价指标下的实际监测结果和该农产品样本在每个安全评价指标下的判定标准确定出该农产品样本在每个安全评价指标下的样本超标度前，对于每个安全评价指标，根据该农产品样本的样本名称和该安全评价指标的指标名称从风险监测数据库中确定出该农产品样本在该安全评价指标下的实际监测结果；判定标准确定模块，用于根据该农产品样本的样本名称和该安全评价指标的指标名称从判定标准数据库中确定出该农产品样本在该安全评价指标下的判定标准。
15.可选地，所述样本超标度在用于根据属于该类农产品品种的每个农产品样本在每个安全评价指标下的实际监测结果和属于该类农产品品种的所有农产品样本在每个安全评价指标下的判定标准确定出属于该类农产品品种的每个农产品样本在每个安全评价指标下的样本超标度时，具体用于：根据下列表达式确定出属于该类农产品品种的第个农产品样本在第个安全评价指标下的样本超标度：；其中，为属于该类农产品品种的第个农产品样本在第个安全评价指标下的实际监测结果，为属于该类农产品品种的所有农产品样本在第个安全评价指标下的判定标准，和均为非零的自然数。
16.可选地，所述风险隶属度矩阵模块在用于根据该类农产品品种的样本超标度矩阵，利用风险隶属度函数生成该类农产品品种的风险隶属度矩阵时，具体用于：根据属于该类农产品品种的第个农产品样本在第个安全评价指标下的样本超标度，利用所述风险隶属度函数确定出该类农产品品种的第个农产品样本在第个安全评价指标下的风险隶属度，其中，所述风险隶属度函数为：；其中，和均为非零的自然数；根据该类农产品品种的第个农产品样本在第个安全评价指标下的风险隶属度生成该类农产品品种的风险隶属度矩阵。
17.可选地，所述目标模糊风险熵矩阵确定模块在用于根据每类所述农产品品种的风险隶属度矩阵，利用模糊风险熵算法确定出目标模糊风险熵矩阵时，具体用于：根据属于该类农产品品种的第个农产品样本在第个安全评价指标下的风险隶属度，利用所述模糊风险熵算法确定出该类农产品品种在第个安全评价指标下的模
糊风险熵，其中，所述模糊风险熵算法为：；其中，为大于0的常数、为属于该类农产品品种的农产品样本的数量，和均为非零的自然数；根据该类农产品品种在第个安全评价指标下的风险隶属度生成所述目标模糊风险熵矩阵。
18.可选地，所述装置还包括：第二安全性评价模块，用于在根据每类所述农产品品种的风险隶属度矩阵，利用模糊风险熵算法确定出目标模糊风险熵矩阵后，将目标模糊风险熵向量输入至所述综合评价模型得到用于描述目标农产品品种的安全性的安全品种评价指数，以根据所述安全品种评价指数对属于所述目标农产品品种的农产品样本进行安全性评价，其中，所述目标模糊风险熵向量为所述目标模糊风险熵矩阵中的用于指示所述目标农产品品种在每个安全评价指数下的目标模糊风险熵的向量。
19.第三方面，本技术实施例提供了一种计算机设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第二方面中任一种可选地实施方式中所述的农产品安全性评价方法的步骤。
20.第四方面，本技术实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第二方面中任一种可选地实施方式中所述的农产品安全性评价方法的步骤。
21.本技术提供的技术方案包括但不限于以下有益效果：对于至少一类农产品品种中的每类农产品品种，根据为该类农产品品种配置的至少一个安全评价指标以及属于该类农产品品种的每个农产品样本其各自在每个安全评价指标下的样本超标度，生成该类农产品品种的样本超标度矩阵；采用上述步骤，能够得到包含属于每个农产品品种的所有农产品样本其各自在每个安全评价指标下的样本超标度的样本超标度矩阵。
22.根据该类农产品品种的样本超标度矩阵，利用风险隶属度函数生成该类农产品品种的风险隶属度矩阵，其中，该类农产品品种的风险隶属度矩阵中的元素为属于该类农产品品种的每个农产品样本每个安全评价指标的风险隶属度；通过上述步骤，能够得到包含属于每个农产品品种的所有农产品样本其各自在每个安全评价指标下的风险隶属度的风险隶属度矩阵。
23.根据每类所述农产品品种的风险隶属度矩阵，利用模糊风险熵算法确定出目标模糊风险熵矩阵，其中，所述目标模糊风险熵矩阵中的元素为每类所述农产品品种的每个安全评价指标的模糊风险熵值；通过上述步骤，能够确定出每类农产品品种的模糊风险熵值，基于每类农产品品种中均包含至少一个农产品样本，所以每类农产品品种的模糊风险熵值能够反映出多个农产品（农产品组合）的风险情况。
24.将所述目标模糊风险熵矩阵输入至训练好的综合评价模型得到用于描述所有农产品样本的安全性的安全综合评价指数，以根据所述安全综合评价指数对所有农产品样本
安全性进行定量评价；通过上述步骤，能够实现对属于至少一类农产品品种的所有农产品品种的安全性评价。
25.采用上述方法，能够根据不同类别的农产品品种下所包含的每个农产品样本的样本超标度，以及各类农产品品种所需要评价的安全评价指标，利用风险隶属度函数以及模糊风险熵算法确定出各类农产品品种的模糊风险熵值，然后利用模糊风险熵值确定出所有农产品样本组合的安全综合评价指数，以基于农产品的品种以及各个评价指标实现对农产品安全性的宏观定量评价。
26.为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
27.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍， 应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
28.图1示出了本发明实施例一所提供的一种农产品安全性评价方法的流程图；图2示出了本发明实施例一所提供的一种样本超标度确定方法的流程图；图3示出了本发明实施例二所提供的一种农产品安全性评价装置的结构示意图；图4示出了本发明实施例二所提供的第二种农产品安全性评价装置的结构示意图；图5示出了本发明实施例二所提供的第三种农产品安全性评价装置的结构示意图；图6示出了本发明实施例二所提供的第四种农产品安全性评价装置的结构示意图；图7示出了本发明实施例三所提供的一种计算机设备的结构示意图。
具体实施方式
29.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
30.实施例一为便于对本技术进行理解，下面结合图1示出的本发明实施例一所提供的一种农产品安全性评价方法的流程图描述的内容对本技术实施例一进行详细说明。
31.参见图1所示，图1示出了本发明实施例一所提供的一种农产品安全性评价方法的流程图，其中，所述方法包括步骤s101~s104：
s101：对于至少一类农产品品种中的每类农产品品种，根据为该类农产品品种配置的至少一个安全评价指标以及属于该类农产品品种的每个农产品样本其各自在每个安全评价指标下的样本超标度，生成该类农产品品种的样本超标度矩阵。
32.具体的，获取至少一类农产品品种，例如，白菜，土豆，冬瓜等，每类农产品品种均包含至少一个农产品样本，例如，白菜品种中有白菜一号、白菜二号和白菜三号，土豆品种中有土豆一号、土豆二号和土豆三号。
33.预先为每类农产品品种配置至少一个安全评价指标，所述安全评价指标包括农产品中所含有的毒药浓度、农药浓度、重金属浓度；例如，乙酰甲胺磷浓度、磺胺甲恶唑浓度、铅浓度等；每类农产品品种所具有的安全评价指标相同。
34.对于每类农产品品种，获取属于该类农产品品种的每个农产品样本其各自在每个安全评价指标下的样本超标度，样本超标度为农产品样本在每个安全评价指标下的实际监测值与标准监测值之间的比值，其用于描述农产品在每个安全评价指标中与标准情况的偏离程度。
35.例如，对于白菜这个农产品品种，预先为白菜配置的安全评价指标包括乙酰甲胺磷浓度和铅浓度，白菜品种包含三个农产品样本，分别为白菜一号、白菜二号和白菜三号；则分别获取白菜一号的乙酰甲胺磷浓度的样本超标度、白菜一号的铅浓度的样本超标度，白菜二号的乙酰甲胺磷浓度的样本超标度、白菜二号的铅浓度的样本超标度，白菜三号的乙酰甲胺磷浓度的样本超标度、白菜三号的铅浓度的样本超标度。
36.根据属于该农产品品种的每个农产品样本其各自在每个安全评价指标下的样本超标度，生成以农产品样本的样本名称或者编号为行，以农产品样本的样本超标度为列的样本超标度矩阵；即，对于每类农产品品种，其具有个安全评价指标，当属于该类农产品品种的农产品样本数量为时，对于第个农产品样本，1≤≤，和均为非零的自然数，该农产品品种的样本超标度矩阵中的第行第列的元素为第个农产品成本在第个安全评价指标下的样本超标度。
37.在实际应用中，可能存在部分农产品品种中所包含的农产品样本数量较少，将所包含的农产品数量少于预设参考值的农产品品种统一归类为“其他品种”，将属于这些所包含的农产品数量少于预设参考值的农产品品种的农产品样本统一归类为属于“其他品种”的农产品样本。
38.所述预设参考值的设置方法如下：针对国家层面上开展农产品安全评价，将所述预设参考值设置为500；针对省级层面上开展农产品安全评价，将所述预设参考值设置为100；针对地市级及以下层面上开展农产品安全评价，将所述预设参考值设置为30。
39.s102：根据该类农产品品种的样本超标度矩阵，利用风险隶属度函数生成该类农产品品种的风险隶属度矩阵，其中，该类农产品品种的风险隶属度矩阵中的元素为属于该类农产品品种的每个农产品样本每个安全评价指标的风险隶属度。
40.具体的，根据该类农产品品种的样本超标度矩阵中的每个样本超标度，记为，表示样本超标度矩阵中的第行第列的元素，其表示第个农产品成本在第个安全评价指标下的样本超标度。
41.根据每个样本超标度，利用风险隶属度函数确定出每个样本超标度所对应
的风险隶属度，然后根据每个风险隶属度生成以农产品样本的样本名称或者编号为行，以农产品样本的风险隶属度为列的风险隶属度矩阵。
42.s103：根据每类所述农产品品种的风险隶属度矩阵，利用模糊风险熵算法确定出目标模糊风险熵矩阵，其中，所述目标模糊风险熵矩阵中的元素为每类所述农产品品种的每个安全评价指标的模糊风险熵值。
43.具体的，根据每类所述农产品品种的风险隶属度矩阵中的元素，即风险隶属度，利用模糊风险熵算法将属于该类农产品品种的农产品样本的（在第个安全评价指标下的）风险隶属度进行压缩得到该类农产品品种在第个安全评价指标下的模糊风险熵，然后根据每类农产品品种在每个安全评价指标下的模糊风险熵生成以农产品品种的品种名称或者品种编号为行，以模糊风险熵为列的目标模糊风险熵矩阵。
44.s104：将所述目标模糊风险熵矩阵输入至训练好的综合评价模型得到用于描述所有农产品样本安全性的安全综合评价指数，以根据所述安全综合评价指数对所有农产品样本安全性进行定量评价。
45.具体的，获取预先训练好的用于对农产品的安全评价指数进行确定的综合评价模型，该综合评价模型中的参数包括指标权重和评价信息集结方式；所述指标权重设置为指标的健康参考值，如农药的每日允许摄入量、重金属的暂定每周耐受摄入量等；所述评价信息集结方式为dea（（data envelopment analysis，数据包络法）或topsis逼近样本点排序法。
46.在得到安全综合评价指数后，能够根据安全综合评价指数对农产品样本进行安全性评价：根据安全综合评价指数的指数大小从安全等级数据库中确定出与安全综合评价指数的指数大小具有映射关系的安全等级，作为所有农产品样本（将所有农产品样本作为一个整体）的安全等级，其中，安全综合评价指数的指数大小与安全等级成负相关，指数越大，则安全等级越低，其安全性也就越低，反之，指数越小，则安全等级越高，其安全性也就越高。
47.在一个可行的实施方案中，参见图2所示，图2示出了本发明实施例一所提供的一种样本超标度确定方法的流程图，其中，在对于至少一类农产品品种中的每类农产品品种，根据为该类农产品品种配置的至少一个安全评价指标以及属于该类农产品品种的每个农产品样本其各自在每个安全评价指标下的样本超标度，生成该类农产品品种的样本超标度矩阵前，所述方法还包括步骤s201~s202：s201：对于每类农产品品种，根据该类农产品品种的品种特性为该类农产品品种配置至少一个安全评价指标。
48.具体的，每类农产品品种具有不同的品种特性，根据每类农产品品种的品种特性从评价指标数据库中确定出每类农产品品种其各自的安全评价指标。
49.s202：根据属于该类农产品品种的每个农产品样本在每个安全评价指标下的实际监测结果和属于该类农产品品种的所有农产品样本在每个安全评价指标下的判定标准确定出属于该类农产品品种的每个农产品样本在每个安全评价指标下的样本超标度。
50.具体的，实际监测结果为实际测量得到的结果，判定标准为预设的用于进行参考的结果。
51.在一个可行的实施方案中，在对于该类农产品品种的每个农产品样本，根据该农产品样本在每个安全评价指标下的实际监测结果和该农产品样本在每个安全评价指标下的判定标准确定出该农产品样本在每个安全评价指标下的样本超标度前，所述方法还包括；对于每个安全评价指标，根据该农产品样本的样本名称和该安全评价指标的指标名称从风险监测数据库中确定出该农产品样本在该安全评价指标下的实际监测结果。
52.具体的，以“样本名称-指标名称”组合为搜寻对象，从风险监测数据库中确定出满足目标“样本名称-指标名称”的实际监测结果。
53.根据该农产品样本的样本名称和该安全评价指标的指标名称从判定标准数据库中确定出该农产品样本在该安全评价指标下的判定标准。
54.具体的，以“样本名称-指标名称”组合为搜寻对象，从判定标准数据库中确定出满足目标“样本名称-指标名称”的判定标准。
55.在一个可行的实施方案中，所述根据属于该类农产品品种的每个农产品样本在每个安全评价指标下的实际监测结果和属于该类农产品品种的所有农产品样本在每个安全评价指标下的判定标准确定出属于该类农产品品种的每个农产品样本在每个安全评价指标下的样本超标度，包括：根据下列表达式确定出属于该类农产品品种的第个农产品样本在第个安全评价指标下的样本超标度：；其中，为属于该类农产品品种的第个农产品样本在第个安全评价指标下的实际监测结果，为属于该类农产品品种的所有农产品样本在第个安全评价指标下的判定标准，和均为非零的自然数。
56.在一个可行的实施方案中，所述根据该类农产品品种的样本超标度矩阵，利用风险隶属度函数生成该类农产品品种的风险隶属度矩阵，包括：根据属于该类农产品品种的第个农产品样本在第个安全评价指标下的样本超标度，利用所述风险隶属度函数确定出该类农产品品种的第个农产品样本在第个安全评价指标下的风险隶属度，其中，所述风险隶属度函数为：；其中，和均为非零的自然数；根据该类农产品品种的第个农产品样本在第个安全评价指标下的风险隶属度生成该类农产品品种的风险隶属度矩阵。
57.具体的，由于属于该类农产品品种的所有农产品样本在第个安全评价指标下的判定标准，仅当属于该类农产品品种的第个农产品样本在第个安全评价指标下
的实际监测结果时，属于该类农产品品种的第个农产品样本在第个安全评价指标下的样本超标度取0值，此时该类农产品品种的第个农产品样本在第个安全评价指标下的风险隶属度取最大值1，代表绝对安全；当时，取值大于0，且取值越大，取值亦越大的取值越趋向于0值，代表安全性越低。即，；当且仅当时，=1；当时，随的递增而递减。
58.在一个可行的实施方案中，所述根据每类所述农产品品种的风险隶属度矩阵，利用模糊风险熵算法确定出目标模糊风险熵矩阵，包括：根据属于该类农产品品种的第个农产品样本在第个安全评价指标下的风险隶属度，利用所述模糊风险熵算法确定出该类农产品品种在第个安全评价指标下的模糊风险熵，其中，所述模糊风险熵算法为：；其中，为大于0的常数、为属于该类农产品品种的农产品样本的数量，和均为非零的自然数；根据该类农产品品种在第个安全评价指标下的风险隶属度生成所述目标模糊风险熵矩阵。
59.具体的，由于在∈(0, 1)上的极小值为-ln(2)，故定义k=1/nln(2)。显然，的取值区间为[0, 1]：当=1/2时，取1值，代表风险最模糊，产品的安全性最不确定；当的取值越趋向于0，此时的取值趋向+∞，代表风险不断增加，产品处于非常不安全的状态；当全为1时，设定取0值，代表风险不模糊，产品处于安全状态。
[0060]
在一个可行的实施方案中，在根据每类所述农产品品种的风险隶属度矩阵，利用模糊风险熵算法确定出目标模糊风险熵矩阵后，所述方法还包括：将目标模糊风险熵向量输入至所述综合评价模型得到用于描述目标农产品品种的安全性的安全品种评价指数，以根据所述安全品种评价指数对属于所述目标农产品品种的农产品样本进行安全性评价，其中，所述目标模糊风险熵向量为所述目标模糊风险熵矩阵中的用于指示所述目标农产品品种在每个安全评价指数下的目标模糊风险熵的向量。
[0061]
具体的，由于目标模糊风险熵矩阵中的每一列为一类农产品品种在不同安全评价指标下的模糊风险熵，当需要得到的是某类农产品品种的安全品种评价指数时，则将所述目标模糊风险熵矩阵中的用于指示该类农产品品种在每个安全评价指数下的目标模糊风险熵的向量，即目标模糊风险熵矩阵中的指示该类农产品品种的列的所有元素作为输入值，输入至综合评价模型中，能够得到用于描述该类农产品品种的安全性的安全品种评价指数。
[0062]
此处的安全品种评价指数的计算方法为：
；步骤s104中所述的安全性综合评价指数的计算方法为：；其中，代表指标权重，代表目标农产品品种的模糊风险熵，代表所有农产品品种的模糊风险熵。
[0063]
实施例二参见图3所示，图3示出了本发明实施例二所提供的一种农产品安全性评价装置的结构示意图，其中，所述装置包括：样本超标度矩阵生成模块301，用于对于至少一类农产品品种中的每类农产品品种，根据为该类农产品品种配置的至少一个安全评价指标以及属于该类农产品品种的每个农产品样本其各自在每个安全评价指标下的样本超标度，生成该类农产品品种的样本超标度矩阵；风险隶属度矩阵生成模块302，用于根据该类农产品品种的样本超标度矩阵，利用风险隶属度函数生成该类农产品品种的风险隶属度矩阵，其中，该类农产品品种的风险隶属度矩阵中的元素为属于该类农产品品种的每个农产品样本每个安全评价指标的风险隶属度；目标模糊风险熵矩阵确定模块303，用于根据每类所述农产品品种的风险隶属度矩阵，利用模糊风险熵算法确定出目标模糊风险熵矩阵，其中，所述目标模糊风险熵矩阵中的元素为每类所述农产品品种的每个安全评价指标的模糊风险熵值；第一安全性评价模块304，用于将所述目标模糊风险熵矩阵输入至训练好的综合评价模型得到用于描述所有农产品样本的安全性的安全综合评价指数，以根据所述安全综合评价指数对所有农产品样本安全性进行定量评价。
[0064]
在一个可行的实施方案中，参见图4所示，图4示出了本发明实施例二所提供的第二种农产品安全性评价装置的结构示意图，其中，所述装置还包括：安全评价指标配置模块401，用于在对于至少一类农产品品种中的每类农产品品种，根据为该类农产品品种配置的至少一个安全评价指标以及属于该类农产品品种的每个农产品样本其各自在每个安全评价指标下的样本超标度，生成该类农产品品种的样本超标度矩阵前，对于每类农产品品种，根据该类农产品品种的品种特性为该类农产品品种配置至少一个安全评价指标；样本超标度确定模块402，用于根据属于该类农产品品种的每个农产品样本在每个安全评价指标下的实际监测结果和属于该类农产品品种的所有农产品样本在每个安全评价指标下的判定标准确定出属于该类农产品品种的每个农产品样本在每个安全评价指标下的样本超标度。
[0065]
在一个可行的实施方案中，参见图5所示，图5示出了本发明实施例二所提供的第三种农产品安全性评价装置的结构示意图，其中，所述装置还包括：实际监测结果确定模块501，用于在对于该类农产品品种的每个农产品样本，根据该农产品样本在每个安全评价指标下的实际监测结果和该农产品样本在每个安全评价指标下的判定标准确定出该农产品样本在每个安全评价指标下的样本超标度前，对于每个安
全评价指标，根据该农产品样本的样本名称和该安全评价指标的指标名称从风险监测数据库中确定出该农产品样本在该安全评价指标下的实际监测结果；判定标准确定模块502，用于根据该农产品样本的样本名称和该安全评价指标的指标名称从判定标准数据库中确定出该农产品样本在该安全评价指标下的判定标准。
[0066]
在一个可行的实施方案中，所述样本超标度在用于根据属于该类农产品品种的每个农产品样本在每个安全评价指标下的实际监测结果和属于该类农产品品种的所有农产品样本在每个安全评价指标下的判定标准确定出属于该类农产品品种的每个农产品样本在每个安全评价指标下的样本超标度时，具体用于：根据下列表达式确定出属于该类农产品品种的第个农产品样本在第个安全评价指标下的样本超标度：；其中，为属于该类农产品品种的第个农产品样本在第个安全评价指标下的实际监测结果，为属于该类农产品品种的所有农产品样本在第个安全评价指标下的判定标准，和均为非零的自然数。
[0067]
在一个可行的实施方案中，所述风险隶属度矩阵模块在用于根据该类农产品品种的样本超标度矩阵，利用风险隶属度函数生成该类农产品品种的风险隶属度矩阵时，具体用于：根据属于该类农产品品种的第个农产品样本在第个安全评价指标下的样本超标度，利用所述风险隶属度函数确定出该类农产品品种的第个农产品样本在第个安全评价指标下的风险隶属度，其中，所述风险隶属度函数为：；其中，和均为非零的自然数；根据该类农产品品种的第个农产品样本在第个安全评价指标下的风险隶属度生成该类农产品品种的风险隶属度矩阵。
[0068]
在一个可行的实施方案中，所述目标模糊风险熵矩阵确定模块在用于根据每类所述农产品品种的风险隶属度矩阵，利用模糊风险熵算法确定出目标模糊风险熵矩阵时，具体用于：根据属于该类农产品品种的第个农产品样本在第个安全评价指标下的风险隶属度，利用所述模糊风险熵算法确定出该类农产品品种在第个安全评价指标下的模糊风险熵，其中，所述模糊风险熵算法为：；其中，为大于0的常数、为属于该类农产品品种的农产品样本的数量，和均为
非零的自然数；根据该类农产品品种在第个安全评价指标下的风险隶属度生成所述目标模糊风险熵矩阵。
[0069]
在一个可行的实施方案中，参见图6所示，图6示出了本发明实施例二所提供的第四种农产品安全性评价装置的结构示意图，其中，所述装置还包括：第二安全性评价模块601，用于在根据每类所述农产品品种的风险隶属度矩阵，利用模糊风险熵算法确定出目标模糊风险熵矩阵后，将目标模糊风险熵向量输入至所述综合评价模型得到用于描述目标农产品品种的安全性的安全品种评价指数，以根据所述安全品种评价指数对属于所述目标农产品品种的农产品样本进行安全性评价，其中，所述目标模糊风险熵向量为所述目标模糊风险熵矩阵中的用于指示所述目标农产品品种在每个安全评价指数下的目标模糊风险熵的向量。
[0070]
实施例三基于同一申请构思，参见图7所示，图7示出了本发明实施例三所提供的一种计算机设备的结构示意图，其中，如图7所示，本技术实施例三所提供的一种计算机设备700包括：处理器701、存储器702和总线703，所述存储器702存储有所述处理器701可执行的机器可读指令，当计算机设备700运行时，所述处理器701与所述存储器702之间通过所述总线703进行通信，所述机器可读指令被所述处理器701运行时执行上述实施例二所示的农产品安全性评价方法的步骤。
[0071]
实施例四基于同一申请构思，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述实施例中任一项所述的农产品安全性评价方法的步骤。
[0072]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0073]
本发明实施例所提供的进行农产品安全性评价的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
[0074]
本发明实施例所提供的农产品安全性评价装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
[0075]
在本发明所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连
接，可以是电性，机械或其它的形式。
[0076]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0077]
另外，在本发明提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0078]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
[0079]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0080]
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

技术特征：
1.一种农产品安全性评价方法，其特征在于，所述方法包括：对于至少一类农产品品种中的每类农产品品种，根据为该类农产品品种配置的至少一个安全评价指标以及属于该类农产品品种的每个农产品样本其各自在每个安全评价指标下的样本超标度，生成该类农产品品种的样本超标度矩阵；根据该类农产品品种的样本超标度矩阵，利用风险隶属度函数生成该类农产品品种的风险隶属度矩阵，其中，该类农产品品种的风险隶属度矩阵中的元素为属于该类农产品品种的每个农产品样本每个安全评价指标的风险隶属度；根据每类所述农产品品种的风险隶属度矩阵，利用模糊风险熵算法确定出目标模糊风险熵矩阵，其中，所述目标模糊风险熵矩阵中的元素为每类所述农产品品种的每个安全评价指标的模糊风险熵值；将所述目标模糊风险熵矩阵输入至训练好的综合评价模型得到用于描述所有农产品样本安全性的安全综合评价指数，以根据所述安全综合评价指数对所有农产品样本安全性进行定量评价。2.根据权利要求1所述的方法，其特征在于，在对于至少一类农产品品种中的每类农产品品种，根据为该类农产品品种配置的至少一个安全评价指标以及属于该类农产品品种的每个农产品样本其各自在每个安全评价指标下的样本超标度，生成该类农产品品种的样本超标度矩阵前，所述方法还包括：对于每类农产品品种，根据该类农产品品种的品种特性为该类农产品品种配置至少一个安全评价指标；根据属于该类农产品品种的每个农产品样本在每个安全评价指标下的实际监测结果和属于该类农产品品种的所有农产品样本在每个安全评价指标下的判定标准确定出属于该类农产品品种的每个农产品样本在每个安全评价指标下的样本超标度。3.根据权利要求2所述的方法，其特征在于，在对于该类农产品品种的每个农产品样本，根据该农产品样本在每个安全评价指标下的实际监测结果和该农产品样本在每个安全评价指标下的判定标准确定出该农产品样本在每个安全评价指标下的样本超标度前，所述方法还包括；对于每个安全评价指标，根据该农产品样本的样本名称和该安全评价指标的指标名称从风险监测数据库中确定出该农产品样本在该安全评价指标下的实际监测结果；根据该农产品样本的样本名称和该安全评价指标的指标名称从判定标准数据库中确定出该农产品样本在该安全评价指标下的判定标准。4.根据权利要求2所述的方法，其特征在于，所述根据属于该类农产品品种的每个农产品样本在每个安全评价指标下的实际监测结果和属于该类农产品品种的所有农产品样本在每个安全评价指标下的判定标准确定出属于该类农产品品种的每个农产品样本在每个安全评价指标下的样本超标度，包括：根据下列表达式确定出属于该类农产品品种的第个农产品样本在第个安全评价指标下的样本超标度：；
其中，为属于该类农产品品种的第个农产品样本在第个安全评价指标下的实际监测结果，为属于该类农产品品种的所有农产品样本在第个安全评价指标下的判定标准，和均为非零的自然数。5.根据权利要求1所述的方法，其特征在于，所述根据该类农产品品种的样本超标度矩阵，利用风险隶属度函数生成该类农产品品种的风险隶属度矩阵，包括：根据属于该类农产品品种的第个农产品样本在第个安全评价指标下的样本超标度，利用所述风险隶属度函数确定出该类农产品品种的第个农产品样本在第个安全评价指标下的风险隶属度，其中，所述风险隶属度函数为：；其中，和均为非零的自然数；根据该类农产品品种的第个农产品样本在第个安全评价指标下的风险隶属度生成该类农产品品种的风险隶属度矩阵。6.根据权利要求1所述的方法，其特征在于，所述根据每类所述农产品品种的风险隶属度矩阵，利用模糊风险熵算法确定出目标模糊风险熵矩阵，包括：根据属于该类农产品品种的第个农产品样本在第个安全评价指标下的风险隶属度，利用所述模糊风险熵算法确定出该类农产品品种在第个安全评价指标下的模糊风险熵，其中，所述模糊风险熵算法为：；其中，为大于0的常数、为属于该类农产品品种的农产品样本的数量，和均为非零的自然数；根据该类农产品品种在第个安全评价指标下的风险隶属度生成所述目标模糊风险熵矩阵。7.根据权利要求1所述的方法，其特征在于，在根据每类所述农产品品种的风险隶属度矩阵，利用模糊风险熵算法确定出目标模糊风险熵矩阵后，所述方法还包括：将目标模糊风险熵向量输入至所述综合评价模型得到用于描述目标农产品品种的安全性的安全品种评价指数，以根据所述安全品种评价指数对属于所述目标农产品品种的农产品样本进行安全性评价，其中，所述目标模糊风险熵向量为所述目标模糊风险熵矩阵中的用于指示所述目标农产品品种在每个安全评价指数下的目标模糊风险熵的向量。8.一种农产品安全性评价装置，其特征在于，所述装置包括：样本超标度矩阵生成模块，用于对于至少一类农产品品种中的每类农产品品种，根据为该类农产品品种配置的至少一个安全评价指标以及属于该类农产品品种的每个农产品样本其各自在每个安全评价指标下的样本超标度，生成该类农产品品种的样本超标度矩阵；
风险隶属度矩阵生成模块，用于根据该类农产品品种的样本超标度矩阵，利用风险隶属度函数生成该类农产品品种的风险隶属度矩阵，其中，该类农产品品种的风险隶属度矩阵中的元素为属于该类农产品品种的每个农产品样本每个安全评价指标的风险隶属度；目标模糊风险熵矩阵确定模块，用于根据每类所述农产品品种的风险隶属度矩阵，利用模糊风险熵算法确定出目标模糊风险熵矩阵，其中，所述目标模糊风险熵矩阵中的元素为每类所述农产品品种的每个安全评价指标的模糊风险熵值；第一安全性评价模块，用于将所述目标模糊风险熵矩阵输入至训练好的综合评价模型得到用于描述所有农产品样本的安全性的安全综合评价指数，以根据所述安全综合评价指数对所有农产品样本安全性进行定量评价。9.一种计算机设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7中任意一项所述的农产品安全性评价方法的步骤。10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7中任意一项所述的农产品安全性评价方法的步骤。

技术总结
本申请提供了一种农产品安全性评价方法、装置、设备及存储介质，其中，根据为每类农产品品种配置的至少一个安全评价指标以及属于每类农产品品种的每个农产品样本其各自在每个安全评价指标下的样本超标度，生成该类农产品品种的样本超标度矩阵；根据每类农产品品种的样本超标度矩阵，利用风险隶属度函数生成每类农产品品种的风险隶属度矩阵；根据每类农产品品种的风险隶属度矩阵，利用模糊风险熵算法确定出目标模糊风险熵矩阵；将目标模糊风险熵矩阵输入至训练好的综合评价模型得到用于描述所有农产品样本的安全性的安全综合评价指数，以根据安全综合评价指数对所有农产品样本进行安全性评价。采用上述方法，以实现农产品安全性的宏观定量评价。全性的宏观定量评价。全性的宏观定量评价。


技术研发人员：陈志军 刘艳 陈晶
受保护的技术使用者：中国农业科学院农业质量标准与检测技术研究所
技术研发日：2023.06.14
技术公布日：2023/7/21