密集检测论文

食品安全监管的科学模式探索 [2009-08-02 06:56] 摘要：食品安全直接关系着广大人民群众的身体健康和生命安全，同时还影响着国民经济的发展和社会稳定的维护。然而，近年来食品安全事件在全国范围内频频发生，显示我国食品安全正处于风险高发期和矛盾凸现期。如何实现对食品安全科学、有效的监管，保障人民群众的饮食安全，受到社会各界前所未有的关注和重视。剖析了我国食品安全监管中存在的诸多问题，积极探索符合实际、切实有效的科学监管模式。 关键词：食品安全；监管模式 食品安全事件的层出不穷，牵动着无数人民群众的神经。食品安全成为连续多届“两会”的焦点议题，却一直未能取得显著成效。诚然，食品安全监管是一项复杂、系统的任务，离不开公众参与意识、企业诚信自律等多方因素的配合与协作。这些辅持力量的缺失是导致食品安全危机不容忽视的原因。但现行食品安全监管体制存在的重大缺陷才是根本症结所在。 1我国食品安全监管现状和问题 我国面临的食品安全隐患 （1）源头污染。食品原料在种植和养殖过程中污染问题严重。我国种植和养殖业的现状多以农户为单位，分散面广，监管难度大，非法使用违禁农药和有毒有害添加剂的现象难以有效遏制，致使农产品的农药残留超标严重。一方面因农药、兽药引起的食物中毒事件时有发生，如食用被有机磷农药喷过的水果、蔬菜食品中毒和瘦肉精食物中毒；同时也为使用这些农产品原料加工的食品埋下了安全隐患。此外，环境污染也是不容忽视的污染因素。 （2）加工、贮存等过程中的污染。由于我国食品工业发展的时间较短，现有的食品加工基础设备落后，大多数企业规模小，仍采用传统或手工作坊式生产，食品生产加工过程的机械化和规范化程度低，从业人员卫生意识差等因素，使得食品在加工、贮存过程中受到诸多有害物质的污染，这是造成食物中毒的主要因素。尤其是在人群密集的餐饮场所如学生食堂、建筑工地等集体用餐场所，若加工条件和基础设施简陋、缺乏必要的卫生设施，极易引起集体性食物中毒。 （3）制假售假现象猖獗。我国目前正处于经济转轨的阶段，受利益驱使，一些不法分子在食品中掺杂、滥用食品添加剂，甚至用非食品原料和有毒有害物质加工食品。近几年发生的重大食品安全案件，如阜阳劣质奶粉造成婴儿中毒、金华火腿在加工过程中用敌敌畏浸泡、辣椒酱中加苏丹红一号都属此类。 我国现行食品安全监管体制 我国食品安全监管涉及到食品药品监督、卫生、农牧、商务、工商、质量监督检验、海关、环境等多个执法主体。目前，我国食品安全监管采用“一个监管环节由一个部门监管”的原则， 采取“分段监管为主， 品种监管为辅”的方式。 即农业部门（含林业、畜牧业、水产业及粮食业等）负责初级农产品生产环节的监管；质监部门负责食品生产加工环节的监管；工商部门负责食品流通环节的监管；卫生部门负责餐饮业和食堂等消费环节的监管；海关部门负责食品进出口环节的监管；商务部门负责食品供应行业的监管；食品药品监管部门负责对食品安全的综合监督、组织协调和依法组织查处重大事故。这种“分段监督”的模式，初步形成了我国食品安全监管链，形成了现阶段我国食品安全监管工作的基本格局。 我国食品安全监管体制的缺陷 条块分割分治的监管体制所凸现的缺陷非常明显。监管机构的混乱，使食品安全监管体制漏洞百出，有效性大打折扣。在这样的监管格局下，食品安全事件频发，监管部门应对无力的结果是可以预见的。 （1）部门职责划分不清，分工不明确。政出多门、多头执法，监管职能交叉重叠，部门之间互相掣肘的情况时有发生。职权交叉和责任真空的出现在所难免，扯皮、推诿现象司空见惯，彼此无法做到明确分工，协调配合， 食品安全监管难以形成合力。 （2）缺乏统一领导，沟通和协调困难。由于没有统一领导和规划，各部门分头执法，对食品安全进行监管所依据的法律法规、部门规章、监测标准不一，缺乏权威性。另外，沟通、协调不畅导致资源不能得到优化配置，造成巨大浪费，且无法发挥整体最大功效。 （3）缺乏有效的责任追究制度。由于法律没有形成有效的失职行为责任追究制度，当前食品安全监管中广泛存在“执法不严”、“违法不究”的现象。2新型科学监管模式探索和设想 根据美国科学院的一项研究结果，一个有效的食品安全监管体系应该包括以下内容: 要建立在科学基础上，强调风险分析和预防，从而把资源和工作重点放在具有最大潜在影响的风险上；以清楚、合理和科学（以风险为基础）的国家食品法律体系为基础；开展全面的监督和监测活动，并以其作为风险分析的基础；在中央层次上有一个权威声音对食品安全负责，并拥有在所有与食品安全有关的中央行动中贯彻中央政策（以科学为基础）的权力和资源；充分发挥地方政府、行业协会、消费者在食品安全体系中的职责和所扮演的重要角色；拥有实现职能所必需的充足资金。 我国食品安全监管必须从现存实际问题出发，在借鉴既有研究成果的基础上，突破陈旧体制的束缚，建立全新的科学监管模式。 归并执法职能，建立权威、统一、高效的食品安全监管体系 将整个食品安全链的监督职能赋予食品药品监督管理部门，统一行使食品安全综合监管的职能。经法律赋权后的国家食品药品监管部门隶属于国务院，为国务院直属工作局，负责对全国食品安全工作实施垂直管理。对食品的种（养）植（殖）， 生产加工、市场流通、餐饮消费等全过程直接实施法律监督。其主要职能是：拟定、修订食品安全监管法律法规并监督实施；拟定、修订和颁布食品法定标准；拟定、修订食品种植（养殖质量），生产质量，经营质量，食品卫生质量规范并监督实施；依法核发食品生产企业、经营企业、餐饮业许可证；监督鉴定、抽验食品种植（养殖）、生产加工、经营和餐饮业的食品质量及卫生质量，发布国家食品安全质量公报；依法查处制、售假、劣质食品的行为和责任人，监管食品集贸市场；审核食品广告，负责食品的行政保护，指导全国食品检验，检测机构的业务工作等。形成食品安全监管一条边垂直监管的机制后，可有效地避免过去那种政出多门，多头执法，执法部门之间相互制约，职权重叠交叉，办事效率低下，资源严重浪费，对涉嫌食品安全的违法事件打击不力的种种弊端，从而真正形成权威、统一、高效的食品安全监管工作格局。建立办事高效、运作协调、行为规范、政令畅通、监管到位的食品安全监管行政执法体系。 建立规划科学、配置合理、管理统一的食品安全监测运行机制 一要把好源头监管关。充分发挥检测机构的能力优势，开展对初级农产品、食品加工生产、种养业和农贸市场内的蔬菜、豆制品、肉类等产品的检验检测，通过媒介及时公告。 二要做足典型示范。精心组织开展食品安全诚信企业创建活动，将参加活动的各企业的食品安全诚信承诺，通过媒体向社会公告，并请予监督，对社会反映良好的企业，作为典型示范，予以推广。对参加的企业实行诚信考核，建立诚信联系档案，信誉好的企业，各职能部门减少对其检查次数，对信誉差的企业予以曝光并取消其诚信资格。 三要严格考核管理制度。“企业是食品安全的第一责任人”。加强对企业的食品安全质量工作的考核管理，督促企业强化食品质检科室建设、配备必需的质检技术人员和检测设备、加强食品安全的培训、健全质量安全的管理制度。 四要倡导企业规范化管理。各职能部门在加强食品安全监管的同时，倡导和鼓励、支持有条件的企业推广建立良好生产规范(GMP)、良好卫生规范(GHP)和危害分析与关键控制点(HACCP)体系。 五要加大食品安全知识的宣传力度。“消费者自己是保障食品安全的最后一道防线”。加强食品安全知识宣传力度，普及食品安全基本知识，提高消费者的食品安全意识，是完善食品安全监测机制的最后关卡。通过消费者的事后监督，使不符合安全标准的食品退出市场。 参考文献 [1] 郑风田，胡文静.从多头监管到一个部门说话：我国食品安全 监管体制急待重塑[J].中国行政管理.2005，（12） [2] 郭斌.对食品安全立法及改革现行食品安全监管机制的思考 [J].中国初级卫生保健.2005，（2） [3] 李海金.着力构建食品安全监管长效机制[J].中国食品药品监管. 2005，（12） [4] 潘文.我国食品安全成因与对策[J].合作经济与科技.2006（4）

论文原文：

YOLO（you only look once）是继RCNN、faster-RCNN之后，又一里程碑式的目标检测算法。yolo在保持不错的准确度的情况下，解决了当时基于深度学习的检测中的痛点---速度问题。下图是各目标检测系统的检测性能对比：

如果说faster-RCNN是真正实现了完全基于深度学习的端到端的检测，那么yolo则是更进一步，将 目标区域预测 与 目标类别判断 整合到单个神经网络模型中。各检测算法结构见下图：

每个网格要预测B个bounding box，每个bounding box除了要回归自身的位置之外，还要附带预测一个confidence值。这个confidence代表了所预测的box中含有object的置信度和这个box预测的有多准两重信息，其值是这样计算的：

其中如果有object落在一个grid cell里，第一项取1，否则取0。第二项是预测的bounding box和实际的groundtruth之间的IoU值。

每个bounding box要预测(x, y, w, h)和confidence共5个值，每个网格还要预测一个类别信息，记为C类。即SxS个网格，每个网格除了要预测B个bounding box外，还要预测C个categories。输出就是S x S x (5*B+C)的一个tensor。（注意：class信息是针对每个网格的，即一个网格只预测一组类别而不管里面有多少个bounding box，而confidence信息是针对每个bounding box的。）

举例说明: 在PASCAL VOC中，图像输入为448x448，取S=7，B=2，一共有20个类别(C=20)。则输出就是7x7x30的一个tensor。整个网络结构如下图所示：

在test的时候，每个网格预测的class信息和bounding box预测的confidence信息相乘，就得到每个bounding box的class-specific confidence score:

等式左边第一项就是每个网格预测的类别信息，第二三项就是每个bounding box预测的confidence。这个乘积即encode了预测的box属于某一类的概率，也有该box准确度的信息。

得到每个box的class-specific confidence score以后，设置阈值，滤掉得分低的boxes，对保留的boxes进行NMS（非极大值抑制non-maximum suppresssion）处理，就得到最终的检测结果。

1、每个grid因为预测两个bounding box有30维（30=2*5+20），这30维中，8维是回归box的坐标，2维是box的confidence，还有20维是类别。其中坐标的x,y用bounding box相对grid的offset归一化到0-1之间，w,h除以图像的width和height也归一化到0-1之间。

2、对不同大小的box预测中，相比于大box预测偏一点，小box预测偏一点肯定更不能被忍受的。而sum-square error loss中对同样的偏移loss是一样。为了缓和这个问题，作者用了一个比较取巧的办法，就是将box的width和height取平方根代替原本的height和width。这个参考下面的图很容易理解，小box的横轴值较小，发生偏移时，反应到y轴上相比大box要大。其实就是让算法对小box预测的偏移更加敏感。

3、一个网格预测多个box，希望的是每个box predictor专门负责预测某个object。具体做法就是看当前预测的box与ground truth box中哪个IoU大，就负责哪个。这种做法称作box predictor的specialization。

4、损失函数公式见下图：

在实现中，最主要的就是怎么设计损失函数，坐标（x,y,w,h），confidence，classification 让这个三个方面得到很好的平衡。简单的全部采用sum-squared error loss来做这件事会有以下不足：

解决方法：

只有当某个网格中有object的时候才对classification error进行惩罚。只有当某个box predictor对某个ground truth box负责的时候，才会对box的coordinate error进行惩罚，而对哪个ground truth box负责就看其预测值和ground truth box的IoU是不是在那个cell的所有box中最大。

作者采用ImageNet 1000-class 数据集来预训练卷积层。预训练阶段，采用网络中的前20卷积层，外加average-pooling层和全连接层。模型训练了一周，获得了top-5 accuracy为（ImageNet2012 validation set），与GoogleNet模型准确率相当。

然后，将模型转换为检测模型。作者向预训练模型中加入了4个卷积层和两层全连接层，提高了模型输入分辨率（224×224->448×448）。顶层预测类别概率和bounding box协调值。bounding box的宽和高通过输入图像宽和高归一化到0-1区间。顶层采用linear activation，其它层使用 leaky rectified linear。

作者采用sum-squared error为目标函数来优化，增加bounding box loss权重，减少置信度权重，实验中，设定为\lambda _{coord} =5 and\lambda _{noobj}= 。

作者在PASCAL VOC2007和PASCAL VOC2012数据集上进行了训练和测试。训练135轮，batch size为64，动量为，学习速率延迟为。Learning schedule为：第一轮，学习速率从缓慢增加到（因为如果初始为高学习速率，会导致模型发散）；保持速率到75轮；然后在后30轮中，下降到；最后30轮，学习速率为。

作者还采用了dropout和 data augmentation来预防过拟合。dropout值为；data augmentation包括：random scaling，translation，adjust exposure和saturation。

YOLO模型相对于之前的物体检测方法有多个优点：

1、 YOLO检测物体非常快

因为没有复杂的检测流程，只需要将图像输入到神经网络就可以得到检测结果，YOLO可以非常快的完成物体检测任务。标准版本的YOLO在Titan X 的 GPU 上能达到45 FPS。更快的Fast YOLO检测速度可以达到155 FPS。而且，YOLO的mAP是之前其他实时物体检测系统的两倍以上。

2、 YOLO可以很好的避免背景错误，产生false positives

不像其他物体检测系统使用了滑窗或region proposal，分类器只能得到图像的局部信息。YOLO在训练和测试时都能够看到一整张图像的信息，因此YOLO在检测物体时能很好的利用上下文信息，从而不容易在背景上预测出错误的物体信息。和Fast-R-CNN相比，YOLO的背景错误不到Fast-R-CNN的一半。

3、 YOLO可以学到物体的泛化特征

当YOLO在自然图像上做训练，在艺术作品上做测试时，YOLO表现的性能比DPM、R-CNN等之前的物体检测系统要好很多。因为YOLO可以学习到高度泛化的特征，从而迁移到其他领域。

尽管YOLO有这些优点，它也有一些缺点：

1、YOLO的物体检测精度低于其他state-of-the-art的物体检测系统。

2、YOLO容易产生物体的定位错误。

3、YOLO对小物体的检测效果不好（尤其是密集的小物体，因为一个栅格只能预测2个物体）。