基于區塊鏈與大數據技術的預制菜質量安全溯源系統

摘" 要：該研究開發基于區塊鏈和大數據技術的預制菜質量安全溯源系統，旨在解決食品質量控制、溯源和物流效率等問題。通過區塊鏈實現數據的分布式存儲和不可篡改性，結合物聯網技術實時采集倉儲、加工和運輸環節數據，構建全產業鏈追蹤平臺。系統采用環境預測模型、協同過濾算法和電商模塊，提供個性化推薦與智能倉儲監控。實驗結果顯示，該系統顯著提升質量控制、物流監控、產品溯源和生產數據分析效率，增強消費者信任。與傳統系統相比，該系統在數據處理、信息透明度和質量保障方面具有明顯優勢，提升行業管理水平，具有廣泛市場應用前景。

關鍵詞：區塊鏈；預制菜溯源；物聯網；質量控制；大數據

中圖分類號：S126" " " 文獻標志碼：A" " " " " 文章編號：2096-9902（2025）07-0017-04

Abstract： This study developed a quality safety traceability system for prepared food based on blockchain and big data technologies， aimed at addressing issues such as ingredient quality control， traceability challenges， and logistics efficiency. Blockchain ensures distributed storage and immutability of data， while Internet of Things （IoT） technology collects real-time data from storage， processing， and transportation stages through various sensors， creating a full supply chain traceability platform. The system also incorporates environmental prediction models， collaborative filtering algorithms， and e-commerce modules， providing personalized recommendations and smart warehouse monitoring. Experimental results show that the system significantly improves quality control， especially in logistics monitoring， product traceability， and production data analysis， offering effective solutions for optimizing production and enhancing consumer trust. Compared to traditional systems， this system demonstrates clear advantages in data processing efficiency， information transparency， and quality assurance. It not only improves the management level of the prepared food industry but also provides innovative technical support for industry development， with broad market application prospects.

近年來，隨著生活節奏加快和便捷、健康食品需求增加，預制菜行業迅速發展，成為全球飲食消費的重要組成部分。2021年，中國預制菜市場規模已達3 459億元，預計2026年將突破萬億[1-2]。然而，生產、儲存、物流等環節仍面臨食材質量控制、溯源機制不完善等挑戰，影響了行業發展與消費者信任。

國外市場較為成熟，生產和供應鏈管理已標準化，特別是在冷鏈物流和自動化生產方面。而國內預制菜行業信息化程度較低，尤其在食材追溯和生產監控方面仍存在不足，限制了行業進步。為了提升產業鏈透明度和效率，近年來，區塊鏈、物聯網、大數據等技術被逐步應用于預制菜行業。區塊鏈憑借數據不可篡改和可追溯性[3]，解決了供應鏈中的信息不對稱問題；物聯網通過實時監控提高了生產過程的精確性。這些技術的融合為行業發展提供了新的解決方案。

本研究基于區塊鏈、物聯網和大數據技術，提出構建預制菜全產業鏈質量安全溯源系統，旨在解決當前生產環節中的關鍵問題。與前人研究相比，本文創新性地結合了多傳感器數據采集與區塊鏈技術，構建了完整的供應鏈追溯與管理平臺，提升了生產效率與安全性，并為消費者提供更透明的信息查詢服務。

1" 系統總體架構設計

1.1" 基于大數據技術的預制菜智慧生產系統

大數據技術在預制菜生產與管理中提供智能化支持。通過實時采集和監控生產車間及倉儲環境中的關鍵參數（如溫度、濕度、光照等），系統能夠精準分析和預測環境變化。利用ARIMA模型和隨機森林算法處理大量生產數據，實現環境和生產流程的優化控制。系統自動檢測生產異常并根據分析結果進行調整，提高生產效率、降低成本，確保預制菜質量與安全。此外，歷史數據分析為企業長期生產規劃和產品優化提供科學依據。

1.2" 基于區塊鏈技術的預制菜全產業鏈溯源平臺設計與實現

為確保預制菜全程可追溯和信息透明，本系統采用區塊鏈技術基于Hyperledger Fabric框架構建質量安全溯源平臺，采用聯盟鏈模式確保數據隱私與安全。在生產和流通過程中，所有交易、質量檢測和物流信息均記錄在區塊鏈上，形成不可篡改的共享賬本。智能合約自動驗證交易，確保數據的真實性和一致性。每個節點可訪問相關信息，實現全產業鏈的實時追蹤和監控，提升消費者對食品安全的信任。

2" 系統功能架構設計

2.1" 系統需求概要

預制菜質量安全溯源系統融合了區塊鏈和大數據技術，致力于實現預制菜從采購、生產、運輸到銷售的全程追溯，確保產品的質量和安全。該系統利用區塊鏈的不可篡改性，保障了信息的真實性和不可篡改，同時通過物聯網數據采集，借助大數據的處理與分析能力，對各個環節產生的海量數據進行高效處理和分析，從而顯著提升了預制菜供應鏈的透明度和可追溯性。這兩大技術的結合，使得系統能夠更加全面和深入地監控和管理預制菜的質量安全。該系統具備如圖1所示的功能。

2.1.1" 采購模塊

采購模塊支持CRUD操作，整合倉庫環境監控系統，實時采集溫濕度數據，并通過環境預測模型評估原料儲存適宜性。預警算法在環境異常時自動報警，確保采購決策智能化，優化原料儲存監控，提高質量安全并提升采購效率與數據分析準確性。

2.1.2" 生產模塊

本系統生產模塊通過物聯網監控技術，實現預制菜生產環節的實時環境監控。傳感器采集的溫濕度、光照等數據經智能分析后，利用ECharts可視化展示。通過實時監控、歷史趨勢分析、異常報警及環境數據融合展示，確保用戶及時響應環境變化，提高了企業智能化管理水平，增強了產品安全性和消費者信任。

2.1.3" 物流模塊

物流模塊結合物聯網技術和智能倉儲系統，實時監控倉庫溫濕度，確保預制菜在最佳環境中保存。運輸過程中，通過在途管理系統實時追蹤冷鏈車位置與狀態，出現異常時自動報警，并通過可視化溫度監控技術保證冷鏈運輸安全。

2.1.4" 溯源模塊

本系統結合區塊鏈和物聯網技術，構建了全流程追溯系統，解決預制菜行業溯源難題。系統覆蓋原料采購、生產、倉儲和物流環節，實現詳細記錄與追蹤，具備防偽功能。通過物聯網實時監控環境條件與庫存變化，確保存儲安全；物流通過溫度傳感器和GPS追蹤，確保運輸安全。平臺向消費者展示產品原料、生產過程和質量信息，提升透明度與信任度。結合區塊鏈的分布式存儲和不可篡改性，確保數據的真實性與安全性。

2.1.5" 電商銷售模塊

電商銷售模塊通過用戶行為分析構建用戶畫像，提取關鍵特征如購買頻率和偏好，開發智能推薦系統，個性化推薦產品及相關內容，提升購物體驗。數據分析和推薦系統優化了商家的推廣與庫存管理，促進高效銷售。

2.1.6" 大數據可視化模塊

本系統的大數據可視模塊通過物聯網設備實時監控倉庫環境，預測變化并觸發預警。展示原料采購、生產、倉儲和物流信息，利用RFID和傳感器確保數據準確，提供溯源信息，增強信任。通過用戶行為和競品分析優化體驗和營銷策略，支持全流程監控與管理，提升企業競爭力和消費者滿意度。

2.2" 系統優勢

基于區塊鏈和大數據技術的預制菜質量安全溯源系統相比傳統溯源系統，具有顯著優勢，如更高的數據安全性、透明度和不可篡改性，確保信息的真實性和完整性。該系統通過實時監控和自動預警機制提升了風險管理能力，有效監控原料儲存條件，保障預制菜的質量安全。此外，系統創新性地提供個性化服務，并具備強大的技術更新能力，滿足市場發展需求，打破信息孤島，提高了數據共享和協同效率。這些改進不僅增強了消費者對品牌的信任，還提升了企業的市場競爭力，推動了預制菜行業的變革

3" 關鍵技術

3.1" 基于ARIMA、隨機森林的模型研究

隨機森林（RFR）結合了CART算法和Bagging算法，通過bootstrap重采樣生成多個樣本，建立多個決策樹模型，并通過投票機制得出預測結果。其既可用于分類問題，也可用于回歸問題，選擇哪種決策樹取決于任務需求[4]。

ARIMA模型，全稱差分整合移動平均自回歸模型（Autoregressive Integrated Moving Average model），簡稱ARIMA模型，是一種成熟且精準的時間序列分析與預測方法。其核心原理是：通過對非平穩時間序列進行d階差分轉換為平穩序列，再通過對因變量進行自回歸分析以及與滯后值和隨機誤差項的回歸建立模型。ARIMA（p，d，q）中的“AR”代表自回歸，“I”代表差分，“MA”代表滑動平均；p為自回歸項數，d為差分次數，q為滑動平均項數[5]。

3.2" 傳感器數據預處理與多元融合

3.2.1" 傳感器數據預處理

傳感器數據中常有偏差或缺失，如數據錯誤或小數點位置錯亂。數據預處理是確保結果準確的關鍵步驟，且在環境監測中占項目總時長的一半以上，且過程繁瑣。因此，本項目采用隨機森林方法對數據進行清洗，剔除無關數據，并補償混合類型缺失數據，其算法過程如下。

步驟1： 從訓練矩陣D中有放回隨機抽取一個子樣本矩陣Dz，作為第v棵回歸樹根節點的訓練樣本，v=1，2，3，…，l。Dz與D樣本大小相同，都是md×nd維的矩陣，nd是變量的個數，md是單一變量包含數據樣本的個數，表示為

步驟2： 對Dz進行分枝生長，從Dz中無放回隨機抽取w個（w＜＜nd）變量，從抽取的每個變量中隨機抽取e個值得到切割點矩陣Xcut，表示為

式中：Xcut為e×w維的矩陣；xkf是Xcut中的元素，k=1，2，3，…，e，f=1，2，3，…，w。計算Xcut集合內的最優切割C（xkf）

式中：Rleft（k，f）和Rright（k，f）分別為經xkf切分后的左、右子樹集合；Q1和Q2為左、右子樹的樣本數量。選擇最小C（xkf）值對應的切割點xkf，若Dz（g，f）lt;xkf，則第g行數據劃分到左子樹；若Dz（g，f）≥xkf，則劃分到右子樹。所有數據劃分完成后，左子樹集合形成矩陣Dleft，右子樹集合形成矩陣Dright。

步驟3：分別記錄Dleft和Dright所在節點路徑長度hd和樣本大小s，如Dleft和Dright的hd達到樹高或s小于設定閾值，則停止對該節點的分枝生長，否則對子樹節點繼續分枝生長。

步驟4：重復以上步驟，完成l棵回歸樹的構建，組成隨機森林回歸模型。

第v棵回歸樹預測結果為劃分后葉子節點內集合的平均值yv ，隨機森林回歸模型的輸出公式為

以上算法有效補償了混合類型缺失的數據，使采集到的數據更加準確，便于數據分析及對各種狀況進行預測[6]。

3.2.2 多元傳感器數據融合

預制菜生產車間和配送倉儲環境參數關系復雜，不同的傳感器采集的數據類型不同，信息處理的方式不同，數據存儲的格式也不同，致使數據很難通過簡單處理實現數據融合。最小二乘法在數據處理時具有簡潔高效、誤差小、精度高的特點。車間內布置的大量傳感器會采集到海量數據。為了提高數據處理的速度和精度，首先對表示同一環境特征的數據采用加權最小二乘法融合，即同類傳感器為了避免因某些傳感器異常而帶來誤差，在最小二乘法的基礎上對誤差較小的數據賦予較大的權重，對誤差賦予較小的權重，得到同類傳感器數據融合函數模型。這樣，當某個傳感器出現異常時就可以降低其對系統可以保證整個系統的穩定性，還可以提高測量數據的精度。

考慮一個包含n個傳感器的情況，有m個觀測據可以表示為矩陣形式。

設傳感器測量數據為Y，真實狀態為X，權重矩陣為W，則加權最小二乘法的優化目標是最小化殘差平方和

式中：｜｜·｜｜2表示歐幾里德范數；W是一個對角矩陣，對角線上的元素為各個傳感器的權重。

為了求解上述最小化問題，可以通過以下步驟進行。

第一，設定權重。為每個傳感器測量數據設定適當的權重，反映其相對可靠性和準確性。

第二，構建代價函數。將最小二乘問題轉化為代價函數的最小化問題，即構建代價函數

第三，最小化代價函數。對代價函數進行最小化，可以通過對其求偏導數等方法來獲得真實狀態X的估計值。

第四，權重更新。在實時應用中，可以根據傳感器的性能和環境變化動態更新權重，以適應不同條件下的數據融合需求[7]。

3.3 區塊鏈

3.3.1" 基于Hyperledger Fabric框架技術構建應用程序

使用Hyperledger Fabric開源許可區塊鏈框架，采用模塊化通用型框架，根據這種技術來構建應用程序，讓多方可以直接記錄，而不需要一個可信的中央管理機構來確保經過核實，保障數據安全，避免數據被中央管理機構篡改。在區塊鏈技術中，數據以區塊的方式永久儲存。區塊按時間順序逐個先后生成并連接成鏈，每一個區塊記錄了創建期間發生的所有交易信息。區塊的數據結構一般分為區塊頭和區塊體。其中，區塊頭用于鏈接到前一個區塊并且通過時間戳特性保證歷史數據的完整性；區塊體則包含了經過驗證的、區塊創建過程中產生的所有交易信息[8]。

3.3.2" 基于Fabric網絡實現對預制菜全產業鏈的追蹤

區塊鏈在對等網絡來實現這一點，網絡中的每個參與者都可以訪問記錄事務的共享分類賬。這些事務采用不可變而且能夠以加密方式進行驗證的設計，保證數據的安全性和隱私性。依靠區塊鏈所具有的獨一無二的身份管理及訪問控制功能使其非常適用于各種行業應用，依托于Fabric網絡，通過聯盟鏈以及智能合約對預制菜產銷鏈全溯源供應鏈的追蹤和跟蹤提供基礎支撐。在商業環境中，Fabric作為企業級聯盟鏈框架，通過channel連接不同組織，確保賬本數據隱密性。一個Fabric系統中可有多個channel，不同組織可以根據需求共享數據，保證數據隱私。

4" 結束語

本文系統探討了基于Hyperledger Fabric區塊鏈技術構建的全產業鏈溯源系統在預制菜行業中的實際應用。利用區塊鏈技術解決數據信息溯源困難與數據孤島問題。此外，結合隨機森林算法，成功開發了環境數據預測模型，能夠實時監測生產環境并進行預警，從而顯著提升預制菜生產過程的安全性與可靠性。

在技術層面上，本項目推動了信息化管理、深度學習和大數據可視化的創新與應用，極大地提升了預制菜行業的管理水平與生產效率。通過實時數據的可視化與智能分析，生產者得以實現精細化管理，優化生產流程，降低成本，提高生產效率和整體收益。與此同時，完善的溯源功能不僅保障了食品安全，還顯著增強了消費者對預制菜的信任，提升了市場競爭力，為行業的可持續發展奠定了堅實基礎。

參考文獻：

[1] 王寧.預制菜產業能否突出重圍[N].中國食品報，2022-03-23（007）.

[2] 袁京磊，王明. 我國預制菜安全檢測標準化建設情況[J].中國標準化，2024（17）：202-205.

[3] 南江霞，李明月，吳小勇，等.基于區塊鏈技術下兩條競爭供應鏈的策略選擇[J].系統科學與數學，2023，43（2）：452-477.

[4] 韓建軍，南少偉，李建平，等. 基于隨機森林算法的糧堆機械通風溫度預測及控制研究[J].河南工業大學學報（自然科學版），2019，40（5）：107-113.

[5] 胡波濤，王建平.基于ARIMA模型環縣肉羊產業的發展預測[J].熱帶農業工程，2022，46（2）：9-13.

[6] 韓紅桂，趙子凡，伍小龍，等.基于改進隨機森林的城市污水處理過程運行數據清洗方法[J].北京工業大學學報，2021，47（5）：421-430.

[7] 劉磊，周虎，韓美林，等.生態環境監測中多傳感器的數據融合算法[J].湖北理工學院學報，2021，37（6）：21-25.

[8] 商磊.基于區塊鏈的分布式可信網絡連接協議[D].西安：西安電子科技大學，2020.

*通信作者：劉同來（1982-），男，博士，副教授。研究方向為云計算與大數據、智慧農業。