СПОСОБ ВЫЯВЛЕНИЯ ДЕФЕКТОВ В ПРОДУКТЕ ПИТАНИЯ В РЕЖИМЕ РЕАЛЬНОГО ВРЕМЕНИ Российский патент 2014 года по МПК G06K9/46 G06T7/00 

Предшествующий уровень техники

Область техники, к которой относится изобретение

Данное изобретение относится к применению многомерного анализа изображения для выявления дефектов на производственной линии, производящей продукт питания. Описание области техники, к которой относится изобретение

Химический акриламид давно применяется в полимерной форме в промышленных приложениях для обработки воды, повышения выхода масла, изготовления бумаги, осадителей, загустителей, при обработке руды и волокон несминаемого материала. Акриламид образует осадок в виде белого кристаллического вещества, не имеет запаха, и обладает высокой растворимостью в воде (2155 г/л при 30°C). Синонимы акриламида включают 2-пропенамид, этилен-карбоксамид, акриловой кислоты амид, винил-амид, и пропеновой кислоты амид. Акриламид имеет молекулярную массу 71,08, точку плавления 84, °C, и точку кипения 125°C при 25 мм рт. ст.

С недавнего времени в широком ряде продуктов питания стало обнаруживаться наличие мономера акриламида. В первую очередь акриламид был выявлен в углеводных продуктах питания, которые нагревали или обрабатывали при высоких температурах. Примеры продуктов питания с наличием акриламида включают кофе, злаки, печенье, картофельные чипсы, крекеры, картофель фри, хлеб и рулеты, и жареное в сухарях мясо. Не был доказан вред акриламида для человека, но его присутствие в продуктах питания, особенно в высоких уровнях, является нежелательным.

Одним способом снижения формирования акриламида является термическая обработка продуктов питания до более высокого содержания влаги. Однако продукты питания со слишком высоким содержанием влаги обладают плохими органолептическими свойствами и нежелательны для потребителей. Задачей настоящего изобретения является выявление дефектов, в частности продуктов питания с содержанием влаги выше определенного порогового значения, в процессе производства продукта питания с высоким содержанием влаги.

Изложение сущности изобретения

Один аспект настоящего изобретения направлен на способ выявления в режиме реального времени дефектов в продукте питания, включающий этапы захвата изображения продукта питания в видимом спектре, выполнение многомерного анализа изображения для получения набора данных, и определение того, имеется ли дефект в продукте питания на основе набора данных. В одном аспекте изобретение дополнительно содержит удаление продуктов питания, содержащих дефект, перед этапом упаковывания. Один аспект настоящего изобретения включает регулировку параметров способа для снижения числа дефектных произведенных продуктов питания. Одни аспект настоящего изобретения включает анализ и удаление продуктов питания с акриламидными дефектами.

Один аспект настоящего изобретения направлен на программируемую пользователем вентильную матрицу, имеющую алгоритм, преобразующий цветное изображение продукта питания в набор данных, таких как t₁-t₂ интервал шкалы, с помощью многомерного анализа изображения, определяющий, существует ли дефект, на основе набора данных, и отправляющий сигнал к нижерасположенному сортировочному оборудованию для удаления указанного дефекта в пределах примерно 0,002 секунд.

В одном аспекте настоящее изобретение направлено на аппарат для контроля процесса производства продукта питания на наличие дефектов. В одном аспекте аппарат содержит устройство захвата изображений, вычислительное устройство, способное хранить алгоритм, где указанный алгоритм преобразует цветное изображение продукта питания в подходящее выражение матрицы изображения через многомерный анализ изображения, и определяет, имеется ли дефект, на основе полученного набора данных.

Другие аспекты, варианты осуществления и характеристики изобретения станут понятными из следующего подробного описания изобретения при рассмотрении в сочетании с сопроводительными чертежами. Сопроводительные чертежи являются схематическими и не предназначаются для изображения в масштабе. На различных чертежах каждые одинаковые или по существу подобные компоненты представлены одинаковым цифровым обозначением или условным знаком. Для простоты не каждый компонент отмечается на всех чертежах. Не каждый компонент в каждом варианте осуществления изобретения показан, если иллюстрация не является обязательной для понимания изобретения специалистом в данной области техники.

Краткое описание чертежей

Новые черты, являющиеся характеристиками изобретения, изложены в формуле изобретения. Само изобретение, однако, также как и предпочтительный способ применения, дополнительные задачи и преимущества, станут лучше понятными со ссылкой на подробное описание иллюстративных воплощений при чтении в сочетании с сопроводительными чертежами, на которых:

Фигура 1 изображает общую поточную диаграмму способа выявления дефектов в процессе производства продукта питания в соответствии с одним вариантом осуществления настоящего изобретения.

Фигура 2 изображает предполагаемое распределение содержания влаги в картофельных чипсах.

Фигура 3a изображает множество жареных картофельных чипсов, где каждый чипе имеет необходимый хрустящий участок и дефектный мягкий центральный участок.

Фигура 3b показывает скорректированное изображение дефектного мягкого центрального участка, наложенное на жаренные картофельные чипсы, изображенные на Фигуре 3а.

Фигура 4 является предполагаемым представлением цветных изображений двух жареных картофельных чипсов, преобразованным в t₁-t₂ интервал шкалы.

Фигура 5 является схематическим представлением одного варианта осуществления настоящего изобретения.

Подробное описание изобретения

Настоящее изобретение в одном варианте осуществления включает способ выявления в режиме реального времени дефектов в процессе производства продукта питания. Настоящее изобретение можно применять для контроля процесса производства продукта питания и выявления продуктов питания, содержащих дефекты, с помощью многомерного анализа изображения, для отличия характеристик продукта питания, некоторые из которых являются дефектными, а другие - нет, выглядящих подобными при анализе в видимом спектре.

Что касается Фигуры 1, захвачено изображение 100 продукта питания в видимом спектре, охватывающем диапазон длин волн от 400 нм до 700 нм, с помощью видеооборудования, работающего в режиме реального времени, такого как цифровая камера, по мере продвижения продукта по производственной линии. В одном варианте осуществления отображается полная ширина ленты транспортера, таким образом, обеспечивая максимальный контроль и анализ поверхности продукта питания. В одном варианте осуществления продукт питания имеет однослоиную конфигурацию. Уложенные пластом продукты питания можно поместить в однослойной конфигурации путем переноса уложенного пластом продукта питания с первого ленточного конвейера к более быстро передвигающемуся второму ленточному конвейеру. Многомерный анализ изображения (далее «МАИ») затем проводили с применением алгоритма 110. В одном варианте осуществления алгоритм может быть запрограммирован в программируемой пользователем вентильной матрице (ППВМ), которая является полупроводниковым устройством, известным в данной области техники, которое можно запрограммировать в этой области. В одном варианте осуществления интегральную схему прикладной ориентации можно применять для обработки алгоритма. Алгоритм можно применять для выявления набора данных, отображающих расположение характеристик продукта в интервале шкалы t₁-t₂ или другом подходящем выражении матрицы изображения посредством многомерного анализа изображения.

Далее определяется наличие дефекта 120 на основе полученного набора данных. В одном варианте осуществления, если дефект обнаружен, сигнал 130 может быть направлен к сортировочному оборудованию, такому как банк из независимо выбранных воздушных форсунок, расположенных ниже видеооборудования, для отбраковки продукта питания, имеющего дефект. Сортировочное оборудование затем бракует продукты питания, содержащие дефекты, отклоняя дефектные продукты питания от конвейера, несущего продукт, с потоком воздуха из воздушной форсунки перед этапом упаковывания.

В одном варианте осуществления, изобретение включает применение определения дефектов в режиме реального времени для регуляции параметров процесса на линии производства продукта питания для снижения процента дефектов в продуктах питания.

Один вариант осуществления настоящего изобретения можно разъяснить со ссылкой на линию производства картофельных чипсов и дефекты «мягкого центра», наблюдающиеся в жареных картофельных чипсах с содержанием влаги более примерно 2,5 масс.%. Дефект мягкого центра возникает, когда продукт питания, подвергающийся тепловой обработке, такой как жареный картофельный чипе, не обрабатывают до содержания влаги, гарантирующего хрустящую текстуру продукта питания. Таким образом, центральный участок продукта питания является относительно мягким. Мягкие центры представляют проблему, поскольку они оказывают отрицательное влияние на срок годности продукта из-за увеличения количества влаги в контейнере для продукта, и приводят к более быстрой потере свежести продукта. Кроме того, мягкие центры влияют на текстуру картофельного чипса, что приводит к снижению привлекательности для потребителя, и может вызывать слипание множества чипсов, что влечет за собой проблемы при дальнейшей обработке.

Когда продукты питания подвергают термической обработке до более высокого содержания влаги для снижения уровня акриламида в продукте, то дефекты в виде мягких центров возникают чаще. Например, картофельные чипсы обычно готовят путем жарки до теоретического распределения содержания влаги, изображенного кривой 200 на Фигуре 2. Как показано на Фигуре 2, когда картофельные чипсы жарят до целевого содержания влаги примерно 1,4 масс.%, очень мало картофельных чипсов имеет содержание влаги около 2 масс.%. Однако, термическая обработка продуктов до такого содержания влаги, как целевое содержание влаги примерно 1,8 масс.%, для снижения образования акриламида, может в результате приводит к нежелательным последствиям в виде образования большого числа мягких центров, которые нужно удалить из потока продукта перед упаковкой. Кривая 220 на Фигуре 2 представляет теоретическое распределение содержания влаги в картофельных чипсах, подвергнутых термической обработке, жареных до целевого содержания влаги около 1,8%. Как показано на Фигуре 2, повышение целевого содержания влаги в картофельных чипсах приводит к повышению процентного содержания чипсов с содержанием влаги более примерно 2,0%. Также на Фигуре 2 видно, что теоретическое распределение влаги 220 расширяется по мере увеличения целевой влажности. Причиной повышения распределения влаги 220 является то, что нижний конец распределения расположен дальше от ограничения содержания «связанной» влаги в готовом картофельном чипсе. Соответственно, при повышении целевого содержания влаги будет возникать еще больше дефектов мягких центров, чем ожидается.

Существующее сортировочное оборудование для производства картофельных чипсов основано на обнаружении в видимом спектре дефектных чипсов на основе степени потемнения (например, черного, коричневого, зеленого цвета), и размера наблюдаемых дефектов в чипсе. Однако, обнаружение дефектов мягких центров с существующим оборудованием затруднено, поскольку мягкие центры отражают свет иначе, чем другие дефекты, поскольку дефекты мягких центров являются белыми или блестящими/глянцевыми. Например, цвет иногда описывают как HSI (цвет, насыщенность, интенсивность) цветовое пространство. Трудно применять HSI цветовое пространство для точного выявления дефектов мягких центров, поскольку блестящий или глянцевый компонент, который в основном не относится к действительным свойствам насыщенности и интенсивности объекта, нужно измерять с помощью HSI технологии. Кроме того, сложность заключается в том, что пропитанные маслом чипсы, которые не являются дефектными, также излучают на длине волны, соответствующей белому цвету или глянцу, и могут быть ошибочно отбракованы вместе с мягкими центрами.

Пропитанные маслом чипсы являются жареными продуктами питания, в которых масло не связано с крахмалом. Различные участки жареного чипса могут быть пропитаны маслом. В некоторых вариантах осуществления, поскольку чипсы анализировали на наличие дефектов в относительно короткий период времени после выхода из устройства для жарки, масло могло оставаться на поверхности жареного продукта питания, если масло еще не впитывалось продуктом питания. Пропитанные маслом чипсы не считаются дефектными. Соответственно, существует потребность в аппарате и способе контроля производственной линии для продукта питания, подвергнутого термической обработке, на наличие мягких центров, и избирательного удаления чипсов с мягкими центрами без удаления пропитанных маслом чипсов.

В то время как жареные продукты питания, подвергнутые термической обработке, обычно обрабатывают до содержания влаги менее 2,5 масс.% от массы продукта, и более предпочтительно менее примерно 2,0 масс.% от массы продукта питания, печеные продукты, такие как крекеры, могут подвергаться термической обработке до более высокого содержания влаги и при этом оставаться устойчивыми при хранении. Соответственно, как применяется здесь, термин «продукт питания, подвергнутый термической обработке» относится к продукту питания с содержанием влаги менее примерно 5 масс.%, и более предпочтительно, менее примерно 3,5 масс.%. Как применяется здесь, термины «чипе» и «продукт питания, подвергнутый термической обработке» применяются взаимозаменяемо.

Один вариант осуществления настоящего изобретения обеспечивает дифференцировку дефектов мягких центров и пропитанных маслом чипсов с помощью многомерного анализа изображения подвергнутого термической обработке продукта питания, полученного в видимом спектре, для создания алгоритма, который можно применять для идентификации характеристик, таких как дефекты мягких центров и пропитанные маслом участки продукта питания.

Цветное изображение, захваченное в видимом спектре, является многомерным изображением, состоящим из трех переменных - красного, зеленого и синего каналов. Цвет каждого пикселя в изображении имеет различную интенсивность красного, зеленого и синего цвета и характеризуется цифровыми значениями (обычно целыми числами от 0 до 255) от красного, зеленого и синего каналов. Цветное изображение можно выразить в виде матрицы 3 порядка. Два измерения представляют x-y пространственные координаты, а третьим измерением является цветовой канал. Без учета пространственных координат пикселей, матрица изображения может быть развернута и выражена как матрица 2 порядка.

$${\underset{\_}{I}}_{N_{row}}{}_{\times N_{col}\times 3}\stackrel{unfold}{\to }{I}_{N\times 3}=\left[\begin{array}{ccc}{{}^C}_{\mathrm{1,}r}& {{}^C}_{\mathrm{1,}g}& {{}^C}_{\mathrm{1,}b}\\ M& M& M\\ {{}^C}_{i,r}& {{}^C}_{i,g}& {{}^C}_{i,b}\\ M& M& M\\ {{}^C}_{N,r}& {{}^C}_{N,g}& {{}^C}_{N,b}\end{array}\right]=\left[\begin{array}{c}{{}^C}_l\\ M\\ {{}^C}_i\\ M\\ {{}^C}_N\end{array}\right]$$

$$\underset{\_}{I}$$ является матрицей изображения 3 порядка с размером изображения N_row×N_col. I является развернутой матрицей изображения 2 порядка. N является числом пикселей в изображении, N=N_row×N_col,c_i,r,c_i,g,c_i,b (i=1,…,N) являются значениями интенсивности красного, зеленого и синего каналов для пикселя i. с_i (i=1,…,N) является i-ым вектором-строкой I, представляющим цветовые значения пикселя i. Различные регрессионные способы, известные в данной области техники, такие как анализ главных компонентов (АГК) или метод частных наименьших квадратов (МЧНК), можно применять для матрицы 12-го порядка для получения интервала шкалы t₁-t₂.

Например, многовариантный анализ главных компонентов можно применять для многомерного цветного изображения для получения интервала шкалы t₁-t₂. Многовариантный АГК эквивалентен выполнению АГК на развернутой матрице изображения I 2-го порядка.

$$I=\underset{a=1}{\overset{A}{\Sigma }}{t}_a{p}_a^T$$

где А является числом основных компонентов, t_a являются векторами положения, а соответствующие р_а являются векторами нагрузки.

Поскольку размеры ряда матрицы изображения 2-го порядка I являются очень большими (равными 307,200 для пространства изображения 480×640), а размеры колонки гораздо меньше (равны 3 для красного-зеленого-синего цветного изображения), можно применять базовый алгоритм для подсчета векторов нагрузки и положения. В этом алгоритме вначале формируется базовая матрица (I^TI) (для набора изображений базовая матрица подсчитывается как

$${\displaystyle \sum _k{I}_k^T{I}_k),}$$

а затем проводят разложение по сингулярным числам матрицы (SVD) на этой матрице очень малого размера (3×3 для цветного изображения) для получения векторов нагрузки pa (a=1,…,A).

После получения векторов нагрузки, соответствующие векторы положения затем подсчитывают как ta=I pa. Поскольку первые два компонента обычно объясняют большинство переменных, вместо работы в исходном 3-мерном пространстве красного-зеленого-синего цвета, работа в 2-мерном ортогональном t1-t2 интервале шкалы обеспечивает более просто интерпретируемые изображения.

Фигура 3A изображает множество жареных картофельных чипсов, где каждый чипе имеет необходимый, не-дефектный хрустящий участок 302 с мягким центральным участком 304. Участок с легкой штриховкой, обозначенный номером 304, представленный более темным цветом на этом чертеже, указывает на мягкий центр на действительном цветном изображении, и представлен для демонстрации участка мягкого центра 304. Фигура 4 является примерным представлением цветных изображений двух жареных картофельных чипсов в интервале шкалы the t₁-t₂. Компьютерное программное обеспечение для преобразования изображения в интервал шкалы t₁-t₂ известно в данной области техники.

Для разработки алгоритма, используемого для выполнения многомерного анализа изображения, соотносящегося с цветным изображением жареного картофельного чипса, для определения того, является ли чипе дефектным, проводится многовариантный АГК на двух изображениях на Фигуре 3а для преобразования интервала шкалы t₁-t₂ для каждого картофельного чипса 410, 411, изображенного на Фигуре 4.

Могут быть выполнены модификации для существующего оборудования для обеспечения наблюдения пользователем белых/глянцевых областей, такие как изменение материала конвейера с белого на темный цвет, такой как синий, для обеспечения дифференцировки цвета фона/ленты транспортера и дефекта, позволяющие проводить более точное выявление мягких центров. Соответственно, в одном варианте осуществления фоновый цвет, например, цвет ленты транспортера, удален с изображения на Фигуре 3а перед преобразованием изображения каждого картофельного чипса в интервале шкалы t₁-t₂. После удаления фона, красно-зелено-синее изображение картофельного чипса, изображенного на Фигуре 3а, можно преобразовать в трансформированное изображение 410, 411, показанное на Фигуре 4. Специалисту в данной области техники понятно, что различные продукты питания дают различные интервалы шкалы t₁-t₂. Например, интервал шкалы t₁-t₂ для чипсов тортилья является иным, чем интервал шкалы t₁-t₂ для картофельных чипсов. Нужно отметить, что имеются различные способы развертывания и выражения матрицы изображения, чем интервал шкалы t₁-t₂, и такое выражение приведено с целью иллюстрации, но не ограничения.

Далее, создается шаблон путем выделения установленного дефекта в красно-зелено-синем интервале и проверяется, попадает ли дефект в интервал t₁-t₂. Создается шаблон 402, который выделяет область интервала t₁-t₂, характеризующего дефект, соответствующий мягкому центральному участку, идентифицированному номером 304 на Фигуре 3а. В одном варианте осуществления шаблон 402 находится в том же самом интервале, хотя интервал шкалы для каждого картофельного чипса 410, 411 может охватывать различные области в интервале t₁-t₂.

Область, включающая шаблон 402 в интервале t₁-t₂, является выбранным и скорректированным изображением, проектируемьм в пространство красного-зеленого-синего цвета на картофельном чипсе, показанном на Фигуре 3b. Области шаблона вокруг участка дефекта 304, показанного на Фигуре 3A, в одном варианте осуществления, выбранные методом проб и ошибок, пока скорректированное изображение не было отображено обратно в RGB интервале, по существу налагали на область дефекта 314 чипса, показанную на Фигуре 3b. В одном варианте осуществления области шаблона вокруг участка дефекта 304, показанного на Фигуре 3а, можно выбрать путем алгоритма автоматизации, который может оптимизировать задачу генерации шаблона.

Вышеуказанный процесс можно повторять для определения шаблонов, соответствующих другим свойствам продукта питания, включая другие дефекты, но не ограничиваясь ими. Например, было установлено, что картофельные ломтики с дефектами связаны с высокими уровнями акриламида при жарке в горячем масле (например, жарке в масле с температурой более примерно 280°F), чем картофельные ломтики без дефектов. Картофельным ломтиком, не имеющим дефектов, является ломтик, имеющий ровный золотистый цвет на всей поверхности после жарки. Картофельные дефекты хорошо известны специалистам в данной области техники, и такие эффекты включают полосатость, сухую гниль, паршу, дуплистость клубней, позеленение, черную ножку, прорастание, помятости, скручивание листьев и сахарные дефекты, но не ограничиваются ими. Дополнительные подробности дефектов картофеля, включая перечень таких дефектов, можно найти в Информационном Бюллетене 205, озаглавленном «Выявление образований, заболеваний и дефектов картофеля», опубликованной Отделением патологии растений Корнельского университета на его веб-сайте:

http://vegetablemdonline.ppath.conell.edu/factsheets/Potato.Detection.htm.

Этот информационный бюллетень включен здесь посредством ссылки.

Несколько картофельных ломтиков, имеющих различные дефекты, жарили до содержания влаги ниже 2 мас.% в горячем масле, и анализировали на уровень акриламида. Результаты приведены в таблице внизу.

Дефект Уровни акриламида в жареных картофельных чипсах (ч./млн.) Полосатость 4435 Высокое содержание сахара 2062 Черная ножка 1081 Парша 1927 Позеленение 1816 Помятость 531 Гниль 1564

Сахарные дефекты обычно не удаляют из потока продукта перед упаковкой. Интересно, что чипсы с наивысшими уровнями акриламида, обусловленными сахарными дефектами, исторически не считались дефектными для потребителей, поскольку эти дефекты в основном обуславливали светлую или умеренно коричневатую окраску, и поэтому не считались непригодными. Скорее такие дефекты, как гниль, черная ножка и прорастания, обеспечивающие в основном черную или очень темную окраску, являются типами дефектов картофеля, которые с наибольшей вероятностью удаляются перед упаковкой.

В качестве примера вышеуказанных данных, удаление дефектных жареных картофельных чипсов из процесса упаковывания позволяет существенно уменьшить средний уровень акриламида в порции продукта питания. Соответственно, в одном варианте осуществления настоящего изобретения продукт питания, имеющий дефект акриламида, характеризующийся высокими уровнями акриламида, удаляют перед упаковыванием продуктов питания. Как применяется здесь, продукт питания имеет акриламидный дефект, характеризующийся высоким уровнем акриламида, если концентрация акриламида, обусловленная дефектом, более чем в два раза превышает уровень в не-дефектном картофельном ломтике, подвергнутом термической обработке в тех же самых условиях. Таким образом, в ломтике с сахарным дефектом повышенное содержание сахара способствует повышению уровня акриламида в готовом картофельном ломтике более чем в два раза, по сравнению с картофельным ломтиком с нормальным содержанием сахара (например, картофельные чипсы обычно содержат менее 0,05% восстанавливающего сахара по массе свежего картофеля), подвергнутым термической обработке в тех же самых условиях.

В одном варианте осуществления, шаблон создается путем выделения недефектной части чипса, такой как пропитанный маслом участок, и наблюдения, где дефект попадает в интервал красного-зеленого-синего. Области шаблона можно вновь выбрать путем проб и ошибок, или с помощью автоматизированного алгоритма, пока пропитанная маслом область не даст правильное изображение, адекватно охватывающее не-дефектную область чипса. Таким образом, можно провести дифференцировку между светло окрашенной областью картофельного чипса, обусловленной дефектным мягким центром, и светло окрашенной областью картофельного чипса, соответствующей не-дефектному пропитанному маслом чипсу. Программное обеспечение, такое как Proportion от Prosensus, me., можно применять для разработки алгоритма способом, описанным выше, для проведения многомерного анализа изображения, который можно применять для создания скорректированного изображения.

Этот алгоритм можно затем программировать в ППВМ для определения, на основе захваченного изображения и соответствующего набора данных, рассчитанного по изображению, числа, типа и степени отображающих дефект пикселей в чипсе, и установить, является ли чипе дефектным. ППВМ известны в данной области техники и могут, например, быть получены от Hunt Engineering, Brent Knoll Village, Самерсет, Англия.

Предпочтительно, настоящее изобретение, в отличие от предшествующего уровня техники, позволяет суммировать одну или несколько дефектных областей в чипсе. В одном варианте осуществления дефекты, наиболее связанные с акриламидом, можно оценивать так, чтобы акриламидные дефекты требовали меньшей дефектной области для удаления, чем другие дефекты, такие как мягкие центры, которые имеют относительно низкие уровни акриламида. Оценить, является ли чипе дефектным, можно с помощью одной или нескольких предварительно заданных переменных. В одном варианте осуществления дефект устанавливается, когда набор данных или скорректированное изображение обнаруживает, что по меньшей мере 10% от отображенного продукта включает мягкий центр.

В одном варианте осуществления дефектные чипсы предназначены для удаления. Если чипе предназначен для удаления, ППВМ может рассчитать целевую область, передать целевую область к специфическим удаляющим форсункам в банке воздушных форсунок ниже по линии, рассчитать необходимое время, и сообщить последовательность удаления для эжекторного блока управления. Можно применять сортировочное оборудование, такое как сортировщик с высокой мощностью Manta, поставляемый Key Technologies из Вэлла-Вэлла, Вашингтон.

На Фигуре 5 показано схематическое представление одного варианта осуществления настоящего изобретения. В одном варианте осуществления банк независимо запускаемых воздушных форсунок 508, расположенных по всей ширине конвейера 502, находится на коротком расстоянии (например, менее примерно 5 футов, и более предпочтительно, менее примерно 3 футов) ниже оборудования для захвата изображения 504. Таким образом, в таком варианте осуществления, если продукт 502 передвигается по конвейеру со скоростью 500 футов/мин, то многомерный анализ изображения и определение дефектов чипсов нужно проводить очень быстро.

Чтобы добиться этого, алгоритм можно запрограммировать в процессоре 506, соединенным с видеооборудованием 504 и сортировочным оборудованием 508. Цветное изображение картофельного чипса 502 может быть получено видеооборудованием 504 и послано к блоку обработки 506. Блок обработки 506 может содержать ППВМ.

Процессор 506 применяет алгоритм, разработанный с помощью способов, обсуждаемых выше, к изображению, трансформирующий цветное изображение в интервал шкалы t₁-t₂ или другое подходящее выражение матрицы изображения с помощью многомерного анализа изображения, и определяет, имеется ли дефект, на основе полученного набора данных. В одном варианте осуществления полученный набор данных применяют для наложения скорректированного изображения в интервале красного-зеленого-синего цвета на пищевой субстрат.

В одном варианте осуществления, если имеется дефект, то сигнал отправляется к нижерасположенному сортировочному оборудованию 508 для удаления дефектного чипса. С помощью ППВМ и/или технологии высокоскоростной процессорной матрицы 506 способ осуществляется менее чем примерно за 0,002 сек, и более предпочтительно, менее чем примерно за 0,001 сек, обеспечивая запуск высокоскоростных электромагнитных пневмоклапанов, соединенных с воздушными форсунками 508, которые выбираются для удаления установленных дефектов из потока продукта. Дефектные чипсы направляются в поток дефектного продукта 510, в то время как поток не-дефектных чипсов направляется для добавления приправ и/или упаковывания.

В одном варианте осуществления, если имеется дефект, сигнал можно применять для регулировки параметров процесса, чтобы регулировать уровень дефектов в готовом продукте. Например, время и температуру обработки продукта питания в устройстве для жарки можно оптимизировать так, чтобы уменьшить, снизить и/или свести к минимуму уровень дефектов в готовом продукте питания. Например, можно снизить скорость лопастного колеса, чтобы обеспечить более продолжительное время выдержки в устройстве для жарки и/или увеличить температуру горячего масла для прожаривания мягких центров. Другие параметры процесса, которые можно регулировать, включают скорость потока масла в устройстве для жарки, уровень масла в устройстве для жарки, скорость устройства для погружения, скорость выводного конвейера, температуру масла на входе, и скорость подачи продукта, но не ограничиваются ими.

В одном варианте осуществления проводят оценку потока дефектного продукта 510 и/или потока не-дефектного продукта 512 для обеспечения дополнительной тонкой регулировки процесса. Например, в одном варианте осуществления поток дефектного продукта 510 измеряют для определения уровня не-дефектных чипсов в потоке дефектного продукта 510. В одном варианте осуществления поток не-дефектного продукта 512 измеряют для определения уровня дефектных чипсов в потоке недефектного продукта 512. Эту информацию собирают, вместе со статистикой дефектов на входе, по типу и степени, рассчитанным процессором 506, и применяют для регулирования алгоритма. Такую тонкую регулировку можно осуществить, в одном варианте осуществления, путем наблюдения формы шаблона в изображении t₁-t₂ и увеличения (использования большего числа пикселей для установки анализа определенного класса дефекта) или снижения (использования меньшего числа пикселей для установки анализа определенного класса дефекта) радиального расстояния от центроида шаблона 402, показанного на Фигуре 4.

В одном варианте осуществления число, тип и степень пикселей дефекта в каждом чипсе в потоке дефектного продукта 510 и/или в потоке не-дефектного продукта 512 подсчитывают с целью статистического анализа 514. В одном варианте осуществления эти статистические данные можно объединить с уровнем дефектных чипсов в потоке не-дефектного продукта 512 для оценки производительности 516 системы. С применением информации о производительности системы 516 и об уровне не-дефектных продуктов в потоке дефектных продуктов питания 510, можно провести расчеты для регулировки агрессивности 518 регулировки по отношению к каждому отдельному классу дефектов. Например, по отношению к каждому определенному классу дефектов, если через систему проходит высокое количество дефектов, то регулирующее действие будет неизменно усиливать чувствительность каждого дефекта, по классу, до достижения приемлемой степени отбраковки дефекта. С другой стороны, если число дефектов в потоке не-дефектного продукта 512 находится в приемлемых пределах производительности, а число «хороших» чипсов в потоке отбракованного продукта 510 является неприемлемо высоким (что означает, что выход нужно увеличить), то систему нужно отрегулировать путем снижения чувствительности или агрессивности 518 к определенному классу дефектов (тех, которые не являются непреодолимыми с точки зрения содержания акриламида) для снижения числа «хороших» чипсов в потоке отбракованного продукта 510.

Эту информацию можно применять по отдельности или в сочетании с вводом оператором вручную для регулировки общей чувствительности 520 системы. В таком варианте осуществления оператор имеет доступ к вводном устройству, такому как направляющая планка или клавиши управления курсором, или регулировка «смещения»/ввода цифр на основе необходимой шкалы (например, 0-100, + / - 10, и т.д.), которые можно применять для смещения общей чувствительности системы к дефектам. Например, если оператору нужно повысить допустимые дефекты в потоке «хорошего» или не-дефектного продукта 512 для увеличения или уменьшения до определенного процента, например, от 5% до 4%, оператор может выполнить эту регулировку вручную. В одном варианте осуществления, регулировка вручную оператором может быть недоступной для подведения чувствительности к определенным классам дефектов, особенно тех, что приводят к повышению уровней акриламида, для обеспечения невозможности отмены удаления таких дефектов оператором вручную.

Предполагаемые примеры

Картофельные ломтики готовили в устройстве для непрерывной жарки, например, при температуре около 340°F-370°F в течение примерно 3 минут. Этап термической обработки обычно снижает уровень влаги в чипсе менее чем до 2 масс.%. Например, типичный жареный картофельный чипе покидает устройство для жарки с содержанием влаги примерно 1,5 масс.%.

Прошедшие термическую обработку картофельные чипсы покидают устройство для жарки и передаются по конвейеру со скоростью примерно 8 футов в секунду. Цифровая камера, расположенная над конвейером, захватывает цветное изображение чипса по мере его продвижения по конвейеру. Изображение направляется на блок обработки, содержащий ППВМ или процессорную матрицу с программируемым алгоритмом. ППВМ или процессорная матрица применяют алгоритм для преобразования цветного изображения в интервал шкалы t₁-t₂. Алгоритм затем определяет, является ли чипе дефектным, на основе того, располагаются ли характеристики чипса в интервале шкалы t₁-t₂. Создается шаблон, определяющий область в интервале шкалы t₁-t₂, характеризующий дефект. Это вначале выполняется путем выделения идентифицированного дефекта в RGB пространстве и наблюдения, попадает ли дефект в интервал t₁-t₂. Область вокруг точки в интервале шкалы t₁-t₂ выбирают и проецируют назад в интервал красного-зеленого-синего. Области шаблона вокруг участка дефекта предварительно идентифицируют путем проб и ошибок, пока область, отображаемая назад в интервал красного-зеленого-синего, не охватит адекватно дефектную область чипса. ППВМ сообщает сортировочному оборудованию, которое в одном варианте осуществления содержит одну или несколько воздушных форсунок, что дефектный чипе достигается на 3 футах или 0,006 секундах. Сортировочное оборудование удаляет дефектный чипе путем контакта дефектного чипса со струей воздуха, когда чипе запускается через отверстие примерно 12 дюймов в ширину между транспортирующим конвейером к приемному/наклонному желобу. Струя воздуха отклоняет чипе от конвейера в поток отходов.

Одним преимуществом наличия короткого расстояния между зоной детекции и удаляющими форсунками является то, что чипе перемещается с высокой скоростью, что означает скорость выше примерно 500 футов в минуту, что улучшает аэродинамику и позволяет перемещаться с учетом позиционирующей информации, передаваемой к воздушным удаляющим форсункам. Любое смещение в относительном положении чипса может привести либо к пропуску удаления, либо к возможному удалению соседнего не-дефектного чипса. Преимуществом размещения блоков визуализации как можно ближе к удаляющим форсункам является то, что снижается теоретическая вероятность пропущенных чипсов или ложной отбраковки. В одном варианте осуществления изображение захватывается во время «полета» чипса между транспортирующим конвейером и наклонным желобом. В этих случаях возможно расстояние порядка менее фута между системой захвата изображения и удаляющими форсунками.

Хотя настоящее изобретение описано со ссылкой на производственную линию для картофельных чипсов и дефекты мягкого центра в картофельных чипсах, нужно понять, что изобретение применимо к другим дефектам, подобным дефектам в производстве картофеля, и к другим продуктам питания, подвергающимся термической обработке, таким как печеные или жареные кукурузные чипсы, чипсы тортилья, крекеры, и т.д. Примеры и разъяснения, приведенные здесь, не предназначены для ограничения настоящего изобретения.

Таким образом, при описании некоторых аспектов по меньшей мере одного варианта осуществления настоящего изобретения подразумевается, что различные изменения, модификации и усовершенствования очевидны для специалиста в данной области техники. Такие изменения, модификации и усовершенствования являются частью настоящей заявки, и находятся в пределах сущности и объема настоящего изобретения. Соответственно, вышеприведенное описание и чертежи приведены только в качестве примера.

Изобретение относится к применению многомерного анализа изображения для выявления дефектов на производственной линии, производящей продукт питания. Техническим результатом является обеспечение контроля производственной линии для продуктов питания путем выявления дефектов продуктов питания, и избирательное удаление дефектных продуктов питания без удаления недефектных продуктов питания. Способ выявления дефектов в процессе производства продуктов питания, имеющем блок обработки, содержит этапы: захвата изображения указанных продуктов питания в видимом спектре; выполнения многомерного анализа изображения над полученным изображением для установления набора данных; определения наличия дефекта на основе указанного набора данных; при этом указанный дефект возникает, когда указанные продукты питания имеют содержание влаги более чем около 2,0 мас.%; при этом указанный дефект существует, когда указанный набор данных выявляет, что, по меньшей мере, около 10% от отображаемой области указанных отображаемых продуктов питания содержат мягкий центр; отбраковки указанных продуктов питания, имеющих указанные дефекты; и при этом указанный многомерный анализ изображения осуществляют посредством алгоритма, программируемого в вентильной матрице, программируемой пользователем. 3 н. и 10 з.п. ф-лы, 6 ил.

1. Способ выявления дефектов в процессе производства продуктов питания, имеющем блок обработки, содержащий этапы:
захвата изображения указанных продуктов питания в видимом спектре;
выполнения многомерного анализа изображения над полученным изображением для установления набора данных;
определения наличия дефекта на основе указанного набора данных;
при этом указанный дефект возникает, когда указанные продукты питания имеют содержание влаги более чем около 2,0 мас.%;
при этом указанный дефект существует, когда указанный набор данных выявляет, что, по меньшей мере, около 10% от отображаемой области указанных отображаемых продуктов питания содержат мягкий центр;
отбраковки указанных продуктов питания, имеющих указанные дефекты; и
при этом указанный многомерный анализ изображения осуществляют посредством алгоритма, программируемого в вентильной матрице, программируемой пользователем.

2. Способ по п.1, дополнительно включающий этап регулировки параметров процесса для обеспечения сниженного числа указанных дефектов.

3. Способ по п.1, в котором указанный набор данных имеет интервал шкалы t₁-t₂.

4. Способ по п.1, дополнительно включающий этап подсчета продуктов питания, содержащих указанные дефекты.

5. Способ по п.1, в котором указанный дефект дополнительно включает акриламидный дефект.

6. Способ по п.5, в котором указанный акриламидный дефект дополнительно включает сахарный дефект.

7. Способ выявления дефектов в процессе производства продуктов питания с использованием блока обработки, содержащий этапы:
захвата изображения указанных продуктов питания в видимом спектре;
выполнения многомерного анализа изображения над полученным изображением для установления набора данных;
отбраковки продуктов питания, содержащих дефекты, где указанные дефекты включают продукты питания с предварительно определенным содержанием влаги;
определения в указанных отбракованных продуктах питания недефектных продуктов питания;
регулировки указанного набора данных на основе недефектных продуктов питания, определенных в указанных отбракованных продуктах питания; и
при этом указанный многомерный анализ изображения осуществляют посредством алгоритма, запрограммированного в вентильной матрице, программируемой пользователем.

8. Способ по п.7, дополнительно включающий этап определения того, существует ли дефект, на основе указанного набора данных, перед указанным этапом отбраковки.

9. Способ по п.7, дополнительно включающий этап отправки сигнала к нижерасположенному сортировочному оборудованию для отбраковки продуктов питания, имеющих указанный дефект, перед указанным этапом отбраковки.

10. Способ по п.7, дополнительно включающий этап определения в указанных продуктах питания, не отбракованных на указанном этапе отбраковки, дефектных продуктов питания.

11. Способ по п.10, дополнительно включающий этап регулировки указанного набора данных на основе дефектных продуктов питания, определенных в неотбракованных продуктах питания.

12. Устройство для контроля процесса производства продуктов питания на наличие дефектов, содержащее:
блок обработки;
устройство захвата изображения;
вычислительное устройство, способное хранить алгоритм, где указанный алгоритм:
преобразует цветное изображение продуктов питания в интервал шкалы t₁-t₂ с помощью многомерного анализа изображения;
определяет, имеется ли дефект, на основе полученного набора данных, где указанный дефект существует, когда указанный набор данных устанавливает, что, по меньшей мере, около 10% от отображаемой области указанных отображаемых продуктов питания содержат мягкий центр;
отбраковывает указанные продукты питания, имеющие указанные дефекты; и
при этом указанный многомерный анализ изображения осуществляют посредством алгоритма, программируемого в вентильной матрице, программируемой пользователем.

13. Устройство по п.12, в котором указанное вычислительное устройство содержит множество матриц, обрабатываемых компьютером, которые сегментируют указанное цветное изображение.