2020年7月6日 机器视觉与计算机视觉技术

智能高光谱成像与食品安全的未来

作者:Michael Bartholomeusz博士

传统的食品安全方法不再奏效,污染农产品或食源性疾病的报道似乎时不时的登上新闻头条。目前在世界各地为保护消费者和确保公司提供最新鲜、最安全的食品而制定的一些保障措施并不完善。监管不力的供应链和食品质量保证出现问题,往往会让消费者感到不适,并导致召回或诉讼,不仅要付出金钱代价,还会损害声誉。那怎样做才能防止这类问题的发生?

虽然传统的机器和人类的警惕性仍然是解决这些问题的首选解决方案,但前沿的智能成像技术有望消除由危及消费者安全的传统检测过程引起的问题。下一代成像技术将通过快速准确地检测整个供应链中的食品问题来提高安全性和质量。

智能成像的工作原理

广义上讲,我们今天讲的智能成像即高光谱成像,它使用尖端的硬件和软件来帮助用户建立更好的质量保证标记。硬件会捕获图像,然后软件会对其进行处理,将常规光谱技术与数字成像的功能相结合,为用户提供可操作的数据。

传统的机器视觉系统通常缺乏有效捕捉和向用户传递细节和细微差别的能力。相反,智能成像技术在两个主要领域利用了卓越的功能:光谱和空间分辨率。本质上,智能成像系统所采用的细节水平远远超过当前的行业标准设备。例如,RGB摄像机只能看到三种颜色:红色,绿色和蓝色。高光谱成像可以检测300到600种真实色彩,这是标准RGB摄像机检测到的色彩的100-200倍。

智能成像还可以扩展到紫外或红外光谱,提供在可见光谱中无法观察到的食品化学和结构成分的更多细节。高光谱成像相机通过生成“数据立方体”来做到这一点。这些是图像内收集的像素,显示出人类或传统相机无法观察到的细微反射色差。一旦生成,这些数据多维数据集将使用机器学习进行分类,标记和优化,以在将来更好地处理信息。

除了光谱和空间数据外,其他基本的质量保证体系也有其自身的局限性。 X射线的价格过高,而且仅聚焦于捕获异物。它们也很难校准和维护。金属探测器价格便宜,但通常只能捕获具有强磁场的金属,例如铁包括铜和铝在内的金属以及诸如塑料,木材和粪便之类的非金属物体都可以通过。

最后,当前的质量保证体系有一个弱点,这个弱点会随着时间的推移而改变:人的主体性。负责监督食品质量和食品安全的人员确实在尽最大努力。然而,众所周知,肉眼和人脑是不一致的。也许一个劳累的人在长时间的轮班结束时漏掉了一种污染物,或者那些在两个不同的轮班工作的人以稍微不同的方式判断质量,导致食品加工者和公众都不知道的不同标准。

高光谱成像可以立即为用户提供切实的利益,尤其是在食品供应链中的以下质量保证类别中:

病原体检测

病原体检测可能是消费者和整个食品行业最关注的问题。在整个供应链中识别和消除沙门氏菌、李斯特菌和大肠杆菌是必不可少的。显然,未能检测到病原体严重损害了消费者的安全。这还严重损害了食品品牌的声誉,同时导致了召回和诉讼。

当前的病原体检测过程包括聚合酶链反应(PCR),免疫分析和平板接种,涉及复杂而昂贵的样品制备技术,这些技术可能需要数天才能完成,并在供应链中造成瓶颈。这些延迟会对运营周期产生不利影响,并增加库存管理成本。这对于保质期短的产品尤其重要。智能成像技术提供了快速而准确的替代方案,在节省时间和金钱的同时保持了客户的健康。

食物新鲜度检测

消费者对食品的新鲜度、质量和一致性有很高的要求。随着全球供应链的延长和复杂化,食品在整个生产过程中的任何环节都有更多的机会发生变质,表现为营养成分的减少和食品新鲜度的整体丧失。受污染的肉类产品也可能使消费者患病。所有这些因素都会对市场价格产生重大影响。

感官评价、色谱和光谱学都被用来评估食物的新鲜度。然而,许多空间和光谱异常被传统的基于三刺激滤波的系统忽略了,而且从可靠性、成本或速度的角度来看,这些方法都有严重的局限性。此外,没有一个系统能够提供一种经济的在线新鲜度测量,当这些系统到位时,降低成本的财务压力可能会导致偷工减料。通过利用细致的数据并提供实时分析,高光谱成像通过同时评估颜色、水分(脱水)水平、脂肪含量和蛋白质水平来缓解或消除上述限制因素,为这些措施提供可靠的标准化。

异物检测

塑料,金属,石头,过敏原,玻璃,橡胶,粪便,啮齿动物,昆虫侵袭和其他异物的存在是食品加工商面临的巨大质量保证挑战。如果无法识别异物,可能会导致主要的额外成本,包括召回,诉讼和品牌损害。如上所述,X射线和金属探测器之类的自动选件只能识别某些异物,而其余的则保持不变。使用卓越的光谱和空间识别功能,智能成像技术可以捕获这些物体并向合适的员工发出警报,或启动自动化流程来解决问题。

机械损伤检测

尽管可能无法与病原体检测,食品新鲜度和异物检测处于同一水平,但是消费者还是对食品的均匀性给予了高度重视,要求从苹果到西葫芦的所有产品都具有高度的一致性。对于农产品来说,要确保这一点尤其困难,因为农产品在加工过程中会受到10-40%的机械损伤。越来越复杂的供应链和越来越自动化的生产环境使交付一致的质量比以往任何时候都更加复杂。

从历史上看,机器视觉系统和光谱学已被用于辅助分类设施中损坏的检测,包括擦伤和割伤。但是,这些系统缺乏光谱区分,无法以客户期望的严格方式有效评估食品和农产品。像点光谱这样的方法需要进行过度采样,以确保任何检测到的像差都能代表整个项目。这是一个耗时的过程。

智能成像技术运用卓越的技术和机器学习技术来识别对人类或传统机械不可见的机械损伤。例如,马铃薯在外部看起来可能不错,但是在其皮下有大量的瘀伤。高光谱成像可以发现这种瘀伤,并确定马铃薯是否太妥协而无法出售或在可接受的参数范围内。

智能成像可以“看到”人类和旧技术根本无法实现的功能。由于能够在食品供应链中的多个位置进行部署,因此它是一项具有广泛应用前景的适应性技术。从测量实地作物健康状况的无人驾驶飞机到加工设施的在线或线下定位,都有可能超越工厂范围。

在质量保证的世界中,误诊可能确实导致死亡,食品加工商可以利用高光谱成像提供的额外光谱和空间信息来提供有关化学系统和结构成分的重要细节,而这些化学成分和化学成分以前是基本系统无法识别的。当公司开始使用智能成像时,它将在食品行业寻求可应对其最严峻挑战的可靠解决方案时产生重要见解并增加价值。智能成像消除了食品质量保证的主观性,将其变成客观的目标。

Banner
Related Posts

深度学习+机器视觉=下一代检测

2019年9月18日

2019年9月18日

将机器视觉和深度学习结合起来,将为企业在运营和投资回报(ROI)方面提供强大的手段。因此,抓住传统机器视觉和深度学习之间的差异,并理解这些技术如何相互补充——而不是竞争或替代——对于实现投资最大化至关重要。

机器视觉系统集成发展的现状和前景

2019年7月10日

2019年7月10日

机器视觉系统集成是一门学科,随着新成像技术的不断发展,这门学科的发展势头依然强劲。

3D热成像技术

2019年10月30日

2019年10月30日

Fraunhofer IOF使用LWIR热像仪扩展了其高速3D相机系统。他们的数据被映射到使用黑白摄像机重建的3D点,从而获得1kHz空间热图像。

CCD成像在光源和色彩检测中的优势和应用

2019年7月25日

2019年7月25日

人类视觉感知是任何旨在被人类观看的照明或显示产品质量的最终标准。从平板电视到智能手机,灯泡到交通信号,VR球场的jumbotrons体育场,您的车内GPS到喷气式飞机的驾驶舱仪表,人类用户感知的以及他们注意到的任何缺陷都是决定性因素设备质量。人类对亮度和颜色的感知为操作和安全公差设定了基准。

贴纸相机解决物联网成像问题

2019年4月17日

2019年4月17日

Greg Blackman报道了CSEM的Witness IOT相机,这是一款可以作为贴纸部署的超低功耗成像仪。 Andrea Dunbar博士于3月在伦敦举行的Image Sensors Europe会议上展示了这项技术

研究人员开发了一种非侵入性果实成熟度检测方法

2019年6月25日

2019年6月25日

昆士兰的研究人员开发了一种新工具,可以在收获前评估芒果作物的成熟度,这可能会提高收获时间和果实质量。

如何利用机器人视觉进行拣货作业

2019年4月27日

2019年4月27日

机器人进行拣货作业定义了不同的过程,在这些过程中机器人用于从箱子中拾取和放置货物。 Bin pick是机器人领域中棘手的机器人任务。但是,您不必使用复杂的解决方案来解决它。使用机器人视觉的拣选可以以简单的方式执行。

科创板|天准科技:中国机器视觉第一梯队企业

2019年6月2日

2019年6月2日

2019年5月27日,上交所决定将于6月5日召开第1次审议会议,审议深圳微芯生物、安集微电子科技、苏州天准科技3家企业的发行上市申请。

机器视觉应用的柔性开发

2019年9月12日

2019年9月12日

本文使用IBV软件MERLIC的例子,概述了图像处理的当前要求,并展示了如何在不编程的情况下创建应用程序。

基于机器视觉的监测系统​

2019年11月3日

2019年11月3日

本研究基于机器视觉技术,结合Python语言,openCV库等,编写出了一套高精度,高稳定性的位移监测算法,以Nvidia Jetson开发板为载体,结合单片机,红外传感器等,设计制造了一套具有形变监测与预警功能的系统。

深度学习在机器视觉中的应用与发展

2019年5月7日

2019年5月7日

在短短几年内,深度学习软件已经比任何传统算法可以更好地对图像进行分类处理,而且可能很快就可以超越人工检查。

改善机器视觉系统的十大方法

2018年8月9日

2018年8月9日

机器视觉是一个新兴领域,如果设置正确,可以减少过程效率低下。任何使用机器视觉作为机器人引导或检查的设施都应重视这一领域,以寻求可能的改进。

莫尔法成像方法可增强机器视觉中的3D图像

2019年8月1日

2019年8月1日

我们通常认为,使用正确的照明是机器视觉应用成败的关键。低角度照明可能会带来表面纹理或有用的阴影,背光提供干净的部分轮廓,偏振滤光片可以减少不必要的眩光。这些众所周知且广泛使用的工具已经存在了几十年。

红外、中国和3D堆叠:CMOS的发展趋势

2019年3月29日

2019年3月29日

3月13日在伦敦举行的Image Sensors欧洲会议的开幕式上,Analog Value的首席技术官兼创始人Vladimir Koifman在会议上上介绍了红外传感技术的进步、堆叠式传感器以及中国市场的价格趋势。

深度学习在产品缺陷检测中面临的考验

2019年12月13日

2019年12月13日

人工智能(AI)的发展促使数很多公司投资于深度学习软件,对于视觉行业来说是个好兆头,因为需要在技术上实现飞跃。但是,对于采购或投资相关产品的的用户而言,重要的是要了解如何正确地评估深度学习软件可用性 ,以及它们如何工作的。

Comments
发表评论

电子邮件地址不会被公开。 必填项已用*标注