2020年8月4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

涂布纺织品皮革表面缺陷检测解决方案

2019年7月2日

2019年7月2日

本文详细地介绍了基于自适应视觉算法的表面缺陷检测的应用原理及实际案例。同时以涂布、纺织品和皮革等类似行业的实际案例验证了该原理的可行性和实用性。介绍了能应用于涂布、印刷、涂布、塑料、橡胶、薄膜及皮革等缺陷检测的通用解决方案。

工程点扩展函数(E-PSF)技术可以实现高精度3D成像

2019年7月10日

2019年7月10日

工程点扩散功能(E-PSF)技术以光学相位板的形式发展,将使制造商能够满足对超精密物体成像不断增长的需求。

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。

红外相机热成像在缺陷检查中的应用

2019年6月1日

2019年6月1日

制造商正在使用红外摄像机来辅助预防性维护,并发现与热相关的装配过程中的缺陷。

表面缺陷检测系统方案实施的七个步骤

2019年5月24日

2019年5月24日

表面缺陷检测系统主要以相机成像和图像处理技术为主,配置合适的相机和光源可以使被检测物体凸显表面缺陷或特征,使其检测系统能够实时、准确的对物体表面缺陷进行检测。

如何利用开源软件开发机器人视觉系统?

2019年6月28日

2019年6月28日

机器人视觉应用程序可以带来一系列复杂的需求,但开源库可以为几乎所有需求提供解决方案。开发人员可以找到从基本的图像处理和对象识别再到运动规划和避免碰撞的开源软件包 。另外,还有有一些关键的开源图像处理软件包,可以帮助开发人员实现复杂的机器人系统。

工业机器视觉应用有必要使用边缘计算吗?

2019年12月17日

2019年12月17日

伴随着机器视觉技术的快速发展,在提高制造商产品质量水平的同时加快生产效率,可以说拥有巨大的潜力。这项技术的影响范围也在不断地扩大,各种新的应用注定会在我们的日常生活中发挥更大的作用。

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。

用于目标识别的自学习机器视觉系统

2019年7月8日

2019年7月8日

机器视觉是工业4.0,即工业物联网背景下高度自动化和无缝联网过程的关键技术。使用诸如深度学习之类的新的人工智能过程变得越来越重要。许多好处使这项技术具有吸引力,但同时它也有局限性。

机器视觉检测系统完整解决方案以及开发流程

2019年4月25日

2019年4月25日

机器视觉一词可以想象是具有一组眼睛的计算机进行检测或检验行为。为了开发机器视觉应用的完整解决方案,视觉工程师执行一系列通常分为五个类别的任务:计划,设计,构建,集成和验证。

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。

新的视觉系统可以在传感器内计算,无需将信息转换成数字格式

2020年3月5日

2020年3月5日

研究人员开发了一种图像传感器阵列,它作为自己的人工神经网络,可以同时捕获和识别光学图像,无需将信息转换成数字格式即可快速处理信息。

深度学习在机器视觉系统中的应用详解

2019年4月24日

2019年4月24日

随着机器视觉技术的不断发展,系统在不需要计算机编程的情况下也可以具有分析和分类对象的能力。而人工智能(AI)和深度学习是推动机器视觉发展的重要技术手段。

机器视觉从发展到成熟,最新技术又有些什么?

2018年8月9日

2018年8月9日

这是机器视觉行业的一个演变时期。嵌入式视觉与深度学习和人工智能相结合, 将在生命科学、自驾游、安全和农业等传统制造业以外的市场继续蓬勃发展。

3D视觉系统技术方案详解

2019年4月21日

2019年4月21日

近年来,随着芯片技术的发展以及相关软硬件系统的深入,视觉传感器得到了极为广泛的应用。社会越来越智能,可以使用人工智能和大数据技术将人们记录下来的图像智能地利用起来,而不是用一个个柜子将图像、视频束之高阁。

Comments
发表评论

电子邮件地址不会被公开。 必填项已用*标注