亚星游戏官网-www.yaxin868.com

专利名称：实时检测食品瑕疵的方法
技术领域：
本发明涉及使用多元图像分析检测生产食品的生产线上的瑕疵。
背景技术：
化学品丙烯酰胺以聚合物的形式早已使用在エ业应用中用于水处理，提高原油采收率，造紙，絮凝剂，增稠剂，矿石加工以及永久性压烫织物。丙烯酰胺沉淀物为无味且极易溶于水(30°C时为2155g/L)的白色结晶固体。丙烯酰胺的別名包括2-丙烯酰胺，乙烯甲酰胺，丙烯酰胺，乙烯基酰胺以及丙烯酸酰胺。丙烯酰胺分子量71. 08，在25mmHg时熔点 84. 5°C，沸点 125°C。近来，对多种食物存在的丙烯酰胺単体的检验呈阳性。特別地，已经发现丙烯酰胺主要存在于高温加热或加工的碳水化合物食品中。丙烯酰胺检验呈阳性的食品的实例包括咖啡，麦片，饼干，薯片，饼干，法式油炸马铃薯，面包和面包卷，油炸蘸面的肉。虽然尚未确定丙烯酰胺对人类是有害的，但其存在食品中，尤其含量较高，是不希望的。减少丙烯酰胺形成的ー种方法是热加工食品至较高的含水量。然而，含有过多水分的食品感官性能差并且不受消费者欢迎。本发明的目的是，在生产含有较高水分的食品过程中，检测特别是含水量超过一定阈值的食品的瑕疵。

发明内容
本发明的ー个方面涉及ー种实时检测食品瑕疵的方法，包括下列步骤在可见光谱中采集食品图像，对该图像进行多元图像分析以建立数据集，并根据该数据集判断该食品中是否存在瑕疵。一方面，本发明还包括在进行包装步骤之前剔除含有瑕疵的食品。本发明的一方面包括调整加工变量，以减少所生产的瑕疵产品的数量。本发明的一方面包括分析和剔除含有丙烯酰胺瑕疵的食品。本发明的ー个方面涉及ー种现场可编程门阵列，包括ー种算法，所述的算法借助多元图像分析将食品的彩色图像转换成例如ん-ち得分空间的数据集，根据该数据集确定是否存在瑕疵，并且在约0. 002秒内向下游的分拣设备发送剔除所述瑕疵的信号。一方面，本发明涉及ー种用于监测食品加工过程中的瑕疵的装置。一方面，该装置包括图像采集设备，能够存储算法的计算设备，其中，所述算法借助多元图像分析将食品的彩色图像转换成适当的图像矩阵表达式，根据所得到的数据集判断是否存在瑕疵。另ー方面，结合附图及下列本发明的具体描述，本发明的其他方面，实施方式及特征变得明显。附图是示意性的，不是按比例绘制的。在附图中，不同图中出现的每个相同的或基本类似的部件采用同一个标号或符号表示。为了清楚起见，不是每ー个部件都标记在每个图中。在不需要说明就能使本领域普通技术人员理解本发明的情况下，也没有在本发明的每个实施例中显示出每个部件。


确认为本发明的新颖性的特征列在所附权利要求中。而在结合附图阅读时，參照以下示例实施方式的详细说明，可以对本发明本身及其优选应用模式、更多目标及优势进行最佳的理解，其中图1为根据本发明的一个实施例，在食品加工中检测瑕疵的方法的总的流程图；图2显示的是可预测出的薯片含水量分布图；图3a显示了多个油炸薯片，每个薯片中都包括合格的酥脆区和有瑕疵的软的中心区；图北为叠加在图3a中的油炸薯片上的有瑕疵的软的中心区的校正图像；图4是两个油炸薯片彩色图像转换到t「t2得分空间的预测图；图5是本发明其中一个实施例的示意图。
具体实施例方式在一个实施例中，本发明包括ー种实时检测食品加工过程中的瑕疵的方法。本发明可以用于监控食品加工过程，并通过利用多元图像分析区分食物间的特征而检测含有瑕疵的食品，一部分食品是有瑕疵的，一部分不含瑕疵，当在可见光谱中进行观察时它们看起来是相似的。现在參考图1，食品在生产线上向下游行进吋，采用诸如数码相机的联机图像设备采集可见光谱中食品的图像100，可见光谱包括波长400nm至700nm的范围。在一个实施例中，传送带的整个宽度被拍摄，从而对食品的表面进行最大化的检测和分析。在一个实施例中，食品单层设置。通过将多层食品从第一传送带传送至运动更快的第二传送带使多层食品被布置成单层。然后借助算法对图像进行多元图像分析(下文简称“ΜΙΑ”)110。在一个实施例中，该算法可被编程写入现场可编程门阵列(FPGA)，其为半导体设备，可以现场编程，为本领域的公知技木。在一个实施例中，可以使用专用集成电路处理这个算法。使用该算法建立数据集，在、-t2得分空间显示产品的特性的位置，或者是利用多元图像分析的图像矩阵的其它适当的表示。接下来，根据所得到的数据集判断是否存在瑕疵120。在一个实施例中，如果发现有瑕疵，将向诸如位于图像设备下游的ー排独立选择的空气喷嘴等的分拣设备发送信号 130，以便将含有瑕疵的食品剔除。然后，在进行包装步骤之前，分拣设备用空气喷嘴提供的气流使瑕疵产品偏离运输食品的传送�。�将那些含有瑕疵的食品剔除。在一个实施例中，本发明包括使用瑕疵的实时检测来调整食品生产线上的加工变量，以降低食品中瑕疵的百分比。參考薯片生产线对本发明的一个实施例进行说明，“软心”瑕疵出现在含水量按重量大于约2. 5%的油炸薯片中。在热加工食品例如油炸薯片没有炸至确保整个食品酥脆的含水量吋，出现软心瑕疵。因此，食品的中心区相对较软。软心是不利的，因为它们将增加产品容器内的含水量对产品寿命产生不利影响，并导致产品更快速的变质。并且，软心影响
薯片的质地，这将导致消费者满意度下降，并且软心导致多个薯片粘在一起，影响进一歩加ェ。
当为了降低食品中的丙烯酰胺而将食品热加工至较高含水量时，软心瑕疵变得更普遍。例如，薯片通常是被炸至在图2中所示的含水量分布曲线200。如图2所示，在薯片被炸至目标含水率约1.4% (重量)吋，含水量按重量超过2%的油炸薯片寥寥无几。然而，食品被热加工至较高的含水量例如目标含水量的1.8% (重量)，为了减少丙烯酰胺的形成，可能会导致生成更多软心这样ー个意想不到的后果，需要在包装之前将其从食品流水线上去除。图2中的曲线220表示热加工的薯片被炸至目标含水量约1. 8%时可预测出的含水量分布。如图2所示，提高薯片的目标含水量，导致含水量超过约2. 0%的薯片的百分比更大。图2中也证明，可预测出的含水量分布220随着目标含水量的增加而变宽。含水量分布220増加的原因在于，该分布的低端更加远离成品薯片的被“绑定”的含水量的限制。因此，提高目标含水量，软心瑕疵含量比所预料的更大。薯片生产中基于可见光谱的现有的分拣设备，根据薯片上所观察到的瑕疵的黑暗度(例如，黒色，褐色，緑色)及大�。�对瑕疵薯片进行分类。然而，用现有设备检测软心瑕疵是困难的，因为软心瑕疵由于发射白色或有光泽/雪亮的波长信号，其反射的光不同于其它瑕疵。例如，色彩有时在HSI (色调，饱和度，亮度)色彩空间进行表述。由于眩光或光泽成分与物体实际的饱和度和亮度特性大多无关，而必须由HSI技术测量，所以使用HSI色彩空间很难准确检测出软心。另外复杂的问题是不被认为有瑕疵的油浸薯片也会发出白色或灰色波长信号而与软心一起被错误剔除。油浸薯片是指油没有粘附在淀粉上的油炸食品。油炸薯片的不同区域都可能被油浸。在一些实施例中，因为薯片在离开炸锅后的相对较短的时间内被用于分析瑕疵，如果油还没有被吸入食品内，那么油将仍停留在油炸食品的表面。油浸薯片不被认为是有瑕疵的。 因此，需要ー种装置和方法来监控热加工食品生产线中的软心，并且选择性地剔除软心薯片而保留油浸薯片。虽然热加工油炸食品通常被加工至含水量小于食品重量的2. 5 %，更优选地的小于食品重量的2. 0%，但是诸如饼干的焙烤食品被热加工至更高的含水量，并且仍然具有稳定的保质期。因此，本文中提到的热加工食品被限定为ー种具有含水量按重量小于约5%的食品，更优选地小于重量的3. 5%。本文中所提到的术语薯片和热加工食品可互換使用。通过在可见光谱中采集热加工食品的图像，对图像进行多元图像分析，构建ー种可以用于鉴别食品上诸如软心瑕疵和油浸区域的特征的算法，本发明的一个实施例能够将软心瑕疵和油浸薯片区分开。在可见光谱中采集的彩色图像是由三个变量(红、绿、蓝带)构成的多元图像。图像中每个像素的颜色具有变化的红绿蓝颜色的亮度，并由其红绿蓝带的数值(通常为0到 255之间的整数)表示。彩色图像可以由三维矩阵表达。两个维度表示x_y空间坐标，第三维度为颜色帯。在不考虑像素的空间坐标情况下，图像矩阵可以展开，表示成2维矩阵。
展开
bj行 χ NfhG I为图像大小,NffX^的3维图像矩阵。I是展开的2维图像矩阵。N是图像的像素数，N = N行XN列，Ci, r，Ci, g，Ci,b (i = 1, ... ,N)是像素i红绿蓝带的亮度值。Ci (i = 1，. . .，N)是I的第i行向量，表示像素i的颜色值。本领域中不同的回归方法，例如主成分分析(PCA)或偏最小二乗法(PLS)，可用2维矩阵I，得到tft2得分空间例如，可以使用多元彩色图像进行多维主成分分析，获得、-t2得分空间。多维PCA 相当于在展开的2维图像矩阵I上进行PCA。I = ^rapI其中，A为主成分数，ta’为得分向量，对应的pa’为荷载向量。由于2维图像矩阵I的行维数非常大(对于480x640图像空间，等于307，200)，列维数很小(对于RGB彩色图像，等于幻，因此使用核心算法计算荷载和得分向量。在这个算法中，首先建立核心矩阵(ITI)(对于ー组图像，核心矩阵被计算为
k然后基于这个非常低维度的矩阵(彩色图像为3x!3)进行奇异值分解(SVD)，得到荷载向量 Pa (a = 1，···，A)。得到荷载向量之后，计算对应的得分向量ta，ta = I pa0由于前两个成分通常解释了大部分变异，不在原3维RGB空间计算，而在2維正交t「t2空间计算，会使得图像更容易被解释。图3a描绘了多个油炸薯片，每个薯片都含有理想的没有瑕疵的酥脆区302和软的中心区304。由304所表示的轻微阴影区在本图中显示的颜色比实际彩色图像中的软心所显示的颜色更暗，用于描述可预测出的软心区域304。图4是两个油炸薯片的彩色图像变换到、-t2得分空间的可预测出的表示。用于将图像变换到、-t2得分空间的计算机软件在本领域中是熟知的。为了开发用于完成多元图像分析的算法，该算法与油炸薯片的彩色图像相关联， 以确定薯片是否具有瑕疵，对图3a中图像的其中两个图像进行多维PCA，以转换成图4中的每个薯片410，411的tft2得分空间。为了使用户能够寻找白色/光泽的区域而对现有的设备进行修改，例如改进带的材料，将其从白色变成类似蓝色的较暗的颜色，以便将背景/传送带颜色与瑕疵二者区分开，从而更精确地检测软心区域。因此，在一个实施例中，在将每个薯片的图像转换到tft2 得分空间之前，从图3a中的图像中去除背景色(例如传送带的颜色)。去除背景之后，图像 3a中表示的薯片的RGB图像被转换成图4中所示的变换图像410、411。本领域的普通技术人员理解，不同的食品将产生不同的tl-t2得分空间。例如，玉米片的、-t2得分空间不同于薯片的t「t2得分空间。应该指出，除了 tft2得分空间之外还有其它展开和表示图像矩阵的方法，而这个表达是出于解释性而非限制性的目的。然后，对在RGB空间内确定的瑕疵进行标记并观察瑕疵在t「t2空间的位置，建立掩模。建立的掩模402在tft2空间标记了瑕疵特征的区域，其对应于图3a中软心区域304。 在一个实施例中，在同一个tft2空间建立掩模402，即使每个薯片410、411的得分空间可能在这个、-t2空间包含不同区域。选择tl_t2空间中包括掩模402的这个区域，并且被校正的图像被投射回到图北所示的薯片的RGB空间。在一个实施例中，通过反复试验选择图3a中瑕疵区304周围的掩模区，直到映射回RGB空间的校正的图像基本叠加到图北所示的薯片的瑕疵区314。在一个实施例中，图3a中瑕疵区304周围的掩模区可以通过自动算法选择，该自动算法可以优化掩模生成任务。上述过程可以重复以限定与食品其它特性相关的掩摸，包括但不限于其它瑕疵。 例如，已经发现，与没有马铃薯瑕疵的薯片相比，在热油中油炸时(例如在油温高于观0° F 左右的油内炸)，具有瑕疵的马铃薯切片与丙烯酰胺含量较高相关。没有瑕疵的马铃薯切片在油炸后，其整个表面具有均勻的金黄色。本领域的技术人员熟知马铃薯瑕疵，这些瑕疵包括但不限于斑紋，干腐，斑点，空心，绿皮，黑胫，发芽，擦伤，卷叶和糖瑕疵。已发现的马铃薯瑕疵的更多细节，包括这些瑕疵的列表可以參考美国康奈尔大学植物病理系在网乂占 http//vegetaolemdonlme. ppath. Cornell. edu/factsheets/Potato—Detection· ntm. 公开的信息公告205，题目为“马铃薯块茎，疾病和缺陷的检测”(Detection of Potato Tuber, Diseases and Defects)，这个信息公告通过引用并入本文中。具有不同瑕疵的几个油炸马铃薯切片在热油中被油炸至含水量按重量低于2%， 对丙烯酰胺的含量进行分析。结果如下表。
瑕疯油炸薯片丙烯酰胺含量(ppb)斑纹4435高糖2062黑胫1081发芽1927绿皮1816擦伤531干腐1564糖瑕疵通常不会在包装前从产品流中去除。有趣的是，由于糖瑕疵而导致丙烯酰胺含量很高的薯片从来没有被标示为消费者瑕疵，由于这些瑕疵的颜色主要为浅色至中等程度的褐色，因此没有被认为是不可接受的。相反，诸如干腐、黑胫以及发芽，这些主要呈黑色或深黑颜色的瑕疵是最可能在包装前去除的马铃薯瑕疵类型。如上面数据所示例，从包装步骤中去除有瑕疵的炸薯片有利于降低每份食品中丙烯酰胺的平均含量。因此，在本发明的一个实施例中，在对食品包装之前，将含有丙烯酰胺瑕疵的食品去除，其中已知丙烯酰胺瑕疵是丙烯酰胺含量高的特征。本文中，如果在相同条件下进行热加工，由于丙烯酰胺瑕疵导致丙烯酰胺含量高于无瑕疵马铃薯切片的2倍，那么食品含有被认为是高含量丙烯酰胺的特征的丙烯酰胺瑕疵。因此，具有糖瑕疵的切片是这样ー种切片，因为比正常糖分含量高，因此，在相同条件下被热加工吋，其所生成的成品马铃薯切片的丙烯酰胺含量高于含有正常糖含量(例如，切片马铃薯的还原糖一般小于新鲜马铃薯重量的0. 05% )马铃薯切片的2倍。
在一个实施例中，标记薯片的非瑕疵部位，例如油浸区域，并观察瑕疵在RGB空间的位置，建立掩模。掩模区域可以借助反复试验或是自动算法再次选择，直到油浸区生成校正的图像足够覆盖薯片的非瑕疵区域。这种方法可以区分薯片上由瑕疵的软心引起的浅色区域和薯片上由非瑕疵油浸薯片对应的浅色区域。可以使用Prosensus公司提供的例如 ftOportion的软件按照上述方法开发算法，完成用于建立校正图像的多元图像分析。然后将这个算法编程写到FPGA，以便根据采集的图像以及从该图像计算得到的对应的数据集，确定薯片内瑕疵像素的数量，类型以及程度，建立哪些薯片是瑕疵品。FPGA在本领域中是公知的，例如可以从英国萨默塞特布伦特诺尔村的亨特工程公司购买到。有利的，与现有技术不同，本发明允许薯片上有ー个或多个瑕疵区域进行叠加。在一个实施例中，主要与丙烯酰胺相关的瑕疵可以被着重考虑，使得丙烯酰胺瑕疵与丙烯酰胺含量相对较低的其它瑕疵(例如软心)相比，需要更小的去除瑕疵区域。可以通过ー个或多个预定的变量确定薯片是否为瑕疵品。在一个实施例中，当数据集或校正的图像显示被成像的食品至少10%左右含有软心时，认为存在瑕疵。在一个实施例中，瑕疵品薯片为剔除的目标。如果某薯片已被作为剔除的目标，则 FPGA可以计算目标的面积，并将目标的面积传送给下游那排空气喷嘴中的特定的剔除喷嘴，计算必要的时序，并且将喷射顺序传送到喷射控制器。可以使用分拣设备，例如使用华盛顿沃拉沃拉的Key科技公司的Manta大容量分拣机。图5显示了本发明ー个实施例的示意图。在一个实施例中，ー排独立触发的空气喷嘴508大约位于传送带502的整个宽度上，在图像采集设备504下游很短的距离(例如小于5英尺，更优选小于3英尺)。因此，在这个实施例中，如果食品502沿着传送带以500 英尺/分的速度移动，多元图像分析以及判断薯片是否为瑕疵品必须快速进行。为了达到这个目的，将算法编写到处理器506中，处理器506与图像设备504及分拣设备508相连。借助图像设备504采集薯片502的彩色图像，并将其发送到处理单元 506。处理单元506可以包括ー个FPGA。处理器506将根据上述方法开发的算法运用到这个图像，这个算法借助多元图像分析将彩色图像转换到、-t2得分空间或是图像矩阵其他适当的表达方式，根据得到的数据集判断是否存在瑕疵。在一个实施例中，所得到的数据集被用于将RGB空间内的校正图像叠加到食品基底上。在一个实施例中，如果存在瑕疵，向下游的分拣设备508发送剔除瑕疵薯片的信号。利用FPGA和/或高速处理器阵列技术506，使这个过程在小于0. 002秒左右进行，更优选的小于0. 001秒左右，以驱动高速空气电磁阀，高速空气电磁阀与空气喷嘴508相连接， 选择空气喷嘴从产品流中剔除确定的瑕疵品。瑕疵品薯片被引导到瑕疵品流510，同时没有瑕疵的薯片流512被引导至调味和/或包装步骤。在一个实施例中，如果存在瑕疵，那么使用信号调节加工变量，以调整成品食品中的瑕疵品含量。例如，优化炸锅内食品暴露的时间和温度，从而減少、降低和/或最小化成品食品中的瑕疵品含量。例如，为了将软心炸透，降低桨轮速度以便在炸锅内停留更长时间，和/或提高热油的温度。能够被调整的其它加工水平包括但不限于进入炸锅的油的流速，炸锅内的油位，沉浸的速度，输出传送带的速度，入□油的温度，以及产品的进给率。在一个实施例中，对瑕疵品流510和/或非瑕疵品流512进行评定，对这个加工提供附加的精细调整。例如，在一个实施例中，測量瑕疵品流510，查明瑕疵品流510中非瑕疵薯片的含量。在一个实施例中，測量非瑕疵品流512，查明非瑕疵品流512中瑕疵薯片的含量。收集这样的信息，结合处理器506对进入的瑕疵品所计算的类型、程度的统计，来调整算法。在一个实施例中，观察、-t2图像内的掩模形状并提高(使得更多像素在指定的瑕疵类的定义内匹配)或降低(使得更少像素在指定的瑕疵类的定义内匹配)距离图4中掩模 402重心的径向距离，实现这种调整。在一个实施例中，为了统计分析514，计算瑕疵品流510和/或非瑕疵品流512中每个薯片的瑕疵像素的数量，类型及程度。在一个实施例中，这些统计数字与非瑕疵品流 512中的瑕疵薯片含量相结合，评估系统的性能516。当它用于每个单独的瑕疵类别吋，利用系统性能516的信息以及瑕疵品流510中非瑕疵食品的含量进行计算，以便调整微调的強度518。例如，当它被用于每个単独的瑕疵类别吋，如果穿过该系统的瑕疵的数量大，调整动作将按类稳步提高每个瑕疵的灵敏度，直到瑕疵品的剔除度可接受。另ー方面，如果在非瑕疵品流512中的瑕疵数量在可接受的性能极限内，而剔除流510内的“优良”的薯片的数量高得无法接受(意味着正在放弃产量)，那么可以通过降低对某种瑕疵(指的是不像丙烯酰胺那样惊人的瑕疵)类别的灵敏度或強度518来调节系统，降低剔除流510中“优良”薯片的数量。可以单独使用或结合操作员的人工输入使用这类信息来调节系统的整体灵敏度 520。在这样的实施例中，操作员可以访问操作员输入设备，例如滑动条或上/下箭头键，或是根据任意所需范围(例如的0-100，+/-10，等)“偏压”调节/数字输入，其被用于偏压整个系统对瑕疵的灵敏度。例如，如果操作员想提高在“优良”或非瑕疵流512内的允许的瑕疵以提高或降低特定百分比，例如从5%至4%，操作员可以进行人工调节。在一个实施例中，操作员的人工调节不能用于调节特定类瑕疵的灵敏度，特别是那些导致丙烯酰胺含量増加的瑕疵，以确保这类瑕疵的剔除不被操作员人工越控。可预测出的示例马铃薯切片在ー个连续的炸锅内烹制，例如炸锅温度在340° F左右至370° F左右，炸大约3分钟。这个烹制步骤一般将薯片的含水量按重量降至小于2%。例如，一般的油炸薯片离开炸锅时含水量按重量大约为1. 5%。炸好的薯片离开炸锅，沿着传送带以大约毎秒8英尺的速度前迸。当薯片沿着传送带向下行进时，放置在传送带上方的数码相机采集薯片的彩色图像。该图像被发送到含有FPGA或处理阵列的处理单元，FPGA或处理阵列具有编写的算法。FPGA或处理阵列运用算法将彩色图像转换到tl-t2得分空间。然后算法根据薯片特征在tl-t2得分空间的位置， 判断该薯片是否为瑕疵品。在tl-t2得分空间内标示出具有瑕疵特点的区域，建立掩模。首先在RGB空间标示出已确定的瑕疵并观察瑕疵在tl-t2空间内的位置。围绕tl-t2得分空间内该点的区域被选择，并被投射返回到RGB空间。围绕瑕疵区的掩模区域通过反复试验早已被确定，直到掩模区域被映射回RGB空间，充分覆盖薯片上的瑕疵区。FPGA向分拣设备发送信号，在一个实施例中，分拣设备包括ー个或多个空气喷嘴，瑕疵薯片间隔在3英尺或在0.006秒内靠近。然后，在薯片横跨传送带之间宽度大约为12英寸的开ロ至接收/减慢滑槽时，分拣设备通过ー阵气流接触瑕疵品而将其剔除。气流使瑕疵品偏离传送带进入废
PFt 流。
检测区和剔除喷嘴之间距离较短的ー个优点在干，高速移动的薯片(即意味着速度大于每分钟500英尺左右)展现出空气动力，并且能够依据被传送到空气剔除喷嘴的目标信息移动。相对薯片位置的任何移动都能导致ー个失误或者可能剔除相邻的非瑕疵薯片。将图像単元放置的尽可能靠近剔除喷嘴的优点在于，错失薯片或错误剔除的理论概论被降低。在一个实施例中，当薯片在传送带和减慢滑槽之间“飞翔”吋，采集图像。在这些情况下，图像采集系统和喷射喷嘴之间的这个距离大约小于1英尺。尽管本发明參考薯片生产线及薯片中的软心瑕疵进行了描述，但是可以理解，本发明适用于薯片生产业中所熟悉的其他瑕疵，以及其他热加工食品，例如焙烤或炸玉米片， 脆片，饼干等。给出的示例及解释并不意味着对本发明进行限制。因此，根据上述本发明至少ー个实施例的几个方面，本领域技术人员可以进行各种改动，修改以及改进。这些改动，修改，及改进属于本文所披露的一部分，并且在本发明的精神和范围之内。因此，前述的说明及附图仅是示例性的。
权利要求
1.一种检测食品生产过程中的瑕疵的方法，所述方法包括下列步骤a)在可见光谱中采集所述食品的图像；b)对所述图像进行多元图像分析，以建立数据集，和c)根据所述数据集判断是否存在瑕疵，其中当所述食品含水量按重量大于2.0%时， 则存在所述瑕疵。
2.根据权利要求1所述的方法，还包括调整加工变量以降低所述瑕疵的数量。
3.根据权利要求1所述的方法，其中，所述数据集包括、-t2得分空间。
4.根据权利要求1所述的方法，还包括剔除包含所述瑕疵的食品的步骤。
5.根据权利要求1所述的方法，其中，通过编程到现场可编程门阵列的算法来进行所述的多元图像分析。
6.根据权利要求1所述的方法，其中，当所述数据集显示，被成像的食品的成像区的至少10%包含软心时，则存在所述瑕疵。
7.根据权利要求1所述的方法，还包括对含有所述瑕疵的食品计数的步骤。
8.根据权利要求1所述的方法，其中，所述瑕疵还包括丙烯酰胺瑕疵。
9.根据权利要求8所述的方法，其中，所述丙烯酰胺瑕疵还包括糖瑕疵。
10.一种检测食品加工过程中的瑕疵的方法，所述方法包括下列步骤a)在可见光谱中采集所述食品的图像；b)对所述图像进行多元图像分析以建立数据集；和c)剔除包含瑕疵的食品，其中所述瑕疵包括具有预定含水量的食品。
11.根据权利要求10所述的方法，还包括在步骤c)之前根据所述数据集判断是否存在瑕疵的步骤。
12.根据权利要求10所述的方法，还包括在步骤c)之前向下游的分拣设备发送剔除包含所述瑕疵的食品的信号的步骤。
13.根据权利要求10所述的方法，其中通过编程到现场可编程门阵列的算法来进行所述的多元图像分析。
14.根据权利要求10所述的方法，还包括测量在步骤c)被剔除的所述食品中的非瑕疵PΡΠ O
15.根据权利要求14所述的方法，还包括根据在被剔除的食品流中所测量的非瑕疵食品来调整所述数据集的步骤。
16.根据权利要求10所述的方法，还包括测量在步骤c)中没有被剔除的食品中的瑕疵食品的步骤。
17.根据权利要求16所述的方法，还包括根据在没有被剔除的食品流中所测量的瑕疵食品来调整数据集的步骤。
18.现场可编程门阵列，包括算法，所述算法借助多元图像分析，将食品的彩色图像转换到t「t2得分空间，并根据得到的数据集判断是否存在瑕疵，并在0. 002秒内向下游分拣设备发送剔除所述瑕疵的信号。
19.监控食品加工过程中的瑕疵的装置，包括 图像采集设备；能够存储算法的计算设备，其中，所述算法借助多元图像分析将食品的彩色图像转换到tft2得分空间；和，根据得到的数据集判断是否存在瑕疵。
20.根据权利要求19所述的装置，其中所述计算设备包括现场可编程门阵列。
21.根据权利要求19所述的装置，其中，所述计算设备包括分割所述彩色图像的多个计算机处理阵列。
全文摘要
本发明涉及一种利用多元图像分析检测食品加工过程中的瑕疵的方法。一方面，在可见光谱中，通过联机图像设备采集食品的图像，借助被编程写入现场可编程门阵列的算法对该图像进行多元图像分析，以便判断是否存在瑕疵，向下游分拣设备发送信号，然后，该分拣设备剔除那些含有瑕疵的食品。
文档编号G01N21/00GK102598025SQ201080043374
公开日2012年7月18日 申请日期2010年8月20日 优先权日2009年8月25日
发明者小威尔弗雷德·M.·鲍瑞格, 恩里克·米歇尔 申请人:福瑞托-雷北美有限公司