CN111175248B - 智能化肉品质在线检测方法和检测*** - Google Patents
智能化肉品质在线检测方法和检测*** Download PDFInfo
- Publication number
- CN111175248B CN111175248B CN202010074482.0A CN202010074482A CN111175248B CN 111175248 B CN111175248 B CN 111175248B CN 202010074482 A CN202010074482 A CN 202010074482A CN 111175248 B CN111175248 B CN 111175248B
- Authority
- CN
- China
- Prior art keywords
- sample
- detected
- module
- pixel point
- fat
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 310
- 235000013372 meat Nutrition 0.000 title claims abstract description 68
- 210000003205 muscle Anatomy 0.000 claims abstract description 84
- 238000009826 distribution Methods 0.000 claims abstract description 43
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 43
- 230000003287 optical effect Effects 0.000 claims abstract description 4
- 239000000523 sample Substances 0.000 claims description 255
- 238000001228 spectrum Methods 0.000 claims description 113
- 238000004891 communication Methods 0.000 claims description 54
- 230000033001 locomotion Effects 0.000 claims description 33
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 230000005540 biological transmission Effects 0.000 claims description 17
- 230000001360 synchronised effect Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 5
- 238000009776 industrial production Methods 0.000 abstract description 3
- 238000012937 correction Methods 0.000 description 12
- 238000000034 method Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- CPBQJMYROZQQJC-UHFFFAOYSA-N helium neon Chemical compound [He].[Ne] CPBQJMYROZQQJC-UHFFFAOYSA-N 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 210000001789 adipocyte Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 235000015092 herbal tea Nutrition 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 235000013622 meat product Nutrition 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000005064 physico chemical analysis method Methods 0.000 description 1
- 235000015277 pork Nutrition 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种智能化肉品质在线检测方法,包括以下步骤:获取待测样品像素点的光强度信息,根据像素点的光强度信息判断像素点的属性信息,其中,属性信息包括肌肉和脂肪;依据像素点属性信息确定待测样品的肌肉和脂肪分布信息;依据待测样品的肌肉和脂肪分布信息确定待测样品的目标检测区域;获取待测样品目标检测区域的近红外光谱,依据近红外光谱预测各项肉品质参数值。公开了一种智能化肉品质在线检测***。本发明具有克服传统肉品质光学检测***无法在线、依靠人工、效率低的缺点,也克服了一般在线检测***定位不准确的缺陷,适用于工业化生产线在线检测。
Description
技术领域
本发明涉及食品加工技术领域。更具体地说,本发明涉及一种智能化肉品质在线检测方法和检测***。
背景技术
传统的肉品质检测方法主要为理化分析方法,存在着步骤繁琐、耗时、耗人工、有破坏性、结果滞后等缺点。近红外光谱分析技术具有光谱采集便捷、分析时间短、不破坏样品、不消耗试剂、不污染环境等优点,可通过化学计量学完成对复杂体系的多指标检测,已逐渐广泛应用于农业、工业无损检测的各个领域。
目前关于近红外光谱近红外品质在线检测应用已经有相关专利文献,如专利“一种近红外在线检测预处理***及其应用(CN201110093881)”,“一种凉茶近红外在线检测方法(CN201711087997)”等,上述专利主要应用于液体药物、液体饮料、饲料粉末、水果等的在线品质检测监控,以辅助工业生产,提高生产效率。
但是:在检测肉品形状不一的固体形态样品时,由于样品的表面不规则、大小不一致、表面形态不统一是近红外光谱在线检测面临的巨大挑战,是造成结果不准确的核心原因;且目前以后的专利技术,如专利“一种基于近红外光谱及显微脂肪细胞数据融合的猪肉新鲜度无损检测技术(CN101936894A)”,“一种羊肉产地的检测方法(CN201710977247)”,“注水肉检测方法和装置(CN201310136236)”对于如何更好的实现生产线上应用无阐述或描述较少。故而,对于目前食品工业的肉制品在线检测***而言,如何有效确定检测肉品目标检测区域,实现智能化在线检测迫切且必要。
发明内容
本发明的一个目的是解决至少上述问题,并提供至少后面将说明的优点。
本发明还有一个目的是提供一种智能化肉品质在线检测方法,对于检测形状不一致、大小不一致、表面形态不统一的待测肉品,获得对应待测肉品的肌肉和脂肪分布信息,依据肌肉和脂肪分布信息确定待测样品的目标检测区域,提高近红外光谱在线检测准确性。
提供一种智能化肉品质在线检测***,提高检测形状不一致、大小不一致、表面形态不统一的待测肉品的近红外光谱在线检测准确性。
为了实现根据本发明的这些目的和其它优点,提供了一种智能化肉品质在线检测方法,包括以下步骤:
获取待测样品像素点的光强度信息,根据像素点的光强度信息判断像素点的属性信息,其中,属性信息包括肌肉和脂肪;
依据像素点属性信息确定待测样品的肌肉和脂肪分布信息;
依据待测样品的肌肉和脂肪分布信息确定待测样品的目标检测区域;
获取待测样品目标检测区域的近红外光谱;
依据近红外光谱预测各项肉品质参数值。
优选的是,待测样品置于传送带上,位于传送带上方固设激光发生器和CCD检测器,其中,激光发生器发出线型激光照射在待测样品表面形成扫描线,利用CCD检测器接收扫描线上的每一个像素点反射光的光强度信息;
设定传动带的高度为0,依据每个像素点光信号强度信息通过三角成像原理计算得对应像素点的高度,提取像素点高度≥10mm的像素点作为待测样品像素点。
判断预测的待测样品重量M是否符合产品质量预设标准,进行重量筛选。
优选的是,根据像素点的光强度信息判断像素点的属性信息具体为:
分别获取j个肌肉样品的光强度信息平均值,并求平均值A,其中,j≥100;
分别获取k个脂肪样品的光强度信息平均值,并求平均值B,其中,k≥100,定义待测样品像素点的光强度信息为C,当|C-A|>|C-B|时,判断该像素点的属性信息为脂肪,当|C-A|<|C-B|时,判断该像素点的属性信息为肌肉。
优选的是,依据像素点属性信息确定待测样品的肌肉和脂肪分布信息具体为:处理待测样品属性信息形成图像,利用连通区域分析算法提取获得待测样品像素点数≥100的肌肉连通区、脂肪连通区。
优选的是,依据待测样品的肌肉和脂肪分布信息确定目标检测区域具体为:
S1、将肌肉连通区按像素点从多至少排序,并依次判断肌肉连通区是否存在半径等于近红外检测区域半径的区域,若是,确定该区域为目标检测区域;
S2、若否,将脂肪连通区按像素点从多至少排序,将排序在第1位的脂肪连通区分割在外后,计算剩余区域的中心1,以近红外检测区域半径为半径、中心1为中心得D1区域,判断剩余区域是否包含D1,若否,确定D1为目标检测区域;
S3、若是,将排序在第i位及第i位之前的脂肪连通区分割在外后,计算剩余区域中心i,以近红外检测区域半径为半径、中心i为中心得第Di区域,判断剩余区域是否包含Di;
S4、若是,按照S3进行循环;若否,则返回上一步,确定Di-1为目标检测区域,其中,循环从i=2开始,每循环1次i增加1。
优选的是,所述的智能化肉品质在线检测方法,还包括:确定目标检测区域内被分割在外的脂肪连通区面积之和,依据目标检测区域内被分割在外的脂肪连通区面积之和校正近红外光谱参数。
优选的是,获取待测样品目标检测区域的近红外光谱参数具体为:
沿待测样品传送方向位于CCD检测器下游设置机器人定位模块,与机器人定位模块连接设置控制主机,与控制主机连接设置光谱检测模块,CCD检测器与控制主机连接,其中,光谱检测模块包括光谱检测探头,设定X轴沿水平且垂直传送带运动方向设置,Y轴沿着传送带运动方向设置,Z轴沿竖直且垂直传送带运动方向设置,定义光谱检测探头的初始化位置坐标为(X0,Y0,Z0)=(0,0,0);
依据待测样品的目标检测区域获取检测高度参考值hm、中心坐标;
当某一条扫描线对应像素点的高度全为0时,记为正常信息,当某一条扫描线对应像素点的高度不全为0时,记为非正常信息,对于一个待测样品,当控制主机收到CCD检测器的最后一条非正常信息时,确定该时刻目标检测区域中心的坐标(Xj,Yj,Zj),并计算得到光谱检测探头定点位置坐标(Xd,Yd,Zd)=(Xj,0,Hm+a);
控制主机依据光谱检测探头的初始化位置坐标、光谱检测探头定点位置坐标获得运动轨迹,并将运动轨迹发送至机器人定位模块,机器人定位模块接收并依据该运动轨迹带动光谱检测探头运动至定点位置;
结合待测样品传送速度Vs、Yj计算待测样品目标检测区域的中心运动到光谱检测探头定点位置需要的时间T0=Yj/Vs,以最后一条非正常信息产生为起点,间隔T0时间后,控制主机控制机器人定位模块以速度为Vs带动光谱检测探头沿传送带运动方向运动,运动时间为T1,同时控制主机控制光谱检测探头获取近红外光谱参数,其中,T1不小于光谱检测模块获取近红外光谱参数的最小时间。
优选的是,a为2-4cm。
优选的是,光谱检测探头的初始化坐标中Z0的确定具体为:
预估待测批次样品高度为h1,初始Z0=h1+a;
每隔预定时间获取待测批次已经检测样品的历史最大高度h2,更改Z0=h2+a。
还公开一种智能化肉品质在线检测***,包括:
线型距离传感器模块,用于获取待测样品像素点的光强度信息;
控制主机,其包括:
属性判别模块,其与线型距离传感器模块连接,用于根据像素点的光强度信息判断像素点的属性信息,其中,属性信息包括肌肉和脂肪;
分布信息获取模块,其与属性判别单元连接,用于依据像素点属性信息确定待测样品的肌肉和脂肪分布信息;
目标检测区域获取模块,其与属性判别单元连接,用于依据待测样品的肌肉和脂肪分布信息确定目标检测区域;
光谱检测模块,其用于获取待测样品目标检测区域的近红外光谱参数,其中,控制主机还包括肉品质参数值预测模块,其与光谱检测模块连接,用于依据近红外光谱预测各项肉品质参数值。
优选的是,所述的智能化肉品质在线检测***,还包括:传动带,其用于带动待测样品以一定速度移动,其中,线型距离传感器模块包括位于传送带上方固设的激光发生器和CCD检测器,激光发生器发出线型激光照射在样品表面,形成扫描线,利用CCD检测器接收扫描线上的每一个像素点反射光的光强度信息;
其中,所述控制主机内还设置待测样品像素点判定模块,其分别与CCD检测器和属性判别模块连接,用于依据每个像素点光信号强度信息通过三角成像原理计算得对应像素点的高度,提取像素点高度≥10mm的像素点作为待测样品像素点,并传输至属性判别模块,设定传动带的高度为0;
属性判别模块根据像素点的光强度信息判断像素点的属性信息具体为:分别获取j个肌肉样品的光强度信息平均值,并求平均值A,其中,j≥100;分别获取k个脂肪样品的光强度信息平均值,并求平均值B,其中,定义待测样品像素点的光强度信息为C,当|C-A|>|C-B|时,判断该像素点的属性信息为脂肪,当|C-A|<|C-B|时,判断该像素点的属性信息为肌肉;
分布信息获取模块依据像素点属性信息确定待测样品的肌肉和脂肪分布信息具体为:处理待测样品属性信息形成图像,利用连通区域分析算法提取获得待测样品像素点数≥100的肌肉连通区、脂肪连通区;
目标检测区域获取模块依据待测样品的肌肉和脂肪分布信息确定目标检测区域具体为:A1、将肌肉连通区按像素点从多至少排序,并依次判断肌肉连通区是否存在半径等于近红外检测区域半径的区域,若是,确定该区域为目标检测区域;A2、若否,将脂肪连通区按像素点从多至少排序,将排序在第1位的脂肪连通区分割在外后,计算剩余区域的中心1,以近红外检测区域半径为半径、中心1为中心得D1区域,判断剩余区域是否包含D1,若否,确定D1为目标检测区域;A3、若是,将排序在第i位及第i位之前的脂肪连通区分割在外后,计算剩余区域中心i,以近红外检测区域半径为半径、中心i为中心得第Di区域,判断剩余区域是否包含Di;A4、若是,按照A3进行循环;若否,则返回上一步,确定Di-1为目标检测区域,其中,循环从i=2开始,每循环1次i增加1。
优选的是,所述的智能化肉品质在线检测***,还包括:机器人定位模块,其包括沿待测样品传送方向设于激光发生器下游的DELTA机器人本体、与DELTA机器人本体连接的机器人控制器,其中,光谱检测模块包括绑定于DELTA机器人本体上的光谱检测探头;
其中,通过控制主机设定X轴沿水平且垂直传送带运动方向设置,Y轴沿着传送带运动方向设置,Z轴沿竖直且垂直传送带运动方向设置,定义光谱检测探头的初始化位置坐标为(X0,Y0,Z0)=(0,0,0);当某一条扫描线对应像素点的高度全为0时,记为正常信息,当某一条扫描线对应像素点的高度不全为0时,记为非正常信息;所述控制主机还包括:
运动轨迹确定模块,其分别与目标检测区域获取模块和机器人控制模块连接,用于当控制主机收到CCD检测器的最后一条非正常信息时,确定该时刻目标检测区域的检测高度参考值hm、中心坐标(Xj,Yj,Zj),并计算得到光谱检测探头定点位置坐标(Xd,Yd,Zd)=(Xj,0,Hm+a),进一步依据光谱检测探头的初始化位置坐标、光谱检测探头定点位置坐标获得运动轨迹,并将运动轨迹发送至机器人控制器,机器人控制器接收并依据该运动轨迹操作DELTA机器人本体带动光谱检测探头运动至定点位置;
同步检测控制模块,其分别与运动轨迹确定模块、机器人控制模块、光谱检测模块连接,用于结合待测样品传送速度Vs、Yj计算待测样品目标检测区域的中心运动到光谱检测探头定点位置需要的时间T0=Yj/Vs,以最后一条非正常信息产生为起点,间隔T0时间后,发送同步信号,机器人控制器接收同步信号控制DELTA机器人本体以速度为Vs带动光谱检测探头沿传送带运动方向运动,运动时间为T1,同时同步检测控制模块控制光谱检测探头获取近红外光谱参数,其中,T1不小于光谱检测模块获取近红外光谱参数的最小时间。
优选的是,a为2-4cm;
光谱检测探头的初始化坐标中Z0的确定具体为:预估待测批次样品高度为h1,初始Z0=h1+a;每隔预定时间获取待测批次已经检测样品的历史最大高度h2,更改Z0=h2+a。
优选的是,智能化肉品质在线检测***,还包括:检测暗箱,其架设在传送带上,并容纳线型距离传感模块、机器人定位模块、光谱检测模块。
本发明至少包括以下有益效果:
第一、克服了传统肉品质光学检测***无法在线、依靠人工、效率低的缺点,也克服了一般在线检测***定位不准确的缺陷,适用于工业化生产线在线检测。
第二、实现光谱自动在线校正、样品到位智能化感知、样品检测位置智能化定位、样品高度智能化判定、探头智能化定位、样品定位及检测探头检测动作协同等目的及功能,最终实现肉品质的无人辅助智能化在线检测。
第三、对于检测形状不一致、大小不一致、表面形态不统一的待测肉品时,获得对应待测肉品的肌肉和脂肪分布信息,依据肌肉和脂肪分布信息确定待测样品的目标检测区域,提高近红外光谱在线检测准确性,具体为:将待测样品置于传送带,以使样品能够以一定速度移动经过激光发生器和CCD检测器,继而依次通过自动激光发生器和CCD检测器配合获得待扫描线像素点的光强度信息,进一步剔除非待测样品像素点,获得待测样品像素点的光强度信息,通过比较待测像素点与A(肌肉像素点光强度平均值)、B(脂肪像素点光强度平均值)间距离大小,够有效区分并判定像素点的属性信息,继而通过“遍历分割法”获取目标检测区域。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明的其中一种技术方案所述智能化肉品质在线检测的结构示意图;
图2为本发明的其中一种技术方案所述智能化肉品质在线检测***的结构框图。
附图标记为:传送带1;激光发生器2;CCD检测器3;控制主机4;DELTA机器人本体5;机器人控制器6;光谱检测探头8;光谱仪9;光源10;检测暗箱11;附属支架12;光谱校正白板13。
具体实施方式
下面结合实施例对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
本发明提供一种智能化肉品质在线检测方法,包括以下步骤:
获取待测样品像素点的光强度信息,根据像素点的光强度信息判断像素点的属性信息,其中,属性信息包括肌肉和脂肪;
依据像素点属性信息确定待测样品的肌肉和脂肪分布信息;
依据待测样品的肌肉和脂肪分布信息确定待测样品的目标检测区域;
获取待测样品目标检测区域的近红外光谱;
依据近红外光谱预测各项肉品质参数值。在上述实施例中,肌肉和脂肪的光强度信息不同,利用光强度信息的区别判断对应像素点的属性信息,依据待测样品全部像素点的属性信息获得待测样品的肌肉和脂肪分布信息,依据肌肉和脂肪分布信息确定目标检测区域,然后获得目标检测区域的近红外光谱,依据近红外光谱预测各项肉品质参数值;采用这种方案,对于检测形状不一致、大小不一致、表面形态不统一的待测肉品时,获得对应待测肉品的肌肉和脂肪分布信息,依据肌肉和脂肪分布信息确定待测样品的目标检测区域,提高近红外光谱在线检测准确性。
在另一实施例中,待测样品置于传送带1上,即在检测过程中,将同一批待测样品逐个间隔放于传送带1上,传送带1以一定速度Vs带动肉块沿传送带1方向移动;
位于传送带1上方固设激光发生器2和CCD检测器3,其中,激光发生器2发出特定波长的线型激光(如543nm的绿色氦氖激光或633nm的红色激光,具体可根据实际情况调节设定)照射在待测样品表面形成扫描线(扫描线沿垂直于传送带1传动方向设置,即一条扫描线沿传送带1宽度方向的长度长于待测样品沿传送带1宽度方向的长度,以满足后期能够获得待测样品的全部像素点),每一个像素点反射激光投射到CCD检测器3,利用CCD检测器3接收反射光,将其转换为光强度数字信号,继而获得扫描线上的每一个像素点反射光的光强度信息;
设定传动带的高度为0mm,依据每个像素点光信号强度信息通过三角成像原理计算得对应像素点的高度,提取像素点高度≥10mm的像素点作为待测样品像素点,以获得待测样品像素点的光信号强度信息,即剔除非待测样品像素点。采用这种技术,将待测样品置于传送带1,以使样品能够以一定速度移动经过激光发生器2和CCD检测器3,继而依次通过自动激光发生器2和CCD检测器3配合获得待扫描线像素点的光强度信息,进一步剔除非待测样品像素点,获得待测样品像素点的光强度信息。
在另一实施例中,待测样品像素点的个数为n,预测待测样品重量M,M=ρ×Vt,其中,ρ为肉的一般密度,s为像素单位面积,hi为第i个待测样品像素点的高度,像素单位面积指1个像素点代表的实际样品面积大小,,像素单位面积s值在线型距离传感模块安装在***上之后即可确定,与线型距离传感模块的安装高度相关;
判断预测的待测样品重量M是否符合产品质量预设标准,进行重量筛选。采用这种技术,前提设定同一批次待测样品的ρ相同,可以通过多样品测量求平均值的方法获得,或者设定产品质量预设标准为ρV标,即设定标准体积,通过体积间接判断质量是否达标。
在另一实施例中,根据像素点的光强度信息判断像素点的属性信息的方法具体为:
分别获取j个肌肉样品的光强度信息平均值,并求j个肌肉样品的光强度信息平均值的平均值为A,其中,j≥100;
分别获取k个脂肪样品的光强度信息平均值,并求k个脂肪样品的光强度信息平均值的平均值为B,其中,k≥100,定义待测样品像素点的光强度信息为C,当|C-A|>|C-B|时,判断该像素点的属性信息为脂肪,当|C-A|<|C-B|时,判断该像素点的属性信息为肌肉。采用这种技术,通过比较待测像素点与A(肌肉像素点光强度平均值)、B(脂肪像素点光强度平均值)间距离大小,够有效区分并判定像素点的属性信息。
在另一实施例中,依据像素点属性信息确定待测样品的肌肉和脂肪分布信息具体为:处理待测样品属性信息形成图像,利用连通区域分析算法提取获得待测样品像素点数≥100的肌肉连通区、脂肪连通区。采用这种技术,有效获取待测样品的脂肪连通区和肌肉连通区作为待测样品的肌肉和脂肪分布信息。
在另一实施例中,检定过程中控制光谱检测模块距离目标检测区域的距离为一定值,则光谱检测模块在待测样品上形成的光斑(目标检测区域)为一大小确定的图形,依据待测样品的肌肉和脂肪分布信息确定目标检测区域具体为:
S1、将像素点数≥100的肌肉连通区按像素点从多至少排序,并依次判断肌肉连通区是否存在半径等于近红外检测区域半径的区域,若是,确定该区域为目标检测区域,即按照由多至少的顺序逐步判断是否存在半径等于近红外检测光斑半径的区域,若是,停止判断,确定该区域为目标检测区域;
S2、若否,将脂肪连通区按像素点从多至少排序,将排序在第1位的脂肪连通区分割在外后,计算剩余区域的中心1,以近红外检测区域半径为半径、中心1为中心得D1区域,判断剩余区域是否包含D1,若否,确定D1为目标检测区域;其中,计算剩余区域的中心1具体为计算剩余区域的重心,后续涉及到的区域中心即为对应区域的重心;
S3、若否,将排序在第2位及第1位的脂肪连通区分割在外后,计算剩余区域中心2,以近红外检测区域半径为半径、中心2为中心得第D2区域,判断剩余区域是否包含D2,若否,确定D1为目标检测区域;
S5、若是,将排序在第1-3的脂肪连通区分割在外后,计算剩余区域中心3,以近红外检测区域半径为半径、中心3为中心得第D3区域,判断剩余区域是否包含D3,若否,确定D2为目标检测区域;
S6、若是,将排序在第1-4的脂肪连通区分割在外后,计算剩余区域中心4,以近红外检测区域半径为半径、中心4为中心得第D4区域,判断剩余区域是否包含D4,若否,确定D3为目标检测区域;
S6、按照上述规律,依次循环,直至确定目标检测区域。
在另一实施例中,智能化肉品质在线检测方法,还包括:确定目标检测区域内被分割在外的脂肪连通区面积之和,依据目标检测区域内被分割在外的脂肪连通区面积之和校正近红外光谱参数,根据检测目的和规则,如果目标检测区域的选择不能有效去除对结果有影响的脂肪连通区,则***可提供“后补校正机制”,即:每次样品检测时,同时记录处在检测区域内的脂肪联通区面积之和,作为样品品质预测模型及检测结果的校正参考系数。
在另一实施例中,获取待测样品目标检测区域的近红外光谱参数具体为:
沿待测样品传送方向位于CCD检测器3下游设置机器人定位模块,与机器人定位模块连接设置控制主机4,与控制主机4连接设置光谱检测模块,控制主机4为安装有整个***控制软件的计算机,与CCD检测器3连接;其中,光谱检测模块包括光谱检测探头8,设定X轴沿水平且垂直传送带1运动方向设置,Y轴沿着传送带1运动方向设置,Z轴沿竖直且垂直传送带1运动方向设置,定义光谱检测探头8的初始化位置坐标为(X0,Y0,Z0)=(0,0,0);
依据待测样品的目标检测区域获取检测高度参考值hm、中心坐标;
当某一条扫描线对应像素点的高度全为0时,记为正常信息,当某一条扫描线对应像素点的高度不全为0时,记为非正常信息,对于一个待测样品,当控制主机4收到CCD检测器3的最后一条非正常信息时,确定该时刻目标检测区域中心的坐标(Xj,Yj,Zj),并计算得到光谱检测探头8定点位置坐标(Xd,Yd,Zd)=(Xj,0,Hm+a);
控制主机4依据光谱检测探头8的初始化位置坐标、光谱检测探头8定点位置坐标获得运动轨迹,并将运动轨迹发送至机器人定位模块,机器人定位模块接收并依据该运动轨迹带动光谱检测探头8运动至定点位置;
结合待测样品传送速度Vs、Yj计算待测样品目标检测区域的中心运动到光谱检测探头8定点位置需要的时间T0=Yj/Vs,以最后一条非正常信息产生为起点,间隔T0时间后,控制主机4控制机器人定位模块以速度为Vs带动光谱检测探头8沿传送带1运动方向运动,运动时间为T1,同时控制主机4控制光谱检测探头8获取近红外光谱参数,其中,T1不小于光谱检测模块获取近红外光谱参数的最小时间。采用这种方案,实现了样品定位及检测探头检测动作协同,当检测完成后,机器人定位模块带动光谱检测探头8运动至初始化位置。
在另一实施例中,a为2-4cm,定距无接触检测。
在另一实施例中,光谱检测探头8的初始化坐标中Z0的确定具体为:
预估待测批次样品高度为h1,初始Z0=h1+a;
每隔预定时间获取待测批次已经检测样品的历史最大高度h2,更改Z0=h2+a。
在另一实施例中,delta机器人的支架上固定有一个附属支架12,为光谱校正支架,光谱校正支架的下端固定有一个光谱校正白板13,用以定时校正近红外光谱的白参考,实现光谱的自动在线校正。
在另一实施例中,对于一个待测样品,当delta机器人收到控制主机4运动轨迹信号,按照运动轨迹将光谱检测探头8携动到指定位置后,计时并计算时间消耗T1,若T0<T1,则检测报错,向控制主机4报告漏检1次。
如图1-2所示,本发明还提供一种智能化肉品质在线检测***,包括:
线型距离传感器模块,用于获取待测样品像素点的光强度信息;
控制主机4,其包括:
属性判别模块,其与线型距离传感器模块连接,用于根据像素点的光强度信息判断像素点的属性信息,其中,属性信息包括肌肉和脂肪,肌肉和脂肪的光强度信息不同,利用光强度信息的区别判断对应像素点的属性信息;
分布信息获取模块,其与属性判别单元连接,用于依据像素点属性信息确定待测样品的肌肉和脂肪分布信息;
目标检测区域获取模块,其与属性判别单元连接,用于依据待测样品的肌肉和脂肪分布信息确定目标检测区域;
光谱检测模块,其用于获取待测样品目标检测区域的近红外光谱参数,并传输至控制主机4,其中,控制主机还包括肉品质参数值预测模块,其与光谱检测模块连接,用于依据近红外光谱预测各项肉品质参数值,即控制主机4通过内嵌的肉品质参数值预测模块计算出肉品质参数值并显示在控制主机4主界面上。采用这种方案,对于检测形状不一致、大小不一致、表面形态不统一的待测肉品时,获得对应待测肉品的肌肉和脂肪分布信息,依据肌肉和脂肪分布信息确定待测样品的目标检测区域,提高近红外光谱在线检测准确性。
在另一种实施例中,所述的智能化肉品质在线检测方法,其特征在于,还包括:传动带,其用于带动待测样品以一定速度移动,待测样品置于传送带1上,即在检测过程中,将同一批待测样品逐个间隔放于传送带1上,传送带1以一定速度Vs带动肉块沿传送带1方向移动;
其中,线型距离传感器模块包括位于传送带1上方固设的激光发生器2和CCD检测器3,激光发生器2发出特定波长的线型激光(如543nm的绿色氦氖激光或633nm的红色激光,具体可根据实际情况调节设定)照射在样品表面,形成扫描线,扫描线沿垂直于传送带1传动方向设置,即一条扫描线沿传送带1宽度方向的长度长于待测样品沿传送带1宽度方向的长度,以满足后期能够获得待测样品的全部像素点),每一个像素点反射激光投射到CCD检测器3,利用CCD检测器3接收反射光,将其转换为光强度数字信号,继而获得扫描线上的每一个像素点反射光的光强度信息;
所述控制主机4内还设置待测样品像素点判定模块,其分别CCD检测器3和属性判别模块连接,用于依据每个像素点光信号强度信息通过三角成像原理计算得对应像素点的高度,提取像素点高度≥10mm的像素点作为待测样品像素点,并传输至属性判别模块,设定传动带的高度为0mm,即剔除非待测样品像素点;
属性判别模块根据像素点的光强度信息判断像素点的属性信息具体为:分别获取j个肌肉样品的光强度信息平均值,并求j个肌肉样品的光强度信息平均值的平均值为A,其中,j≥100;分别获取k个脂肪样品的光强度信息平均值,并求k个脂肪样品的光强度信息平均值的平均值为B,其中,定义待测样品像素点的光强度信息为C,当|C-A|>|C-B|时,判断该像素点的属性信息为脂肪,当|C-A|<|C-B|时,判断该像素点的属性信息为肌肉;
分布信息获取模块依据像素点属性信息确定待测样品的肌肉和脂肪分布信息具体为:处理待测样品属性信息形成图像,利用连通区域分析算法提取获得待测样品像素点数≥100的肌肉连通区、脂肪连通区;
检定过程中控制光谱检测模块距离目标检测区域的距离为一定值,则光谱检测模块在待测样品上形成的光斑(目标检测区域)为一大小确定的图形,目标检测区域获取模块依据待测样品的肌肉和脂肪分布信息确定目标检测区域具体为:
A1、将像素点数≥100的肌肉连通区按像素点从多至少排序,并依次判断肌肉连通区是否存在半径等于近红外检测区域半径的区域,若是,确定该区域为目标检测区域,即按照由多至少的顺序逐步判断是否存在半径等于近红外检测光斑半径的区域,若是,停止判断,确定该区域为目标检测区域;
A2、若否,将脂肪连通区按像素点从多至少排序,将排序在第1位的脂肪连通区分割在外后,计算剩余区域的中心1,以近红外检测区域半径为半径、中心1为中心得D1区域,判断剩余区域是否包含D1,若否,确定D1为目标检测区域;
A3、若是,将排序在第i位及第i位之前的脂肪连通区分割在外后,计算剩余区域中心i,以近红外检测区域半径为半径、中心i为中心得第Di区域,判断剩余区域是否包含Di;
A4、若是,按照A3进行循环;若否,则返回上一步,确定Di-1为目标检测区域,其中,循环从i=2开始,每循环1次i增加1。采用这种方案,将待测样品置于传送带1,以使样品能够以一定速度移动经过激光发生器2和CCD检测器3,继而依次通过自动激光发生器2和CCD检测器3配合获得待扫描线像素点的光强度信息,进一步剔除非待测样品像素点,获得待测样品像素点的光强度信息,通过比较待测像素点与A(肌肉像素点光强度平均值)、B(脂肪像素点光强度平均值)间距离大小,够有效区分并判定像素点的属性信息,继而通过“遍历分割法”获取目标检测区域。
在另一种实施例中,智能化肉品质在线检测方法,其特征在于,还包括:机器人定位模块,其包括沿待测样品传送方向设于激光发生器2下游的DELTA机器人本体5(其为3轴机器人)、与DELTA机器人本体5连接的机器人控制器6,其中,光谱检测模块包括绑定于DELTA机器人本体5上的光谱检测探头8,光谱检测模块还包括:与光谱检测探头8连接的光谱仪9、光源10,其中,光谱检测探头8为集发射与采集为一体的大区域光谱检测探头8,所述光谱仪9为近红外光谱仪9,可根据实际需要选用400-1000nm、900-1700nm及900-2500nm,优选的光源10为卤钨灯光源10,用以提供300-2500nm范围的近红外光;
其中,通过控制主机4设定X轴沿水平且垂直传送带1运动方向设置,Y轴沿着传送带1运动方向设置,Z轴沿竖直且垂直传送带1运动方向设置,定义光谱检测探头8的初始化位置坐标为(X0,Y0,Z0)=(0,0,0);当某一条扫描线对应像素点的高度全为0时,记为正常信息,当某一条扫描线对应像素点的高度不全为0时,记为非正常信息;所述控制主机4还包括:
运动轨迹确定模块,其分别与目标检测区域获取模块和机器人控制模块连接,用于当控制主机4收到CCD检测器3的最后一条非正常信息时,确定该时刻目标检测区域的检测高度参考值hm、中心坐标(Xj,Yj,Zj),并计算得到光谱检测探头8定点位置坐标(Xd,Yd,Zd)=(Xj,0,Hm+a),进一步依据光谱检测探头8的初始化位置坐标、光谱检测探头8定点位置坐标获得运动轨迹,并将运动轨迹发送至机器人控制器6,机器人控制器6接收并依据该运动轨迹操作DELTA机器人本体5带动光谱检测探头8运动至定点位置;
同步检测控制模块,其分别与运动轨迹确定模块、机器人控制模块、光谱检测模块连接,用于结合待测样品传送速度Vs、Yj计算待测样品目标检测区域的中心运动到光谱检测探头8定点位置需要的时间T0=Yj/Vs,以最后一条非正常信息产生为起点,间隔T0时间后,发送同步信号,机器人控制器6接收同步信号控制DELTA机器人本体5以速度为Vs带动光谱检测探头8沿传送带1运动方向运动,运动时间为T1,同时同步检测控制模块控制光谱检测探头8获取近红外光谱参数,其中,T1不小于光谱检测模块获取近红外光谱参数的最小时间。采用这种方案,实现了样品定位及检测探头检测动作协同,当完成一次检测后,机器人控制器6控制DELTA机器人本体5带动光谱检测探头8运动至初始化位置。
在另一种实施例中,a为2-4cm,定距无接触检测;
光谱检测探头8的初始化坐标中Z0的确定具体为:预估待测批次样品高度为h1,初始Z0=h1+a;
每隔预定时间获取待测批次已经检测样品的历史最大高度h2,更改Z0=h2+a。采用这种方案,实现定距无接触检测。
在另一种实施例中,所述的智能化肉品质在线检测***,还包括:检测暗箱11,其架设在传送带1上,并容纳线型距离传感模块、机器人定位模块、光谱检测模块。采用这种方案,检测箱用于提供不受环境光影响的稳定暗室环境,以保证待测样品的品质检测结果不被环境光影响,且可以起到保护线型距离传感模块、机器人定位模块、光谱检测模块不被工作环境中的水滴、坠物等意外情况所损伤。
实施例1:
(1)启动控制主机4,打开控制主机4上的控制软件,与机器人控制器6、光谱仪9、CCD检测器3进行信号握手沟通,如沟通正常,则给提示,允许***运行,如沟通有误,则仔细检查***硬件是否连接有误或损坏;
(2)启动初始化设置,控制主机4控制线性距离传感模块采集传送带1数据,确定传送带1中心位置;同时,控制主机4控制机器人定位模块自检,并确定检测探头的初始化位置,若***为第一次上线,预估待测批次样品高度为h1,设定初始Z0=h1+2cm;
(3)***自动依次进行黑白参考的校正,进行白参考校正时,机器人定位模块将检测探头传动至光谱校正白板13的上方2cm处,控制软件控制光谱仪9采集白参考数据;而后将检测探头指向暗箱侧壁空旷区域,且检测探头前方50cm内没有物体,控制软件控制光谱仪9采集暗参考,完成一次校正,该***每工作2h自动进行一次黑白参考校正;
(4)完成校正后,启动传送带1,传送带1上有样品向***暗箱方向运动而来;
(5)样品进入***暗箱后,进入激光投射区域,激光发生器2发射激光,照射在样品表面上,形成一条扫描线,该扫描线的样品将激光反射回去,投射在CCD检测器3上,面阵检测器将样品一条扫描线的光强度信息传送至控制主机4,控制主机4进行暂存;
(6)当控制主机4首次检测到非正常信息时,判断样品进入高度检测区域,且最后一次检测到非正常信息时,判断该样品完全通过高度检测区域,记为一个完整样品信息,***开始计时;
(7)控制软件计算该待测样品的目标检测区域、确定该时刻目标检测区域的检测高度参考值hm、中心坐标(Xj,Yj,Zj),并计算得到光谱检测探头8定点位置坐标(Xd,Yd,Zd)=(Xj,0,Hm+a),进一步依据光谱检测探头8的初始化位置坐标、光谱检测探头8定点位置坐标获得运动轨迹;
(8)控制主机4并将运动轨迹发送至机器人控制器6,机器人控制器6接收并依据该运动轨迹操作DELTA机器人本体5带动光谱检测探头8运动至定点位置;
(9)控制主机4同步计算待测样品到达时间,当待测样品到达时,控制光谱检测模块开始进行检测光谱一次,并将光谱数据发送给控制主机4,控制主机4根据嵌入的模型计算产品品质检测值,并显示在控制软件上,完成1个样品的检测
(10)循环5-9步骤,直至所有产品检测完毕。
其中,优选的,可以根据检测结果分为2级(合格/不合格)或2个以上的级别,且控制主机4根据其级别的不同将同一生产线的产品分到2个/以上的子线上去,以实现产品的在线分级。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (13)
1.智能化肉品质在线检测方法,其特征在于,包括以下步骤:
获取待测样品像素点的光强度信息,根据像素点的光强度信息判断像素点的属性信息,其中,属性信息包括肌肉和脂肪;
依据像素点属性信息确定待测样品的肌肉和脂肪分布信息;
依据待测样品的肌肉和脂肪分布信息确定待测样品的目标检测区域;
获取待测样品目标检测区域的近红外光谱;
依据近红外光谱预测各项肉品质参数值;
待测样品置于传送带上,位于传送带上方固设激光发生器和CCD检测器,其中,激光发生器发出线型激光照射在待测样品表面形成扫描线,利用CCD检测器接收扫描线上的每一个像素点反射光的光强度信息;
设定传动带的高度为0,依据每个像素点光信号强度信息通过三角成像原理计算得对应像素点的高度,提取像素点高度≥10mm的像素点作为待测样品像素点。
3.如权利要求1所述的智能化肉品质在线检测方法,其特征在于,根据像素点的光强度信息判断像素点的属性信息具体为:
分别获取j个肌肉样品的光强度信息平均值,并求平均值A,其中,j≥100;
分别获取k个脂肪样品的光强度信息平均值,并求平均值B,其中,k≥100,定义待测样品像素点的光强度信息为C,当|C-A|>|C-B|时,判断该像素点的属性信息为脂肪,当|C-A|<|C-B|时,判断该像素点的属性信息为肌肉。
4.如权利要求3所述的智能化肉品质在线检测方法,其特征在于,依据像素点属性信息确定待测样品的肌肉和脂肪分布信息具体为:处理待测样品属性信息形成图像,利用连通区域分析算法提取获得待测样品像素点数≥100的肌肉连通区、脂肪连通区。
5.如权利要求1所述的智能化肉品质在线检测方法,其特征在于,依据待测样品的肌肉和脂肪分布信息确定目标检测区域具体为:
S1、将肌肉连通区按像素点从多至少排序,并依次判断肌肉连通区是否存在半径等于近红外检测区域半径的区域,若是,确定该区域为目标检测区域;
S2、若否,将脂肪连通区按像素点从多至少排序,将排序在第1位的脂肪连通区分割在外后,计算剩余区域的中心1,以近红外检测区域半径为半径、中心1为中心得D1区域,判断剩余区域是否包含D1,若否,确定D1为目标检测区域;
S3、若是,将排序在第i位及第i位之前的脂肪连通区分割在外后,计算剩余区域中心i,以近红外检测区域半径为半径、中心i为中心得第Di区域,判断剩余区域是否包含Di;
S4、若是,按照S3进行循环;若否,则返回上一步,确定Di-1为目标检测区域,其中,循环从i=2开始,每循环1次i增加1。
6.如权利要求5所述的智能化肉品质在线检测方法,其特征在于,还包括:确定目标检测区域内被分割在外的脂肪连通区面积之和,依据目标检测区域内被分割在外的脂肪连通区面积之和校正近红外光谱参数。
7.如权利要求1所述的智能化肉品质在线检测方法,其特征在于,获取待测样品目标检测区域的近红外光谱参数具体为:
沿待测样品传送方向位于CCD检测器下游设置机器人定位模块,与机器人定位模块连接设置控制主机,与控制主机连接设置光谱检测模块,CCD检测器与控制主机连接,其中,光谱检测模块包括光谱检测探头,设定X轴沿水平且垂直传送带运动方向设置,Y轴沿着传送带运动方向设置,Z轴沿竖直且垂直传送带运动方向设置,定义光谱检测探头的初始化位置坐标为(X0,Y0,Z0)=(0,0,0);
依据待测样品的目标检测区域获取检测高度参考值hm、中心坐标;
当某一条扫描线对应像素点的高度全为0时,记为正常信息,当某一条扫描线对应像素点的高度不全为0时,记为非正常信息,对于一个待测样品,当控制主机收到CCD检测器的最后一条非正常信息时,确定该时刻目标检测区域中心的坐标(Xj,Yj,Zj),并计算得到光谱检测探头定点位置坐标(Xd,Yd,Zd)=(Xj,0,hm +a);
控制主机依据光谱检测探头的初始化位置坐标、光谱检测探头定点位置坐标获得运动轨迹,并将运动轨迹发送至机器人定位模块,机器人定位模块接收并依据该运动轨迹带动光谱检测探头运动至定点位置;
结合待测样品传送速度Vs、Yj计算待测样品目标检测区域的中心运动到光谱检测探头定点位置需要的时间T0=Yj/Vs,以最后一条非正常信息产生为起点,间隔T0时间后,控制主机控制机器人定位模块以速度为Vs带动光谱检测探头沿传送带运动方向运动,运动时间为T1,同时控制主机控制光谱检测探头获取近红外光谱参数,其中,T1不小于光谱检测模块获取近红外光谱参数的最小时间。
8.如权利要求7所述的智能化肉品质在线检测方法,其特征在于,a为2-4cm。
9.如权利要求6所述的智能化肉品质在线检测方法,其特征在于,光谱检测探头的初始化坐标中Z0的确定具体为:
预估待测批次样品高度为h1,初始Z0=h1+a;
每隔预定时间获取待测批次已经检测样品的历史最大高度h2,更改Z0=h2+a。
10.一种智能化肉品质在线检测***,其特征在于,包括:
线型距离传感器模块,用于获取待测样品像素点的光强度信息;
控制主机,其包括:
属性判别模块,其与线型距离传感器模块连接,用于根据像素点的光强度信息判断像素点的属性信息,其中,属性信息包括肌肉和脂肪;
分布信息获取模块,其与属性判别单元连接,用于依据像素点属性信息确定待测样品的肌肉和脂肪分布信息;
目标检测区域获取模块,其与属性判别单元连接,用于依据待测样品的肌肉和脂肪分布信息确定目标检测区域;
光谱检测模块,其用于获取待测样品目标检测区域的近红外光谱,其中,控制主机还包括肉品质参数值预测模块,其与光谱检测模块连接,用于依据近红外光谱预测各项肉品质参数值;
机器人定位模块,其包括沿待测样品传送方向设于激光发生器下游的DELTA机器人本体、与DELTA机器人本体连接的机器人控制器,其中,光谱检测模块包括绑定于DELTA机器人本体上的光谱检测探头;
其中,通过控制主机设定X轴沿水平且垂直传送带运动方向设置,Y轴沿着传送带运动方向设置,Z轴沿竖直且垂直传送带运动方向设置,定义光谱检测探头的初始化位置坐标为(X0,Y0,Z0)=(0,0,0);当某一条扫描线对应像素点的高度全为0时,记为正常信息,当某一条扫描线对应像素点的高度不全为0时,记为非正常信息;所述控制主机还包括:
运动轨迹确定模块,其分别与目标检测区域获取模块和机器人控制模块连接,用于当控制主机收到CCD检测器的最后一条非正常信息时,确定该时刻目标检测区域的检测高度参考值hm、中心坐标(Xj,Yj,Zj),并计算得到光谱检测探头定点位置坐标(Xd,Yd,Zd)=(Xj,0,hm +a),进一步依据光谱检测探头的初始化位置坐标、光谱检测探头定点位置坐标获得运动轨迹,并将运动轨迹发送至机器人控制器,机器人控制器接收并依据该运动轨迹操作DELTA机器人本体带动光谱检测探头运动至定点位置;
同步检测控制模块,其分别与运动轨迹确定模块、机器人控制模块、光谱检测模块连接,用于结合待测样品传送速度Vs、Yj计算待测样品目标检测区域的中心运动到光谱检测探头定点位置需要的时间T0=Yj/Vs,以最后一条非正常信息产生为起点,间隔T0时间后,发送同步信号,机器人控制器接收同步信号控制DELTA机器人本体以速度为Vs带动光谱检测探头沿传送带运动方向运动,运动时间为T1,同时同步检测控制模块控制光谱检测探头获取近红外光谱参数,其中,T1不小于光谱检测模块获取近红外光谱参数的最小时间。
11.如权利要求10所述的智能化肉品质在线检测***,其特征在于,还包括:传动带,其用于带动待测样品以一定速度移动,其中,线型距离传感器模块包括位于传送带上方固设的激光发生器和CCD检测器,激光发生器发出线型激光照射在样品表面,形成扫描线,利用CCD检测器接收扫描线上的每一个像素点反射光的光强度信息;
其中,所述控制主机内还设置待测样品像素点判定模块,其分别与CCD检测器和属性判别模块连接,用于依据每个像素点光信号强度信息通过三角成像原理计算得对应像素点的高度,提取像素点高度≥10mm的像素点作为待测样品像素点,并传输至属性判别模块,设定传动带的高度为0;
属性判别模块根据像素点的光强度信息判断像素点的属性信息具体为:分别获取j个肌肉样品的光强度信息平均值,并求平均值A,其中,j≥100;分别获取k个脂肪样品的光强度信息平均值,并求平均值B,其中,定义待测样品像素点的光强度信息为C,当|C-A|>|C-B|时,判断该像素点的属性信息为脂肪,当|C-A|<|C-B|时,判断该像素点的属性信息为肌肉;
分布信息获取模块依据像素点属性信息确定待测样品的肌肉和脂肪分布信息具体为:处理待测样品属性信息形成图像,利用连通区域分析算法提取获得待测样品像素点数≥100的肌肉连通区、脂肪连通区;
目标检测区域获取模块依据待测样品的肌肉和脂肪分布信息确定目标检测区域具体为:A1、将肌肉连通区按像素点从多至少排序,并依次判断肌肉连通区是否存在半径等于近红外检测区域半径的区域,若是,确定该区域为目标检测区域;A2、若否,将脂肪连通区按像素点从多至少排序,将排序在第1位的脂肪连通区分割在外后,计算剩余区域的中心1,以近红外检测区域半径为半径、中心1为中心得D1区域,判断剩余区域是否包含D1,若否,确定D1为目标检测区域;A3、若是,将排序在第i位及第i位之前的脂肪连通区分割在外后,计算剩余区域中心i,以近红外检测区域半径为半径、中心i为中心得第Di区域,判断剩余区域是否包含Di;A4、若是,按照A3进行循环;若否,则返回上一步,确定Di-1为目标检测区域,其中,循环从i=2开始,每循环1次i增加1。
12.如权利要求10所述的智能化肉品质在线检测***,其特征在于,a为2-4cm;
光谱检测探头的初始化坐标中Z0的确定具体为:预估待测批次样品高度为h1,初始Z0=h1+a;每隔预定时间获取待测批次已经检测样品的历史最大高度h2,更改Z0=h2+a。
13.如权利要求12所述的智能化肉品质在线检测***,其特征在于,还包括:检测暗箱,其架设在传送带上,并容纳线型距离传感模块、机器人定位模块、光谱检测模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010074482.0A CN111175248B (zh) | 2020-01-22 | 2020-01-22 | 智能化肉品质在线检测方法和检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010074482.0A CN111175248B (zh) | 2020-01-22 | 2020-01-22 | 智能化肉品质在线检测方法和检测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111175248A CN111175248A (zh) | 2020-05-19 |
CN111175248B true CN111175248B (zh) | 2021-03-30 |
Family
ID=70658228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010074482.0A Active CN111175248B (zh) | 2020-01-22 | 2020-01-22 | 智能化肉品质在线检测方法和检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111175248B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112557328B (zh) * | 2020-12-23 | 2022-05-31 | 浙江农林大学 | 一种猪肉品质无损检测装置及方法 |
CN113390801B (zh) * | 2021-04-28 | 2023-03-14 | 中国农业科学院农产品加工研究所 | 一种光学无损评价不规则肉品品质的在线检测***及方法 |
CN113390802B (zh) * | 2021-04-28 | 2023-03-14 | 中国农业科学院农产品加工研究所 | 一种用于肉品品质在线检测的距离调整方法及*** |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706445B (zh) * | 2009-11-10 | 2011-05-18 | 吉林大学 | 用于牛肉大理石花纹等级评分的图像处理方法 |
JP6476935B2 (ja) * | 2015-02-02 | 2019-03-06 | 富士通株式会社 | 植物判別装置、植物判別方法及び植物判別用プログラム |
CN105488511B (zh) * | 2015-11-25 | 2018-11-23 | 小米科技有限责任公司 | 图像的识别方法及装置 |
CN110169056B (zh) * | 2016-12-12 | 2020-09-04 | 华为技术有限公司 | 一种动态三维图像获取的方法和设备 |
US10839503B2 (en) * | 2017-01-26 | 2020-11-17 | ClariFruit | System and method for evaluating fruits and vegetables |
CN107421912A (zh) * | 2017-07-27 | 2017-12-01 | 中国农业大学 | 一种基于近红外透射技术的液态乳制品质量检测的装置与方法 |
CN110243765A (zh) * | 2019-07-02 | 2019-09-17 | 南京农业大学 | 基于水果双层平板模型的光子传输模拟的水果高光谱品质检测方法 |
-
2020
- 2020-01-22 CN CN202010074482.0A patent/CN111175248B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111175248A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111175248B (zh) | 智能化肉品质在线检测方法和检测*** | |
CN109724984A (zh) | 一种基于深度学习算法的缺陷检测识别装置和方法 | |
CN110146516B (zh) | 基于正交双目机器视觉的水果分级装置 | |
CN110246122A (zh) | 基于机器视觉的小型轴承质量检测方法、装置及*** | |
CN1940555A (zh) | 一种农产品内外品质检测方法及装置 | |
CN113375566B (zh) | 物体尺寸的精确测量方法及*** | |
CN105160754B (zh) | 基于高度测量的硬币表面质量检测装置及其检测方法 | |
CN107561083A (zh) | 一种钢材表面质量检测*** | |
CN104483320A (zh) | 工业脱硝催化剂的数字化缺陷检测装置与检测方法 | |
CN210071686U (zh) | 基于正交双目机器视觉的水果分级装置 | |
CN212301356U (zh) | 一种轮毂焊缝视觉检测装置 | |
EP1446656B1 (en) | Method and apparatus for generating a robust reference image of a container and for selecting of a container | |
CN113894055A (zh) | 基于机器视觉的五金件表面缺陷检测分类***及方法 | |
CN116465315B (zh) | 一种网版质量自动化检测方法及*** | |
US20050075798A1 (en) | Automated quality assurance method and apparatus and method of conducting business | |
CN116429768A (zh) | 一种密封钉焊接质量检测方法、***、设备及存储介质 | |
CN113916127A (zh) | 一种气门导管成品外观视觉检测***及检测方法 | |
EP1677591B1 (en) | Method and device for the monitoring of pigs | |
CN115342996A (zh) | 一种保温杯质量检测装置及其检测方法 | |
CN103198472A (zh) | 一种重型汽车连杆成品质量检测方法及其检测*** | |
CN114002234A (zh) | 一种简易的瓷砖表面缺陷检测装置及方法 | |
CN212093316U (zh) | 一种基于kinect相机的木材缺陷检测装置 | |
US20240003823A1 (en) | Method for detecting defects of the horizontal mold seal for glass containers | |
CN210952954U (zh) | 一种基于视觉的钢筋参数测量装置 | |
CN117053727B (zh) | 用于测距法物料外表面体积累计的扫描检测装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |