CN117783011A - 一种用于果汁生产线的智能品控*** - Google Patents
一种用于果汁生产线的智能品控*** Download PDFInfo
- Publication number
- CN117783011A CN117783011A CN202410206079.7A CN202410206079A CN117783011A CN 117783011 A CN117783011 A CN 117783011A CN 202410206079 A CN202410206079 A CN 202410206079A CN 117783011 A CN117783011 A CN 117783011A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- point
- data
- coordinate
- detection
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 88
- 235000015203 fruit juice Nutrition 0.000 title claims abstract description 44
- 238000003908 quality control method Methods 0.000 title claims abstract description 16
- 238000001228 spectrum Methods 0.000 claims abstract description 219
- 238000001514 detection method Methods 0.000 claims abstract description 81
- 238000012544 monitoring process Methods 0.000 claims abstract description 53
- 238000004458 analytical method Methods 0.000 claims abstract description 47
- 235000011389 fruit/vegetable juice Nutrition 0.000 claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 29
- 230000003595 spectral effect Effects 0.000 claims description 27
- 239000012535 impurity Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 239000000470 constituent Substances 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 10
- 238000005520 cutting process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种用于果汁生产线的智能品控***,属于果汁检测技术领域,包括果汁性质分析模块、检测模块和显示模块;果汁性质分析模块用于对目标果汁进行分析,设置评估阶段以及对应的合格光谱范围;设置各合格光谱范围的代表光谱数据和差异范围;检测模块用于进行目标果汁检测,获取监测分析时段,在监测分析时段内设置检测点;确定光谱检测设备,调整光谱检测设备的设备参数;当到达检测点时,按照预设的光谱取样方式进行取样,获得果汁样品,对果汁样品进行光谱检测,获得光谱检测数据;根据检测点匹配对应的代表光谱数据和合格光谱范围,计算光谱检测数据与代表光谱数据之间的光谱差异值,根据光谱差异值与合格光谱范围确定检测结果。
Description
技术领域
本发明属于果汁检测技术领域,具体是一种用于果汁生产线的智能品控***。
背景技术
果汁的品质是果汁生产过程中的重要指标,直接影响到消费者的健康和企业的声誉。其中,在果汁生产的品控过程中,果汁的检测是重要组成部分之一,只有精确的检测,才能为生产调整提供数据支持,实现好的品控;传统的品质检测方法通常需要人工操作,不仅效率低下,而且精度难以保证。随着科技的不断发展,涌现出各种检测技术,如光谱检测技术,
光谱检测技术能够快速准确地检测果汁中的多种成分,为提高果汁的品质提供了有力支持;因此光谱检测技术能够应用于果汁生产线的品质控制中;基于此,本发明提供了一种用于果汁生产线的智能品控***。
发明内容
为了解决上述方案存在的问题,本发明提供了一种用于果汁生产线的智能品控***。
本发明的目的可以通过以下技术方案实现:
一种用于果汁生产线的智能品控***,包括果汁性质分析模块、检测模块和显示模块;
所述果汁性质分析模块用于对目标果汁进行分析,获取所述目标果汁的监测分析数据,根据监测分析数据确定各生产阶段对应的合格光谱数据;
对生产阶段进行分割和合并,获得若干个评估阶段以及各评估阶段对应的合格光谱范围;设置各所述合格光谱范围对应的代表光谱数据和差异范围。
进一步地,获取目标果汁的监测分析数据的方法包括:
识别所述目标果汁的生产线信息,根据所述生产线信息标记监测阶段,基于所述监测阶段和所述生产线信息设置阶段时刻轴,所述阶段时刻轴的变量为时间,且所述阶段时刻轴标记有各时刻对应的生产阶段;
获取所述目标果汁的阶段历史数据;根据所述阶段时刻轴和所述阶段历史数据生成所述目标果汁各组成成分的成分变化曲线集合,将成分变化曲线集合进行合并,获得对应组成成分的成分代表曲线;
根据成分代表曲线计算各坐标点对应的监测稳定值;
监测稳定值的计算公式为Wd=Bh×GD(x);式中:Wd为稳定监测值;Bh为成分变化率;GD(x)为监测判断模型,x为坐标点对应的生产阶段,表达式为
;
根据稳定监测值确定监测分析时段,根据监测分析时段采集对应的监测分析数据。
进一步地,将成分变化曲线集合进行合并的方法包括:
步骤SA1:根据阶段时刻轴识别对应时刻的坐标点集,为所述坐标点集中各坐标点标记对应的坐标属性,坐标属性包括曲线值和中心点距离;
步骤SA2:在所述坐标点集中选择对应的初始点;
步骤SA3:将与所述初始点最近的坐标点标记为待选点,将初始点和待选点进行合并,获得合并点;
步骤SA4:确定合并点的待选点将合并点与待选点进行合并,获得新的合并点;循环步骤SA4,直到没有待选点为止,停止循环,将对应的合并点标记为代表点;
步骤SA5:循环步骤SA1至SA4,获得各时刻对应的代表点,根据获得的各代表点生成对应的成分代表曲线。
进一步地,步骤SA2中,初始点的选择方法包括:
获取坐标点集中各坐标点的坐标属性,根据所述坐标属性识别各坐标点对应的曲线值和中心距离;分别标记为QZroe和Lrate;
根据公式QY=QZroe+1.18-Lrate计算各坐标点的初始值,式中:QY为初始值;
选择初始值最高的坐标点为所述坐标点集中的初始点。
进一步地,步骤SA3中,将初始点和待选点进行合并的方法包括:
识别初始点的坐标属性和待选点的坐标属性,将初始点和待选点的曲线值分别标记为QZroe1和QZroe2;将初始点和待选点的坐标值分别标记为ZB1和ZB2;
根据点位公式ZB3=ZB1+(ZB2-ZB1)÷(1+QZroe1÷QZroe2)计算初始点和待选点合并后的合并点的坐标值,式中:ZB3为合并点的坐标值;
根据公式QZroe3=QZroe1+QZroe2计算合并点的曲线值;式中:QZroe3为合并点的曲线值;
根据合并点的坐标值和曲线值标记对应的合并点,标记合并点后,删除对应的初始点和待选点,完成初始点和待选点之间的合并。
进一步地,对生产阶段进行分割和合并的方法包括:
步骤SC1:将生产阶段对应的各合格光谱数据按照时间顺序进行排序,将连续相同的相邻合格光谱数据对应的时间段标记为单元段;
根据标记的各单元段对生产阶段进行分割,获得若干个单元段;
步骤SC2:计算各相邻单元段对应合格光谱数据之间的光谱差异值;
当光谱差异值低于阈值X2时,将对应的单元段进行合并,获得新的单元段;
当光谱差异值不低于阈值X2时,不进行合并;
步骤SC3:循环步骤SC2,直到没有光谱差异值低于阈值X2的相邻单元段为止;将剩余的各单元段标记为评估阶段;并将评估阶段对应的各合格光谱数据整合为合格光谱范围。
进一步地,步骤SC2中,光谱差异值的计算方法包括:
将需要计算光谱差异值的相邻单元段分别标记为第一单元段和第二单元段,识别第一单元段和第二单元段分别对应的合格光谱数据,分别标记为第一光谱数据和第二光谱数据;
设置光谱差异公式,光谱差异公式为:
Dffe=[1-exp(-b1×∑(|H1i-H2i|÷Hbi))]×[1-exp(-b2÷(1+Se))]×[1-exp(-b3×|Z1-Z2|÷Zb)]
式中:Dffe为光谱差异值;exp(*)为以常数e为底的指数函数;i表示对应的组成成分,i=1、2、……、n,n为正整数;H1i表示第一光谱目标对应组成成分的成分含量;H2i表示第一光谱目标对应组成成分的成分含量;Hbi为当前生产阶段对应组成成分的成分标准含量;b1、b2、b3均为比例系数,取值范围为0<b1≤1,0<b2≤1,0<b3≤1;Se为第一光谱目标与第二光谱目标之间颜色的相似度;Z1为第一光谱目标的杂质含量;Z2为第二光谱目标的杂质含量;Zb为当前生产阶段对应的杂质标准含量;
根据光谱差异公式计算第一光谱数据和第二光谱数据之间的光谱差异值;
将最大的光谱差异值作为第一光谱数据和第二光谱数据之间的光谱差异值。
进一步地,代表光谱数据和差异范围的设置方法包括:
识别合格光谱范围中的各合格光谱数据,计算各合格光谱数据对应的各单一差异值;将合格光谱数据对应的各单一差异值进行累加,获得各合格光谱数据对应的差异影响值;将差异影响值最小的合格光谱图像标记为代表光谱数据;
获取代表光谱数据对应的各单一差异值,汇总获得的单一差异值,形成差异范围。
所述检测模块用于进行目标果汁检测,获取监测分析时段,在监测分析时段内设置对应的检测点;确定光谱检测设备,调整光谱检测设备的设备参数;设备参数包括扫描范围、扫描速度;
当到达检测点时,按照预设的光谱取样方式进行取样,获得果汁样品,通过光谱检测设备对果汁样品进行光谱检测,获得对应的光谱检测数据;
根据光谱检测数据对应的检测点匹配对应的代表光谱数据和合格光谱范围,计算光谱检测数据与代表光谱数据之间的光谱差异值,将光谱差异值与合格光谱范围进行比较,获得对应的检测结果。
与现有技术相比,本发明的有益效果是:
通过果汁性质分析模块、检测模块和显示模块之间的相互配合,实现对果汁生产的智能检测,为果汁品控提供数据支持;通过设置果汁性质分析模块,实现对用户果汁的性质进行智能分析,根据阶段历史数据智能确定监测分析时段,根据监测分析时段采集监测分析数据,不需要依赖人工经验进行数据采集,而且还便于直接远程指导用户进行数据采集,尽可能的减少平台方派遣工作人员进行现场指导;通过对生产阶段进行分割和合并,设置各评估阶段以及对应的代表光谱数据和差异范围,为后续果汁光谱检测提供检测标准数据,通过设置评估阶段和差异范围,便于快速匹配对应的检测标准,且便于快速校核,避免过多的光谱数据影响校核效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明原理框图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,一种用于果汁生产线的智能品控***,包括果汁性质分析模块、检测模块和显示模块;
所述果汁性质分析模块用于对该果汁的理化性质进行分析,为了进行区分表述,将需要进行品控的果汁标记为目标果汁,获取目标果汁的监测分析数据,即在目标果汁的生产过程中实时采集各阶段目标果汁的光谱数据,将目标果汁在该时刻的标准成分组成、生产阶段、光谱数据等整合为监测分析数据;其中生产阶段为细分的生产阶段,如生产阶段t,t表示对应的时间,进行细致区分;
根据监测分析数据确定满足用户品控要求下的各生产阶段对应的合格光谱数据;品控要求由用户根据需求进行设置;
对生产阶段进行分割和合并,获得若干个评估阶段以及各评估阶段对应的合格光谱范围,
设置各合格光谱范围对应的代表光谱数据和差异范围。
通过设置果汁性质分析模块,实现对用户果汁的性质进行智能分析,根据阶段历史数据智能确定监测分析时段,根据监测分析时段采集监测分析数据,不需要依赖人工经验进行数据采集,而且还便于直接远程指导用户进行数据采集,尽可能的减少平台方派遣工作人员进行现场指导;通过对生产阶段进行分割和合并,设置各评估阶段以及对应的代表光谱数据和差异范围,为后续果汁光谱检测提供检测标准数据,通过设置评估阶段和差异范围,便于快速匹配对应的检测标准,且便于快速校核,避免过多的光谱数据影响校核效率。
其中,在一个实施例中,可以按照现有方式采集监测分析数据;也可以按照如下方式采集监测分析数据,方法如下:
识别目标果汁的生产线信息,根据识别的生产线信息确定目标果汁的生产工艺,在生产工艺中标记目标过程在生产的全程中需要进行检测的阶段,将生产阶段中满足光谱检测的阶段标记为监测阶段;根据监测阶段和生产工艺确定目标果汁的阶段时刻轴,即从目标果汁生产开始,根据时间和生产工艺步骤进行对应生产阶段的排序,阶段时刻轴的变量为时间,根据和生产工艺确定该时间所处的阶段,并进行动态标记;具体的根据生产参数、时间等可以准确的确定对应的阶段,因此根据实际生产的差异,如因生产参数导致生产效率变化,进而使得对应时间的阶段具有差异,因此阶段时刻轴是进行动态变化的;
获取目标果汁在各生产阶段的历史生产检测数据,标记为阶段历史数据;
识别阶段历史数据中目标果汁的各组成成分信息,包括成分种类、含量等信息;根据阶段时刻轴生成各组成成分的成分变化曲线集合,因为各阶段历史数据均对应一个数值,一个生产流程对应一条成分变化曲线,将会使得根据阶段历史数据生成多条成分变化曲线,将成分变化曲线集合进行合并,获得一条成分代表曲线;
根据成分代表曲线计算各坐标点对应的监测稳定值,监测稳定值的计算公式为Wd=Bh×GD(x);式中:Wd为稳定监测值;Bh为成分变化率,根据成分代表曲线进行该坐标点的成分变化率计算,均为正数,负数取绝对值;GD(x)为监测判断模型,x为该坐标点所对应的生产阶段;前述提及的生产阶段非一个整体的生产阶段,即使在同一生产阶段也会因为对应时间的差异进行细分,而不会应用一个生产阶段表示,当不能进行细分时,可以添加在该生产阶段内对应的时间进行区分;x为输入数据,监测判断模型是基于现有的识别技术和判断技术进行建立的,根据该生产工艺对应的检测常识,预设哪些阶段可以进行检测,哪些阶段不能进行检测,整合为阶段检测要求,用于评估x是否满足阶段检测要求,具体在应用过程中一般由专业人员进行直接设置;监测判断模型的表达式为
;
将稳定监测值不大于阈值X1各时间进行整合,且剔除GD(x)=0的时间,获得监测分析时段;阈值X1用于判定该位置成分是否稳定,根据成分变化率进行设置,具体的可以根据行业常识确定稳定阶段的成分变化率,进而设置对应的阈值X1,同时也可以根据厂家实际情况进行相应的调整;
在监测分析时段内设置对应的光谱检测设备等相关设备,进而进行数据采集,获得对应的监测分析数据。
将成分变化曲线集合进行合并的方法包括:
步骤SA1:根据阶段时刻轴识别对应时刻坐标点集,即以该时间作垂线,各曲线的交点坐标形成的集合为坐标点集,但是在坐标点集中同一坐标只有一个,即多条曲线具有同一交点,只会出现一个该交点对应的坐标点;为坐标点集中各坐标点标记对应的坐标属性,坐标属性包括该坐标点对应的曲线值和中心点距离,曲线值即该坐标点对应的曲线数量,如两条曲线在该处相交,则曲线数量为2;中心点指的是坐标点集的中心点,中心点距离即该坐标点离中心点之间的距离;
步骤SA2:根据坐标点集中各坐标点的坐标属性,识别各坐标点对应的曲线值和中心距离;分别标记为QZroe和Lrate;根据公式QY=QZroe+1.18-Lrate计算各坐标点的初始值,选择初始值最高的坐标点为该坐标点集中的初始点,若最高的初始值对应多个坐标点,则任选一个坐标点为初始点;
步骤SA3:将与初始点最近的坐标点标记为待选点,识别初始点的坐标属性和待选点的坐标属性,将初始点和待选点的曲线值分别标记为QZroe1和QZroe2;将坐标点对应成分的数值标记为坐标值,将初始点和待选点的坐标值分别标记为ZB1和ZB2;
根据点位公式计算初始点和待选点合并后的合并点的坐标值,式中:ZB3为合并点的坐标值;根据公式QZroe3=QZroe1+QZroe2计算合并点的曲线值;
根据合并点的坐标值和曲线值标记初始点和待选点对应的合并点,标记合并点后,删除对应的初始点和待选点;即将初始点和待选点进行合并,获得合并点;
步骤SA4:确定合并点的待选点,同样是最近的坐标点,将合并点与待选点进行合并,获得新的合并点;循环步骤SA4,直到没有待选点为止,即坐标点集只有一个合并坐标,停止循环,将对应的坐标点标记为代表点;
合并点与待选点进行合并的方法与初始点与待选点进行合并的方法相同,将合并点对应的曲线值和坐标值替换初始点的曲线值和坐标值即可。
步骤SA5:循环步骤SA1至SA4,获得各时刻对应的代表点,根据获得的各代表点生成对应的成分代表曲线。
对生产阶段进行分割和合并的方法包括:
步骤SC1:将生产阶段对应的各合格光谱数据按照时间顺序进行排序,将连续相同的相邻合格光谱数据对应的时间段标记为单元段,若都不相同,则单一时刻作为一个单元段;
根据各单元段对生产阶段进行分割,获得若干个单元段;
步骤SC2:计算各相邻单元段对应合格光谱数据之间的光谱差异值;
当光谱差异值低于阈值X2时,将对应的单元段进行合并,获得新的单元段,且该新的单元段具有对应组成的各单元段的合格光谱数据;
其中,阈值X2是根据大量的光谱数据能否合并进行分析设置的,相当于判断相应光谱数据之间的差异程度是否在合并要求内;根据标记各能够进行合并的光谱数据计算对应的光谱差异值,对获得的各光谱差异数据进行汇总,设置对应的阈值X2;一般选择相应的符合合并要求的最小的光谱差异值为阈值X2,但是也可以根据实际情况,由工作人员进行相应的调整,如调大或调小。
当光谱差异值不低于阈值X2时,不进行合并;
步骤SC3:循环步骤SC2,直到没有光谱差异值低于阈值X2的相邻单元段为止;将剩余的各单元段标记为评估阶段;并将评估阶段对应的各合格光谱数据整合为合格光谱范围。
计算各相邻单元段对应合格光谱数据之间的光谱差异值的方法包括:
将需要计算光谱差异值的相邻单元段分别标记为第一单元段和第二单元段,识别第一单元段和第二单元段分别对应的合格光谱数据,分别标记为第一光谱数据和第二光谱数据,因为单元段可能是合并后的单元段,因此可能具有多个合格光谱数据,但是为了便于表示,均用第一光谱数据或第二光谱数据表示;
设置光谱差异公式,光谱差异公式为:
Dffe=[1-exp(-b1×∑(|H1i-H2i|÷Hbi))]×[1-exp(-b2÷(1+Se))]×[1-exp(-b3×|Z1-Z2|÷Zb)]
式中:Dffe为光谱差异值;exp(*)为以常数e为底的指数函数;i表示对应的组成成分,i=1、2、……、n,n为正整数;H1i表示第一光谱目标对应组成成分的成分含量;H2i表示第一光谱目标对应组成成分的成分含量;其中第一光谱目标或第二光谱目标指的是对应评估光谱差异值的两个光谱数据;Hbi为当前生产阶段对应组成成分的成分标准含量,可以根据理想状态进行设置,也可以由工作人员进行人工设置;b1、b2、b3均为比例系数,取值范围为0<b1≤1,0<b2≤1,0<b3≤1;Se为第一光谱目标与第二光谱目标之间颜色的相似度,根据光谱数据识别对应的颜色,进而计算对应的相似度;Z1为第一光谱目标的杂质含量;Z2为第二光谱目标的杂质含量;Zb为当前生产阶段对应的杂质标准含量,可以采用与成分标准含量相同的方式进行设置。
根据光谱差异公式计算第一光谱数据和第二光谱数据之间的光谱差异值;先根据第一光谱数据和第二光谱数据识别光谱差异公式中需求的参数数据,利用光谱图像技术能够检测果汁中的成分分布、颜色、杂质等数据,因此根据光谱数据可以直接提取相关参数数据;因此结合光谱差异公式可以计算对应的光谱差异值;
将最大的光谱差异值作为第一光谱数据和第二光谱数据之间的光谱差异值;若只有一个光谱差异值,则直接输出,若第一光谱数据或第二光谱数据具有多个光谱数据,将会计算多组光谱数据之间的光谱差异值,将最大的光谱差异值进行输出。
设置各合格光谱范围对应的代表光谱数据和差异范围的方法包括:
识别合格光谱范围中的各合格光谱数据,根据光谱差异公式计算各合格光谱数据与其他合格光谱数据之间的光谱差异值,标记为单一差异值,将各单一差异值进行累加,获得差异影响值,选择差异影响值最小的合格光谱图像为代表光谱数据;
获取代表光谱数据对应的各单一差异值,汇总获得的单一差异值,形成差异范围。
所述检测模块用于进行目标果汁检测,获取监测分析时段,在监测分析时段内设置对应的检测点,即当生产阶段到达对应位置时,进行检测;确定光谱检测设备,光谱检测设备由用户根据需求进行选择;根据各检测点和光谱检测设备设置对应的光谱取样方式,因为生产阶段的差异和光谱检测设备的差异,实际的取样方式具有差异,但是根据现有的光谱检测技术可以根据现有条件确定对应的光谱取样方式,一般由平台方进行设置;
调整光谱检测设备的设备参数,如扫描范围、扫描速度等,示例性的,如扫描范围为400-2500nm,扫描速度为500nm/min等;当到达检测点时,按照预设的光谱取样方式进行取样,获得果汁样品,通过光谱检测设备对果汁样品进行光谱检测,获得对应的光谱检测数据;
根据光谱检测数据对应的检测点匹配对应的代表光谱数据和合格光谱范围,计算光谱检测数据与代表光谱数据之间的光谱差异值,将光谱差异值与合格光谱范围进行比较,获得对应的检测结果。
上述公式均是去除量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (8)
1.一种用于果汁生产线的智能品控***,其特征在于,包括果汁性质分析模块、检测模块和显示模块;
所述果汁性质分析模块用于对目标果汁进行分析,获取所述目标果汁的监测分析数据,根据监测分析数据确定各生产阶段对应的合格光谱数据;
对生产阶段进行分割和合并,获得若干个评估阶段以及各评估阶段对应的合格光谱范围;设置各所述合格光谱范围对应的代表光谱数据和差异范围;
所述检测模块用于进行目标果汁检测,获取监测分析时段,在监测分析时段内设置对应的检测点;确定光谱检测设备,调整光谱检测设备的设备参数;设备参数包括扫描范围、扫描速度;
当到达检测点时,按照预设的光谱取样方式进行取样,获得果汁样品,通过光谱检测设备对果汁样品进行光谱检测,获得对应的光谱检测数据;
根据光谱检测数据对应的检测点匹配对应的代表光谱数据和合格光谱范围,计算光谱检测数据与代表光谱数据之间的光谱差异值,将光谱差异值与合格光谱范围进行比较,获得对应的检测结果。
2.根据权利要求1所述的一种用于果汁生产线的智能品控***,其特征在于,获取目标果汁的监测分析数据的方法包括:
识别所述目标果汁的生产线信息,根据所述生产线信息标记监测阶段,基于所述监测阶段和所述生产线信息设置阶段时刻轴,所述阶段时刻轴的变量为时间,且所述阶段时刻轴标记有各时刻对应的生产阶段;
获取所述目标果汁的阶段历史数据;根据所述阶段时刻轴和所述阶段历史数据生成所述目标果汁各组成成分的成分变化曲线集合,将成分变化曲线集合进行合并,获得对应组成成分的成分代表曲线;
根据成分代表曲线计算各坐标点对应的监测稳定值;
监测稳定值的计算公式为Wd=Bh×GD(x);式中:Wd为稳定监测值;Bh为成分变化率;GD(x)为监测判断模型,x为坐标点对应的生产阶段,表达式为
;
根据稳定监测值确定监测分析时段,根据监测分析时段采集对应的监测分析数据。
3.根据权利要求2所述的一种用于果汁生产线的智能品控***,其特征在于,将成分变化曲线集合进行合并的方法包括:
步骤SA1:根据阶段时刻轴识别对应时刻的坐标点集,为所述坐标点集中各坐标点标记对应的坐标属性,坐标属性包括曲线值和中心点距离;
步骤SA2:在所述坐标点集中选择对应的初始点;
步骤SA3:将与所述初始点最近的坐标点标记为待选点,将初始点和待选点进行合并,获得合并点;
步骤SA4:确定合并点的待选点将合并点与待选点进行合并,获得新的合并点;循环步骤SA4,直到没有待选点为止,停止循环,将对应的合并点标记为代表点;
步骤SA5:循环步骤SA1至SA4,获得各时刻对应的代表点,根据获得的各代表点生成对应的成分代表曲线。
4.根据权利要求3所述的一种用于果汁生产线的智能品控***,其特征在于,步骤SA2中,初始点的选择方法包括:
获取坐标点集中各坐标点的坐标属性,根据所述坐标属性识别各坐标点对应的曲线值和中心距离;分别标记为QZroe和Lrate;
根据公式QY=QZroe+1.18-Lrate计算各坐标点的初始值,式中:QY为初始值;
选择初始值最高的坐标点为所述坐标点集中的初始点。
5.根据权利要求3所述的一种用于果汁生产线的智能品控***,其特征在于,步骤SA3中,将初始点和待选点进行合并的方法包括:
识别初始点的坐标属性和待选点的坐标属性,将初始点和待选点的曲线值分别标记为QZroe1和QZroe2;将初始点和待选点的坐标值分别标记为ZB1和ZB2;
根据点位公式计算初始点和待选点合并后的合并点的坐标值,式中:ZB3为合并点的坐标值;
根据公式QZroe3=QZroe1+QZroe2计算合并点的曲线值;式中:QZroe3为合并点的曲线值;
根据合并点的坐标值和曲线值标记对应的合并点,标记合并点后,删除对应的初始点和待选点,完成初始点和待选点之间的合并。
6.根据权利要求1所述的一种用于果汁生产线的智能品控***,其特征在于,对生产阶段进行分割和合并的方法包括:
步骤SC1:将生产阶段对应的各合格光谱数据按照时间顺序进行排序,将连续相同的相邻合格光谱数据对应的时间段标记为单元段;
根据标记的各单元段对生产阶段进行分割,获得若干个单元段;
步骤SC2:计算各相邻单元段对应合格光谱数据之间的光谱差异值;
当光谱差异值低于阈值X2时,将对应的单元段进行合并,获得新的单元段;
当光谱差异值不低于阈值X2时,不进行合并;
步骤SC3:循环步骤SC2,直到没有光谱差异值低于阈值X2的相邻单元段为止;将剩余的各单元段标记为评估阶段;并将评估阶段对应的各合格光谱数据整合为合格光谱范围。
7.根据权利要求6所述的一种用于果汁生产线的智能品控***,其特征在于,步骤SC2中,光谱差异值的计算方法包括:
将需要计算光谱差异值的相邻单元段分别标记为第一单元段和第二单元段,识别第一单元段和第二单元段分别对应的合格光谱数据,分别标记为第一光谱数据和第二光谱数据;
设置光谱差异公式,光谱差异公式为:
Dffe=[1-exp(-b1×∑(|H1i-H2i|÷Hbi))]×[1-exp(-b2÷(1+Se))]×[1-exp(-b3×|Z1-Z2|÷Zb)]
式中:Dffe为光谱差异值;exp(*)为以常数e为底的指数函数;i表示对应的组成成分,i=1、2、……、n,n为正整数;H1i表示第一光谱目标对应组成成分的成分含量;H2i表示第一光谱目标对应组成成分的成分含量;Hbi为当前生产阶段对应组成成分的成分标准含量;b1、b2、b3均为比例系数,取值范围为0<b1≤1,0<b2≤1,0<b3≤1;Se为第一光谱目标与第二光谱目标之间颜色的相似度;Z1为第一光谱目标的杂质含量;Z2为第二光谱目标的杂质含量;Zb为当前生产阶段对应的杂质标准含量;
根据光谱差异公式计算第一光谱数据和第二光谱数据之间的光谱差异值;
将最大的光谱差异值作为第一光谱数据和第二光谱数据之间的光谱差异值。
8.根据权利要求7所述的一种用于果汁生产线的智能品控***,其特征在于,代表光谱数据和差异范围的设置方法包括:
识别合格光谱范围中的各合格光谱数据,计算各合格光谱数据对应的各单一差异值;将合格光谱数据对应的各单一差异值进行累加,获得各合格光谱数据对应的差异影响值;将差异影响值最小的合格光谱图像标记为代表光谱数据;
获取代表光谱数据对应的各单一差异值,汇总获得的单一差异值,形成差异范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410206079.7A CN117783011B (zh) | 2024-02-26 | 2024-02-26 | 一种用于果汁生产线的智能品控*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410206079.7A CN117783011B (zh) | 2024-02-26 | 2024-02-26 | 一种用于果汁生产线的智能品控*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117783011A true CN117783011A (zh) | 2024-03-29 |
CN117783011B CN117783011B (zh) | 2024-05-14 |
Family
ID=90402058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410206079.7A Active CN117783011B (zh) | 2024-02-26 | 2024-02-26 | 一种用于果汁生产线的智能品控*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117783011B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118037138A (zh) * | 2024-04-11 | 2024-05-14 | 广州市东鹏食品饮料有限公司 | 一种基于计算机视觉的饮料车间生产精细化管理*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5361912A (en) * | 1992-02-25 | 1994-11-08 | Prof. Dr. Ing. Gunther Krieg | Apparatus and process for classifying the contents of non-disposable beverage bottles and containers |
CN1800827A (zh) * | 2004-12-31 | 2006-07-12 | 严衍禄 | 果汁中苯甲酸钠的近红外光谱快速无损检测方法 |
DE102007021324A1 (de) * | 2007-05-07 | 2008-11-13 | Manfred Dausch | Vorrichtung und Verfahren zur Bestimmung des Mischungsverhältnisses eines aus zwei oder mehreren Einzelkomponenten bestehenden Mediums |
RU92191U1 (ru) * | 2009-11-16 | 2010-03-10 | Общество С Ограниченной Ответственностью "Новые Энергетические Технологии" | Спектрометрический экспресс-анализатор показателей качества молока и молочного напитка |
CN103398993A (zh) * | 2013-08-14 | 2013-11-20 | 江南大学 | 荧光光谱结合pca-hca与plsr检测市售橙汁饮品的方法 |
CN103760139A (zh) * | 2013-05-14 | 2014-04-30 | 江南大学 | 一种基于三维荧光光谱与稳健马氏距离鉴别市售橙汁饮品的方法 |
CN107121424A (zh) * | 2017-06-16 | 2017-09-01 | 济南出入境检验检疫局检验检疫技术中心 | 一种饮料中玫瑰红b的快速检测方法 |
CN109856061A (zh) * | 2019-03-15 | 2019-06-07 | 首都师范大学 | 碳酸饮料中合成色素浓度的检测方法及*** |
WO2022160662A1 (zh) * | 2021-02-01 | 2022-08-04 | 广东省农业科学院蔬菜研究所 | 一种利用近红外光谱检测南瓜糖含量的方法 |
US20230152286A1 (en) * | 2021-02-25 | 2023-05-18 | Acchrom Tech (Dalian) Technology Co., Ltd | Chromatographic analysis system, chromatogram detection and analysis method and electronic device |
CN116952896A (zh) * | 2023-07-31 | 2023-10-27 | 北京燕京啤酒股份有限公司 | 一种啤酒厂糖化麦汁中总氮的近红外快速检测方法 |
-
2024
- 2024-02-26 CN CN202410206079.7A patent/CN117783011B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5361912A (en) * | 1992-02-25 | 1994-11-08 | Prof. Dr. Ing. Gunther Krieg | Apparatus and process for classifying the contents of non-disposable beverage bottles and containers |
CN1800827A (zh) * | 2004-12-31 | 2006-07-12 | 严衍禄 | 果汁中苯甲酸钠的近红外光谱快速无损检测方法 |
DE102007021324A1 (de) * | 2007-05-07 | 2008-11-13 | Manfred Dausch | Vorrichtung und Verfahren zur Bestimmung des Mischungsverhältnisses eines aus zwei oder mehreren Einzelkomponenten bestehenden Mediums |
RU92191U1 (ru) * | 2009-11-16 | 2010-03-10 | Общество С Ограниченной Ответственностью "Новые Энергетические Технологии" | Спектрометрический экспресс-анализатор показателей качества молока и молочного напитка |
CN103760139A (zh) * | 2013-05-14 | 2014-04-30 | 江南大学 | 一种基于三维荧光光谱与稳健马氏距离鉴别市售橙汁饮品的方法 |
CN103398993A (zh) * | 2013-08-14 | 2013-11-20 | 江南大学 | 荧光光谱结合pca-hca与plsr检测市售橙汁饮品的方法 |
CN107121424A (zh) * | 2017-06-16 | 2017-09-01 | 济南出入境检验检疫局检验检疫技术中心 | 一种饮料中玫瑰红b的快速检测方法 |
CN109856061A (zh) * | 2019-03-15 | 2019-06-07 | 首都师范大学 | 碳酸饮料中合成色素浓度的检测方法及*** |
WO2022160662A1 (zh) * | 2021-02-01 | 2022-08-04 | 广东省农业科学院蔬菜研究所 | 一种利用近红外光谱检测南瓜糖含量的方法 |
US20230152286A1 (en) * | 2021-02-25 | 2023-05-18 | Acchrom Tech (Dalian) Technology Co., Ltd | Chromatographic analysis system, chromatogram detection and analysis method and electronic device |
CN116952896A (zh) * | 2023-07-31 | 2023-10-27 | 北京燕京啤酒股份有限公司 | 一种啤酒厂糖化麦汁中总氮的近红外快速检测方法 |
Non-Patent Citations (5)
Title |
---|
D. COZZOLINO: "Multivariate data analysis applied to spectroscopy: Potential application to juice and fruit quality", 《FOOD RESEARCH INTERNATIONAL》, 31 December 2011 (2011-12-31) * |
毛立新: "同步荧光光谱法测定橙汁中原果汁的含量", 《食品工业科技》, no. 06, 15 March 2016 (2016-03-15) * |
王明: "近红外技术在液态食品成分检测中的应用研究进展", 《激光杂志》, no. 10, 25 October 2018 (2018-10-25) * |
章海亮: "近红外光谱检测苹果可溶性固形物", 《农业工程学报》, no. 2, 30 September 2009 (2009-09-30) * |
费坚: "果品-果汁加工中的近红外光谱技术", 《西北农业学报》, no. 01, 10 March 2005 (2005-03-10) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118037138A (zh) * | 2024-04-11 | 2024-05-14 | 广州市东鹏食品饮料有限公司 | 一种基于计算机视觉的饮料车间生产精细化管理*** |
CN118037138B (zh) * | 2024-04-11 | 2024-06-14 | 广州市东鹏食品饮料有限公司 | 一种基于计算机视觉的饮料车间生产精细化管理*** |
Also Published As
Publication number | Publication date |
---|---|
CN117783011B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117783011B (zh) | 一种用于果汁生产线的智能品控*** | |
CN110119680B (zh) | 一种基于图像识别的电气柜接线自动查错*** | |
CN105091922B (zh) | 一种基于虚拟表盘的指针表读数识别方法 | |
CN105445607A (zh) | 一种基于等温线绘制的电力设备故障检测方法 | |
CN108764134A (zh) | 一种适用于巡检机器人的多类型仪表自动定位与识别方法 | |
CN205845067U (zh) | 基于图像动静态特征的转炉炼钢吹炼状态识别*** | |
CN110146019A (zh) | 一种基于工业相机的工件尺寸在线检测与自动补偿方法 | |
CN110096980A (zh) | 字符检测识别*** | |
CN108931621B (zh) | 一种基于过程纹理特征的锌矿品位软测量方法 | |
CN103063674B (zh) | 一种铜块的铜品位检测方法及其检测*** | |
CN117469603B (zh) | 一种基于大数据学习的多水厂供水***压力优化控制方法 | |
CN114441463B (zh) | 全光谱水质数据分析方法 | |
CN108645490A (zh) | 基于图像处理技术的冷水水表视觉检测***及检测方法 | |
CN109798833A (zh) | 一种机加工件自动测量***与自动评分方法 | |
CN116678368B (zh) | 基于bim技术的装配式钢结构数据智能采集方法 | |
CN110060339B (zh) | 一种基于云计算图形图像的三维建模方法 | |
CN117094095A (zh) | 一种晶圆翘曲度优化方法及*** | |
CN116596395A (zh) | 用于工程项目测评单位指导及检测的运行质控平台 | |
CN109444150A (zh) | 非接触式裂纹测量方法及其装置 | |
RU2470352C1 (ru) | Способ статистического регулирования технологического процесса (варианты) | |
CN212621091U (zh) | 在线色差检测*** | |
CN109360289B (zh) | 融合巡检机器人定位信息的电力表计检测方法 | |
CN111797522A (zh) | 一种建筑工程用自动化测量*** | |
CN118037138B (zh) | 一种基于计算机视觉的饮料车间生产精细化管理*** | |
Feng et al. | Application research of computer vision in the auto-calibration of dial gauges |
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 |