WO2011058529A2 - Método y sistema para analizar automáticamente en tiempo real, la calidad de muestras de carnes de pescado procesado en base a su apariencia externa, que circulan a través de una cinta transportadora permitiendo detectar defectos superficiales y clasificar las carnes según patrones de calidad - Google Patents

Método y sistema para analizar automáticamente en tiempo real, la calidad de muestras de carnes de pescado procesado en base a su apariencia externa, que circulan a través de una cinta transportadora permitiendo detectar defectos superficiales y clasificar las carnes según patrones de calidad Download PDF

Info

Publication number
WO2011058529A2
WO2011058529A2 PCT/IB2010/055172 IB2010055172W WO2011058529A2 WO 2011058529 A2 WO2011058529 A2 WO 2011058529A2 IB 2010055172 W IB2010055172 W IB 2010055172W WO 2011058529 A2 WO2011058529 A2 WO 2011058529A2
Authority
WO
WIPO (PCT)
Prior art keywords
samples
fish meat
image
processed fish
conveyor belt
Prior art date
Application number
PCT/IB2010/055172
Other languages
English (en)
French (fr)
Other versions
WO2011058529A4 (es
WO2011058529A3 (es
Inventor
José Miguel AGUILERA RADIC
Aldo Francisco José Tomás CIPRIANO ZAMORANO
Domingo Arturo Mery Quiroz
Alvaro Marcelo Rodrigo Soto Arriaza
Original Assignee
Pontificia Universidad Católica De Chile
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Pontificia Universidad Católica De Chile filed Critical Pontificia Universidad Católica De Chile
Priority to EP10829612A priority Critical patent/EP2503331A2/en
Publication of WO2011058529A2 publication Critical patent/WO2011058529A2/es
Publication of WO2011058529A3 publication Critical patent/WO2011058529A3/es
Publication of WO2011058529A4 publication Critical patent/WO2011058529A4/es

Links

Classifications

    • A—HUMAN NECESSITIES
    • A22—BUTCHERING; MEAT TREATMENT; PROCESSING POULTRY OR FISH
    • A22C—PROCESSING MEAT, POULTRY, OR FISH
    • A22C17/00—Other devices for processing meat or bones
    • A22C17/0073—Other devices for processing meat or bones using visual recognition, X-rays, ultrasounds, or other contactless means to determine quality or size of portioned meat
    • A22C17/008—Other devices for processing meat or bones using visual recognition, X-rays, ultrasounds, or other contactless means to determine quality or size of portioned meat for measuring quality, e.g. to determine further processing
    • A—HUMAN NECESSITIES
    • A22—BUTCHERING; MEAT TREATMENT; PROCESSING POULTRY OR FISH
    • A22C—PROCESSING MEAT, POULTRY, OR FISH
    • A22C25/00—Processing fish ; Curing of fish; Stunning of fish by electric current; Investigating fish by optical means
    • A22C25/04—Sorting fish; Separating ice from fish packed in ice
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/02—Food
    • G01N33/12—Meat; Fish

Definitions

  • the present invention relates to a method and system based on computer vision and pattern recognition techniques, to automatically detect, measure and analyze processed fish meats, especially salmon, which circulate through a conveyor belt, specifically measure in Real time the geometry and color of the meats, as well as counting the number of pieces processed, detecting surface defects such as bruises and classifying the meats according to quality standards.
  • the image processing generally considers five steps: 1) Acquisition of the image, which can be in analog format and then transformed to digital, or directly digital with digital cameras;
  • the acquisition using CCD cameras allows to increase the processing speed and also to obtain higher resolution images than the old analogs.
  • the most common are those that they acquire an image in shades of gray or color, using three components (usually in the RGB color space (red, Green, Blue) or UV).
  • the preprocessing allows eliminating the distortions suffered by the image in the acquisition, and is carried out in two possible ways: at the pixel level or at the local level, depending on the size of the neighborhood of pixels that is used for the calculation of a new pixel
  • a color space transformation from RGB to HSI Hue, Saturation, Intensity
  • L * a * b * (brightness, red or green content, yellow or blue content) is also generally performed.
  • the lighting can be compensated and transformations to the image can be made to correct distortions.
  • threshold based For the segmentation of images in its constituent objects, four alternative methods are generally used: threshold based, region based, gradient based and classification based. Each method has its own advantages; for example, threshold-based segmentation is particularly effective in scenes that contain solid objects that contrast with the background.
  • Object measurement is performed using different attributes to evaluate quality.
  • attributes In size, for example, they are considered area, perimeter, length and width.
  • attributes such as area ratio (Area / (Maximum Diameter x Minimum Diameter)), aspect ratio (Maximum Diameter / Minimum Diameter), and circularity (Perimeter 2 / Area) are included.
  • Color is an essential attribute with a high spatial resolution, which is why it has been used in numerous foods, including fruit, grain, meat and vegetables.
  • As to the texture generally quantifies the gray level variations in a region.
  • UMEZAWA TADASHI "Device for inspecting printed wiring boards at different resolutions", from UMEZAWA TADASHI, describes a printed circuit inspection device, which measures changes in shapes and texture, in addition to the patent document US 5784484 (21/07/1998). of imperfections given by shapes outside a pre-established pattern of comparison and color changes.
  • the present invention is not based on comparisons with a pre-established pattern, but directly measures different visual variables and recognizes patterns of surface defects of fish meats based on a training method based on pattern recognition techniques.
  • EP 0221642A2 (05/13/1987), by ALLAN ALASIAIR et al., Entitled “Fish color grader”, describes a team based on the analysis of visible light absorption at different light frequencies where hemoglobin has a peculiar absorption level. Through the detection of hemoglobin levels it is possible to obtain information on the degree of deterioration of fish meat.
  • the present invention It is based on a different technology, computer vision, which allows a spatial and non-punctual analysis of the information emitted throughout the visible spectrum, with lighting means throughout its frequency range.
  • Patent document JP 2001755854 (06/29/2001), of NAKAMURA TAKASHI, entitled "DEVICE FOR QUALITY INSPECTION BY IMAGE", describes a team based on image processing techniques that reviews the correct printing of labels and legends of food products . For the operation it is indicated that the system has a standard image, with the desired printing characteristics, which is compared with images of the products under review. Product of this comparison, the system is able to detect failures.
  • the present proposed invention does not use comparison with pre-established patterns of images, but directly measures different variables associated with visual appearance and recognizes patterns of surface defects of fish meats based on a training method based on recognition techniques of patterns.
  • Patent document US 4706336 (17/1 1/1987), of HARTMANN FRANZ and MATERN KLAUS, entitled “Apparatus for handling fish fillets for the purpose of quality inspection”, describes an apparatus for the visual inspection of fish fillets for purposes of performing quality control.
  • the system operates in connection with a conveyor belt that in its central part has the ability to rotate the fillets to perform inspection on both sides by a human operator.
  • the present invention proposes automatic inspection without human supervision through the use of computer vision techniques and pattern recognition.
  • Patent document US 4978225 (12/18/1990), of REIMER ERNEST M, entitled “Detection of anomalies in translucent material by candling”, describes a fish fillet inspection system, mainly for the detection of parasites, and It is based on lighting with rays of light from different radii, so it uses the relationship between defects and radius of a lighting beam.
  • the present invention proposes inspection using computer vision techniques and pattern recognition.
  • Patent document US 6061086 (05/03/2000), by REIMER ERNEST M et al., Entitled “Apparatus and method for automated visual inspection of objects”, describes a system for visual inspection of products on conveyor belts for control purposes. of quality and is oriented to the detection of parasites in fish fillets.
  • This system consists of two cameras, the first one has a low resolution viewing angle for a first detection of a possible anomaly, while the second one has a high resolution restricted viewing angle to perform a comprehensive detection of the detection indicated by the First camera
  • the present invention is directed to the measurement of others variables associated with the visual quality of fish meat using tools and methods other than those presented in the aforementioned patent.
  • UMEZAWA TADASHI patent document US 5784484 (21/07/1998), entitled “Device for inspecting printed wiring boards at different resolutions”, describes a visual inspection system for detection of patterns in particular visual patterns of printed circuit boards For which it acquires a pre-established model of the normal appearance of the type of card under inspection, then this model pattern is compared with each card under inspection in order to detect differences, which indicate some type of anomaly or failure.
  • the present proposed invention does not use comparison of images with pre-established patterns, but directly measures different visual variables and recognizes patterns of surface defects of fish meats based on a training method based on pattern recognition techniques.
  • the Canadian company Dipix Technologies (www.dipix.com) has specialized in visual food inspection systems, especially for the determination of color, shape and size of bread, cookies, pizzas and tortillas, with more than 150 systems installed in Asia, Australia and Europe. Its inspection systems incorporate various functionalities grouped into three main tools: Qualivision for data analysis and processing, Q-Reporter and Envision for generating reports, graphs and tables.
  • Integrated Vision Products www.sickivp.se
  • a Swedish company bases its developments on two technologies: a Smart Vision Sensor with 512 processor elements in SIMD architecture and a triangulation system linear based on laser, which allow to generate three-dimensional images.
  • Applications include determination of shape and color in bottles, wood and paper products, and in food, particularly cookies.
  • Baader-Canpolar Inc. (www.baader-canpolar.com) is the company developed by Baader-820 Inspektor, a system that automatically separates fish fillets with defects, using a smart camera, advanced image processing software, communication software and mechanical separating arms that remove fillets with line defects, with a processing speed of 6 fillets per second.
  • the defects that are detected are white membranes, bruises and blood spots.
  • Marel www.marel.com
  • QVision which consists of a geometric measurement system for off-line fillets (sampling). It measures length, width, high average and estimates the weight of the sample from the volume.
  • ITM Intelligent Trimming Machine
  • Baader has a team with similar characteristics (www.baader.com). The last one is Intelligent Portioning Machine (IPM), which, based on an image or a profile obtained with laser, provides fish fillets.
  • IPM Intelligent Portioning Machine
  • the present invention provides a method and system based on computer vision and pattern recognition techniques, to automatically detect, measure and analyze processed fish meats, especially salmon, which circulate through a conveyor belt, specifically measure in time real the geometry and color of the meats, as well as count the number of pieces processed, detect surface defects such as bruises and classify the meats according to quality standards.
  • a method is provided to automatically analyze in real time, the quality of samples of processed fish meats based on their external appearance, which circulate through a conveyor belt that allows surface defects to be detected and to classify meats according to standards of quality, which comprises: automatically detecting processed fish meat samples on the conveyor belt through a tracking method; capture periodic images of the conveyor belt in order to segment the captured images; analyze the captured image to determine the geometry and color of the samples of processed meat of sin; count samples of processed fish meats; Y detect surface defects in processed fish meat samples such as bruises and melanosis.
  • a system is provided to automatically analyze in real time, the quality of samples of processed fish meats based on their external appearance, which circulate through a conveyor belt that allows surface defects to be detected and classify meats according to standards quality, comprising: a portable device that is located on a conveyor belt that carries samples of processed fish meat, comprising: a closed and insulated cover of the surrounding environment, dome type, located above the conveyor belt and a base structure in the form of "L" that allows positioning the cover on a conveyor belt without intervening; storage and information processing means for: automatically detecting samples of processed fish meat on the conveyor belt through a tracking method; analyze a captured image to determine the geometry and color of samples of processed sin meat; count samples of processed fish meats; and detect surface defects in processed fish meat samples such as bruises and melanosis; image capture means for capturing periodic images of the conveyor belt; graphical user interface means to enter predefined parameters and display results; and lighting means to maximize the uniformity of the light intensity that samples of processed fish meat receive throughout the space of the image to be captured
  • Figure 1 shows the portable apparatus that composes the system of the present invention.
  • Figure 2 shows a flow chart of the system operation process of the present invention.
  • Figure 3 shows the method of tracking objects on a conveyor belt that begins with image capture.
  • Figure 4 shows the process of analyzing the captured image of the object on a conveyor belt.
  • the objectives of the present invention are related to providing a method and a system for real-time analysis of fish meats circulating through a conveyor belt, especially salmon and trout meats, in order to determine the quality of these based on their external appearance, where they must be operated with a minimum of error, and automatically, in order to replace the work of a human operator.
  • the presented invention achieves the above objectives by developing: i) A system comprising a portable device that is placed on the conveyor belt and that by means of a lighting system allows to selectively capture images of fish meat circulating at through the conveyor belt; ii) A method based on computer vision techniques and pattern recognition that characterizes the quality of fish meat based on: automatic detection of samples of processed fish meat on the conveyor belt; real-time measurement of the geometry and color of processed fish meat samples; counting processed fish meat samples; and the detection of surface defects such as bruises and melanosis in processed fish meat samples.
  • the portable apparatus that makes up the system of the present invention allows its location on a conveyor belt that transports samples of processed fish meat, without intervening the structure of the conveyor belt.
  • This apparatus is preferably made of anticorrosive stainless steel, and comprises a cover (1) closed and isolated from the surrounding dome type, located above the conveyor belt.
  • the device has a base structure, preferably stainless steel (2), which also allows positioning the cover on a conveyor belt without intervening.
  • a cabinet is located where the computer and electrical system (3), separated from the vision section where the image capture device (4) is installed on the top of the cover (1) ).
  • the user interface screen (5) is located, which serves both to configure the analyzes and to show results in real time.
  • the components of the lighting system corresponding to stable light sources (6) and a light diffuser (7) for obtain stable and uniform illumination in the image capture area, which would be the conveyor belt.
  • a steel plate (8) is used to form two independent zones inside the cover (1).
  • the equipment also has a counterweight (9) to balance the equipment, and rotating wheels (10) for easy movement.
  • the lighting system of the present invention was specially designed to maximize fidelity in the acquisition of colors.
  • This system consists of an arrangement of 20W (4) and 8W (8) D65 color fluorescent tubes, positioned to maximize the uniformity of the light intensity that the processed fish meat samples receive, henceforth the samples, analyzed in All image space.
  • the lighting system configuration was designed using a lighting simulation software created for the equipment, where the image area is illuminated from the light sources used, assuming that the tubes behave as point sources of light sorted in such a way that they simulate the existence of these sorted in lines the size of the tubes and in the same configuration that they will have in the equipment
  • a high density acrylic pyramid light diffuser is available between the light sources and the samples.
  • the fluorescent tubes are powered by 25 kHz electronic ballasts, each powered by 310V DC power supplies. In this way, since the time of integration of the light in the CCD of the camera of the equipment is on average 8 ms, a maximum error of 0.5% in the color of images is ensured successive, 0.25% being the average error. As the light intensity depends directly on the supply voltage, the equipment has a voltage regulator to deliver a uniform lighting supply voltage.
  • the illumination of the corners is 90% of the illumination in the center of the image, so the intensity in areas far from the center of the image is corrected by software, to obtain images with uniform illumination.
  • an image was captured with the equipment of a homogeneous opaque plate, gray in color. With the captured image, a three-dimensional matrix is generated, where each element of this matrix is multiplied by the corresponding element of the image (pixel), so that a resulting image of homogeneous color is obtained, compensating for variations in lighting intensity at the edges.
  • the center of the image is taken as a reference, where the intensity is maximum. Fluorescent tubes generally degrade with use, giving a different level of illumination as time passes.
  • the lighting must be calibrated for optimum operation, for which a color palette is provided, divided into 16 boxes.
  • the color calibration program is entered from the configuration, the color palette is positioned on the conveyor belt, and the system detects it and modifies the Image capture settings to match the palette image with colors previously loaded into the routine.
  • the system continuously executes a method of tracking samples on the conveyor belt, which is outlined in Figure 2, during which Periodic images of the tape are obtained in order to make a quick segmentation of the captured images.
  • This segmentation consists of: capturing a high resolution image (1024 x 960 pixel image), of the conveyor belt and samples (fillets) that exist on the conveyor belt giving rise to a captured image; resample the high resolution captured image to obtain a smaller image so that processing is fast, giving rise to a captured image resampled; Preprocess the resampled captured image through a linear transformation of the RGB channels to increase the contrast between the samples (fillets) and the background (conveyor belt), giving a high contrast image in shades of gray, that is, greater than 5 % change with respect to the dynamic range of color components or gray levels, where it is sought to assign a value close to one hundred for the pixels belonging to the sample and close to zero for those that do not belong, giving rise to a pre-sampled image -processed; segment by threshold the resampled preprocessed image, the one that produces a binary image where the samples appear with a value (usually "one” value) and the background with another value (usually "zero")
  • the resampled captured image is a linear combination of the RGB colors of a pixel region of the captured image. These terms are given by the camera resolution, where W is the number of horizontal pixels and H the number of vertical pixels of the captured image. For example, if W / w has a value of 4, for the color of each pixel of the resampled captured image corresponds an RGB color formed by the weighted average of regions of 4 X 4 pixels of the captured image.
  • a previous stage of parameter configuration is required, for the generation of two lists; on the one hand there is a list of RGB colors of the samples, for example salmon fillets, which is part of the internal data of the equipment, which involves all types of tissues that make up the fillet, and on the other, a list RGB colors of the conveyor belt, which is generated at the time of recognition of the conveyor belt, which is part of the options of configuration of the equipment before carrying out the analyzes in normal operation.
  • the size of the RGB color list of the belt is similar to the amount of RGB data in the samples, and is done by taking RGB color samples of pixels from the image of the conveyor without the samples on it.
  • the tracking method of the invention uses the segmentation described in the preceding paragraphs to locate the samples in the image, and also a tracking system of the samples found in the current segmented resampled image based on the samples found in the segmented resampled images above, which is composed of a vector of positions (x, y) of the area centers of the regions of the segmented resampled image, where "x" is the horizontal coordinate value measured from left to right of the image, and "and" the vertical coordinate value measured from top to bottom in the image; virtual horizontal tracks created and destroyed dynamically (horizontal tracks); a vertical position vector of the centers of the horizontal tracks; and horizontal position vectors for tracking samples on each track.
  • the movement of the conveyor belt and the position of the digital camera in the equipment cause the samples to move horizontally in the image, for example from left to right.
  • the camera is the only sensor of the equipment, in this case image sensor, which is capable of obtaining dozens of high resolution images per second. In successive images, a sample that moves along the conveyor belt varies its position horizontally in the image.
  • the image used for tracking corresponds to the segmented resampled image, so that in successive images it is possible to advance horizontally only the regions corresponding to complete samples contained in the captured image (or in a region of interest thereof), so the vertical position "y" of the area center of these regions will have small variations, while the variation will be mainly in the horizontal coordinate "x" of the area center. If the movement is from left to right, in each successive image the "x" coordinate of the area center of a particular region increases.
  • the number of tracks when starting normal operation is zero.
  • this sample appears as a region in the resampled segmented image only when it is completely contained in the captured image.
  • the area center of the region is calculated, which is stored in the position vector (x, y) of the area centers.
  • the first horizontal track is created, corresponding to a rectangular region of horizontal length equal to the horizontal length of the segmented resampled image, and preferably vertical length of 8 pixels, whose center will be the "y" coordinate of the calculated area center in the region found.
  • the value "y” is stored in the first square of the vertical position vector of horizontal track centers, and the value "x", in the first square of the horizontal position vector of sample tracking. There are no more operations, so the system acquires another image after performing these processes.
  • the movement of the tape causes the region that was previously identified to move horizontally in the new image a few pixels.
  • the system inspects whether the region corresponds to the same one found in the previous image, comparing the coordinates of the position of the area center of this region with the values stored in the horizontal and vertical position vectors of the tracks. Being the same region but displaced horizontally, and also having only one track created, the value "y" of the area center of the region is contained within the track created, while the value "x" of the area center of the region is greater than the value stored in the horizontal position vector for tracking.
  • the first square of the horizontal position vector for tracking with the new value of "x" is updated, while the first square of the vertical position vector of track centers remains unchanged since it is The same clue.
  • a second region may appear in the segmented resampled image, corresponding to a second sample.
  • the same procedure is performed.
  • the procedure is the same as in the previous paragraph.
  • a new track is created using the same procedure for the first region found, and storing the coordinates "x" e "y” of the area center of this new region in the corresponding vectors, in the second box, where in this case the number of tracks is two.
  • the value "x" of its area center is smaller than the value stored in the first box of the horizontal position vector for tracking, the value of the first box is retained without being updated .
  • a search is performed on the horizontal position vector to track each track looking for a "x" value crosses the center of the segmented resampled image, that is, when the "x" value of the mentioned vector is greater than aw / 2. If for any clue it is true, the original captured image and the coordinates of the boundaries of the region corresponding to the sample to be analyzed are delivered to the analysis routine.
  • the process of analyzing the samples begins in parallel to the tracking process. In this case, before acquiring a new image, a complete scan is performed again by the horizontal tracking position vector of the tracks in case there is another sample (s) that must be analyzed.
  • the "y" value of the coordinate of your area center may belong to both tracks, in which case the region is assigned to the track whose "y" value of the center of the track is closest to the "y” value of the area center of the region; in case the "y" value of the coordinate of the center of area of a new region is too close (less than 2pixels) of a vertical limit (upper or lower) of a track, and that belong to it, a new horizontal track is created with center in the value "y" of the coordinate of the center of area of the object.
  • Regions in the binary resampled image that have already pierced half of this image but are also completely contained within that image are also removed from the segmented resampled image.
  • the values of the position vectors corresponding to the boxes of the existing tracks, but without regions of the resampled image segmented within them are artificially updated, that is, increases its corresponding value in the horizontal tracking position vector.
  • the first thing is to receive the original captured image and the coordinates of the boundaries where the object to be analyzed is located. Next, a segmentation similar to that performed to achieve the resampled image is performed during the scanning process. This analysis is performed on the original captured image, without dimensionality reduction, in order to give greater detail and thus more accurate measurements.
  • the measurement of general geometric characteristics such as area, perimeter, length and width is performed.
  • the total count of pixels that make up the object corresponds to the area, while for the perimeter the pixels of the object's contour are counted.
  • a rectangle is circumscribed in said sample, identifying the length of the sample with the greater length of the rectangle and the width of the sample with the smaller length of the rectangle.
  • the elements of the same object are separated. This separation is done through a transformation whose input is the three channels of the original image (R, G and B) and whose output are images of intensity or shades of gray, oriented to form high contrast of a particular image element , so there will be as many images as elements you want to discriminate.
  • a training set consisting of four lists of RGB colors corresponding to the four tissues that are identified in the images (muscle, peritoneum / white fat, brown fat, and hematoma / melanosis) was available. Each element of these lists has three components, corresponding to the R, G and B values of the color corresponding to the pixel.
  • a training set of 50 typical sample images was available, in this case salmon fillets, among which are healthy fillets, with and without white fat (peritoneum), with and without the presence of defects and spots, and with and without fat coffee.
  • the method needs at least 30 typical images to perform it and have satisfactory results.
  • the tissues are manually separated and color and shape data are obtained.
  • regions corresponding to each tissue are manually selected, with each region with a corresponding tissue identifier, and RGB color lists are generated using these regions. Additionally, for defective images, geometric information of the defect, such as size, shape and location, was stored in a separate list. Subsequently, using linear least squares optimization, a linear transformation is sought in the parameters (quadratic in RGB variables) such that for RGB triads of a particular tissue (for example muscle) a value of 1 00 is assigned to RGB colors associated with the fabric, and -1 00 for the other fabrics. In practice, four transformations were available, one for each tissue to be identified. In general, with n elements sought in the image, a typical transformation would have to be, for a pixel with R, G and B color values:
  • the coefficients aw can be grouped in a matrix M Kx n for the n elements, which in the case of the invention correspond to the four tissues.
  • the coefficients a k are fixed parameters of the object analysis subroutine, which are loaded when the system is started.
  • sub-images created with this technique it is possible to analyze elements or tissues of the image separately, where from a RGB color image n sub-images of a single channel are generated, similar to gray-intensity images.
  • n sub-images of a single channel are generated, similar to gray-intensity images.
  • the sub images correspond to images in gray intensity (one intensity channel).
  • these sub-images are thresholded. Since the images have an approximate range of -100 to 100, it was obtained that the optimal thresholds for each tissue is 10 for muscle, -26 for peritoneum / white fat, -20 for brown fat and -16 for hematoma / melanosis.
  • cross-region information is used to avoid overlapping areas in the regions corresponding to the tissues, then by morphological analysis of the regions remove from a region sectors that are very small (of the order of few pixels) or that due to the characteristics of the samples the region found does not belong to the place where it should typically be found , such as bruises on the tip of the steak, bruises with an elongated shape, white fat found that actually corresponds to muscle myocepts that are removed due to their elongated shape, among others.
  • masks are generated that will be used for fillet measurement and classification, which correspond to binary images, of values 0 and 1, such that a value 0 indicates that the pixel does not correspond to the tissue and 1 indicates That does apply.
  • geometric and chromatic measurements are made to the fillet, superimposing each mask to the original image.
  • the system is capable of detecting bruises and melanosis in the salmon fillet whose area is larger than 0.5 cm 2 .
  • the detection of defects is based on the creation of detection models, or classifiers, from at least 30 typical images, preferably a set of 50 typical images of samples used as training set, where 25 of these correspond to samples with defects (hematoma / melanosis).
  • detection models, or classifiers from at least 30 typical images, preferably a set of 50 typical images of samples used as training set, where 25 of these correspond to samples with defects (hematoma / melanosis).
  • To recognize spots, bruises and melanosis the segmentation of these is first obtained as explained in the previous paragraph. With the isolated defect, we proceed to assess whether the defect found is true or false, for which classifiers constructed based on the measurements obtained in the training set are used.
  • the training set allows obtain probability distributions on: minimum and maximum sizes, typical location within the fillet, comparison of the defect with the surrounding tissue, among others. These distributions are then used to classify if a potential visual anomaly of the fillet is really a defect or not.
  • the detection focuses on a pattern recognition system, where the parameters that define the defects are present, as opposed to directly comparing the fillet with a sample as it would be the case of using a template ("template”) of comparison or a typical salmon image and compare it directly with the captured image.
  • template template
  • the average color and geometry are measured using the information of the generated masks and the captured image.
  • the L * component is the one that most closely resembles the assessment of color measured by experts.
  • the measurements of the equipment on the "SalmonFan" scale are calibrated according to expert human operators in order to match the measurements of the equipment and the experts.
  • time graphs, histograms and measured value are used, all displayed on the screen according to user settings.
  • the graphs are shown as the samples are analyzed, and their scale is automatically adjusted to the values that are thrown from the analyzes.
  • Another way to visualize results is through a Web interface.
  • histograms and graphs are obtained in the time of the previous (historical) analyzes.
  • access to this Web interface is from a terminal connected to the company's internal Internet or plant.
  • a characteristic of the system and method is that it identifies all the analyzed objects, whereby it counts the objects that pass through the conveyor belt, so it can be used as a counter of objects that pass through the conveyor belt.

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Food Science & Technology (AREA)
  • Wood Science & Technology (AREA)
  • Zoology (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Image Analysis (AREA)
  • Processing Of Meat And Fish (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

Método y sistema para analizar automáticamente en tiempo real, la calidad de muestras de carnes de pescado procesados en base a su apariencia externa, que circulan a través de una cinta transportadora que permite detectar defectos superficiales y clasificar las carnes según patrones de calidad, que comprende: detectar automáticamente las muestras de carne de pescado procesado sobre la cinta transportadora a través de un método de rastreo; capturar imágenes periódicas de la cinta transportadora con el fin de realizar una segmentación de las imágenes capturadas; y analizar la imagen capturada para determinar la geometría y color de las muestras de carnes de pecado procesados; contar las muestras de carnes de pescado procesados; y detectar defectos superficiales en las muestras de carne de pescado procesados como hematomas y melanosis. Asimismo, el sistema comprende: un aparato portátil que se ubica sobre una cinta transportadora que posee: una cubierta cerrada y aislada del medio circundante, tipo cúpula, ubicada por sobre la cinta transportadora y una estructura base en forma de "L" que permite posicionar la cubierta sobre una cinta transportadora sin intervenirla; medios de almacenamiento y procesamiento de la información; medios de captura de imágenes; medios de interfaz gráfica de usuario para ingresar parámetros predefinidos y visualizar resultados; y medios de iluminación para maximizar la uniformidad de la intensidad de luz que reciben las muestras de carne de pescado procesado en todo el espacio de la imagen a capturar.

Description

MÉTODO Y SISTEMA PARA ANALIZAR AUTOMÁTICAMENTE EN TIEMPO REAL LA CALIDAD DE MUESTRAS DE CARNES DE PESCADO EN BASE A SU APARIENCIA EXTERNA, QUE CIRCULAN A TRAVÉS DE UNA CINTA TRANSPORTADORA PERMITIENDO DETECTAR DEFECTOS SUPERFICIALES Y CLASIFICAR LAS CARNES SEGÚN PATRONES DE
CALIDAD
CAMPO DE APLICACIÓN
La presente invención se relaciona con un método y sistema basado en visión por computador y técnicas de reconocimiento de patrones, para detectar, medir y analizar automáticamente carnes de pescado procesados, especialmente de salmones, que circulan a través de una cinta transportadora, específicamente medir en tiempo real la geometría y color de las carnes, como también contar el número de piezas procesadas, detectar defectos superficiales como hematomas y clasificar las carnes según patrones de calidad.
DESCRIPCIÓN DEL ARTE PREVIO
El uso de visión digital en la determinación de calidad de alimentos ha sido un tema de activa investigación durante los últimos 30 años, debido al avance de la ciencia de la computación y al desarrollo de nuevas tecnologías y métodos. Ya en la década del 70 es posible encontrar investigaciones relacionadas al uso de visión por computador para el análisis de calidad de granos. En los años siguientes fueron publicados sistemáticamente trabajos sobre reconocimiento de características como forma y defectos en los más variados alimentos, por ejemplo frutas, hortalizas, granos, pescados, carnes y productos elaborados.
Con la masificación de sensores digitales como cámaras CCD y el avance computacional, el número y complejidad de los desarrollos ha aumentado. Hoy se puede encontrar trabajos que en tiempo real analizan automáticamente alimentos realizando tareas como medición de color, clasificación y detección de defectos, entre otras aplicaciones.
El procesamiento de las imágenes considera en general cinco pasos: 1 ) Adquisición de la imagen, la que puede ser en formato análogo para después transformarla a digital, o directamente digital con cámaras digitales;
2) Pre-procesamiento, para obtener una imagen mejorada pero de la misma dimensión de la imagen original;
3) Segmentación, en que se particiona la imagen en regiones disjuntas y no traslapadas;
4) Medición de objetos, por ejemplo, tamaño, forma, color y textura de imagen; y
5) Clasificación para identificar y clasificar objetos en grupos diferentes.
La adquisición empleando cámaras CCD permite aumentar la velocidad de procesamiento y además la obtención de imágenes de mayor resolución que las antiguas análogas. En la actualidad las más comunes son las que adquieren una imagen en tonos de gris o en color, empleando tres componentes (generalmente en el espacio de color RGB (red, Green, Blue) o UV).
El pre-procesamiento permite eliminar las distorsiones sufridas por la imagen en la adquisición, y se realiza de dos formas posibles: a nivel de pixel o bien a nivel local, dependiendo del tamaño de la vecindad de pixeles que se utiliza para el cálculo de un nuevo píxel. En esta etapa se realiza también generalmente una transformación del espacio de color de RGB a HSI (Hue, Saturation, Intensity) o L*a*b* (brillo, contenido de rojo o verde, contenido de amarillo o azul). También en esta etapa puede compensarse la iluminación y efectuar transformaciones a la imagen para corregir distorsiones.
Para la segmentación de imágenes en sus objetos constituyentes se utilizan generalmente cuatro métodos alternativos: basada en umbral, basada en región, basada en gradiente y basada en clasificación. Cada método presenta ventajas propias; por ejemplo, la segmentación basada en umbral es particularmente efectiva en escenas que contienen objetos sólidos que contrastan con el fondo.
La medición de objetos se realiza empleando diferentes atributos para evaluar calidad. En tamaño, por ejemplo, se consideran área, perímetro, longitud y ancho. En forma, se incluyen atributos como razón de área (Área/(Diámetro Máximo x Diámetro Mínimo)), razón de aspecto (Diámetro Máximo/Diámetro Mínimo), y circularidad (Perímetro2/Área). El color es un atributo esencial con una gran resolución espacial, por lo que se ha utilizado en numerosos alimentos, que incluyen fruta, grano, carne y verduras. En cuanto a la textura, generalmente cuantifica las variaciones de nivel de gris en una región.
También en el ámbito científico, se han desarrollado métodos de detección de defectos en filetes de pescado, como puntos de melanina usando dos algoritmos simples de visión digital, determinación de calidad en truchas usando la información de color, además de sistemas de clasificación general como el caso del camarón blanco, detectando defectos, objetos extraños, color, y melanosis.
El documento de patente US 5784484 (21 /07/1998), titulado "Device for inspecting printed wiring boards at different resolutions", de UMEZAWA TADASHI, describe un dispositivo de inspección de circuitos impresos, que mide los cambios de formas y textura, además de imperfecciones dadas por formas fuera de un patrón pre-establecido de comparación y cambios de color. Sin embargo la presente invención no se basa en comparaciones con un patrón pre-establecido, sino que mide directamente distintas variables visuales y reconoce patrones de defectos superficiales de las carnes de pescado en base a un método de entrenamiento basado en técnicas de reconocimiento de patrones.
El documento de patente EP 0221642A2 (13/05/1987), de ALLAN ALASIAIR y colaboradores, titulado "Fish color grader", describe un equipo basado en el análisis de la absorción de luz visible en distintas frecuencias de luz donde la hemoglobina tiene un nivel de absorción peculiar. A través de la detección de los niveles de hemoglobina es posible obtener información del grado de deterioro de la carne de pescado. Sin embargo la presente invención se basa en una tecnología distinta, visión por computador, la cual permiten realizar un análisis espacial y no puntual de la información emitida en todo el espectro visible, con medios de iluminación en toda la gama de frecuencias de éste. Además, gracias a la información bi-dimensional recibida por una cámara de vídeo, se puede detectar la posición de las carnes de pescado y luego analizar toda la superficie, detectando patrones de color, forma e imperfecciones como manchas o moretones, en tiempo real.
El documento de patente JP 2001755854 (29/06/2001 ), de NAKAMURA TAKASHI, titulado "DEVICE FOR QUALITY INSPECTION BY IMAGE", describe un equipo basado en técnicas de procesamiento de imágenes que revisa la correcta impresión de rótulos y legendas de productos alimenticios. Para la operación se indica que el sistema cuenta con una imagen patrón, con las características deseadas de impresión, la cual es comparada con imágenes de los productos bajo revisión. Producto de esta comparación, el sistema es capaz de detectar fallas. Sin embargo la presente invención propuesta no utiliza comparación con patrones pre-establecidos de imágenes, sino que mide directamente distintas variables asociadas a apariencia visual y reconoce patrones de defectos superficiales de las carnes de pescado en base a un método de entrenamiento basado en técnicas de reconocimiento de patrones.
El documento de patente US 4706336 (17/1 1 /1987), de HARTMANN FRANZ y MATERN KLAUS, titulado "Apparatus for handling fish fillets for the purpose of quality inspection", describe un aparato para la inspección visual de filetes de pescado con fines de realizar control de calidad. El sistema opera en conexión con una cinta transportadora que en su parte central tiene la capacidad de rotar los filetes para realizar la inspección por ambos lados por un operador humano. Sin embargo la presente invención, propone la inspección automática sin supervisión humana mediante el uso de técnicas de visión por computador y reconocimiento de patrones.
El documento de patente US 4978225 (18/12/1990), de REIMER ERNEST M, titulado "Detection of anomalies in translucent material by candling", describe un sistema de inspección de filetes de pescado, principalmente para la detección de parásitos, y se basa en iluminar con rayos de luz de diferentes radios, por lo que utiliza la relación entre defectos y radio de un rayo de iluminación. Sin embargo, la presente invención propone la inspección utilizando técnicas de visión por computador y reconocimiento de patrones.
El documento de patente US 6061086 (09/05/2000), de REIMER ERNEST M y colaboradores, titulado "Apparatus and method for automated visual inspection of objects", describe un sistema para la inspección visual de productos en cintas trasportadoras con fines de control de calidad y está orientada a la detección de parásitos en filetes de pescado. Este sistema consiste de dos cámaras, la primera posee un ángulo de visión de baja resolución para una primera detección de una posible anomalía, mientras que la segunda posee un ángulo de visión restringido de alta resolución para realizar una detección exhaustiva de la detección indicada por la primera cámara. Sin embargo, la presente invención se orienta a la medición de otras variables asociadas a la calidad visual de carnes de pescado utilizando herramientas y métodos distintos a los presentados en la patente aludida.
El documento de patente US 5784484 (21 /07/1998), de UMEZAWA TADASHI, titulado "Device for inspecting printed wiring boards at different resolutions", describe un sistema de inspección visual de detección de patrones en particular patrones visuales de tarjetas de circuitos impresos, para lo cual adquiere un modelo pre-establecido de la apariencia normal del tipo de tarjeta bajo inspección, luego este patrón modelo es comparado con cada tarjeta bajo inspección con el objeto de detectar diferencias, las cuales indican algún tipo de anomalía o falla. Sin embargo la presente invención propuesta no utiliza comparación de imágenes con patrones pre-establecidos, sino que mide directamente distintas variables visuales y reconoce patrones de defectos superficiales de las carnes de pescado en base a un método de entrenamiento basado en técnicas de reconocimiento de patrones. La empresa canadiense Dipix Technologies (www.dipix.com) se ha especializado en sistemas de inspección visual de alimento, en especial para la determinación de color, forma y tamaño de pan, galletas, pizzas y tortillas, con más de 150 sistemas instalados en Asia, Australia y Europa. Sus sistemas de inspección incorporan diversas funcionalidades agrupadas en tres herramientas principales: Qualivision para análisis y procesamiento de datos, Q-Reporter y Envision para generación de informes, gráficos y tablas.
Integrated Vision Products (www.sickivp.se), una empresa sueca, basa sus desarrollos en dos tecnologías: un Smart Vision Sensor con 512 elementos procesadores en arquitectura SIMD y un sistema de triangulación lineal basado en láser, que permiten generar imágenes tridimensionales. Las aplicaciones incluyen determinación de forma y color en botellas, productos de madera y papel, y en alimentos, en particular en galletas.
Baader-Canpolar Inc. (www.baader-canpolar.com) es la empresa desarrollados de Baader-820 Inspektor, un sistema que separa automáticamente filetes de pescado con defectos, utilizando una cámara inteligente, software de procesamiento avanzado de imágenes, software de comunicación y brazos separadores mecánicos que retiran los filetes con defectos de la línea, con una velocidad de procesamiento de 6 filetes por segundo. Entre los defectos que se detectan se encuentran membranas blancas, magulladuras y manchas de sangre.
Marel (www.marel.com), la empresa noruega más grande a nivel mundial de tecnología para la industria de proceso de pescados y carnes, posee tres equipos que usan visión digital. Uno es QVision, el cual consiste en un sistema de medición geométrica de filetes fuera de línea (muestreo). Mide largo, ancho, alto promedio y estima el peso de la muestra a partir del volumen. Otro equipo que usa visión digital es Intelligent Trimming Machine (ITM), la cual a partir de una imagen realiza el trimming de filetes en forma automática. Baader posee un equipo de características similares (www.baader.com). El último es Intelligent Portioning Machine (IPM), el cual a partir de una imagen o de un perfil obtenido con láser porciona filetes de pescado. Una similar función cumple el sistema de corte automático de filetes de pescado desarrollado por JLI Vision (www.jli.dk), una empresa danesa. Otro organismo dedicado al desarrollo tecnológico en procesos del área, es Sintef (www.sintef.no), también de Noruega, la cual posee un amplio historial de investigación y desarrollo.
RESUMEN DE LA INVENCIÓN
La presente invención provee un método y un sistema basado en visión por computador y técnicas de reconocimiento de patrones, para detectar, medir y analizar automáticamente carnes de pescado procesados, especialmente de salmones, que circulan a través de una cinta transportadora, específicamente medir en tiempo real la geometría y color de las carnes, como también contar el número de piezas procesadas, detectar defectos superficiales como hematomas y clasificar las carnes según patrones de calidad.
Es así que se provee un método para analizar automáticamente en tiempo real, la calidad de muestras de carnes de pescado procesados en base a su apariencia externa, que circulan a través de una cinta transportadora que permite detectar defectos superficiales y clasificar las carnes según patrones de calidad, que comprende: detectar automáticamente las muestras de carne de pescado procesados sobre la cinta transportadora a través de un método de rastreo; capturar imágenes periódicas de la cinta transportadora con el fin de realizar una segmentación de las imágenes capturadas; analizar la imagen capturada para determinar la geometría y color de las muestras de carnes de pecado procesados; contar las muestras de carnes de pescado procesados; y detectar defectos superficiales en las muestras de carne de pescado procesados como hematomas y melanosis.
De manera similar, se provee un sistema para analizar automáticamente en tiempo real, la calidad de muestras de carnes de pescado procesados en base a su apariencia externa, que circulan a través de una cinta transportadora que permite detectar defectos superficiales y clasificar las carnes según patrones de calidad, que comprende: un aparato portátil que se ubica sobre una cinta transportadora que trasporta muestras de carne de pescado procesado, que comprende: una cubierta cerrada y aislada del medio circundante, tipo cúpula, ubicada por sobre la cinta transportadora y una estructura base en forma de "L" que permite posicionar la cubierta sobre una cinta transportadora sin intervenirla; medios de almacenamiento y procesamiento de la información para: detectar automáticamente las muestras de carne de pescado procesado sobre la cinta transportadora a través de un método de rastreo; analizar una imagen capturada para determinar la geometría y color de las muestras de carnes de pecado procesado; contar las muestras de carnes de pescado procesados; y detectar defectos superficiales en las muestras de carne de pescado procesados como hematomas y melanosis; medios de captura de imágenes para capturar imágenes periódicas de la cinta transportadora; medios de interfaz gráfica de usuario para ingresar parámetros predefinidos y visualizar resultados; y medios de iluminación para maximizar la uniformidad de la intensidad de luz que reciben las muestras de carne de pescado procesado en todo el espacio de la imagen a capturar. BREVE DESCRIPCIÓN DE LAS FIGURAS
La figura 1 muestra el aparato portátil que compone al sistema de la presente invención.
La figura 2 muestra un diagrama de flujo del proceso de operación del sistema de la presente invención.
La figura 3 muestra el proceso método de rastreo de objetos sobre una cinta transportadora que comienza con la captura de la imagen.
La figura 4 muestra el proceso de análisis de la imagen capturada del objeto sobre una cinta transportadora.
DESCRIPCIÓN DETALLADA DE LA INVENCIÓN
Los objetivos de la presente invención se relacionan con proveer un método y un sistema para el análisis en tiempo real de carnes de pescados que circulan a través de una cinta transportadora, en especial carnes de salmones y truchas, con el fin de determinar la calidad de estos en base a su apariencia externa, donde se debe operar con un mínimo de error, y en forma automática, de manera de poder reemplazar la labor de un operador humano.
La invención presentada logra los objetivos anteriores mediante el desarrollo de: i) Un sistema que comprende un aparato portátil que se coloca sobre la cinta transportadora y que mediante un sistema de iluminación permite capturar en forma selectiva imágenes de las carnes de pescado que circulan a través de la cinta trasportadora; ii) Un método basado en técnicas de visión por computador y reconocimiento de patrones que logra caracterizar la calidad de las carnes de pescado en base a: la detección automática de las muestras de carne de pescado procesadas sobre la cinta transportadora; la medición en tiempo real de la geometría y color de las muestras de carne de pescado procesadas; el conteo de las muestras de carne de pescado procesadas; y la detección de defectos superficiales como hematomas y melanosis en las muestras de carne de pescado procesadas.
El aparato portátil que compone al sistema de la presente invención, permite su ubicación sobre una cinta transportadora que trasporta muestras de carne de pescado procesado, sin intervenir la estructura de la cinta transportadora. Este aparato está fabricado preferentemente en acero inoxidable anticorrosivo, y comprende una cubierta (1 ) cerrada y aislada del medio circundante, tipo cúpula, ubicada por sobre la cinta transportadora. Para soportar esta cubierta el aparato dispone de una estructura base, preferentemente de acero inoxidable (2), la cual permite además posicionar la cubierta sobre una cinta transportadora sin intervenirla. Dentro de la cubierta (1 ), se ubica un gabinete donde van el sistema computacional y eléctrico (3), separado de la sección de visión donde va instalado el dispositivo de captura de imágenes (4) en la parte superior de la cubierta (1 ). Fuera de la cubierta (1 ) se ubica la pantalla de interfaz de usuario (5), la que sirve tanto para configurar los análisis como para mostrar resultados en tiempo real. También dentro de la cubierta (1 ) están los componentes del sistema de iluminación, correspondiendo a fuentes de luz estables (6) y un difusor de luz (7) para obtener iluminación estable y uniforme en la zona de captura de la imagen, que sería la cinta transportadora.
Para aislar el sistema computacional y los circuitos eléctricos una placa de acero (8) se utiliza para formar dos zonas independientes dentro de la cubierta (1 ). El equipo también dispone de un contrapeso (9) para equilibrar el equipo, y de ruedas giratorias (10) para su fácil desplazamiento.
El sistema de iluminación de la presente invención, fue diseñado especialmente para maximizar la fidelidad en la adquisición de colores. Este sistema consiste de un arreglo de tubos fluorescentes de color D65 de 20W (4) y 8W (8), posicionados para maximizar la uniformidad de la intensidad de luz que reciben las muestras de carne de pescado procesado, en adelante las muestras, analizadas en todo el espacio de la imagen. La configuración del sistema de iluminación fue diseñada mediante un software de simulación de iluminación creado para el equipo, donde se modela cómo se ilumina la zona de imagen a partir de las fuentes de luz utilizadas, suponiendo que los tubos se comportan como fuentes puntuales de luz ordenados de tal forma que simulen la existencia de éstos ordenados en líneas del tamaño de los tubos y en la misma configuración que tendrán en el equipo. Para eliminar reflexiones indeseables, entre las fuentes de luz y las muestras se dispone de un difusor de luz piramidal de acrílico de alta densidad. Los tubos fluorescentes son alimentados con balastos electrónicos de 25 kHz, cada uno alimentado por fuentes de alimentación de corriente continua de 310V. De esta manera, dado que el tiempo de integración de la luz en el CCD de la cámara del equipo es en promedio 8 ms, se asegura un error máximo de 0,5% en el color de imágenes sucesivas, siendo 0,25% el error promedio. Como la intensidad de luz depende directamente del voltaje de alimentación, el equipo dispone de un regulador de tensión para entregar un voltaje de alimentación de la iluminación uniforme.
En la práctica, la iluminación de las esquinas es un 90% de la iluminación en el centro de la imagen, por lo cual la intensidad en zonas alejadas del centro de la imagen es corregida por software, para obtener imágenes con iluminación uniforme. Para esto, se capturó una imagen con el equipo de una plancha opaca homogénea, de color gris. Con la imagen capturada, se genera una matriz de tres dimensiones, donde cada elemento de esta matriz es multiplicado por el elemento correspondiente de la imagen (pixel), con el fin de que se obtenga una imagen resultante de color homogéneo, compensando las variaciones de intensidad de iluminación en los bordes. Se toma como referencia el centro de la imagen, donde la intensidad es máxima. Los tubos fluorescentes en general se degradan con el uso, otorgando un distinto nivel de iluminación a medida que pasa el tiempo. Por lo mismo, la iluminación debe ser calibrada para su óptimo funcionamiento, para lo cual se provee una paleta de colores, dividida en 16 casilleros. En los casilleros superiores se ubican los valores blanco y negro, y los colores rojo, verde, azul anaranjado, amarillo y rosa, mientras en los casilleros inferiores se ubican niveles de gris, desde el blanco al negro. Para calibrar el equipo se ingresa al programa de calibración de color desde la configuración, se posiciona la paleta de colores sobre la cinta transportadora, y el sistema la detecta y modifica la configuración de captura de imágenes para realizar la coincidencia de la imagen de la paleta con colores previamente cargados en la rutina.
Con el sistema operativo, y la cinta transportadora en operación normal y cargada de muestras de salmón o trucha, el sistema ejecuta en forma ininterrumpida un método de rastreo de muestras sobre la cinta transportadora, el cual se esquematiza en la figura 2, durante el cual se obtienen imágenes periódicas de la cinta con el fin de realizar una segmentación rápida de las imágenes capturadas. Esta segmentación consta de: capturar una imagen de alta resolución (imagen de 1024 x 960 pixeles), de la cinta transportadora y muestras (filetes) que existan sobre la cinta transportadora dando origen a una imagen capturada; remuestrear la imagen capturada de alta resolución para obtener una imagen de menores dimensiones con el fin de que el procesamiento sea veloz, dando origen a una imagen capturada re muestreada; pre-procesar la imagen capturada remuestreada mediante una transformación lineal de los canales RGB para incrementar el contraste entre las muestras (filetes) y el fondo (cinta transportadora), otorgando una imagen de alto contraste en tonos de gris, es decir, mayor a 5% de cambio respecto del rango dinámico de componentes de color o niveles de grises, donde se busca asignar un valor cercano a cien para los pixeles pertenecientes a la muestra y cercano a cero para los que no pertenecen, dando origen a una imagen re muestreada pre-procesada; segmentar por umbral la imagen remuestreada pre-procesada, la que produce una imagen binaria donde las muestras aparecen con un valor (generalmente valor "uno") y el fondo con otro valor (generalmente "cero"), denominada imagen re muestreada binaria); eliminar las regiones donde las muestras aparezcan parcialmente fuera de la imagen remuestreada binaria, es decir, aquellas donde la región toque el borde de la imagen o queden fuera de una región de interés definida que sea menor a la imagen, originando una imagen re muestreada segmentada. Mientras no existan muestras (filetes) completas en la cinta transportadora, la imagen remuestreada segmentada tendrá sólo un valor en todos sus pixeles (generalmente "cero").
Para generar la imagen capturada remuestreada, se utiliza un algoritmo donde una imagen de dimensiones WXH se transforma a una nueva imagen de dimensiones wxh, donde se cumple que W/w = H/h, donde el color RGB de cada pixel de la imagen capturada remuestreada es una combinación lineal de los colores RGB de una región de pixeles de la imagen capturada. Estos términos están dados por la resolución de la cámara, donde W es el número de pixeles horizontales y H el número de pixeles verticales de la imagen capturada. Por ejemplo, si W/w tiene un valor de 4, para el color de cada pixel de la imagen capturada remuestreada corresponde un color RGB formado por el promedio ponderado de regiones de 4X4 pixeles de la imagen capturada.
Para generar la imagen remuestreada pre-procesada, se requiere una etapa previa de configuración de parámetros, para la generación de dos listas; por una parte se tiene una lista de colores RGB de las muestras, por ejemplo filetes de salmón, que es parte de los datos internos del equipo, que involucra a todos los tipos de tejidos que componen el filete, y por la otra, una lista de colores RGB de la cinta transportadora, que se genera al momento de reconocimiento de la cinta transportadora, que es parte de las opciones de configuración del equipo antes de efectuar los análisis en operación normal. El tamaño de la lista de colores RGB de la cinta es similar a la cantidad de datos RGB de las muestras, y se realiza tomando muestras de color RGB de pixeles de la imagen de la cinta transportadora sin las muestras sobre ella. Con estas dos fuentes de datos, se trata de obtener una subimagen de alto contraste mediante una transformación lineal de los componentes RGB que asigne el valor 100 a los colores que componen la muestra, y de -100 a los colores de la cinta transportadora. Una vez calculada la función de transformación mediante optimización de mínimo cuadrados, la subimagen de alto contraste muéstracinta se obtiene al aplicar la transformación a los valores RGB de los pixeles de la imagen capturada remuestreada. Para el éxito de esta transformación la cinta debe tener un color contrastante con las muestras.
El método de rastreo de la invención utiliza la segmentación descrita en los párrafos anteriores para localizar las muestras en la imagen, y además un sistema de seguimiento de las muestras encontradas en la imagen remuestreada segmentada actual basado en las muestras encontradas en las imágenes re muestreadas segmentadas anteriores, el cual se compone de un vector de posiciones (x, y) de los centros de área de las regiones de la imagen remuestreada segmentada, donde "x" es el valor de coordenada horizontal medida de izquierda a derecha de la imagen, e "y" el valor de coordenada vertical medida de arriba a abajo en la imagen; unas pistas horizontales virtuales creadas y destruidas en forma dinámica (pistas horizontales); un vector de posición vertical de los centros de las pistas horizontales; y vectores de posición horizontal de seguimiento de muestras en cada pista. El movimiento de la cinta transportadora y la posición de la cámara digital en el equipo producen que las muestras se muevan en forma horizontal en la imagen, por ejemplo de izquierda a derecha. La cámara es el único sensor del equipo, en este caso sensor de imágenes, la cual es capaz de obtener decenas de imágenes de alta resolución por segundo. En imágenes sucesivas, una muestra que avance por la cinta transportadora va variando su posición en forma horizontal en la imagen.
La imagen que se utiliza para el rastreo corresponde a las imagen remuestreada segmentada, por lo cual en imágenes sucesivas se ve avanzar en forma horizontal sólo las regiones correspondientes a muestras completas contenidas en la imagen capturada (o en una región de interés de ésta), por lo que la posición vertical "y" del centro de área de estas regiones tendrán pequeñas variaciones, mientas que la variación estará principalmente en la coordenada horizontal "x" del centro de área. Si el movimiento es de izquierda a derecha, en cada imagen sucesiva la coordenada "x" del centro de área de una región en particular va aumentando.
El número de pistas al comenzar la operación normal es cero. Al momento de aparecer la primera muestra en la imagen capturada, esta muestra aparece como una región en la imagen remuestreada segmentada sólo cuando esté completamente contenida en la imagen capturada. En el momento que la región aparezca en la imagen remuestreada segmentada, se calcula el centro de área de la región, el cual es almacenado en el vector de posición (x, y) de los centros de área. Como es la primera región encontrada, y no hay pistas creadas, se crea la primera pista horizontal, correspondiente a una región rectangular de longitud horizontal igual a la longitud horizontal de la imagen remuestreada segmentada, y de longitud vertical preferentemente de 8 pixeles, cuyo centro será la coordenada "y" del centro de área calculado en la región encontrada. El valor "y" es almacenado en la primera casilla del vector de posición vertical de centros de pistas horizontales, y el valor "x", en la primera casilla del vector de posición horizontal de seguimiento de muestras. No hay más operaciones, por lo que el sistema adquiere otra imagen después de realizar estos procesos.
Al momento de adquirir la próxima imagen capturada, y generar la imagen remuestreada segmentada correspondiente, el movimiento de la cinta produce que la región que fue identificada anteriormente se mueva horizontalmente en la nueva imagen unos pocos pixeles. En este caso, el sistema inspecciona si la región corresponde a la misma encontrada en la imagen anterior, comparando las coordenadas de la posición del centro de área de esta región con los valores almacenados en los vectores de posición horizontal y vertical de las pistas. Por tratarse de la misma región pero desplazada horizontalmente, y además contando sólo con una pista creada, el valor "y" del centro de área de la región está contenida dentro de la pista creada, mientras que el valor "x" del centro de área de la región es mayor al valor almacenado en el vector de posición horizontal para seguimiento. Por lo mismo, en este caso se actualiza la primera casilla del vector de posición horizontal para seguimiento con el nuevo valor de "x", mientras que la primera casilla del vector de posición vertical de centros de las pistas queda inalterada ya que se trata de la misma pista. En otro caso, puede aparecer una segunda región en la imagen remuestreada segmentada, correspondiente a una segunda muestra. Para este caso, se efectúa el mismo procedimiento. Para la primera región el procedimiento es el mismo del párrafo anterior. Para la segunda, si no pertenece a la pista creada con la primera región encontrada, se crea una nueva pista usando el mismo procedimiento para la primera región encontrada, y almacenando las coordenadas "x" e "y" del centro de área de esta nueva región en los vectores correspondientes, en la segunda casilla, por el que en este caso el número de pistas es dos. Por el contrario, si pertenece a la misma pista, y el valor "x" de su centro de área es menor que el valor almacenado en la primera casilla del vector de posición horizontal para seguimiento, se conserva el valor de la primera casilla sin actualizarse.
El proceso de creación de pistas horizontales continúa para otras regiones que aparezcan en imágenes sucesivas. Cada vez que una región aparezca, y además que el valor "y" de su centro de área no pertenezca a pista alguna, se creará una nueva pista y se realizará seguimiento como se indicó anteriormente. Una de las virtudes del proceso de creación dinámica de pistas es que hace innecesario el uso de otros sensores que detecten la presencia y posición de las muestras en la cinta, del mismo modo, su generalidad evita la necesidad de un orden específico de aparición de las muestras en la cinta para seguir su movimiento horizontal.
Una vez asignadas o actualizadas las pistas para todas las regiones de la imagen remuestreada segmentada, se realiza una búsqueda (barrido) en el vector de posición horizontal para seguimiento de cada pista buscando si un valor "x" traspasa el centro de la imagen remuestreada segmentada, es decir, cuando el valor "x" del vector mencionado sea mayor a w/2. Si para alguna pista es verdadero, se entrega a la rutina de análisis la imagen capturada original y las coordenadas de los límites de la región correspondiente a la muestra a analizar. Mediante técnicas de programación multitarea, comienza el proceso de análisis de las muestras en forma paralela al proceso de rastreo. En este caso, antes de adquirir una nueva imagen se realiza nuevamente un barrido completo por el vector de posición horizontal de seguimiento de las pistas por si existe otra(s) muestra(s) que debe(n) ser analizada(s). Si no hay más muestras a analizar, se captura una nueva imagen y se borra la pista correspondiente a la muestra analizada, para que pueda ser ocupada por otro objeto. Si se debe analizar otra muestra, se realiza el análisis en paralelo cuando haya terminado la muestra que se estaba analizando anteriormente. Este proceso se repite hasta que no haya más muestras a analizar y se pueda capturar una nueva imagen. Mediante este sistema varias muestras pueden estar posicionadas en paralelo en la cinta, y el sistema será capaz de analizarlas individualmente.
Para el caso en que pistas se traslapen, puede que el valor "y" de la coordenada de su centro de área pertenezca a ambas pistas, en cuyo caso se asigna la región a la pista cuyo valor "y" del centro de la pista esté más cercano al valor "y" del centro de área de la región; en caso que el valor "y" de la coordenada del centro de área de una nueva región esté demasiado cerca (menor a 2pixeles) de un límite vertical (superior o inferior) de una pista, y que pertenezca a ésta, se crea una nueva pista horizontal con centro en el valor "y" de la coordenada del centro de área del objeto.
Las regiones en la imagen remuestreada binaria que ya han traspasado la mitad de esta imagen pero que son igualmente contenidas completamente dentro de dicha imagen también son eliminadas de la imagen remuestreada segmentada. Para evitar problemas con la actualización de una pista cuando una región desaparece, los valores de los vectores de posición correspondientes a las casillas de las pistas existentes, pero sin regiones de la imagen remuestreada segmentada dentro de ellas, se actualizan artificialmente, es decir, se incrementa su valor correspondiente en el vector de posición horizontal de seguimiento.
En términos del proceso de análisis de cada muestra detectada, lo primero es recibir la imagen capturada original y las coordenadas de los límites donde se encuentra el objeto a analizar. En seguida, se realiza una segmentación análoga a la realizada para conseguir la imagen remuestreada durante el proceso de rastreo. Este análisis se realiza en la imagen capturada original, sin reducción de dimensionalidad, de manera de otorgar un mayor detalle y con ello mediciones de mayor precisión.
Después de la segmentación inicial, para separar objeto y fondo, se realiza la medición de características geométricas generales como área, perímetro, largo y ancho. El conteo total de pixeles que conforman al objeto corresponde al área, mientras que para el perímetro se cuentan los pixeles del contorno del objeto. Para calcular el largo y ancho de las muestra, se circunscribe un rectángulo en dicha muestra, identificando el largo de la muestra con la longitud mayor del rectángulo y el ancho de la muestra con la longitud menor del rectángulo. Luego se procede a la separación de elementos del mismo objeto. Esta separación se realiza mediante una transformación cuya entrada son los tres canales de la imagen original (R, G y B) y cuya salida son imágenes de intensidad o en tonos de gris, orientadas a formar alto contraste de un elemento de la imagen en particular, por lo cual existirán tantas imágenes como elementos se quiera discriminar. Los parámetros de esta transformación corresponden a la optimización de una función no lineal en R, G y B, pero lineal en los coeficientes, que involucra las componentes i, i*j y V*;'. donde i, j = R,G,B.
Así, para encontrar los parámetros se dispuso de un conjunto de entrenamiento compuesto de cuatro listas de colores RGB correspondientes a los cuatro tejidos que son identificados en las imágenes (músculo, peritoneo/grasa blanca, grasa café, y hematoma/melanosis). Cada elemento de estas listas tiene tres componentes, correspondientes a los valores R, G y B del color correspondiente al pixel. Para generar estas listas se dispuso de un set de entrenamiento de 50 imágenes típicas de muestras, en este caso de filetes de salmón, entre las cuales se encuentran filetes sanos, con y sin grasa blanca (peritoneo), con y sin presencia de defectos y manchas, y con y sin grasa café. El método necesita de al menos 30 imágenes típicas para realizarlo y tener resultados satisfactorios. Primero se separan manualmente los tejidos y se obtienen datos de color y forma de éstos. Con el uso de estas imágenes, se selecciona manualmente regiones correspondientes a cada tejido, con cada región con un identificador del tejido correspondiente, y se generan las listas de color RGB usando estas regiones. Adicionalmente, para las imágenes con defectos se almacenó, en una lista separada, información geométrica del defecto, como tamaño, forma y ubicación. Posteriormente, mediante optimización por mínimos cuadrados lineal se busca encontrar una transformación lineal en los parámetros (cuadrática en las variables RGB) tal que para las tríadas de colores RGB de un tejido en particular (por ejemplo músculo) se le asigne un valor 1 00 para los colores RGB asociados al tejido, y -1 00 para los otros tejidos. En la práctica, se dispuso de cuatro transformaciones, una para cada tejido que se quiere identificar. En forma general, con n elementos buscados en la imagen, se tiene que una típica transformación sería, para una pixel con valores de color R, G y B:
Los coeficientes ak, k = 1 , 1 2, son calculados en base a estimación de mínimos cuadrados, donde el valor de b es asignado como 1 00 ó -1 00 si el píxel cuyo color RGB corresponde al elemento designado o no, respectivamente. Los coeficientes aw pueden ser agrupados en una matriz MKxn para los n elementos, que en caso de la invención corresponden a los cuatro tejidos.
Una vez realizado el entrenamiento, los coeficientes ak son parámetros fijos de la subrutina de análisis de objetos, los cuales son cargados al iniciar el sistema.
Con las subimágenes creadas con esta técnica, es posible analizar elementos o tejidos de la imagen por separado, donde a partir de una imagen a color RGB se generan n subimágenes de un solo canal, similar a imágenes en intensidad de gris. Para el caso específico del salmón, se generan cuatro subimágenes: músculo, grasa blanca, grasa café y hematoma. Las subimágenes corresponden a imágenes en intensidad de gris (un canal de intensidad). Para obtener las regiones correspondientes a cada tejido, esas subimágenes se umbralizan. Como las imágenes tienen un rango aproximado de entre -100 y 100, se obtuvo que los umbrales óptimos para cada tejido es de 10 para músculo, -26 para peritoneo/grasa blanca, -20 para grasa café y -16 para hematoma/melanosis. Con estos umbrales por sí solos no es posible obtener de forma inmediata y directa las regiones correspondientes a cada tejido en particular, debido a que los tejidos por lo general no son completamente homogéneos y existen pixeles en las subimágenes que dan valores que no corresponden al tejido buscado por lo cual existe un procesamiento intermedio que busca limpiar las regiones para que no exista traslape entre ellas y eliminar aquellos pixeles donde la clasificación no sea clara o sea imprecisa. Por ello, se usa información cruzada de las regiones para evitar zonas traslapadas en las regiones correspondientes a los tejidos, para luego mediante análisis morfológico de las regiones eliminar de una región sectores que son muy pequeños (del orden de pocos pixeles) o que por las características de las muestras la región encontrada no pertenece al lugar donde típicamente debe encontrarse, como son hematomas en la punta del filete, hematomas con forma alargada, grasa blanca encontrada que en realidad corresponde a mioceptos del músculo que son eliminados debido a su forma alargada, entre otros. Una vez que las regiones han sido identificadas se generan máscaras que serán usadas para la medición y clasificación del filete, que corresponden a imágenes binarias, de valores 0 y 1 , tal que un valor 0 indica que el pixel no corresponde al tejido y 1 indica que sí corresponde. En particular, se realizan mediciones geométricas y cromáticas al filete, superponiendo cada máscara a la imagen original.
El sistema es capaz de detectar hematomas y melanosis en el filete de salmón cuya área sea mayor a 0,5 cm2. La detección de defectos se basa en la creación de modelos de detección, o clasificadores, a partir de al menos 30 imágenes típicas, preferentemente un conjunto de 50 imágenes típicas de muestras usadas como set de entrenamiento, donde 25 de éstas corresponden a muestras con defectos (hematoma/melanosis). Para reconocer manchas, hematomas y melanosis, se obtiene primero la segmentación de éstos como se explicó en el párrafo anterior. Con el defecto aislado, se procede a evaluar si el defecto encontrado es verdadero o falso, para lo cual se usan clasificadores construidos en base a las mediciones obtenidas en el set de entrenamiento. Por ejemplo, para el caso de melanosis el set de entrenamiento permite obtener distribuciones de probabilidad sobre: tamaños mínimos y máximos, ubicación típica dentro del filete, comparación del defecto con el tejido circundante, entre otras. Estas distribuciones son luego utilizadas para clasificar si una potencial anomalía visual del filete se trata realmente de un defecto o no. En este sentido la detección se enfoca en un sistema de reconocimiento de patrones, donde se tienen los parámetros que definen los defectos, a diferencia de comparar directamente el filete con uno de muestra como sería el caso de usar una plantilla ("témplate") de comparación o una imagen típica de salmón y compararla directamente con la imagen capturada. El equipo no usa técnicas comparativas directas ya que las muestras, filetes de salmón, presentan gran variabilidad, no como en el caso de analizar productos iguales unos a otros (por ejemplo circuitos impresos) donde sí puede tenerse una plantilla ("témplate") de comparación. Debido a la variabilidad de las muestras, las distribuciones mencionadas dan información general sobre la morfología y ubicación del defecto, por lo que cada posible defecto encontrado es verificado mediante estas distribuciones para verificar si está dentro de los parámetros normales o "patrón".
Para los otros tejidos (músculo, grasa blanca/peritoneo y grasa café) se miden el color promedio y geometría usando la información de las máscaras generadas y la imagen capturada.
En términos de medición de color se usa como unidad de medida el estándar industrial "SalmoFan" desarrollado por Hoffmann-LaRoche. La medición cubre el rango completo de la coloración de músculo de salmón en una escala de 20 a 34. Esta medición se realiza considerando sólo el color del músculo, entre los percentiles 25 y 75 para eliminar datos fuera de rango, ya que existen zonas en el salmón que naturalmente son muy claras o muy oscuras, que no influyen en la decisión de un experto en relación a la coloración. El color es luego medido y se obtiene la componente L* del color medio medido mediante una transformación no lineal del color RGB descrito en Mery, 2006, León K., Mery D., Pedreschi F., León J. (2006) Color measurement in L*a*b* units fron RGB digital images. Food Research International, 39, 1084- 1091 .
La componente L* es la que más se asemeja a la valoración del color medido por expertos. En esta etapa las mediciones del equipo en la escala "SalmonFan" son calibradas según operadores humanos expertos con objeto de igualar las mediciones del equipo y los expertos.
Para el despliegue de resultados en línea se utilizan gráficos en el tiempo, histogramas y valor medido, todos mostrados en pantalla según la configuración de usuario. Los gráficos son mostrados según sean analizadas las muestras, y su escala se ajusta automáticamente a los valores que sean arrojados de los análisis.
Otra forma de visualizar resultados es mediante una interfaz Web. En este caso se obtienen histogramas y gráficos en el tiempo de los análisis anteriores (históricos). Principalmente, el acceso a esta interfaz Web es desde un terminal conectado a Internet interna de la empresa o planta. En forma adicional, mediante un sistema de cuentas autorizadas, también es posible configurar la conexión desde cualquier terminal remoto con acceso a internet. Una característica del sistema y método es que individualiza a todos los objetos analizados, por lo cual cuenta los objetos que pasan por la cinta transportadora, por lo cual puede utilizarse como un contador de objetos que pasan por la cinta transportadora.

Claims

REIVINDICACIONES
1 . Un método para analizar automáticamente en tiempo real, la calidad de muestras de carnes de pescado procesados en base a su apariencia externa, que circulan a través de una cinta transportadora que permite detectar defectos superficiales y clasificar las carnes según patrones de calidad, CARACTERIZADO porque comprende: a. detectar automáticamente las muestras de carne de pescado procesado sobre la cinta transportadora a través de un método de rastreo; b. capturar imágenes periódicas de la cinta transportadora con el fin de realizar una segmentación de las imágenes capturadas; y c. analizar la imagen capturada para determinar la geometría y color de las muestras de carnes de pecado procesados; contar las muestras de carnes de pescado procesados; y detectar defectos superficiales en las muestras de carne de pescado procesados como hematomas y melanosis.
2. El método según reivindicación 1 , CARACTERIZADO porque dicha segmentación de las imágenes capturadas comprende: a. capturar una imagen de alta resolución (1024 x 960 pixeles) de la cinta transportadora y de las muestras de carne de pescado procesado que existan sobre la cinta transportadora; b. remuestrear la imagen capturada de alta resolución para obtener una imagen de menores dimensiones con el fin de que el procesamiento sea veloz; c. pre-procesar la imagen capturada remuestreada mediante una transformación lineal de los canales RGB (Red, Green, Blue) para incrementar el contraste entre las muestras de carne de pesado procesado y la cinta transportadora, otorgando una imagen de alto contraste en tonos de gris, es decir mayor a 5% de cambio respecto del rango dinámico de componentes de color o niveles de grises, donde se busca asignar un valor cercano a cien para los pixeles pertenecientes a la muestra de carne de pesado procesado y cercano a cero para los que no pertenecen; d. segmentar por umbralización la imagen remuestreada pre- procesada, la que produce una imagen binaria donde las muestras de carne de pesado procesado aparecen con un valor, generalmente valor "uno" y la cinta transportadora con otro valor, generalmente "cero"; e. eliminar las regiones donde las muestras aparezcan parcialmente fuera de la imagen remuestreada binaria, es decir, aquellas donde la región toque el borde de la imagen o queden fuera de una región de interés definida que sea menor a la imagen.
3. El método según reivindicación 2, CARACTERIZADO porque para remuestrear la imagen capturada se utiliza una imagen de dimensiones WxH la que se transforma a una nueva imagen de dimensiones wxh, donde se cumple que W/w = H/h, y donde el color RGB de cada pixel de la imagen capturada remuestreada es una combinación lineal de los colores RGB de una región de pixeles de la imagen capturada, donde W es el número de pixeles horizontales y H el número de pixeles verticales de la imagen capturada.
4. El método según reivindicación 2, CARACTERIZADO porque para pre- procesar la imagen remuestreada se requiere una etapa previa de configuración de parámetros, para la generación de dos listas.
5. El método según reivindicación 4, CARACTERIZADO porque para la generación de las dos listas se provee, para la primera lista una base de datos que comprende una lista de colores RGB de muestras de carne de pescado que identifican los tipos de tejidos que componen a dicha muestra de carne de pescado procesada; y para la segunda lista una base de datos que comprende una lista de colores RGB de la cinta transportadora.
6. El método según reivindicación 5, CARACTERIZADO porque con estas dos listas se obtiene una subimagen de alto contraste mediante una transformación lineal de los componentes RGB que asigne el valor 100 a los colores que componen la muestra de carne de pescado procesado, y de -100 a los colores de la cinta.
7. El método según reivindicación 2, CARACTERIZADO porque el método de rastreo utiliza dicha segmentación de las imágenes capturas y seguimiento de las muestras encontradas en la imagen remuestreada segmentada actual basado en las muestras encontradas en las imágenes remuestreadas segmentadas anteriores, el cual se compone de: a. un vector de posiciones (x, y) de los centros de área de las regiones de la imagen remuestreada segmentada, donde "x" es el valor de coordenada horizontal medida de izquierda a derecha de la imagen capturada, e "y" el valor de coordenada vertical medida de arriba a abajo en la imagen capturada; b. unas pistas horizontales virtuales creadas y destruidas en forma dinámica (pistas horizontales); c. un vector de posición vertical de los centros de las pistas horizontales; y d. vectores de posición horizontal de seguimiento de muestras en cada pista horizontal.
8. El método según reivindicación 7, CARACTERIZADO porque el número de pistas horizontales al comenzar el proceso es cero.
9. El método según reivindicación 8, CARACTERIZADO porque al aparecer la primera muestra de carne de pescado procesado en la imagen capturada, aparece como una región en la imagen remuestreada segmentada sólo cuando esté completamente contenida en la imagen capturada.
10. El método según reivindicación 9, CARACTERIZADO porque a dicha región en la imagen remuestreada segmentada, se calcula el centro de área de la región, el cual es almacenado en un vector de posición (x, y) de los centros de área.
1 1 . El método según reivindicación 10, CARACTERIZADO porque se crea una primera pista horizontal correspondiente a una región rectangular de longitud horizontal igual a la longitud horizontal de la imagen remuestreada segmentada, y de longitud vertical preferentemente de 8 pixeles, cuyo centro será la coordenada "y" del centro de área calculado en la región encontrada.
12. El método según reivindicación 1 1 , CARACTERIZADO porque el valor "y" es almacenado en la primera casilla del vector de posición vertical de centros de pistas horizontales, y el valor "x", en la primera casilla del vector de posición horizontal de seguimiento de muestras de carne de pescado procesado.
13. El método según reivindicación 12, CARACTERIZADO porque cada vez que una región aparece en la imagen remuestreada segmentada y además el valor "y" de su centro de área no pertenezca a pista alguna, se creará una nueva pista horizontal.
14. El método según las reivindicaciones 3 y 13, CARACTERIZADO porque una vez asignadas o actualizadas las pistas horizontales para todas las regiones de la imagen remuestreada segmentada, se realiza una búsqueda o barrido en el vector de posición horizontal para seguimiento de cada pista buscando si un valor "x" sea mayor a w/2, es decir, que traspasa el centro de la imagen remuestreada segmentada, es decir, cuando el valor "x" del vector mencionado, para comenzar el análisis de la imagen capturada.
15. El método según la reivindicación 1 , CARACTERIZADO porque para analizar cada muestra de carne de pescado procesado se debe contar con la imagen capturada y las coordenadas de los límites donde se encuentra dicha muestra a analizar.
16. El método según la reivindicación 15, CARACTERIZADO porque analizar cada muestra de carne de pescado procesado comprende realizar una segmentación para conseguir una imagen remuestreada durante el método de rastreo, para separar la muestra de carne de pescado y la cinta transportadora.
17. El método según las reivindicaciones 1 y 16, CARACTERIZADO porque las características geométricas de las muestras de carnes de pescado comprenden el área, el perímetro, el largo y ancho de las muestras de carne de pescado procesado.
18. El método según la reivindicación 17, CARACTERIZADO porque para determinar el área de la muestra de carne de pescado procesado comprende realizar un conteo total de pixeles de dicha muestra.
19. El método según la reivindicación 17, CARACTERIZADO porque para determinar el perímetro de la muestra de carne de pescado procesado comprende realizar un conteo de pixeles del contorno de dicha muestra.
20. El método según la reivindicación 17, CARACTERIZADO porque para determinar el largo y ancho de la muestra de carne de pescado procesado, comprende circunscribir un rectángulo en dicha muestra, identificando el largo de la muestra con la longitud mayor del rectángulo y el ancho de la muestra con la longitud menor del rectángulo .
21 . El método según la reivindicación 1 , CARACTERIZADO porque para detectar defectos superficiales en las muestras de carne de pescado comprende identificar en dichas muestras cuatro tipos de tejidos correspondientes a músculo, peritoneo/grasa blanca, grasa café, y hematoma/melanosis.
22. El método según la reivindicación 21 , CARACTERIZADO porque se dispuso de un conjunto de entrenamiento compuesto de cuatro listas de colores RGB correspondientes a los cuatro tejidos que son identificados en las imágenes capturadas, donde cada elemento de estas listas tiene tres componentes, correspondientes a los valores R, G y B del color correspondiente al pixel.
23. El método según la reivindicación 22, CARACTERIZADO porque para generar estas listas de colores RGB se dispuso de dicho conjunto de entrenamiento con al menos 30 imágenes típicas de muestras de carne de pescado procesado.
24. El método según la reivindicación 22, CARACTERIZADO porque dicho conjunto de entrenamiento comprende preferentemente 50 imágenes típicas de muestras de carne de pescado procesado.
25. El método según la reivindicación 24, CARACTERIZADO porque dichas imágenes típicas de muestras de carne de pescado procesado comprenden muestras de carne de pescado procesado sano, muestras de carne de pescado procesado con grasa blanca, muestras de carne de pescado procesado sin grasa blanca (peritoneo), muestras de carne de pescado procesado con presencia de defectos y manchas, muestras de carne de pescado procesado sin presencia de defectos y manchas, muestras de carne de pescado procesado con grasa café, y muestras de carne de pescado procesado sin grasa café.
26. El método según la reivindicación 25, CARACTERIZADO porque para obtener dichas imágenes típicas de muestras de carne de pescado procesado comprende: a. separan manualmente los tejidos y obtener datos de color y forma de dichos tejidos; b. seleccionar manualmente regiones correspondientes a cada tejido, en dicha imágenes típicas; y c. asignar un identificador a cada tejido y generar las listas de color RGB usando estas regiones.
27. El método según la reivindicación 26, CARACTERIZADO porque para identificar dichos tipos de tejidos se realiza una transformación matemática cuya entrada son los tres canales de la imagen original (R, G y B) y cuya salida son imágenes de intensidad o tonos de gris, orientadas a formar un alto contraste de un elemento de la imagen en particular, por lo cual existirán tantas imágenes como elementos se quiera discriminar.
28. El método según la reivindicación 27, CARACTERIZADO porque dicha transformación matemática es una transformación lineal del tipo:
donde ak, k = 1 , 12, son calculados en base a estimación de mínimos cuadrados, y donde el valor de b es asignado como 100 ó -100 si el píxel cuyo color RGB corresponde a un tejido en particular o no, respectivamente.
29. El método según la reivindicación 28, CARACTERIZADO porque a partir de la imagen a color RGB se generan "n" subimágenes en intensidad de gris en un solo canal, donde "n" es la cantidad de tejidos a analizar en la muestra de carne de pescado procesado.
30. El método según la reivindicación 29, CARACTERIZADO porque dichas subimágenes se les realiza una umbralización para obtener las regiones correspondientes a cada tejido en las muestras de carne de pescado procesado.
31 . El método según la reivindicación 30, CARACTERIZADO porque dicha umbralización comprende los valores para cada tejido que consiste en valorizar el tejido músculo en valor 10, valor -26 para peritoneo/grasa blanca, valor -20 para grasa café y valor -16 para hematoma/melanosis.
32. El método según la reivindicación 31 , CARACTERIZADO porque para evitar zonas traslapadas en las regiones correspondientes a los tejidos se utiliza información cruzada de dichas regiones, para luego mediante análisis morfológico, eliminar de una región sectores muy pequeños o que por las características de las muestras de carne de pescado procesado, la región de tejido encontrada no pertenece al lugar donde típicamente debe encontrarse.
33. El método según la reivindicación 32, CARACTERIZADO porque una vez que las regiones han sido identificadas se generan máscaras para realizar la medición y clasificación de la muestra de carne de pescado procesado, que corresponden a imágenes binarias, de valores 0 y 1 , tal que un valor 0 indica que el pixel no corresponde al tejido y 1 indica que sí corresponde a tejido.
34. El método según la reivindicación 33, CARACTERIZADO porque se realiza una superposición de cada máscara generada y la imagen capturada que permiten mediciones geométricas y cromáticas a la muestra de carne de pescado procesado y mediante el reconocimiento de patrones, se obtienen los parámetros que definen los defectos superficiales en las muestras de carne de pescado procesados, como hematomas y melanosis.
35. Un sistema para analizar automáticamente en tiempo real, la calidad de muestras de carnes de pescado procesados en base a su apariencia externa, que circulan a través de una cinta transportadora que permite detectar defectos superficiales y clasificar las carnes según patrones de calidad, CARACTERIZADO porque comprende: a. un aparato portátil que se ubica sobre una cinta transportadora que trasporta muestras de carne de pescado procesado, que comprende: una cubierta cerrada y aislada del medio circundante, tipo cúpula, ubicada por sobre la cinta transportadora y una estructura base en forma de "L" que permite posicionar la cubierta sobre una cinta transportadora sin intervenirla; b. medios de almacenamiento y procesamiento de la información para: detectar automáticamente las muestras de carne de pescado procesado sobre la cinta transportadora a través de un método de rastreo; analizar una imagen capturada para determinar la geometría y color de las muestras de carnes de pecado procesado; contar las muestras de carnes de pescado procesados; y detectar defectos superficiales en las muestras de carne de pescado procesados como hematomas y melanosis; c. medios de captura de imágenes para capturar imágenes periódicas de la cinta transportadora; d. medios de interfaz gráfica de usuario para ingresar parámetros predefinidos y visualizar resultados; y e. medios de iluminación para maximizar la uniformidad de la intensidad de luz que reciben las muestras de carne de pescado procesado en todo el espacio de la imagen a capturar.
36. El sistema según la reivindicación 35, CARACTERIZADO porque al interior de la cubierta cerrada y aislada se ubica un gabinete que contiene: los medios de almacenamiento y procesamiento de la información; y los medios de captura de imágenes.
37. El sistema según la reivindicación 35, CARACTERIZADO porque al exterior de la cubierta cerrada y aislada se ubican los medios de interfaz gráfica de usuario.
38. El sistema según la reivindicación 35, CARACTERIZADO porque los medios de iluminación comprenden fuentes de luz estables y un difusor de luz para obtener iluminación estable y uniforme en la zona de captura de la imagen.
39. El sistema según la reivindicación 35, CARACTERIZADO porque el aparato portátil además comprende un contrapeso para equilibrar el aparato y ruedas giratorias para su desplazamiento.
40. El sistema según la reivindicación 35, CARACTERIZADO porque las muestras de carne de pescado procesado son filetes de salmón.
41 . El sistema según la reivindicación 35, CARACTERIZADO porque las muestras de carne de pescado procesado son filetes de trucha.
PCT/IB2010/055172 2009-11-16 2010-11-15 Método y sistema para analizar automáticamente en tiempo real, la calidad de muestras de carnes de pescado procesado en base a su apariencia externa, que circulan a través de una cinta transportadora permitiendo detectar defectos superficiales y clasificar las carnes según patrones de calidad WO2011058529A2 (es)

Priority Applications (1)

Application Number Priority Date Filing Date Title
EP10829612A EP2503331A2 (en) 2009-11-16 2010-11-15 Method and system for the real-time automatic analysis of the quality of samples of processed fish meat based on the external appearance thereof, said samples travelling on a conveyor belt such that surface defects can be detected and the fish meat can be sorted according to quality standards

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CL2009002085A CL2009002085A1 (es) 2009-11-16 2009-11-16 Metodo y sistema para analizar automaticamente en tiempo real la calidad de muestras de carnes de pescado que circulan por una cinta transportadora, que permiten detectar defectos superficiales y clasificar las carnes segun patrones de calidad, en base a la segmentacion de las imagenes capturadas.
CL2085-2009 2009-11-16

Publications (3)

Publication Number Publication Date
WO2011058529A2 true WO2011058529A2 (es) 2011-05-19
WO2011058529A3 WO2011058529A3 (es) 2011-07-07
WO2011058529A4 WO2011058529A4 (es) 2011-12-29

Family

ID=43992157

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/IB2010/055172 WO2011058529A2 (es) 2009-11-16 2010-11-15 Método y sistema para analizar automáticamente en tiempo real, la calidad de muestras de carnes de pescado procesado en base a su apariencia externa, que circulan a través de una cinta transportadora permitiendo detectar defectos superficiales y clasificar las carnes según patrones de calidad

Country Status (3)

Country Link
EP (1) EP2503331A2 (es)
CL (1) CL2009002085A1 (es)
WO (1) WO2011058529A2 (es)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150359205A1 (en) * 2013-02-06 2015-12-17 Clearwater Seafoods Limited Partnership Imaging for Determination of Crustacean Physical Attributes
CN116067964A (zh) * 2023-03-06 2023-05-05 广东省农业科学院动物科学研究所 一种利用缩合单宁促进鱼肌肉脆化的方法及***
CN118095971A (zh) * 2024-04-26 2024-05-28 乐百氏(广东)饮用水有限公司 一种ad钙奶饮料加工工艺评估方法、***及介质

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102621079A (zh) * 2012-03-19 2012-08-01 齐齐哈尔大学 一种在线检测熏烤肉制品中丙烯酰胺含量的方法及装置
ES2482415B1 (es) * 2012-10-04 2015-05-11 Universitat De València Procedimiento y sistema para determinar la frescura del pescado basado en el procedimiento de imágenes oculares, y programa de ordenador que implementa el procedimiento
ITUB20155003A1 (it) * 2015-10-29 2017-04-29 Ser Mac S R L Apparato per il rilevamento di prodotti ortofrutticoli; in particolare di prodotti ortofrutticoli difettosi.
DE202016100174U1 (de) 2016-01-15 2016-02-12 HEIN Lärmschutztechnik GmbH Abdeckung einer Transporteinrichtung mit Belüftungsdach
WO2017174768A1 (en) * 2016-04-08 2017-10-12 Teknologisk Institut System for registration and presentation of performance data to an operator
CN113167740A (zh) * 2018-08-16 2021-07-23 泰万盛集团（大众）有限公司 用于食品加工中的非侵入式检查的多视角成像***及方法
CN110070558A (zh) * 2019-04-11 2019-07-30 西安星舟天启智能装备有限责任公司 一种基于图像处理和分区检测的统计分拣方法及装置
CA3201482A1 (en) * 2020-12-04 2022-06-09 Marel Salmon A/S A method of tracking a food item in a processing facility, and a system for processing food items

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0221642A2 (en) 1985-09-04 1987-05-13 Westinghouse Canada Inc. Fish color grader
US4706336A (en) 1985-07-12 1987-11-17 Nordischer Maschinenbau Rud. Baader Gmbh & Co. Kg Apparatus for handling fish fillets for the purpose of quality inspection
US4978225A (en) 1988-07-19 1990-12-18 Canpolar East Inc. Detection of anomalies in translucent material by candling
US5784484A (en) 1995-03-30 1998-07-21 Nec Corporation Device for inspecting printed wiring boards at different resolutions
US6061086A (en) 1997-09-11 2000-05-09 Canopular East Inc. Apparatus and method for automated visual inspection of objects
JP2001175854A (ja) 1999-12-21 2001-06-29 Tokyo Denshi Kogyo Kk 画像による良否検査装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DK160903C (da) * 1988-06-23 1997-04-07 Lumetech As Fremgangsmåde til lokalisering af uønskede forekomster i et stykke fiskekød ved belysning
US6532064B1 (en) * 2001-10-16 2003-03-11 Baader-Canpolar Inc. Automatic inspection apparatus and method for simultaneous detection of anomalies in a 3-dimensional translucent object
CL2008000062A1 (es) * 2008-01-10 2008-03-24 Univ Santiago Chile Sistema portatil mediante el cual se puede determinar la calidad de un trozo de carne sin necesidad de manipularla, que permite la captura de imagenes para su posterior procesamiento; y metodo asociado.

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4706336A (en) 1985-07-12 1987-11-17 Nordischer Maschinenbau Rud. Baader Gmbh & Co. Kg Apparatus for handling fish fillets for the purpose of quality inspection
EP0221642A2 (en) 1985-09-04 1987-05-13 Westinghouse Canada Inc. Fish color grader
US4978225A (en) 1988-07-19 1990-12-18 Canpolar East Inc. Detection of anomalies in translucent material by candling
US5784484A (en) 1995-03-30 1998-07-21 Nec Corporation Device for inspecting printed wiring boards at different resolutions
US6061086A (en) 1997-09-11 2000-05-09 Canopular East Inc. Apparatus and method for automated visual inspection of objects
JP2001175854A (ja) 1999-12-21 2001-06-29 Tokyo Denshi Kogyo Kk 画像による良否検査装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
K. LEON; D. MERY; F. PEDRESCHI; J. LEON: "Color measurement in L*a*b* units de RGB digital images", FOOD RESEARCH INTERNATIONAL, vol. 39, 2006, pages 1084 - 1091

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150359205A1 (en) * 2013-02-06 2015-12-17 Clearwater Seafoods Limited Partnership Imaging for Determination of Crustacean Physical Attributes
US10111411B2 (en) * 2013-02-06 2018-10-30 Clearwater Seafoods Limited Partnership Imaging for determination of crustacean physical attributes
US10638730B2 (en) 2013-02-06 2020-05-05 Clearwater Seafoods Limited Partnership Imaging for determination of crustacean physical attributes
CN116067964A (zh) * 2023-03-06 2023-05-05 广东省农业科学院动物科学研究所 一种利用缩合单宁促进鱼肌肉脆化的方法及***
CN118095971A (zh) * 2024-04-26 2024-05-28 乐百氏(广东)饮用水有限公司 一种ad钙奶饮料加工工艺评估方法、***及介质

Also Published As

Publication number Publication date
EP2503331A2 (en) 2012-09-26
CL2009002085A1 (es) 2011-03-11
WO2011058529A4 (es) 2011-12-29
WO2011058529A3 (es) 2011-07-07

Similar Documents

Publication Publication Date Title
WO2011058529A2 (es) Método y sistema para analizar automáticamente en tiempo real, la calidad de muestras de carnes de pescado procesado en base a su apariencia externa, que circulan a través de una cinta transportadora permitiendo detectar defectos superficiales y clasificar las carnes según patrones de calidad
US11830179B2 (en) Food inspection assisting system, food inspection assisting apparatus and computer program
EP0920620B1 (en) Method and apparatus for using image analysis to determine meat and carcass characteristics
Zhang et al. Non-destructive internal quality assessment of eggs using a synthesis of hyperspectral imaging and multivariate analysis
Li et al. Fast detection and visualization of early decay in citrus using Vis-NIR hyperspectral imaging
ES2928897T3 (es) Método y software para analizar el crecimiento microbiano
US5793879A (en) Image analysis for meat
US20180340962A1 (en) Apparatus and method for diagnosing electric power equipment using thermal imaging camera
US20070165939A1 (en) Reduction of false alarms in pcb inspection
Zhang et al. Computer vision recognition of stem and calyx in apples using near-infrared linear-array structured light and 3D reconstruction
WO2019151393A1 (ja) 食品検査システム、食品検査プログラム、食品検査方法および食品生産方法
JP6765036B2 (ja) 外観検査装置と外観検査方法
JP6790160B2 (ja) インテリジェントマシンのネットワーク
JP2006322774A (ja) 木材の節探査方法及び装置及びプログラム
US8577150B2 (en) System and method for removing specularity from an image
CN111239142A (zh) 膏体外观缺陷检测设备及方法
Russ Image analysis of foods
Chen et al. A practical solution for ripe tomato recognition and localisation
KR102037560B1 (ko) 곡립 외관 측정 장치
CN112634274B (zh) 一种基于机器视觉的肥育猪肉肉质评价方法及***
JP6715001B2 (ja) 食品検査システム及び食品検査方法
CN110880171A (zh) 一种显示装置的检测方法及电子设备
JP2019203845A (ja) 汚卵検出装置
KR20230139166A (ko) 목재 제품의 불량 검사 방법
CN112686885A (zh) 一种水果表皮缺陷检测方法及***

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 10829612

Country of ref document: EP

Kind code of ref document: A2

NENP Non-entry into the national phase

Ref country code: DE

REEP Request for entry into the european phase

Ref document number: 2010829612

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 2010829612

Country of ref document: EP