BRPI1006077B1 - sistema para analisar uma ou mais propriedades de carne - Google Patents
sistema para analisar uma ou mais propriedades de carne Download PDFInfo
- Publication number
- BRPI1006077B1 BRPI1006077B1 BRPI1006077-4A BRPI1006077A BRPI1006077B1 BR PI1006077 B1 BRPI1006077 B1 BR PI1006077B1 BR PI1006077 A BRPI1006077 A BR PI1006077A BR PI1006077 B1 BRPI1006077 B1 BR PI1006077B1
- Authority
- BR
- Brazil
- Prior art keywords
- image
- fact
- meat
- wavelengths
- analysis
- Prior art date
Links
- 235000013372 meat Nutrition 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 claims abstract description 79
- 238000000701 chemical imaging Methods 0.000 claims abstract description 47
- 238000004458 analytical method Methods 0.000 claims abstract description 40
- 238000010191 image analysis Methods 0.000 claims abstract description 21
- 230000002596 correlated effect Effects 0.000 claims abstract description 9
- 235000015278 beef Nutrition 0.000 claims description 44
- 239000006185 dispersion Substances 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 210000003205 muscle Anatomy 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 108090000623 proteins and genes Proteins 0.000 claims description 9
- 102000004169 proteins and genes Human genes 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000003909 pattern recognition Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims description 2
- 235000020995 raw meat Nutrition 0.000 claims description 2
- 230000001953 sensory effect Effects 0.000 claims description 2
- 230000002730 additional effect Effects 0.000 claims 1
- 230000000087 stabilizing effect Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 30
- 238000003384 imaging method Methods 0.000 abstract description 10
- 238000004590 computer program Methods 0.000 abstract description 2
- 238000011179 visual inspection Methods 0.000 abstract description 2
- 239000013598 vector Substances 0.000 description 20
- 238000001228 spectrum Methods 0.000 description 19
- 230000009467 reduction Effects 0.000 description 11
- 230000009102 absorption Effects 0.000 description 9
- 238000010521 absorption reaction Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 235000013622 meat product Nutrition 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000010238 partial least squares regression Methods 0.000 description 4
- 102000008186 Collagen Human genes 0.000 description 3
- 108010035532 Collagen Proteins 0.000 description 3
- 229910000530 Gallium indium arsenide Inorganic materials 0.000 description 3
- KXNLCSXBJCPWGL-UHFFFAOYSA-N [Ga].[As].[In] Chemical compound [Ga].[As].[In] KXNLCSXBJCPWGL-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 229920001436 collagen Polymers 0.000 description 3
- 238000013501 data transformation Methods 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000001066 destructive effect Effects 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 235000004348 Perilla frutescens Nutrition 0.000 description 2
- 244000124853 Perilla frutescens Species 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000004071 biological effect Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010411 cooking Methods 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 235000013861 fat-free Nutrition 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007918 intramuscular administration Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 239000003973 paint Substances 0.000 description 2
- 235000015277 pork Nutrition 0.000 description 2
- 238000012628 principal component regression Methods 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 230000017854 proteolysis Effects 0.000 description 2
- 210000002235 sarcomere Anatomy 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 108010070551 Meat Proteins Proteins 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 208000032107 Rigor Mortis Diseases 0.000 description 1
- 102000004987 Troponin T Human genes 0.000 description 1
- 108090001108 Troponin T Proteins 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 235000009120 camo Nutrition 0.000 description 1
- 244000213578 camo Species 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011550 data transformation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000004579 marble Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004118 muscle contraction Effects 0.000 description 1
- 210000003365 myofibril Anatomy 0.000 description 1
- 210000001087 myotubule Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000003307 slaughter Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000010257 thawing Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 238000009461 vacuum packaging Methods 0.000 description 1
- 230000004382 visual function Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/02—Details
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/02—Details
- G01J3/0262—Constructional arrangements for removing stray light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/02—Details
- G01J3/0291—Housings; Spectrometer accessories; Spatial arrangement of elements, e.g. folded path arrangements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2803—Investigating the spectrum using photoelectric array detector
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2823—Imaging spectrometer
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/42—Absorption spectrometry; Double beam spectrometry; Flicker spectrometry; Reflection spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Food Science & Technology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
SISTEMA E MÉTODO PARA ANALISAR AS PROPRIEDADES DE CARNES USANDO IMAGEAMENTO MULTIESPECTRAL. A presente invenção refere-se a um sistema e método para obter imagens multiespectrais de carne fresca em bandas de comprimento de onda predeterminadas em uma primeira vez, submeter as imagens à análise em um sistema de análise de imagem compreendendo um programa de computação para executar tal análise, e produzir uma previsão de maciez da carne em um ponto de tempo posterior. Bandas de comprimentos de onda fundamentais predeterminadas são pré- correlatadas com um grau alto de predição de maciez da carne e/ou outras propriedades da carne e são usadas no sistema e método multiespectrais. Um sistema e método para determinar os comprimentos de onda fundamentais são também descritos. O sistema e o método de imageamento multiespectral são adequados para o uso em um cenário industrial, tal como uma fábrica de processamento de carne. O sistema e o método são úteis em um método para determinar a qualidade e tipos de rendimento no, ou próximo do, tempo de imageamento em vez de inspeção visual com o olho humano sem ajuda, aumentando a eficiência e objetividade.
Description
[0001] Este pedido de patente reivindica o benefício do Pedido Provisório dos Estados Unidos 61/143.783, depositado em 10 de janeiro de 2009.
[0002] Não aplicável.
[0003] A presente invenção refere-se ao campo do processamento, análise, e classificação de carnes.
[0004] Processamento, análise e classificação de carnes são importantes de modo que os consumidores possam obter produtos de carne de qualidade para o consumo e sejam providos com informação acerca da carne no ponto de compra. Os Estados Unidos são grandes produtores de carne bovina, carne suína e outras carnes. Na indústria de carne bovina dos Estados Unidos, padrões de classificação da carne bovina foram desenvolvidos pelo United States Department of Agriculture (USDA) para classificar as carcaças em classes de qualidade e de rendimento. A maciez da carne bovina é um atributo de qualidade importante associado à satisfação do consumidor. Presentemente, o sistema de classificação do USDA é incapaz de incorporar uma medida direta de maciez porque não há nenhum método preciso, rápido, não destrutivo para predizer maciez disponível para a indústria de carne bovina. Desse modo, as carcaças de carne bovina não são estimadas com base na maciez real, criando uma falta de incentivos para os produtores proverem um produto macio. Problemas similares estão presentes com respeito à carne suína e outros produtos de carne.
[0005] Sistemas de análise de imagem de vídeo foram relatados como úteis para prognosticar as classes de carne bovina. Um sistema de espectroscopia perto do infravermelho para predizer a maciez da carne bovina foi também relatado; porém, a indústria de carne bovina não adotou esta tecnologia devido às suas limitações tecnológicas e baixa precisão. Categorização dos cortes de carne por maciez intensificaria as oportunidades econômicas para os produtores e processadores de gado e outros animais de fazenda melhorando a avaliação da qualidade do produto de carne bovina para satisfazer as expectativas do consumidor. Também, ajudaria para a indústria de carne bovina norte-americana manter ou expandir seu mercado em face à competi-ção crescente de outras fontes de proteína. Rotulando fatores de qualidade precisos na embalagem de cortes de varejo agregaria valor aos produtos e beneficiaria os consumidores.
[0006] Figura 1 é uma vista ambiental de um operador utilizando uma câmera de aquisição de imagem multiespectral para obter uma imagem de uma porção de uma carcaça de carne bovina.
[0007] Figura 2 descreve os componentes de um sistema de ima- geamento multiespectral.
[0008] Figura 3 descreve uma representação de uma banda de comprimento de onda, tal como empregada no sistema de aquisição de imageamento multiespectral.
[0009] Figura 4 descreve uma câmera de aquisição de imagem esquemática de imagem exemplar e partes dos componentes dos mesmos.
[00010] Figura 5 é um fluxograma que descreve as etapas de computação do sistema de análise de imagem.
[00011] Figura 6 é um fluxograma que representa um processo para predeterminar as bandas de comprimento de onda para o uso em um sistema de imageamento multiespectral.
[00012] Figura 7 e figura 8 são gráficos que representam comprimentos de onda vs. coeficientes e descrevendo os vetores de carga (Eigen) da regressão parcial dos quadrados mínimos (PLSR) para comprimentos de onda perto do infravermelho.
[00013] Figura 9 é um gráfico que representa comprimentos de onda vs. coeficientes e descrevendo vetores de carga (Eigen) da faixa Visível/perto do Infravermelho para imageamento multiespectral.
[00014] Um sistema e método são descritos para não destrutivamente analisar a carne fresca em um tempo (to) por meio dos quais uma previsão da maciez e/ou de outras propriedades da dita carne em um tempo posterior (ti) é obtida. Tempo (to) é um tempo ocorrendo pos mortem após rigor mortis estiver completo. Tempo (ti) é um tempo posterior que (to), o tempo ou data quando é sabido ou estimado que a carne estará primeiro disponível a um consumidor para preparação por cozimento. A previsão fornece informação acerca do produto de carne fresca com bastante antecedência de tempo (ti) cujos dados e experiência revelados pode ser 14 dias ou mais da data de abate. Maciez em geral aumenta de (to) para (ti), mas até agora não houve nenhum sistema ou método eficiente, rápido para prever a natureza do aumento na maciez. Uma vez que a maciez e/ou outros atributos desejáveis do produto de carne fresca têm valor para os consumidores, empregando o sistema e método da invenção para obter a previsão da maciez e/ou outros atributos desejáveis, darão aos produtores de carne informação antecipada sobre o valor do produto de carne fresca no comércio. Isto permitirá aos produtores estimar e posicionar os produtos apropriadamente.
[00015] O sistema e método podem também ser usados para determinar informação acerca da dita carne em tempo (to) de uma maneira rápida e objetiva.
[00016] O sistema e método compreendem um sistema de imagea- mento multiespectral que coleta imagens em bandas de comprimentos de onda fundamentais predeterminadas da carne crua. O sistema de imageamento multiespectral compreende um meio de aquisição de imagem tal como uma câmera especializada que captura imagens de uma porção de carne no tempo (to), um computador programado para receber as ditas imagens, extrair os dados das ditas imagens, e executar computações nos ditos dados, as ditas computações resultando na saída da dita previsão sobre as propriedades da carne sendo analisada no tempo (to) durante o tempo de previsão (ti). Preferivelmente, o dito sistema de imageamento multiespectral ainda compreende um meio de saída para o qual o dito computador dá saída ou exibe os resultados das computações em uma forma compreensível a um ser humano em necessidade de tais dados. O computador pode opcionalmente estar em comunicação com um meio de arquivos tal como uma base de dados que pode armazenar dados de imagem e previsões.
[00017] A previsão compreende uma predição da maciez e/ou outras propriedades da carne de um espécime selecionado de carne, tal como uma porção de um lado da carne bovina que convencionalmente sofre análise limitada através de inspeção visual. Embora o sistema e método possam ser úteis em vários cenários, é particularmente útil para a indústria de processamento de carne. Em uma modalidade preferida, o sistema e método são empregados em uma linha de produção de fábrica de processamento de carne (operação "em linha") ao mesmo tempo, quase subsequente, ou no lugar de outras avaliações habitualmente empregadas voluntariamente ou designadas por lei.
[00018] O sistema e método são também úteis em outros cenários onde a carne é processada, abatida ou acondicionada. Tais operações podem ser altamente automatizadas e o sistema de imageamento mul- tiespectral pode ser adaptado para participação em um processo automatizado. Por exemplo, a câmera pode ser montada em uma estante, enquanto os cortes dos bifes em uma correia de transporte movem- se para uma posição que permitirá a câmera adquirir uma imagem multiespectral de cada bife. Um computador em relação comunicativa com a câmera recebe as ditas imagens, extrai os dados, executa as computações, e dá saída a uma previsão da maciez e/ou de outras propriedades de cada bife.
[00019] Outro cenário para implementação do sistema e método da invenção pode ser por comerciantes e vendedores de carne. Por exemplo, unidades de mão com computadores integrados poderiam ser usadas pelas lojas de varejo, restaurantes, e até mesmo pelos consumidores para os ajudar a tomar as decisões acerca das qualidades de um produto de carne.
[00020] Agora referindo à figura 1 e figura 2 que ilustram o uso do sistema e método em uma fábrica de processamento de carne convencional, um operador é mostrado colocando a câmera em uma porção do bife ancho de um lado de carne bovina. Esta porção é habitualmente usada para classificar as avaliações em um cenário industrial em linha. Alternativamente, a câmera pode ser montada em um retentor e a câmera operada remota ou automaticamente em uma facilidade de processamento de carne industrial.
[00021] O sistema e método da invenção podem fornecer várias características da amostra de carne, mas é especialmente vantajoso para predição da maciez da carne uma vez que é uma técnica não destrutiva segura que pode ser empregada para predição rápida e precisa da maciez da carne, particularmente no cenário de processamento de carne (em linha).
[00022] A maciez da carne é complexa e é influenciada diretamente por uma ampla variedade de traços bioquímicos que podem ser amplamente descritos como miofibrilares em natureza (associados às propriedades da miofibrila - o componente estrutural e contrátil do músculo), tecido conjuntivo na natureza (associado primariamente ao conteúdo e propriedades do colágeno), e lipídio na natureza (predominantemente associado ao conteúdo de gordura intramuscular). Propriedades bioquímicas incluem, entre outros, pH muscular (uma indicação de acidez do músculo), comprimento dos sarcômeros (uma indicação do grau de contração muscular), capacidade de retenção de água (uma medida da habilidade da carne reter seu conteúdo de umidade inerente), uma medida de proteólise muscular (por exemplo, degradação de troponina-T, uma proteína músculo-específica - uma indicação da fragilidade da fibra muscular), composição (conteúdo de gordura, umidade, proteína e cinza), e conteúdo de colágeno solúvel, insolúvel, e total. Uma combinação destas características, e outras, influencia a maciez da carne, como medida mecanicamente de modo destrutivo (por exemplo, usando um aparelho de cisalhamento Warner-Bratzler ou força de cisalhamento da lâmina) ou por panelistas treinados ao gosto.
[00023] O sistema e método de imageamento multiespectral descritos aqui representam uma melhoria no imageamento hiperespectral para predizer a maciez da carne, particularmente com respeito à implementação em linha uma vez que fornece rapidez aumentada de aquisição e análise das imagens e dados suficientes que podem ser transformados pelo sistema para uma previsão da maciez da carne em um tempo (ti) como também propriedades da carne no tempo (to). A saída do sistema e método pode ser feita rapidamente conhecida no sítio de análise. Imageamento hiperespectral para determinar as propriedades materiais das carnes e outros tecidos foi descrito na Publicação do Pedido de Patente U.S. 20080199080, depositado em 21 de fevereiro de 2008 como Número de série 035080 e é aqui incorporado por referência como se exposto em sua totalidade. O imageamento hiperespectral coleta as imagens em geral mais de cerca de vinte cinco bandas de comprimento de onda e o mais frequentemente centenas de bandas de comprimento de onda de uma maneira contígua. Em uma imagem hiperespectral, cada banda de comprimento de onda sobrepõe usualmente à direita com outra banda de comprimento de onda e à esquerda desta no espectro. Por causa da sobreposição, a imagem hiperespectral adquire dados de todos os comprimentos de onda, até mesmo se os comprimentos de onda estiverem 5 nm distantes um do outro. Isto significa que os comprimentos de onda são "contíguos". Por exemplo, uma imagem hiperespectral pode consistir em 101 bandas de comprimento de onda cobrindo 400-900 nm em intervalos de 5 nm. Isto em geral só requer cerca de 5-10 segundos para adquirir uma imagem hiperespectral. Uma imagem hiperespectral contém uma quantidade grande de dados que tende a ser redundante. Publicação do Pedido de Patente U. S. 20080199080 descreve a aquisição de imagens hiperespectral como também uma técnica de redução de dimensionalidade para reduzir informação redundante. Para obter informação de uma amostra de carne, o processamento das imagens e o tempo de análise dos dados das imagens hiperespectrais poderiam levar 10 minutos. Embora a informação transmitida seja útil, o tempo requerido pode ser cerca de 150 vezes mais longo que desejado em um cenário industrial e o tempo e processamento podem agregar mais despesa que é desejado.
[00024] Colher as imagens em centenas de bandas de comprimento de onda e processar a informação como pode ser requerido com imageamento hiperespectral poderiam ser um fator limitativo na implementação do método em um cenário industrial. O sistema de imageamento multiespectral aqui descrito é de custo compensador e signi- ficativamente reduz a aquisição de imagem e tempos de processamento em comparação com o imageamento hiperespectral, porque o imageamento multiespectral adquire apenas as bandas de comprimentos de onda fundamentais (menos de 25 bandas de comprimento de onda) em vez de coletar as centenas de bandas de comprimento de onda no caso de imageamento hiperespectral. Como as bandas de comprimentos de onda fundamentais multiespectrais contêm informação menos redundante, não há nenhuma necessidade de uma etapa de redução da dimensionalidade ao analisar os dados de imagem multiespectral e, portanto, a análise de imagem multiespectral é mais rápida que a análise de imagem hiperespectral. Imageamento multiespectral pode ser eficientemente implementado em linha em instalações industriais de processamento de carne. Na modalidade preferida, o sistema de aquisição de imagem multiespectral para avaliação da maciez da carne bovina é bastante rápido para manter o ritmo de uma velocidade na qual uma carcaça de carne bovina move-se em uma linha de produção e assim a habilidade a ser implementada no proces-samento de carne em linha. Também, os custos são inferiores e a ca- libração e a otimização dos sistemas de imageamento multiespectral são mais fáceis que as do imageamento hiperespectral por causa do menor número de bandas de comprimento de onda.
[00025] Imageamento multiespectral envolve capturar imagens apenas em algumas bandas de comprimentos de onda fundamentais. Uma "imagem" consiste em uma ou mais bandas de comprimento de onda. Uma imagem em escala de cinzas consiste em 1 banda de comprimento de onda, uma imagem multiespectral tem menos que ou igual a 25 bandas de comprimento de onda (não necessariamente bandas de comprimento de onda contínuas/sequenciais) e uma imagem hiperespectral tem mais que 25 bandas de comprimento de onda, frequentemente mais que 100 bandas de comprimento de onda (usu-almente contíguas ao longo do espectro de comprimento de onda).
[00026] Uma "banda de comprimento de onda" inclui uma faixa de comprimentos de onda. Desse modo uma banda de comprimento de onda é centrada em um comprimento de onda específico (Ào) e tem uma certa largura de banda (AÀ). Figura 3 ilustra uma banda de comprimento de onda centrada em um comprimento de onda e uma largura de banda exemplares. Por exemplo, se Ào = 420 nm, e a largura de banda fosse AÀ = 20 nm, a pesagem total (P=1) seria em 420 nm e a metade da pesagem (P=0,5) em 410 nm e 430 nm.
[00027] "Comprimento de onda" refere-se à localização da banda no espectro de luz eletromagnético. Por exemplo, o espectro de luz visível é 400-700 nm. O espectro visível/perto do infravermelho (VNIR) é 400- 1000 nm e o espectro perto do infravermelho (NIR) é 900-2500 nm.
[00028] Aqui são descritos um método e um sistema para identificar comprimentos de onda fundamentais de imagens hiperespectrais de modo que estas bandas de comprimentos de onda fundamentais possam ser predeterminadas para o uso no sistema e método de imageamento multiespectral. Adquirindo menos imagens em comprimentos de onda fundamentais que são de interesse no prognóstico da maciez da carne e/ou outras propriedades, aquisição de imagens e tempos de análise são consideravelmente reduzidos, tornando possível, portanto, implementação comercial de um sistema e método de imageamento multiespectral para predição da maciez da carne e/ou outras propriedades da carne.
[00029] Em imageamento multiespectral de carne, até cerca de 25 bandas de comprimento de onda são empregadas na etapa de aquisição das imagens. Como declarado acima, as bandas de comprimento de onda são predeterminadas de modo que informação relevante acerca da substância que é analisada é obtida. As bandas de comprimento de onda predeterminadas não necessitam ser regularmente es- paçadas ou contíguas; de preferência, elas são selecionadas de acordo com a correlação com propriedades de carne de interesse. Embora até cerca de 25 bandas de comprimento de onda possam ser utilizadas, prefere-se que tão poucas bandas de comprimento de onda quanto necessitado para fornecer a previsão desejada sejam usadas. Portanto, apesar de a faixa de bandas de comprimento de onda seja de cerca de 1 até cerca de 25, mais preferivelmente a faixa usada é de 2 a 12 ou de 4 a 8. Alternativamente, as bandas de comprimentos de onda fundamentais podem ser empregadas por sua associação predeterminada com características particulares. Por exemplo, pelo menos umas bandas de comprimentos de onda fundamentais correlatadas com características de gordura e pelo menos umas bandas de comprimentos de onda fundamentais correlatadas com características de proteína da carne poderíam ser empregadas. Como ainda outra opção, as bandas de comprimento de onda associadas às outras características biológicas de interesse podem ser utilizadas. O sistema e método para determinar o valor das bandas de comprimento de onda prede-terminadas são descritos aqui, infra.
[00030] O sistema de imageamento multiespectral pode ser adaptado para a análise de qualquer tipo de carne ou tecido para os quais as características podem ser correlatadas com a informação do imageamento. Uma das características que são de tremenda importância para a indústria de carne é a maciez; porém outras características (algumas destas estão relacionadas à maciez e algumas não) podem também ser previstas com o sistema multiespectral e método da invenção. Tais características incluem, inter alia, sabor, aroma, suculência, capacidade de retenção de água, conteúdo de umidade, conteúdo de cinza, conteúdo de gordura, conteúdo de proteína, pH, comprimen- to dos sarcômeros, conteúdo de colágeno, e grau de proteólise (por exemplo, degradação da troponina T ou degradação de outras proteínas) e combinações das mesmas.
[00031] O sistema de imageamento multiespectral é eficaz para melhorar o processamento da carne bovina porque pode prever características da carne em um tempo posterior (ti) e pode também rapidamente fornecer os fatores de classificação da qualidade e do tipo de rendimento. Além disso, pode aumentar a velocidade de obter a informação de classificação e rendimento quando comparado aos métodos convencionais.
[00032] Referindo à figura 2, em uma localização de produção industrial, carcaças de carne bovina são divididas nos lados (210), e os lados pendurados em uma corrente (200) que pode mover os lados para dentro de uma área refrigerada e por meio das etapas ou linha de processamento de carne. O processo é referido como processamento "em linha". A corrente (200) move a uma taxa de cinco a nove (5-9) segundos/lado. Em um sistema de processamento convencional, o trabalhador (não mostrado) proverá nervuras em cada lado de modo que quando os lados alcançarem uma localização onde a classificação convencional ocorre (de acordo com os protocolos do United States Department of Agriculture), os lados são apresentados em uma condi-ção nervurada. Quando o lado for nervurado, um bife ancho (212) ficará exposto e isto é preferivelmente utilizado para imageamento. Figurai e figura 2 ilustram vários lados da carne bovina em uma linha passando por um operador. No sistema e método para imageamento multiespectral, é mais preferido selecionar uma localização para aquisição de imagem ao longo do processo de produção, em cuja localização um lado chegará em uma condição nervurada.
[00033] À medida que os lados se movem na corrente (200), eles não estão perfeitamente estacionários em qualquer ponto no tempo. Idealmente, o lado (210) e a câmera (100) são ambos estacionários. O operador (230) coloca a câmera (100) no bife ancho exposto (212) e adquire a imagem ao mesmo tempo retendo a câmera (100) imóvel (sem movimento relativo) em relação ao bife ancho (212). Porém, praticamente quando o sistema e método forem empregados em uma fábrica de processamento de carne convencional, a linha dos lados permaneceria movendo na corrente (200). Em tal caso, as medidas são tiradas para assegurar que quando cada imagem for adquirida, movimento relativo da câmera com respeito ao bife ancho é eliminado. Para adquirir a imagem multiespectral, uma câmera pode ser prendida temporariamente à carne, enquanto a imagem é adquirida, através de um meio de prendimento mecânico, ou alternativamente o lado pode ser parado com um meio de prendimento mecânico durante um tempo breve, mas suficiente para permitir adquirir a imagem com o bife ancho permanecendo estacionário com relação à câmera.
[00034] A câmera pode ser prendida temporariamente ao bife ancho com um meio de prendimento mecânico que retêm a câmera (que é também preferivelmente presa em um meio de suporte da câmera (222) - aqui mostrado como um cabo preso à câmera (100) na conexão (224) e é também conectado à estrutura de suporte suspensa (220)). É preferido que o meio de suporte da câmera tenha funcionalidade retrátil de modo que a câmera possa ser puxada para baixo pelo operador quando necessário e retraída para cima quando não necessário. Outros tipos de suportes de câmera podem também ser usados. Tendo um suporte para a câmera para carregar o peso da câmera na redondeza da área de aquisição de imagem manterá a câmera perto quando não em uso e ajudará o operador a carregar o peso da câmera quando estiver em uso. Em uma modalidade, um operador pode colocar e prender a câmera (100) ao bife ancho com um meio de prendi- mento mecânico, depois atuar o disparador da câmera. Uma vez que todas as bandas são adquiridas, o meio de aperto mecânico é preferivelmente liberado automaticamente. O meio de suporte da câmera pode depois retornar a câmera de volta para o operador, ou o operador pode agarrar a câmera de sua posição um pouco mais acima da linha, e o operador pode depois prender a câmera ao bife ancho do próximo lado ser analisado.
[00035] Alternativamente, o avanço do lado na corrente (200) pode ser parado com um meio de prendimento mecânico que reterá o lado estacionário com relação à câmera enquanto a imagem é garantida. Em um processo automatizado, a linha pode ser projetada com técnicas conhecidas da técnica para prover uma obstrução da linha para permitir que a imagem seja tirada.
[00036] Em ainda outra variação, uma câmera que pode tirar a imagem multiespectral enquanto a carcaça está em movimento pode ser usada se disponível.
[00037] Antes de usar o imageamento multiespectral para obter os dados da carne em um cenário industrial, várias bandas de comprimentos de onda fundamentais teriam sido predeterminadas. Um sistema e método para predeterminar estas bandas de comprimentos de onda fundamentais são descritos aqui infra. Imagens da carne são adquiridas nestas bandas de comprimentos de onda fundamentais predeterminadas. Em uma modalidade preferida, um sistema de aquisição de imagem obtém as imagens apenas nas bandas de comprimentos de onda fundamentais pré-selecionadas para uma amostra de carne particular.
[00038] Em uma modalidade alternativa, um sistema de aquisição de imagem multiespectral compreende um kit que pode ser fornecido para um cliente, tal como uma fábrica de processamento de carne. O kit compreende informação sobre quais bandas de comprimentos de onda fundamentais que o cliente deveria usar em um método de previsão de análise ou maciez da carne. O kit pode ser personalizado para o cliente de modo que uma previsão ou determinação dos parâmetros específicos de interesse seja fornecida. O kit pode ainda compreender um sistema de aquisição de imagem e um sistema de análise de imagem. O kit pode ainda compreender um módulo de exibição que produz as propriedades determinadas da carne. Alternadamente, as ima-gens adquiridas podem ser colhidas e eletronicamente armazenadas. As imagens eletronicamente armazenadas podem ser analisadas em um sistema de análise de imagem localizado remotamente do sistema de aquisição de imagem.
[00039] Imagens são adquiridas usando um sistema de aquisição de imagem que é preferivelmente adaptado para aquisição das imagens multiespectrais apenas para bandas de comprimentos de onda fundamentais que são de interesse. O sistema de aquisição de imagem compreende uma câmera, uma unidade de dispersão de comprimento de onda, uma lente, um compartimento e luzes para iluminar o objeto para a aquisição de imagem. Componentes de um sistema de aquisição de imagem preferível estão comercialmente disponíveis, mas um sistema de aquisição de imagem mais preferido é especialmente adaptado para adquirir imagens multiespectrais de carne.
[00040] Figura 4 ilustra um sistema de aquisição de imagem esquemático exemplar. O sistema de aquisição de imagem exemplar compreende um compartimento, uma câmera, uma unidade de dispersão de comprimento de onda para seleção das bandas de comprimentos de onda fundamentais, um meio de iluminação (luzes), e uma alça para reter o dispositivo por um usuário.
[00041] A posição da câmera e tipo (comprimento focal) da lente determinam a distância da câmera do objeto a ser corretamente focalizado e para obter uma imagem com um campo-de-visão desejado (FOV). O compartimento da câmera de aquisição de imagem pode ser adaptado para prover uma distância pré-selecionada entre a câmera e o objeto e uma área para aquisição de imagem de um tamanho predeterminado. Por exemplo, para uma área de imageamento de 12,7 cm por 17,8 cm (5 polegadas por 7 polegadas)), foi constatada uma distância de cerca de 55,4 cm (21,8 polegadas) ser apropriada para uma lente de comprimento focal de 25 mm (lente Hyperspectral CoastalOpt, JENOPTIK Optical Systems, Jupiter, FL). O compartimento e lente não deveriam atenuar a luz espectralmente refletida do bife ancho ou objeto. O compartimento deve ainda compreender alvos de calibração, de modo que os alvos de calibração e a carne imageada estão simultaneamente no mesmo FOV em cada e toda imagem multiespectral.
[00042] O componente da câmera tem uma lente através da qual os sinais refletidos de um objeto passam para um arranjo bidimensional dos sensores (também conhecidos como ‘arranjo plano focal (FPA)') localizados internamente na câmera. Um sensor é um detector que pode quantificar a quantidade de fótons de luz. Com base no tipo de sensor, pode-se quantificar a luz em várias regiões eletromagnéticas. Por exemplo, um sensor do dispositivo acoplado à carga (CCD) é sensível na região de 400-1000 nm. Um sensor de índio-gálio-arsenieto (InGaAs) é sensível na região de 900-1700 nm ou 1700-2500 nm, dependendo de como o sensor foi tratado e revestido. Uma câmera InGaAs exemplar apropriada para o uso no sistema e método da invenção é o Modelo: XEVA-USB-LIN-k1.7-256-TE1 (XenICs, Bélgica). Uma câmera preferida compreende um sensor que deveria poder sentir sinais de todas as bandas de comprimentos de onda fundamentais. Se os comprimentos de onda fundamentais cobrirem ambas regiões VNIR e NIR, então duas câmeras são requeridas. Um espelho óptico poderia ser usado para dividir o sinal refletido e duas câmeras poderiam ima- gear o objeto (bife) simultaneamente em duas regiões, a saber, VNIR e NIR.
[00043] A lente do sistema de aquisição de imagem é preferivelmente uma lente cromaticamente corrigida. Tipicamente, o foco de uma lente da câmera padrão altera com o comprimento de onda do filtro de passagem de banda empregado. Por conseguinte, uma banda de comprimento de onda poderia ser bem focalizada, enquanto outra banda de comprimento de onda poderia ser fora-de-foco, levando à informação sobre a textura da imagem a ser comprometida ou perdida. Lentes cromaticamente corrigidas são lentes especialmente projetadas que corrigem o foco para uma região de banda de comprimento de onda inteira e, portanto, devem ser preferivelmente usadas no sistema da invenção. Uma lente cromaticamente corrigida exemplar na faixa de comprimento de onda de 400-1700 nm apropriada para o uso no sistema e método da invenção é lente Hyperspectral CoastalOpt (JE- NOPTIK Optical Systems, Jupiter, FL).
[00044] O sistema de aquisição de imagem ainda compreende um meio de iluminação que emite luz sobre o objeto (carne) a ser imagea- do. Imageamento pode ser feito em modo de reflexão ou modo de transmissão. No sistema e método descritos aqui, o modo de refletân- cia é preferivelmente utilizado, significando que a luz refletida emitida sobre o objetivo pelo meio de iluminação é imageada. Em algumas outras aplicações, por exemplo, caracterizando outro tipo de tecidos, modo de transmitância das imagens pode ser usado. A aquisição da imagem e os componentes e métodos de análise podem ser adaptados consequentemente.
[00045] A iluminação requerida é equivalente a aproximadamente duas lâmpadas de bulbo de EZK 12 volt, 150 watt. Uma fonte de alimentação DC ou conversor podem ser usados para converter AC 110 V para DC 12 V. Em uma modalidade preferida, uma fonte de alimentação DC é usada, porque a luz emitida de uma fonte de alimentação DC é mais estável que uma fonte de alimentação AC. O meio de iluminação tem que fornecer luz nas bandas de comprimentos de onda fundamentais identificadas para uma aplicação particular. Em uma modalidade, uma fonte luminosa de banda ampla tal como uma lâmpada de tungstênio-halogênio pode servir como o meio de iluminação. Preferiu-se ter intensidade de saída de luz igual para todos os comprimentos de onda fundamentais. Se necessário, mais de um tipo de fonte luminosa pode ser usado.
[00046] O meio de iluminação pode ser prendido à dita câmera. Preferivelmente, isto pode ser empregado como uma luz anelar circundando a lente da câmera onde iluminará o objeto analisado.
[00047] Em uma modalidade alternativa, o meio de iluminação não é preso à câmera ou um meio de iluminação suplementar é empregado. O meio de iluminação pode compreender um sistema de iluminação difusa que faz com que luz difusa uniforme seja aplicada no objeto. Por exemplo, luzes podem ser fornecidas nos lados do objeto, tipicamente no mesmo nível da superfície que a superfície do bife ancho. Uma cúpula semiesférica é colocada acima do objeto. Preferivelmente, a cúpula é pintada com 99% de tinta branca padrão óptica refletiva. A luz dos bulbos refletirá a cúpula branca que por sua vez fará com que luz difusa uniforme seja aplicada no objeto.
[00048] Em outra modalidade, a iluminação pode ser fornecida por diodos emissores de luz (LED). A saída espectral das ditas luzes do LED deve ser selecionada para corresponder às bandas de comprimento de onda predeterminado. Uma tampa de iluminação (o compartimento para a iluminação) pode ser pintada com pintura refletiva branca. A tampa de iluminação também serve como meio para manter uma certa distância do objeto da lente. Também, ela aloja (protege) a ilumi- nação, a lente, e talvez até mesmo a câmera. A tampa de iluminação pode também conter uma placa branca, uma placa cinza, e uma placa preta nas bordas do campo-de-visão. Isto fornecerá aquisição da imagem e alvos de calibração em cada e toda imagem, desse modo permitindo calibração precisa da imagem multiespectral.
[00049] O sistema de aquisição de imagem ainda compreende uma unidade de dispersão de comprimento de onda que divide a luz em vários componentes de luz com base em seu comprimento de onda. A unidade de dispersão de comprimento de onda pode ser selecionada de um espectrógrafo, um conjunto de filtros de passagem de banda, um sistema de LCTF (filtro ajustável de cristal líquido), um sistema de AOTF (filtro ajustável acústico-ótico) ou qualquer outro sistema que forneça a função desejada.
[00050] Um espectrógrafo é uma versão sofisticada de um prisma. Um prisma pode dividir uma luz branca em um arco-íris de cores. Similarmente, um espectrógrafo pode dividir a luz em várias bandas de comprimento de onda de uma maneira contígua. Desse modo, é co- mumente usado em imageamento hiperespectral. No caso de imageamento multiespectral, pode ser usado um espectrógrafo se a câmera puder ser programada para parcialmente transferir os quadros - significando que apenas algumas bandas de comprimento de onda específicas são transferidas para o computador no componente de análise de imagem do sistema. Neste caso, a câmera ainda adquirirá a faixa de comprimento de onda completa similar ao imageamento hiperespectral. Porém, a câmera transfere apenas parte do quadro (apenas algumas bandas de comprimentos de onda fundamentais) para o computador. O tempo de aquisição da imagem é parcialmente reduzido porque não está transferindo todas as bandas. O tempo de análise da imagem é consideravelmente reduzido, como apenas algumas bandas de comprimentos de onda fundamentais são analisadas.
[00051] Preferivelmente, um "filtro passa-faixa" é empregado como a unidade de dispersão de comprimento de onda usada junto com a câmera para filtrar apenas uma banda de comprimento de onda específica e rejeitar outras bandas de comprimento de onda. Pondo um filtro passa-faixa em frente a uma lente da câmera, coleta-se a imagem apenas naquela banda de comprimento de onda. Tendo uma série de filtros passa-faixa que podem ser alterados rapidamente, pode-se adquirir imagens em uma série de bandas de comprimento de onda que juntas constituirão uma imagem multiespectral. Os filtros podem ser colocados em uma roda e giraram mecanicamente de modo rápido em sucessão em frente à lente da câmera após cada banda de compri-mento de onda ser adquirida.
[00052] Mais preferivelmente, o sistema de dispersão de comprimento de onda compreende um filtro ajustável de cristal líquido (LCTF). Um LCTF emprega elementos de cristal líquido eletricamente controlados para selecionar um comprimento de onda específico de luz para transmissão por meio do filtro na exclusão de todos os outros.
[00053] Mais preferivelmente, o sistema de dispersão de comprimento de onda é um sistema de AOTF. Sistemas de AOTF consistem em um cristal em que as ondas acústicas de radiofrequência (RF) são usadas para separar uma banda de comprimento de onda de luz de uma luz de banda ampla. O comprimento de onda de luz selecionado é uma função da frequência da RF aplicada ao cristal. Desse modo, variando a frequência, o comprimento de onda da luz filtrada pode ser variado.
[00054] Quando o número de bandas de comprimentos de onda fundamentais for de dois a quatro, o sistema de imageamento multiespectral pode ser implementado usando um divisor de feixe com múltiplos formadores de imagem ou câmeras. Luz refletida do objeto pode ser dividida em duas trajetórias de luz usando um espelho de divisor de feixe e as duas trajetórias de luz depois passam por dois filtros de passagem de banda diferentes e duas câmeras, resultando na aquisição de duas imagens a duas bandas de comprimento de onda diferentes. A luz dividida pode ser outra divisão.
[00055] Em uma modalidade preferida, o sistema de aquisição de imagem compreende um módulo de imageamento de filtro ajustável acústico-óptico (AOTF), uma unidade de radiofrequência (RF), uma câmera de CCD tendo uma lente cromaticamente corrigida, e um sistema de iluminação prenso à câmera em um anel que circunda a dita lente.
[00056] A cabeça óptica do AOTF preferivelmente fornece uma sensibilidade espectral na região visível-infravermelho próximo (VNIR) variando de 400 nm-1000 nm e tem uma resolução espectral de pelo menos 3,8 nm.
[00057] A unidade de RF fornece um sinal eletrônico ao transdutor de AOTF criando um padrão de classificação que controla quais comprimentos de onda de luz são permitidos passar pelo filtro. Bandas de comprimento de onda pré-selecionadas podem ser programadas na unidade de RF de modo que ela envia o sinal para a unidade de AOTF para adquirir apenas aquelas bandas pré-selecionadas.
[00058] O sistema de aquisição de imagem incorpora meios que fornecem uma distância de funcionamento. Preferivelmente o compartimento do sistema de aquisição de imagem é dimensionado de modo que a câmera fique a uma distância predeterminada do objeto. Isto permite definição do campo-de-visão (FOV) capturado na imagem. É preferível dimensionar o sistema de modo que o FOV inteiro do objeto desejado (por exemplo, um bife ancho, 1,52 x 20,3 cm (6 x 8 polegadas)) possa ser imageado em foco apropriado. Fornecendo um sistema de aquisição de imagem personalizado tendo compartimento de uma dimensão fixa e estrutura adaptada desse modo permite todos estes cenários sejam uniformes de amostra para amostra. O sistema de análise de imagem do sistema e método de imageamento multiespectral da invenção pode utilizar o mesmo algoritmo de processamento de imagens para analisar as imagens.
[00059] O FOV é preferivelmente pelo menos 12,7 cm x 17,8 cm (5 polegadas x 7 polegadas) e mais preferivelmente 15,2 cm por 20,3 cm (6 polegadas por 8 polegadas), que é o tamanho geral de um bife ancho inteiro. O mais preferivelmente, FOV essencialmente reflete o tamanho da amostra inteira. Para algumas previsões ou análise, a área da amostra entra nas computações. Este é o caso, por exemplo, com classificação de carne bovina em que a área do bife ancho é um fator.
[00060] Preferivelmente, o sistema de aquisição de imagem ainda compreende ou pode ser conectado a um meio de monitoramento. O meio de monitoramento pode ser um monitor de exibição, tal como um monitor de computador ou uma tela de televisão, em relação comunicativa com a câmera para exibir as imagens capturadas e detectar qualquer falha no processo. Por exemplo, se um operador agitar a câmera e/ou não colocou a câmera corretamente no espécime, um programa na câmera pode identificar aquelas falhas e alertar o operador exibindo uma advertência no meio de monitoramento. O meio de monitoramento pode também servir para ajudar o operador na colocação apropriada da câmera de modo que o FOV completo para uma função puramente visual possa ser adquirida. Em outra modalidade, o meio de monitoramento pode também ser conectado ao sistema de análise de imagem debatido abaixo.
[00061] Convencionalmente em fábricas de processamento de carne bovina, os lados da carcaça são cortados (nervurados) entre a 12° e 13a costela para expor uma seção transversal do músculo do bife ancho. Um lado da carcaça cortado é mostrado na Figura 1 e Figura 2. Esta superfície cortada representa a superfície de um bife de costela de carne bovina.
[00062] Usando o sistema e método de imageamento multiespectral, as imagens do longissimus dorsi cortado entre a 12° e 13a costela de um lado da carcaça suspensa são obtidas com o sistema de aquisição de imagem. O sistema de aquisição de imagem pode ser montado em um carro móvel ou outros que preferivelmente tem meio para ajuste da altura. Alternativamente, o sistema de aquisição de imagem pode ser instalado em uma estrutura suspensa que permitirá o uso intencionado e colocação. Na Figura2, um operador está utilizando o sistema de aquisição de imagem com um suporte suspenso.
[00063] Tirar as imagens envolve colocar o sistema de aquisição de imagem na amostra, atuando o sistema de aquisição de imagem usando um disparador e retendo-o firme por aproximadamente dois (2) segundos ou menos. O disparador acenderá a luz e enviará um sinal à câmera para adquirir os dados. Em uma modalidade preferida, este disparador também atua um sistema de prendedor mecânico que prenderá o sistema de aquisição de imagem com a carcaça.
[00064] Uma vez a área de costela cortada como descrito acima, a imagem multiespectral pode ser tirada imediatamente. (Em contraste, padrão de classificação e contagens de marmoreamento fornecido por classificadores humanos requerem esperar por aproximadamente 15 minutos para permitir o músculo cortado oxigenar-se, durante aquele tempo a cor do músculo altera de um vermelho roxeado para vermelho vivo. Isto permite tempo para o marmoreamento (gordura intramuscular) ficar visível ao olho humano).
[00065] Desse modo, o sistema multiespectral e métodos descritos aqui eliminam o atraso ou retardam o processamento e fornecem mais informação que podem ser fornecidas por meio de observação com o olho humano. Correntemente, é padrão nos Estados Unidos e alguns outros países prover uma contagem de marmoreamento e para tipo de qualidade de observação com olho humano. Uma imagem multiespectral tirada imediatamente após interface da 12a/13a costela ser exposta pode fornecer estes mesmos fatores de marmoreamento e de classificação objetivamente. Vantagens de custo e de eficiência podem ser percebidas com esta determinação mais rápida e objetiva dos tipos de qualidade de carne bovina.
[00066] Além disso, convencionalmente na hora da classificação da qualidade, os fatores do tipo de rendimento do U. S. Department of Agriculture são também avaliados e um tipo de rendimento é atribuído. Com o uso do sistema e método da invenção, informação obtida da imagem multiespectral (área do músculo do bife ancho, espessura de gordura), acoplada com os dados facilmente obtidos da carcaça (peso da carcaça quente e porcentagem do peso da carcaça como gordura renal, pélvica e cardíaca) pode ser usada para estabelecer o tipo de rendimento apropriado sem a necessidade do retardo.
[00067] O sistema e método da invenção ainda compreendem um sistema de análise ou processamento de imagem, preferivelmente em relação comunicativa com o dito sistema de aquisição de imagem e meio de exibição. Após a imagem multiespectral ser tirada, os dados são transmitidos para o sistema de análise ou processamento de imagem que analisam a mesma para os parâmetros de interesse e transmite as características determinadas da carne.
[00068] O sistema de análise de imagem compreende um computador tendo um processador de computador contendo algoritmos e métodos para analisar a imagem adquirida para executar calibração, seleção da região-de-interesse (ROI), extração da característica textural, e predição da maciez. Em uma modalidade, o computador é externo à câmera e a câmera comunica os dados de imagem ao dito computador que salva os mesmos em seu disco rígido. O programa de processamento de imagens lê a imagem do disco rígido do computador e executa as etapas descritas na figura 5. Em outra modalidade, a câmera contém dados de imagem na "memória de acesso aleatório" (RAM) que é um espaço de memória virtual em um processador integrado. Operações de processamento de imagens são depois feitas na RAM e apenas os resultados serão armazenados no disco rígido. Antes de a próxima imagem ser adquirida, a RAM é limpa e estará pronta para a próxima imagem.
[00069] Figura 5 é um fluxograma que descreve as etapas de processamento de imagens que são realizadas pelo sistema. O sistema de imageamento multiespectral e o sistema do método iniciam em (131) e envolvem a aquisição da imagem (132) como debatido acima. Além das imagens de amostra (132 A), as imagens escuras (B) (poderia ser alvo de calibração escuro no FOV) e as imagens brancas (C) (podería ser o alvo de calibração branco no FOV) são colhidas para propósitos de calibração. Etapa 132 ocorre no componente da câmera do sistema. Os dados da imagem são depois transmitidos para o computador usando um dos meios debatidos em outro lugar aqui, neste documento de patente. O computador processa os dados de imagem recebidos (133) para uma imagem de refletãncia. Em seguida, a imagem de refletância é processada para uma imagem multiespectral calibrada (134). Uma região de interesse (ROI) é selecionada (135) por critério programado no computador que resulta em uma ROI calibrada (136). O programa de computação depois extrai as características texturais da ROI calibrada (137) e os modelos de reconhecimento de padrão programados em um sistema computam uma previsão (previsão de maciez exemplificada) (138). A saída ou resultados (139) podem ser obtidos do computador por meios convencionais de acesso ao relatório de saída gerado ou pode ser exibido em um meio de monitoramento.
[00070] Como declarado, é contemplado que o sistema de análise de imagem estará em relação comunicativa com um meio de monitoramento como debatido acima e pode alojar software que receberá a entrada acerca do processo de aquisição de imagem e alertar o operador no caso de falha.
[00071] O sistema de análise de imagem ainda preferivelmente compreende um cabo de comunicação ou um cabo de comunica- ção/alimentação. Como melhor visto na Figura2, cabo de comunica- ção/alimentação exemplar (120) fornece potência à câmera, unidade de dispersão de comprimento de onda, e sistema de iluminação. Este também pode comunicar os comandos do computador (130) com a unidade de dispersão de comprimento de onda sobre quais bandas de comprimento de onda usar para imagear a amostra. Os dados de imagem colhidos são depois transferidos para o computador através do cabo de comunicação (120). O cabo pode ser atracado em uma estrutura (220) acima da estação de análise para suportar seu peso durante a operação. Os componentes do sistema de aquisição de imagem podem ter um cabo de suporte separado (222).
[00072] O cabo de comunicação que pode ser conectado à câmera (100) e ao computador (130) pode permitir transferência de dados de imagem em tempo real. Alternativamente, os dados de imagem podem ser transferidos para o computador sob atuação do usuário dos comandos necessários. As imagens podem também ser transferidas para o computador através de outros meios conhecidos na técnica tais como transmissão sem fios ou transmissão por Bluetooth™.
[00073] Na modalidade preferida, alvos de calibração (branco e escuro) são imageados na campo-de-visão. Desse modo, cada e toda imagem multiespectral de superfície nervurada da carcaça também conterá as imagens dos alvos de calibração.
[00074] Da imagem, as regiões dos alvos de calibração são separadas por uma operação de limiar simples. Porque a região da placa branca é a mancha mais luminosa na imagem, pode ser facilmente separada. Similarmente, a região da placa escura tem os valores de pixel mais baixos (valores do nível de cinza) na imagem, assim pode também ser facilmente separado. Os valores médios das regiões brancas e escuras são determinados em cada banda de comprimento de onda. Bandas correspondentes na imagem multiespectral são calibradas pelos valores brancos e escuros, como mostrado na equação 1. Calculando a refletância, diferenças devido à iluminação de uma amostra para outra amostra são minimizadas ou eliminadas.Equação 1
[00075] Características texturais têm que ser da área de bife ancho. A área de bife ancho é irregular e quase oval na forma. Porém, alguns dos algoritmos da análise textural da imagem requerem que a imagem seja quadrada ou retangular. Portanto, uma Região-de-interesse (ROI) ao redor do centro da imagem é selecionada. O tamanho da ROI é selecionado em um tal modo que a ROI se ajusta dentro da área de bife ancho. Deveria ser observado que, se a imagem for adquirida de modo que o campo-de-visão inteiro ocupe a área de bife ancho, então esta etapa não é necessária. Em outras palavras, o FOV inteiro é a ROI.
[00076] Características texturais podem ser diretamente destas bandas e modelos estatísticos tais como análise discriminante pode classificar a carcaça com base na maciez ou outras propriedades selecionadas.
[00077] Características texturais podem ser extraídas de cada banda em uma imagem multiespectral usando o método de matrizes de coocorrência do nível do nível de cinza espacial (GLCM). O algoritmo de GLCM cria uma imagem de coocorrência com base nas frequências relativas (valores do nível de cinza da imagem de coocorrência) com o que um pixel do nível cinza ‘i’ ocorre com um pixel vizinho do nível cinza ‘j’ separado por uma distância relativa ‘d’ e um ângulo dado ‘θ’. As anotações T e ‘j’ denotam os valores do nível de cinza da imagem original e eles variam de 0 a 2n-1 (‘n’ pode ser qualquer número inteiro positivo; quanto mais alto o valor de ‘n’, mais tempo o algoritmo de GLCM leva para computar as características texturais; nós usamos um valor ‘n’ de 8 que nós aqui descrevemos ser ótimo embora outros valores possam ser usados; o tamanho da imagem de coocorrência será 2n-1 x 2n-1). Nós usamos um valor d de 1 e quatro valores de θ: 0o, 45°, 90° e 135° (graus). As características texturais computadas de quatro ângulos são depois ponderadas para rotativamente adquirir características texturais invariantes.
[00078] As oito características texturais seguintes são computadas da matriz de coocorrência ou imagem.
[00079] Média: O valor do nível de cinza médio da imagem de coocorrência.
[00080] Variância: Uma medida de como os valores do nível de cinza da imagem de coocorrência são dispersos com respeito ao valor do nível de cinza médio da imagem de coocorrência.
[00081] Correlação: Uma medida das dependências lineares dos valores do nível de cinza da imagem de coocorrência.
[00082] Contraste: Mede a variação local na imagem de coocorrência.
[00083] Dessemelhança: Mede a dessemelhança entre dois pixels vizinhos descentrados por uma distância e ângulo dados na imagem de coocorrência.
[00084] Segundo Momento ou Energia: Uma medida da uniformidade textural, isto é, a repetição dos pares de pixel.
[00085] Homogeneidade: Homogeneidade é também conhecida como um momento de diferença inverso que é inversamente proporcional ao contraste de uma imagem.
[00086] Entropia: Uma indicação da complexidade ou conteúdo de informação dentro de uma imagem - isto é, quanto mais complexa ou detalhada uma imagem, mais alto o valor de entropia.
[00087] Estatisticamente, é frequentemente importante avaliar a distribuição dos pontos de dados. Isto pode ser feito avaliando assimetria e curtose. Assimetria é uma estatística da quarta ordem que mede a assimetria dos dados com respeito à média dos dados. Um dado normalmente distribuído tem um valor de assimetria de 0. Um valor de assimetria negativo indica uma distribuição inclinada para a esquerda onde como um valor de assimetria positiva indica uma distribuição inclinada para a direita. Curtose é também uma estatística da quarta ordem que indica quão propensa a valores atípicos uma distribuição é. A distribuição normal tem um valor de curtose de 3. Se o valor de curtose de certos dados for maior que 3, então os dados estão mais propensos a valores atípicos que os normalmente distribuídos.
[00088] Características texturais podem também ser extraídas usando outros algoritmos de análise texturais. GLCM extrai as características texturais no domínio espacial. Transformada de Fourier converte a imagem para o domínio de frequência e as características podem ser extraídas no domínio de frequência. Frequência mais alta indica texturas melhores, enquanto frequência mais baixa indica texturas mais grossas. Ondaletas e filtros de Gabor podem fornecer características texturais do domínio de frequência espacial das junções. Outro método é desenvolvimento de um covariograma.
[00089] Um algoritmo de reconhecimento padrão pode depois ser usado para prognosticar as propriedades da carne das características texturais extraídas. Análise de discriminante tal como modelo de discriminante canônico, modelo de discriminante linear de Fisher, regressão logística, ou abordagens de agrupamento, pode ser usada para classificar as carcaças em categorias diferentes. Abordagens de regressão tais como regressão linear, regressão não linear, regressão de componente principal, métodos de regressão parcial dos quadrados mínimos podem ser usados para prognosticar as contagens de maciez. Outras abordagens tais como lógica difusa, redes neurais artificiais, e algoritmos genéticos podem também ser implementadas.
[00090] Após os dados de imagem serem extraídos e analisados no componente de análise de imagem do sistema, uma previsão ou predição é transmitida para um meio de exibição, desse modo culminando na geração de informação objetiva acerca da amostra. Uma saída de previsão é relevante para propriedades no tempo (ti), tal como maciez; enquanto as propriedades na hora da avaliação (to) tais como qualidade e tipos de rendimento, são uma saída de predição.
[00091] O computador pode também ter um programa de marcação e meios de comunicação o permitindo a enviar informação discernida ou computada acerca da carcaça para uma etiqueta eletrônica presa à carcaça. Tais etiquetas são conhecidas na técnica e podem ser empregadas por um produtor de carne para armazenamento de todos os dados relevantes para uma carcaça dada. O programa de etiquetação de computador pode enviar uma previsão da maciez como também quaisquer outros dados para a etiqueta da carcaça. Isto permite o sistema e o método da invenção transmitirem informação diretamente ao item sob análise, assim promovendo melhor gerenciamento da carcaça individual pela facilidade de processamento.
[00092] Para desenvolver e implementar um sistema de imageamento multiespectral apropriado para uma aplicação de interesse, duas etapas a saber (1) identificação das bandas de comprimentos de onda fundamentais de imagens hiperespectral e, (2) avaliação das bandas de comprimentos de onda fundamentais para prognosticar as propriedades da carne, são necessárias. Deveria ser observado que uma vez as bandas de comprimentos de onda fundamentais foram identificadas para uma aplicação desejada, elas podem ser utilizadas depois disso para aquela aplicação sem a necessidade de reidentificar as ditas bandas de comprimento de onda.
[00093] Após as bandas de comprimentos de onda fundamentais serem identificadas, elas são usadas no sistema e método de imageamento multiespectral para prever maciez e/ou outras características de carne acima descritas.
[00094] Aqui são descritas metodologias para identificar algumas bandas de comprimentos de onda fundamentais que podem ser usadas no sistema de imageamento multiespectral da invenção. As bandas de comprimentos de onda fundamentais para propriedades materiais diferentes podem ser identificadas separadamente e integradas em um sistema de imageamento multiespectral simples para a avaliação ou predição de várias propriedades materiais simultaneamente.
[00095] Identificação dos procedimentos das bandas de comprimentos de onda fundamentais inclui as seguintes etapas: (1) calibração das imagens hiperespectrais; (2) seleção da região-de-interesse (ROI); (3) transformação dos dados; (4) redução da dimensionalidade; (5) análise dos vetores de carga para identificar as bandas de comprimentos de onda fundamentais. Cada etapa é descrita abaixo. Figura 6 é um fluxograma que representa um processo para predeterminar as bandas de comprimento de onda para o uso em um sistema de imageamento multiespectral.
[00096] Após adquirir as imagens hiperespectral, elas são calibradas usando uma imagem hiperespectral escura e branca. Calculando a refletância, as diferenças devido à iluminação de uma amostra para outra amostra são minimizadas ou eliminadas.
[00097] Após calcular a refletância, uma Região-de-lnteresse (ROI) ao redor do centro da imagem é selecionada. Para carne bovina, o tamanho de ROI é preferivelmente selecionado em um tal modo que a ROI se ajusta dentro da área do bife ancho para avaliação da maciez. Deveria ser observado que se as imagens forem adquiridas no centro da imagem, então a ROI é a imagem inteira ou campo-de-visão.
[00098] A imagem hiperespectral tridimensional (duas (2) dimensões são espaciais e a outra dimensão é espectral) é depois transformada em um espectro (1) unidimensional. Este pode ser transformado usando três métodos: (a) amostra; (b) espectroscópico; e (c) mosaico. Cada método é descrito abaixo.
[00099] Na transformação dos dados de ‘amostra’, cada imagem hiperespectral de ROI de tamanho p (espacial) x q (espacial) x À (espectral) é transformada nos espectros p*q de dimensão (1 x À). Adicionalmente redução da dimensionalidade é executada separadamente dentro de cada imagem hiperespectral. Redução da dimensionalidade resulta em obter vetores de carga. O vetor de carga dá o coeficiente ou valor de peso a cada comprimento de onda em determinação das variáveis não correlatadas novas. Valores extremos (positivos altos ou negativos baixos) indicam que aqueles comprimentos de onda são importantes na determinação da variável não correlatada nova e, portanto, as propriedades da carne. Os vetores de carga podem variar da imagem hiperespectral de cada amostra para outras amostras. Este tipo de análise explica a variação dentro das amostras e ignora as variações entre as amostras.
[000100] Em transformação de dados ‘espectroscópicos’, um conjunto de ‘rí imagens hiperespectrais de ROI calibradas de tamanho (p x q x À) é transformado em n número de espectros de tamanho (1 x À) tirando a média das dimensões espaciais, a saber, p e q, dentro de cada imagem hiperespectral. Os pixels da ROI para cada imagem são ponderados e um espectro unidimensional é obtido para cada amostra. Todos os n espectros foram usados para a etapa de redução de di-mensionalidade adicional. Este tipo de análise ignora a variação dentro das amostras e focaliza na variação entre as amostras.
[000101] Em transformação de dados ‘em mosaico’, o conjunto de ‘n’ imagens hiperespectrais de ROI calibrada de tamanho p x q x À é transformado em número de n*p*q de espectros de tamanho 1 x À. Todos os espectros de n*p*q foram usados para a etapa de redução de dimensionalidade adicional. Este tipo de análise explica a variação dentro das amostras e variação dentre as amostras. Uma vez que o número de espectros (n*p*q) é muito grande, mais tempo de computação, e hardware sofisticado são requeridos quando comparados aos outros dois métodos. Porém, esta etapa é uma computação fora de linha e necessita ser completada apenas uma vez para uma certa po-pulação de carcaças. Desse modo, este método não necessita ser computado em tempo real.
[000102] Uma vez um conjunto de espectros é obtido usando qualquer de um dos métodos de transformação de dados explicados acima, a próxima etapa é redução de dimensionalidade. Estes espectros são exportados para um software de modelagem quimiométrica tal como Unscrambler® 9.6 (Camo Inc., Woodbridge, NJ). Os espectros são centrados ao meio, alimentados nos algoritmos de redução de dimensionalidade, e os vetores de carga são obtidos. Pode ser executado usando: (a) análise de componente principal (PCA); (b) análise de quadrados mínimos parciais (PLS); (c) análise fatorial; (d) análise de redução de ruído mínimo; ou (e) métodos com base em entropia. Os primeiros dois métodos são explicados abaixo.
[000103] PCA determina novas variáveis ou bandas de componente principal de modo que elas explicam a variação máxima das variáveis independentes (refletância espectral) sozinhas, enquanto as variáveis dependentes (tais como valores da força de cisalhamento por fatia) não são consideradas.
[000104] Regressão de quadrados mínimos parciais (PLS) é uma técnica de redução de dimensionalidade similar à análise de componente principal (PCA). Em contraste com PCA, PLS define as bandas novas de modo que elas explicam a variação das variáveis independentes e dependentes também.
[000105] A etapa de redução de dimensionalidade fornece um conjunto de vetores de carga que podem ser usados para calcular as bandas novas. As primeiras poucas bandas novas explicam a quantidade máxima de variação nos espectros originais. Por exemplo, as primeiras 3 bandas podem explicar em 95% de variação em todos os espectros na imagem hiperespectral.
[000106] Nota-se que os vetores de carga podem ser obtidos separadamente para pixels de carne sem gordura e com gordura, se desejado para uma aplicação particular.
[000107] Os vetores de carga são depois analisados ou usando (a) análise de pico-vale ou (b) análise de valor Eigen para identificar as bandas de comprimentos de onda fundamentais.
[000108] Em análise de pico-vale, os vetores de carga são analisados para identificar os comprimentos de onda naquelas amplitudes extremas (quaisquer valores positivos altos ou valores negativos baixos, que são vistos como picos e vales na curva) são observados.
[000109] Usando o sistema e método descritos acima, identificamos doze bandas de comprimentos de onda fundamentais na região visí- vel-perto do infravermelho (VNIR: 400-1000 nm) e outras doze bandas de comprimentos de onda fundamentais perto do infravermelho (NIR: 1000-1700 nm) para carne bovina que pode ser utilizada como bandas de comprimentos de onda fundamentais predeterminadas no sistema e método de imageamento multiespectral para analisar carne bovina e fornecem dados que são correlatados com a maciez da carne bovina.
[000110] Em um conjunto de análise das imagens hiperespectrais adquiridas na região de NIR, o procedimento de PLS foi usado uma técnica de redução de dimensionalidade e os primeiros 6 vetores de carga explicaram a maior parte da variação. Os picos e vales dos vetores de carga foram significativamente diferentes de zero de modo que eles representaram papéis principais na construção das bandas de PLS. Consequentemente, os comprimentos de onda que correspondem aos picos e vales dos vetores de carga podem ser considerados como comprimentos de onda fundamentais. Os doze comprimentos de onda fundamentais determinados para a carne bovina na região de NIR são 1057, 1074, 1091, 1115, 1142, 1176, 1219, 1280, 1365, 1395, 1408, e 1462 nm. (figuras 7 & 8) Em outro conjunto de análise das imagens hiperespectrais na região de VNIR, os seguintes doze comprimentos de onda fundamentais foram identificados: 455, 480, 520, 545, 568, 590, 604, 636, 722, 750, 814, e 850 nm (figura 9).
[000111] No caso dos comprimentos de onda predeterminados para imagens multiespectrais de carne bovina, é contemplado que os comprimentos de onda fundamentais poderiam variar em ±20 nm. Como pode ser visto dos números, as bandas de comprimento de onda não necessariamente serão contíguas.
[000112] Embora a largura de banda (também conhecida como largura total em meio máximo (FWHM)) em geral será a mesma para cada comprimento de onda, o fato que há apenas alguns comprimentos de onda para os quais uma imagem é tirada da amostra, é possível variar a largura de banda das bandas de comprimento de onda individuais se desejado.
[000113] Por exemplo, se a absorção de proteína foi determinada ser em "x" nm, e a faixa de absorção for ‘x’ ± 20 nm, a largura de banda pode ser ajustada para capturar a faixa de absorção inteira. Para outra propriedade, a largura de banda que capturará toda informação relevante pode ser y ± 10 nm. Portanto, no sistema e método da invenção, a largura de banda pode ser otimizada para um ou mais dos comprimentos de onda fundamentais determinados.
[000114] Outras carnes podem ter bandas de comprimento de onda diferentes de importância. A metodologia descrita fornece um modo para determinar as bandas de comprimento de onda para coleta de dados que são correlatáveis com a maciez e outras propriedades da carne.
[000115] Doze bandas de comprimentos de onda fundamentais no NIR - 1057, 1074, 1091, 1115, 1142, 1176, 1219, 1280, 1365, 1395, 1408, e 1462 nm foram predeterminadas como relacionadas para classificação de maciez. Para cada banda de comprimento de onda, 8 características texturais de imagem (média, variância, homogeneidade, contraste, dessemelhança, entropia, segundo momento, e correlação) foram extraídas usando uma análise de matriz de coocorrência, desse modo criando um total de 96 características texturais de imagem por imagem de bife. Usando estas 96 características texturais de imagem, uma análise de discriminante canônico foi executada para criar duas novas variáveis não correlatadas (variável canônica 1 e 2: Can1 e Can2). Estas variáveis canônicas são independentes uma da outra e são a combinação linear das variáveis originais. Dois modelos foram desenvolvidos: um para painel de gosto treinado (TP) e um para força de cisalhamento de fatia (SSF). Correlações significativas (p < 0,10) das características texturais individuais e/ou das variáveis canônicas foram encontradas com todos os traços bioquímicos que foram medidos. Por exemplo, os traços bioquímicos seguintes foram correlatados com uma ou mais das características texturais de imagem ou variáveis canônicas: tabela 1 refere-se às classificações com base nas Avaliações de Painel de Gosto e tabela 2 refere-se às correlações daforça de cisalhamento de Warner-Bratzler.Tabela 1 - Correlações com as Propriedades Biológicas das Características Texturais com base na Classificação da Maciez das Avaliações de Painel de Gosto
TABELA 2 - Correlações Às Propriedades Biológicas Das Caracte- rísticas Texturais Com Base Na Classificação Da Maciez Da Força De Cisalhamento De Warner-Bratzler
[000116] Oito características texturais foram extraídas usando análise de matriz de coocorrência de nível cinza (GLCM) de cada umas das 12 bandas identificadas. Características texturais podem também ser extraídas através de outros métodos tais como filtros de Gabor e/ou análise de ondaletas de cada uma daquelas bandas identificadas. Desse modo, 96 características foram extraídas. Além das características texturais, características de marmoreamento tais como número e distribuição de manchas de gorduras, textura de marmoreamento, e % de área de gordura podem também ser extraídas. Um método de regressão de discriminante em etapas foi usado para selecionar as 46 variáveis. Estas variáveis foram usadas para classificar os bifes em duas categorias de maciez. A precisão geral foi 88% para SSF e 87% para painel de gosto (TP). Os resultados estão apresentados na tabela 3 para prognosticar SSF e tabela 4 para TP abaixo. TABELA 3. Avaliação do Sistema de Imageamento Multiespectral para Predizer Ssf TABELA 4. Avaliação do Sistema de Imageamento Multiespectral para Prognosticar Tp
[000117] Outros algoritmos de reconhecimento-padrão e de aprendizagem de máquina como análise de discriminante canônico, redes neurais, e abordagens de lógica difusa podem ser usadas para classificar os bifes em categorias de maciez com base nas características texturais extraídas.
[000118] Frequentemente, a indústria de carne bovina está interessada em classificar bifes em duas categorias - macio e duro. Os modelos de reconhecimento de padrão podem ser facilmente modificados para classificar os bifes em duas categorias. Similarmente, se uma companhia estiver interessada em três ou mais categorias, estas podem também ser facilmente alcançadas.
[000119] Em vez de classificar os bifes em categorias de maciez, modelos de reconhecimento padrão tais como regressões lineares múltiplas, regressão não linear, regressão de componente principal, regressão parcial dos quadrados mínimos, e métodos similares podem ser usados para prognosticar as contagens de maciez tais como força de cisalhamento de fatia, força de cisalhamento de Warner-Bratzler, ou contagens sensórias.
[000120] PCA foi implementado para reduzir a dimensão espectral de uma Região de Interesse (ROI) dentro de uma imagem hiperespectral. O número ótimo de imagens de PC foi escolhido com valores Eigen significativamente maiores que zero. (Johnson, R. A., 1998. Applied Multivariate Methods for Data Analysis. Duxbury Press, Nova Iorque, NY). Para esta etapa, as primeiras cinco imagens de PC tiveram valores Eigen significativamente maiores que zero. Estes valores Eigen explicaram mais de 90% da variância de todas as bandas para a imagem. Neste estudo, transformação de dados ‘em mosaico’ foi usada.
[000121] Figura 9 mostra os primeiros três vetores de carga. Por "análise de pico-vale", 12 comprimentos de onda fundamentais podem ser identificados.
[000122] Doze bandas de comprimentos de onda fundamentais no visível infravermelho próximo (VNIR: 400-1000 nm) foram identificadas. Os comprimentos de onda (455, 480, 520, 545, 568, 590, 604, 636, 722, 750, 814, e 850 nm) foram identificados como representando papéis principais na construção das imagens de PC (Vide Fig. 9). Imagens multiespectrais são preferivelmente adquiridas apenas nas bandas de comprimentos de onda fundamentais, no sistema e processo da invenção, tornando bem adaptado para implementação industrial.
[000123] Bifes de bife ancho de carne bovina (músculo longissimus dorsi) entre as 12a e 13a costelas em 2 a 5 dias post mortem foram colhidos de quatro fábricas de empacotamento regionais diferentes, empacotados a vácuo, e transportados para uma localização central. Antes do imageamento, as amostras foram removidas de seu empacotamento a vácuo e foram deixadas oxigenar durante 30 minutos. Imagens hiperespectrais de 229 bifes de bife ancho de carne bovina em 2 a 5 dias post mortem foram colhidas. Imediatamente após o imageamento, as amostras foram empacotadas a vácuo e envelhecidas até 14 dias post mortem nestas embalagens de vácuo. Após 14 dias de envelhecimento, as amostras foram congeladas para impedir outro envelhecimento. Antes das medições da maciez, as amostras foram des-congeladas durante a noite em temperaturas refrigeradas no refrigerador. As amostras foram depois removidas das embalagens de vácuo, deixadas oxigenar durante 30 minutos, cozidas em um forno de choque com uma correia móvel, e os valores da força de cisalhamento de fatia (SSF) foram registrados. As operações tais como congelação, descongelação, e cozimento foram igualmente aplicadas em todas as amostras e, portanto, deveriam ter tido efeito mínimo na precisão do modelo. Com base nos valores de SSF, as amostras foram classificadas em três categorias de maciez: tenra (SSF < 205,80 N), média (205,80 N < SSF < 254,80 N), e dura (SSF > 254,80 N). Estas catego-rias foram usadas como referências.
[000124] Durante a aquisição da imagem, imagens hiperespectrais escuras e brancas foram tiradas em intervalos de 15 a 20 minutos. Após corrigir para pixels ruins, imagem de refletância foi calculada usando a equação 1.
[000125] Após calcular a refletância, uma Região-de-interesse (ROI) de tamanho 150 x 300 pixels (56,3 mm x 112,5 mm) próxima do centro da imagem foi selecionada. Nenhuma interação manual foi requerida para selecionar a ROI. O tamanho da ROI foi selecionado em um tal modo que a ROI ajustasse dentro da área de bife ancho. Mais etapas de processamento de imagens foram executadas nestas imagens hiperespectrais de ROI. Fora as 229 amostras de carne bovina, nós usamos 156 amostras de carne bovina para obter vetores de carga e 76 amostras de carne bovina para avaliar a robustez e validez dos vetores de carga no prognóstico da maciez da carne bovina.
[000126] Neste estudo, transformação de dados ‘espectroscópicos’ foi usada. A técnica de redução de dimensionalidade ‘PLS’ foi usada para obter os vetores de carga.
[000127] Os picos e vales dos vetores de carga identificam os comprimentos de onda fundamentais. Consequentemente, os comprimentos de onda que correspondem aos picos e vales dos vetores de carga podem ser considerados como comprimentos de onda fundamentais - 1057, 1074, 1091, 1115, 1142, 1176, 1219, 1280, 1365, 1395, 1408, e 1462 nm (figuras 7 & 8). É possível combinar os comprimentos de onda identificados usando várias operações aritméticas para remover erros aditivos e multiplicativos. Entre os doze comprimentos de onda fundamentais, absorção a 1219 nm foi devido à segunda sobreposição C-H; absorções a 1365 e 1395 nm foram devido à combinação C-H; e absorções a 1408 e 1462 nm foram devido à primeira sobreposição O-H. Porque os constituintes principais de carne bovina são água, proteína, e gordura, é possível relatar as vibrações (sopreposiçâo e combinação) para os constituintes de carne bovina. Assim considerando as estruturas químicas de água, gordura, e proteína e seu comportamento vibra-tional, pode ser concluído que as absorções em 1219 nm foram primariamente devido à gordura; absorções em 1365 e 1395 nm foram primariamente devido à proteína; e absorções em 1408 e 1462 nm foram primariamente devido à água.
Claims (26)
1. Sistema para analisar uma ou mais propriedades de carne, caracterizados pelo fato de que compreendem um sistema de aquisição de imagem e um sistema de análise de imagem cujos sistemas de aquisição de imagem empregam imageamento multiespectral da dita carne em bandas de comprimentos de onda fundamentais predeterminadas e comunica as ditas imagens ao dito sistema de análise de imagem que extrai os dados da dita imagem, processa os mesmos de acordo com os programas residindo no mesmo, e produz uma saída que compreende uma predição sobre a dita uma ou mais propriedades, em que a dita imagem é adquirida em um tempo (to) e a dita saída é uma predição das propriedades de maciez da dita carne em um tempo (ti) que é posterior a (to).
2. Sistema, de acordo com a reivindicação 1, caracterizados pelo fato de que o dito tempo (ti) é o tempo quando a dita carne estará disponível para preparação por um consumidor.
3. Sistema, de acordo com a reivindicação 1, caracterizados pelo fato de que a dita imagem é adquirida em um tempo (to) e a dita saída é também utilizada para fazer uma predição das propriedades da dita carne no dito tempo (to).
4. Sistema, de acordo com a reivindicação 1, caracterizados pelo fato de que o dito número de comprimentos de onda predeterminados é de um a cerca de vinte e cinco comprimentos de onda.
5. Sistema, de acordo com a reivindicação 1, caracterizados pelo fato de que os ditos comprimentos de onda predeterminados estão na região visível/perto do infravermelho (VNIR) (400-1000 nm).
6. Sistema, de acordo com a reivindicação 1, caracterizados pelo fato de que os ditos comprimentos de onda predeterminados estão na região NIR (900-2500 nm).
7. Sistema, de acordo com a reivindicação 1, caracteriza- dos pelo fato de que pelo menos um dos ditos comprimentos de onda predeterminados é associado às propriedades de gordura e pelo menos um comprimento de onda é associado às propriedades de proteína da dita carne.
8. Sistema, de acordo com a reivindicação 7, caracterizados pelo fato de que a dita carne é carne bovina.
9. Sistema, de acordo com a reivindicação 1, caracterizados pelo fato de que a dita análise de imagem compreende correlatar uma ou mais características texturais da imagem com maciez da dita carne bruta, em que a dita correlação compreende aplicar um algoritmo de reconhecimento de padrão às ditas características texturais.
10. Sistema, de acordo com a reivindicação 9, caracterizados pelo fato de que as ditas características texturais da imagem são correlatadas executando pelo menos uma computação de valores estatísticos com base na dita imagem.
11. Sistema, de acordo com a reivindicação 10, caracterizados pelo fato de que as ditas computações são selecionadas do grupo que consiste em uma análise de matriz de coocorrência, uma análise de ondaletas, uma análise de covariograma e uma análise utilizando filtros de Gabor.
12. Sistema, de acordo com a reivindicação 9, caracterizados pelo fato de que as ditas características texturais da imagem compreendem um ou mais dentre uma média, uma variância, uma homogeneidade, um contraste, uma dessemelhança, uma entropia, um segundo momento, uma correlação, autocorrelação, assimetria e curtose.
13. Sistema, de acordo com a reivindicação 1, caracterizados pelo fato de que a dita carne é carne bovina, e em que uma imagem multiespectral da seção transversal de um músculo de bife ancho exposto de um lado da carcaça é capturada.
14. Sistema, de acordo com a reivindicação 1, caracterizados pelo fato de que adicionalmente compreende determinar uma ou mais propriedades adicionais da dita carne bovina da mesma imagem simultaneamente.
15. Sistema, de acordo com a reivindicação 1, caracterizados pelo fato de que adicionalmente compreende um meio de estabilização do equipamento e da amostra de modo que a agitação da câmera é minimizada permitindo adquirir imagens de qualidade boas.
16. Sistema, de acordo com a reivindicação 1, caracterizados pelo fato de que um meio de aquisição de imagem compreende uma câmera, uma unidade de dispersão de comprimento de onda, uma lente, uma fonte luminosa e um compartimento.
17. Sistema, de acordo com a reivindicação 16, caracterizados pelo fato de que a dita unidade de dispersão de comprimento de onda é selecionada de sistemas espectrográficos com base em LCTF e AOTF.
18. Sistema, de acordo com a reivindicação 16, caracterizados pelo fato de que a dita unidade de dispersão de comprimento de onda é um conjunto de filtros de passagem de banda em uma roda, sob o qual quando a roda do filtro é girada uma banda espectral é colhida.
19. Sistema, de acordo com a reivindicação 4, caracterizados pelo fato de que o referido número de comprimentos de onda predeterminados é de dois a doze comprimentos de onda.
20. Sistema, de acordo com a reivindicação 19, caracterizados pelo fato de que o referido número dos referidos comprimentos de onda predeterminados é de quatro a oito comprimentos de onda.
21. Sistema, de acordo com a reivindicação 5, caracterizados pelo fato de que a referida carne é carne bovina e os referidos comprimentos de onda são selecionados do grupo que consiste de 455, 480, 520, 545, 568, 590, 604, 636, 722, 750, 814 e 850 nm e combinações dos mesmos.
22. Sistema, de acordo com a reivindicação 21, caracterizados pelo fato de que cada um dos referidos comprimentos de onda pode variar em ± 20 nm.
23. Sistema, de acordo com a reivindicação 6, caracterizados pelo fato de que a referida carne é carne bovina e, em que os referidos comprimentos de onda são selecionados a partir do grupo que consiste de 1057, 1074, 1091, 1115, 1142, 1176, 1219, 1280, 1365, 1395, 1408 e 1462 nm e combinações dos mesmos.
24. Sistema, de acordo com a reivindicação 23, caracterizados pelo fato de que cada um dos referidos comprimentos de onda pode variar em ± 20 nm.
25. Sistema, de acordo com a reivindicação 1, caracterizados pelo fato de que a referida previsão de ternura está associada a valores de força de cisalhamento de fatia correspondentes a cortes cozidos de carne bovina.
26. Sistema, de acordo com a reivindicação 1, caracterizados pelo fato de que a referida previsão de ternura está associada a valores selecionados do grupo que consiste em valores de força de cisalhamento de Warner-Bratzler, valores de força de cisalhamento de fatia, análise sensorial e combinações dos mesmos.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14378309P | 2009-01-10 | 2009-01-10 | |
US61/143,783 | 2009-01-10 | ||
PCT/US2010/020683 WO2010081116A2 (en) | 2009-01-10 | 2010-01-11 | System and method for analyzing properties of meat using multispectral imaging |
Publications (3)
Publication Number | Publication Date |
---|---|
BRPI1006077A2 BRPI1006077A2 (pt) | 2016-04-19 |
BRPI1006077B1 true BRPI1006077B1 (pt) | 2020-10-27 |
BRPI1006077B8 BRPI1006077B8 (pt) | 2023-02-28 |
Family
ID=42317204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
BRPI1006077A BRPI1006077B8 (pt) | 2009-01-10 | 2010-01-11 | Sistema para analisar uma ou mais propriedades de carne |
Country Status (5)
Country | Link |
---|---|
US (2) | US8774469B2 (pt) |
AU (1) | AU2010203357B2 (pt) |
BR (1) | BRPI1006077B8 (pt) |
CA (1) | CA2748829C (pt) |
WO (1) | WO2010081116A2 (pt) |
Families Citing this family (49)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2406190B1 (es) * | 2011-07-23 | 2014-07-09 | Universidad De Cantabria | Sistema y metodo de captura de imagenes multiespectrales para la discriminacion de materiales. |
US9173570B2 (en) | 2012-04-12 | 2015-11-03 | Thomas Nathan Millikan | Viewing and processing multispectral images |
WO2014078861A1 (en) | 2012-11-19 | 2014-05-22 | Altria Client Services Inc. | On-line oil and foreign matter detection system and method employing hyperspectral imaging |
US9507913B2 (en) * | 2013-01-22 | 2016-11-29 | Siemens Healthcare Gmbh | Data driven reduction of multi-scale models |
WO2015167585A1 (en) * | 2014-05-02 | 2015-11-05 | Empire Technology Development Llc | Meat assessment device |
US11490037B2 (en) * | 2014-10-29 | 2022-11-01 | Palo Alto Research Center Incorporated | Liquid crystal fourier transform imaging spectrometer |
US10760967B2 (en) | 2014-10-29 | 2020-09-01 | Palo Alto Research Center Incorporated | Liquid crystal fourier transform imaging spectrometer |
US10469771B2 (en) | 2014-10-29 | 2019-11-05 | Palo Alto Research Center Incorporated | Liquid crystal fourier transform imaging spectrometer |
CN104655586A (zh) * | 2015-02-28 | 2015-05-27 | 华南理工大学 | 基于高光谱数据融合快速非接触监控鱼肉脂肪氧化的方法 |
KR102362654B1 (ko) | 2015-07-03 | 2022-02-15 | 삼성전자주식회사 | 오븐 |
US9824434B2 (en) * | 2015-08-18 | 2017-11-21 | Industrial Technology Research Institute | System and method for object recognition |
US10231531B2 (en) | 2015-11-04 | 2019-03-19 | ColorCulture Network, LLC | System, method and device for analysis of hair and skin and providing formulated hair and skin products |
CN105447891B (zh) * | 2015-12-02 | 2018-03-30 | 中国肉类食品综合研究中心 | 冷冻肉新鲜程度的评估方法及系统 |
CN105806232B (zh) * | 2016-03-23 | 2018-10-23 | 南京航空航天大学 | 一种基于近红外光的猪劈半胴体脂肪/瘦肉厚度无损测量系统 |
WO2018156000A1 (es) * | 2017-02-22 | 2018-08-30 | Gonzalez Estrada Pedro Gabriel | Método de medición de calidad de carne basado en contraste de absorción de luz infrarroja |
WO2018156004A1 (es) * | 2017-02-24 | 2018-08-30 | Gonzalez Estrada Pedro Gabriel | Método de medición de índice de calidad de carne por estimación de edad de ganado bovino mediante identificación de tejido conectivo en corte de canal |
JP6843439B2 (ja) * | 2017-05-17 | 2021-03-17 | エバ・ジャパン 株式会社 | 情報探索システム及び方法、情報探索プログラム |
US10902577B2 (en) * | 2017-06-19 | 2021-01-26 | Apeel Technology, Inc. | System and method for hyperspectral image processing to identify object |
CN107576600B (zh) * | 2017-08-04 | 2021-01-15 | 江苏大学 | 一种抹茶粒度等级的快速检测方法 |
US11193894B2 (en) | 2017-10-09 | 2021-12-07 | Pathspot Technologies, Inc. | Combined hand contaminant and user identification system |
CA3076847A1 (en) | 2017-10-09 | 2019-04-18 | Pathspot Technologies Inc. | Systems and methods for detection of contaminants on surfaces |
US10564504B2 (en) | 2017-11-30 | 2020-02-18 | Palo Alto Research Center Incorporated | Liquid-crystal variable retarder using liquid crystal cells of differing thicknesses |
US10379043B2 (en) | 2017-12-29 | 2019-08-13 | Palo Alto Research Center Incorporated | Measuring path delay through a liquid-crystal variable retarder at non-uniform retardance intervals |
US10663346B2 (en) | 2017-12-29 | 2020-05-26 | Palo Alto Research Center Incorporated | Method and apparatus for transforming uniformly or non-uniformly sampled interferograms to produce spectral data |
US10983338B2 (en) | 2017-12-29 | 2021-04-20 | Palo Alto Research Center Incorporated | Exit-pupil expander used distribute light over a liquid-crystal variable retarder |
US10175116B1 (en) | 2017-12-29 | 2019-01-08 | Palo Alto Research Center Incorporated | Color filter used with liquid-crystal polarization interferometer |
CN108303740B (zh) * | 2018-01-24 | 2020-11-06 | 吉林大学 | 一种航空电磁数据噪声压制方法及装置 |
DE102018101835A1 (de) * | 2018-01-26 | 2019-08-01 | Nordischer Maschinenbau Rud. Baader Gmbh + Co. Kg | Vorrichtung und Anordnung zur optischen Inspektion von Artikeln der fisch- und fleischverarbeitenden Industrie |
CN108362652B (zh) * | 2018-03-02 | 2020-06-09 | 江南大学 | 一种基于证据理论的物体新鲜度无损检测方法 |
JP6951753B2 (ja) | 2018-03-27 | 2021-10-20 | エバ・ジャパン 株式会社 | 情報探索システム及びプログラム |
CN108960315B (zh) * | 2018-06-27 | 2021-08-06 | 河南农业大学 | 一种调理肉制品品质智能评价系统及方法 |
US11270245B2 (en) | 2018-08-07 | 2022-03-08 | Walmart Apollo, Llc | System and method for forecasting deliveries via blockchain smart contracts |
US11120540B2 (en) | 2018-08-16 | 2021-09-14 | Thai Union Group Public Company Limited | Multi-view imaging system and methods for non-invasive inspection in food processing |
CN109975217A (zh) * | 2019-03-26 | 2019-07-05 | 贵阳学院 | 基于高光谱成像系统的李子可溶性固形物含量值检测方法 |
US11436716B2 (en) * | 2019-04-19 | 2022-09-06 | Canon Kabushiki Kaisha | Electronic apparatus, analysis system and control method of electronic apparatus |
US20220137019A1 (en) * | 2019-07-15 | 2022-05-05 | Walmart Apollo, Llc | Hyperspectral computer vision aided time series forecasting for every day best flavor |
US11497221B2 (en) | 2019-07-19 | 2022-11-15 | Walmart Apollo, Llc | Systems and methods for managing meat cut quality |
WO2021022323A1 (en) * | 2019-08-02 | 2021-02-11 | Lumachain Pty Ltd | Meat processing tracking, tracing and yield measurement |
CN111380813B (zh) * | 2020-03-20 | 2022-11-29 | 合肥工业大学 | 一种便携式小麦种子多品质无损检测装置及检测方法 |
EP4153042A4 (en) * | 2020-05-21 | 2024-07-10 | Univ Michigan State | SYSTEMS AND METHODS FOR AUTOMATIC, NON-INVASIVE LIVESTOCK HEALTH ANALYSIS |
CN111990331B (zh) * | 2020-08-05 | 2022-06-10 | 南京农业大学 | 一种猪五花肉肉质活体选育方法 |
CN112215277B (zh) * | 2020-10-09 | 2023-04-07 | 内蒙古农业大学 | 一种牛羊肉物种和饲养模式真实性的判别方法和系统 |
KR20220083349A (ko) | 2020-12-11 | 2022-06-20 | 삼성전자주식회사 | 식품 모니터링 장치, 이를 포함하는 냉장고, 및 이의 동작 방법 |
CN113516025B (zh) * | 2021-04-26 | 2022-03-08 | 山东深蓝智谱数字科技有限公司 | 一种基于模型构建的高光谱图像处理方法、设备及介质 |
ES2933045A1 (es) * | 2021-07-23 | 2023-01-31 | Diseno Y Construccion De Maqu Automatizada S L | Sistema de clasificacion automatizada de lomos de pescado y procedimiento asociado |
GB2597160B (en) * | 2021-08-10 | 2022-08-03 | Univ Jiangsu | Method for identifying raw meat and high-quality fake meat based on gradual linear array change of component |
US11803958B1 (en) | 2021-10-21 | 2023-10-31 | Triumph Foods Llc | Systems and methods for determining muscle fascicle fracturing |
US11555811B1 (en) * | 2022-05-01 | 2023-01-17 | Institute of Food Science and Technology, Chinese Academy of Agricultural Sciences | Integrated rapid non-destructive detection system for multi-index of meat quality |
WO2024126472A1 (en) * | 2022-12-12 | 2024-06-20 | Teagasc - Agriculture And Food Development Authority | System and method of predicting animal carcass characteristics using hyperspectral imaging |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5991028A (en) | 1991-02-22 | 1999-11-23 | Applied Spectral Imaging Ltd. | Spectral bio-imaging methods for cell classification |
US5576949A (en) * | 1991-08-30 | 1996-11-19 | C-Scan, Llc | System for animal evaluation through image acquisition |
US5339815A (en) * | 1992-12-22 | 1994-08-23 | Cornell Research Foundation, Inc. | Methods and apparatus for analyzing an ultrasonic image of an animal or carcass |
AU722769B2 (en) * | 1996-08-23 | 2000-08-10 | Her Majesty The Queen In Right Of Canada As Represented By The Department Of Agriculture And Agri-Food Canada | Method and apparatus for using image analysis to determine meat and carcass characteristics |
CA2189817A1 (en) * | 1996-11-07 | 1998-05-07 | Howard J. Swatland | Apparatus for use in determining meat tenderness |
DK172795B1 (da) * | 1997-02-28 | 1999-07-19 | Slagteriernes Forskningsinst | Reflektionsmåleudstyr til bestemmelse af kvalitetsegenskaber ved emner, navnlig fedtholdige emner |
BR9908065A (pt) * | 1998-02-20 | 2001-11-13 | Univ Colorado State Res Found | Sistema de geração de imagem de cor de carnepara prognóstico do sabor agradável erendimento |
FR2780790B1 (fr) * | 1998-07-03 | 2000-08-18 | Vitreenne Abattage | Procede et dispositif de prediction de la tendrete d'une viande sur le site de transformation a l'aide d'informations biologiques et/ou physico-chimiques et de mesures optiques dans le domaine du visible et du proche infrarouge |
US6256409B1 (en) | 1998-10-19 | 2001-07-03 | Sony Corporation | Method for determining a correlation between images using multi-element image descriptors |
US6587575B1 (en) * | 2001-02-09 | 2003-07-01 | The United States Of America As Represented By The Secretary Of Agriculture | Method and system for contaminant detection during food processing |
US6639665B2 (en) | 2001-02-09 | 2003-10-28 | Institute For Technology Development | Multispectral imaging system for contaminant detection |
US6615661B2 (en) * | 2001-05-30 | 2003-09-09 | Rethel C. King | Ultrasound sorting of weanling calves and identification of tenderness indicators |
GB2397423B (en) | 2001-09-17 | 2005-06-01 | Ca Minister Agriculture & Food | A method and apparatus for identifying and quantifying characteristics of seeds and other small objects |
US7194132B1 (en) | 2002-07-09 | 2007-03-20 | The United States Of America As Represented By The Secretary Of The Navy | Method and system for detecting anomalies in multispectral and hyperspectral imagery employing the normal compositional model |
US7190813B2 (en) | 2003-01-15 | 2007-03-13 | Georgia Tech Research Corporation | Systems and methods for inspecting natural or manufactured products |
SE0402576D0 (sv) * | 2004-10-25 | 2004-10-25 | Forskarpatent I Uppsala Ab | Multispectral and hyperspectral imaging |
WO2009005828A1 (en) * | 2007-07-03 | 2009-01-08 | Tenera Technology, Llc | Imaging method for determining meat tenderness |
US8126213B2 (en) * | 2007-09-27 | 2012-02-28 | The United States Of America As Represented By The Secretary Of Agriculture | Method and system for wholesomeness inspection of freshly slaughtered chickens on a processing line |
-
2010
- 2010-01-11 CA CA2748829A patent/CA2748829C/en active Active
- 2010-01-11 BR BRPI1006077A patent/BRPI1006077B8/pt active IP Right Grant
- 2010-01-11 AU AU2010203357A patent/AU2010203357B2/en active Active
- 2010-01-11 WO PCT/US2010/020683 patent/WO2010081116A2/en active Application Filing
- 2010-01-11 US US13/143,897 patent/US8774469B2/en active Active
-
2014
- 2014-05-22 US US14/285,518 patent/US9476865B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
CA2748829A1 (en) | 2010-07-15 |
BRPI1006077B8 (pt) | 2023-02-28 |
AU2010203357A1 (en) | 2011-07-28 |
WO2010081116A2 (en) | 2010-07-15 |
US20110273558A1 (en) | 2011-11-10 |
AU2010203357B2 (en) | 2014-07-10 |
WO2010081116A3 (en) | 2010-09-30 |
US20140293277A1 (en) | 2014-10-02 |
US8774469B2 (en) | 2014-07-08 |
BRPI1006077A2 (pt) | 2016-04-19 |
CA2748829C (en) | 2017-03-07 |
US9476865B2 (en) | 2016-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
BRPI1006077B1 (pt) | sistema para analisar uma ou mais propriedades de carne | |
Naganathan et al. | Visible/near-infrared hyperspectral imaging for beef tenderness prediction | |
Barbin et al. | Non-destructive determination of chemical composition in intact and minced pork using near-infrared hyperspectral imaging | |
ElMasry et al. | Meat quality evaluation by hyperspectral imaging technique: an overview | |
ElMasry et al. | Chemical-free assessment and mapping of major constituents in beef using hyperspectral imaging | |
He et al. | Potential of hyperspectral imaging combined with chemometric analysis for assessing and visualising tenderness distribution in raw farmed salmon fillets | |
Cheng et al. | Enhancing visible and near-infrared hyperspectral imaging prediction of TVB-N level for fish fillet freshness evaluation by filtering optimal variables | |
Xiong et al. | Application of visible hyperspectral imaging for prediction of springiness of fresh chicken meat | |
Kamruzzaman et al. | Non-destructive prediction and visualization of chemical composition in lamb meat using NIR hyperspectral imaging and multivariate regression | |
Kamruzzaman et al. | Introduction to hyperspectral imaging technology | |
Reis et al. | Chemometrics and hyperspectral imaging applied to assessment of chemical, textural and structural characteristics of meat | |
Barbin et al. | Predicting quality and sensory attributes of pork using near-infrared hyperspectral imaging | |
Qiao et al. | Pork quality and marbling level assessment using a hyperspectral imaging system | |
Wu et al. | Application of long-wave near infrared hyperspectral imaging for measurement of color distribution in salmon fillet | |
Wang et al. | Spectral detection techniques for non-destructively monitoring the quality, safety, and classification of fresh red meat | |
Konda Naganathan et al. | Partial least squares analysis of near-infrared hyperspectral images for beef tenderness prediction | |
US6587575B1 (en) | Method and system for contaminant detection during food processing | |
Iqbal et al. | An overview on principle, techniques and application of hyperspectral imaging with special reference to ham quality evaluation and control | |
US20160356704A1 (en) | Nondestructive meat tenderness assessment | |
Huang et al. | Rapid and non-invasive quantification of intramuscular fat content of intact pork cuts | |
Baek et al. | Shortwave infrared hyperspectral imaging system coupled with multivariable method for TVB-N measurement in pork | |
Shafiee et al. | Potential application of machine vision to honey characterization | |
Jiang et al. | Non-destructive assessment of final color and pH attributes of broiler breast fillets using visible and near-infrared hyperspectral imaging: A preliminary study | |
ElMasry et al. | Meat quality assessment using a hyperspectral imaging system | |
Balage et al. | Shear force analysis by core location in Longissimus steaks from Nellore cattle using hyperspectral images–A feasibility study |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
B06F | Objections, documents and/or translations needed after an examination request according [chapter 6.6 patent gazette] | ||
B06U | Preliminary requirement: requests with searches performed by other patent offices: procedure suspended [chapter 6.21 patent gazette] | ||
B07A | Application suspended after technical examination (opinion) [chapter 7.1 patent gazette] | ||
B09A | Decision: intention to grant [chapter 9.1 patent gazette] | ||
B16A | Patent or certificate of addition of invention granted [chapter 16.1 patent gazette] |
Free format text: PRAZO DE VALIDADE: 10 (DEZ) ANOS CONTADOS A PARTIR DE 27/10/2020, OBSERVADAS AS CONDICOES LEGAIS. |
|
B25A | Requested transfer of rights approved |
Owner name: CARNE TENDER, LLC (US) |