CN104871175B - 对食品质量进行评分和控制 - Google Patents

Abstract

一种对在加工步骤间过渡的动态食品的质量进行评分和控制的方法，其采用图像分析执行。在输送系统上多个运动中食品的图像由在线视觉设备获取，并通过算法对图像进行图像分析，该算法将确定具有各种颜色强度的像素的百分比，并应用预先确定的偏好，以预测消费者不满意度。一个或多个图像的整组食品被给出一个总体外观分值，每个单独食品也被评分，以使它们可按可接受度从低到高排序。随后以从最差到较好的顺序对经排序的食品进行排除，以提高整组的总体质量分值。

Description

对食品质量进行评分和控制

发明背景

技术领域

本发明涉及质量控制过程领域，更具体而言，涉及采用图像分析控制动态生产线的总体质量。

相关技术说明

已经有多种方法用于对在输送带上输送的食品进行的质量分析和筛选。这些方法通常着力于对物体进行筛选，以拒绝有瑕疵或缺陷的物体和任何异物(包括食品的不可食用部分)。例如，由沿生产线安排的人员在产品沿输送带通过时手动进行筛选的操作，提供了一种对筛选或检验食品以进行质量控制的方法。然而，由于不同人之间人为判断的不一致性，手工筛选成本较高且不可靠。

计算机视觉和图像分析是一种具备替代性且被日益普遍使用的方式，可为保持较高且稳定的质量标准提供自动化且具备成本效益的方法。计算机视觉系统正越来越多地被应用于食品工业(包括，例如，对肉、粮食、鱼、披萨饼、奶酪或面包等的分级或筛选)的质量保障中。关于图像分析的许多文献涉及对视觉图像进行某种改变、以使图像更具视觉吸引力或提取关于各种可观察特征的形状或边界信息的方法。在这方面，传统的图像处理过程充当自动化的机器视觉系统，其执行操作的速度比观察人员或操作人员快许多倍，精度也远高于后者。由此，这些系统实现的自动化分级可对技术加以标准化，无需对产品进行冗长乏味且不稳定的人工质量检查。

在质量属性中，食品的色泽具有重要意义，因为消费者经常基于此对食品进行选择或拒绝。颜色是食品工业中应用的最重要的检验依据之一，原因在于食品的表面色泽可能提示其内部存在缺陷或瑕疵。这些缺陷会影响消费者对一种产品及其卖点价值的接受度或消费意愿。

彩色摄像机经常配合机器或自动视觉系统用于食品质量的图像分析系统或机器检查中。但食品工业的图像分析方法对物体的筛选通常仍然以将具有任何类型的缺陷、瑕疵或视觉上令人反感的特征的每件产品排除在外为目的。例如，现有在食品生产中采用图像分析的筛选方法，根据食品上所观察到的缺陷的暗度和尺寸来区分出缺陷食品。换言之，大部分现有方法将任何缺陷均同等对待，而不考虑缺陷的相对面积或严重程度或食品本身的尺寸。这类筛选方法所造成的食品废品量要高于使消费者可接受且不会影响食品总体感知品质的废品量。业界已采取一些措施，以根据缺陷与产品总面积的相对大小来筛选产品。然而，即使采用这些方法，缺陷/拒绝阈值仍然为静态，在产品接受质量检验的过程中不会在接受度或偏好因素方面加以调整。这样就无法在考虑每一批次、每一袋或每一容器的接受度阈值时同时兼顾每一件产品的接受度阈值。

由此，仍然需要有这样的筛选方法，不仅筛选出可能有缺陷的食品，而且还对食品上的缺陷进行评价，以使被不必要抛弃或浪费的食品量得以降低。这些方法应利用图像分析提供可靠、客观且具备成本效益的食品生产方法，同时对食品进行接近即时的监测和反馈控制，特别是在从装配或准备的一个阶段过渡到另一个阶段之时。最后，这些方法还应可对等待最终包装以供消费的食品进行质量控制。

发明概要

本披露内容提供了对在生产线中运动的食品的质量进行评分和控制的方法。本方法的一种实施方式包括的步骤有：(a)获取多个运动中食品的图像；(b)对图像进行图像分析，以确定至少一种颜色的变化中的强度；(c)根据颜色百分比对多个运动中食品分组计分，由此得出总体外观评分；以及(d)根据应用于单独食品的图像分析，对每个单独食品进行评分，由此得出多个单独质量分值。在一些实施方式中，本方法包括对每个单独质量分值从可接受度最低向最高排序，并根据质量阈值排除掉一个或多个单独食品，以提高整组的外观分值。在一种实施方式中，该排除步骤包括向下游筛选设备发送信号以抛弃掉被单独评分的食品的步骤。在一些实施方式中，质量阈值的改变部分地基于分组外观分值而作出。此外，单独质量分值还可被用于将每件食品从最差(或可接受度最低)向较好(或可接受度较高)进行排序，以使排名最差的产品首先被排除，由此提高多个食品的总体外观分值。

本文所述方法的一种实施方式将获取运动中食品的多个图像，并将这些图像组合在一起以进行成像仪分析。在一种实施方式中图像以可见光谱拍摄，而其他实施方式则以红外或紫外光谱拍摄图像。还有其他实施方式使用在紫外与可见光谱之间或可见与近红外光谱之间的荧光来拍摄图像。

在一些实施方式中，图像被像素化为多个像素。这些像素被分类为至少两种颜色，以供一些实施方式中的评分步骤使用。在一种实施方式中，这些像素被进一步分类为代表每种颜色不同强度级别的两个或更多子类。在至少一种实施方式中，这些像素包括红、绿和蓝色的变化中的强度。在一些实施方式中，分类步骤包括确定背景像素。

在本发明的另一方面，披露了在动态食品生产系统中监测缺陷的一种装置。该装置的至少一种实施方式包括图像获取设备；和能够存储算法的计算设备，其中该算法的依据包含基于食品内有色缺陷的视觉感知度而量化得出的偏好阈值。在一种实施方式中，算法的依据还包括有缺陷的面积与单件食品的面积之间的比值。在另一种实施方式中，该依据还包括确定每个像素的颜色强度值。在至少一种实施方式中，该图像获取设备是能够获取数字彩色图像的视觉系统。在一种实施方式中，该计算设备还能够对该图像获取设备所获取的图像进行像素化。在一种实施方式中，该装置包括与该计算设备通信连接的筛选器。

本文所述的方法所提供的对食品的评价和筛选不仅依据缺陷存在与否或者其尺寸，还依据缺陷强度、类型以及其相对该食品尺寸的相对面积。在一些实施方式中，所述方法对缺陷级别的区分部分基于消费者对缺陷的偏好或感知，同时计入被检测为不佳的缺陷的面积和类型。本披露内容提供了一种用于对食品评分、同时又消除食品浪费量的更为客观且稳定的依据。本文所述方法还提供了确定食品质量、同时控制到达消费者处的最终食品质量的方式。最后，所述方法提供了在动态或运动中的生产线上以实时或接近实时的方式将产品与理想的产品特性标准所进行的比较。

结合附图，从本发明的以下详细说明中将明白地知晓本发明的其他方面、实施方式和特征。附图为示意性，并非按照比例绘制。在附图中，各图中所示出的每个相同或基本类似的组件均由同一数字或记号表示。为明晰起见，并非每一组件均在所有图中标示。本发明的每一种实施方式的每一个组件也并未完全示出，具备业内普通技术的人员在这种不完全标示的条件下已足以理解本发明。

附图简要说明

被视为本发明特性的新特征在所附权利要求中阐述。而参照下文对示例实施方式的详细说明，并结合附图，将可很好地理解本发明本身及其优选使用模式、更多目的和优势。在附图中：

图1A和1B所示为现有技术中对经烹制的薯片产品进行拒绝的方法示例。

图2所示为根据一种实施方式对动态生产线中的食品质量进行评分和控制的系统。

图3所示为根据一种实施方式的本方法的整体流程图。

图4所示为根据一种实施方式的数字图像的累积。

图5所示为根据一种实施方式、用于对多个炸制薯片的总体外观评分进行确定和控制的理论废品量曲线。

详细说明

传统的图像分析方法在现有技术中已被用于食品工业的多种场合，例如水果和蔬菜筛选、自动分隔、异物检查以及一般包装场合。但与质量控制相关的、采用对作为一个群组的多个食品的总体外观进行改进化评分方式的数字成像应用在业界还未出现过。

本文所述方法提供了对多个待包装食品进行评分和质量控制。评分包括使用图像分析技术在已获取的图像中确定每个单独已加工食品的单独质量分值的步骤。本文所述的“质量”一词是指对食品的视觉方面的第一印象。质量评分根据其外观(包括颜色、被感知缺陷以及被感知缺陷的相对尺寸)给出，以确定烹制食品的视觉吸引力。

本文所披露的方法提供了最大限度减少浪费的途径，即尽管食品包含小缺陷、但却并不仅仅因此而被不必要地抛弃。相反，这些方法可将缺陷的相对尺寸连同缺陷类型一并加以考虑，在这样做时，这些方法可以控制最终配送至消费者处的产品的质量。图1A和1B示出了此前所用的采用计算机和视觉分析的评分方法，例如，在其中，两个薯片制品被给予相同的评分或评级，尽管从视觉上可以看出，其中一个比另一个的可接受度更高。在图1A中，薯片制品100的尺寸与薯片制品106的基本相同。但薯片制品100上遍布有许多变色区102，这通常在视觉上并不被消费者喜欢。换言之，薯片制品100上104处可接受度更高的薯片颜色(例如，黄色)基本看不到，而右图中的薯片制品106则基本为黄色，只有位于108处的少数缺陷。此前使用的图像分析方法将对两个制品同等对待，给予它们相同的质量分值，尽管在缺陷的相对尺寸方面，制品100的可接受度要高于制品106。换言之，此前的视觉成像分析系统根据缺陷的尺寸/面积来考查大部分缺陷，而与整体薯片尺寸无关，由此造成对有任何类型缺陷的大薯片过多的清除或抛弃。类似地，在图1B中，两个薯片制品110、112实际上尺寸不同，但却均包含尺寸大致相同的缺陷114。尽管如果根据薯片总面积与缺陷区域面积之比，两个薯片制品中的较大者会获得比较小的薯片更好的质量分值，但在先前方法中，两个薯片还是都会被作为从产品流中清除的目标，因为采用的是类似的过于严格的筛选系统。因此，此前的方法将无法解决缺陷类型或缺陷相对面积的问题。

本方法仅提供多个具有质量分值的食品，以使特定的缺陷和缺陷的相对程度被计入考虑，并且改善和控制需进一步加工的产品的全组外观分值，并最终包装到单个的袋或容器内，以供配送至消费者处。此外，本方法还可实现根据视觉感知对缺陷排定优先顺序。

图2所示为能够执行所披露方法的系统的一种实施方式。系统200包括图像获取设备202。在一些实施方式中，图像获取设备202被置于输送待筛选食品206的输送系统204上方。在至少一些实施方式中，输送系统204会与计算系统208通信。计算系统208包括微处理器210和存储器212。计算系统208再与筛选系统214通信，后者能够将低于特定质量标准的食品筛选出来。在至少一种实施方式中，在食品加工环境中采用图像技术的一种典型设置包括摄像头或其他图像获取设备、照明、图像采集板(帧接收器或数字化转换器)以及计算设备208。在一种实施方式中，微处理器210与存储器212以接口相连，后者存有用于图像数据处理的一个或多个计算机程序或软件。在一种实施方式中，计算设备208通过有线或无线传输设备从图像获取设备202接收数据。在一些实施方式中，计算设备208还包括中央处理器(CPU)，并与屏幕或打印机等输出设备以接口相连，数据处理的结果会被传送到输出设备。数据处理的结果也可被写入程序存储设备的文件中。计算设备208不仅包括标准的桌面计算设备，还可能包括能够存储信息并执行程序指令的任何系统。

在一种实施方式中，筛选设备214位于图像获取设备202下游处，包括一排可动式空气喷嘴，可以在薯片最终包装之前将质量分值最差、可接受度最低的食品抛弃或喷出。筛选设备214此时可能会进一步抛弃下一个可接受度最低的食品，或者下一个质量分值最差的单独食品，以继续改善在输送系统204上运行的多个食品的整体外观分值。应该指出，图2所示的系统200仅作概念示意；它不意味也不暗示对任何组件的尺寸、比例、位置或布置有任何限制。

现在参见图3，其中给出了用于对质量或外观进行评分和控制的总体的一般方法300。为了检查产品并从产品采集数据，在302步，首先由图像获取设备202获取食品的图像。至少在一些实施方式中，此图像是在运动中的食品沿动态加工线行进时所拍摄。在一种实施方式中，食品通过运动的输送系统204输送到后续操作位置，例如调味或包装。在一种实施方式中，食品被最终炸制并处于在输送系统204上从炸制阶段向后续加工步骤过渡的过程中。在一种实施方式中，食品被通过现有技术中已知的任何方式置于单层配置中。例如，通过将层状食品从第一输送带送至运动快得多的第二输送带，层状食品可以被置于单层配置中。在一种实施方式中，产品所在的输送系统204的整体宽度被采集为图像，由此提供对多个食品表面的最大化的检查和分析。输送机速度通常在平均每分钟600英尺左右。由此，在一种实施方式中，一系列图像被获取，使得该系列图像随后可被组合在一起，用于对穿过图像获取设备或位于其下方的整组、整批或大量产品进行分析。从每幅单独图像得出的结果被组合在一起，以提供整组图像的结果，就像它们全部均为一个样品一样，如图4所示。来自每幅图像的数据依照现有技术中已知的方法被组合在一起，就像是一幅大的图像一样。

在一些实施方式中，图像获取设备202包括图像分析系统。该图像分析系统可以是本领域技术人员所知晓的任何类型的成像系统，包括但不限于视觉系统、紫外–可见–近红外成像仪(或它们的任何组合)、X射线成像仪、热成像仪、声学/超声成像仪、微波成像仪，或在从超低频(在可听范围以下)到亚纳米波长的电磁波谱内工作的其他任何成像技术。在一种实施方式中，图像由以摄像头组成的在线视觉设备在可见光谱内拍摄，该光谱包含约400nm至约700nm的波长范围。例如，在拍摄可见光谱时可以采用安装在输送系统204上方的固定行扫描彩色电荷耦合器件(CCD)摄像头。此类摄像头进行一系列行扫描，以形成代表二维图像的二维像素阵列，沿一行测量每一像素的强度级别。也可将电磁辐射源配置为释放属于各个电磁波谱频带的辐射，包括但不限于红外光谱和紫外光谱，还可将其配置为在所需的波谱内发射单个和多个波长的电磁辐射。由此，在另一种实施方式中，图像在近红外光谱(约800nm至约2500nm)中拍摄。可视光谱之外的图像分析可能会有助益，例如，可以检测到表面上不可见的缺陷或检测水分或营养含量。在另一种实施方式中，图像在紫外光谱(约10nm至约400nm)中拍摄。相应地，应该理解为，图像可在预先确定的波长范围内拍摄，并不限于可见光谱。为方便起见，本文所述的针对加工休闲食品应用的方法可以最为简便地采用三个颜色通道(即红、绿和蓝色)在可见光谱内进行。但应该理解，采用可见光谱在其他应用场合可能并不合适。在一些实施方式中，休闲食品由可见光照亮，以获得该加工过程的产品图像。在其他实施方式中，产品采用某一波长的辐射照射，以观察其在不同区域内的响应。例如，基于所研究的特征(或缺陷)的特定特性，采用紫外线照射的照明可能在可见光区域内(例如荧光)产生响应。

回到图3的讨论，在成像设备202在302步获取图像之后，该图像以基本实时的方式传输至计算设备208以供图像分析。该传输可能是有线或无线传输，也可以采用能够传输数据的其他任何方法。该图像以对计算机或数据处理器有意义的一种形式获取。在一种实施方式中，该形式为由一系列数字或数字阵列所表示的图像。这通常通过在304步对图像进行像素化来实现。在本文中，像素化是指将图像划分为多个离散的图片元素或像素的二维网格。在一些实施方式中，由帧接收器或数字化转换器执行像素化304步。由此，在图像在302步被获取之后，其在304步被像素化、分段或数字化，使计算机或数据处理器可以从该图像获得信息或数据。每个像素有相应的颜色值，表示图像中对应于该像素的图像部分的色调和强度。

在一种实施方式中，方法300采用彩色摄像系统来记录至少两种不同颜色的强度。在一种实施方式中，每一图像由在至少三个波长范围内测得强度值的像素元素的图像阵列组成，这些像素元素确定了像素阵列的尺寸。尽管一种方式可能是要使用多光谱图像(在本例中为RGB)，但在其他实施方式中，本方法还适用于单光谱图像(例如，黑色和白色，x射线，超声波等)。通常使用被命名为红、绿、蓝的三个不同的颜色范围。由此，彩色摄像系统中的单个颜色值可由对应于红、绿和蓝色的强度的三个或更多离散变量或强度值r、g和b加以确定。图像中每个像素的颜色具有不同的红、绿和蓝色的强度，并由其红、绿和蓝色通道的数字值(例如，从0至255的整数)加以表征。应注意的是，在采集图像之前以及之后的定期间隔到期时，应对摄像头进行校准。

在304步进行像素化之后，在306步像素被分为两个或更多分类。在一种实施方式中，像素的分类又细分为不止一个分类步骤，例如在前景提取后进行可接受度分析。首先，由于产品在基本为单色的输送带上行进，像素被分类为背景或食品，使食品被拍照时所在的背景(例如输送带的暴露表面)与食品相区分。现有技术中已知有若干种方式可将前景与背景区分开来。例如，如果背景与被分析的物体有较高的对比度，可以采用简单的阈值。一般而言，现有技术中已知的任何将背景与食品相区分的方法均可配合本文所述方法使用。例如，在一种实施方式中，称为主成分分析(Principle Component Analys is，PCA)的多变量图像分析(如授予Bourg等人的7,068,817号美国专利所述)被应用于图像，用于区分背景。在另一种实施方式中，采用简单交互式对象提取(Simple Interactive ObjectExtract ion，SIOX)技术将所研究的前景或物体从背景中提取出来。

当像素被归类为属于一种可被识别为食品的颜色之后，像素又被分类为可接受的食品或可能不被接受的食品。在食品工业的质量控制应用场合中经常采用像素分类来区分可接受和有缺陷的产品。例如，可接受的食品将包含一种与一个或若干预先确定的可接受色彩相似的色彩。本文所使用的“可能不被接受的食品”这种说法是指食品表面上有一个或多个缺陷的食品，缺陷由与预先确定的可接受颜色不同的颜色表示。这些缺陷可以指可见光谱中若干预先确定的不可接受的色彩中的一种或多种。例如，授予Vannelli并转让给KeyTechnology,Inc.公司的5,335,293号美国专利披露了一种根据成分类型对像素和像素颜色值进行分类的方法，成分类型定义为代表单个质量分类的产品的区域，质量分类诸如“可接受”产品、“白色缺陷”产品、“褐色缺陷”产品，或取决于产品性质的其他分类。例如，四季豆等产品根据每一单个像素的颜色值差异分为两类(I类和II类)。对于“背景”和“未识别”区域也可存在成分类型。Vannelli的系统采用颜色训练法来识别缺陷，即，由个体操作人员对系统进行训练，使之知晓在产品流中哪些被视为缺陷颜色，哪些被视为可接受颜色。随后通过将观察到的颜色与由个体操作人员与系统的交互所识别的经训练颜色进行比较而得出的比较评价来实现筛选。在此类系统中，筛选系统依赖于个体操作人员随产品输入流而变化的动态操作。相比而言，在一些实施方式中，缺陷阈值基于缺陷面积百分比再以偏好因素加权计算得出。

除了由具体像素的RGB成分区分的特定颜色之外，还有其他特征，例如X向或Y向或X与Y向同时进行的颜色变化的梯度。此外，还可采用具体缺陷类型的特定识别特征(例如X向、Y向或X与Y向同时进行的特定的颜色顺序)来区分可见颜色光谱内可接受色彩之外的颜色。这些特征类型的意义在于它们拓宽了应用领域，并且规避了视觉技术应用于度量场合时经常需要的颜色校准步骤。

在一些实施方式中，一旦食品的图像被归类为可能不可接受的食品，像素将随即被进一步分类为代表食品表面上缺陷类型的两个或更多个分组。在一种实施方式中，分组对应于食品表面上发现的更为常见的颜色缺陷类型。在一种实施方式中，针对所检测到的每种色彩缺陷，可能不可接受的食品的像素被进一步分为两个或更多强度子级别。

举例而言，对于烹制薯片，可接受的薯片可能包含一个或多个黄色的色调或阴影，而可能不被接受的薯片可能包含一个或多个绿色、褐色或黑色的阴影或级别。由此，每个可能的颜色值被归类为多种成分类型中的一种，成分类型定义为代表单个质量分类的产品的区域，例如可接受的颜色或缺陷颜色的特定级别。在一种实施方式中，采用由美国农业部(USDA)发布的《美国供切片马铃薯等级标准》(《标准》)来定义可接受颜色与缺陷颜色。例如，《标准》指出，除非另有规定，炸制薯片的复合样本在经USDA核准的光电比色计(AgtronM-30A或M-300A)上的颜色指数读数不应低于25，或者其可以依据一个或多个颜色命名得出，相应的比色计指数(Agtron M-30A或M-300A)如下文表1中规定：

表1

颜色命名	Agtron指数范围
		1	65及更高
2	55至64
		3	45至54
4	35至44
		5	25至34

在306步基于产品/背景和缺陷颜色进行像素分类之后，在308步，具有一种或多种被检缺陷颜色的每个像素被基于其强度值或级别进行分类。在308步确定强度值时，像素首先被计数，以确定被归类为预定或预置类别或级别之一的像素的数量。

随后在310步对所检测到的每一色调的百分比值加以确定，以便在312步对图像中的食品提供单独产品分值。在一些实施方式中，单独产品分值通过将每个百分比值乘以预定的系数计算得出。在一种实施方式中，该系数将计入使消费者更加可能谅解缺陷颜色的因素。例如，可以使用对每一类缺陷给出的消费者分值或评级，针对最常再现的缺陷类型进行评价。在多数实施方式中，至少会对一类缺陷进行评价，以进行排序或评分。在另一种实施方式中，可使用三个或更多缺陷进行评价。例如对于烹制薯片，消费者可能对其食用表面上有一个或多个缺陷阴影(例如，绿色、黑色或褐色)的薯片的意愿进行评分。反过来，消费者还可以对其对食用具有此类缺陷的薯片制品的抵触心理进行评分。随后会对每一缺陷给出具体的系数，由此对谅解或消费变色缺陷产品的抵触心理(或意愿)加以排序。这些系数会被纳入将被编程到处理器内的算法中，以进行实时计算或评分。实质上，此类计算可以根据与食品表面上缺陷颜色相关的呈现缺陷的像素的百分比或数量来对消费者不满意度作出预测。此外，在一些实施方式中，相同的算法可被应用于单个薯片级别的计算，也可通过基于加权薯片尺寸对分值进行求和，以计算出总体等级。在其他实施方式中，偏好系数由质量保证考虑因素决定，而与消费者偏好无关。

采用矩阵数学的形式，可以更加容易地理解颜色强度值、色调百分比值以及偏好因素或系数在该算法中的应用。例如，在一种实施方式中，像素依据红、绿和蓝这些颜色进行分类，并进一步根据低、中和高等强度值类别进行分类，这些数据可以通过一个3x3矩阵进行简洁地表达：

其中列表示颜色(RGB)，行表示强度值。此矩阵还可以乘以一个系数或另一个表示偏好因素的矩阵，以得出加权像素数据。使用矩阵的一个优势在于其计算效率，且能够指定单个数字(例如矩阵的行列式)来表示像素。像素的这一单个数字可以很容易地进行累计，以得出单独产品分值或分组外观分值。

在替代性实施方式中，矩阵的列或行代表了除颜色之外的其他质量因素。例如，在302和304步进行非可见光谱分析的实施方式中，矩阵的列可以表示湿度水平、密度或孔隙度。在另一种实施方式中，其他质量因素包括特定化学元素或化合物的量。将涵盖多个不同电磁波谱范围的图像获取设备组合在一起以获得同一像素的多个矩阵，这属于本披露内容的范围。

再参见图3，一旦单独产品分值在312步被指定，系统200将在314步在存储器212内累计这些分值。在其他实施方式中，在314步，矩阵数据和计算所得分值被累计。在至少一些实施方式中，方法300从与被筛选的食品流无关的预置一般筛选阈值开始。在316步，系统200决定是否更新筛选阈值。如果系统200决定不更新314处的阈值，方法300将继续使用预置阈值进行后续步骤。如果系统200决定更新该阈值，方法300将返回314步，继续累计单独产品分值。更新筛选阈值的决定部分基于后续对分组外观或“包袋”分值的计算(324步)以及是否希望提高包袋或批次的分组外观分值。

系统200累积数据的时间可根据需要进行调整。在一种实施方式中，提供了预先确定的时间间隔(例如3分钟)。在其他实施方式中，累积时间的调整基于累计质量分值或在食品流中检测到的变化或偏差量而进行。在这些实施方式中，一旦单独食品的初始组的质量分值被确定，系统200就会在316步动态至少部分基于筛选中的批次而调整筛选阈值。这被称为情景式筛选，其与先前筛选方法不同，先前的方法完全着力于将含有表示缺陷的像素的任何或所有产品筛选出来。这种情景式筛选的可能有利之处在于，它可以减少对食品的过度筛选和不必要的浪费。此外，带有反馈环的自动化数字式系统无需操作人员即可对大量产品进行自主筛选。

在318步，计算设备208将筛选阈值与单独产品分值进行比较。在方法300的初始循环中，单独产品分值会与被筛选食品流无关的预置式、一般性筛选阈值进行比较。在筛选阈值在316步被更新之后的后续循环中，系统200会在318步将单独产品分值与已更新的筛选阈值进行比较。

基于在318步进行的比较，系统200在320步决定是否筛选出单独食品，决定依据其是否有利于改善分组外观或包袋分值。如果在320步的决定为否定，该单独食品会在326步与待装袋或待包装的产品归组在一起，其单独产品分值会与其他不被排除的产品分值累加，以在324步确定包袋分值。如果在320步的决定为肯定，则会向下游的筛选设备214发送信号，使得经过单独排序的食品在322步被排除，排除操作从最不理想的产品(或质量分值最差的产品)开始。

在一种实施方式中，在包装步骤之前的步骤，被拒绝或排序最低的食品被出自空气喷嘴的气流喷离承载产品的输送带。在另一种实施方式中，被拒绝的食品被转至输送带的另一部分上，使得它们在被最终抛弃之前还可以经过摄像头进行附加的检查。在一种实施方式中，系统200会排除并抛弃低于“无争议”阈值的食品，而没有更多的检查。图5示出了如何根据理论废品曲线来确定一个无争议阈值的示例。在该例中，分值低于无争议阈值的任何单独产品(由双线示出)均会在322步被排除。

在320和322步对产品进行筛选之后，系统200会在324步确定被筛选产品216的分组外观或包袋分值。尽管包袋分值可能是指容器或包袋内产品的合计分值，该合计分值可以按所需尺寸逐批次进行计算。如果分组外观分值低于可接受的水平，则对筛选阈值进行更新(即，方法300返回316步更新筛选阈值)，以进行更为严格的筛选(例如，筛选出分值最不理想的单独产品)，并由此提高总体分值。按包袋对分值进行合计的一个优势是可以确保消费者从一个包袋的产品质量可以获得对其他包袋产品质量的稳定预期。被筛选的产品216可以被选择发送至包装系统，在326步被包装入袋。在328步，系统200决定是否继续筛选过程。如果为肯定，方法300将返回302步，继续获取图像。如果为否定，方法300终止。

参照薯片被炸制到水分含量低于3％左右时可能出现特定颜色缺陷的薯片生产线，可对本发明作出最佳的解释。此类颜色缺陷可能存在问题，因为它们会对消费者接受或食用该食品的意愿造成负面影响，使消费者满意度降低。

薯片在连续炸锅中进行炸制，例如，在约340oF至约360oF的温度下持续炸制约3分钟。烹制薯片离开炸锅，以每分钟约480至600英尺的速度沿输送带行进。在输送带上方安装有可见光谱照明系统和RGB摄像系统。在多个薯片沿输送带行进时，数字摄像头会拍摄它们的彩色图像，产品的图像会被发送至计算机，以采用本文所披露的方法进行分析。行扫描CCD摄像头可能是诸如具备关键专利技术的RGB 3CCD行扫描摄像头，由直流电(例如电池)或取自电源插座的交流电供电。摄像头生成的RGB信号被送至CPU内的图像数字化板，后者可以是在微软Windows、UNIX、LINUX或Macintosh等操作系统下运行软件的市售服务器级计算机。数字化板采集运动中食品的图像，该图像被保存以供分析。至少在一些实施方式中，图像通过一种网络协议和共享磁盘驱动器技术从初始帧接收器计算机传出。该图像被发送至计算设备，后者被编程为确定像素值，并将像素的颜色与预先确定的视为可接受和有缺陷的值进行比较。

在测试运行中，在识别背景像素之后，被预先确定为可接受食品的黄色调被确定，以便与可能不可接受的食品相区分。随后红、绿和蓝色像素强度值被映射为9种可能的色调之一，也就是说，黑色、褐色和绿色的各3个子级别(深、中或浅)。应注意的是，尽管测试运行评价了3种颜色，但如果只有一种缺陷为优选目标，则可仅针对一种颜色进行分析。随后按每种可能的色调对像素进行计数，并计算出每种色调相对于薯片尺寸的面积百分比。随后，按上文所述进行开发并编程到计算设备内的算法会对图像内的多个薯片提供分组外观分值，并对图像内的每一个薯片也进行评分。例如，以下表2示出了对每种颜色缺陷的面积百分比进行的旨在预测分组外观分值的简单示例计算。

表2

颜色缺陷	黑色	褐色	绿色
				面积百分比-行1	0.3	0.63	0.8
面积百分比-行2	0.5	0.3	0.15
				面积百分比-行3	0.02	0.1	0.3

一般而言，特定颜色缺陷的面积百分比越高，表示消费者的厌恶程度就越高。随后计算分组分值，方法是：将预先确定的消费者系数a、b和c乘以表中确定的有色像素的面积百分比。例如，如下所示：

分组外观分值＝(0.3)a+(0.63)b+(0.8)c

行扫描数据和计算可以进行累计，以确定每一薯片的单独质量分值。在以下表3中示出了一个此类示例：

表3

随后处理器确定一个理论废品曲线，如图4的示例所示。废品曲线描绘了多个薯片的总体外观分值，从约77开始(见图中的77.3512处)。由于每个薯片均已被给出一个单独产品分值，为改善总体外观或包袋分值，产品分值最差的薯片会被首先排除。如图4图线所示，去除这第一个分值最差的薯片可将外观分值提高到86左右。由此，虚线示出了从约77向右到约86的曲线。如果希望继续提高外观分值，则可将具有第二差产品分值的薯片作为目标。如向右延伸的虚线所示理论废品曲线的第三个图线节点所示，这可以再一次改善外观分值；这一次达到接近90的水平。去除具有第三差产品分值的薯片，将沿理论废品曲线再次跳转至约92的水平。类似地，随着排序中第四至第九位的薯片被排除，更多的图线会呈现出外观分值接近100的曲线。然而随着分组外观分值的提高，理论废品量也会提高。因此，为使浪费降至最低，可能更加会希望在分组外观分值与理论废品量之间进行平衡，以实现一个理想的结果。

当决定要将薯片抛弃以提高待包装的多个薯片的总体外观分值时，由一排空气喷嘴组成的筛选机会收到图像分析系统的信号，告知在特定距离或时间内有缺陷的薯片正在靠近。随后筛选设备将一股风吹向该缺陷薯片，使之离开输送带。由此，筛选机根据预先确定或经编程的标准将缺陷最严重的产品从动态流中去除。

在一种实施方式中，筛选设备被置于视觉设备下游较短距离处(例如不足10英尺处)。由此，在此类实施方式中，如果食品正沿输送带以高于600英尺每分的速度运动，针对是否要将一薯片排除以提高多个薯片的总体质量所作的图像分析和决定必须非常快地完成。为此，在与视觉设备和筛选设备相连接的硅芯片内会编入算法。在一种替代性实施方式中，该算法被编程到筛选计算机内。由于计算时间相当快(例如，在微秒到毫秒量级上)，此方法可被用于一种在线测量设备中，并集成到控制系统内，以便在不到1秒的时间内实现对各色像素的测量和对食品的评分。

尽管对本发明的介绍参照了薯片生产线中的颜色缺陷，但应该理解，本发明也适用于其他缺陷(例如水疱、形状、孔洞、烧灼痕迹或斑点等)及其他经热加工的食品(例如墨西哥玉米片、膨化食品、爆米花类型零食、膨化谷粒、早餐谷物食品、坚果或肉制小食品)。所给出的示例和解释并不意味着对本发明的限制。

本文所述的筛选方法可用于在0至1000英尺每分左右的全速生产下进行连续的在线检查，或者它们可以以分批给料模式使用。如前所述，为后续分析拍摄图像的摄像头可被用于在可视范围(例如，红、绿和蓝)或红外(IR)或紫外(UV)光谱或它们的任何组合范围内进行检查。

在对本发明的至少一种实施方式的若干方面进行介绍之后，应该理解的是，本领域技术人员将可很容易地想到各种变化、改动和改进。这种变化、改动和改进应属于本披露内容的范畴，并应在本发明的精神和范围内。相应地，前述说明和附图仅作示例和示意之用。

Claims (18)

1.一种对多个运动中食品的质量进行评分和控制的方法，所述方法包括以下步骤：

获取多个运动中食品的图像；

对所述图像进行图像分析，所述图像分析包括将所述图像像素化为多个像素，确定每个像素的颜色强度，并将每个像素分类为至少两种颜色，以供后续的评分步骤之用；

根据色调的百分比值，所述食品被感知缺陷，或所述食品被感知缺陷的相对尺寸，对所述多个运动中食品分组计分，由此得出总的计算分组外观分值；以及

根据应用于单独食品的图像分析，对每个单独食品进行评分，由此得出多个单独产品分值；

根据单独产品分值，对每个所述单独食品进行排序；并

根据质量阈值排除掉一个或多个所述单独食品，以提高所述分组外观分值，其中产品分值最低的所述单独食品首先被排除掉。

2.如权利要求1所述的方法，其中排除步骤包括向下游筛选设备发送信号以抛弃掉被单独评分的食品。

3.如权利要求1所述的方法，其中所述质量阈值的改变部分地基于所述分组外观分值而作出。

4.如权利要求1所述的方法，其中获取步骤包括顺序获取所述多个运动中食品的多个图像，并将所述多个图像组合在一起，随后再进行所述图像分析。

5.如权利要求1所述的方法，其中所述图像以可见光谱拍摄。

6.如权利要求1所述的方法，其中所述图像以近红外光谱拍摄。

7.如权利要求1所述的方法，其中所述图像以紫外光谱拍摄。

8.如权利要求1所述的方法，其中所述图像采用紫外与可见光谱之间的荧光拍摄。

9.如权利要求1所述的方法，其中所述图像采用可见与近红外光谱的荧光拍摄。

10.如权利要求1所述的方法，还包括将每个像素分类为代表每种颜色的不同强度级别的两个或更多子类。

11.如权利要求1所述的方法，其中所述像素包括红、绿和蓝色的变化中的强度。

12.如权利要求1所述的方法，其中对所述像素分类还包括确定多个背景像素。

13.一种在动态食品生产系统中监测缺陷的装置，包括：

图像获取设备；和

中央处理器，其中算法被编程到所述中央处理器内，所述算法的依据包括基于食品内色彩呈现缺陷的视觉感知度而量化得出的阈值，以及总的计算分组外观分值，其中所述色彩呈现缺陷为可见光谱内的预定色彩。

14.如权利要求13所述的装置，其中所述依据还包括有缺陷的面积与单件食品的面积之间的比值。

15.如权利要求13所述的装置，其中所述依据还包括确定每个像素的颜色强度值。

16.如权利要求13所述的装置，其中所述图像获取设备是摄像头。

17.如权利要求13所述的装置，其中所述中央处理器还能够对所述图像获取设备所获取的图像进行像素化。

18.如权利要求13所述的装置，还包括筛选器，其中所述筛选器与所述中央处理器通信连接。