CN106455594B - 虾加工系统和方法 - Google Patents

Abstract

使用视觉系统加工虾的方法和系统。在线式或离线式视觉系统捕捉样本虾的图像。处理器生成样本中这些虾的数字图像。将退出剥皮机的虾成像从而确定每个样本虾的尾段数量或全重百分比。这些虾按照完整段的数量进行分类，并根据分类结果计算质量、产量和通过量。处理器能基于分类结果控制剥皮机的操作设定。更大型的系统除了剥皮机之外还包含其他虾加工设备，沿加工路径的其他点位可以用摄像机成像或由其他传感器感测以确定加工质量并对设备进行自动操作的调整。

Description

虾加工系统和方法

发明背景

本发明涉及一种加工虾的装置和方法。

起初由于与手动给小虾剥皮相关的劳动力成本很高而引入了剥虾机，现在剥虾机在虾加工工业中应用广泛。尤其是辊式剥虾机占据了剥皮业的主要地位。授予Fernand S.、James M.和Emile M.Lapeyre的两项美国专利号2,778,055和2,537,355描述了辊式剥虾机的基本结构和操作原则。

许多因素影响虾仁的通过量、质量和产量。有些因素和虾自身有关，包括虾的种类、大小、均匀性和新鲜度。有些因素和剥皮设备相关，包括剥皮机的虾给送速率、剥皮机的水流以及指框压力(finger-frame pressure)。还有一些因素和其他虾处理设备相关，例如清洁机、虾给送系统、辊分离器、空气分离器和分级机。设备相关的因素通常是手动可调的，以提高特定批次虾的剥皮质量和产量，或者补偿剥皮辊的磨损。由于虾仁的质量和产量直接影响其生产成本和要价，适当调整剥皮设备十分重要。但是适当的手动调整要求对输出质量、产量以及选择应进行的调整方面的经验进行完善的监控。

发明内容

一种实施了本发明特征的虾加工系统包括一个将虾沿加工线输送的输送器和一个带有视觉系统的离线QC站，该视觉系统捕捉从输送器上的虾收集的样本虾的数字图像。处理器从该数字图像确定这些样本虾中的每一个中存在的尾段数量或者估算这些样本虾中的每一个的全重百分比，并按照这些样本虾中的每一个中存在的尾段数量或全重百分比将这些样本虾中的每一个分类到多个类别之一中。

在本发明的另一方面，一种用于虾加工系统的离线QC站包括一个视觉系统和一个处理器，该视觉系统捕捉从输送器上的虾收集的样本虾的数字图像，该处理器从该数字图像确定这些样本虾中的每一个中存在的尾段数量或者估算这些样本虾中的每一个的全重百分比，并按照这些样本虾中的每一个中存在的尾段数量或全重百分比将这些样本虾中的每一个分类到多个类别之一中。

在又一个方面中，一种实施本发明特征的用于加工虾的方法包括：(A)在输送器上沿输送方向在加工线上运输虾；(b)从输送器上正在运输的虾中采集样本虾；(c)在离线视觉站创建样本虾的数字图像；(d)从该数字图像确定这些样本虾中的每一个中存在的尾段数量或者估算这些样本虾中的每一个的全重百分比；以及(e)按照这些样本虾中的每一个中存在的尾段数量或全重百分比将这些样本虾中的每一个分类到多个类别之一中。

附图简要说明

本发明的这些特征和方面以及其优点在以下说明、所附权利要求以及附图中予以更详细的描述，在附图中：

图1是虾仁的示图；

图2A-2C分别是高质量、中等质量和低质量虾仁的侧视图；而图2D是虾残段的侧视图；

图3是实施本发明特征的一种自动剥虾系统的一部分的框图；

图4是示出虾仁总重量的累计百分比和连续完整尾段数量之间关系的曲线图；

图5是实施本发明特征的一种自动虾加工系统的框图；

图6是可用于如图3所示的自动剥虾系统中的一种控制方案的一个版本的流程；以及

图7是一种用于在如图3所示的剥虾系统中估算产量和通过量的基于重量的算法的一种形式的流程图；

图8是用于如图5所示的虾加工系统的一种离线视觉站的等距视图；以及

图9是如图8所示的离线视觉站的方框图。

详细说明

图1示出了一只虾仁或者一只剥壳去头的虾的解剖图。完整的虾肉10包括6个大段S1-S6和一个尾节T。头端段S1在所有段中具有最大的周长；尾端节T有时会在剥皮过程中随着壳丢失。虾段S1-S6通常被称为“尾段”。像其他特征一样，比如沿虾背的凹痕I和沿相邻尾段连接处下侧的凹痕J，相邻尾段之间的边界B通常是可以分辨的。

确定剥皮质量的一种方法是通过计算离开剥皮机的虾仁中连续尾段的数量并将每一个虾仁分类为高质量、中等质量和低质量。例如，有六个完整尾段S1-S6(有或没有尾节)(图2A)的每个虾可被归类为高质量；不属于高质量但具有完整的尾段S1-S5以及超过一半的尾段S6(图2B)的每个虾可被归类为中等质量；而既不属于高质量也不属于中等质量但具有完整尾段S1-S5的每个虾可被归类为低质量(图2C)。比低质量虾的尾段数更少的虾可以和缺失第一个尾段S1的虾一起被归类为残段(Bits)。当然，质量等级，或者分类，也可以有其他的界定方法。例如，中等质量可以包括不属于高质量但具有五个完整尾段(S1-S5)的虾；低质量可以包含不属于高或中等质量但具有完整的四个尾段(S1-S4)的虾；而其他任何虾肉均被归类为残段。替代地，也可以界定多于四个质量等级。

图3示出了实施本发明特征的一种自动剥皮系统。自动剥虾机或剥皮机12从虾上去除头部和外壳。由美国路易斯安那州哈拉汉市莱特木机械公司(Laitram Machinery,Inc.of Harahan,Louisiana,U.S.A.)制造并销售的A型剥皮机是此类剥皮机的一个实例。美国专利号2,778,055描述了类似A型剥皮机的辊式剥皮机的整体结构细节和操作，该专利通过引用结合到本说明书中。虾14在输送方向15上沿加工线从剥皮机12运出至进一步加工站点，该加工站点位于输送器16的下游，该输送器比如具有承载虾的外部输送表面18的输送带。可替代地，这些虾可以从剥皮机运送到一个斜槽或者在离开剥皮机后掉落。

包含一个或多个摄像机22的视觉系统20，在这些虾在斜槽中路过视觉系统或在自由下落中通过视觉系统时，捕捉在该输送器的一部分上的这些虾的帧图像。视觉系统20生成这些虾14在输送表面18上的数字图像。这些虾通常侧面向下放置在输送表面18上，该输送表面的颜色比虾肉更深，从而提供对比以便更好地成像。该帧的数字图像被送至处理器24，该处理器处理该图像。成像算法检测这些虾的物理特征或特点，例如表明凹痕(I，J；图1)的外部上、下边缘，以及表明尾段之间边界线(B；图1)的、虾肉中高对比度的颜色更深的线条。作为从边界线或凹痕来辨别尾段的一个替代方案，成像算法可用来确定质量分类，该成像算法利用一只虾的投影面积、其周长、其弧长或不同尺寸之间的关系，例如虾在第一尾段S1头端的宽度(上边缘到下边缘)与最后一个完整尾段的宽度之间的比率。或者可以采用一种模式识别算法，该算法将每一个成像的虾与不同数量尾段的虾的标准数字模型进行比较。可以保留一个不同种类的虾的标准数字图像库。根据经处理的图像，该算法确定该帧中每一个虾图像的连续完整尾段的数量，并将每一个虾分类到质量分类之一中。该算法也计算虾样本总数以及每一帧中每一个质量分类中的虾数量。从这些计数，该算法计算剥皮的质量和产量的统计数据，例如每个质量分类的产量，这些统计数据可以报告在显示器26上、作为报告打印、或者当统计数据位于预设极限值之外时发出警报。处理器24也能响应于超出极限的产量或质量值，通过控制线路27的控制信号来调整剥皮机的一个或多个操作参数，例如送入速率、辊转动频率、指框压力和水流等。

图6的流程图示出了可用于图3所示的系统的控制方案的一个示例性版本。首先，虾仁离开剥皮机之后，该视觉系统捕捉虾仁的一个样本的帧30。从该帧创建该样本中的每一个虾的数字图像32，并以前文描述的多种方式中的一种进行处理。计算该帧中虾的数量34以获得样本的规模。从每一个虾的数字图像中，通过尾段计数算法，可以确定每一个虾的连续完整尾段的数量，然后这些虾按照完整尾段的数量被归类36为不同的质量等级，如高质量、中等质量和低质量。该分类过程也将完整尾段少于低质量虾阈值、或者缺失第一段S1的虾部分归为残段，该残段往往不够大而不能作为虾仁销售。包含外壳碎片的虾仁也会被计数。可以利用外壳比虾肉更大的反射率来在图像处理中检测带有残留外壳的未完全剥皮的虾。计算每个质量分类的产量38，即质量产量，如下：残段％＝残段数量/样本规模；低质量％＝低质量数量/样本规模；中等质量％＝中等质量数量/样本规模；以及高等质量％＝高等质量数量/样本规模。这些百分比数值提供了以数量为基础的对产量的度量，这不需要测量或估算虾的重量。计算剥皮质量40，如下：剥皮质量％＝1-(带壳数量/样本规模)。为了使从帧到帧之间计算的数值平滑，计算的数值或单独的计数可以在移动平均数字过滤器(moving-average digital filter)中过滤42。然后过滤数值可在显示44或以其他方式报告。过滤后的质量值也可以被处理器用来自动调整剥皮机的操作参数46。随后对另一个帧重复这一过程。

关于图6流程图的所描述的过程计算了质量类别和产量值，这是基于在由连续完整尾段数量界定的各种质量等级、类别或分类的虾仁的相对计数。另一种可以测量产量的方法是将尾段数量转换为虾重量。对于在图4中的三个特定的虾组已经通过经验确定了从头端段S1直到尾节T的虾仁肉的百分比累积重量之间的关系。三条图示曲线代表野生的冷水北极甜虾以及洪都拉斯和秘鲁渔场养殖的南极白虾。就北极甜虾而言，第一尾段仅占完整虾仁的重量的不足30％；第一和第二尾段一共占完整虾仁重量的大约45％；且第一到第六尾段占虾仁重量的大约98％。处理器使用尾段计数算法以确定完整尾段的数量(包括最后一节不完整尾段的分数)，可以采用用于正在剥皮的这种虾的预定曲线，以给每一块虾肉分配全重百分比估算值。随后该帧中所有虾的百分比可被平均以求得每一帧的基于重量的产量百分比，该百分比可以以如图6中的产量值一样的方法过滤。

其他视觉系统算法能替代地用于确定每一个虾的体积。在单摄像机、二维图像捕捉中，可能用于确定尾段数量的虾的投影面积、其周长、其弧长或其他尺寸属性也能被用来估算虾的体积。在知晓正在测量的虾种类的虾肉密度(重量/体积)的情况下，每一个虾块的重量可以通过体积乘以密度的方法确定。图7的流程图描绘了用于计算产量和通过量的示例性的基于重量的算法。在捕捉30虾仁样本的帧图像以及创建32该样本中每一个虾的数字图像之后，确定虾的体积而且对虾的尾段数量进行计数80。随后按照预先建立的分类标准将虾分类36。如果虾被归为残段82，那么以相同的方式来分析帧中的下一个虾。如果这只虾不是残段，且被分类到多个质量等级之一中，则如前文所述从该虾的体积、肉密度估算该虾的重量84。虾的完整尾段数量被用来通过参考如图4所示的％-重量对段数量的曲线来确定其全重的百分比86。该算法使用这只虾的％-重量值估算全段或六段的重量88，如同这只虾的全部尾段S1-T都是完好无损一样。将该成像虾的计算重量除以来自该曲线的％重量值以计算六段重量。多个摄像机可用来创建一个三维图像以及待用于确定重量的更直接的体积测量。

可替代地，通过使用尺寸和全重百分比之间的通过经验预先确定的关系(类似于如图4所示的尾段数量和全重百分比之间的关系)，虾的估算尺寸(体积、形状或者两者)可被用来直接估算全重百分比，而不用参考尾段的数量。虾的分类可以通过以全重百分比范围限定每个分类来完成，例如高质量：>98％；中等质量：92％-98％；低质量：85％-92％；残段：<85％。

在该摄像机位置的上游，一些缺失的段离开本过程。例如，一些缺失的段通过剥皮机辊被抽出并抛弃。但是该虾其他缺失的段被输送至视觉系统并成像。那就是为什么那些缺失的段或残段(如果它们不被销售)在计算产量或通过量不被计入的原因。每一个非残段虾块的计算重量都会被加入到其质量分类的累计重量中90。六段的重量也被加起来92以计算延续六段的总重量，也就是如果所有虾都有六个完整段，样本中的虾仁的累计重量。通过将对于每个分类的累计重量除以样本的累计六段重量来计算对于每个分类的产量94。按照分类和总体的虾仁样本的通过量可以通过将对于每个等级的累计重量和六段重量除以样本呈现的时间间隔来获得96。产量和通过量计算不一定要和重量求和以相同速率进行，重量求和在分析每一个虾时进行。例如，产量和通过量计算可能每帧只执行一次，并且可以如参考图6描述的用以前的数值过滤。

因此，刚刚描述的视觉系统是以虾的估算重量而不是虾的数量为基础。该视觉系统标识个体虾的哪段缺失，从而确定每一个虾的质量等级(根据其完整段的数量)。采用一个或多个尾段重量算法(使用如图4所示的通过经验确定的曲线)和密度算法来计算由于段缺失造成的每一个虾仁的百分比和绝对重量损失。从该信息，可计算每个质量等级和整体的％-产量和通过量。

基于重量的方法的准确性可以通过加入由称重装置28(图3)提供的在线实时重量测量来改进，该称重装置如漏斗式称量天平或动态称量带。该称重装置将重量测量值通过信号线路29发送至处理器24。该重量测量值用来改进所计算的通过量值的准确度，这也提高％-产量数值的准确度。

具有尾段计数、通过量、产量和其他算法的该视觉系统可以被整合到如图5所示的更大型的自动虾加工系统。示例性的虾加工系统50包含一个或多个剥皮机12和如前文所述的用于虾仁成像的关联的视觉系统20。带壳的虾被输入泵或输送器52送入该系统中并被送到石槽(rock-tank)系统，在石槽系统中，石槽中的湍急水流从虾中将石块、壳和其他杂物清除。与杂物分离的这些虾被收集到该石槽系统的接收槽中，并被泵送到进料槽56中。这些虾通过一种自动进料系统58从进料槽运走，该自动进料系统将这些虾分配到剥皮机12。这些虾仁从剥皮机被运送至一个或多个清洁机60，该清洁机分离任何残余的壳或废料。这些虾被输送至一个或多个辊分离器62，该辊分离器分离由清洁机60从虾中分离的废料。空气分离器64将松散的废料和壳与虾分离。这些虾随后在检查带66上输送，此处这些虾可以接受检查然后在一个或多个分级机68中被分级为不同的尺寸。分级后的虾然后被输送至去虾线机(未示出)，该去虾线机割开虾背并去除血管。

总控处理器70用于监视和控制整个虾加工系统50。该总控处理器可以被实现为单一的中央处理器或分布式处理器网络。该总控处理器从剥皮机输出视觉系统20和放置于贯穿该系统的沿虾加工路径的不同点位的其他视觉系统72经输入线71接受图像数据。总控处理器70能从测量其他系统变量(例如温度、重量和速度)的其他传感器接收传感信号。例如，进入剥皮机12的虾可被成像以确定通过量是否过高。清洁机60的输出可以被监控以确定清洁过程的质量。同样，也可以通过监控辊分离器62和空气分离器64的输出来确定辊分离和空气分离过程的质量。可以监控检查带66来检查虾向分级机68的进给率。除了A型剥皮机，莱特木机械公司还制造和销售其他虾加工设备，例如自动收费系统、RTFS型石槽和进料系统、C型清洁机、S型辊分离器、AS型空气分离器、IB型检查带和G-8型分级机。如前文提及的莱特木机械设备装备有促动器，该促动器能响应于控制信号调整该设备的操作参数。位于剥皮机下游的加工设备站通过输送机系统相连，该输送机系统包含传送带、升降机、流体管道或其他沿加工路径运输虾的运输设备。总控处理器70运行从视觉数据生成虾图像的算法和例程，并在虾加工系统的不同点位计算通过量、质量和产量结果。该计算结果能被显示并用于获得控制信号以通过处理器控制输出线路74自动控制该系统的操作，从而改善质量并提高产量。例如，总控处理器70能通过控制输入泵或输送器52的速度进而控制虾传送到石槽54的速率。该处理器还能通过控制接收槽的泵的速度进而控制从石槽系统的接收槽到进料槽56的输送虾的速率。这两个调整可以依赖于分配给剥皮机12的进料系统58中的虾的体积。虾的体积或它们的进料速率或通过量由视觉系统或由天平来确定。如果通过量过高，可以将进料泵减速，并且进料系统的传送带速度也可以放缓。如果通过量过低，可以通过提高泵和传送带的速度来提高通过量。像图3所示的处理器24，总控处理器70能以剥皮质量、通过量和产量的度量为基础控制水流、指框压力、辊压力、或辊旋转速率。清洁机60的水流或轮转速能根据清洁过程的质量进行调整。水流或辊分离器62的辊间距、空气分离器64的风扇速度、检查带66的速度以及分级机68的级别设定都可以随着从整个系统的视觉或所进行的其他测量值计算的质量、产量和通过量值进行自动调整。并且总控处理器70能监视和控制其他系统部件，例如废水管理系统76和水温。或者该处理器能控制位于检查带66处的机器人挑选系统78，例如用于从所希望的虾产品与不需要的虾残段和不可识别物分离，或不依靠单独的分级机68给虾分级。

如图5所示的在线视觉系统20、72中的任何一种都可以被如图8和9所示的配置有视觉系统的离线质量控制(QC)站100替代。离线(即不在输送线中)察看减少了所需的计算能力，因为在给定时期内需要捕捉和处理的图像更少。离线QC站100由外壳102和可伸缩托盘104组成，该托盘用于装载和移除待成像的虾105。该外壳还包括一个或多个摄像机106、可见白光108以及一个处理器或计算机110，该处理器或计算机控制这些摄像机或这些摄像机106并通过控制线112控制该可见白光108。计算机110和用户界面114互动，例如平板、触摸屏，并处理已捕捉图像。该视觉系统也能包括有助于检测该虾身上残留软壳的紫外(UV)光116。UVC波段(波长约254纳米)的光导致虾壳中的壳质发出荧光，使得当可见白光108关闭且UV光116打开时，只从虾的带壳区域发出的蓝色荧光使这个摄像机或这些摄像机106能够利用颜色强度分析来检测任何残留的壳。通过将每一个虾的UV照射图像和白光照射图像对准，颜色强度分析限制于该虾的图像，这消除背景输送器材料或其他非虾荧光物体可能引发的误差。

当使用离线QC站时，人类操作员或机器人从虾加工系统50(图5)收集一只或多只虾的样本，并将虾样本侧面向下放置在离线视觉系统托盘104的支撑表面118上。为了更好的视觉效果，该虾没有趴伏运输(piggy-backed)。该托盘被推入该外壳，并对这个或这些样本虾成像。用这种方法，进入虾加工系统50并被处理和离开的虾的各种特征被一个或多个摄像机106测量，从而用光学方法检测个体虾的特征并测量其尺寸和几何特征，例如完整段的数量和全尺寸的百分比。从该图像中可以辨别的其他特征包括作为偏离标准范围的颜色变化而可检测的黑斑(黑变病)、坏死、以及损坏。根据那些所测量的属性，可以对所采样和成像的虾中的每一个的质量和重量进行近似。从个体样本虾中的每一个的近似数值，计算机110估算连续产品流的整体质量、重量和产量。同样，个体样本虾的整体质量、重量和产量值可以和其他样本的整体结果相结合，从而改进估算。该样本的结果能被显示在屏幕上并被保存，以提供间歇性但持续的过程表现记录，该记录可用于过程调整从而获得连续改善。离线QC站100与国际互联网可选地直接连接或通过由用户从该站的远程访问的万维网服务器120连接。远程用户拥有QC站独有的、密码保护的对网站门户访问，该网站门户以表格或图表的形式展示任一时间段的历史数据。从单一用户或多个参与用户的数据分析中，可以获得用于与实际结果相比较的基准。

离线QC站100也能包括其他离线传感器122，该离线传感器的数据将会对图像数据进行补充并可通过本地或远程显示器获取。或者该其他传感器可以远离离线QC站100并同过线124或无线地126与该站连网。其他传感器的实例有：(a)贯入计或食品质地测定仪，以便通过测量虾的穿透力来测量质地、紧实度或软壳；(b)用于测量含水量、脱水或过度上色(glazing)的红外光谱仪；以及(c)用于测量虾的气味的化学传感器或气相色谱仪。含水量和脱水可以替代地在离线QC站100用称重-干燥-称重系统测量，该称重-干燥-称重系统包括一个干燥器和重量传感器，该重量传感器比较干燥特定时间前后一只或多只虾的重量。有些质量特征可以被人类操作员观察到并通过用户界面114手动输入。示例有：(a)气味；(b)损坏；(c)黑斑；(d)坏死；(e)软壳；(f)质地；(g)紧实度；(h)脱水；(i)上色；以及(j)在去虾线之后不能接受的剩余血管或不正确的血管切口。

尽管在线式和离线式视觉站被描述为可以为去皮无头虾创建图像，但它们也能被用来为无头带皮或有头带皮的虾创建图像，该图像随后要进行相似的质量分析。

Claims (25)

1.一种虾加工系统，包括：

一个输送器，该输送器沿加工线输送虾；

一个离线QC站，该离线QC站具有一个视觉系统，该视觉系统捕捉从该输送器上的虾收集的样本虾的数字图像；

一个处理器，该处理器从该数字图像确定这些样本虾中的每一个中存在的尾段数量或者估算这些样本虾中的每一个的全重百分比，并按照这些样本虾中的每一个中存在的尾段数量或全重百分比将这些样本虾中的每一个分类到多个类别之一中。

2.如权利要求1所述的虾加工系统，进一步包括一个剥虾机，该剥虾机从虾去除头部和外壳以生产虾仁，从这些虾仁中采集这些样本虾。

3.如权利要求1所述的虾加工系统，其中该离线QC站进一步包括一个提供远程访问的网站门户。

4.如权利要求1所述的虾加工系统，其中该离线QC站进一步包括一个或多个传感器，该一个或多个传感器用于检测该加工线的一个或多个操作变量或者这些样本虾的一个或多个物理特征，并生成指示该一个或多个操作变量或物理特征的传感器信号。

5.如权利要求4所述的虾加工系统，其中该一个或多个传感器包括一个贯入计或一个食品质地测定仪，以便通过测量虾的穿透力来测量质地或紧实度。

6.如权利要求4所述的虾加工系统，其中该一个或多个传感器包括一个用于测量含水量、脱水或过度上色的红外光谱仪。

7.如权利要求4所述的虾加工系统，其中该一个或多个传感器包括一个用于测量虾的气味的化学传感器或气相色谱仪。

8.如权利要求4所述的虾加工系统，进一步包括一个用于干燥这些样本虾的干燥器，并且其中，该一个或多个传感器包括一个用于给在该干燥器中干燥前后的这些样本虾称重的重量传感器。

9.如权利要求4所述的虾加工系统，其中该一个或多个传感器远离视觉系统，并有线或无线连接到该离线QC站。

10.如权利要求1所述的虾加工系统，其中该视觉系统包括一个白光源和一个紫外光源，且其中该视觉系统创建由白光照亮的这些样本虾中的每一个的第一数字图像，并创建由紫外光照亮的这些样本虾中的每一个的第二数字图像。

11.一种用于虾加工线的离线QC站，包括：

一个视觉系统，该视觉系统捕捉从输送器上的虾采集的样本虾的数字图像；

一个处理器，该处理器从该数字图像确定这些样本虾中的每一个中存在的尾段数量或者估算这些样本虾中的每一个的全重百分比，并按照这些样本虾中的每一个中存在的尾段数量或全重百分比将这些样本虾中的每一个分类到多个类别之一中。

12.如权利要求11所述的离线QC站，其中该离线QC站进一步包括一个提供远程访问的网站门户。

13.如权利要求11所述的离线QC站，其中该离线QC站进一步包括一个或多个传感器，该一个或多个传感器用于检测该加工线的一个或多个操作变量或者这些样本虾的一个或多个物理特征，并生成指示该一个或多个操作变量或物理特征的传感器信号。

14.如权利要求13所述的离线QC站，其中该一个或多个传感器包括一个贯入计或一个食品质地测定仪，以便通过测量虾的穿透力来测量质地或紧实度。

15.如权利要求13所述的离线QC站，其中该一个或多个传感器包括一个用于测量含水量、脱水或过度上色的红外光谱仪。

16.如权利要求13所述的离线QC站，其中该一个或多个传感器包括一个用于测量虾的气味的化学传感器或气相色谱仪。

17.如权利要求13所述的离线QC站，进一步包括一个用于干燥这些样本虾的干燥器，并且其中，该一个或多个传感器包括一个用于给在该干燥器中干燥前后的这些样本虾称重的重量传感器。

18.如权利要求13所述的离线QC站，其中该一个或多个传感器远离视觉系统，并有线或无线连接到该离线QC站。

19.如权利要求11所述的离线QC站，其中该视觉系统包括一个白光源和一个紫外光源，且其中该视觉系统创建由白光照亮的这些样本虾中的每一个的第一数字图像，并创建由紫外光照亮的这些样本虾中的每一个的第二数字图像。

20.一种加工虾的方法，包括：

在加工线上沿输送方向在输送器上运送虾；

从输送器上正在运送的虾中收集多个样本虾；

在离线QC站中创建这些样本虾的数字图像；

从该数字图像中确定这些样本虾中的每一个中存在的尾段数量或全重百分比；

根据这些样本虾中的每一个中存在的尾段数量或全重百分比将这些样本虾中的每一个分类到多个类别之一中。

21.如权利要求20所述的方法，进一步包括将这些样本虾放置在一个支撑表面上，使得没有虾被趴伏运送。

22.如权利要求20所述的方法，进一步包括检测该加工线的一个或多个操作变量或者这些样本虾的一个或多个物理特征，并生成指示该一个或多个操作变量或物理特征的传感器信号。

23.如权利要求22所述的方法，其中该一个或多个物理特征是以下各项中的一项或多项：气味、损坏、黑斑、坏死、质地、紧实度、脱水、上色、不能接受的剩余血管以及切割不合理的血管。

24.如权利要求20所述的方法，包括在白光和紫外光下为这些样本虾中的每一个创建数字图像，并比较那些图像以检测剩余的壳。

25.如权利要求20所述的方法，进一步包括将这些样本虾称重、干燥这些样本虾、将这些干燥后的样本虾称重，以及比较干燥前后的重量以确定这些样本虾的含水量。