CN107003253B - 用于肉类中骨头扫描的方法和装置 - Google Patents

用于肉类中骨头扫描的方法和装置 Download PDF

Info

Publication number
CN107003253B
CN107003253B CN201580050936.8A CN201580050936A CN107003253B CN 107003253 B CN107003253 B CN 107003253B CN 201580050936 A CN201580050936 A CN 201580050936A CN 107003253 B CN107003253 B CN 107003253B
Authority
CN
China
Prior art keywords
sample
wavelength
light
amplitudes
meat
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201580050936.8A
Other languages
English (en)
Other versions
CN107003253A (zh
Inventor
戴维·普里思图帕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
7386819 Manitoba Ltd
Original Assignee
7386819 Manitoba Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 7386819 Manitoba Ltd filed Critical 7386819 Manitoba Ltd
Publication of CN107003253A publication Critical patent/CN107003253A/zh
Application granted granted Critical
Publication of CN107003253B publication Critical patent/CN107003253B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A—HUMAN NECESSITIES
    • A22—BUTCHERING; MEAT TREATMENT; PROCESSING POULTRY OR FISH
    • A22C—PROCESSING MEAT, POULTRY, OR FISH
    • A22C17/00—Other devices for processing meat or bones
    • A22C17/0073—Other devices for processing meat or bones using visual recognition, X-rays, ultrasounds, or other contactless means to determine quality or size of portioned meat
    • 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
    • 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
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/65—Raman scattering
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/94—Investigating contamination, e.g. dust
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/07—Analysing solids by measuring propagation velocity or propagation time of acoustic waves
    • 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
    • G01N2021/3595—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using FTIR
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
    • G01S7/52017—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 particularly adapted to short-range imaging
    • G01S7/52023—Details of receivers
    • G01S7/52036—Details of receivers using analysis of echo signal for target characterisation

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Food Science & Technology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Medicinal Chemistry (AREA)
  • Zoology (AREA)
  • Wood Science & Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Acoustics & Sound (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
  • Processing Of Meat And Fish (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

一种用于检测肉类中的骨头的方法和装置，其使用光谱光学成像和超声波识别出大于约1mm的骨头碎片。光谱成像可检测接近表面的异物，而超声波可检测样品内的物体。样品被光和反射光或测量的拉曼散射光照射。所述样品类似地被超声波和反射或传输的声波照射，以给出一组振幅数据点，其包括时间延迟。这些数据点随后通过统计方法进行处理，以导出n维空间中的一组向量，其与导出的向量的校准数据组进行比较，以指示缺陷的存在或不存在，其中所述的导出的向量具有对于每种类型表面的不同的识别位点。

Description

用于肉类中骨头扫描的方法和装置
技术领域
本发明涉及完全或部分地嵌入软组织中的小物体的检测。通常，尽管不是必需的，所述物体是肉中的骨碎片或非常小的骨头。大骨头不成问题，因为它们很容易被看到。市售的最典型的肉为鸡胸肉，由于当胸部肉被剔骨时，骨头趋向于碎裂。本发明还可以应用于易含有碎骨或非常小的骨头的家禽肉，鱼肉和其他肉类。
背景技术
可以存在于食品中的大于1mm大小的骨碎片或硬物，对人类的健康构成了风险。所以，骨碎片对食品加工操作造成了监管风险和诉讼风险。为了使得骨头检测方法在商业上是可行的，该方法必须能够在该范围的小的末端可靠地检测骨碎片。表面缺陷是比较常见的，嵌入式缺陷则较少。
骨头是具有多种形态的复合基质。骨头的主要结构组分是羟基磷灰石Ca5(PO4)3OH与I型胶原。胶原蛋白也是软骨的主要成分，软骨通常与骨头紧密相连。显著量的脂质和水合水也与天然状态的骨头相关联。存在着其他生物分子，但其在本文所讨论的测量的类型上不足以具有显著效果的量。技术问题是找到由蛋白质和脂质组成的肉基质中的骨头。
解决这个问题的最早的方法涉及加工鱼片的烛光法(背光)的多种变体。在这种方法里，肉类样品是背光的，而透射强度的变化则表示肉中吸收物体(一般是骨头)的存在。这种方法的主要缺点是，组织在每一个折射率不连续性处散射光子，有效地在细胞尺寸的规模。由于在细胞表面的散射，关于光子的传播方向的信息在大约3mm的行程内几乎完全随机化。光子扩散模型最好地描述光子通过组织的传播。更复杂的是，肉厚度的增加，跟表面下有骨的存在一样具有相同的衰减效应。因此，烛光法仅限于具有均匀厚度的薄样品。虽然通过时间门控方法而测量从脉冲激光器发出的没有散射的通过高达10厘米的组织的光子在实验室条件下是可能的，直接传输率是入射强度10-12的量级。扩展烛光法范围所需的成本和复杂性使得其不适合本发明所考虑的食品加工应用。
美国专利US7363817公开了一种烛光法，其使用具有LED的平面阵列和附加的离轴超声散射的500nm至600nm的背光，以对大量缺陷提供一定的敏感性。光检测器(摄像头)与入射光对准。所述方法测量声发射器和定向成捕获离轴散射的接收器之间的衰减。米氏散射理论适用于这种情况：散射体的大小接近散射波的波长。在这种情况下，散射可以是高度定向的，并且检测依赖于检测器在适当散射角的偶然存在。其次，来自小缺陷的信号可能在来自肉基质内的纹理的较大信号中丢失。
美国专利US4631413公开了一种巧妙的方法，其中，来自骨头、软骨和脂肪的荧光由UV辐射激发。此方法具有的优点是：来自蛋白质基质的荧光是最小的。高振幅表示骨头、软骨或脂肪，而低振幅表示肉。
美国专利US7460227公共了一种紫外荧光法的后期变种，其测量两个波长的荧光以改进软骨和骨头之间的区别。所述紫外荧光法，类似于所述烛光法，限于薄样品，这是由于肉的高光子散射截面。在工业环境中，有必要保护工人免受该方法中使用的紫外线辐射。
注意到检测骨头碎片问题的大多数现有技术已集中于X射线形式的开发，其具有比在更长波长的光子小得多的散射截面，且因此能够直接将深埋于组织中的缺陷成像。进一步地，X射线散射取决于电子密度，并因此对重元素更敏感，如骨头里的Ca，而对体基质里的轻元素H，C，O和N没有这么敏感。所述X射线方法对于检测弱矿化骨和软骨或者考虑样品厚度的变化是能力有限的。历史上，这已驱使X射线系统从简单的直接成像到复杂的计算机断层摄影系统。X射线测量在较重原子中较高的电子密度，特别是Ca和P，它们都是骨的组成部分。美国的一些专利描述了这种方法，如以下所列：
US5585603 物体质量
US6023497 调谐检波器
US6299524
US6512812 单发射器
US6546071 单发射器
US6563904 单发射器
US6600805 双源
US6370223 双源加上激光轮廓以因子厚度输出
US6449334 双源双能量
US6597759 双源双能量
US6597761 CT
US5182764 CT
US6430255 CT
US6590956 CT
US6018562 CT
US7060981 CT通过使用多个源以增加的成本增加速度
CT，计算机断层摄影在多个角度测量波强度，并且返回计算图像。即使使用最新的CT系统也依然存在若干问题。存在屏蔽X射线以免损伤工人和每天记录辐射暴露的要求。X射线发射器使用高电压且在潮湿的环境中运行，给工人带来进一步的风险。高资金成本和高维护成本限制了X射线方法在食品加工应用中的采用。
发明内容
根据本发明的第一方面，提供了一种检测生产线上的肉类样品中的缺陷的方法，包括以下步骤：
将至少一个波长的光发射到所述肉类样品的一区域上；
接收来自所述肉类样品的所述区域的反射光，测量所述反射光的振幅；
并且，在数据处理器中通过多变量分析比较所述肉类样品的每个区域的所述反射光的振幅，并从所述多变量分析确定所述肉类样品中表面缺陷的存在。
作为本发明的重要特征，优选地，所述方法包括附加步骤：
将至少一个频率的超声波发射到所述肉类样品的一区域上；
接收从所述肉类样品返回的超声波；
测量所述返回的超声波的振幅和飞行时间；
通过多变量分析比较所述肉类样品的每个区域的所述返回的超声波的振幅和飞行时间；
从所述多变量分析确定所述肉类样品中表面和内部缺陷的存在。
根据本发明的第二方面，提供了一种检测生产线上的肉类样品中的缺陷的方法，包括以下步骤：
将至少一个频率的超声波发射到所述肉类样品的一区域上；
接收从所述肉类样品返回的超声波；
测量所述返回的超声波的振幅和飞行时间；
通过多变量分析比较所述肉类样品的每个区域的所述返回的超声波的振幅和飞行时间；
从所述多变量分析确定所述肉类样品中表面和内部缺陷的存在。
所述方法会在下文中更详细地提供一个或多个以下特征、目标或优点：
主要目的是提供一种稳健和经济的方法，以检测肉类表面和深处的小缺陷。
一个主要目的是提供一种光谱成像系统和方法，以检测肉类样品上的表面缺陷，替代生产线上的肉类检验员。
一个主要目的是提供一种声学超声系统和方法，以检测肉类样品上和其中的骨头。
另一个主要目的是提供一种装置，用于检测生产线上的肉类样品中的缺陷，该装置具有至少一个光发射器和至少一个光学检测器以记录光信号，其将信号作为数据提供给数据处理器，而所述数据处理器处理数据，以便于显示所述肉类样品中存在的缺陷，所述数据处理器具有相关联的指示器，其表示所述肉类样品中存在缺陷。
另一个主要目的是提供一种装置，其具有至少一个超声发射器和至少一个声学检测器以记录声音信号，光学检测器和声学检测器都将信号作为数据提供给数据处理器。
一个附属目的是提供一种装置，其中，光发射器选自由以下组成的组：宽带白光源，具有不同波长的至少两种类型的LED的光源，用于激发拉曼散射辐射的准单色激光光源，通过至少一个带通滤波器滤波的用于激发拉曼散射辐射的准单色LED光源，具有不同波长的至少两个选通LED的光源，用于激发拉曼散射辐射的近红外光源与紫外光源。
另一个附属目的是提供一种装置，其具有光源，该光源具有波长在620和640nm与720和760nm之间的至少两种类型的LED。
另一个附属目的是提供一种装置，其具有光源，该光源具有波长在540和570nm，620和640nm以及720和760nm之间的至少三种类型的LED。
另一个附属目的是提供一种装置，其具有紫外光源，其发射波长在200和220nm之间的光以激发拉曼散射。
另一个附属目的是提供一种装置，其中，准单色激光光源发射可见光波长的和红外光波长的光，所述波长选自由以下组成的组：488，515，532，594，633，635，650，660，670，785，808，830，850，980和1064nm，以激发拉曼散射。
另一个附属目的是提供一种装置，其中，准单色LED光源发射可见光波长的和红外光波长的光，所述波长选自由以下组成的组：488，515，532，594，633，635，650，660，670，785，808，830，850，980和1064nm，以激发拉曼散射，通过至少一个带通滤波器滤波以激发拉曼散射。
另一个附属目的提供了一种装置，其中，近红外光源发射波长在900和2600nm之间的光。
另一个附属目的提供了一种超声波发射器，其为换能器的横向阵列。
另一个附属目的是提供一种超声换能器阵列，其中的每个由逻辑处理器单独控制，所述逻辑处理器驱动用于每个所述换能器的功率转换器的开关电路的电源。
另一个附属目的是提供一种光学检测器，其选自由以下组成的组：横向线扫描检测器，包括像素，像素的焦平面阵列，以及所述像素测量光的振幅。
另一个附属目的是提供一种相关波长选择器，当所述光学检测器是像素的焦平面阵列的时候。
另一个附属目的是提供一种相关波长选择器，其选自由以下组成的组：棱镜，衍射光栅和带通滤波器，其中所述焦平面阵列包含多个单独的横向像素阵列，每个单独的阵列对应于不同的选择波长。
另一个附属目的是提供一种相关波长选择器，它是傅立叶变换光谱仪，具有选自由以下组成的组的光学检测器：与所述傅里叶变换光谱仪集成的光学检测器，以及通过辅助检测器连接而与所述傅里叶变换光谱仪连接的光学检测器。
另一个附属目的是提供一种声学检测器，其选自由以下组成的组：包含换能器的横向阵列的超声波发射器，以及与所述超声发射器声音隔离的单独的声换能器阵列，其中所述的声学检测器测量声学振幅和每个声学振幅的飞行时间。
另一个附属目的是提供一种数据处理器，以接收对应于所述肉类样品的样品区域的多个光振幅，并且使用多变量分析的所述数据处理器生成正交的n维数据向量，通过从校准集投影到n个特征向量上，并且将这些数据向量与校准集中的向量进行比较，以确定它们是否对应于骨头，软骨，脂肪，肉或皮肤，或样品的每个样品区域的杂质，当骨头被识别出来时，发送逻辑信号以驱动停止样品的成功-失败门，否则不发送逻辑信号。
另一个附属目的是提供：所述数据处理器另外识别直接地和对角地邻接着所述样品区域的相邻区域的振幅，对于所有波长的该区域和相邻区域的振幅都进行多变量分析，其生成正交的n维数据向量，通过从校准集投影到n个特征向量上，并且将这些数据向量与校准集中的向量进行比较，其额外地确定样品区域之间的边缘的存在，当边缘被识别出来时，发送逻辑信号以驱动停止样品的成功-失败门，否则不发送逻辑信号。
另一个附属目的是提供：所述数据处理器接收对应于所述肉类样品的样品区域的多个声学振幅和该振幅的飞行时间，所述数据处理器将所述振幅与标准振幅进行比较，以确定所述样品中骨头的存在，当骨头存在时，发送逻辑信号以驱动停止样品的成功-失败门，否则不发送逻辑信号。
另一个附属目的是提供一种数据处理器，其旨在将所述振幅均值中心化并归一化为每个波长的标准偏差。
另一个主要目的是提供一种用于检测生产线上的肉类样品中的缺陷的方法，包括以下步骤：将至少一种波长的光发射到所述肉类样品的一区域上,接收从所述肉类样品的所述区域反射光，测量所述反射光的振幅，通过多变量分析比较所述肉类样品的每个区域的所述反射光的振幅，从所述多变量分析确定所述肉类样品中表面缺陷的存在。
一个附属目的是提供一种方法，包括以下附加步骤：将至少一个频率的超声波发射到所述肉类样品的一区域上，接收从所述肉类样品返回的超声波，测量所述返回的超声波的振幅和飞行时间，通过多变量分析比较所述肉类样品的每个区域的所述返回的超声波的振幅和飞行时间，从所述多变量分析确定所述肉类样品中表面和内部缺陷的存在。
另一个附属目的是提供一种方法，包括以下附加步骤：通过多变量分析将所述肉类样品的每个区域的所述反射光的振幅与所述肉类样品的每个区域的所述返回的超声波的振幅和飞行时间进行比较，从所述多变量分析确定所述肉类样品中表面和内部缺陷的存在。
另一个附属目的是提供一种方法，其中，单一波长的光被发射，而反射光被拉曼散射，所述方法包括以下附加步骤：通过波长选择器分散所述拉曼散射光，以将拉曼散射光分离成不同的波长，以及进一步的附加步骤：测量所述不同波长的振幅。
另一个附属目的是提供一种方法，其中，激发拉曼散射光的所述单一波长是准单色的且选自在200至220nm波长范围内的紫外光和在488，515，532，594，633，635，650，690，670，785，808，830，850，980和1064nm的可见光和红外光。
另一个附属目的是提供一种方法，其中，所述至少一个波长的光是宽带白光，所述方法包括以下附加步骤：通过波长选择器分散所述反射光，以将反射光分离成不同的波长，以及进一步的附加步骤：测量所述不同波长的振幅。本发明的另一个附属目的在于提供一种方法，其中，光的所述至少一个波长为近红外波长，选自900至2600nm的范围。本发明的另一个附属目的为提供一种方法，其中，光的所述至少一个波长包含至少两个单独的波长。
另一个附属目的是提供一种方法，包括以下步骤：在不同的时间发射至少两个单独的波长，并且在不同的时间测量所述反射光的振幅。
另一个附属目的是提供一种方法，其中，至少两个单独的波长包括在620和640nm与720和760nm之间。本发明的另一个附属目的在于提供一种方法，其中，至少三个单独的波长包括在540和570nm，620和640nm以及720和760nm之间。这些波长可以并且方便地为由非相干LED发射的非相干光，通常为540至570nm，620至640nm，720至760nm的波段。所述波长可以并且方便地为由非相干LED发射的非相干光，通常为540至570nm，620至640nm，720至760nm的波段。在540至570nm的波段，中心值可以是540至570nm的任何值；在620至640nm的波段，630nm的中心值是最佳的，在720至760nm的波段，中心值可以是从720至760nm的任何值。
另一个附属目的是提供一种装置，用于检测生产线上的肉类样品中的缺陷，所述装置包含至少一个超声波发射器和至少一个声波检测器以记录声音信号，其将信号作为数据提供给数据处理器。所述数据处理器接收对应于所述肉类样品的样品区域的多个声学振幅和这些振幅的飞行时间。所述数据处理器将这些振幅与标准振幅进行比较，以确定样品中骨头的存在，当骨头存在时，发送逻辑信号以驱动停止样品的成功-失败门，否则不发送逻辑信号。优选地，所述装置包含至少一个超声波发射器阵列和至少一个声波检测器阵列，以记录声音信号，所述声波检测器阵列将所述信号作为数据提供给数据处理器。所述装置可包含在所述生产线上方的至少一个超声波发射器阵列和在所述生产线下方的至少一个声波检测器阵列，以记录声音信号。或者，所述装置可包含在所述生产线下方的至少一个超声波发射器阵列和在所述生产线上方的至少一个声波检测器阵列，以记录声音信号。
另一个目的在于提供一种方法，用于检测生产线上的肉类样品中的缺陷，所述方法包括以下步骤：将至少一个频率的超声波发射到所述肉类样品的一区域上，接收从所述肉类样品返回的超声波；测量所述返回的超声波的振幅和飞行时间；通过多变量分析比较所述肉类样品的每个区域的所述返回的超声波的振幅和飞行时间，从所述多变量分析确定所述肉类样品中表面和内部缺陷的存在。
本发明的描述
本文所描述的布置提供了与光谱成像和超声测量结合来检测食品表面或大块中的异物的方法。使用非常宽松的光谱成像以检测靠近表面的异物，并且超声波被用于检测样品内的异物。由光和反射光或测量的拉曼散射光照射样品，以给出一组振幅数据点。所述样品类似地被超声波和反射声波照射，以给出一组振幅数据点，其包括时间延迟。这些光谱和声音数据点随后通过统计方法进行处理，以导出n维空间中的一组向量。这些向量指示缺陷的存在或不存在。通常，所述向量表明骨头，软骨，脂肪，肉(狭义上的肉类或肌肉)或皮肤在样品中的存在，并因此确定缺陷的存在或不存在。
光学测量
所有光学测量都是在近似反向散射几何形中进行的，以消除由于不规则样品形状导致的可能的阴影效应。照明体是漫射的以限制镜面反射的效果并使得尽可能均匀。漫射照明体通过使用扩展光源来实现的，所述扩展光源由一个或多个朗伯辐射体组成。可以使用扩散板来改善均匀性。使用相对于位于样品和检测器之间的入射偏振旋转90°的偏振器，所述照明体可被可选地偏振，以减少镜面反射。照明体的总方向大于150°，优选地尽可能接近180°，考虑到允许的空间，通常在5°以内。如果使用分束器，它可以是180°。照明体和样品之间的空间可以是空气，但更优选为液体，以减少折射率的变化。在另一个实施例中，一种辊由在所关注的波长区域中透射的材料制成，该辊被放置为与样品接触。所述辊被清洁以防止生物膜的累积。在所有的实施例中，由反射和/或折射元件构成的光学系统被用于映射从放大样品的小表面区域散射或反射到检测器元件的辐射。小表面区域的线性尺寸为x/2，而对应的空间频率为2/x。奈奎斯特定理需要以2/x进行采样，以解析空间频率1/x的特征。另外，所述光学系统必须以高保真度传送光谱频率2/x的调制，如通过调制传送函数的分析所确定的那样。所述光学检测器元件是光电二极管或辐射热测量计。辐射热测量计在宽波长范围上响应于电磁辐射，其为较不敏感的，并且具有较慢的响应时间。辐射热测量计对气流敏感，并且通常被封装在具有光学窗口的真空外壳中。窗口材料的光学特性确定了辐射热测量计的实际波长范围。
光电二极管检测器一般是半导体，基于光电效应运行且具有与带隙相关的高效的长波长截止。光电二极管更敏感且具有更快的响应时间，但是有限的波长范围。任一类型的检测器元件通常在阵列中被分组，并且阵列中的每个逻辑元件被称为像素。一个像素可由单个或多个检测器元件组成。具有多个检测器元件的像素通常在每个检测器元件的前面具有滤光器，以选择不同的波长。用于彩色摄像机的RGB拜耳阵列为一个例子。大范围波长滤波器为可用的，并且具有多达八个波长滤波器的装置是可商购的。传输光学器件被放置于样品和像素阵列之间，以形成像素阵列上的样品图像。光学系统所需的放大倍率为像素尺寸与x/2之间的比率。在实践中，每个样品的小表面区域是大约1/2平方毫米。传输光学器件可以使用折射光学器件(透镜)，反射光学器件(反射镜)或衍射光学器件(菲涅耳透镜)。反射光学器件为消色差的。必须小心地选择一种折射系统，其针对所关注的波长区域中的色差而校正。衍射系统可以聚焦并用作波长滤波器。本领域技术人员所已知的其他设备可替代地使用。波长选择器可以是棱镜，衍射光栅或带通滤波器，其可能需要隔离并集中特定波长，通常为一定范围的波长。当使用傅里叶变换光谱仪作为波长选择器时，它通常具有一个整体式光学检测器，通常是光电二极管，辐射热测量计，亦或线阵扫描或焦平面阵列。大多数傅里叶变换光谱仪还具有一个辅助检测器连接，以使得检测器能位于光谱仪外部。
校准时，用针对每个波长的标准光源照射每个像素，并且然后为每个像素计算比例因子，以均衡响应。所述比例因子考虑在像素元件的物理尺寸内的几何变化，以及每个像素元件的光谱响应变化。应当注意的是，像素的光谱响应和灵敏度依赖于温度，而一个精心设计的系统将包括紧邻像素元件的温度传感器，以向温度控制器提供反馈，或者因温度变化而校正比例因子。一般地，低温冷却的检测器更敏感，配备Peltier冷却器的检测器与检测器阵列是可商购的。对于选通系统，校准更简单，这是因为相同的物理检测器元件被用于每个波长。对于每个波长的比例因子校正由检测器元件的光谱响应曲线确定，其对于阵列中的所有元件而言第一近似值是相同的。像素阵列可以是单个横向阵列，如果光发射器被选通。其更便于选通，由于光电二极管/像素灵敏度中的自然变化，并且因此更易于校准更可靠的平均振幅。当使用基本上是一维的行扫描时，三行像素，3×1024，可被用于检查错误并获得更可靠的平均振幅。如果使用二维焦平面像素阵列，通常为640×480或1024×1024，则所选择的像素行被使用对应于所需的波长。一般来说，对于每个所需的波段使用多于一行的像素。
在一个实施例中，照明由宽带白光源提供，而从样品漫反射光通过衍射光栅或棱镜由波长分散并置于像素的焦平面阵列上，其中每一个记录一个波长范围。
在另一个实施例中，具有两种或更多种类型的LED的光源被使用，而从样品漫反射光由波长分散且置于焦平面阵列上。
在另一个实施例中，准单色照明(其可以是激光，但通常不是)由结合一个或多个带通滤波器的LED光源提供，并且产生的拉曼散射辐射由波长分散并置于像素的焦平面阵列上。应当注意的是，优选的光源对于拉曼测量是去偏振的，因为拉曼散射强度是偏振相关的。LED光源通常满足这个要求。如果使用激光，则可能需要扰频器以使偏振随机化。LED具有25至40nm的光谱FWHM，而所需带宽(FWHM)为约0.2nm或更小。具有0.15nm带通的合适的过滤器可以从Salem NH的Andover公司获得。干涉滤光器的中心透射波长可以通过旋转滤波器来调谐，并且这个原理可以用于从串联使用的两个或更多个较宽的带通滤波器(且更便宜)中构造出窄带通滤波器。
在另一个实施例中，激光器提供准单色照明，而拉曼散射辐射由波长分散且置于焦平面阵列上，所述激光器提供了更好的光谱分辨率；在另一个实施例中，照明由两组或更多组LED提供，所述两组或更多组LED被选通，而由样品漫反射光(非拉曼)被线扫描检测器收集而作为位置的函数，所述线扫描检测器测量两个波长，每次只测量一个波长。
在另一实施例中，InGaAs光电二极管/像素被用于在900至2600nm的波长范围内收集近红外光谱。可选地，可以使用微辐射热测量计阵列。在该范围内存在本领域技术人员已知的若干合适的红外发射器。近红外具有理论上更深的穿透性却具有较低的灵敏度。
使用准单色辐射以激发拉曼光谱的实施例比本文所述的其它方法产生了更多的独立数据点，即更详细的光谱，因此，所述方法具有更大的判断价值。作为说明性示例，骨头可以通过在羟基磷灰石中的PO+的对称拉伸约960cm-1处以及在羟基磷灰石中的PO+的不对称拉伸接近1050cm-1的较弱的一组波段处的强拉曼散射与肌肉区分开。脂质可以从2850cm-1和3050cm-1区域内的对称和不对称C-H伸缩带确定。蛋白质产生独特的拉曼光谱，其包括关于蛋白质二级结构的信息。最重要的蛋白质特征是酰胺I带，其靠近肽中氨基酸残基的1650CM-1。对于这些测量，应选择激发波长作为最短波长，其不会引起荧光背景的显著上升。拉曼散射的强度与入射频率的四次方成比例。使用较低信号电平成本的近红外入射光可以避免荧光。合适的波长为633nm，其可以由LED或HeNe激光器提供，其避免荧光。透镜系统通常用于收集从样品散射的辐射并将所述辐射传输到波长选择器。波长选择器必须在入射波长处和入射波长附近防止辐射到达检测器元件，由于在入射波长的功率通常是测量波长处的功率的一百万倍。入射波长可被干扰滤波器或双(或三)光栅系统阻挡。这两种选择都可以从许多供应商处购得，并且存在许多市售的激光LED具有在可见光和近红外的波长，它们适用于拉曼激发，包括488，515，532，594，635，650，660，610，785，808，830，850，980和1064nm。在实际应用中，工作波长可以与标称波长具有约5nm的不同，由于操作条件的变化。为了在拉曼散射光子波长范围的灵敏度而选择检测器。雪崩光电二极管阵列为优选的检测器技术，由于灵敏度在fW到pW范围内，其与在nW范围内的拉曼信号相比毫不逊色。如果激发波长小于600nm，那么光电倍增管也将工作，CCD技术也将工作，但需要更长的采样时间(或更高的输入功率)，由于灵敏度较低，软骨像肌肉一样由氨基酸序列组成，却具有氨基酸的非典型分布。在软骨中，大约1/3的氨基酸残基是脯氨酸。共振拉曼光谱对脯氨酸是选择性敏感的，可用200nm和220nm之间的辐射激发。荧光是UV激发的问题。其中，荧光是不可避免的，有可能用与时间门控检测耦合的脉冲光源收集拉曼光谱，以抑制荧光，其比拉曼信号达到较大的时间延迟，通常约200ns。拉曼检测后，关闭检测器，以允许荧光通过，然后再次开启，用于下一次拉曼检测。输出光穿过器件，通常为衍射光栅(在理论上可使用棱镜)，而在像素阵列上测量其强度，或者可以使用傅立叶变换光谱仪，其可与行扫描检测器或焦平面阵列组合。
为了确定最有效的波长，在400-800nm的范围内在离散的10nm波段测试鸡肉类样品，且测量每个波段的反射振幅。相对于标准偏差测量振幅。样品近似为700乘700像素，虽然相机为1024×1024像素。软骨，骨头，皮肤，脂肪和肌肉的面积被确定，并且仅覆盖明确确定的表面的掩模被用于为在每种类型的表面的掩模内的像素提供反射光的振幅，其编号从至少几千像素直到二万像素，以提供可靠的平均幅度和标准偏差。540-570nm，620-640nm和720-760nm的范围被发现是最有效的。需要所有的三个范围，每个都对特征向量具有显著贡献，其解释了样品中的方差。如下所述，导出特征向量足以识别表面的性质。
对于使用反射光的实施例，通过描述本发明在家禽胸部上发现缺陷的问题的应用提供了一个指导性的实施例。在一个实施例中，使用了Si基光电二极管。鸡肋和鸡胸肉的光谱响应在约630nm的区域内是统计上不可区分的，并且这个性质使630nm成为良好的归一化参考。在接近720nm的光谱区域中，鸡肋和鸡胸肉分布的平均值通过它们的标准偏差的总和分开。因此，在630nm和720nm的测量足以区分鸡肋和鸡胸肉。软骨比骨头的反射率更大。在630nm和720nm，该比率为约1.1，而在570nm，该比率为约1.8。因此，可推断，软骨在570nm处具有更高反射率，在720nm处相对于630nm参考测量具有类似的反射率。在570nm，相对于630nm参考，鸡脂肪比鸡的肌肉的反射率高约3.4倍。皮肤近似于脂肪的光谱反射率。在720nm，相对于630nm参考，脂肪比肌肉的反射率更低(0.84)。这些波长通过实验确定为有效的，且形成足够的基础集用于多变量分析。对于每个像素确定三个振幅。在实践中，每个像素的三个振幅都进行多变量分析，以导出n维空间中的特征向量上的投影，随后其被用于确定采样表面积的性质。
当570，630和720nm被优选选通时，他们不必是这样。在微秒量级，LED预热快，但是，在300微秒的量级上的关闭是缓慢的。因此，约300微秒的延迟在LED熄灭的时间与下一个积分期的开始之间是必需的。选通一般要求每个LED或相同波长的LED组有其被开关电路控制的电源转换器，例如与电流限制器组合的H桥，LED驱动器或类似的逻辑处理器。BuckPuck(LED电源，Randolph VT)是一种合适的控制装置。
近来，携带肉类样品的输送带已被加快到每小时约15,000个样品，或者约4个每秒对应于线速度为1600mm/s。为了每0.5毫米平移进行3次测量，对于线性阵列，所需的采样频率为9.6kHz，这是考虑到了上述LED关闭时间的问题。我们的实验是在以800mm/s运行的输送线上进行的，因此所需的采样频率对于线性阵列是4.8kHz。二维焦平面阵列可被使用，以代替在不同时间记录相同样品区域的多幅图像。所有需要的是，在积分期间样品平移小于0.5mm(在我们的例子中为0.625ms)。因此，对每个波长收集一系列重叠的2-D图像。上述图像必须由图像之间的相对运动来抵消，以使得为每个样品的每个波长提供单个2-D图像。这可以通过两种方式完成。积分时间根据如上所述的所需的奈奎斯特空间分辨率而设置。可使用一个焦平面阵列检测器按顺序测量所有波长。积分时间，即检测器接通以接收光子并加合其能量的时间，通常为约1/4至3/4毫秒。焦平面例如为横向1024像素×纵向1360像素，例如，横向约640像素×纵向240像素的区域被用作帧，基本上是单张图片。在不同时间拍摄帧，由于有三个独立的波长。帧之间的周期通常大于积分时间，由于将传感器数据发送到数据处理器所需的时间。在帧之间的期间，样品将优选地对应于2X像素而平移距离X mm。X的值与像素位移是从样品的平移速率计算出的。间隔通常为21/2毫秒。由于样品在摄像头下通过，在每个波长处获取一系列帧，一个周期需要71/2毫秒，在实际操作中，对应于约12个像素。将一帧内特定横向行像素的振幅与在相同波长的下一帧内的11,12或13行进行比较，一般地，这些中的一个被识别为相同，其显示为相同的。如果使用了该样品，第一图像的区域和后续图像(具有一定范围的偏移)之间的点积被计算出来，并且由每个数据向量的量值归一化。产生最接近1.000的值的偏移被使用。对应于共同的小样品区域的帧或者像素振幅在适当偏移后，相加得到更长的有效积分。当高达20帧可在给出的示例中使用时，一般方法可通过使用视场由已知位移偏移的多个焦平面阵列而扩展到任意数量的帧。该相加的振幅随帧数增加，并且噪声随着帧数的平方根而增加，给出的信噪比的整体改善与所共加的帧数的平方根成比例。这种放大方法对于具有固有弱信号的拉曼测量是特别有用的。原始像素的振幅通过比例因子在每个波长归一化，以将对白色基准的响应归一化。这些振幅产生三维向量，其用于表征样品表面的性质。
编码器标记可包括在样品传送基板(传送带)上，用于计算像素偏移的目的。这些标记是等间距的不同标记，其可被用于使来自每个帧的图像一致，所述标记将具有与每个样品相同的位置关系，其随后可被识别。对于相同样品区的像素值，对于每个波长而被相加。也可以使用单独的检测器同时测量所有波长，所述单独的检测器使用一个或多个分束器。由于包含用于单独波长的每个像素的三组焦平面被使用，归一化更复杂，由于其必须考虑所有三个波长的所有像素。在这种情况下，测量之间的周期被减少，但是必须小心地对准检测器到共同的视野。在任一情况下，可记录每个样品区域的多个图像，增加有效积分时间并改善所得到的信噪比。作为说明性示例，具有1280×1024像素焦平面阵列的摄像头可被使用，并且样品在Y方向上平移。所述样品在相同波长的测量之间的时间段平移256个像素。在此实施例中，每个物理区域被测量4次。数据处理时间为字节数和处理器速度的函数。
优选地，将光学系统封闭在屏蔽环境光的腔室中，包括60Hz荧光灯的效果。调制照明的振幅与将调制信号传递到和检测器输出链接着的锁定放大器可消除环境光的影响。
声学测量
本发明进一步包括超声波换能器阵列，被布置成跨越样品的宽度输送装置，以使得样品区的每个区域都可被扫描。采样区域的壁涂覆有一种材料，该材料被设计用于吸收和抑制超声波振动。例如，该阵列可为穿过大约210mm，以匹配在光学实施例中使用的输送系统的宽度。其他尺寸也是可能的，且应选择为大致匹配于特定输送机系统的尺寸。设计了三种变体。第一种通过水性介质将声振动耦合到样品。在这种情况下，背反射几何形状是优选的。在第二种变体中，样品被设置于传送带的一侧，并且至少一个换能器通过液体被耦合到传送带的相对侧。在被至少一个换能器接收之前，声信号通过传送带，穿过样品且穿过气隙。发射器和接收器的位置可以互换。第三种变体通过辊将声振动耦合到样品。在此情况下，一个或多个换能器安装在辊中。换能器可与辊一起旋转，但更优选的是，被固定在中心附近且通过液体与辊的移动表面耦合。
在一个实施例中，优选直径6mm的一排换能器被使用，通常具有约32个换能器，其足以横跨典型鸡胸肉。6mm传感器足够大以产生良好聚焦的超声波，也足够小以保持从在检测限内小至0.3mm的缺陷的返回。这个尺寸的噪声/信号比是理论上计算得到的。换能器可以在1MHz和20MHz之间谐振，最优选在5MHz的含水介质内谐振。在空气中，合适的频率为200KHz，更高的频率提供更好的分辨率和更低的穿透深度。选择超声波频率以使得超声波长小于最小缺陷尺寸x，而最优选地，小于x/2。在此限制内，尺寸x和更大的结构产生声偶极子场，其可在反向散射几何中观察到。当声学信号被反射时，它具有多个波瓣，其随情况而变化，前向和后向散射的波瓣总是存在的。在本发明中使用后向散射的几何形状优选于前向散射的几何形状，这是因为，弱散射信号不与强入射波结合，如在前向散射几何形状中的情况。值得注意的是，在特定缺陷几何形状中，缺陷大约是相同的大小，由于超声波波长可产生为在某些角度具有强信号的散射角的强函数的反射波，而在其它角度没有信号。在这些情况下，后向散射几何形状不产生最强的可能信号，但是，它确实产生了一致的信号，其优于丢失信号的可能性。反向散射几何形状允许相同的换能器发送并接收超声波，条件是来自产生输出脉冲的振荡在散射波到来之前衰减到可忽略的水平。
在替代性实施例中，单独的一组换能器可以接近的角度邻近放置，但与第一组换能器隔音，以用作接收器。所述检测器测量有效声导或被测材料的阻抗，因此指示其密度，差异则表示骨头，软骨，脂肪和肌肉。在此实施例中，换能器可一次性发射全部，并且同时测量声学响应。它们还可以时间相位滞后发射，其可以微秒扫描样品。样品通道的宽度可以被划分为N个区域。每个区域采样所需的时间大约为超声波从换能器传输到样品输送机的底部并返回所需的时间。换能器组/相控阵将短聚焦声波列分别发送至每个区域，按照从区域1开始并以区域N结束的顺序，直到穿过样品区域的完整产品线已被询问。该过程无限重复。在采样时间期间，后向散射波以入射波形的两倍频率采样。例如，5MHz波列通过20毫米的软组织回程所需的时间约为28微秒，所以，需要约280个数据点来表征后向散射波形。在另一个实施例中，可以同时对多个区域进行采样，只要该区域相隔足够远以避免串扰。作为相位差的结果，除了在小的采样区域内之外，存在破坏性干扰。实质上，每次从样品的一个区域接收一个响应。
在空气中的实施例里，换能器可一次性发射全部，并且检测器彼此同时测量声学响应。它们还可以时间相位滞后发射，其可以微秒扫描样品。样品通道的宽度可以被划分为N个区域。每个区域采样所需的时间大约为超声波从换能器传输到在样品输送机底部的接收器所需的时间。换能器组/相控阵将短聚焦声波列分别发送至每个区域，按照从区域I开始并以区域N结束的顺序，直到穿过样品区域的完整产品线已被询问。该过程无限重复。例如，200KHz波列通过20mm的软组织所需的时间约为14微秒，如实施例中所示。在另一个实施例中，多个区域可以同时采样，只要所述区域相隔足够远以避免串扰。作为相位差的结果，除了在小的采样区域内之外，存在破坏性干扰。实质上，每次从样品的一个区域接收一个响应。发射器可以在生产线上面，而接收器在生产线下面，或者发射器可以在生产线下面，而接收器在生产线上面。
可以使用更大量的换能器，通常在相同物理尺寸的相控阵中为64或128个，这种设置类似于医疗超声波应用，并且具有类似的分辨率和灵敏度。
在另一个实施例中，输出波列的振幅，相位或频率可以被调制以编码时间信息。当换能器阵列处于时间相位滞后的时候，每个换能器具有由开关电路控制的其功率转换器，如H桥或类似的逻辑处理器。
数据处理
来自光谱测量和超声测量的信号被传送到数据处理装置，其使用常规统计模型以推断缺陷的存在或不存在。所提供的信息包括来自检测器的特定波长的振幅，声波振幅及其飞行时间。
所述光学振幅可被用作绝对值，当进行多变量分析的时候。优选地，光学振幅是平均中心的，并被标准化为标准偏差。如果振幅低于某个阈值(即没有样品部分存在)，则它不被处理。样品振幅的平均值被用于进行五次横向扫描；这个数字在实际操作中可依据检测器而被改变。然后，从当前扫描的振幅中减去该平均值，以给出平均中心振幅。该扫描的标准偏差随后被计算出来，且用平均中心振幅除以标准偏差，得到平均中心归一化振幅。这考虑了样品中的高度差。平均中心归一化振幅a'由表达式a'＝(a-m)/s给出，其中，a为测量的振幅，m为平均值，而s为标准偏差。边缘振幅由数据处理器对八个相邻区域进行识别，到直接和对角地邻接的测试区域。理论上，随后这些被比较为从测试的中心振幅到相邻的周边振幅的梯度，以检测边缘的存在并因此检测骨头的存在，当梯度大于标准的噪声阈值时。
在含水的情况下，当在每个区域的每个波长存在一个频谱振幅时，对于每个区域存在多于一个的声振幅。在实际操作中，相对于飞行时间绘制声振幅，无论哪种换能器的实施例被使用，都有五种可能的结果。第一，超声波可被发射到不含样品的区域中，并且只是简单地反映样品区域衰减掉的相对面。第二，超声波可能遇到具有准同质声阻抗的样品区域。在这种情况下，会有来自样品的顶表面的反向散射波，样品大部分的弱散射，来自样品的底表面的另一个反向散射波，以及最后从样品通道的底表面散射。除了在顶部表面上的小颗粒比大部分具有更高的声阻抗增加了从顶表面散射的波的振幅不同以外，第三种情况与第二种情况相同。除了小的高阻抗颗粒在底表面上并且增加了反射的幅度不同以外，第四种情况与第三种情况相同。在第三和第四种情况下，增加的散射与光学数据一起使用，以确定缺陷的存在。除了高阻抗颗粒在顶表面和底表面之间不同以外，第五种情况与第二种情况相同。在此情况下，在顶表面和底表面信号的接收之间的时间间隙内有一个额外的散射信号。在无水情况下，骨头的存在改变了发射波的到达时间，因为声音的速度在骨头中更快。
多变量分析，如主成分分析(PCA)，神经网络(NN)，线性判别分析(LDA)，部分最小二乘法(PLS)和类似算法都可被用于推断骨头碎片存在的概率。使用两种通用方法以从光学测量来推断缺陷的存在。首先，可以基于作为波长的函数而被接收的信号的差异,指定在单个像素内存在缺陷的概率；其次，对应于一个像素的区域中缺陷的概率可以通过将像素与周围像素进行比较而计算得到，以检测边缘。边缘则意味着骨头的存在。这种检测通过直接梯度计算完成，使用掩膜或其他边缘检测算法，其比较相邻振幅，以导出振幅的变化率(梯度)。较大的梯度对应于较高的边缘和较高的缺陷概率。在实际操作中，每个波长的八个相邻振幅与中心振幅结合以生成每个波长的边缘概率振幅。所述边缘概率振幅包括在数据向量中，所述数据向量用于计算校准的特征向量或用于计算操作的特征向量投影。作为相对于参考点时间的函数的超声波信号被包含在数据向量中。由包括的骨头产生的图案有所不同，却难以用直接物理模型建模。统计模型基于所有的测量计算小样品体积内存在缺陷的累积概率。具体地，波长依赖性，边缘概率，以及作为相对于表面反射时间的函数的声音返回被加载到公共数据向量中，而该数据向量到一组正交校准向量的投影被计算出来了。优选地，但是并非必要地，数据是由每次测量的标准偏差均值中心化和归一化。出于说明的目的，在此概述了用于实施PCA(主成分分析)的通用方法。在PCA方法里，参考向量的集合是特征向量，其中每个描述一个主分量的n维空间。一组特征向量和特征值是通过多变量分析(PCA)程序从数据向量的校准集合生成的。参考集合中的数据向量表示具有骨碎片的一组样品以及不具有骨碎片的一组样品。选择每组中的样品数，以使得每个群体内的自然变异性得到很好的体现。协方差矩阵被计算出来，并且通过对协方差矩阵进行对角化获得特征向量和特征值。如果数据向量的维数为m，将存在m个特征向量和m个特征值。如果测量3个波长，有3个振幅加上24个边缘，即m＝27，如果包括声学测量则会有更多。对应于唯一特征值的所有特征向量是正交的。简并特征值是可能的，在这种情况下，2个或更多简并特征向量中的任何一个被用于表示特征值。由每个特征向量描述的样品方差与相关联的特征值的振幅成比例。通常＞99％的方差由最大的2至6个特征向量描述，它们被称为PC1，PC2，PC3等，以最大到最小对应特征值的顺序。通过取每个数据向量与对应于最大特征值的2至6个特征向量中的每一个的点积，所述样品方差可被投影到减小的维度向量PC空间中。所述点积给出原始数据向量沿每个主成分特征向量的投影。新的向量空间是n维的(n通常小于6，最经常约为3)，且所有向量均为正交的。如果原始数据向量是由标准偏差均值中心化和归一化的，特征向量的单位是标准偏差，而这便于(却非必要的)PC空间内的数据解读。对应于皮肤、骨头、肌肉、脂肪、软骨等的校准向量聚集在PC空间的不同区域。每个组织类型分布的轨迹以及距轨迹距离增加的概率被建模。当系统呈现未知的时候，数据向量被投影到PC空间中，并且与每种组织类型的模型相比，以生成每个组织类型的概率。样品区域的判断为具有最高概率的组织类型。具有骨头碎片的校准集合中的数据向量从没有骨头碎片的校准集合中的数据向量投影到主成分空间的不同区域。虽然，数据向量中的一些变体在实践中被注意到，它们落入几乎没有歧义的截然不同的群体中。主成分图是可用的，但是需要不同的颜色用于清楚的解释。
骨头，软骨，脂肪，肉和皮肤的标准样品被用于校准特征向量。一般而言，杂质不对应于任何校准组，因而被突出。标准贝叶斯统计方法被用于为主成分空间的每个小区域计算存在骨头碎片的概率。任意数据向量到主成分空间的投影确定数据向量表示骨头碎片缺陷的概率。如果计算得到的概率超过某一阈值，由逻辑系统产生信号，该信号可被用于从工艺流中移除有缺陷的片段。有缺陷的片段可通过修剪线而被任选地重新加工，随后被重新检查。其它波长和算法可达到相同的最终结果。
所述系统的优点是：它检测到鸡胸肉表面的骨头和嵌入的骨头。虽然，食物样品的表面可能在大规模上相当不规则，表面在几毫米的尺度上通常不会变化很大，所以照明和平均反射角在该近似中几乎恒定，反射强度梯度的变化超过阈值表示组成的变化，且可被用于检测边缘。边缘检测是众所周知的，并且现成的加工软件是可商购的。一旦检测到边缘，该算法则搜索其它附近的边缘，并且基于梯度的大小、边缘的长度以及分析区域内的相互几何形状的所有边缘计算缺陷概率。作为说明性示例，骨头通常具有几乎与边缘之间的特征间距平行的边缘。约与肌肉相隔2mm的几毫米长的平行边缘的检测会导致算法生成存在鸡肋的高概率。
待检查的产品可能在空气中。在这种情况下，一次性透明膜将光学器件与样品区域分离。所述膜可在两个辊之间以保持样品和检测器之间的清晰视野的速率慢慢地滚动。可以理解的是，光学检查装置可以被放置成面对样品的每个表面。在一个优选实施例中，一组光学检测器面对样品的顶表面，而第二组光学检测器面对样品的底表面。优选地，将样品浸入透明液体溶液中，该透明液体溶液在光学扫描期间最小化或消除了镜面反射，并且还比空气界面更有效地将声波耦合到样品中。所述透明液体溶液可主要为水。在此实施例中，浸没的透明窗口将光学器件与样品分离。所述透明窗口优选为凹状的，以防止磨损，并且定期清洁以防止生物膜的积累。
附图说明
图1示出了根据本发明所述的第一种方法的示意性侧视图。
图1A示出了根据本发明所述的类似于图1的第二种方法的示意性侧视图。
图1B示出了根据本发明所述的类似于图1的第三种方法的示意性侧视图。
图1C示出了根据本发明所述的类似于图1的第四种方法的示意性侧视图。
图2示出了根据本发明所述的另一种方法的示意性侧视图。
图3示出了该装置的另一个实施例的示意性侧视图。
图3A示出了该装置的另一个实施例的示意性侧视图。
图4示出了由振幅/标准差来测量的以毫秒为时间单位的振幅图。
图5示出了相对于波长测量的反射率图。
图6示出了相对于波长测量的光谱分离图。
具体实施方式
在图1中，提供了一种装置10，其中，肉类样品20被承载于传送带28上，其运行的上支撑承载于金属板22上。由电子控制器32驱动的声学换能器26刚性地安装到金属板22，并且与油脂(未示出)声学耦合。所述金属板22与具有水溶液薄层(未示出)的传送带28声耦合。所述传送带28与承载于具有水溶液薄层(未示出)的传送带上的所述肉类样品20声学耦合。孔24A设置在板24中，其允许由换能器26发射的信号的传输，并且通过样品20传输到声换能器30。所述板24防止间接声学干扰(回声)撞击至换能器30上。由换能器30接收的信号被转移到电子控制器32并且由电子控制器32放大。外壳48围绕系统10，并防止环境光进入装置10。
在传送带28上的样品20的照明由LED 52，54和56实现。LED 52为570nm，LED 54为630nm，LED 56为720nm。扩散器58位于LED前方，且其提供均匀的照明。LED 52，54和56被选通，并且在每个波长的反射图像由相机50收集并被传送到电子控制器32。声学和光学信号被组合在数据向量中，且通过电子控制器32用于分析骨头碎片的存在。
在图1A中，显示了一种类似于图1的装置。在此实施例中，孔24对近红外辐射是透明的，并且宽带的近红外光源62照射所述肉类样品20。光谱照相机50A在含有狭缝(未示出)的第一平面中形成反射近红外辐射的图像，以选择大约0.5mm宽的样品区域。穿过此狭缝的近红外辐射是平行的，且通过光栅或棱镜分散(未示出)，并且被成像到InGaAs上或微团簇阵列上。光谱数据被传输到电子控制器32。声学和光学信号被组合在数据向量中，且通过电子控制器32用于分析骨头碎片的存在。
在图1B中，显示了另一个类似的实施例，其中，肉类样品20被承载于传送带28上，由金属板22支撑。辊66安装在悬架系统上(未示出)，所述悬架系统保持辊的外圆柱形表面66A的接触，并且对肉类样品20施加压力。所述辊66填充有液体68，其提供辊66与辊66内的换能器26A之间的声学和光学耦合。另外，光源52A，分束器34和摄像头50B都位于辊66内，以使得来自光源52A的照明被引导通过分束器34并通过透明壁66A，其具有沿着相同的路径传递到分束器34的反射光，其成角度地将反射光引导到相机SOB。声学和光学信号被组合在数据向量中，且通过控制系统32进行分析，通过电子控制器38分析骨头碎片的存在。
在图1C中，显示了横截面图中的另一个类似的实施例，其中，肉类样品20搁置在传送带28上。金属板22具有向上翻转的边缘以保留住水溶液22C。换能器阵列30A被安装在金属板22上。
在图2中，显示了另一个类似的实施例，其中，检测装置10具有外壳48，摄像头50，LED 52，54和56。LED 52为570nm，可选的LED 54为630nm，LED 56为720nm。LED具有相关联的散射器58，位于盖板64的上方。空气清洗器66和68从装置10去除外壳48内加热的空气。在装置10的下方，在样品空间20S中，有一条传送带70，运动控制传感器72和74，以及成功/失败门76。还示出了鸡肉类样品20。
在某些情况下，仅使用570nm和720nm的LED。该系统对骨头，软骨，脂肪，皮肤，肉/肌肉和膜产生非常强的反射率的反射振幅。浸没消除了镜面反射。几个样品被运行以确定有效的反射率。第三个可选的630nm的LED的存在可提供增强的检测。样品与来自双LED设置的计算机化结果的视觉比较，与来自三LED设置的计算机化结果的比较相比，不能令人满意。使用630nm的归一化法产生了更好的结果。
在图3中，显示了装置10的另一个实施例，其中，激光器90通过线扫描发生器92提供光，其将圆形激光束转换成横向线性光束，或者一组横向线性光束。转向镜94将光束转向到分束器100，其通过窗口98将光束发送到浸没在水或水性流体96中的肌肉类样品20。窗口98是凹状的，低于流体96的水位以避免气泡。反射的拉曼散射光通过窗口98返回，分束器100和滤波器102傅里叶变换光谱仪104，用于振幅测量。选择滤光器102以拒绝激光器90的波长处的光。声换能器106发射且接收超声波。
在图3A中，显示了类似于图3的装置10的另一个实施例，其中，鸡肉类样品20浸没在水性流体96中。所述样品通过窗口98依次被LED 52(570nm)，LED 54(630nm)和LED 56(720nm)照射。入射光被扩散器58均匀化并且穿过所述窗口98。反射光通过所述窗口98而穿回来，并通过摄像头104成像，用于振幅测量。声换能器106发射并接收超声波。
在图4中，显示了由标准偏差来测量的以毫秒为时间单位的振幅图。在约50微秒的强反应表示骨头。
在图5中，对于鸡胸肉区域的平均反射光谱，在420至720nm的范围内给出了骨头，肌肉，膜，脂肪和软骨的识别。显示的光谱通过对相同组织类型的像素进行平均并将每个波长的平均值除以630nm处的平均值而获得。归一化法补偿了由鸡胸肉不规则表面引起的变化。每个组织类型具有不同的平均光谱。
在图6中，显示了在420至720nm范围内通过标准偏差的总和归一化而获得的骨头和肌肉之间的光谱差异。该幅图显示了用于区分肌肉和骨组织的每个波长的相对判断值。绝对值比较大则表明在单个像素水平的肌肉和骨头之间正确区分的概率更高。对于组织类型的特定波长，像素群中小的标准偏差(低变动性)增加了该波长为判断目的之效用。值得注意的是，其中肌肉和骨头在统计学上不可区分的接近630nm的最小值，是归一化的有用参考点。

Claims (12)

1.一种用于检测生产线上的肉类样品中的缺陷的方法，包括以下步骤：
将至少一个波长的光发射到所述肉类样品的一区域上；
接收来自所述肉类样品的所述区域的反射光，测量所述反射光的振幅；
将至少一个频率的超声波发射到所述肉类样品的一区域上并接收从所述肉类样品返回的超声波；
并且，在数据处理器中通过多变量分析比较所述肉类样品的每个区域的多个不同波长的所述反射光的振幅以及所述肉类样品的每个区域返回的所述超声波的振幅和飞行时间，并使用统计模型从所述多变量分析确定所述肉类样品中表面缺陷和内部缺陷的存在，所述表面缺陷和内部缺陷包括骨碎片的存在；
所述统计模型基于对波长的依赖性，从所述振幅的梯度获得的边缘概率以及加载到公共数据向量中的作为相对于表面反射时间的函数的超声信号，来计算所述区域内存在缺陷的累积概率；
所述至少一个波长的光是宽带白光，或者所述光的所述至少一个波长包含至少两个单独的波长。
2.根据权利要求1所述的方法，其特征在于，所述至少一个波长的光是宽带白光，并且所述方法包括附加步骤：通过波长选择器将所述反射光分散，以将所述反射光分离成不同的波长，并且还包括附加步骤：测量所述不同的波长的振幅。
3.根据权利要求1所述的方法，其特征在于，所述光的所述至少一个波长包含至少两个单独的波长，还包括在不同的时间发射至少两个单独的波长的步骤，以及在不同的时间测量所述反射光的振幅的步骤。
4.根据权利要求3所述的方法，其特征在于，所述至少两个单独的波长包括620至640nm和720至760nm。
5.根据权利要求3所述的方法，其特征在于，所述至少两个单独的波长包括540至570nm，620至640nm以及720至760nm的三种波长。
6.根据权利要求3所述的方法，其特征在于，测量每个单独的波长的振幅的步骤，由相同的像素的焦平面阵列测量。
7.根据权利要求3所述的方法，其特征在于，测量每个单独的波长的振幅的步骤，由两个不同的像素的焦平面阵列测量，其中每个焦平面阵列测量不同的波长。
8.根据权利要求1所述的方法，其特征在于，所述数据处理器接收对应于所述肉类样品的样品区域的多个光的振幅，所述数据处理器从光的振幅生成n维数据向量，并且将所述数据向量与通过多变量分析产生的校准集进行比较，以确定它们是否对应于骨头，软骨，脂肪，肉或皮肤，或所述样品的每个样品区域的杂质，当骨碎片被识别出来时，发送逻辑信号以驱动停止样品的成功-失败门，否则不发送逻辑信号。
9.根据权利要求8所述的方法，其特征在于，对于每个波长，所述数据处理器另外识别直接地和对角地邻接着所述样品区域的相邻区域之振幅，对所有波长计算跨越所述样品区域和所述邻接区域的梯度，并且从所述梯度和振幅生成n维数据向量，并将所述数据向量与通过多变量分析产生的校准集进行比较，确定样品区域之间的边缘的存在，当骨碎片被识别出来时，发送逻辑信号以驱动停止样品的成功-失败门，否则不发送逻辑信号。
10.根据权利要求1所述的方法，其特征在于，所述数据处理器接收对应于所述肉类样品的样品区域的多个声振幅和所述振幅的飞行时间，所述数据处理器将所述振幅与标准振幅进行比较以确定所述样品中骨碎片的存在，当骨碎片存在时，发送逻辑信号以驱动停止样品的成功-失败门，否则不发送逻辑信号。
11.根据权利要求1所述的方法，其特征在于，所述数据处理器将所述振幅均值中心化并归一化为每个波长的标准偏差。
12.根据权利要求1所述的方法，其特征在于，相同波长的每种类型的LED具有由开关电路控制的功率转换器，与逻辑处理器结合，从而相同波长的每种类型的LED被分别选通。
CN201580050936.8A 2014-07-21 2015-07-21 用于肉类中骨头扫描的方法和装置 Expired - Fee Related CN107003253B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201461999206P 2014-07-21 2014-07-21
US61/999,206 2014-07-21
PCT/CA2015/050678 WO2016011548A1 (en) 2014-07-21 2015-07-21 Method and device for bone scan in meat

Publications (2)

Publication Number Publication Date
CN107003253A CN107003253A (zh) 2017-08-01
CN107003253B true CN107003253B (zh) 2020-10-16

Family

ID=55162366

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580050936.8A Expired - Fee Related CN107003253B (zh) 2014-07-21 2015-07-21 用于肉类中骨头扫描的方法和装置

Country Status (10)

Country Link
US (2) US20170205385A1 (zh)
EP (1) EP3198262A4 (zh)
JP (2) JP2017534057A (zh)
CN (1) CN107003253B (zh)
AU (1) AU2015292225B2 (zh)
BR (1) BR112017001407A2 (zh)
CA (1) CA2968706C (zh)
MX (1) MX2017001034A (zh)
RU (1) RU2705389C2 (zh)
WO (1) WO2016011548A1 (zh)

Families Citing this family (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6425178B2 (ja) * 2016-09-20 2018-11-21 九州電子技研株式会社 ラマン散乱光検出装置及びラマン散乱光検出方法
JP6814595B2 (ja) * 2016-10-19 2021-01-20 株式会社前川製作所 食肉の骨部判別装置及び食肉の骨部判別方法
JP6898721B2 (ja) * 2016-10-19 2021-07-07 株式会社前川製作所 食肉の骨部判別装置及び食肉の骨部判別方法
CN109983337A (zh) 2016-11-14 2019-07-05 马瑞奥冰岛有限责任公司 用于加工肉块的系统和方法
JP2019537021A (ja) * 2016-11-30 2019-12-19 コーニング インコーポレイテッド スペクトル撮像システムおよびそれを用いてスペクトル画像データを生成する方法
KR101925502B1 (ko) * 2017-01-12 2019-02-27 서강대학교산학협력단 다원 기체의 농도 및 압력 산출 방법
JP6480979B2 (ja) * 2017-05-10 2019-03-13 ファナック株式会社 計測装置
CN108369190B (zh) * 2017-06-23 2021-03-16 深圳前海达闼云端智能科技有限公司 一种物质检测方法、装置及设备
JP6705433B2 (ja) * 2017-09-22 2020-06-03 東芝ライテック株式会社 検知装置
US10713563B2 (en) * 2017-11-27 2020-07-14 Technische Universiteit Eindhoven Object recognition using a convolutional neural network trained by principal component analysis and repeated spectral clustering
JP7047354B2 (ja) * 2017-12-04 2022-04-05 株式会社ニコン 撮像装置および撮像装置の制御プログラム
JP7317702B2 (ja) 2018-01-31 2023-07-31 株式会社ニチレイフーズ 食品検査補助システム、食品検査補助装置、およびコンピュータプログラム
IT201800003091A1 (it) * 2018-02-27 2019-08-27 Milan Fish S R L Metodo ed apparato per l'ispezione di prodotti alimentari, in particolare di prodotti ittici
CN108872140B (zh) * 2018-05-09 2021-01-19 塔里木大学 一种户外监测红枣品质的方法及装置
EP3803293A4 (en) * 2018-05-30 2022-06-15 Pendar Technologies, LLC METHODS AND DEVICES FOR GAP DIFFERENTIAL RAMAN SPECTROSCOPY WITH INCREASED OCULAR SAFETY AND REDUCED RISK OF EXPLOSION
WO2019234054A1 (en) * 2018-06-06 2019-12-12 Marel Iceland Ehf. A method of providing feedback data indicating quality of food processing performed by an operator
CA3108903A1 (en) * 2018-08-07 2020-02-13 Britescan, Llc Portable scanning device for ascertaining attributes of sample materials
WO2020036620A1 (en) * 2018-08-16 2020-02-20 Thai Union Group Public Company Limited Multi-view imaging system and methods for non-invasive inspection in food processing
JP6748168B2 (ja) * 2018-09-21 2020-08-26 株式会社ミヤザワ 略円形の側面を有する物品の検査装置、及び物品反転装置
US11137413B2 (en) * 2018-11-09 2021-10-05 Embedded Designs, Inc Method of determining conveyor oven belt speed
US11644443B2 (en) * 2018-12-17 2023-05-09 The Boeing Company Laser ultrasound imaging
US11726034B2 (en) * 2019-03-07 2023-08-15 Missouri State University IR spectra matching methods
GB201908806D0 (en) * 2019-06-19 2019-07-31 Signature Robot Ltd Surface recognition
US11320370B2 (en) * 2019-06-26 2022-05-03 Open Water Internet Inc. Apparatus for directing optical and acoustic signals
CN110208212B (zh) * 2019-07-04 2021-06-18 中南林业科技大学 一种近红外光谱全方位无损检测装置及控制方法
CN110320175B (zh) * 2019-07-04 2021-07-13 中南林业科技大学 一种近红外光谱检测装置及控制方法
CN110243805B (zh) * 2019-07-30 2020-05-22 江南大学 基于拉曼高光谱成像技术的鱼刺检测方法
JP6778451B1 (ja) * 2020-01-10 2020-11-04 日本分光株式会社 異物分析方法、異物分析プログラムおよび異物分析装置
CN111538015A (zh) * 2020-04-27 2020-08-14 江苏大学 基于线聚焦超声的香肠中金属异物在线检测装置
JP6881653B2 (ja) * 2020-05-11 2021-06-02 東芝ライテック株式会社 検知装置
CN112505049B (zh) * 2020-10-14 2021-08-03 上海互觉科技有限公司 基于蒙版抑制的精密零组件表面缺陷检测方法和系统
CN112348803B (zh) * 2020-11-19 2024-03-29 西安维控自动化科技有限公司 一种超声波边缘检测方法及系统
CN113074627B (zh) * 2021-03-12 2022-06-10 中国科学院生物物理研究所 直接电子探测相机的成像方法、装置及计算机设备
TWI812161B (zh) * 2021-04-16 2023-08-11 由田新技股份有限公司 整合型光學檢測設備
US11599984B2 (en) * 2021-04-29 2023-03-07 Syscom, Inc. Methods and apparatus for detecting defects for poultry piece grading
CN115097096B (zh) * 2022-08-22 2022-12-13 天津美腾科技股份有限公司 避障检测系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4226540A (en) * 1977-06-25 1980-10-07 Pfister Gmbh Method for the contactless determination of features of meat quality
US4631413A (en) * 1983-06-13 1986-12-23 De Forenede Bryggerier A/S Method for quality control of products from fish, cattle, swine and poultry
US7363817B2 (en) * 2001-11-28 2008-04-29 Battelle Memorial Institute System and technique for detecting the presence of foreign material
WO2008102143A1 (en) * 2007-02-22 2008-08-28 Enfis Limited Quality control of meat products and the like
US7460227B1 (en) * 2004-12-30 2008-12-02 The United States Of America As Represented By The Secretary Of Agriculture Method to detect bone fragments during the processing of meat or fish

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3877818A (en) * 1974-01-28 1975-04-15 Us Agriculture Photo-optical method for determining fat content in meat
GB2219394B (en) * 1988-05-06 1992-09-16 Gersan Ets Sensing a narrow frequency band of radiation and examining objects or zones
US5206699A (en) * 1988-05-06 1993-04-27 Gersan Establishment Sensing a narrow frequency band of radiation and gemstones
WO1991011136A1 (en) * 1990-02-02 1991-08-08 Boston Advanced Technologies, Inc. Systems for material analysis based on reflectance ratio detection
US5239180A (en) * 1990-02-02 1993-08-24 Boston Advnaced Technologies, Inc. Laser systems for food analysis based on reflectance ratio detection
JPH04166063A (ja) * 1990-10-29 1992-06-11 Nisshin Denshi Kogyo Kk 魚肉スリ身中の異物検出除去方法および装置
DE69228550T2 (de) * 1991-09-06 1999-08-19 Commw Scient Ind Res Org Messverfahren und -vorrichtung
DK170787B1 (da) * 1992-10-28 1996-01-15 Sfk Technology As Apparat til undersøgelse af slagtekroppe
EP0699302B1 (de) * 1993-05-19 1998-07-22 Gerd Flüh Verfahren und vorrichtung zum erkennen von fremdkörpern in viskosen oder flüssigen lebensmitteln mit stückigen inhaltsstoffen
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
US6129625A (en) * 1999-08-26 2000-10-10 Townsend Engineering Company Method of trimming a meat portion by ultrasonic and electronic analysis
AUPR068500A0 (en) 2000-10-11 2000-11-02 Australian Food Industry Science Centre Animal carcass splitting
US6786096B2 (en) * 2001-11-28 2004-09-07 Battelle Memorial Institute System and technique for detecting the presence of foreign material
JP2009508571A (ja) * 2005-09-16 2009-03-05 ザ リージェンツ オブ ザ ユニバーシティ オブ ミシガン 検体の表面直下の組成を計測する方法及びシステム
RU2412598C2 (ru) * 2006-10-06 2011-02-27 Нордишер Машиненбау Руд. Баадер ГмбХ+Ко. КГ Способ и устройство для обработки продуктов из рыбы и птицы и других мясопродуктов, транспортируемых в большом количестве по обрабатывающей линии
CN100480680C (zh) * 2007-05-22 2009-04-22 浙江大学 多光谱肉类新鲜度人工智能测量方法及系统
US8351672B2 (en) * 2007-09-26 2013-01-08 Industry Vision Automation Corp. Machine imaging apparatus and method for detecting foreign materials
JP4640492B2 (ja) * 2008-10-27 2011-03-02 パナソニック電工株式会社 骨密度計測装置
JP5889182B2 (ja) * 2009-03-30 2016-03-22 スリーエム イノベイティブ プロパティズ カンパニー 検体の検出のための光電子法及びデバイス
CA2803933C (en) * 2010-06-25 2017-10-03 Northeastern University Method for analyzing biological specimens by spectral imaging
CN102564964B (zh) * 2011-12-29 2014-07-30 南京林业大学 基于光谱图像的肉品品质可视化非接触检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4226540A (en) * 1977-06-25 1980-10-07 Pfister Gmbh Method for the contactless determination of features of meat quality
US4631413A (en) * 1983-06-13 1986-12-23 De Forenede Bryggerier A/S Method for quality control of products from fish, cattle, swine and poultry
US7363817B2 (en) * 2001-11-28 2008-04-29 Battelle Memorial Institute System and technique for detecting the presence of foreign material
US7460227B1 (en) * 2004-12-30 2008-12-02 The United States Of America As Represented By The Secretary Of Agriculture Method to detect bone fragments during the processing of meat or fish
WO2008102143A1 (en) * 2007-02-22 2008-08-28 Enfis Limited Quality control of meat products and the like

Also Published As

Publication number Publication date
US20170205385A1 (en) 2017-07-20
RU2017105393A (ru) 2018-08-22
US11353439B2 (en) 2022-06-07
RU2705389C2 (ru) 2019-11-07
WO2016011548A1 (en) 2016-01-28
JP2020173260A (ja) 2020-10-22
AU2015292225A1 (en) 2017-03-16
CN107003253A (zh) 2017-08-01
MX2017001034A (es) 2017-10-31
EP3198262A4 (en) 2018-07-25
JP7094576B2 (ja) 2022-07-04
EP3198262A1 (en) 2017-08-02
CA2968706C (en) 2021-09-28
JP2017534057A (ja) 2017-11-16
RU2017105393A3 (zh) 2019-02-18
AU2015292225B2 (en) 2020-06-25
CA2968706A1 (en) 2016-01-28
US20200217831A1 (en) 2020-07-09
BR112017001407A2 (pt) 2019-11-12

Similar Documents

Publication Publication Date Title
CN107003253B (zh) 用于肉类中骨头扫描的方法和装置
JP4824017B2 (ja) 物質の内部の光散乱によって物質の流れを検査するための装置及び方法
US20170138923A1 (en) Apparatus and method for detecting microbes or bacteria
US20110261355A1 (en) Portable device and method for spectroscopic analysis
KR101498096B1 (ko) 초분광 영상을 이용한 농산물의 원산지 판별 장치 및 방법
US20130160557A1 (en) Acoustic wave acquiring apparatus
US9091643B2 (en) Device and method for analyzing kernel component
WO2016080442A1 (ja) 品質評価方法及び品質評価装置
JP2010133934A (ja) ２つの測定ユニットを有する表面測定装置
CN103718022A (zh) 药剂检测装置和药剂检测方法
JP2018146251A (ja) 異物検出システム、異物検出方法、及びそのプログラム
US20220268627A1 (en) Spectrometer device
JP2012189390A (ja) 毛髪検出装置
JP5644580B2 (ja) 異状判定装置及び異状判定方法
CN110567902A (zh) 一种霉菌检测装置及检测方法
JP2009168746A (ja) 検査方法および検査装置
CN110456010A (zh) 一种无损快速检测鸡蛋新鲜度的方法
US11333596B2 (en) Observation container and microparticle measurement device
EP4215899A1 (en) Water quality inspection device
HU217724B (hu) Eljárás és berendezés objektum két dimenzióban történő minősítésére vagy tulajdonságának meghatározására

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201016